手动实现BERT

  本文重点介绍了如何从零训练一个BERT模型的过程，包括整体上BERT模型架构、数据集如何做预处理、MASK替换策略、训练模型和保存、加载模型和测试等。

一.BERT架构
  BERT设计初衷是作为一个通用的backbone，然后在下游接入各种任务，包括翻译任务、分类任务、回归任务等。BERT模型架构如下所示：

1.输入层
  BERT每次计算时输入两句话。
2.数据预处理
  包括移除不能识别的字符、将所有字母小写、多余的空格等。

3.随机将一些词替换为MASK
  BERT模型的训练过程包括两个子任务，其中一个即为预测被遮掩的词的原本的词，所以在计算之前，需要把句子中的一些词替换为MASK交给BERT预测。


4.编码句子
  把句子编码成向量，BERT同样也有位置编码层，以让处于不同位置的相同的词有不同的向量表示。与Transformer位置编码固定常量不同，BERT位置编码是一个可学习的参数。

5.编码器
  此处的编码器即为Transformer中的编码器，BERT使用了Transformer中的编码器来抽取文本特征。
6.预测两个句子的关系
  BERT的计算包括两个子任务，预测两个句子的关系为其中一个子任务，BERT要计算出输入的两个句子的关系，这一般是二分类任务。
7.预测MASK词
  这是BERT的另外一个子任务，要预测出句子中的MASK原本的词。

二.数据集介绍和预处理
1.数据集介绍
  数据集使用微软提供的MSR Paraphrase数据集进行训练，第1列的数字表示了这2个句子的意思是否相同，2列ID对于训练BERT模型没有用处，只需关注第1列和另外2列String。部分样例如下所示：

2.数据集预处理
  数据集预处理代码参考文献[2]，处理后包括msr_paraphrase_data.csv和msr_paraphrase_vocab.csv这2个文件，样例数据如下所示：



三.PyTorch中的Transformer工具层
  本部分不再手工实现Transformer编解码器，更多的使用PyTorch中已实现的Transformer工具层，从而专注于BERT模型的构建。
1.定义测试数据
  模拟虚拟了2句话，每句话8个词，每句话的末尾有一些PAD，如下所示：

# 虚拟数据
import torch
# 假设有两句话，8个词
x = torch.ones(2, 8)
# 两句话中各有一些PAD
x[0, 6:] = 0
x[1, 7:] = 0
print(x)

  输出结果如下所示：

tensor([[1., 1., 1., 1., 1., 1., 0., 0.],[1., 1., 1., 1., 1., 1., 1., 0.]])

2.各个MASK的含义解释
  key_padding_mask作用是遮挡数据中的PAD位置，减少计算量；encode_attn_mask定义是否要忽略输入语句中某些词与词间的注意力，在编码器中是不需要的；decode_attn_mask定义是否忽略输出语句中某些词与词之间的注意力，在解码器中是需要的。如下所示：

# 2.各个MASK的含义解释
# 定义key_padding_mask
# key_padding_mask的定义方式，就是x中是pad的为True，否则是False
key_padding_mask = x == 0
print(key_padding_mask)# 定义encode_attn_mask
# 在encode阶段不需要定义encode_attn_mask
# 定义为None或者全False都可以
encode_attn_mask = torch.ones(8, 8) == 0
print(encode_attn_mask)# 定义decode_attn_mask
# 在decode阶段需要定义decode_attn_mask
# decode_attn_mask的定义方式是对角线以上为True的上三角矩阵
decode_attn_mask = torch.tril(torch.ones(8, 8)) == 0
print(decode_attn_mask)

  输出结果如下所示：

tensor([[False, False, False, False, False, False,  True,  True],[False, False, False, False, False, False, False,  True]])
tensor([[False, False, False, False, False, False, False, False],[False, False, False, False, False, False, False, False],[False, False, False, False, False, False, False, False],[False, False, False, False, False, False, False, False],[False, False, False, False, False, False, False, False],[False, False, False, False, False, False, False, False],[False, False, False, False, False, False, False, False],[False, False, False, False, False, False, False, False]])
tensor([[False,  True,  True,  True,  True,  True,  True,  True],[False, False,  True,  True,  True,  True,  True,  True],[False, False, False,  True,  True,  True,  True,  True],[False, False, False, False,  True,  True,  True,  True],[False, False, False, False, False,  True,  True,  True],[False, False, False, False, False, False,  True,  True],[False, False, False, False, False, False, False,  True],[False, False, False, False, False, False, False, False]])

3.编码数据
  将x编码为2×8×12，表示2句话、每句话8个词、每个词用12维的Embedding向量表示：

# 编码x
x = x.unsqueeze(2) # 在第2维增加一个维度
x = x.expand(-1, -1, 12) # 在第2维复制12份
print(x, x.shape)

  输出结果如下所示：

tensor([[[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.]],[[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],[1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.]]]) torch.Size([2, 8, 12])

4.多头注意力计算函数
  在计算多头注意力机制市需要做2次线性变化，一次是对入参的Q、K和V矩阵分别做线性变换，另一次是对注意力分数做线性变换，2次线性变换分别需要2组weight合bias参数，如下所示：

# 定义multi_head_attention_forward()所需要的参数
# in_proj就是Q、K、V线性变换的参数
in_proj_weight = torch.nn.Parameter(torch.randn(3 * 12, 12))
in_proj_bias = torch.nn.Parameter(torch.zeros((3 * 12)))
# out_proj就是输出时做线性变换的参数
out_proj_weight = torch.nn.Parameter(torch.randn(12, 12))
out_proj_bias = torch.nn.Parameter(torch.zeros(12))
print(in_proj_weight.shape, in_proj_bias.shape)
print(out_proj_weight.shape, out_proj_bias.shape)# 使用工具函数计算多头注意力
data = {# 因为不是batch_first的，所以需要进行变形'query': x.permute(1, 0, 2), # x原始为[2, 8, 12]，x.permute为[8, 2, 12]'key': x.permute(1, 0, 2),'value': x.permute(1, 0, 2),'embed_dim_to_check': 12, # 用于检查维度是否正确'num_heads': 2, # 多头注意力的头数'in_proj_weight': in_proj_weight, # Q、K、V线性变换的参数'in_proj_bias': in_proj_bias, # Q、K、V线性变换的参数'bias_k': None,'bias_v': None,'add_zero_attn': False,'dropout_p': 0.2, # dropout的概率'out_proj_weight': out_proj_weight, # 输出时做线性变换的参数'out_proj_bias': out_proj_bias, # 输出时做线性变换的参数'key_padding_mask': key_padding_mask,'attn_mask': encode_attn_mask,
}
score, attn = torch.nn.functional.multi_head_attention_forward(**data)
print(score.shape, attn, attn.shape)

（1）bias_k、bias_v：是否要对K和V矩阵单独添加bias，一般设置为None。
（2）add_zero_attn：如果设置为True，那么会在Q、K的注意力结果中单独加一列0，一般设置为默认值False。
（3）key_padding_mask：是否要忽略语句中的某些位置，一般只需忽略PAD的位置。
（4）attn_mask：是否要忽略每个词之间的注意力，在编码器中一般只用全False的矩阵，在解码器中一般使用对角线以上全True的矩阵。
  输出结果如下所示：

torch.Size([36, 12]) torch.Size([36])
torch.Size([12, 12]) torch.Size([12])
torch.Size([8, 2, 12]) tensor([[[0.2083, 0.2083, 0.2083, 0.1042, 0.2083, 0.0000, 0.0000, 0.0000],[0.2083, 0.2083, 0.1042, 0.2083, 0.2083, 0.2083, 0.0000, 0.0000],[0.2083, 0.1042, 0.1042, 0.1042, 0.2083, 0.2083, 0.0000, 0.0000],[0.2083, 0.1042, 0.1042, 0.2083, 0.2083, 0.1042, 0.0000, 0.0000],[0.2083, 0.2083, 0.2083, 0.1042, 0.2083, 0.2083, 0.0000, 0.0000],[0.2083, 0.1042, 0.2083, 0.2083, 0.1042, 0.2083, 0.0000, 0.0000],[0.2083, 0.2083, 0.2083, 0.1042, 0.2083, 0.2083, 0.0000, 0.0000],[0.2083, 0.1042, 0.2083, 0.1042, 0.1042, 0.2083, 0.0000, 0.0000]],[[0.0893, 0.1786, 0.0893, 0.1786, 0.1786, 0.1786, 0.1786, 0.0000],[0.1786, 0.1786, 0.1786, 0.1786, 0.1786, 0.1786, 0.1786, 0.0000],[0.1786, 0.0000, 0.1786, 0.1786, 0.1786, 0.1786, 0.0893, 0.0000],[0.1786, 0.1786, 0.1786, 0.1786, 0.0893, 0.1786, 0.0893, 0.0000],[0.1786, 0.1786, 0.1786, 0.0000, 0.1786, 0.0893, 0.1786, 0.0000],[0.1786, 0.1786, 0.1786, 0.1786, 0.1786, 0.1786, 0.0893, 0.0000],[0.1786, 0.0893, 0.0893, 0.1786, 0.1786, 0.0893, 0.0000, 0.0000],[0.1786, 0.1786, 0.0893, 0.0893, 0.1786, 0.1786, 0.1786, 0.0000]]],grad_fn=<MeanBackward1>) torch.Size([2, 8, 8])

5.多头注意力层
  封装程度更高的多头注意力层实现方式如下所示：

# 使用多头注意力工具层
multihead_attention = torch.nn.MultiheadAttention(embed_dim=12, num_heads=2, dropout=0.2, batch_first=True)
data = {'query': x,'key': x,'value': x,'key_padding_mask': key_padding_mask,'attn_mask': encode_attn_mask,
}
score, attn = multihead_attention(**data)
print(score.shape, attn, attn.shape)

  输出结果如下所示：

torch.Size([2, 8, 12]) tensor([[[0.1042, 0.2083, 0.0000, 0.1042, 0.1042, 0.2083, 0.0000, 0.0000],[0.2083, 0.2083, 0.1042, 0.2083, 0.0000, 0.2083, 0.0000, 0.0000],[0.2083, 0.2083, 0.2083, 0.2083, 0.0000, 0.2083, 0.0000, 0.0000],[0.1042, 0.2083, 0.2083, 0.1042, 0.2083, 0.2083, 0.0000, 0.0000],[0.2083, 0.2083, 0.2083, 0.1042, 0.1042, 0.2083, 0.0000, 0.0000],[0.2083, 0.2083, 0.2083, 0.1042, 0.2083, 0.1042, 0.0000, 0.0000],[0.1042, 0.0000, 0.2083, 0.1042, 0.2083, 0.2083, 0.0000, 0.0000],[0.2083, 0.2083, 0.2083, 0.1042, 0.2083, 0.2083, 0.0000, 0.0000]],[[0.1786, 0.1786, 0.0893, 0.0000, 0.1786, 0.1786, 0.1786, 0.0000],[0.1786, 0.1786, 0.1786, 0.0893, 0.1786, 0.0893, 0.0893, 0.0000],[0.0893, 0.0893, 0.0893, 0.0893, 0.1786, 0.1786, 0.1786, 0.0000],[0.1786, 0.0893, 0.0893, 0.1786, 0.1786, 0.1786, 0.0893, 0.0000],[0.1786, 0.0893, 0.1786, 0.1786, 0.0893, 0.0893, 0.0000, 0.0000],[0.1786, 0.1786, 0.1786, 0.1786, 0.0000, 0.1786, 0.0893, 0.0000],[0.1786, 0.0000, 0.1786, 0.0893, 0.1786, 0.0893, 0.1786, 0.0000],[0.1786, 0.0893, 0.0893, 0.0893, 0.0893, 0.1786, 0.0893, 0.0000]]],grad_fn=<MeanBackward1>) torch.Size([2, 8, 8])

  其中，batch_first=True，表示input和output张量的shape为(batch, seq, feature)。默认为False，input和output张量的shape为(seq, batch, feature)。
6.编码器层
  编码器包含多个编码器层，其中batch_first表示输入的第1维度是否是batch_size，norm_first通过该参数指定是否将标准化层前置计算。如下所示：

# 使用单层编码器工具层
encoder_layer = torch.nn.TransformerEncoderLayer(d_model=12,                          # 词向量的维度nhead=2,                             # 多头注意力的头数dim_feedforward=24,                  # 前馈神经网络的隐层维度dropout=0.2,                         # dropout的概率activation=torch.nn.functional.relu, # 激活函数batch_first=True,                    # 输入数据的第一维是batchnorm_first=True)                     # 归一化层在前
data = {'src': x,                                 # 输入数据'src_mask': encode_attn_mask,             # 输入数据的mask'src_key_padding_mask': key_padding_mask, # 输入数据的key_padding_mask
}
out = encoder_layer(**data)
print(out.shape) #torch.Size([2, 8, 12])# 使用编码器工具层
encoder = torch.nn.TransformerEncoder(encoder_layer=encoder_layer,                  # 编码器层num_layers=3,                                 # 编码器层数norm=torch.nn.LayerNorm(normalized_shape=12)) # 归一化层
data = {'src': x, # 输入数据'mask': encode_attn_mask,                     # 输入数据的mask'src_key_padding_mask': key_padding_mask,     # 输入数据的key_padding_mask
}
out = encoder(**data)
print(out.shape) #torch.Size([2, 8, 12])

7.解码器层
  BERT当中不会用到Transformer的解码器，解码器包含多个解码器层，如下所示：

# 7.解码器层
#  使用单层解码器工具层
decoder_layer = torch.nn.TransformerDecoderLayer(    # 解码器层d_model=12,                          # 词向量的维度nhead=2,                             # 多头注意力的头数dim_feedforward=24,                  # 前馈神经网络的隐层维度dropout=0.2,                         # dropout的概率activation=torch.nn.functional.relu, # 激活函数batch_first=True,                    # 输入数据的第一维是batchnorm_first=True)                     # 归一化层在前
data = {'tgt': x,                                        # 解码输出的目标语句，即target'memory': x,                                     # 编码器的编码结果，即解码器解码时的根据数据'tgt_mask': decode_attn_mask,                    # 定义是否要忽略词与词之间的注意力，即decode_attn_mask'memory_mask': encode_attn_mask,                 # 定义是否要忽略memory内的部分词与词之间的注意力，一般不需要要忽略'tgt_key_padding_mask': key_padding_mask,        # 定义target内哪些位置是PAD，以忽略对PAD的注意力'memory_key_padding_mask': key_padding_mask,     # 定义memory内哪些位置是PAD，以忽略对PAD的注意力
}
out = decoder_layer(**data)
print(out.shape) #(2,8,12)# 使用编码器工具层
decoder = torch.nn.TransformerDecoder(    # 解码器层decoder_layer=decoder_layer,          # 解码器层num_layers=3,                         # 解码器层数norm=torch.nn.LayerNorm(normalized_shape=12))
data = {'tgt': x,'memory': x,'tgt_mask': decode_attn_mask,'memory_mask': encode_attn_mask,'tgt_key_padding_mask': key_padding_mask,'memory_key_padding_mask': key_padding_mask,
}
out = decoder(**data)
print(out.shape) #(2,8,12)

8.完整的Transformer模型
  Transformer主模型由编码器和解码器组成，如下所示：

# 使用Transformer工具模型
transformer = torch.nn.Transformer(d_model=12,               # 词向量的维度nhead=2,                             # 多头注意力的头数num_encoder_layers=3,                # 编码器层数num_decoder_layers=3,                # 解码器层数dim_feedforward=24,                  # 前馈神经网络的隐层维度dropout=0.2,                         # dropout的概率activation=torch.nn.functional.relu, # 激活函数custom_encoder=encoder,              # 自定义编码器，如果指定为None，那么会使用默认的编码器层堆叠num_encoder_layers层组成编码器custom_decoder=decoder,              # 自定义解码器，如果指定为None，那么会使用默认的解码器层堆叠num_decoder_layers层组成解码器batch_first=True,                    # 输入数据的第一维是batchnorm_first=True)                     # 归一化层在前
data = {'src': x,'tgt': x,'src_mask': encode_attn_mask,'tgt_mask': decode_attn_mask,'memory_mask': encode_attn_mask,'src_key_padding_mask': key_padding_mask,'tgt_key_padding_mask': key_padding_mask,'memory_key_padding_mask': key_padding_mask,
}
out = transformer(**data)
print(out.shape) #torch.Size([2, 8, 12])

四.手动实现BERT模型
  因为这部分代码较长，就不放出来了，详细参考文献[4]。需要说明的是BERT在训练阶段有两个子任务，分别为预测两句话的意思是否一致，以及被遮掩的词的原本的词。把编码器抽取的文本特征分别输入两个线性神经网络，并且以此计算这两个输出。重点说下random_replace()函数对所有句子的替换策略，如下所示：

# 定义随机替换函数
def random_replace(sent):# sent = [b,63]# 不影响原来的sentsent = sent.clone()# 替换矩阵，形状和sent一样，被替换过的位置是True，其他位置是Falsereplace = sent == -1# 遍历所有的词for i in range(len(sent)):for j in range(len(sent[i])):# 如果是符号就不操作了，只替换词if sent[i, j] <= 10:continue# 以0.15的概率进行操作if random.random() > 0.15:pass# 对被操作过的位置进行标记，这里的操作包括什么也不做replace[i, j] = True# 分概率做不同的操作p = random.random()# 以O.8的概率替换为MASKif p < 0.8:sent[i, j] = vocab.loc['<MASK>'].token# 以0.1的概率不替换elif p < 0.9:continue# 以0.1的概率替换成随机词else:# 随机生成一个不是符号的词rand_word = 0while rand_word <= 10:rand_word = random.randint(0, len(vocab) - 1)sent[i, j] = rand_wordreturn sent, replace

  每个句子中的每个词都有15%的概率被替换，而替换也不仅有替换为MASK这一种情况。在被判定为当前词要替换后，该词有80%的概率被替换为MASK，有10%的概率被替换为一个随机词，有10%的概率不替换为任何词。如下所示：


参考文献：
[1]《HuggingFace自然语言处理详解：基于BERT中文模型的任务实战》
[2]https://github.com/ai408/nlp-engineering/blob/main/20230625_HuggingFace自然语言处理详解/第14章：手动实现BERT_数据预处理.py
[3]https://github.com/ai408/nlp-engineering/blob/main/20230625_HuggingFace自然语言处理详解/第14章：手动实现BERT_PyTorch中的Transformer工具层.py
[4]https://github.com/ai408/nlp-engineering/blob/main/20230625_HuggingFace自然语言处理详解/第14章：手动实现BERT_训练和测试.py
[5]Bert模型的细节到底是怎么样的：https://www.zhihu.com/question/534763354
[6]BERT模型参数量：https://zhuanlan.zhihu.com/p/452267359
[7]HuggingFace Transformers最新版本源码解读：https://zhuanlan.zhihu.com/p/360988428
[8]NLP Course：https://huggingface.co/learn/nlp-course/zh-CN/chapter1/1

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.hqwc.cn/news/125122.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

反素数

反素数

198. 反素数 - AcWing题库 最大的反素数也就是约数个数最多的数中最小的那个数&#xff0c;可以考虑分解质因子形式 2、3、5、7、11、13、17、19、23、29这些&#xff0c;还有每个质因子的指数一定大于等于下一个质因子的指数&#xff0c;这样可以保证约数最多的时候数字尽可能…
阅读更多...
力扣 -- 873. 最长的斐波那契子序列的长度

力扣 -- 873. 最长的斐波那契子序列的长度

解题步骤&#xff1a; 参考代码&#xff1a; class Solution { public:int lenLongestFibSubseq(vector<int>& nums) {int nnums.size();unordered_map<int,int> hash;for(int i0;i<n;i){hash[nums[i]]i;}int ret2;vector<vector<int>> dp(n,v…
阅读更多...
Java编程技巧：swagger2、knif4j集成SpringBoot或者SpringCloud项目

Java编程技巧：swagger2、knif4j集成SpringBoot或者SpringCloud项目

目录 1、springbootswagger2knif4j2、springbootswagger3knif4j3、springcloudswagger2knif4j 1、springbootswagger2knif4j 2、springbootswagger3knif4j 3、springcloudswagger2knif4j 注意点&#xff1a; Api注解&#xff1a;Controller类上的Api注解需要添加tags属性&a…
阅读更多...
sheng的学习笔记-【中文】【吴恩达课后测验】Course 2 - 改善深层神经网络 - 第二周测验

sheng的学习笔记-【中文】【吴恩达课后测验】Course 2 - 改善深层神经网络 - 第二周测验

课程2_第2周_测验题 目录&#xff1a;目录 第一题 1.当输入从第8个mini-batch的第7个的例子的时候&#xff0c;你会用哪种符号表示第3层的激活&#xff1f; A. 【  】 a [ 3 ] { 8 } ( 7 ) a^{[3]\{8\}(7)} a[3]{8}(7) B. 【  】 a [ 8 ] { 7 } ( 3 ) a^{[8]\{7\}(3)} a…
阅读更多...
2023/10/4 QT实现TCP服务器客户端搭建

2023/10/4 QT实现TCP服务器客户端搭建

服务器端&#xff1a; 头文件 #ifndef WIDGET_H #define WIDGET_H#include <QWidget> #include <QTcpServer> #include <QTcpSocket> #include <QList> #include <QMessageBox> #include <QDebug>QT_BEGIN_NAMESPACE namespace Ui { cla…
阅读更多...
Flutter AI五子棋

Flutter AI五子棋

前言 在上一篇文章中&#xff0c;讲解了如何实现双人在本地对战的五子棋&#xff0c;但是只有一个人的时候就不太好玩&#xff0c;同时博主也没有把五子棋相关的文章写过瘾。那么这篇文章&#xff0c;我们来实现一个功能更加丰富的五子棋吧&#xff01;在设计五子棋的算法方面&…
阅读更多...
竞赛 机器视觉人体跌倒检测系统 - opencv python

竞赛 机器视觉人体跌倒检测系统 - opencv python

0 前言 &#x1f525; 优质竞赛项目系列&#xff0c;今天要分享的是 &#x1f6a9; 机器视觉人体跌倒检测系统 该项目较为新颖&#xff0c;适合作为竞赛课题方向&#xff0c;学长非常推荐&#xff01; &#x1f947;学长这里给一个题目综合评分(每项满分5分) 难度系数&…
阅读更多...
JVM篇---第三篇

JVM篇---第三篇

系列文章目录 文章目录 系列文章目录一、什么是Java虚拟机？为什么Java被称作是“平台无关的编程语言”？二、Java内存结构三、说说对象分配规则一、什么是Java虚拟机？为什么Java被称作是“平台无关的编程语言”？ Java虚拟机是一个可以执行Java字节码的虚拟机进程。Java源文…
阅读更多...
C#捕捉全局异常

C#捕捉全局异常

1.运行图片 2.源码 using System; using System.Collections.Generic; using System.Linq; using System.Threading.Tasks; using System.Windows.Forms;namespace 捕捉全局异常 {internal static class Program{/// <summary>/// 应用程序的主入口点。/// </summary…
阅读更多...
【算法|动态规划No.9】leetcodeLCR 091. 粉刷房子

【算法|动态规划No.9】leetcodeLCR 091. 粉刷房子

个人主页&#xff1a;兜里有颗棉花糖 欢迎 点赞&#x1f44d; 收藏✨ 留言✉ 加关注&#x1f493;本文由 兜里有颗棉花糖 原创 收录于专栏【手撕算法系列专栏】【LeetCode】 &#x1f354;本专栏旨在提高自己算法能力的同时&#xff0c;记录一下自己的学习过程&#xff0c;希望…
阅读更多...
MongoDB数据库网站网页实例-编程语言Python+Django

MongoDB数据库网站网页实例-编程语言Python+Django

程序示例精选 PythonDjangoMongoDB数据库网站网页实例 如需安装运行环境或远程调试&#xff0c;见文章底部个人QQ名片&#xff0c;由专业技术人员远程协助&#xff01; 前言 这篇博客针对《PythonDjangoMongoDB数据库网站网页实例》编写代码&#xff0c;代码整洁&#xff0c;…
阅读更多...
波奇学C++：AVL树

波奇学C++：AVL树

AVL解决二叉搜索树退化成链表&#xff0c;保证左右子树高度不差过1&#xff0c;尽可能接近满二叉树 AVL树的性质&#xff1a;高度差&#xff08;平衡因子&#xff09;的绝对值不超过1&#xff08;-1/0/1&#xff09; 平衡因子&#xff1a;右子树高度-左子树高度 用平衡因子控…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023