java.sql.SQLNonTransientConnectionException: Public Key Retrieval is not allowed

于 2024-09-09 10:08:21 发布
阅读量211 收藏
点赞数 6
分类专栏： JAVA 文章标签： mysql
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/renkai721/article/details/142050788
版权

需要背景

以前好好的项目，今天客户修改了什么配置，就告诉我系统访问不了了。检查一圈发现启动报错了。

报错消息

09:10:53.506 [main] ERROR c.a.d.p.DruidDataSource - [init,929] - init datasource error, url: jdbc:mysql://192.168.1.110:3306/cloud?useUnicode=true&characterEncoding=utf8&zeroDateTimeBehavior=convertToNull&useSSL=true&serverTimezone=GMT%2B8
java.sql.SQLNonTransientConnectionException: Public Key Retrieval is not allowed
	at com.mysql.cj.jdbc.exceptions.SQLError.createSQLException(SQLError.java:111)
	at com.mysql.cj.jdbc.exceptions.SQLExceptionsMapping.translateException(SQLExceptionsMapping.java:122)
	at com.mysql.cj.jdbc.ConnectionImpl.createNewIO(ConnectionImpl.java:825)
	at com.mysql.cj.jdbc.ConnectionImpl.<init&
了解本专栏 订阅专栏 解锁全文 超级会员免费看
renkai721
关注
  • 6
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
CLIP:对比语言-图像预训练
03-08
夹子 CLIP（对比语言－图像预训练）是在各种（图像，文本）对上训练的神经网络。 可以用自然语言指示它来预测给定图像的最相关的文本片段，而无需直接针对任务进行优化，类似于GPT-2和3的零射功能。我们发现CLIP与原始ResNet50的性能匹配无需使用任何原始的1.28M标记示例，就可以在ImageNet上实现“零镜头”，从而克服了计算机视觉方面的几个主要挑战。 方法 用法 首先，和torchvision，以及小的附加依赖项，然后将此回购作为Python软件包安装。 在CUDA GPU机器上，以下方法可以解决问题： $ conda install --yes -c pytorch pytorch=1.7.1 torchvision cudatoolkit=11.0 $ pip install ftfy regex tqdm $ pip install git+https://githu
【经典论文】打通文本图像的里程碑--clip
薇酱的博客
05-21 3150
clip是openai团队在4亿对文本图像对上训练出来的。它的训练方法简单，但效果缺出奇的好。是打通图片文本的里程碑式的模型。
CLIP（多模态大模型）
最新发布
qq_59849034的博客
07-10 2979
CLIP是利用文本信息训练一个可以实现zero-shot的视觉模型。被称为多模态大模型，零样本学习方法。最大的贡献在于打破了固定类别标签范式。CLIP在训练的过程中，将句子和图片匹配，然后在推理过程中找到与之最接近的模板句子。CLIP模型在训练过程中，用到了4亿组图像文本对，涵盖了自然界中的大部分场景。
从零实现CLIP模型
sgzqc的专栏
01-07 2455
总之，这篇博客文章探讨了CLIP模型，揭示了其广泛应用的潜力。随着我们对CLIP应用的了解，很明显，它的影响远远超出了最初的预期，为不同领域的创新解决方案铺平了道路。您学废了嘛?戳我。
多模态视觉大模型(2): 常用模型介绍（CLIP和LLAVA）
@bangbang的博客
04-28 1667
Loss使用的是交叉熵来定义，通过Loss来约束使得相同图像和文本对，他们的距离要足够近；其他不匹配的要尽可能远。我们可以换个视角来解决该问题，将它看做两个任务。第一个任务是针对每张图像我需要分类对，需要将它正确分类为对应的类别id;针对每个文本，我们也希望它也能够正确的分类到对应的类别id。所以可以通过两个交叉熵来实现，一个是文本分类的交叉熵，一个是图像分类的交叉熵，通过转置来实现。然后将两个交叉熵的损失加在一起就可以了，# 主函数# 加载数据集# 获取一个小批量的图像和标签。
逐字稿 | 5 CLIP 论文逐段精读【论文精读】
云淡风轻_的博客
10-05 1001
固定的提前定义好的物体类别集合，模型通过预测提前定义好的类别完成模型训练。这属于有限制性的监督信号，这也限制了模型本身的泛化性，尤其是要识别新类别物体的时候，就需要新的数据去训练新的模型。这个固定的提前定义好的这个标签集合怎么理解？
CLIP（对比语言－图像预训练）是在各种（图像，文本）对上训练的神经网络。-Python开发
05-25
CLIP（对比语言－图像预训练）是在各种（图像，文本）对上训练的神经网络。 与GPT-2和3的零射功能类似，可以用自然语言指示它预测给定图像的最相关的文本片段，而无需直接针对任务进行优化。CLIP [Blog] [Paper] [Model Card ] [Colab] CLIP（对比语言－图像预训练）是在各种（图像，文本）对上训练的神经网络。 可以用自然语言指示它来预测给定图像的最相关的文本片段，而无需直接针对任务进行优化，类似于GPT-2和3的零射功能。我们发现CLIP与原始ResNet50的性能匹配在ImageNet上实现“零镜头”，而无需使用任何原始的1.28M带有标签的示例，
CLIP论文详解
weixin_52185313的博客
06-10 1万+
CLIP算是在跨模态训练无监督中的开创性工作，作者在开头梳理了现在vision上的训练方式，从有监督的训练，到弱监督训练，再到最终的无监督训练。这样训练的好处在于可以避免的有监督的 categorical label的限制，具有zero-shot性质，极大的提升了模型的实用性能。这篇文章中作者提到早在2017年之后就陆续有工作提出和本文类似的想法，但是他们的数据大小都太小了，导致没有很好的结果。作者单独收集了一份含有4亿份数据的大数据集，才得以得到很好的效果。这种现象最近好像在机器学习领域越来越突出，力大砖
CLIP论文解读
持续关注并分享目标检测、数据生成、视频驱动、跨模态、分割、关键点等领域前沿技术
07-31 1860
CLIP利用自然语言监督视觉进行预训练，迁移至下游任务取得不错效果，实现文本图像至今跨模态；
CLIP 论文解读
陶将的博客
04-18 2347
CLIP算法的核心是利用自然语言包含的监督信号来训练视觉模型。相比于其他的训练方法，从自然语言中学习具有以下两个优势。首先，相比于标准的有标签图像分类数据集，这种方法无需标注，就很容易扩展数据集；其次，图像和文字配对训练，学习到的特征不单单是一个视觉特征，而是多模态的特征，有助于zero-shot的迁移学习。
多模态系列论文--CLIP 详细解析
lansebingxuan的专栏
06-28 2371
现在最先进的视觉系统都是预先定义好的一些物体类别标签的集合，模型学习预测这些预定义的类别从而完成模型的训练，但有限制性的监督信号也限制了模型本身的泛化性，尤其是需要识别新物体类别的时候，都要去收集新的数据训练新的模型。直接从自然语言文本里去得到一些监督信号是一个非常有前途的办法。本文爬取了一个4个亿的图片文本配对的数据集，选择一种自监督的训练方式，利用文本的监督信号训练一个迁移能力强的视觉模型（zero shot模型），证实了用一个非常简单的预训练的任务，就可以高效且可扩展的学习一些最好的图像的表征。
预训练模型的训练过程详解
程序员光剑
03-04 182
在过去的几年里，深度学习模型在各种任务上取得了显著的成功，如图像识别、语音识别和自然语言处理等。然而，传统的深度学习模型通常需要大量的标注数据进行训练，这在很多实际应用场景中是难以满足的。此外，这些模型往往需要从头开始训练，导致训练时间长、计算资源消耗大。模型压缩：随着预训练模型的规模越来越大，如何在保持性能的同时减小模型的大小和计算复杂度成为一个重要的研究方向。多模态学习：如何有效地融合不同模态的信息，如文本、图像、音频等，以提高模型的性能和泛化能力。可解释性和可靠性。
极智AI | 多模态领域先行者 详解 CLIP 算法实现
极智视界
05-26 3031
大家好，我是极智视界，本文详细介绍一下 CLIP 算法的设计与实现，包括代码。
《深入浅出多模态》(四)：多模态经典模型CLIP
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
04-07 175
本文为《深入浅出多模态》系列多模态经典模型CLIP，首先从整体介绍多模态模型发展，对其中经典CLIP模型进行详述，从具体论文、数据集、代码、模型结构、结果等角度分析，本专栏适合从事多模态小白及爱好者学习，欢迎大家关注，如有侵权请联系删除！
多模态之CLIP -《Learning Transferable Visual Models From Natural Language Supervision》论文笔记
weixin_43646592的博客
12-19 522
多模态 CLIP，Contrastive Language–Image Pre-training，用 了4亿对来自网络的图文数据集训练（我尼玛够猛的哈🐮）。文本作为图像的标签，也是自监督的预训练，用的是对比学习的方式。在下游任务时，比较牛逼的一点时，如分类任务，不用多加一些分类头来微调，只需提供和图片上的concepts对应的文本描述，直接zero-shot transfer即可，因为CLIP对这些文本和图像做cos similarity来识别出最相似的即可。
【多模态】CLIP模型详解
向上生长的程序媛的博客
08-01 4597
CLIP在不使用任意一张 ImageNet 图片训练的情况下，直接 Zero-Shot 推理，就能获得跟有监督训练的ResNet-50同样优秀的结果，这么牛的预训练模型确定不点进来看看嘛
CLIP：万物分类（视觉语言大模型）
aibigtruth的博客
11-13 1470
本文来着公众号“AI大道理”​论文地址：https://arxiv.org/abs/2103.00020传统的分类模型需要先验的定义固定的类别，然后经过CNN提取特征，经过softmax进行分类。然而这种模式有个致命的缺点，那就是想加入新的一类就得重新定义这个类别的标签，并重新训练模型，这样非常不方便。CLIP打破了这个桎梏。CLIP能做到在一定标签内进行训练，标签外的也能进行分类。那么CLIP到底是如何认识未知的事物的呢？1、从人脸识别开始说起最早的打破固定标签的方法和应用就是人脸识别了。
论文精读--CLIP
m0_73202283的博客
11-13 793
论文链接：CLIP的迁移学习能力非常强，预训练好的模型能够在任意一个视觉分类的数据集上取得不错的效果CLIP是zero-shot零样本学习的模型，也就是说CLIP无需在这些数据集上进行训练就能得到很好的效果作者在超过30个数据集上做了测试，涵盖了OCR、视频动作检测、坐标定位和许多细分类任务在所有的测试结果当中，表现最突出的是在ImageNet上的结果，在不使用128万中的任何一张图片训练的情况下，能得到与训练好的Resnet-50同样的效果CLIP模型总览图。
CLIP论文笔记--《Learning Transferable Visual Models From Natural Language Supervision》
热门推荐
weixin_44031582的博客
09-25 2万+
CLIP论文笔记--《Learning Transferable Visual Models From Natural Language Supervision》1、Introduction and Motivating Work2、Approach2.1自然语言监督2.2.创建一个足够大的数据集2.3选择一种有效的预训练方法2.4 Choosing and Scaling a Model2.5. Training3. Experiments3.1. Zero-Shot Transfer3.1.2 USI
多模态预训练模型都有哪些？
04-05
当前主流的多模态预训练模型包括： 1. ViT：Vision Transformer，是一种基于Transformer结构的图像分类模型。 2. CLIP：Contrastive Language-Image Pre-Training，是由OpenAI提出的一种语言和图像的对比学习模型。 3. UNITER：Universal Image-Text Representation Learning，是由华为Noah's Ark Lab提出的一种基于Transformer结构的图像和文本的联合预训练模型。 4. DALL-E：是由OpenAI提出的一种图像生成模型，可以根据文本描述生成对应的图像。 5. VSE：Visual-Semantic Embedding，是一种将图像和文本嵌入到同一向量空间的预训练模型，可以用于图像检索和描述生成等任务。 6. LXMERT：Language-Driven Cross-Modal Encoder Representations from Transformers，是一种基于Transformer结构的图像和文本的联合预训练模型，可以用于视觉问答等任务。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

renkai721

谢谢您的打赏！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值