TensorFlow代码逻辑 vs PyTorch代码逻辑
文章目录
- 一、TensorFlow
- (一)导入必要的库
- (二)加载MNIST数据集
- (三)数据预处理
- (四)构建神经网络模型
- (五)编译模型
- (六)训练模型
- (七)评估模型
- (八)将模型的输出转化为概率
- (九)预测测试集的前5个样本
- 二、PyTorch
- (一)导入必要的库
- (二)定义神经网络模型
- (三)数据预处理和加载
- (四)初始化模型、损失函数和优化器
- (五)训练模型
- (六)评估模型
- (七)设置设备为GPU或CPU
- (八)运行训练和评估
- (九)预测测试集的前5个样本
- 三、TensorFlow和PyTorch代码逻辑上的对比
- (一)模型定义
- (二)数据处理
- (三)训练过程
- (四)自动求导
- 四、TensorFlow和PyTorch的应用
- 五、动态图计算
- (一)TensorFlow(静态图计算):
- (二)PyTorch(动态图计算):
一、TensorFlow
使用TensorFlow构建一个简单的神经网络来对MNIST数据集进行分类
(一)导入必要的库
import tensorflow as tf
from tensorflow.keras import layers, models
import numpy as np
(二)加载MNIST数据集
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
(三)数据预处理
将图像数据归一化到[0, 1]范围,以提高模型的训练效果
x_train, x_test = x_train / 255.0, x_test / 255.0
(四)构建神经网络模型
- Flatten层:将输入的28x28像素图像展平成784个特征的一维向量。
- Dense层:全连接层,包含128个神经元,使用ReLU激活函数。
- Dropout层:在训练过程中随机丢弃20%的神经元,防止过拟合。
- 输出层:包含10个神经元,对应10个类别(数字0-9)。
model = models.Sequential([layers.Flatten(input_shape=(28, 28)),layers.Dense(128, activation='relu'),layers.Dropout(0.2),layers.Dense(10)
])
(五)编译模型
- optimizer=‘adam’:使用Adam优化器。
- loss=‘SparseCategoricalCrossentropy’:使用交叉熵损失函数。
- metrics=[‘accuracy’]:使用准确率作为评估指标。
model.compile(optimizer='adam',loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),metrics=['accuracy'])
(六)训练模型
model.fit(x_train, y_train, epochs=5)
(七)评估模型
model.evaluate(x_test, y_test, verbose=2)
(八)将模型的输出转化为概率
probability_model = tf.keras.Sequential([model,tf.keras.layers.Softmax()
])
(九)预测测试集的前5个样本
predictions = probability_model.predict(x_test[:5])
print(predictions)
二、PyTorch
使用PyTorch来构建、训练和评估一个用于MNIST数据集的神经网络模型
(一)导入必要的库
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
from torch.utils.data import DataLoader
(二)定义神经网络模型
class Net(nn.Module):def __init__(self):super(Net, self).__init__()self.flatten = nn.Flatten()self.fc1 = nn.Linear(28 * 28, 128)self.dropout = nn.Dropout(0.2)self.fc2 = nn.Linear(128, 10)def forward(self, x):x = self.flatten(x)x = F.relu(self.fc1(x))x = self.dropout(x)x = self.fc2(x)return x
(三)数据预处理和加载
transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.1307,), (0.3081,))
])train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform)train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=1000, shuffle=False)
(四)初始化模型、损失函数和优化器
model = Net()
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters())
(五)训练模型
def train(model, device, train_loader, optimizer, epoch):model.train()for batch_idx, (data, target) in enumerate(train_loader):data, target = data.to(device), target.to(device)optimizer.zero_grad()output = model(data)loss = criterion(output, target)loss.backward()optimizer.step()if batch_idx % 100 == 0:print(f'Train Epoch: {epoch} [{batch_idx * len(data)}/{len(train_loader.dataset)} 'f'({100. * batch_idx / len(train_loader):.0f}%)]\tLoss: {loss.item():.6f}')
(六)评估模型
def test(model, device, test_loader):model.eval()test_loss = 0correct = 0with torch.no_grad():for data, target in test_loader:data, target = data.to(device), target.to(device)output = model(data)test_loss += criterion(output, target).item()pred = output.argmax(dim=1, keepdim=True)correct += pred.eq(target.view_as(pred)).sum().item()test_loss /= len(test_loader.dataset)accuracy = 100. * correct / len(test_loader.dataset)print(f'\nTest set: Average loss: {test_loss:.4f}, Accuracy: {correct}/{len(test_loader.dataset)} 'f'({accuracy:.0f}%)\n')
(七)设置设备为GPU或CPU
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)
(八)运行训练和评估
for epoch in range(1, 6):train(model, device, train_loader, optimizer, epoch)test(model, device, test_loader)
(九)预测测试集的前5个样本
model.eval()
with torch.no_grad():samples = next(iter(test_loader))[0][:5].to(device)output = model(samples)predictions = F.softmax(output, dim=1)print(predictions)
三、TensorFlow和PyTorch代码逻辑上的对比
(一)模型定义
- 在TensorFlow中,通常使用tf.keras模块来定义模型。可以使用Sequential API或Functional API。
import tensorflow as tf# Sequential API
model = tf.keras.Sequential([tf.keras.layers.Dense(64, activation='relu'),tf.keras.layers.Dense(10, activation='softmax')
])# Functional API
inputs = tf.keras.Input(shape=(784,))
x = tf.keras.layers.Dense(64, activation='relu')(inputs)
outputs = tf.keras.layers.Dense(10, activation='softmax')(x)
model = tf.keras.Model(inputs, outputs)
- PyTorch中,定义模型时需要继承nn.Module类并实现forward方法
import torch
import torch.nn as nnclass Model(nn.Module):def __init__(self):super(Model, self).__init__()self.dense1 = nn.Linear(784, 64)self.relu = nn.ReLU()self.dense2 = nn.Linear(64, 10)self.softmax = nn.Softmax(dim=1)def forward(self, x):x = self.relu(self.dense1(x))x = self.softmax(self.dense2(x))return xmodel = Model()
(二)数据处理
- TensorFlow有tf.data模块来处理数据管道
import tensorflow as tfdef preprocess(data):# 数据预处理逻辑return datadataset = tf.data.Dataset.from_tensor_slices((X_train, y_train))
dataset = dataset.map(preprocess).batch(32)
- PyTorch使用torch.utils.data.DataLoader和Dataset类来处理数据管道
import torch
from torch.utils.data import DataLoader, Datasetclass CustomDataset(Dataset):def __init__(self, data, labels):self.data = dataself.labels = labelsdef __len__(self):return len(self.data)def __getitem__(self, idx):x = self.data[idx]y = self.labels[idx]return x, ydataset = CustomDataset(X_train, y_train)
dataloader = DataLoader(dataset, batch_size=32, shuffle=True)
(三)训练过程
- TensorFlow的tf.keras提供了高阶API来进行模型编译和训练
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(X_train, y_train, epochs=5, batch_size=32)
- PyTorch中,训练过程需要手动编写,包括前向传播、损失计算、反向传播和优化步骤
import torch.optim as optimcriterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)for epoch in range(5):for data, labels in dataloader:optimizer.zero_grad()outputs = model(data)loss = criterion(outputs, labels)loss.backward()optimizer.step()
(四)自动求导
- TensorFlow在后端自动处理梯度计算和应用
# 使用model.fit自动处理
- PyTorch的自动求导功能非常灵活,可以使用autograd模块
# 使用loss.backward()和optimizer.step()手动处理
四、TensorFlow和PyTorch的应用
总体来说,PyTorch提供了更多的灵活性和控制,适合需要自定义复杂模型和训练过程的场景。而TensorFlow则更加高级和简洁,适合快速原型和标准模型的开发。
TensorFlow:
- 高阶API:使用tf.keras简化模型定义、训练和评估,适合快速原型开发和生产部署。
- 性能优化:支持图计算,优化执行速度和资源使用,适合大规模分布式训练。
- 广泛生态:拥有丰富的工具和库,如TensorBoard用于可视化,TensorFlow Lite用于移动端部署。
- 企业支持:由Google支持,广泛应用于工业界,提供稳定的长期支持和更新。
PyTorch:
- 灵活性:采用动态图计算,代码易于调试和修改,适合研究和实验。
- 简单直观:符合Python语言习惯,API设计简洁明了,降低学习曲线。
- 社区活跃:由Facebook支持,拥有活跃的开源社区,快速响应用户需求和改进。
- 科研应用:广泛应用于学术界,支持多种前沿研究,如自定义损失函数和复杂模型结构。
五、动态图计算
动态图计算是PyTorch的一个显著特点,它让模型的计算图在每次前向传播时动态生成,而不是像TensorFlow那样预先定义和编译。
动态图计算的定义与特性:
- 动态生成:每次执行前向传播时,计算图都会根据当前输入数据动态构建。
- 即时调试:允许在代码执行时使用标准的Python调试工具(如pdb),进行逐步调试和检查。
- 灵活性高:支持更复杂和动态的模型结构,如条件控制流和递归神经网络,更适合研究实验和快速原型开发。
(一)TensorFlow(静态图计算):
在TensorFlow中,计算图是预先定义并编译的。在模型定义和编译之后,图结构固定,随后输入数据进行计算。
import tensorflow as tf# 定义计算图
x = tf.placeholder(tf.float32, shape=(None, 784))
y = tf.placeholder(tf.float32, shape=(None, 10))
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
logits = tf.matmul(x, W) + b
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=logits))# 创建会话并执行
with tf.Session() as sess:sess.run(tf.global_variables_initializer())for i in range(1000):batch_x, batch_y = ... # 获取训练数据sess.run(loss, feed_dict={x: batch_x, y: batch_y})
(二)PyTorch(动态图计算):
在PyTorch中,计算图在每次前向传播时动态构建,代码更接近标准的Python编程风格。
import torch
import torch.nn as nn
import torch.optim as optim# 定义模型
class Model(nn.Module):def __init__(self):super(Model, self).__init__()self.dense = nn.Linear(784, 10)def forward(self, x):return self.dense(x)model = Model()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)# 训练过程
for epoch in range(1000):for data, target in dataloader:optimizer.zero_grad()output = model(data)loss = criterion(output, target)loss.backward()optimizer.step()
相关文章:
![](https://www.ngui.cc/images/no-images.jpg)
TensorFlow代码逻辑 vs PyTorch代码逻辑
文章目录 一、TensorFlow(一)导入必要的库(二)加载MNIST数据集(三)数据预处理(四)构建神经网络模型(五)编译模型(六)训练模型…...
![](https://img-blog.csdnimg.cn/direct/350475614dd842c3abf6573b0d3fc039.png)
boost asio异步服务器(4)处理粘包
粘包的产生 当客户端发送多个数据包给服务器时,服务器底层的tcp接收缓冲区收到的数据为粘连在一起的。这种情况的产生通常是服务器端处理数据的速率不如客户端的发送速率的情况。比如:客户端1s内连续发送了两个hello world!,服务器过了2s才接…...
![](https://img-blog.csdnimg.cn/direct/99fccac3104b41149978044fea84960b.gif)
【QT】常用控件|widget|QPushButton|RadioButton|核心属性
目录 编辑 概念 信号与槽机制 控件的多样性和定制性 核心属性 enabled geometry 编辑 windowTiltle windowIcon toolTip styleSheet PushButton RadioButton 概念 QT 控件是构成图形用户界面(GUI)的基础组件,它们是实现与…...
![](https://www.ngui.cc/images/no-images.jpg)
【C++ Primer Plus学习记录】函数参数和按值传递
函数可以有多个参数。在调用函数时,只需使用都逗号将这些参数分开即可: n_chars(R,25); 上述函数调用将两个参数传递给函数n_chars(),我们将稍后定义该函数。 同样,在定义函数时,也在函数头中使用由逗号分隔的参数声…...
![](https://img-blog.csdnimg.cn/direct/7fba879b1ee64f258eff22fd2c526b16.png#pic_center)
MySQL:设计数据库与操作
设计数据库 1. 数据建模1.1 概念模型1.2 逻辑模型1.3 实体模型主键外键外键约束 2. 标准化2.1 第一范式2.2 链接表2.3 第二范式2.4 第三范式 3. 数据库模型修改3.1 模型的正向工程3.2 同步数据库模型3.3 模型的逆向工程3.4 实际应用建议 4. 数据库实体模型4.1 创建和删除数据库…...
![](https://img-blog.csdnimg.cn/direct/c3ec9ec2de73452a9af1c5f50fad511f.png)
OBS 免费的录屏软件
一、下载 obs 【OBS】OBS Studio 的安装、参数设置和录屏、摄像头使用教程-CSDN博客 二、使用 obs & 输出无黑屏 【OBS任意指定区域录屏的方法-哔哩哔哩】 https://b23.tv/aM0hj8A OBS任意指定区域录屏的方法_哔哩哔哩_bilibili 步骤: 1)获取区域…...
![](https://img-blog.csdnimg.cn/direct/58e5a57ab5e24a0a97a44ae0e4d05351.png)
uniapp微信小程序使用xr加载模型
1.在根目录与pages同级创建如下目录结构和文件: // index.js Component({properties: {modelPath: { // vue页面传过来的模型type: String,value: }},data: {},methods: {} }) { // index.json"component": true,"renderer": "xr-frame&q…...
![](https://www.ngui.cc/images/no-images.jpg)
机器人运动范围检测 c++
地上有一个m行n列的方格,一个机器人从坐标(0,0)的格子开始移动,它每次可以向上下左右移动一个格子,但不能进入行坐标和列坐标的位数之和大于k的格子,请问机器人能够到达多少个格子 #include &l…...
![](https://img-blog.csdnimg.cn/img_convert/1f2228022a2502e3699496c0bd93df7b.png)
kettle从入门到精通 第七十四课 ETL之kettle kettle调用https接口教程,忽略SSL校验
场景:kettle调用https接口,跳过校验SSL。(有些公司内部系统之间的https的接口是没有SSL校验这一说,无需使用用证书的) 解决方案:自定义插件或者自定义jar包通过javascript调用https接口。 1、http post 步…...
![](https://www.ngui.cc/images/no-images.jpg)
C++轻量级 线程间异步消息架构(向曾经工作的ROSA-RB以及共事的DOPRA的老兄弟们致敬)
1 啰嗦一番背景 这么多年,换着槽位做牛做马,没有什么钱途 手艺仍然很潮,唯有对于第一线的码农工作,孜孜不倦,其实没有啥进步,就是在不断地重复,刷熟练度,和同期的老兄弟们…...
![](https://www.ngui.cc/images/no-images.jpg)
Kotlin中的类
类初始化顺序 constructor 里的参数列表是首先被执行的,紧接着是 init 块和属性初始化器,最后是次构造函数的函数体。 主构造函数参数列表firstProperty 初始化第一个 init 块secondProperty 初始化第二个 init 块次构造函数函数体 class Example const…...
![](https://www.ngui.cc/images/no-images.jpg)
VSCode中常用的快捷键
通用操作快捷键 显示命令面板:Ctrl Shift P or F1,用于快速访问VSCode的各种命令。 快速打开:Ctrl P,可以快速打开文件、跳转到某个行号或搜索项目内容。 新建窗口/实例:Ctrl Shift N,用于打开一个新的…...
![](https://img-blog.csdnimg.cn/direct/7404cba76aab43a1b094098039f9a80b.png)
代码随想录-Day45
198. 打家劫舍 你是一个专业的小偷,计划偷窃沿街的房屋。每间房内都藏有一定的现金,影响你偷窃的唯一制约因素就是相邻的房屋装有相互连通的防盗系统,如果两间相邻的房屋在同一晚上被小偷闯入,系统会自动报警。 给定一个代表每个…...
![](https://img-blog.csdnimg.cn/img_convert/b4984284414d8b51541420fdae2352d1.png)
Rust Eq 和 PartialEq
Eq 和 PartialEq 在 Rust 中,想要重载操作符,你就需要实现对应的特征。 例如 <、<、> 和 > 需要实现 PartialOrd 特征: use std::fmt::Display;struct Pair<T> {x: T,y: T, }impl<T> Pair<T> {fn new(x: T, y: T) ->…...
![](https://img-blog.csdnimg.cn/direct/e7468eb51dab4b05b3ee845cf4267dbc.png)
思考如何学习一门编程语言?
一、什么是编程语言 编程语言是一种用于编写计算机程序的人工语言。通过编程语言,程序员可以向计算机发出指令,控制计算机执行各种任务和操作。编程语言由一组语法规则和语义规则组成,这些规则定义了如何编写代码以及代码的含义。 编程语言…...
![](https://img-blog.csdnimg.cn/direct/258be4f6f20e40c08c1536627498f0d3.png)
顺序串算法库构建
学习贺利坚老师顺序串算法库 数据结构之自建算法库——顺序串_创建顺序串s1,创建顺序串s2-CSDN博客 本人详细解析博客 串的概念及操作_串的基本操作-CSDN博客 版本更新日志 V1.0: 在贺利坚老师算法库指导下, 结合本人详细解析博客思路基础上,进行测试, 加入异常弹出信息 v1.0补…...
![](https://img-blog.csdnimg.cn/direct/af9ef3cfc1734d39bab2c1aa3df9f670.png)
[论文阅读笔记33] Matching Anything by Segmenting Anything (CVPR2024 highlight)
这篇文章借助SAM模型强大的泛化性,在任意域上进行任意的多目标跟踪,而无需任何额外的标注。 其核心思想就是在训练的过程中,利用strong augmentation对一张图片进行变换,然后用SAM分割出其中的对象,因此可以找到一组图…...
![](https://img-blog.csdnimg.cn/direct/ba49b3a3c4b6479fbcadb1c7630e60b6.png)
阿里Nacos下载、安装(保姆篇)
文章目录 Nacos下载版本选择Nacos安装Windows常见问题解决 更多相关内容可查看 Nacos下载 Nacos官方下载地址:https://github.com/alibaba/nacos/releases 码云拉取(如果国外较慢或者拉取超时可以试一下国内地址) //国外 git clone https:…...
![](https://www.ngui.cc/images/no-images.jpg)
四、golang基础之defer
文章目录 一、定义二、作用三、结果四、recover错误拦截 一、定义 defer语句被用于预定对一个函数的调用。可以把这类被defer语句调用的函数称为延迟函数。 二、作用 释放占用的资源捕捉处理异常输出日志 三、结果 如果一个函数中有多个defer语句,它们会以LIFO…...
![](https://www.ngui.cc/images/no-images.jpg)
机器人----四元素
四元素 四元素的大小 [-1,1] 欧拉角转四元素...
![](https://www.ngui.cc/images/no-images.jpg)
IBM Spectrum LSF Application Center 提供单一界面来管理应用程序、用户、资源和数据
IBM Spectrum LSF Application Center 提供单一界面来管理应用程序、用户、资源和数据 亮点 ● 简化应用程序管理 ● 提高您的工作效率 ● 降低资源管理的复杂性 ● 深入了解流程 IBM Spectrum LSF Application Center 为集群用户和管理员提供了一个灵活的、以应用为中心的界…...
![](https://img-blog.csdnimg.cn/direct/22a5f48fc79e48a3b358e25f17d1cfe5.jpeg)
如何选择品牌推广公司?哪家好?收费标准及评价!
不管是什么品牌,推广对公司的成败起了很关键的作用。然而,面对市面上琳琅满目的品牌推广公司,如何选择一家既熟悉又靠谱的公司,成为许多企业主面临的难题。 作为一家手工酸奶品牌的创始人,目前全国也复制了100多家门店…...
![](https://img-blog.csdnimg.cn/direct/24b9fba681c04c4aa5fa823d6143a8a5.png)
JDeveloper 12C 官网下载教程
首先、我们要登录Oracle官网 Oracle 甲骨文中国 | 云应用和云平台 登录进去如果不是中文可以点击右上角带有国旗的图标就行更改,选择一个你能看懂的文字。 然后,点击“资源”—点击“开发人员下载” 然后,点击“开发工具” 这里有很多工具可…...
![](https://www.ngui.cc/images/no-images.jpg)
中英双语介绍美国的州:印第安纳州(Indiana)
中文版 印第安纳州简介 印第安纳州位于美国中西部地区,是一个以其农业、制造业和体育文化而著称的州。以下是对印第安纳州的详细介绍,包括其地理位置、人口、经济、教育、文化和主要城市。 地理位置 印第安纳州东临俄亥俄州,北接密歇根州…...
![](https://img-blog.csdnimg.cn/direct/3e547769628a4a88a439e40b3cea9ffe.png)
Flink实现准确和高效流处理的关键问题
时间相关: Watermark 水位线 水位线是插入到数据流中的一个标记,可以认为是一个特殊的数据。水位线主要的内容是一个时间戳,用来表示当前事件时间的进展。水位线是基于数据的时间戳生成的。水位线的时间戳必须单调递增,以确保任务的事件时间时钟一直向前推进,进展。水位线…...
![](https://img-blog.csdnimg.cn/direct/abd1273e459e4628bf236190912a8547.gif)
isidentifier()方法——判断字符串是否为合法的Python标识符或变量名
自学python如何成为大佬(目录):https://blog.csdn.net/weixin_67859959/article/details/139049996?spm1001.2014.3001.5501 语法参考 isidentifier()方法用于判断字符串是否是有效的Python标识符,还可以用来判断变量名是否合法。isidentifier()方法的语法格式如…...
![](https://www.ngui.cc/images/no-images.jpg)
天猫商品列表数据接口(Tmall.item_search)
天猫平台商品列表数据接口(taobao.item_search)是天猫开放平台提供的一个API接口,用于获取天猫平台上的商品列表数据。通过该接口,用户可以获取到商品的名称、价格、销量、评价等信息。下面将具体介绍这个接口的各个方面ÿ…...
![](https://img-blog.csdnimg.cn/direct/edff180f08064aa6b86bba402e00d96b.gif)
React+TS前台项目实战(二十一)-- Search业务组件封装实现全局搜索
文章目录 前言一、Search组件封装1. 效果展示2. 功能分析3. 代码详细注释4. 使用方式 二、搜索结果展示组件封装1. 功能分析2. 代码详细注释 三、引用到文件,自行取用总结 前言 今天,我们来封装一个业务灵巧的组件,它集成了全局搜索和展示搜…...
![](https://csdnimg.cn/release/blog_editor_html/release2.3.6/ckeditor/plugins/CsdnLink/icons/icon-default.png?t=N7T8)
SEO与AI的结合:如何用ChatGPT生成符合搜索引擎优化的内容
在当今数字时代,搜索引擎优化(SEO)已成为每个网站和内容创作者都必须掌握的一项技能。SEO的主要目标是通过优化内容,使其在搜索引擎结果页面(SERP)中排名更高,从而吸引更多的流量。然而…...
![](https://www.ngui.cc/images/no-images.jpg)
【信息系统项目管理师知识点速记】组织通用管理:知识管理
23.3 知识管理 23.3.1 知识管理基础 知识管理是通过利用各种知识和技术手段,帮助组织和个人生产、分享、应用和创新知识,以形成知识优势并在个人、组织、业务目标、经济绩效和社会效益方面产生价值的过程。它能为组织带来知识增值,创造新的价值,提升决策效能和水平,是提…...
![](https://img-blog.csdnimg.cn/direct/f2a55753d28d41b4893957f496a76b1d.png)
CM-UNet: Hybrid CNN-Mamba UNet for Remote Sensing Image Semantic Segmentation
论文:CM-UNet: Hybrid :CNN-Mamba UNet for Remote Sensing Image Semantic Segmentation 代码:https://github.com/XiaoBuL/CM-UNet Abstrcat: 由于大规模图像尺寸和对象变化,当前基于 CNN 和 Transformer 的遥感图像语义分割方…...
![](https://img-blog.csdnimg.cn/direct/9b3050ca4f9d44518d93bc7c8d2411a9.png)
DP:子序列问题
文章目录 什么是子序列子序列的特点举例说明常见问题 关于子序列问题的几个例题1.最长递增子序列2.摆动序列3.最长递增子序列的个数4.最长数对链5.最长定差子序列 总结 什么是子序列 在计算机科学和数学中,子序列(Subsequence)是指从一个序列…...
![](https://www.ngui.cc/images/no-images.jpg)
Spring Data与多数据源配置
Spring Data与多数据源配置 大家好,我是免费搭建查券返利机器人省钱赚佣金就用微赚淘客系统3.0的小编,也是冬天不穿秋裤,天冷也要风度的程序猿!今天我们来探讨如何在Spring Data中配置和使用多个数据源。 在现代应用程序中&…...
![](https://img-blog.csdnimg.cn/direct/5076d2a06f99469eb59e5725fe43d2e7.png)
【前端vue3】TypeScrip-类型推论和类型别名
类型推论 TypeScript里,在有些没有明确指出类型的地方,类型推论会帮助提供类型。 例如: 变量xiaoc被推断类型为string 如重新给xiaoc赋值数字会报错 let xiaoc "xiaoc"xiaoc 1111111111111如没有给变量指定类型和赋值…...
![](https://img-blog.csdnimg.cn/direct/9daf2da5dab347198fbbeb885d6e6acb.png)
javaEE——Servlet
1.web开发概述 所谓web开发,指的是从网页中向后端程序发送请求,与后端程序进行交互 2.java后端开发环境搭建 web后端(javaEE)程序需要运行在服务器中的,这样前端才可以访问得到 3.服务器是什么? ①服务器就是一款软件,可以向其发送请求&#…...
![](https://img-blog.csdnimg.cn/direct/ed8d30a7ed8c43fc8e2ea8cb2cefc3e4.png)
Kotlin扩展函数(also apply run let)和with函数
also apply run let with的使用例子 private fun testOperator() {/*** also*/val person Person("ZhangSan", 18)person.also {// 通常仅仅打印使用, 也可以通过it修改it.name "ZhangSan1"println("also inner name: " it.name)}println(&qu…...
![](https://www.ngui.cc/images/no-images.jpg)
C语言笔记27 •单链表介绍•
1.链表的概念及结构 链表是⼀种物理存储结构上非连续、非顺序的存储结构,数据元素的逻辑顺序是通过链表 中的指针链接次序实现的。 2. 顺序表带来的问题 (1)中间/头部的插⼊删除,时间复杂度为O(N) (2)增容需要申请新空间,拷⻉数据ÿ…...
![](https://img-blog.csdnimg.cn/direct/5214f5238fe1404f96bcadef09d50970.png)
C++编程(五)单例模式 友元
文章目录 一、单例模式(一)概念(二)实现方式1. 饿汉式2. 懒汉式 二、友元(一)概念(二)友元函数1.概念2.语法格式3. 使用示例访问静态成员变量访问非静态成员变量 (三&…...
![](https://img-blog.csdnimg.cn/img_convert/a7cc9c22fe4645548361946d6a5cb9f1.png)
012-GeoGebra基础篇-构造圆的切线
前边文章对于基础内容已经悉数覆盖了,这一篇我就不放具体的细节,若有需要可以复刻一下 目录 一、成品展示二、算式内容三、正确性检查五、文章最后 一、成品展示 二、算式内容 A(0,0) B(3,0) c: Circle(A,B) C(5,4) sSegment(A,C) DMidpoint(s) d: Circ…...
![](https://img-blog.csdnimg.cn/direct/c401b0aefd924b92b513e19f90c49175.png)
数据结构速成--查找
由于是速成专题,因此内容不会十分全面,只会涵盖考试重点,各学校课程要求不同 ,大家可以按照考纲复习,不全面的内容,可以看一下小编主页数据结构初阶的内容,找到对应专题详细学习一下。 目录 …...
![](https://img-blog.csdnimg.cn/img_convert/6784a12c73fd9d29003ef109de14cf25.png)
SpringMVC的基本使用
SpringMVC简介 SpringMVC是Spring提供的一套建立在Servlet基础上,基于MVC模式的web解决方案 SpringMVC核心组件 DispatcherServlet:前置控制器,来自客户端的所有请求都经由DispatcherServlet进行处理和分发Handler:处理器&…...
![](https://img-blog.csdnimg.cn/direct/f79f575a6a4f430998ffcc154b48f92e.png)
【PYG】Cora数据集分类任务计算损失,cross_entropy为什么不能直接替换成mse_loss
cross_entropy计算误差方式,输入向量z为[1,2,3],预测y为[1],选择数为2,计算出一大坨e的式子为3.405,再用-23.405计算得到1.405MSE计算误差方式,输入z为[1,2,3],预测向量应该是[1,0,0]࿰…...
![](https://img-blog.csdnimg.cn/img_convert/8a1bf1adf125c77515cadd396ad5eebc.png)
MyBatis-plus这么好用,不允许还有人不会
你好呀,我是 javapub. 做 Java 的同学都会用到的三件套,Spring、SpringMV、MyBatis。但是由于使用起来配置较多,依赖冲突频发。所有,各路大佬又在这上边做了包装,像我们常用的 SpringBoot、MyBatisPlus。 基于当前要…...
![](https://img-blog.csdnimg.cn/direct/63844275e6a1401e97239f3057a21a70.png)
Linux驱动开发实战宝典:设备模型、模块编程、I2C/SPI/USB外设精讲
摘要: 本文将带你走进 Linux 驱动开发的世界,从设备驱动模型、内核模块开发基础开始,逐步深入 I2C、SPI、USB 等常用外设的驱动编写,结合实际案例,助你掌握 Linux 驱动开发技能。 关键词: Linux 驱动,设备驱动模型,内核模块,I2C,SPI,USB 一、Linux 设备驱动模型 Li…...
![](https://img-blog.csdnimg.cn/direct/4056ca14af8a489dbefe3b665272284f.png)
安全技术和防火墙
1、安全技术 1.1入侵检测系统 特点是不阻断网络访问,主要提供报警和事后监督。不主动介入,默默的看着你(类似于监控) 1.2入侵防御系统 透明模式工作, 数据包,网络监控,服务攻击,…...
![](https://img-blog.csdnimg.cn/direct/fa311fc4d5d94d0caea1fe70d0bce481.jpeg)
Webpack: 开发 PWA、Node、Electron 应用
概述 毋庸置疑,对前端开发者而言,当下正是一个日升月恒的美好时代!在久远的过去,Web 页面的开发技术链条非常原始而粗糙,那时候的 JavaScript 更多用来点缀 Web 页面交互而不是用来构建一个完整的应用。直到 2009年5月…...
![](https://www.ngui.cc/images/no-images.jpg)
python处理txt文件, 如果第一列和第二列的值在连续的行中重复,则只保留一行
处理txt文件, 如果第一列和第二列的值在连续的行中重复,则只保留一个实例,使用Python的内置函数来读取文件,并逐行检查和处理数据。 一个txt文件,里面的数据是893.554382324,-119.955825806,0.0299997832626,-0.133618548512,28.1155740884,112.876833236,46.7922,19.62582…...
![](https://www.ngui.cc/images/no-images.jpg)
C++17中引入了什么新的重要特性
C17是C标准的一个重要版本,它在语言核心和标准库中引入了许多新特性和改进,使得C编程更加现代化和高效。以下是C17中引入的一些重要新特性: 语言核心新特性 结构化绑定(Structured Bindings): 结构化绑定…...
![](https://img-blog.csdnimg.cn/img_convert/ec02f39458a1ff9cac49f711cd2d33ae.png)
Andrej Karpathy提出未来计算机2.0构想: 完全由神经网络驱动!网友炸锅了
昨天凌晨,知名人工智能专家、OpenAI的联合创始人Andrej Karpathy提出了一个革命性的未来计算机的构想:完全由神经网络驱动的计算机,不再依赖传统的软件代码。 嗯,这是什么意思?全部原生LLM硬件设备的意思吗?…...
![](https://www.ngui.cc/images/no-images.jpg)
用国内镜像安装docker 和 docker-compose (ubuntu)
替代方案,改用国内的镜像站(网易镜像) 1.清除旧版本(可选操作) for pkg in docker.io docker-doc docker-compose podman-docker containerd runc; do apt-get remove $pkg; done 2.安装docker apt-get update 首先安装依赖 apt-g…...
![](https://www.ngui.cc/images/no-images.jpg)
vue process.env.VUE_APP_BASE_API的相关配置及axios简单封装
1、根目录底下新建.env.dev和env.prod,内容如下: VUE_APP_BASE_API http://192.168.1.xx:xxx2、vue.config相关内容: devServer: {hot: true, //热加载host: 0.0.0.0,port: 8080, //端口// https: false, //false关闭https,true为开启// op…...
![](https://img-blog.csdnimg.cn/direct/71b7d024bae4409dbe2aa5a3782cddfe.png)
交叉测试的优点和缺点!
交叉测试在软件测试中具有重要的地位和作用。通过交叉测试,可以提高软件质量、提升用户体验、增加测试覆盖率、提高测试效率以及满足市场需求和竞争优势。因此,在软件开发和测试过程中,应充分重视交叉测试的实施和应用。 以下是对其优缺点的…...
![](https://img-blog.csdnimg.cn/direct/fb8839c1905543bcb4f0f2a47931b458.png#pic_center)
el-scrollbar组件使用踩坑记录
一、el-scrollbar和浏览器原生滚动条一起出现 问题描述 el-scrollbar组件主要用于替换浏览器原生导航条。如下图所示,使用el-scrollbar组件后,发现未能成功替换掉浏览器原生导航条,二者同时出现。 引发原因 el-scrollbar的height属性如果…...
![](https://img-blog.csdnimg.cn/direct/58d8939c0506490bbfa2522a4237374c.png)
Vue 爬坑
都是基于最新的Vue3版本 "vue": "^3.4.29" 1 vue组建样式设置 <script setup lang"ts"> import HelloWorld from ./components/HelloWorld.vue </script><template><div><a href"https://vitejs.dev" tar…...
![](https://img-blog.csdnimg.cn/direct/817ba72b39ad4b3bbfb86524e43a48e9.png)
无人机森林火灾解决方案
森林火灾解决方案 森林火灾特点 森林火灾发生突然、蔓延迅速、难以控制,应对难度系 数很高,扑救工作十分困难 救援面临的挑战 • 林区交通不便, 山高坡陡, 沟壑纵横,难以及时侦查、 定位、扑灭 • 火灾发生的区域…...
![](https://i-blog.csdnimg.cn/direct/6128d95f77944024a669ef03c90d130c.png)
GuLi商城-商品服务-API-品牌管理-效果优化与快速显示开关
<template><div class"mod-config"><el-form :inline"true" :model"dataForm" keyup.enter.native"getDataList()"><el-form-item><el-input v-model"dataForm.key" placeholder"参数名&qu…...
![](https://www.ngui.cc/images/no-images.jpg)
预计11月上市第七代宝马M5开始量产
日前,车质网从宝马官方获悉,第七代宝马M5已经在德国丁戈尔芬工厂量产。新车底盘代号为G90,海外起售价约合87万人民币,预计11月全球上市。外观方面,新车采用了宝马最新的家族式设计语言,经典的“双肾”格栅内部加入了黑化处理,并且格栅的轮廓增加了LED灯带,点亮后很有辨…...
![](https://www.ngui.cc/images/no-images.jpg)
低姿态魅力:丰田雅力士AIRBFT气动避震改装秀
丰田雅力士,一款以其灵巧与动感著称的小车,当它搭载了AIRBFT气动避震系统后,车身姿态得以进一步降低,展现出了前所未有的低姿态魅力。低至地面的车身,不仅在视觉上给人以强烈的冲击感,更在行驶中提供了更低的风阻,提升了车辆的稳定性和操控性。AIRBFT气动避震系统以其卓…...
![](https://www.ngui.cc/images/no-images.jpg)
python -【五】数据容器
数据容器 一、列表 列表的循环 name_list [张三, 李四, 王五] print(f类型是:{type(name_list)})# while 遍历列表 count 0 while count < len(name_list):print(fwhile 下标为[{count}] 的内容是[{name_list[count]}])count 1# for 循环 for name in name…...
![](https://img-blog.csdnimg.cn/img_convert/53a9b157865b410084c5031b26902b4a.png)
Python--List列表
list列表⭐⭐ 1高级数据类型 Python中的数据类型可以分为:数字型(基本数据类型)和非数字型(高级数据类型) ●数字型包含:整型int、浮点型float、布尔型bool、复数型complex ●非数字型包含:字符…...
![](https://www.ngui.cc/images/no-images.jpg)
电压、电流、功率
//**********************************************************************************// 380V电压 额定功率1.732*额定电压*额定电流*功率因素 220V电压 额定功率额定电压*额定电流*功率因素 单相,功率1KW,电流约4.5A。 三相,功率1KW…...
![](https://img-blog.csdnimg.cn/direct/09453f119e66461cb0786474ea30ca1e.png)
DETR整体模型结构解析
DETR流程 Backbone用卷积神经网络抽特征。最后通过一层1*1卷积转化到d_model维度fm(B,d_model,HW)。 position embedding建立跟fm维度相同的位置编码(B,d_model,HW)。 Transformer Encoder,V为fm,K,Q为fm…...