Python 訓練營打卡 Day 40

訓練和測試的規范寫法

一、黑白圖片的規范寫法，以MNIST數據集為例
import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms  # 用于加載MNIST數據集
from torch.utils.data import DataLoader  # 用于創建數據加載器
import matplotlib.pyplot as plt
import numpy as np# 設置中文字體支持
plt.rcParams["font.family"] = ["SimHei"]
plt.rcParams['axes.unicode_minus'] = False  # 解決負號顯示問題# 1. 數據預處理
transform = transforms.Compose([  transforms.ToTensor(),  # 轉換為張量并歸一化到[0,1]transforms.Normalize((0.1307,), (0.3081,))  # MNIST數據集的均值和標準差
])# 2. 加載MNIST數據集，沒有的話會自動下載
train_dataset = datasets.MNIST(root='./data',train=True,download=True,transform=transform
)test_dataset = datasets.MNIST(root='./data',train=False,transform=transform
)# 3. 創建數據加載器，用于批量加載數據
# 這里我們使用 DataLoader 來創建訓練集和測試集的加載器，
# 并設置了 batch_size 和 shuffle 參數。
# batch_size 表示每次加載的數據量，shuffle 表示是否打亂數據順序。   
batch_size = 64  # 每批處理64個樣本
train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)  # 訓練時打斷順序
test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)  # 測試時不打斷順序# 4. 定義感知機模型、損失函數和優化器
class MLP(nn.Module):def __init__(self):super(MLP, self).__init__()self.flatten = nn.Flatten()  # 將28x28的圖像展平為784維向量，方便輸入到全連接層self.layer1 = nn.Linear(784, 128)  # 第一層：784個輸入，128個神經元self.relu = nn.ReLU()  # 激活函數self.layer2 = nn.Linear(128, 10)  # 第二層：128個輸入，10個輸出（對應10個數字類別）def forward(self, x):x = self.flatten(x)  # 展平圖像x = self.layer1(x)   # 第一層線性變換x = self.relu(x)     # 應用ReLU激活函數x = self.layer2(x)   # 第二層線性變換，輸出logitsreturn x# 檢查GPU是否可用
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")# 初始化模型
model = MLP()
model = model.to(device)  # 將模型移至GPU（如果可用）criterion = nn.CrossEntropyLoss()  # 交叉熵損失函數，適用于多分類問題
optimizer = optim.Adam(model.parameters(), lr=0.001)  # Adam優化器# 5. 訓練模型（記錄每個 iteration 的損失）
def train(model, train_loader, test_loader, criterion, optimizer, device, epochs):model.train()  # 設置為訓練模式# 新增：記錄每個 iteration 的損失all_iter_losses = []  # 存儲所有 batch 的損失iter_indices = []     # 存儲 iteration 序號（從1開始）for epoch in range(epochs):running_loss = 0.0correct = 0total = 0for batch_idx, (data, target) in enumerate(train_loader):data, target = data.to(device), target.to(device)  # 移至GPU(如果可用)optimizer.zero_grad()  # 梯度清零output = model(data)  # 前向傳播loss = criterion(output, target)  # 計算損失loss.backward()  # 反向傳播optimizer.step()  # 更新參數# 記錄當前 iteration 的損失（注意：這里直接使用單 batch 損失，而非累加平均）iter_loss = loss.item()all_iter_losses.append(iter_loss)iter_indices.append(epoch * len(train_loader) + batch_idx + 1)  # iteration 序號從1開始# 統計準確率和損失（原邏輯保留，用于 epoch 級統計）running_loss += iter_loss_, predicted = output.max(1)total += target.size(0)correct += predicted.eq(target).sum().item()# 每100個批次打印一次訓練信息（可選：同時打印單 batch 損失）if (batch_idx + 1) % 100 == 0:print(f'Epoch: {epoch+1}/{epochs} | Batch: {batch_idx+1}/{len(train_loader)} 'f'| 單Batch損失: {iter_loss:.4f} | 累計平均損失: {running_loss/(batch_idx+1):.4f}')# 原 epoch 級邏輯（測試、打印 epoch 結果）不變epoch_train_loss = running_loss / len(train_loader)epoch_train_acc = 100. * correct / totalepoch_test_loss, epoch_test_acc = test(model, test_loader, criterion, device)print(f'Epoch {epoch+1}/{epochs} 完成 | 訓練準確率: {epoch_train_acc:.2f}% | 測試準確率: {epoch_test_acc:.2f}%')# 繪制所有 iteration 的損失曲線plot_iter_losses(all_iter_losses, iter_indices)# 保留原 epoch 級曲線（可選）# plot_metrics(train_losses, test_losses, train_accuracies, test_accuracies, epochs)return epoch_test_acc  # 返回最終測試準確率# 6. 測試模型
def test(model, test_loader, criterion, device):model.eval()  # 設置為評估模式test_loss = 0correct = 0total = 0with torch.no_grad():  # 不計算梯度，節省內存和計算資源for data, target in test_loader:data, target = data.to(device), target.to(device)output = model(data)test_loss += criterion(output, target).item()_, predicted = output.max(1)total += target.size(0)correct += predicted.eq(target).sum().item()avg_loss = test_loss / len(test_loader)accuracy = 100. * correct / totalreturn avg_loss, accuracy  # 返回損失和準確率# 7.繪制每個 iteration 的損失曲線
def plot_iter_losses(losses, indices):plt.figure(figsize=(10, 4))plt.plot(indices, losses, 'b-', alpha=0.7, label='Iteration Loss')plt.xlabel('Iteration（Batch序號）')plt.ylabel('損失值')plt.title('每個 Iteration 的訓練損失')plt.legend()plt.grid(True)plt.tight_layout()plt.show()# 8. 執行訓練和測試（設置 epochs=2 驗證效果）
epochs = 2  
print("開始訓練模型...")
final_accuracy = train(model, train_loader, test_loader, criterion, optimizer, device, epochs)
print(f"訓練完成！最終測試準確率: {final_accuracy:.2f}%")# 9. 隨機選擇測試圖像進行預測展示
def show_random_predictions(model, test_loader, device, num_images=5):model.eval()# 隨機選擇索引indices = np.random.choice(len(test_dataset), num_images, replace=False)plt.figure(figsize=(3*num_images, 4))for i, idx in enumerate(indices):# 獲取圖像和真實標簽image, label = test_dataset[idx]image = image.unsqueeze(0).to(device)# 預測并計算概率with torch.no_grad():output = model(image)probs = torch.nn.functional.softmax(output, dim=1)_, predicted = torch.max(output.data, 1)confidence = probs[0][predicted].item()# 轉換圖像格式image = image.squeeze().cpu().numpy()# 修改為直接取第一個通道（MNIST是單通道）image = image[0] if image.ndim == 3 else image  # 處理單通道情況image = image * 0.1307 + 0.3081  # 反歸一化# 繪制結果plt.subplot(1, num_images, i+1)plt.imshow(image, cmap='gray')  # 明確指定灰度圖# 設置標題顏色和內容title_color = 'green' if predicted.item() == label else 'red'title_text = (f'真實: {test_dataset.classes[label]}\n'f'預測: {test_dataset.classes[predicted.item()]}\n'f'置信度: {confidence:.2%}')plt.title(title_text, color=title_color)plt.axis('off')plt.tight_layout()plt.show()# 在訓練完成后調用
print("\n隨機測試圖像預測結果:")
show_random_predictions(model, test_loader, device)
開始訓練模型...
Epoch: 1/2 | Batch: 100/938 | 單Batch損失: 0.4156 | 累計平均損失: 0.6298
Epoch: 1/2 | Batch: 200/938 | 單Batch損失: 0.2680 | 累計平均損失: 0.4774
Epoch: 1/2 | Batch: 300/938 | 單Batch損失: 0.4445 | 累計平均損失: 0.4096
Epoch: 1/2 | Batch: 400/938 | 單Batch損失: 0.1984 | 累計平均損失: 0.3676
Epoch: 1/2 | Batch: 500/938 | 單Batch損失: 0.3787 | 累計平均損失: 0.3352
Epoch: 1/2 | Batch: 600/938 | 單Batch損失: 0.2049 | 累計平均損失: 0.3130
Epoch: 1/2 | Batch: 700/938 | 單Batch損失: 0.2164 | 累計平均損失: 0.2962
Epoch: 1/2 | Batch: 800/938 | 單Batch損失: 0.1432 | 累計平均損失: 0.2797
Epoch: 1/2 | Batch: 900/938 | 單Batch損失: 0.0901 | 累計平均損失: 0.2655
Epoch 1/2 完成 | 訓練準確率: 92.45% | 測試準確率: 96.09%
Epoch: 2/2 | Batch: 100/938 | 單Batch損失: 0.1137 | 累計平均損失: 0.1193
Epoch: 2/2 | Batch: 200/938 | 單Batch損失: 0.2177 | 累計平均損失: 0.1250
Epoch: 2/2 | Batch: 300/938 | 單Batch損失: 0.1939 | 累計平均損失: 0.1253
Epoch: 2/2 | Batch: 400/938 | 單Batch損失: 0.1066 | 累計平均損失: 0.1227
Epoch: 2/2 | Batch: 500/938 | 單Batch損失: 0.0964 | 累計平均損失: 0.1199
Epoch: 2/2 | Batch: 600/938 | 單Batch損失: 0.1582 | 累計平均損失: 0.1185
Epoch: 2/2 | Batch: 700/938 | 單Batch損失: 0.2484 | 累計平均損失: 0.1173
Epoch: 2/2 | Batch: 800/938 | 單Batch損失: 0.1279 | 累計平均損失: 0.1166
Epoch: 2/2 | Batch: 900/938 | 單Batch損失: 0.2397 | 累計平均損失: 0.1163
Epoch 2/2 完成 | 訓練準確率: 96.51% | 測試準確率: 96.64%

隨機測試圖像預測結果：?

二、彩色圖片的規范寫法，以CIFAR-10數據集為例
import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
from torch.utils.data import DataLoader
import matplotlib.pyplot as plt
import numpy as np# 設置中文字體支持
plt.rcParams["font.family"] = ["SimHei"]
plt.rcParams['axes.unicode_minus'] = False  # 解決負號顯示問題# 1. 數據預處理
transform = transforms.Compose([transforms.ToTensor(),                # 轉換為張量transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))  # 標準化處理
])# 2. 加載CIFAR-10數據集
train_dataset = datasets.CIFAR10(root='./data',train=True,download=True,transform=transform
)test_dataset = datasets.CIFAR10(root='./data',train=False,transform=transform
)# 3. 創建數據加載器
batch_size = 64
train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)# 4. 定義MLP模型（適應CIFAR-10的輸入尺寸）
class MLP(nn.Module):def __init__(self):super(MLP, self).__init__()self.flatten = nn.Flatten()  # 將3x32x32的圖像展平為3072維向量self.layer1 = nn.Linear(3072, 512)  # 第一層：3072個輸入，512個神經元self.relu1 = nn.ReLU()self.dropout1 = nn.Dropout(0.2)  # 添加Dropout防止過擬合self.layer2 = nn.Linear(512, 256)  # 第二層：512個輸入，256個神經元self.relu2 = nn.ReLU()self.dropout2 = nn.Dropout(0.2)self.layer3 = nn.Linear(256, 10)  # 輸出層：10個類別def forward(self, x):# 第一步：將輸入圖像展平為一維向量x = self.flatten(x)  # 輸入尺寸: [batch_size, 3, 32, 32] → [batch_size, 3072]# 第一層全連接 + 激活 + Dropoutx = self.layer1(x)   # 線性變換: [batch_size, 3072] → [batch_size, 512]x = self.relu1(x)    # 應用ReLU激活函數x = self.dropout1(x) # 訓練時隨機丟棄部分神經元輸出# 第二層全連接 + 激活 + Dropoutx = self.layer2(x)   # 線性變換: [batch_size, 512] → [batch_size, 256]x = self.relu2(x)    # 應用ReLU激活函數x = self.dropout2(x) # 訓練時隨機丟棄部分神經元輸出# 第三層（輸出層）全連接x = self.layer3(x)   # 線性變換: [batch_size, 256] → [batch_size, 10]return x  # 返回未經過Softmax的logits# 檢查GPU是否可用
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")# 初始化模型
model = MLP()
model = model.to(device)  # 將模型移至GPU（如果可用）criterion = nn.CrossEntropyLoss()  # 交叉熵損失函數
optimizer = optim.Adam(model.parameters(), lr=0.001)  # Adam優化器# 5. 訓練模型（記錄每個 iteration 的損失）
def train(model, train_loader, test_loader, criterion, optimizer, device, epochs):model.train()  # 設置為訓練模式# 記錄每個 iteration 的損失all_iter_losses = []  # 存儲所有 batch 的損失iter_indices = []     # 存儲 iteration 序號for epoch in range(epochs):running_loss = 0.0correct = 0total = 0for batch_idx, (data, target) in enumerate(train_loader):data, target = data.to(device), target.to(device)  # 移至GPUoptimizer.zero_grad()  # 梯度清零output = model(data)  # 前向傳播loss = criterion(output, target)  # 計算損失loss.backward()  # 反向傳播optimizer.step()  # 更新參數# 記錄當前 iteration 的損失iter_loss = loss.item()all_iter_losses.append(iter_loss)iter_indices.append(epoch * len(train_loader) + batch_idx + 1)# 統計準確率和損失running_loss += iter_loss_, predicted = output.max(1)total += target.size(0)correct += predicted.eq(target).sum().item()# 每100個批次打印一次訓練信息if (batch_idx + 1) % 100 == 0:print(f'Epoch: {epoch+1}/{epochs} | Batch: {batch_idx+1}/{len(train_loader)} 'f'| 單Batch損失: {iter_loss:.4f} | 累計平均損失: {running_loss/(batch_idx+1):.4f}')# 計算當前epoch的平均訓練損失和準確率epoch_train_loss = running_loss / len(train_loader)epoch_train_acc = 100. * correct / total# 測試階段model.eval()  # 設置為評估模式test_loss = 0correct_test = 0total_test = 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()_, predicted = output.max(1)total_test += target.size(0)correct_test += predicted.eq(target).sum().item()epoch_test_loss = test_loss / len(test_loader)epoch_test_acc = 100. * correct_test / total_testprint(f'Epoch {epoch+1}/{epochs} 完成 | 訓練準確率: {epoch_train_acc:.2f}% | 測試準確率: {epoch_test_acc:.2f}%')# 繪制所有 iteration 的損失曲線plot_iter_losses(all_iter_losses, iter_indices)return epoch_test_acc  # 返回最終測試準確率# 6. 繪制每個 iteration 的損失曲線
def plot_iter_losses(losses, indices):plt.figure(figsize=(10, 4))plt.plot(indices, losses, 'b-', alpha=0.7, label='Iteration Loss')plt.xlabel('Iteration（Batch序號）')plt.ylabel('損失值')plt.title('每個 Iteration 的訓練損失')plt.legend()plt.grid(True)plt.tight_layout()plt.show()# 7. 執行訓練和測試
epochs = 20  # 增加訓練輪次以獲得更好效果
print("開始訓練模型...")
final_accuracy = train(model, train_loader, test_loader, criterion, optimizer, device, epochs)
print(f"訓練完成！最終測試準確率: {final_accuracy:.2f}%")# 8. 隨機選擇測試圖像進行預測展示
def show_random_predictions(model, test_loader, device, num_images=5):model.eval()# 隨機選擇索引indices = np.random.choice(len(test_dataset), num_images, replace=False)plt.figure(figsize=(3*num_images, 4))for i, idx in enumerate(indices):# 獲取圖像和真實標簽image, label = test_dataset[idx]image = image.unsqueeze(0).to(device)# 預測并計算概率with torch.no_grad():output = model(image)probs = torch.nn.functional.softmax(output, dim=1)_, predicted = torch.max(output.data, 1)confidence = probs[0][predicted].item()# 轉換圖像格式（CIFAR-10專用）image = image.squeeze().cpu().numpy()image = np.transpose(image, (1, 2, 0))  # 從(C,H,W)轉為(H,W,C)image = image * 0.5 + 0.5  # 反歸一化# 繪制結果（CIFAR-10不需要cmap='gray'）plt.subplot(1, num_images, i+1)plt.imshow(image) # 設置標題顏色和內容title_color = 'green' if predicted.item() == label else 'red'title_text = (f'真實: {test_dataset.classes[label]}\n'f'預測: {test_dataset.classes[predicted.item()]}\n'f'置信度: {confidence:.2%}')plt.title(title_text, color=title_color)plt.axis('off')plt.tight_layout()plt.show()# 在訓練完成后調用
print("\n隨機測試圖像預測結果:")
show_random_predictions(model, test_loader, device)
開始訓練模型...
Epoch: 1/20 | Batch: 100/782 | 單Batch損失: 1.8490 | 累計平均損失: 1.9064
Epoch: 1/20 | Batch: 200/782 | 單Batch損失: 1.9917 | 累計平均損失: 1.8319
Epoch: 1/20 | Batch: 300/782 | 單Batch損失: 1.6255 | 累計平均損失: 1.7918
Epoch: 1/20 | Batch: 400/782 | 單Batch損失: 1.4693 | 累計平均損失: 1.7604
Epoch: 1/20 | Batch: 500/782 | 單Batch損失: 1.8785 | 累計平均損失: 1.7441
Epoch: 1/20 | Batch: 600/782 | 單Batch損失: 1.5239 | 累計平均損失: 1.7261
Epoch: 1/20 | Batch: 700/782 | 單Batch損失: 1.5979 | 累計平均損失: 1.7132
Epoch 1/20 完成 | 訓練準確率: 39.59% | 測試準確率: 45.31%
Epoch: 2/20 | Batch: 100/782 | 單Batch損失: 1.3397 | 累計平均損失: 1.4856
Epoch: 2/20 | Batch: 200/782 | 單Batch損失: 1.4475 | 累計平均損失: 1.4658
Epoch: 2/20 | Batch: 300/782 | 單Batch損失: 1.3311 | 累計平均損失: 1.4698
Epoch: 2/20 | Batch: 400/782 | 單Batch損失: 1.5560 | 累計平均損失: 1.4726
Epoch: 2/20 | Batch: 500/782 | 單Batch損失: 1.3987 | 累計平均損失: 1.4686
Epoch: 2/20 | Batch: 600/782 | 單Batch損失: 1.4540 | 累計平均損失: 1.4664
Epoch: 2/20 | Batch: 700/782 | 單Batch損失: 1.3138 | 累計平均損失: 1.4620
Epoch 2/20 完成 | 訓練準確率: 48.36% | 測試準確率: 50.02%
Epoch: 3/20 | Batch: 100/782 | 單Batch損失: 1.3247 | 累計平均損失: 1.3399
Epoch: 3/20 | Batch: 200/782 | 單Batch損失: 1.5797 | 累計平均損失: 1.3359
Epoch: 3/20 | Batch: 300/782 | 單Batch損失: 1.7371 | 累計平均損失: 1.3417
Epoch: 3/20 | Batch: 400/782 | 單Batch損失: 1.2458 | 累計平均損失: 1.3385
Epoch: 3/20 | Batch: 500/782 | 單Batch損失: 1.3252 | 累計平均損失: 1.3355
Epoch: 3/20 | Batch: 600/782 | 單Batch損失: 1.2957 | 累計平均損失: 1.3373
Epoch: 3/20 | Batch: 700/782 | 單Batch損失: 1.3832 | 累計平均損失: 1.3398
...
Epoch: 20/20 | Batch: 500/782 | 單Batch損失: 0.6388 | 累計平均損失: 0.3730
Epoch: 20/20 | Batch: 600/782 | 單Batch損失: 0.3712 | 累計平均損失: 0.3795
Epoch: 20/20 | Batch: 700/782 | 單Batch損失: 0.3770 | 累計平均損失: 0.3884
Epoch 20/20 完成 | 訓練準確率: 86.10% | 測試準確率: 53.29%

隨機測試圖像預測結果：

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/news/907666.shtml
繁體地址，請注明出處：http://hk.pswp.cn/news/907666.shtml
英文地址，請注明出處：http://en.pswp.cn/news/907666.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

相關文章

數據結構之棧：原理與常用方法

數據結構之棧：原理與常用方法

1. 棧的定義 Stack是Vector的一個子類，它實現標準的后進先出堆棧。Stack只定義了創建空堆棧的默認構造方法。（實際上是實現了List接口，因為Vector是List的子類）。 Stack() // 創建一個空棧 2. 棧的基本操作 // 壓棧操作 publi…
閱讀更多...
鴻蒙OSUniApp 開發支持圖片和視頻的多媒體展示組件#三方框架 #Uniapp

鴻蒙OSUniApp 開發支持圖片和視頻的多媒體展示組件#三方框架 #Uniapp

使用 UniApp 開發支持圖片和視頻的多媒體展示組件 前言 在現代移動應用中，圖片和視頻已成為內容展示的主流形式。一個優秀的多媒體展示組件不僅能提升用戶體驗，還能增強產品的互動性和視覺沖擊力。隨著鴻蒙（HarmonyOS）生態的不斷…
閱讀更多...
STM32CubeMX，arm-none-eabi-gcc簡單試用

STM32CubeMX，arm-none-eabi-gcc簡單試用

在windows下，為stm32系列單片機編程，keil有了免費的試用版，有很多開發板示例，給學習單片機編程帶來很大的方便。 STM32CubeMX提供了stm32單片機的功能設置，在輸出方式上給出了幾種方式，有mdk（k…
閱讀更多...
灌水論壇系統總體設計文檔

灌水論壇系統總體設計文檔

一、實驗題目 灌水論壇系統 二、實驗目的 旨在通過一個相對完整且功能豐富的Web應用實例，全面地實踐和鞏固Web開發所需的各項核心技術和工程方法，從而提升其綜合應用能力和解決實際開發問題的能力。它不僅僅是完成一個軟件，更是一個學習、…
閱讀更多...
Android 13中 配置簽名文件與內置相應的Apk

Android 13中 配置簽名文件與內置相應的Apk

目錄 1.問題場景 2.實現思路 3.將測試代碼做成APK并配置簽名 4.將apk內置到系統當中的方法 1.問題場景 在展訊平臺中Android13的源碼已知的情況下，客戶寫了一個測試類用于調用系統中的一些接口來檢驗一些功能。為了方便調試排查問題我首先的思路是將客戶寫的測試…
閱讀更多...
HarmonyOS 5 應用開發導讀：從入門到實踐

HarmonyOS 5 應用開發導讀：從入門到實踐

一、HarmonyOS 5 概述 HarmonyOS 5 是華為推出的新一代分布式操作系統，其核心設計理念是"一次開發，多端部署"。與傳統的移動操作系統不同，HarmonyOS 5 提供了更強大的跨設備協同能力，支持手機、平板、智能穿戴、智慧屏…
閱讀更多...
C語言創意編程：用趣味實例玩轉基礎語法（4）

C語言創意編程：用趣味實例玩轉基礎語法（4）

文章目錄 0. 前言1. 🌈 彩虹文字生成器1.1 程序效果展示1.2 完整代碼解析1.3 關鍵技術詳解1.3.1 Windows控制臺API1.3.2 顏色編碼1.3.3 安全輸入1.3.4 跨平臺考慮 2. 🎵 簡易音樂播放器2.1 程序效果展示2.2 完整代碼解析2.3 關鍵技術詳解2.3.1 Windows B…
閱讀更多...
【專題】神經網絡期末復習資料（題庫）

【專題】神經網絡期末復習資料（題庫）

神經網絡期末復習資料（題庫） 鏈接：https://blog.csdn.net/Pqf18064375973/article/details/148332887?sharetypeblogdetail&sharerId148332887&sharereferPC&sharesourcePqf18064375973&sharefrommp_from_link 【測試】 Th…
閱讀更多...
Python訓練營打卡 Day41

Python訓練營打卡 Day41

簡單CNN 知識回顧 數據增強卷積神經網絡定義的寫法batch歸一化：調整一個批次的分布，常用與圖像數據特征圖：只有卷積操作輸出的才叫特征圖調度器：直接修改基礎學習率 卷積操作常見流程如下： 1. 輸入 → 卷積層 → Batch…
閱讀更多...
leetcode216.組合總和III：回溯算法中多條件約束下的狀態管理

leetcode216.組合總和III：回溯算法中多條件約束下的狀態管理

一、題目深度解析與組合約束條件 題目描述 找出所有相加之和為n的k個數的組合，且滿足以下條件： 每個數只能使用一次（范圍為1到9）所有數字均為唯一的正整數組合中的數字按升序排列 例如，當k3，n9時&#…
閱讀更多...
Java面試實戰：從Spring到大數據的全棧挑戰

Java面試實戰：從Spring到大數據的全棧挑戰

Java面試實戰：從Spring到大數據的全棧挑戰 在某家知名互聯網大廠，嚴肅的面試官正在面試一位名叫謝飛機的程序員。謝飛機以其搞笑的回答和對Java技術棧的獨特見解而聞名。 第一輪：Spring與微服務的探索 面試官：“請你談談Spring…
閱讀更多...
基于vue框架的動物園飼養管理系統a7s60（程序+源碼+數據庫+調試部署+開發環境）帶論文文檔1萬字以上，文末可獲取，系統界面在最后面。

基于vue框架的動物園飼養管理系統a7s60（程序+源碼+數據庫+調試部署+開發環境）帶論文文檔1萬字以上，文末可獲取，系統界面在最后面。

系統程序文件列表 項目功能：飼養員,健康登記,工作進度,動物信息,進食信息,動物健康,動物醫治,飼料信息,工作留言 開題報告內容 基于Vue框架的動物園飼養管理系統開題報告 一、研究背景與意義 （一）研究背景 隨著城市化進程加快和公眾對生…
閱讀更多...
docker鏡像與dockerfile

docker鏡像與dockerfile

一、docker鏡像 1.什么是鏡像 容器解決應用開發、測試和部署的問題，而鏡像解決應用部署環境問題。鏡像是一個只讀的容器模板， 打包了應用程序和應用程序所依賴的文件系統以及啟動容器的配置文件，是啟動容器的基礎。鏡像所打 包的文件內容就是…
閱讀更多...
流媒體基礎解析：音視頻封裝格式與傳輸協議

流媒體基礎解析：音視頻封裝格式與傳輸協議

在視頻處理與傳輸的完整流程中，音視頻封裝格式和傳輸協議扮演著至關重要的角色。它們不僅決定了視頻文件的存儲方式，還影響著視頻在網絡上的傳輸效率和播放體驗。今天，我們將深入探討音視頻封裝格式和傳輸協議的相關知識。 音視頻封裝格式 什…
閱讀更多...
普中STM32F103ZET6開發攻略（一）

普中STM32F103ZET6開發攻略（一）

各位看官老爺們，點擊關注不迷路喲。你的點贊、收藏，一鍵三連，是我持續更新的動力喲！！！ 目錄 普中STM32F103ZET6開發攻略 1. GPIO端口實驗——點亮LED燈 1.1 實驗目的 1.2 實驗原理 1.3 實驗環境和器材…
閱讀更多...
AWS API Gateway 配置WAF（中國區）

AWS API Gateway 配置WAF（中國區）

問題 需要給AWS API Gateway配置WAF。 AWS WAF設置 打開AWS WAF首頁，開始創建和配置WAF，如下圖： 設置web acl名稱，然后開始添加aws相關資源，如下圖： 選擇資源類型，但是，我這里出…
閱讀更多...
測試分類詳解

測試分類詳解

測試分類 一、按測試對象分類 1. 界面測試 1.1 測試內容介紹 界面測試驗證用戶界面(UI)的視覺呈現和交互邏輯，確保符合設計規范并提供良好的用戶體驗。測試內容包括： 頁面布局和元素對齊字體、顏色和圖標一致性交互反饋（懸停、點擊狀態&a…
閱讀更多...
打開NRODIC SDK編譯不過怎么處理,keil與segger studio

打開NRODIC SDK編譯不過怎么處理,keil與segger studio

打開NRODIC SDK編譯不過怎么處理,以下是keil處理. 1,如圖,不要安裝安裝也不會過 2. 不要安裝點擊否 3.點擊確定后進來這個樣子 4.這里選擇這個勾,OK后就不會再有后面的pack_license 5.去掉勾后這里要選擇自己SDK對應的pack版本,我的是8.27.0 6.OK后彈出個界面也要反復選擇…
閱讀更多...
HarmonyOS ArkUI-X開發中的常見問題及解決方案

HarmonyOS ArkUI-X開發中的常見問題及解決方案

一、跨平臺編譯與適配問題 1. 平臺特定API不兼容 ?問題現象?：使用Router模塊的replaceUrl或startAbility等鴻蒙專屬API時，編譯跨平臺工程報錯cant support crossplatform application。 ?解決方案?： 改用ohos.router的跨平臺封裝API&a…
閱讀更多...
CSS篇-2

CSS篇-2

4. position 的值分別是相對于哪個位置定位的？ position 屬性是 CSS 布局中一個非常核心的概念，它允許我們精確控制元素在文檔中的定位方式，從而脫離或部分脫離正常的文檔流。理解 position 的不同值以及它們各自的定位基準，是實…
閱讀更多...
最新文章

Copyright @ 2022~2023