第5天：LSTM預測火災溫度

  • 🍨 本文為🔗365天深度學習訓練營 中的學習記錄博客
  • 🍖 原作者：K同學啊

目標

復用LSTM模型實現火災溫度預測

具體實現

（一）環境

語言環境：Python 3.10
編 譯 器: PyCharm
框 架: Pytorch

（二）具體步驟
1. 具體代碼
import torch.nn.functional as F  
import numpy as np  
import pandas as pd  
import torch  
from torch import nn  import matplotlib.pyplot as plt  
import seaborn as sns  device = torch.device("cuda" if torch.cuda.is_available() else "cpu")  
print(device)  data = pd.read_csv('data/woodpine2.csv')  
print(data)  plt.rcParams['savefig.dpi'] = 500  
plt.rcParams['figure.dpi'] = 500  fig, ax = plt.subplots(1, 3, constrained_layout=True, figsize=(14, 3))  sns.lineplot(data=data["Tem1"], ax=ax[0])  
sns.lineplot(data=data["CO 1"], ax=ax[1])  
sns.lineplot(data=data["Soot 1"], ax=ax[2])  
plt.show()  from sklearn.preprocessing import MinMaxScaler  
# 從原始數據中去除第一列（通常為索引列），保留所有行和其他列，并創建數據副本  
dataFrame = data.iloc[:,1:].copy()  
# 將數據歸一化，范圍是0-1  
sc = MinMaxScaler(feature_range=(0, 1))  
for i in ['CO 1', 'Soot 1', 'Tem1']:  dataFrame[i] = sc.fit_transform(dataFrame[i].values.reshape(-1, 1))  
print(dataFrame)  
print(dataFrame.shape)  width_X = 8  
width_y = 1  X = []  
y = []  print(f"原始數據長度: {len(dataFrame)}")  
print(f"可創建的序列數量: {len(dataFrame) - width_X}")  # 數據窗口劃分主循環  
# 功能：將時間序列數據劃分為輸入樣本X和對應標簽y  
# 參數說明：  
#   data: 原始數據DataFrame  
#   dataFrame: 轉換后的numpy數組  
#   width_X: 輸入序列長度  
#   width_y: 輸出序列長度  
# 返回值：  
#   X: 輸入樣本列表  
#   y: 標簽列表  
# 窗口滑動邏輯：  
# 1. 計算當前窗口結束索引  
# 2. 檢查窗口是否超出數據邊界  
# 3. 合法窗口則提取對應數據片段  
# 4. 窗口起始位置逐步后移  
in_start  = 0  
for _, _ in data.iterrows():  in_end = in_start + width_X  out_end = in_end + width_y  if out_end < len(dataFrame):  X_ = np.array(dataFrame.iloc[in_start:in_end, ])  y_ = np.array(dataFrame.iloc[in_end:out_end, 0])  X.append(X_)  y.append(y_)  in_start += 1  X = np.array(X)  
y = np.array(y).reshape(-1, 1)  print(X.shape)  
print(y.shape)  print(np.any(np.isnan(X)))  
print(np.any(np.isnan(y)))  max_samples = min(5000, len(X))  
X_train = torch.tensor(np.array(X[:max_samples]), dtype=torch.float32).to(device)  
y_train = torch.tensor(np.array(y[:max_samples]), dtype=torch.float32).to(device)  
X_test = torch.tensor(np.array(X[max_samples:]), dtype=torch.float32).to(device)  
y_test = torch.tensor(np.array(y[max_samples:]), dtype=torch.float32).to(device)  
print("訓練集大小:", X_train.shape, y_train.shape)  
print("測試集大小:", X_test.shape, y_test.shape)  from torch.utils.data import TensorDataset, DataLoader  
train_dl = DataLoader(TensorDataset(X_train, y_train), batch_size=64, shuffle=False)  
test_dl = DataLoader(TensorDataset(X_test, y_test), batch_size=64, shuffle=False)  class model_lstm(nn.Module):  """  LSTM神經網絡模型，包含兩個LSTM層和一個全連接層。  參數:  input_size (int): 輸入特征的維度，默認為3（CO、煙霧、溫度）  hidden_size (int): 隱藏層維度，默認為320  num_layers (int): LSTM層數，默認為1  batch_first (bool): 輸入數據是否以batch為第一維度，默認True  返回值:  torch.Tensor: 形狀為(batch_size, 1)的預測結果  """    def __init__(self):  super(model_lstm, self).__init__()  self.lstm0 = nn.LSTM(input_size=3, hidden_size=320, num_layers=1, batch_first=True)  self.lstm1 = nn.LSTM(input_size=320, hidden_size=320, num_layers=1, batch_first=True)  self.fc0 = nn.Linear(320, 1)  def forward(self, x):  """  前向傳播函數。  參數:  x (torch.Tensor): 輸入張量，形狀為(batch_size, seq_length, input_size)  返回值:  torch.Tensor: 輸出張量，形狀為(batch_size, 1)  """        out, hidden1 = self.lstm0(x)  out, _ = self.lstm1(out, hidden1)  out = self.fc0(out)  return out[:, -1, :]  model = model_lstm()  
print(model)  print(model(torch.rand(30, 8, 3)).shape)  import copy  
def train(train_dl, model, loss_fn, opt, lr_scheduler=None):  """  訓練模型單個epoch。  參數:  train_dl (DataLoader): 訓練數據加載器  model (nn.Module): 神經網絡模型  loss_fn (nn.Module): 損失函數  opt (Optimizer): 優化器  lr_scheduler (LRScheduler): 學習率調度器（可選）  返回值:  float: 當前epoch的平均訓練損失  """    size = len(train_dl.dataset)  num_batches = len(train_dl)  train_loss = 0  for x, y in train_dl:  x, y = x.to(device), y.to(device)  pred = model(x)  loss = loss_fn(pred, y)  opt.zero_grad()  loss.backward()  opt.step()  train_loss += loss.item()  if lr_scheduler is not None:  lr_scheduler.step()  print("當前學習率:", lr_scheduler.get_last_lr())  train_loss /= num_batches  return train_loss  def test(dataloader, model, loss_fn):  """  測試模型性能。  參數:  dataloader (DataLoader): 測試數據加載器  model (nn.Module): 訓練好的神經網絡模型  loss_fn (nn.Module): 損失函數  返回值:  float: 測試集的平均損失  """    size = len(dataloader.dataset)  num_batches = len(dataloader)  test_loss = 0  with torch.no_grad():  for x, y in dataloader:  x, y = x.to(device), y.to(device)  pred = model(x)  loss = loss_fn(pred, y)  test_loss += loss.item()  test_loss /= num_batches  return test_loss  # 訓練  
model = model_lstm().to(device)  
loss_fn = nn.MSELoss()  
learn_rate = 1e-1  
opt = torch.optim.SGD(model.parameters(), lr=learn_rate, weight_decay=1e-4)  
epochs = 50  
train_loss = []  
test_loss = []  
lr_scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(opt, T_max=epochs, last_epoch=-1)  for epoch in range(epochs):  model.train()  epoch_train_loss = train(train_dl, model, loss_fn, opt, lr_scheduler)  model.eval()  epoch_test_loss = test(test_dl, model, loss_fn)  train_loss.append(epoch_train_loss)  test_loss.append(epoch_test_loss)  template = 'Epoch:{:2d}, Train_loss:{:.3f}, Test_loss:{:.3f}'  print(template.format(epoch + 1, epoch_train_loss, epoch_test_loss))  print("="*20, 'Done', "="*20)  from datetime import datetime  
current_time = datetime.now()  
plt.figure(figsize=(5, 3), dpi=120)  
plt.plot(train_loss, label="LSTM Training Loss")  
plt.plot(test_loss, label="LSTM Testing Loss")  
plt.title("Training and Valiadation Loss")  
plt.xlabel(current_time)  
plt.legend()  
plt.show()  # 調用模型進行預測  
model.eval()  
with torch.no_grad():  predicted_y_lstm = sc.inverse_transform(model(X_test).cpu().detach().numpy().reshape(-1, 1))  
y_test_1 = sc.inverse_transform(y_test.cpu().reshape(-1, 1))  
y_test_one = [i[0] for i in y_test_1]  
predicted_y_lstm_one = [i[0] for i in predicted_y_lstm]  plt.figure(figsize=(10, 5), dpi=120)  
plt.plot(y_test_one[:2000], color='red', label='read_temp')  
plt.plot(predicted_y_lstm_one[:2000], color='blue', label='predict')  
plt.title('Title')  
plt.xlabel('X')  
plt.ylabel('Y')  
plt.legend()  
plt.show()
2. 結果
C:\Users\feng_\anaconda3\envs\Pytorch\python.exe E:\dev\AI\Pytorch\RNN\R4-LSTM火災溫度預測\LSTM-HUOZAI.py 
cudaTime   Tem1      CO 1    Soot 1
0       0.000   25.0  0.000000  0.000000
1       0.228   25.0  0.000000  0.000000
2       0.456   25.0  0.000000  0.000000
3       0.685   25.0  0.000000  0.000000
4       0.913   25.0  0.000000  0.000000
...       ...    ...       ...       ...
5943  366.000  295.0  0.000077  0.000496
5944  366.000  294.0  0.000077  0.000494
5945  367.000  292.0  0.000077  0.000491
5946  367.000  291.0  0.000076  0.000489
5947  367.000  290.0  0.000076  0.000487[5948 rows x 4 columns]Tem1      CO 1    Soot 1
0     0.000000  0.000000  0.000000
1     0.000000  0.000000  0.000000
2     0.000000  0.000000  0.000000
3     0.000000  0.000000  0.000000
4     0.000000  0.000000  0.000000
...        ...       ...       ...
5943  0.957447  0.968672  0.968750
5944  0.953901  0.963659  0.964844
5945  0.946809  0.958647  0.958984
5946  0.943262  0.954887  0.955078
5947  0.939716  0.951128  0.951172[5948 rows x 3 columns]
(5948, 3)
原始數據長度: 5948
可創建的序列數量: 5940
(5939, 8, 3)
(5939, 1)
False
False
訓練集大小: torch.Size([5000, 8, 3]) torch.Size([5000, 1])
測試集大小: torch.Size([939, 8, 3]) torch.Size([939, 1])
model_lstm((lstm0): LSTM(3, 320, batch_first=True)(lstm1): LSTM(320, 320, batch_first=True)(fc0): Linear(in_features=320, out_features=1, bias=True)
)
torch.Size([30, 1])
當前學習率: [0.09990133642141358]
Epoch: 1, Train_loss:0.001, Test_loss:0.012
當前學習率: [0.0996057350657239]
Epoch: 2, Train_loss:0.014, Test_loss:0.012
當前學習率: [0.09911436253643444]
Epoch: 3, Train_loss:0.014, Test_loss:0.011
當前學習率: [0.09842915805643154]
Epoch: 4, Train_loss:0.013, Test_loss:0.011
當前學習率: [0.09755282581475767]
Epoch: 5, Train_loss:0.013, Test_loss:0.010
當前學習率: [0.09648882429441256]
Epoch: 6, Train_loss:0.012, Test_loss:0.010
當前學習率: [0.09524135262330098]
Epoch: 7, Train_loss:0.012, Test_loss:0.009
當前學習率: [0.09381533400219318]
Epoch: 8, Train_loss:0.011, Test_loss:0.009
當前學習率: [0.09221639627510075]
Epoch: 9, Train_loss:0.010, Test_loss:0.008
當前學習率: [0.09045084971874737]
Epoch:10, Train_loss:0.009, Test_loss:0.007
當前學習率: [0.08852566213878946]
Epoch:11, Train_loss:0.008, Test_loss:0.006
當前學習率: [0.08644843137107057]
Epoch:12, Train_loss:0.007, Test_loss:0.005
當前學習率: [0.08422735529643442]
Epoch:13, Train_loss:0.006, Test_loss:0.005
當前學習率: [0.08187119948743447]
Epoch:14, Train_loss:0.005, Test_loss:0.004
當前學習率: [0.07938926261462366]
Epoch:15, Train_loss:0.004, Test_loss:0.003
當前學習率: [0.07679133974894982]
Epoch:16, Train_loss:0.003, Test_loss:0.003
當前學習率: [0.07408768370508576]
Epoch:17, Train_loss:0.002, Test_loss:0.002
當前學習率: [0.07128896457825362]
Epoch:18, Train_loss:0.002, Test_loss:0.002
當前學習率: [0.06840622763423389]
Epoch:19, Train_loss:0.001, Test_loss:0.001
當前學習率: [0.06545084971874736]
Epoch:20, Train_loss:0.001, Test_loss:0.001
當前學習率: [0.06243449435824272]
Epoch:21, Train_loss:0.001, Test_loss:0.001
當前學習率: [0.05936906572928623]
Epoch:22, Train_loss:0.000, Test_loss:0.001
當前學習率: [0.056266661678215216]
Epoch:23, Train_loss:0.000, Test_loss:0.001
當前學習率: [0.053139525976465665]
Epoch:24, Train_loss:0.000, Test_loss:0.001
當前學習率: [0.049999999999999996]
Epoch:25, Train_loss:0.000, Test_loss:0.001
當前學習率: [0.046860474023534326]
Epoch:26, Train_loss:0.000, Test_loss:0.001
當前學習率: [0.04373333832178478]
Epoch:27, Train_loss:0.000, Test_loss:0.001
當前學習率: [0.040630934270713764]
Epoch:28, Train_loss:0.000, Test_loss:0.001
當前學習率: [0.03756550564175726]
Epoch:29, Train_loss:0.000, Test_loss:0.001
當前學習率: [0.03454915028125265]
Epoch:30, Train_loss:0.000, Test_loss:0.001
當前學習率: [0.03159377236576612]
Epoch:31, Train_loss:0.000, Test_loss:0.001
當前學習率: [0.028711035421746366]
Epoch:32, Train_loss:0.000, Test_loss:0.001
當前學習率: [0.025912316294914226]
Epoch:33, Train_loss:0.000, Test_loss:0.001
當前學習率: [0.023208660251050155]
Epoch:34, Train_loss:0.000, Test_loss:0.001
當前學習率: [0.020610737385376346]
Epoch:35, Train_loss:0.000, Test_loss:0.001
當前學習率: [0.01812880051256551]
Epoch:36, Train_loss:0.000, Test_loss:0.001
當前學習率: [0.015772644703565562]
Epoch:37, Train_loss:0.000, Test_loss:0.001
當前學習率: [0.013551568628929433]
Epoch:38, Train_loss:0.000, Test_loss:0.001
當前學習率: [0.011474337861210542]
Epoch:39, Train_loss:0.000, Test_loss:0.001
當前學習率: [0.009549150281252632]
Epoch:40, Train_loss:0.000, Test_loss:0.001
當前學習率: [0.007783603724899257]
Epoch:41, Train_loss:0.000, Test_loss:0.001
當前學習率: [0.0061846659978068205]
Epoch:42, Train_loss:0.000, Test_loss:0.001
當前學習率: [0.004758647376699033]
Epoch:43, Train_loss:0.000, Test_loss:0.001
當前學習率: [0.0035111757055874327]
Epoch:44, Train_loss:0.000, Test_loss:0.001
當前學習率: [0.0024471741852423235]
Epoch:45, Train_loss:0.000, Test_loss:0.001
當前學習率: [0.0015708419435684518]
Epoch:46, Train_loss:0.000, Test_loss:0.001
當前學習率: [0.000885637463565564]
Epoch:47, Train_loss:0.000, Test_loss:0.001
當前學習率: [0.00039426493427611173]
Epoch:48, Train_loss:0.000, Test_loss:0.001
當前學習率: [9.866357858642205e-05]
Epoch:49, Train_loss:0.000, Test_loss:0.001
當前學習率: [0.0]
Epoch:50, Train_loss:0.000, Test_loss:0.001
==================== Done ====================

image.png

image.png
image.png

（三）總結
  1. 數據處理采用了滑動窗口技術：將時間序列劃分為長度為8的輸入序列和長度為1的預測目標
  2. 多變量輸入： 同時使用溫度(Tem1)、CO濃度(CO 1)和煙霧濃度(Soot 1)三個特征
  3. 雙層LSTM結構: 兩個320隱藏單元的LSTM層串聯，增強模型的時序建模能力；單一全連接層直接輸出預測結果；

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/910336.shtml
繁體地址，請注明出處：http://hk.pswp.cn/news/910336.shtml
英文地址，請注明出處：http://en.pswp.cn/news/910336.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

目標檢測之YOLOV11自定義數據使用OBB訓練與驗證

目標檢測之YOLOV11自定義數據使用OBB訓練與驗證

一、前置條件與環境準備 在開始訓練前&#xff0c;確保已完成以下準備《目標檢測之YOLOV11自定義數據預處理——從原始標注到YOLO-OBB格式轉換與驗證》&#xff1a; 數據目錄結構&#xff1a; yolov11/ ├── datasets/ │ └── shrimp/ │ ├── images/ │ …
閱讀更多...
Labview教程進階一（Labview與OPC UA設備通信）

Labview教程進階一（Labview與OPC UA設備通信）

1.Labview與OPC UA設備通信 OPC UA通信協議優勢顯著，具體表現如下： 跨平臺兼容：支持多種操作系統和硬件平臺，實現無縫數據交換。高安全性：內置加密、身份驗證和授權機制，確保數據傳輸安全。高效數據交換：采用二進制編碼和優化的傳輸協議，提高通信效率。復雜數據建模：…
閱讀更多...
【Comsol教程】如何求解指定范圍的積分 或 在積分中去除奇異點/異常值

【Comsol教程】如何求解指定范圍的積分 或 在積分中去除奇異點/異常值

我們在Comsol中經常需要對物體的邊界求積分&#xff0c;比如求物體在流場中所受的總流體牽引力&#xff0c;又或者是物體在電場中受到的總介電泳力。當物體的材料或者邊界條件存在突變時&#xff0c;物體表面的粘性應力或者麥克斯韋電應力可能會存在異常值。通常解決方法有細化…
閱讀更多...
Python 多版本治理理念（Windows 平臺 · 零基礎友好）

Python 多版本治理理念（Windows 平臺 · 零基礎友好）

&#x1f9e0; Python 多版本治理理念&#xff08;Windows 平臺 零基礎友好&#xff09; &#x1f310; 核心原則&#xff1a;三維治理、四級隔離、五項自治 以下是基于人工智能深度學習環境搭建實踐&#xff0c;總結出的"零基礎入門 Conda工具鏈 全隔離項目環境"…
閱讀更多...
Python文件管理利器之Shutil庫詳解

Python文件管理利器之Shutil庫詳解

Shutil是一個Python內置的用來高效處理文件和目錄遷移任務的庫。Shutil不僅支持基本的文件復制、移動和刪除操作&#xff0c;還具備處理大文件、批量遷移目錄、以及跨平臺兼容性等特性。通過使用Shutil&#xff0c;我們可以更加輕松地實現文件系統的管理和維護&#xff0c;本文…
閱讀更多...
學習華為 ensp 的學習心得體會

學習華為 ensp 的學習心得體會

引言? 在信息技術日新月異的今天&#xff0c;網絡技術作為連接世界的橋梁&#xff0c;其重要性不言而喻。作為一名對網絡技術充滿熱情的大一新生&#xff0c;我選擇了 eNSP&#xff08;Enterprise Network Simulation Platform&#xff0c;企業網絡模擬平臺&#xff09;作為我…
閱讀更多...
jenkins-2.439.1搭建

jenkins-2.439.1搭建

一、 二、pipeline文件 pipeline { agent any // 可以指定特定的agent, 如 label 或 docker environment { JAVA_HOME "/usr/local/software/jdk1.8.0_451" PATH "${JAVA_HOME}/bin:${env.PATH}" } tools { …
閱讀更多...
【threejs】一天一個小案例講解：控制面板（GUI）

【threejs】一天一個小案例講解：控制面板（GUI）

# 好吧&#xff0c;每天更新實在有點艱巨&#xff0c;我盡量少量多次 代碼倉 所有代碼都會上傳到這里&#xff0c;可自行clone GitHub - TiffanyHoo/three_practices: Learning three.js together! 運行效果圖 ? 知識要點 一、安裝dat.gui npm i dat.gui 二、使用步驟&a…
閱讀更多...
飛輪儲能輔助雙饋風機參與電力系統一次調頻的仿真模型研究

飛輪儲能輔助雙饋風機參與電力系統一次調頻的仿真模型研究

以下是一篇關于飛輪儲能輔助雙饋風機參與電力系統一次調頻的仿真模型研究的論文 ，涵蓋理論分析、數學模型構建、控制策略設計及仿真驗證等內容，適用于電氣工程、新能源技術等領域的研究參考。 飛輪儲能輔助雙饋風機參與電力系統一次調頻的仿真模型研究 摘要 隨著風電在電力…
閱讀更多...
一次性理解Java垃圾回收--簡單直接方便面試時使用

一次性理解Java垃圾回收--簡單直接方便面試時使用

Java的垃圾回收是一個面試必問題&#xff0c;只要按照下面的步驟回答肯定不會有大問題。 1.先告訴面試官垃圾回收分為兩大步&#xff1a; a.識別哪些對象是"垃圾"(不再被使用的對象) b.回收這些垃圾對象占用的內存空間 2. 接下來分別介紹標記階段和回收階段的細節…
閱讀更多...
XML映射文件-輔助配置

XML映射文件-輔助配置

如果你沒有按照同包同名來&#xff0c;就要下面的配置&#xff0c;指定好路徑 1.把路徑改為類下面的xml文件 #指定xml映射文件的位置 mybatis.mapper-locationsclasspath:mapper/*.xml
閱讀更多...
120、三角形最小路徑和

120、三角形最小路徑和

題目 解答&#xff1a; 直接按照空間復雜度O(n)來做了。這種明顯是動態規劃&#xff0c;每一層用到上一層的信息。 觀察數據形狀&#xff0c;如下&#xff1a; (0,0) (1,0)(1,1) (2,0)(2,1)(2,2) (3,0)(3,1)(3,2)(3,3) ... (n-1,0)...(n-1,n-1) 設dp[n],定義為本層第n…
閱讀更多...
仕么是Transformer以及工作原理和架構

仕么是Transformer以及工作原理和架構

Transformer 是一種革命性的**深度學習架構**&#xff0c;由 Google 團隊在 2017 年論文《Attention is All You Need》中提出。它徹底改變了自然語言處理&#xff08;NLP&#xff09;領域&#xff0c;并逐漸擴展到計算機視覺、語音識別等多模態任務。其核心創新在于**完全依賴…
閱讀更多...
opencv 鎖頁內存的使用

opencv 鎖頁內存的使用

在OpenCV的CUDA編程中&#xff0c;cv::cuda::HostMem類用于管理鎖頁內存&#xff08;Page-Locked Memory&#xff09;?&#xff0c;這種內存能顯著提升主機&#xff08;CPU&#xff09;與設備&#xff08;GPU&#xff09;間的數據傳輸效率。而.createMatHeader()正是將HostMem…
閱讀更多...
亞遠景-ASPICE與ISO 26262：理解汽車軟件質量保障的雙標體系

亞遠景-ASPICE與ISO 26262：理解汽車軟件質量保障的雙標體系

在汽車行業向智能化、電動化轉型的背景下&#xff0c;ASPICE&#xff08;Automotive SPICE&#xff09;與ISO 26262作為汽車軟件質量保障的兩大核心標準&#xff0c;分別從過程能力與功能安全兩個維度構建了完整的開發管理體系。以下從標準定位、核心差異、協同實踐及行業價值四…
閱讀更多...
數組的應用

數組的應用

Java數組的基本概念 數組是Java中一種重要的數據結構&#xff0c;用于存儲固定大小的相同類型元素。數組在內存中連續分配空間&#xff0c;可以通過索引快速訪問元素。數組的聲明和初始化是使用數組的基礎&#xff0c;聲明時需要指定數據類型和數組名稱&#xff0c;初始化可以…
閱讀更多...
基礎RAG實現，最佳入門選擇（七）

基礎RAG實現，最佳入門選擇（七）

增強型RAG系統的查詢轉換 采用三種查詢轉換技術&#xff0c;以提高RAG系統中的檢索性能&#xff0c;而無需依賴于像LangChain這樣的專門庫。通過修改用戶查詢&#xff0c;我們可以顯著提高檢索信息的相關性和全面性。 關鍵轉換技術 1.查詢重寫&#xff1a;使查詢更加具體和詳…
閱讀更多...
企業應用觀測中樞建設

企業應用觀測中樞建設

本文來自騰訊藍鯨智云社區用戶: CanWay 運維挑戰加劇 新時代技術背景下&#xff0c;運維面臨的挑戰加劇&#xff1a; 1、業務數量日益增加、業務規模日益龐大 隨著科技發展進步、民眾生活富足&#xff0c;線下業務線上化、線上業務復雜化趨勢愈演愈烈&#xff0c;各行各業投…
閱讀更多...
Python實例題：基于邊緣計算的智能物聯網系統

Python實例題：基于邊緣計算的智能物聯網系統

目錄 Python實例題 題目 問題描述 解題思路 關鍵代碼框架 難點分析 擴展方向 Python實例題 題目 基于邊緣計算的智能物聯網系統 問題描述 開發一個基于邊緣計算的智能物聯網系統&#xff0c;包含以下功能&#xff1a; 邊緣設備管理&#xff1a;連接和管理大量物聯網…
閱讀更多...
一，python語法教程.內置API

一，python語法教程.內置API

一&#xff0c;字符串相關API string.strip([chars])方法&#xff1a;移除字符串開頭和結尾的空白字符&#xff08;如空格、制表符、換行符等&#xff09;&#xff0c;它不會修改原始字符串&#xff0c;而是返回一個新的處理后的字符串 chars&#xff08;可選&#xff09;&…
閱讀更多...
最新文章

Copyright @ 2022~2023