当前位置： 首页 > news >正文

深入浅出伯努利分布：从 0‑1 随机世界到统计学习基石

news 来源：原创 2025/8/7 3:00:33

深入浅出伯努利分布：从 0‑1 随机世界到统计学习基石

“当你能把一个问题拆解成一系列“是/否”答案时，伯努利分布就是第一块砖。”

目录

  1. 引言：伯努利分布为何如此重要？
  2. 历史回顾：从赌博到信息论
  3. 形式化定义与基本表示
  4. 三种视角下的推导
    • 4.1 样本空间法
    • 4.2 最大熵原理
    • 4.3 二项分布特例
  5. 核心数学性质
    • 5.1 概率质量函数 (PMF)
    • 5.2 累积分布函数 (CDF)
    • 5.3 矩与中心矩
    • 5.4 偏度、峰度
    • 5.5 矩生成函数 (MGF) 与特征函数 (CF)
    • 5.6 熵、交叉熵与 KL 散度
  6. 指数族与共轭先验
  7. 参数估计与区间估计
    • 7.1 最大似然估计 (MLE)
    • 7.2 方法矩估计 (MoM)
    • 7.3 贝叶斯更新 (Beta 共轭)
    • 7.4 置信区间：Wald、Wilson、Clopper–Pearson
  8. 假设检验与检验功效
  9. 与其他分布的关系
  10. 典型应用场景
  11. 常见误区与 FAQ
  12. 思维导图全景
  13. 小结与延伸阅读

1. 引言：伯努利分布为何如此重要？

  • 最原始的“是否”问题：电子邮件是否为垃圾邮件？零件是否合格？用户是否点击广告？
  • 基础地位：伯努利分布是离散分布王国的砖石基石，所有二项分布、几何分布、负二项分布及二分类模型都由它延伸。
  • 机器学习核心：在深度学习中，二分类的交叉熵损失函数就是建立在伯努利假设之上。
  • 信息论根基：Shannon 熵在二元信源下自然归结为伯努利熵。

理解伯努利分布，等于理解“二分类随机现象”的所有奥秘。

2. 历史回顾：从赌博到信息论

  • 1713：Jakob Bernoulli 首次研究“伯努利试验”（两种结果随机试验）。
  • 19 世纪：Poisson、De Morgan 等将其深入到二项分布与泊松极限。
  • 1948：Claude Shannon 用二元信源推导信息熵公式，伯努利分布成为信息论的原点。
  • 现代：从 A/B 测试到神经网络，伯努利分布的身影无处不在。

3. 形式化定义与基本表示

伯努利随机变量 X X X 仅取值 { 0 , 1 } \{0,1\} {0,1}，记作

X ∼ B e r n o u l l i ( p ) X \sim \mathrm{Bernoulli}(p) X∼Bernoulli(p)

  • P ( X = 1 ) = p P(X=1)=p P(X=1)=p（“成功”概率）；
  • P ( X = 0 ) = 1 − p P(X=0)=1-p P(X=0)=1−p（“失败”概率）；
  • 参数 p ∈ [ 0 , 1 ] p\in[0,1] p∈[0,1]，代表单次试验的期望值： E [ X ] = p E[X]=p E[X]=p。

统一写法（指数族形式）：
[
P(X=x)=px,(1-p){1-x},\quad x\in{0,1}.
]

4. 三种视角下的推导

4.1 样本空间法

  • 样本空间 Ω = { ω 0 , ω 1 } \Omega=\{\omega_0,\omega_1\} Ω={ω0​,ω1​}，分别指“失败”和“成功”。
  • 赋予 P ( ω 1 ) = p , P ( ω 0 ) = 1 − p P(\omega_1)=p,\;P(\omega_0)=1-p P(ω1​)=p,P(ω0​)=1−p。
  • 定义指示变量 X ( ω ) = 1 { ω = ω 1 } X(\omega)=1_{\{\omega=\omega_1\}} X(ω)=1{ω=ω1​}​，立得上式 PMF。

4.2 最大熵原理

约束：

  1. ∑ x P ( x ) = 1 \sum_x P(x)=1 ∑x​P(x)=1；
  2. E [ X ] = p E[X]=p E[X]=p。
    目标：最大化
    [
    H§=-\sum_{x=0}^1 P(x),\ln P(x).
    ]
    使用拉格朗日乘子可解出
    [
    P(1)=p,;P(0)=1-p.
    ]
    结论：在只指定期望的前提下，伯努利分布拥有最大不确定性。

4.3 二项分布特例

  • 二项分布： Y ∼ B i n o m i a l ( n , p ) Y\sim \mathrm{Binomial}(n,p) Y∼Binomial(n,p)， P ( Y = k ) = ( n k ) p k ( 1 − p ) n − k P(Y=k)=\binom n k p^k(1-p)^{n-k} P(Y=k)=(kn​)pk(1−p)n−k.
  • 令 n = 1 n=1 n=1， ( 1 x ) = 1 \binom1x=1 (x1​)=1，则 k ∈ { 0 , 1 } k\in\{0,1\} k∈{0,1}，恰得伯努利分布。

5. 核心数学性质

性质符号 / 公式说明
期望 E [ X ] = p E[X]=p E[X]=p
方差 V a r ( X ) = p ( 1 − p ) \mathrm{Var}(X)=p(1-p) Var(X)=p(1−p)最大值 0.25 0.25 0.25 于 p = 0.5 p=0.5 p=0.5
二阶矩 E [ X 2 ] = p E[X^2]=p E[X2]=p因 X 2 = X X^2=X X2=X
偏度 (Skewness) γ 1 = 1 − 2 p p ( 1 − p ) \gamma_1=\frac{1-2p}{\sqrt{p(1-p)}} γ1​=p(1−p) ​1−2p​ p = 0.5 p=0.5 p=0.5 对称
峰度 (Kurtosis) γ 2 = 1 − 6 p ( 1 − p ) p ( 1 − p ) \gamma_2=\frac{1-6p(1-p)}{p(1-p)} γ2​=p(1−p)1−6p(1−p)​
MGF M X ( t ) = E [ e t X ] = 1 − p + p e t M_X(t)=E[e^{tX}]=1-p+pe^t MX​(t)=E[etX]=1−p+pet
CF ϕ X ( t ) = E [ e i t X ] = 1 − p + p e i t \phi_X(t)=E[e^{itX}]=1-p+pe^{it} ϕX​(t)=E[eitX]=1−p+peit
熵 H ( p ) = − p ln ⁡ p − ( 1 − p ) ln ⁡ ( 1 − p ) H(p)=-p\ln p-(1-p)\ln(1-p) H(p)=−plnp−(1−p)ln(1−p)单位：nats (ln) / bits (log₂)
交叉熵 H ( p , q ) = − p ln ⁡ q − ( 1 − p ) ln ⁡ ( 1 − q ) H(p,q)=-p\ln q-(1-p)\ln(1-q) H(p,q)=−plnq−(1−p)ln(1−q)衡量两个 Bernoulli 的差异
KL 散度 D K L ( p ∣ q ) = p ln ⁡ p q + ( 1 − p ) ln ⁡ 1 − p 1 − q D_{KL}(p|q)=p\ln\frac{p}{q}+(1-p)\ln\frac{1-p}{1-q} DKL​(p∣q)=plnqp​+(1−p)ln1−q1−p​

5.1 累积分布函数 (CDF)

[
F(x)=
\begin{cases}
0, & x<0;\
1-p, & 0\le x<1;\
1, & x\ge1.
\end{cases}
]

6. 指数族与共轭先验

  • 指数族形式：
    [
    P(x)=\exp\bigl{x\ln\frac p{1-p} + \ln(1-p)\bigr}
    ]
    自然参数 θ = ln ⁡ p 1 − p \theta=\ln\frac p{1-p} θ=ln1−pp​，充分统计量 T ( x ) = x T(x)=x T(x)=x。
  • Beta 共轭先验：设先验 p ∼ B e t a ( α , β ) p\sim \mathrm{Beta}(\alpha,\beta) p∼Beta(α,β)，观测到 s s s 次成功、 f f f 次失败，则后验
    [
    p\mid\text{data}\sim \mathrm{Beta}(\alpha+s,;\beta+f).
    ]

7. 参数估计与区间估计

7.1 最大似然估计 (MLE)

观测样本 { x i } i = 1 n \{x_i\}_{i=1}^n {xi​}i=1n​，对数似然：
[
\ln L§=\sum_i \bigl[x_i\ln p + (1-x_i)\ln(1-p)\bigr].
]
解得
[
\hat p_{\mathrm{MLE}}=\frac1n\sum_{i=1}^n x_i = \bar x.
]

7.2 方法矩估计 (MoM)

理论一阶矩 E [ X ] = p E[X]=p E[X]=p，令样本平均 x ˉ \bar x xˉ = 理论矩，得同样结果 p ^ M o M = x ˉ \hat p_{\mathrm{MoM}}=\bar x p^​MoM​=xˉ。

7.3 贝叶斯更新 (Beta 共轭)

  • 先验 B e t a ( α , β ) \mathrm{Beta}(\alpha,\beta) Beta(α,β)，观测成功 s s s，失败 f = n − s f=n-s f=n−s
  • 后验 B e t a ( α + s , β + f ) \mathrm{Beta}(\alpha+s,\beta+f) Beta(α+s,β+f)
  • 后验均值 α + s α + β + n \dfrac{\alpha+s}{\alpha+\beta+n} α+β+nα+s​ 带平滑效应。

7.4 置信区间

方法区间估计备注
Wald p ^ ± z α / 2 p ^ ( 1 − p ^ ) / n \hat p\pm z_{\alpha/2}\,\sqrt{\hat p(1-\hat p)/n} p^​±zα/2​p^​(1−p^​)/n ​简单，但小样本或 p p p 边缘易失败
Wilson p ^ + z 2 / ( 2 n ) ± z p ^ ( 1 − p ^ ) n + z 2 4 n 2 1 + z 2 / n \dfrac{\hat p + z^2/(2n)\pm z\sqrt{\frac{\hat p(1-\hat p)}n + \frac{z^2}{4n^2}}}{1+z^2/n} 1+z2/np^​+z2/(2n)±znp^​(1−p^​)​+4n2z2​ ​​小样本表现更好
Clopper–Pearson基于 Beta 反函数精确区间，略保守

8. 假设检验与检验功效

  • 单样本比例检验
    • 大样本 z z z 检验：
      [
      Z=\frac{\hat p - p_0}{\sqrt{p_0(1-p_0)/n}} \sim N(0,1).
      ]
    • 小样本：Binomial Exact Test（Fisher 精确检验）。
  • 双样本比例检验
    • 比较两个独立样本 p ^ 1 , p ^ 2 \hat p_1,\hat p_2 p^​1​,p^​2​，联合 z z z 检验或 Fisher 精确。
  • 检验功效 (Power)
    • 给定效应量 Δ = p 1 − p 0 \Delta=p_1-p_0 Δ=p1​−p0​，可反算所需样本量 n n n 满足指定功效 β。

9. 与其他分布的关系

  • 二项分布： n n n 次独立伯努利之和。
  • 几何分布：首次成功前的失败次数，支持 { 0 , 1 , 2 , … } \{0,1,2,\dots\} {0,1,2,…}。
  • 负二项分布：达到 r r r 次成功所需的试验次数。
  • 泊松近似：当 n n n 大、 p p p 小、 λ = n p \lambda=np λ=np 固定时，二项趋于 Poisson( λ \lambda λ)。
  • 正态近似：当 n n n 大时， B i n ( n , p ) ≈ N ( n p , n p ( 1 − p ) ) \mathrm{Bin}(n,p)\approx N(np,np(1-p)) Bin(n,p)≈N(np,np(1−p))；特殊 n = 1 n=1 n=1 则退化。
  • Beta–Binomial：Beta 先验 + Binomial 数据 → 复合模型，处理过度离散。

10. 典型应用场景

  1. A/B Test & 点击率
    • 用户点击（1）与未点击（0）的分布建模。
  2. 可靠性工程
    • 组件一次测试是否通过合格（1）/不合格（0）。
  3. 医学诊断
    • 检测结果阳性 vs 阴性。
  4. 二分类机器学习
    • 标签 y ∈ { 0 , 1 } y\in\{0,1\} y∈{0,1}，模型输出 p ^ \hat p p^​，损失=交叉熵。
  5. 信息论
    • 单比特信源的信息熵 H ( p ) H(p) H(p) 即伯努利熵。

11. 常见误区与 FAQ

误区纠正说明
“方差 = p”正确是 p ( 1 − p ) p(1-p) p(1−p)；只有 p = 0 , 1 p=0,1 p=0,1 时方差为 0。
“MLE 不稳定”当 n n n 小且 p ^ \hat p p^​ 接近 0/1 时，Wald 区间会失效，应用 Wilson 或 Clopper–Pearson。
“伯努利=公平抛硬币”抛硬币只是 p = 0.5 p=0.5 p=0.5 的特例，任何二元事件都可用伯努利建模。
“交叉熵 ≠ 负对数似然”在二分类里二者恰为同一表达，但上下文侧重点不同：信息论 vs 统计学。

12. 思维导图全景

mindmaproot((伯努利分布 Bern(p)))定义PMF: p^x(1-p)^{1-x}支持: {0,1}参数: p∈[0,1]推导样本空间最大熵Binomial n=1数学性质E[X]=pVar[X]=p(1-p)MGF:1−p+pe^t熵:-p ln p-(1-p) ln(1-p)KL(p||q)指数族自然参 θ=ln(p/(1-p))Beta 共轭(α,β)估计MLE: p̂=Σx_i/nMoM: 同MLEBayesian: Beta→BetaCI: Wald, Wilson, CP检验单样本 z-testExact Binomial test双样本比例检验关联分布Binomial(n,p)GeometricNegBinomialPoisson 极限应用A/B 测试可靠性医学诊断二分类交叉熵信息熵注意事项方差=均值? NO小样本用哪种区间?p 边界问题

13. 小结

  • 伯努利分布虽简单，却是离散概率的基石——所有二元事件的统计模型都从它出发。
  • 关键理解：PMF、期望/方差、指数族结构、Beta 共轭更新、假设检验、与其他分布的衔接。
  • 应用广泛：从 A/B 测试到深度学习，从可靠性工程到信息论。

掌握伯努利分布，等于掌握了“是/否”背后的概率语言。愿它成为你深入概率统计与机器学习的第一枚砖石。

相关文章：

深入浅出伯努利分布：从 0‑1 随机世界到统计学习基石

深入浅出伯努利分布&#xff1a;从 0‑1 随机世界到统计学习基石 “当你能把一个问题拆解成一系列“是/否”答案时&#xff0c;伯努利分布就是第一块砖。” 目录 引言&#xff1a;伯努利分布为何如此重要&#xff1f;历史回顾&#xff1a;从赌博到信息论形式化定义与基本表示三…...

编程日记 2025/8/7 3:00:33

x-ui重新申请ssl证书失败

由于某些需要我们重新申请ssl证书&#xff0c;x-ui自动化脚本不能强制更新&#xff0c;根据x-ui仓库源码&#xff1a; https://github.com/vaxilu/x-ui/blob/main/x-ui.sh 在申请ssl证书的地方稍作修改&#xff0c;得到&#xff0c;运行下面的脚本就可以重新申请ssl证书&#…...

编程日记 2025/8/7 3:00:31

Python Requests 库：从安装到精通

摘要 本文详细介绍 Python Requests 库的安装与使用&#xff0c;通过常见示例让你轻松掌握。 一、引言 在当今的互联网时代&#xff0c;与各种 Web 服务进行交互是非常常见的需求。Python 作为一门功能强大且易于学习的编程语言&#xff0c;提供了许多用于网络请求的库&…...

编程日记 2025/8/6 21:03:38

No package docker-ce available问题的解决

安装docker时提示 rootk8s-node3 ~]# yum install -y docker-ce docker-ce-cli containerd.io Loaded plugins: fastestmirror Loading mirror speeds from cached hostfile * base: mirrors.aliyun.com * extras: mirrors.aliyun.com * updates: mirrors.aliyun.com No packag…...

编程日记 2025/8/1 11:22:55

SRS流媒体服务器

SRS流媒体服务器简介 SRS(Simple RTMP Server)是一个开源的流媒体服务器&#xff0c;主要用于直播和WebRTC场景。以下是关于SRS的关键信息&#xff1a; 主要特性 支持多种协议&#xff1a;RTMP、HTTP-FLV、HLS、WebRTC、SRT等低延迟&#xff1a;特别优化了WebRTC和HTTP-FLV的…...

编程日记 2025/8/3 15:43:49

【后端开发】Spring日志

文章目录 Spring日志日志作用日志测试日志信息日志级别日志配置配置日志级别日志持久化日志文件分割 注解的使用 Spring日志 日志作用 系统监控&#xff1a;可以通过日志记录这个系统的运行状态&#xff0c;对数据进行分析&#xff0c;设置不同的规则&#xff0c;超过阈值时进…...

编程日记 2025/7/30 8:04:18

Nginx 文件上传大小限制及 `client_max_body_size` 最大值详解

一、默认值与错误提示 默认值&#xff1a;client_max_body_size 1m; Nginx 默认允许的请求体最大为 1 MiB&#xff0c;超过该值会返回 413 Request Entity Too Large 错误。错误提示示例&#xff1a;HTTP/1.1 413 Request Entity Too Large Content-Type: text/html二、如何配…...

编程日记 2025/8/7 2:58:31

js day3

for循环打印* let num1prompt("要打印的层数&#xff1a;") for()let i0;i<num1;i&#xff09;{ for(let j1;j<i;j){ doucument.writeln(*) } document.writeln(<br>) } do……while循环 do{ document.writeln(i) i }while(i>20)——先执行再判…...

编程日记 2025/8/7 2:58:30

Nodejs数据库单一连接模式和连接池模式的概述及写法

概述 单一连接模式和连接池模式是数据库连接的两种主要方式&#xff1a; 单一连接模式&#xff1a; 优点&#xff1a;实现简单&#xff0c;适合小型应用缺点&#xff1a;每次请求都需要创建新连接&#xff0c;连接创建和销毁开销大&#xff0c;并发性能差&#xff0c;容易出…...

编程日记 2025/7/30 8:04:12

Java InvalidClassException 深度解析

Java InvalidClassException 深度解析 1. 异常本质 InvalidClassException 是 ObjectStreamException 的子类&#xff0c;在反序列化时抛出&#xff0c;表示序列化ID不匹配或类结构不兼容。 2. 核心触发条件 (1) serialVersionUID 不匹配 java // 版本1&#xff08;原始类…...

编程日记 2025/8/6 18:31:46

日常开发记录

日常开发记录 1.for循环的打断特定循环示例1&#xff1a;跳出嵌套循环示例2&#xff1a;使用continue跳到外层循环 2.同步请求阻塞主线程 1.for循环的打断特定循环 看到了一段这个代码&#xff0c;第一次见 在 JavaScript 中&#xff0c;当我们需要从嵌套循环中跳出时&#x…...

编程日记 2025/7/30 8:04:08

MLLMs for TSAD ?

项目链接：Multimodal LLMs Advance Time Series Analysis 代码链接：https://github.com/mllm-ts/VisualTimeAnomaly 出处：ICLR 2025 一 文章动机 多模态 LLM (MLLM) 通过 “视觉” 方式处理时序的潜力仍未充分探索； 人类检测 “时序异常” 的自然方式：可视化、文本描…...

编程日记 2025/8/5 17:10:26

【网络原理】UDP协议

目录 一. UDP 报文格式 &#xff08;1&#xff09;端口号 &#xff08;2&#xff09;UDP长度 &#xff08;3&#xff09;校验和 UDP协议属于传输层协议&#xff0c;由操作系统内核内置 一. UDP 报文格式 UDP数据报&#xff1a;无连接&#xff0c;不可靠传输&#xff0c;面…...

编程日记 2025/8/7 2:59:43

Android 热点二维码简单示例

Android 热点二维码简单示例 一、前言 Android 原生设置有热点二维码分享功能&#xff0c;有些系统应用也会有这个需求。 下面看看是如何实现的。 本文是一个比较简单的内容。 二、热点二维码生成实现 1、效果 整个应用就一个普通的Activity&#xff0c;显示一个按钮和二维…...

编程日记 2025/8/7 2:58:31

面向AI时代与数字化转型关键期：中小企业IT人才储备计划研究分析

摘要 本文在为中国中小企业&#xff08;SME&#xff09;在当前科技产业&#xff08;特别是人工智能&#xff09;爆发和数字化转型加速的背景下&#xff0c;构建一个面向未来的IT人才储备计划框架。深入分析中国科技产业现状、AI与数字化转型对中小企业的影响、关键人才需求、招…...

编程日记 2025/8/1 15:42:49

cv::dnn::NMSBoxes和nms-free的比较

1. 原理与目标 cv::dnn::NMSBoxes 基于传统的非极大值抑制&#xff08;NMS&#xff09;算法&#xff0c;通过交并比&#xff08;IoU&#xff09;筛选重叠框&#xff0c;保留置信度最高的框&#xff0c;抑制冗余检测。支持变体如 Soft-NMS&#xff08;通过降低分数而非直接抑制&…...

编程日记 2025/8/6 15:19:53

【开发心得】Dify部署ollama模型的坑[8]

目录 关于一体机 关于特斯拉 AI显卡与游戏显卡 总结 目前我们的私有化部署已经来到了32B的大模型&#xff0c;场景落地了。 在继续评估之前&#xff0c;来说点儿关于硬件的坑。 关于一体机 市面上&#xff0c;一体机很火&#xff0c;不怀疑一体机的算力&#xff0c;也不…...

编程日记 2025/8/6 3:41:27

matlab论文图一的地形区域图的球形展示Version_1

matlab论文图一的地形区域图的球形展示Version_1 图片 此图来源于&#xff1a; ![Jieqiong Zhou, Ziyin Wu, Dineng Zhao, Weibing Guan, Chao Zhu, Burg Flemming, Giant sand waves on the Taiwan Banks, southern Taiwan Strait: Distribution, morphometric relationship…...

编程日记 2025/7/30 9:37:50

velocity模板引擎

文章目录 学习链接 学习链接 velocity模板引擎 freemarker模板引擎 thymleaf模板引擎 Apache Velocity Project 官网 Velocity Engine基础 Velocity 模板引擎使用介绍 黑马程序员Java进阶VelocityTools全套教程...

编程日记 2025/8/4 13:43:27

【Docker项目实战】使用Docker部署NotepadMX笔记本工具

【Docker项目实战】使用Docker部署NotepadMX笔记本工具 一、NotepadMX介绍1.1 工具简介1.2 主要特点 二、本次实践规划2.1 本地环境规划2.2 本次实践介绍 三、本地环境检查3.1 检查Docker服务状态3.2 检查Docker版本3.3 检查docker compose 版本 四、下载NotepadMX镜像五、部署…...

编程日记 2025/8/4 11:25:45

边沿耦合与宽边耦合的串扰

边沿耦合与宽边耦合的串扰 我们知道&#xff0c;如果两条走线位于同一层&#xff0c;由于耦合两条线之间会存在串扰。如果PCB层叠中有相邻的信号层&#xff0c;那么同样存在耦合&#xff0c;这两个相邻信号层的走线之间也会存在串扰。同层走线之间的耦合称为边沿耦合&#xff0…...

编程日记 2025/8/7 2:55:57

基于单片机的按摩器控制系统设计

标题:基于单片机的按摩器控制系统设计 内容:1.摘要 本设计聚焦于基于单片机的按摩器控制系统。背景方面&#xff0c;随着人们生活压力增大&#xff0c;对按摩器的需求日益增长&#xff0c;传统按摩器功能单一、控制不够精准。目的是设计出一种功能多样、控制灵活的按摩器控制系…...

编程日记 2025/7/30 9:37:45

有效的完全平方数--LeetCode

题目 给你一个正整数num。如果num是一个完全平方数&#xff0c;则返回true&#xff0c;否则返回false 。 完全平方数 是一个可以写成某个整数的平方的整数。换句话说&#xff0c;它可以写成某个整数和自身的乘积。 不能使用任何内置的库函数&#xff0c;如sqrt。 示例 1: 输…...

编程日记 2025/8/4 12:17:23

Sentinel源码—5.FlowSlot借鉴Guava的限流算法一

大纲 1.Guava提供的RateLimiter限流使用示例 2.Guava提供的RateLimiter简介与设计 3.继承RateLimiter的SmoothBursty源码 4.继承RateLimiter的SmoothWarmingUp源码 1.Guava提供的RateLimiter限流使用示例 (1)拦截器示例 (2)AOP切面示例 (1)拦截器示例 一.pom文件中引入G…...

编程日记 2025/8/7 2:59:43

dev_set_drvdata、dev_get_drvdata使用详解

在Linux内核驱动开发中&#xff0c;dev_set_drvdata() 及相关函数用于管理设备驱动的私有数据&#xff0c;是模块化设计和数据隔离的核心工具。以下从函数定义、使用场景、示例及注意事项等方面进行详细解析&#xff1a; 一、函数定义与作用 核心函数 dev_set_drvdata() 和 dev…...

编程日记 2025/8/5 15:20:58

OCR技术与视觉模型技术的区别、应用及展望

在计算机视觉技术飞速发展的当下&#xff0c;OCR技术与视觉模型技术成为推动各行业智能化变革的重要力量。它们在原理、应用等方面存在诸多差异&#xff0c;在自动化测试领域也展现出不同的表现与潜力&#xff0c;下面将为你详细剖析。 一、技术区别 &#xff08;一&#xff…...

编程日记 2025/8/3 1:27:47

B端管理系统：企业运营的智慧大脑，精准指挥

B端管理系统的定义与核心功能 B端管理系统&#xff08;Business Management System&#xff09;是专门设计用于支持企业内部运作和外部业务交互的一套软件工具。它集成了多种功能模块&#xff0c;包括但不限于客户关系管理(CRM)、供应链管理(SCM)、人力资源管理(HRM)以及财务管…...

编程日记 2025/8/6 5:04:03

实现Azure Synapse Analytics安全地请求企业内部API返回数据

需要编写一个Synapse Analytics在Azure云上运行&#xff0c;它需要访问企业内部的API获取JSON格式的数据&#xff0c;企业有网关和防火墙&#xff0c;API有公司的okta身份认证&#xff0c;通过公司的域账号来授权访问&#xff0c;现在需要创建一个专用的域账号&#xff0c;让Sy…...

编程日记 2025/8/7 2:59:42

让机器学习更透明：使用 Python 开发可解释性模型工具包

友友们好！ 我是Echo_Wish，我的的新专栏《Python进阶》以及《Python！实战！》正式启动啦！这是专为那些渴望提升Python技能的朋友们量身打造的专栏，无论你是已经有一定基础的开发者，还是希望深入挖掘Python潜力的爱好者，这里都将是你不可错过的宝藏。 在这个专栏中，你将会…...

编程日记 2025/8/7 2:57:41

PHP实现简单的爬虫功能

<?php// 目标URL $url https://example.com;// 初始化cURL $ch curl_init(); curl_setopt($ch, CURLOPT_URL, $url); curl_setopt($ch, CURLOPT_RETURNTRANSFER, true); curl_setopt($ch, CURLOPT_FOLLOWLOCATION, true); curl_setopt($ch, CURLOPT_USERAGENT, Mozilla/5…...

编程日记 2025/8/5 18:00:16

手撕 简易HashMap

put()、get()、remove() 方法 计算存储数组位置和k-vNode节点 public int indexOf(K key){return key.hashCode() & (table.length - 1);}static class Node<K, V>{K key;V value;Node<K, V> next;public Node(K key, V value){this.key key;this.value val…...

编程日记 2025/7/30 10:05:42

go-map+sync.map的底层原理

map 哈希冲突解决方式 1.拉链法 2.开放地址法 底层结构 Go 的 map 在源码中由 runtime.hmap 结构体表示&#xff0c;buckets-指向桶数组的指针(常规桶)&#xff0c;oldbuckets-扩容时指向旧桶数组的指针。 type hmap struct {count int // 当前元素个数&#xff08;len…...

编程日记 2025/8/1 11:36:58

日语学习-日语知识点小记-进阶-JLPT-N2阶段（6）： - （1）ても てでも特别强调（２）~もしないで = 聞かないで：根本不做某动作”

日语学习-日语知识点小记-进阶-JLPT-N2阶段&#xff08;6&#xff09;&#xff1a; - &#xff08;1&#xff09;ても　　てでも特别强调&#xff08;&#xff12;&#xff09;~もしないで 聞かないで&#xff1a;根本不做某动作”。 1、前言&#xff08;1&#xff09;情况说…...

编程日记 2025/7/30 10:05:38

读文献方法

虽然读了很多文献&#xff0c;但是并不代表我把读文献这件事真的做到了极致。因此不断优化迭代&#xff0c;反思自己哪里做的不好&#xff0c;非常重要。 阅读学术论文时&#xff0c;采用结构化、分阶段的策略可以显著提高效率。以下是针对这篇流体力学论文的高效阅读方法&…...

编程日记 2025/8/3 11:03:54

对象存储概述

对象存储概述 1. 定义与基本概念 对象存储&#xff08;Object-based Storage&#xff09;是一种新型网络存储架构&#xff0c;其核心是将数据作为对象&#xff08;Object&#xff09;进行管理&#xff0c;每个对象包含数据本身、元数据&#xff08;Metadata&#xff09;和唯一…...

编程日记 2025/7/30 10:05:34

Grallvm技术介绍

GrallVM介绍 GraalVM核心特性 GraalVM 是由 Oracle 开发的高性能运行时环境&#xff0c;基于 HotSpot JVM 构建&#xff0c;支持多语言互操作和 Ahead-of-Time (AOT) 编译。以下是其核心特性&#xff1a; 核心技术 Graal JIT 编译器&#xff1a;替代传统 JVM 的 C2 编译器&am…...

编程日记 2025/7/30 10:05:32

matlab 环形单层柱状图

matlab 环形单层柱状图 matlab 环形单层柱状图 matlab 环形单层柱状图 图片 图片 【图片来源粉丝】 我给他的思路是&#xff1a;直接使用风玫瑰图可以画出。 rose_bar 本次我的更新和这个有些不同&#xff01;是环形柱状图&#xff0c;可调节细节多&#xff1b; 只需要函数…...

编程日记 2025/7/30 10:05:31

Java调用LLM大模型 - 基于 Spring AI 实现

Spring AI Alibaba实战&#xff1a;Java集成通义千问构建流式对话应用 一、Spring AI核心架构解析 1.1 框架定位与优势对比 graph TDA[Spring AI] --> B[统一API接口]A --> C[多模型支持]A --> D[企业级特性]B --> E(OpenAI/Azure/阿里云)C --> F(LLaMA/Qwen…...

编程日记 2025/8/5 18:26:43

RK | rk3568开发与学习

RK | rk3568开发与学习 时间&#xff1a;2025年4月19日17:20:28 文章目录 RK | rk3568开发与学习1.参考2.资料3.初次使用连接串口网络连接有线连接SSH登录 1.参考 Rockchip: Rockchip-瑞芯微电子股份有限公司 正点原子&#xff1a; 1.正点原子RK3568开发板瑞芯微Linux嵌入式ARM…...

编程日记 2025/8/4 15:13:55

使用Service发布前后端应用程序

使用Service发布前后端应用程序 文章目录 使用Service发布前后端应用程序[toc]一、创建并发布后端应用程序二、创建并发布前端应用程序三、通过前端发送流量进行测试 部署前端&#xff08;Frontend&#xff09;微服务和后端&#xff08;Backend&#xff09;微服务是比较常见的应…...

编程日记 2025/8/5 8:39:19

测试第四课---------性能测试

作者前言 &#x1f382; ✨✨✨✨✨✨&#x1f367;&#x1f367;&#x1f367;&#x1f367;&#x1f367;&#x1f367;&#x1f367;&#x1f382; ​&#x1f382; 作者介绍&#xff1a; &#x1f382;&#x1f382; &#x1f382; &#x1f389;&#x1f389;&#x1f389…...

编程日记 2025/8/6 22:24:34

数据结构（6）——队列

目录 前言 一、队列的概念及其结构 二、实现 2.1结构体定义 2.2初始化 2.3销毁链表 2.4尾插入&#xff08;入队&#xff09; 2.5头删&#xff08;出队&#xff09; 2.6个数 2.7检验是否为空 2.8取队头数据 2.9取队尾数据 三、检验 总结 前言 本文介绍队列&#x…...

编程日记 2025/7/30 10:05:24

在RK3588上使用ZLMediaKit

在RK3588上使用ZLMediaKit ZLMediaKit是一个高性能的流媒体服务器框架&#xff0c;可以在RK3588平台上运行。以下是在RK3588上使用ZLMediaKit的指南&#xff1a; 1. 环境准备 首先确保你的RK3588开发板已安装好Linux系统&#xff08;如Debian或Ubuntu&#xff09;。 安装依…...

编程日记 2025/8/6 5:07:12

分布式系统核心原理

CAP定理与权衡实践 CAP定理 一致性&#xff08;Consistency&#xff09; 强一致性&#xff1a;所有读写操作均基于最新数据&#xff08;如银行转账&#xff09;。 最终一致性&#xff1a;数据副本经过一段时间后达到一致&#xff08;如社交媒体的点赞数&#xff09;。 技术实现…...

编程日记 2025/7/30 10:05:20

【进程信号】五、信号集操作接口详解

文章目录 Ⅰ. 操作sigset_t变量接口Ⅱ. sigprocmask（阻塞信号集）Ⅲ. sigpending（未决信号集）Ⅳ. 接口使用代码⚜️sigaction（捕捉信号）Ⅴ. 测试sigaction的一些场景Ⅰ. 操作sigset_t变量接口 ​ 还记得我们上面讲过的 sigset_t 类型吗，sigset_t 类型对于每种信号用一个…...

编程日记 2025/8/6 13:09:06

Doris 本地部署集群重启后报错

报错描述 Docker 版本&#xff1a; apache/doris:fe-2.1.9 apache/doris:be-2.1.9 连接 MySQL 报错&#xff1a; ERROR 2003 (HY000): Cant connect to MySQL server on 127.0.0.1:9030 (111)FE 日志&#xff1a; INFO (UNKNOWN fe_e7cff187_69d4_42ee_90be_147e87310549(-1…...

编程日记 2025/8/3 10:59:17

bat脚本转换为EXE应用程序文件

很多时候,我们使用电脑时会编辑bat脚本文件 很多时候&#xff0c;我们制作的玩笑&#xff0c;病毒也会使用这个格式. 但这个格式也有很多缺点 1,如果是需要管理员运行的程序,需要费劲的自己使用管理员身份运行 2,文件并不为大家所熟知,认同度不高 3,可以非常轻松的看到原代…...

编程日记 2025/8/5 19:42:40

爬虫入门与requests库的使用——python爬虫

文章目录 浏览器抓包浏览器抓包介绍浏览器抓包页面介绍 python 爬虫爬虫是什么web网页渲染的方式http 协议http协议对资源的操作requests 库requests 是什么requests 的安装requests库的基础使用requests中不同的请求方式GET传递参数POST传递参数响应内容定制请求头Cookie获取服…...

编程日记 2025/7/30 10:05:13

[Java EE] Spring 配置 和 日志

目录 1. 配置文件 1.1 作用 1.2 Spring Boot 配置文件 1.3 读取配置文件 1.3.1 配置对象 1.3.2 配置集合 1.3.3 配置Map 1.4 yml 优缺点 2. 日志 2.1 日志的作用 2.2 日志的使用 2.3 日志框架 2.3.1 门面模式(外观模式) 2.4 SLF4J 框架介绍 2.5 日志格式的说明 …...

编程日记 2025/8/6 17:10:19

如何0基础学stm32？

如何0基础学stm32&#xff1f; 作为一个混迹嵌入式领域十余年的老兵&#xff0c;每次看到"0基础学STM32"这样的提问&#xff0c;我都忍不住想笑&#xff0c;又有些无奈。这就像问"如何0基础学开飞机"一样—虽然理论上可行&#xff0c;但过程恐怕没那么愉快…...

编程日记 2025/8/6 11:16:05