当前位置：首页 > news >正文

# 基于PyTorch的食品图像分类系统：从训练到部署全流程指南

news 来源：原创 2025/7/17 23:14:29

基于PyTorch的食品图像分类系统：从训练到部署全流程指南

本文将详细介绍如何使用PyTorch框架构建一个完整的食品图像分类系统，涵盖数据预处理、模型构建、训练优化以及模型保存与加载的全过程。

1. 系统概述

本系统实现了一个基于卷积神经网络(CNN)的食品图像分类器，主要特点包括：

支持20种不同食品的分类
使用数据增强提高模型泛化能力
实现了完整的训练-验证-测试流程
提供模型保存与加载功能

2. 数据准备与预处理

2.1 数据增强策略

在这里插入图片描述

我们为训练集和验证集分别设计了不同的数据增强策略：

data_transforms = {'train':  # 训练集  也可以使用PIL库  smote 训练集transforms.Compose([  # transforms.Compose用于将多个图像预处理操作整合在一起transforms.Resize([300, 300]),  # 使图像变换大小transforms.RandomRotation(45),  # 随机旋转，-42到45度之间随机选transforms.CenterCrop(256),  # 从中心开始裁剪[256.256]transforms.RandomHorizontalFlip(p=0.5),  # 随机水平旋转，随机概率为0.5transforms.RandomVerticalFlip(p=0.5),  # 随机垂直旋转，随机概率0.5transforms.ColorJitter(brightness=0.2, contrast=0.1, saturation=0.1, hue=0.1),  # 随机改变图像参数，参数分别表示 亮度、对比度、饱和度、色温transforms.RandomGrayscale(p=0.1),  # 概率转换成灰度率，3通道就是R=G=Btransforms.ToTensor(),  # 将PIL图像或NumPy ndarray转换为tensor类型，并将像素值的范围从[0, 255]缩放到[0.0, 1.0]，默认把通道维度放在前面transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])  # 给定均值和标准差对图像进行标准化，前者为均值，后者为标准差，三个值表示三通道图像]),'valid':  # 验证集transforms.Compose([  # 整合图像处理的操作transforms.Resize([256, 256]),  # 缩放图像尺寸transforms.ToTensor(),  # 转换为torch类型transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])  # 标准化])
}

关键点说明：

训练集使用了丰富的数据增强来防止过拟合
验证集只进行必要的尺寸调整和归一化
使用ImageNet的均值和标准差进行归一化

2.2 自定义数据集类

我们创建了food_dataset类来管理数据：

class food_dataset(Dataset):  # food_dataset是自己创建的类名称，继承Dataset类def __init__(self, file_path, transform=None):  # 类的初始化,解析数据文件txt，file_path表示文件路径，transform可选的图像转换操作self.file_path = file_path  # 将文件地址传入self空间self.imgs = []self.labels = []self.transform = transform  # 将数据增强操作传入self空间with open(self.file_path) as f:  # 打开存放图片地址及其类别的文本文件train.txt，samples = [x.strip().split(' ') for x in f.readlines()]  # 遍历文件里的每一条数据，经过处理后存入sample列表，元祖的形式存放for img_path, label in samples:  # 遍历列表中的每个元组的每个元素self.imgs.append(img_path)  # 将图像的路径存入img列表self.labels.append(label)  # 将图片类别标签存入label列表# 初始化:把图片目录加载到self.def __len__(self):  # 类实例化对象后，可以使用len函数测量对象的个数return len(self.imgs)  # 返回数据集中样本的总数def __getitem__(self, idx):  # 关键，可通过索引idx的形式获取每一个图片数据及标签image = Image.open(self.imgs[idx])  # 使用PIL库中的用法Image打开并识别图像，还不是tensorif self.transform:  # 判断是否有图像转换操作，上述定义默认为None，有则将pil图像数据转换为tensor类型image = self.transform(image)  # 图像处理为256*256，转换为tenorlabel = self.labels[idx]  # label还不是tensorlabel = torch.from_numpy(np.array(label, dtype=np.int64))  # 首先指定标签类型为int型，然后将其转换为numpy数组类型，然后再使用torch.from_numpy转换为torch类型return image, label  # 返回处理完的图片和标签

关键方法：

__init__: 从文本文件加载图像路径和标签
__len__: 返回数据集大小
__getitem__: 按索引返回图像和标签

3. 模型架构设计

我们构建了一个三层的CNN模型：

class CNN(nn.Module):def __init__(self):  # 翰入大小 (3，256，256)super(CNN, self).__init__()self.conv1 = nn.Sequential(  # 将多个层组合成一起。nn.Conv2d(  # 2d一般用于图像，3d用于视频数据(多一个时间维度)，1d一般用于结构化的序in_channels=3,  # 图像通道个数，1表示灰度图(确定了卷积核 组中的个数)out_channels=16,  # 要得到几多少个特征图，卷积核的个数.kernel_size=5,  # 卷积核大小，5*5stride=1,  # 步长padding=2,  # 一般希望卷积核处理后的结果大小与处理前的数据大小相同，效果会比较好。那p),  # 输出的特征图为 (16，256，256)nn.ReLU(),nn.MaxPool2d(kernel_size=2),  # 进行池化操作(2x2 区域)，输出结果为:(16，128，128))self.conv2 = nn.Sequential(nn.Conv2d(16, 32, 5, 1, 2),  # 输出(32，128，128)nn.ReLU(),nn.MaxPool2d(2)  # 输出)self.conv3 = nn.Sequential(nn.Conv2d(32, 128, 5, 1, 2),nn.ReLU(),)self.out = nn.Linear(128 * 64 * 64, 20)  # 全连接def forward(self, x):  # 前向传播x = self.conv1(x)x = self.conv2(x)x = self.conv3(x)  # 输出(64,128，64，64)x = x.view(x.size(0), -1)output = self.out(x)return output  # 返回输出结果

架构特点：

使用nn.Sequential组织网络层
每层包含卷积、ReLU激活和池化
最后一层全连接输出20个类别的概率

4. 模型训练与验证

4.1 训练流程

def train(dataloader, model, loss_fn, optimizer):  # 传入参数 打包的数据，卷积模型，损失函数，优化器model.train()  # 表示模型开始训练batch_size_num = 1for x, y in dataloader:  # 遍历打包的图片及其对应的标签，其中batch为每一个数据的编号x, y = x.to(device), y.to(device)  # 把训练数据集和标签传入cpu或GPUpred = model.forward(x)  # 自动初始化 W权值loss = loss_fn(pred, y)  # 传入模型训练结果的预测值和真实值，通过交叉熵损失函数计算损失值L0optimizer.zero_grad()  # 梯度值清零loss.backward()  # 反向传播计算得到每个参数的梯度optimizer.step()  # 根据梯度更新网络参数loss = loss.item()  # 获取损失值if batch_size_num % 100 == 0:print(f"loss: {loss:>7f}[number:{batch_size_num}]")  # 打印损失值，右对齐，长度为7batch_size_num += 1  # 右下方传入的参数，表示训练轮数

4.2 验证流程

def test(dataloader, model, loss_fn):  # 定义一个test函数，用于测试模型性能global best_acc  # 定义一个全局变量size = len(dataloader.dataset)  # 返回打包的图片总数num_batches = len(dataloader)  # 返回打包的包的个数model.eval()  # 表示模型进入测试模式test_loss, correct = 0, 0  # 初始化两个值，一个用来存放总体损失值，一个存放预测准确的个数with torch.no_grad():  # 一个上下文管理器，关闭梯度计算。当你确认不会调用Tensor.backward()时可以减少for x, y in dataloader:  # 遍历数据加载器中测试集图片的图片及其标签x, y = x.to(device), y.to(device)  # 传入GPUpred = model.forward(x)  # 前向传播，返回预测结果test_loss += loss_fn(pred, y).item()  # 计算所有的损失值的和，item表示将tensor类型值转化为python标量correct += (pred.argmax(1) == y).type(torch.float).sum().item()  # 判断预测的值是等于真实值，返回布尔值，将其转换为0和1，然后求和# a = (pred.argmax(1)== y)  dim=1表示每一行中的最大值对应的索引号，dim=日表示每 b=(pred.argmax(1)==y).type(torch.float)test_loss /= num_batches  # 总体损失值除以数据条数得到平均损失值correct /= size  # 求准确率print(f"Test result:in Accuracy: {(100 * correct)}%, Avg loss: {test_loss}")  # 表示准确率机器对应的损失值# acc_s.append(correct)# loss_s.append(test_loss)### 4.3 训练配置```python
# 初始化
model = CNN().to(device)
loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)# 数据加载
#training_data包含了本次需要训练的全部数据集
training_data = food_dataset(file_path=r'D:\Users\妄生\PycharmProjects\人工智能\深度学习\train.txt', transform=data_transforms['train'])
test_data = food_dataset(file_path=r'D:\Users\妄生\PycharmProjects\人工智能\深度学习\test.txt', transform=data_transforms['valid'])train_loader = DataLoader(train_data, batch_size=64, shuffle=True)
test_loader = DataLoader(test_data, batch_size=64, shuffle=True)# 训练循环
epochs = 150  # 设置模型训练的轮数，不停更新模型参数，找到最优值
acc_s = []  # 初始化了两个空列表，用于存储模型在每个epoch结束时的准确率和损失值
loss_s = []
for t in range(epochs):  # 遍历轮数print(f"Epoch {t + 1}\n---------------------------")  # 表示轮数展示train(train_dataloader, model, loss_fn, optimizer)  # 调用函数train传入训练集数据加载器、初始化的模型、损失函数、优化器test(test_dataloader, model, loss_fn)

运行结果

在这里插入图片描述

5. 模型保存与加载

5.1 保存模型

我们提供了两种保存方式：

# 方法1：仅保存模型参数（推荐）
torch.save(model.state_dict(), 'best.pth')# 方法2：保存整个模型
torch.save(model, 'best.pt')

5.2 加载模型

对应两种加载方式：

# 方法1：加载参数
model = CNN().to(device)
model.load_state_dict(torch.load('best.pth'))# 方法2：加载完整模型
model = torch.load('best.pt')

6. 模型测试与结果分析

我们实现了详细的测试函数：

def test_true(dataloader, model):correct = 0  # 正确预测的数量total = 0  # 总样本数量with torch.no_grad():  # 上下文管理器，关闭梯度运算for x, y in dataloader:  # 遍历打包好的图片及其标签x, y = x.to(device), y.to(device)  # 将其传入GPUpred = model.forward(x)  # 前向传播_, predicted = torch.max(pred, 1)  # 获取预测值的类别索引total += y.size(0)  # 累加总样本数量correct += (predicted == y).sum().item()  # 累加正确预测的数量result.append(predicted.item())  # 将预测值的结果转换成Python变量然后增加到列表labels.append(y.item())  # 同时将真实值的标签转变成Python标量然后存入labels列表accuracy = correct / total  # 计算准确率print(f'准确率: {accuracy:.4f}')  # 打印准确率# 调用测试函数
test_true(test_dataloader, model)  # 导入数据和模型
print('预测值：\t', result)
print('真实值：\t', labels)

运行结果

在这里插入图片描述

7. 总结

本文详细介绍了基于PyTorch的食品图像分类系统的完整实现流程，从数据准备到模型部署。该系统具有以下优势：

高效的数据处理：完善的数据增强和加载机制
可靠的模型架构：经过优化的CNN结构
完整的训练流程：包含训练、验证和测试
灵活的部署方案：提供多种模型保存方式

# 基于PyTorch的食品图像分类系统：从训练到部署全流程指南

基于PyTorch的食品图像分类系统：从训练到部署全流程指南本文将详细介绍如何使用PyTorch框架构建一个完整的食品图像分类系统，涵盖数据预处理、模型构建、训练优化以及模型保存与加载的全过程。 1. 系统概述本系统实现了一个基于卷积神经网络(CNN)的…...

编程日记 2025/7/17 23:14:29

【MCP Node.js SDK 全栈进阶指南】初级篇（1）：MCP开发环境搭建详解

引言 Model Context Protocol (MCP) 是一种开放标准，旨在规范模型与应用程序之间的交互方式。本文作为MCP TypeScript-SDK系列的第一篇，将详细介绍如何搭建MCP开发环境，包括Node.js与TypeScript环境配置、SDK安装、开发工具推荐以及项目结构设计，帮助你快速入门MCP应用开发…...

编程日记 2025/7/17 23:02:10

unity脚本-FBX自动化模型面数校验

根据目前模型资源平均面数预算进行脚本制作，自动化校验模型面数是否符合规范。 *注：文件格式为.cs。需要放置在unity资源文件夹Assets>Editor下。测试效果（拖一个fbx文件进unity时自动检测）： 以下为完整代码 us…...

编程日记 2025/7/17 22:59:57

压力容器的优化设计

1 优化设计概述优化设计是一种寻找确定最优设计方案的技术。所谓“最优设计”，指的是一种方案可以满足所有的设计要求，而且所需的支出（如重量，面积，体积，应力，费用等）最小。也就是…...

编程日记 2025/7/13 4:51:49

在Windows上安装Git

一、安装 Git 下载 Git地址：Git - Downloads (git-scm.com) 1、在页面中找到适用于 Windows 系统的最新版本安装包（通常为.exe 格式文件），点击下载链接。出于访问Git官网需要科学上网，不会的可以私信我要软件包&…...

编程日记 2025/7/17 4:38:00

python包管理器，conda和uv 的区别

python包管理器，conda和uv 的区别以下是 conda 和 uv 在 Python 包管理中的深度对比，结合知识库内容进行分析： 1. 核心设计理念 conda 以“环境为中心”，强调跨语言支持（如 Python、R、Julia）和严格的依赖…...

编程日记 2025/7/15 18:13:09

Oracle在ERP市场击败SAP

2024年，甲骨文（Oracle）以87亿美元的ERP收入和6.63%的市场份额，首次超越SAP，成为全球最大的ERP应用软件供应商，结束了SAP自上世纪80年代以来在该领域的长期霸主地位。据APPS RUN THE WORLD的市场调研&#x…...

编程日记 2025/7/15 19:44:23

Kafka 消息积压监控和报警配置的详细步骤

Kafka 消息积压监控和报警配置的详细步骤示例，涵盖常用工具（如 Prometheus Grafana、云服务监控）和自定义脚本方法： 一、监控配置方法1：使用 Prometheus Grafana kafka-exporter 步骤1：部署 kafka-ex…...

编程日记 2025/7/15 9:41:57

记录一次使用面向对象的C语言封装步进电机驱动

简介 (2025/4/21) 本库对目前仅针对TB6600驱动下的42步进电机的基础功能进行了一定的封装, 也是我初次尝试以面向对象的思想去编写嵌入式代码, 和直流电机的驱动步骤相似在调用stepmotor_attach()函数和stepmotor_init()函数之后仅通过结构体数组stepm然后指定枚举变量中的id即…...

编程日记 2025/7/16 15:11:32

QTextDocument 入门

一、QTextDocument QTextDocument 是 Qt 中用于处理富文本文档的核心类，支持文本格式、图片、表格等复杂内容。 1. QTextDocument 入门 1.1 基本概念 QTextDocument 是 Qt 中用于处理富文本内容的核心类，它提供了：结构化文本存储（段落、列表、表格等）文本格式支持（…...

编程日记 2025/7/16 21:30:34

Arthas进阶用法

目录查看已加载的类反编译代码动态执行代码排查 HTTP 请求问题热更新代码获取 Spring Context 并操作查看 JVM 信息自定义命令Web Console重置与退出查看已加载的类 sc 命令 ：可以查找所有 JVM 已经加载到的类。如果搜索的是接口，还会搜索所有的实现类…...

编程日记 2025/7/15 18:55:32

三生原理与现有密码学的核心区别？

AI辅助创作： 三生原理与现有密码学的核心区别一、‌哲学基础与设计逻辑‌ ‌动态生成 vs 静态分析‌ 三生原理以“阴阳动态平衡”为核心，通过参数化生成（如素数构造中的阴阳元联动公式）模拟系统演化过程，而现有密码…...

编程日记 2025/7/17 10:40:42

定义python中的函数和类

1.函数在Python中，定义一个函数要使用def语句，依次写出函数名、括号、括号中的参数和冒号:，然后，在缩进块中编写函数体，函数的返回值用return语句返回 1.1 定义函数 def showshow(sex):if sex1:return manelse:retu…...

编程日记 2025/7/13 22:05:50

明远智睿2351开发板四核1.4G Linux处理器：驱动创新的引擎

在科技日新月异的今天，创新成为了推动社会进步的核心动力。而在这场创新的浪潮中，一款性能卓越、功能全面的处理器无疑是不可或缺的引擎。今天，我们介绍的这款四核1.4G处理器搭配Linux系统的组合，正是这样一款能够驱动未来创新的强…...

编程日记 2025/7/13 23:17:04

【前端】【业务逻辑】【面试】JSONP处理跨域原理与封装

🧠 一、JSONP 是什么？ 项目内容📌 全称JSON with Padding📍 用途跨域请求数据的一种方式，绕过同源策略📦 本质通过 <script> 标签加载远程 JS 文件，这个文件执行一个回调函数并传入数据 …...

编程日记 2025/7/16 2:10:00

深入探索RAG：用LlamaIndex为大语言模型扩展知识，实现智能检索增强生成

大型语言模型（LLM），如ChatGPT和Llama，在回答问题方面表现出色，但它们的知识仅限于训练时所获取的信息。它们无法访问私有数据，也无法在训练截止日期之后学习新知识。那么，核心问题就是……我们如…...

编程日记 2025/7/13 18:13:58

移远通信智能模组助力东成“无边界智能割草机器人“闪耀欧美市场

2025年4月21日，移远通信宣布，旗下SC206E-EM智能模组已成功应用于江苏东成电动工具有限公司旗下的DCK TERRAINA无边界智能割草机器人。这款智能模组高度集成计算、通信、定位等多元能力，以小型化、低功耗、实时性强和低成本等综合优势&#…...

编程日记 2025/6/29 12:21:10

测试-时间规模化定律可以改进世界基础模型吗？

25年3月来自 UT Austin、UW Madison 和 Nvidia 的论文“Can Test-Time Scaling Improve World Foundation Model?”。世界基础模型（WFM）通过根据当前的观察和输入预测未来状态来模拟物理世界，已成为许多物理智能（PI&#xff09…...

编程日记 2025/6/29 11:10:30

VMwaer虚拟机复制粘贴、ROS系统安装

一、VMwaer虚拟机复制粘贴设置：设置完记得重启VMwaer 1.首先确定虚拟机设置-->选项-->客户机隔离-->勾选启用拖放启用复制粘贴 2.如果还是不能粘贴可能是没有 VMware Tools 可参考怎么在linux安装vmware tools-CSDN博客设置完记得重启VMwaer。…...

编程日记 2025/7/12 7:39:17

安装 vmtools

第2章安装 vmtools 1.安装 vmtools 的准备工作 1）现在查看是否安装了 gcc 查看是否安装gcc 打开终端输入 gcc - v 安装 gcc 链接：https://blog.csdn.net/qq_45316173/article/details/122018354?ops_request_misc&request_id&biz_id10…...

编程日记 2025/7/16 13:33:24

HCIP(综合实验2)

1.实验拓补图 2.实验要求 1.根据提供材料划分VLAN以及IP地址，PC1/PC2属于生产一部员工划分VLAN10,PC3属于生产二部划分VLAN20 2.HJ-1HJ-2交换机需要配置链路聚合以保证业务数据访问的高带宽需求 3.VLAN的放通遵循最小VLAN透传原则 4.配置MSTP生成树解决二层环路问题…...

编程日记 2025/6/29 10:24:53

机器学习第一篇线性回归

数据集：公开的World Happiness Report | Kaggle中的happiness dataset2017. 目标：基于GDP值预测幸福指数。（单特征预测） 代码： 文件一：prepare_for_traning.py """用于科学计算的一个库…...

编程日记 2025/7/17 1:38:01

Spark-Streaming简介及核心编程

一、核心概念： 1.Spark-Streaming 是流式数据处理框架，基于 **DStream（离散化流）** 抽象，将实时数据划分为多个时间区间的 RDD 序列。 DStream 本质是RDD 序列，每个时间区间数据对应一个 RDD。 2.特点&a…...

编程日记 2025/7/15 18:12:36

优化提示词方面可以使用的数学方法理论:信息熵,概率论，最优化理论

优化提示词方面可以使用的数学方法理论:信息熵,概率论，最优化理论目录优化提示词方面可以使用的数学方法理论:信息熵,概率论，最优化理论信息论信息熵明确问题主题提供具体细节限定回答方向规范语言表达概率论最优化理论信息论原理：信息论中的熵可以衡量信息的不确定性。…...

编程日记 2025/7/17 1:38:17

Sqlserver安全篇之_Sqlcmd命令使用windows域账号认证sqlserver遇到问题如何处理的案例

sqlcmd https://learn.microsoft.com/zh-cn/sql/tools/sqlcmd/sqlcmd-connect-database-engine?viewsql-server-ver16 sqlcmd -S指定的数据库连接字符串必须有对应的有效的SPN信息，否则会报错SSPI Provider: Server not found in Kerberos database. 正常连接 1、…...

编程日记 2025/7/12 10:59:27

基于华为云 ModelArts 的在线服务应用开发（Requests 模块）

基于华为云 ModelArts 的在线服务应用开发（Requests 模块） 一、本节目标了解并掌握 Requests 模块的特点与用法学会通过 PythonRequests 访问华为云 ModelArts 在线推理服务熟悉 JSON 模块在 Python 中的数据序列化与反序列化掌握 Python 文件 I/O 的基…...

编程日记 2025/6/29 11:50:39

Graph Database Self-Managed Neo4j 知识图谱存储实践1：安装和基础知识学习

Neo4j 是一个原生图数据库，这意味着它在存储层实现了真正的图模型。它不是在其他技术之上使用“图抽象”，而是以您在白板上绘制想法的相同方式在Neo4j中存储数据。自2007年以来，Neo4j已经发展成为一个丰富的工具、应用程序和库的生态系统。…...

编程日记 2025/7/16 15:56:27

【Python进阶】VSCode Python开发完全指南：从环境配置到高效调试

目录前言技术背景与价值当前技术痛点解决方案概述目标读者说明一、技术原理剖析核心概念图解核心作用讲解关键技术模块说明技术选型对比二、实战演示环境配置要求核心代码实现案例1：配置虚拟环境案例2：智能代码补全案例3：调试配置运行结果…...

编程日记 2025/7/12 8:18:48

vscode：Live Server Preview插件

这个插件不用另外打开浏览器；它是直接在Vscode里面预览html的，并且是自动实时更新的，不用不停地CtrlS保存查看使用方法：F1 -> 弹出一个窗口输入live，选择即可。运行结果如下：...

编程日记 2025/7/13 18:40:58

关于在Springboot中设置时间格式问题

目录 1-设置全局时间格式1.Date类型的时间2.JDK8时间3.使Date类和JDK8时间类统统格式化时间 2-关于DateTimeFormat注解 1-设置全局时间格式 1.Date类型的时间对于老项目来说，springboot中许多类使用的是Date类型的时间，没有用到LocalDateTime等JDK8时…...

编程日记 2025/7/16 16:41:30

双周报Vol.70: 运算符重载语义变化、String API 改动、IDE Markdown 格式支持优化...多项更新升级！

2025-04-21 语言更新 async 函数的调用处语法改为和 error 相同的 f!(..)，原语法 f!!(..) 将触发警告运算符重载的语义从基于方法迁移到了基于 trait，以后重载运算符需要通过给 moonbitlang/core/builtin 中对应的 trait 添加 impl 的形式。各个运算符…...

编程日记 2025/7/13 21:34:51

AI 技术发展：从起源到未来的深度剖析

一、AI 的起源与早期发展人工智能（AI）作为计算机科学的重要分支，其诞生可以追溯到 20 世纪中叶。1943 年，艾伦・图灵提出图灵机的概念，为计算机科学和 AI 理论奠定了基础。1950 年，图灵又提出著名的图灵…...

编程日记 2025/7/13 13:27:50

【前端】【业务逻辑】数据大屏自适应方案汇总

前端数据大屏自适应设计方案全解析在前端数据大屏的开发中，自适应设计是关键环节，它能确保大屏在不同设备和屏幕尺寸上都能呈现出良好的视觉效果和交互体验。除了常见的 transform: scale、rem/vw、Flex/Grid 等方案外，还有其他有效的方法可…...

编程日记 2025/7/16 19:12:01

Java基础复习（JavaSE进阶）第六章 IO流体系

6-1 File类 01 122、File、IO流概述 02 123、File类：对象的创建 03 124、File类：判断、判断信息相关的方法 04 125、File类：创建、删除文件的方法 05 126、File类：遍历文件夹的方法 6-2 前置知识 01 127、前置知识：方…...

编程日记 2025/7/12 13:21:01

kvm下的ceph主机启动io请求统计

背景假如一个主机存储在ceph里面，我们想统计下一次启动过程中的io读取的情况，那么可以通过下面的方法来统计启动时间也可以通过在宿主机里面去查看，通过日志这边要方便一点，无需登录到虚拟机内部日志开启 [global] fsid 406…...

编程日记 2025/6/29 9:33:20

go-Casbin使用

本次测试代码是基于单租户的RBAC鉴权依赖 github.com/casbin/casbin/v2 github.com/casbin/gorm-adapter/v2文件存储规则文件 model.pml [request_definition] r sub, obj, act[policy_definition] p sub, obj, act[role_definition] g _, _ # 用户,角色[polic…...

编程日记 2025/7/17 22:18:10

基于YOLOv11的106种手语识别分析系统

基于YOLOv11的手语识别分析系统【包含内容】【一】项目提供完整源代码及详细注释【二】系统设计思路与实现说明【三】多平台适配优化，支持Windows、macOS和Linux系统，确保中文字体正常渲染【四】识别的类别数量：106种，具体类…...

编程日记 2025/7/13 12:53:57

CentOS创建swap内存

服务器版本为CentOS7 一、检查现有 swap 空间 sudo swapon --show如果系统中没有 swap 空间或者现有的 swap 空间不足，可以继续后续步骤来创建 swap 空间。二、创建 swap 文件（推荐 2GB 作为示例） sudo dd if/dev/zero of/swapfile bs1M …...

编程日记 2025/7/13 21:50:58

OpenHarmony OS 5.0与Android 13显示框架对比

1. 架构概述 1.1 OpenHarmony OS 5.0架构 OpenHarmony OS 5.0采用分层架构设计，图形显示系统从底层到顶层包括： 应用层：ArkUI应用和第三方应用框架层：ArkUI框架、窗口管理API系统服务层：图形合成服务、窗口管理服务…...

编程日记 2025/7/16 22:19:03

详解Node.js中的setImmediate()函数

setImmediate() 是 Node.js 提供的一个定时器函数，用于在事件循环的 “Check” 阶段执行回调函数。它与 setTimeout() 相似，但两者有着显著的区别，主要体现在回调函数的执行时机上。什么是事件循环（Event Loop） 在…...

编程日记 2025/7/12 15:46:22

使用C#写的HTTPS简易服务器

由于监控网络之用，需要写一个https服务器。由于用到https，因此还需一个域名证书，可以免费申请，也可以用一个现有的。接下来还需在Windows上安装证书，注册证书。安装证书找到证书，点击，一路…...

编程日记 2025/6/29 9:34:28

C# 事件知识文档

C# 事件知识文档概述在 C# 中，事件（Event）是一种特殊的机制，它基于委托实现，用于支持发布-订阅模式。事件允许对象在发生特定操作时通知其他对象，而无需直接引用这些对象。这种机制非常适合于实现诸如用户界面交互、状态变化通知等场景。核心概念发布者（Publishe…...

编程日记 2025/7/12 12:50:07

C++进阶--二叉搜索树

文章目录 C进阶--二叉搜索树概念算法复杂度模拟实现结构定义插入查找删除剩余的次要接口中序遍历： 构造，析构，拷贝构造，赋值重载结语很高兴和大家见面，给生活加点impetus！！开启今天的编程之路…...

编程日记 2025/7/12 7:06:03

互联网大厂Java面试：从基础到进阶的技术点探讨

场景：赵大宝的面试旅程在互联网大厂的面试现场，严肃的面试官李老师正在准备对求职者赵大宝进行一场Java技术栈的深度考核。赵大宝是一位以幽默著称的程序员，面试官希望通过这次面试能全面了解他的技术能力。第一轮提问李老师&#xff1…...

编程日记 2025/7/17 14:07:55

【MCP Node.js SDK 全栈进阶指南】中级篇（1）：MCP动态服务器高级应用

前言在初级篇中，我们已经掌握了MCP TypeScript-SDK的基础知识，包括开发环境搭建、基础服务器开发、资源开发、工具开发、提示模板开发以及传输层配置等核心内容。随着我们对MCP的理解不断深入，是时候进入更高级的应用场景了。 MCP的一个强大特性是其动态性，能够在运行时…...

编程日记 2025/7/17 8:51:20

LM35 温度传感器介绍

【本文基于Arduino项目】 1. LM35 温度传感器简介 LM35 是一款精密模拟温度传感器，由德州仪器（TI）推出，具有线性输出、无需校准、低功耗等特点，广泛应用于环境监测、工业控制等领域。主要特性参数规格测量范围-…...

编程日记 2025/6/29 9:34:41

【网络应用程序设计】实验一：本地机上的聊天室

个人博客：https://alive0103.github.io/ 代码在GitHub：https://github.com/Alive0103/XDU-CS-lab 能点个Star就更好了，欢迎来逛逛哇~❣ 主播写的刚够满足基本功能，多有不足，仅供参考，还请提PR指正&#xff…...

编程日记 2025/7/16 19:28:35

Cursor 设置规则

文章目录 1、一个可以参考的网站-各种语言都有2、正向设置规则通过符号还可以引用子规则 3、逆向设置规则 1、一个可以参考的网站-各种语言都有 https://cursor.directory/rules 2、正向设置规则注意，最开始规则设置已经作废（下图下面的红框&#…...

编程日记 2025/7/14 13:28:04

人工智能-模型评价与优化(过拟合与欠拟合，数据分离与混淆矩阵，模型优化，实战)

欠拟合与过拟合模型不合适，导致其无法与数据实现有效预测欠拟合可以通过观察训练数据及时发现，通过优化模型结果解决过拟合的原因： 1、模型结构过于复杂（维度太高） 2、使用了过多属性，模型训练时包含了…...

编程日记 2025/6/29 9:33:37

Python爬虫从入门到实战详细版教程

Python爬虫从入门到实战详细版教程文章目录 Python爬虫从入门到实战详细版教程书籍大纲与内容概览第一部分：爬虫基础与核心技术1. 第1章：[爬虫概述](https://blog.csdn.net/qq_37360300/article/details/147431708?spm=1001.2014.3001.5501)2. 第2章：HTTP协议与Requests库…...

编程日记 2025/7/14 14:35:03

基于PyTorch的食品图像分类系统：从训练到部署全流程指南

1. 系统概述

2. 数据准备与预处理

2.1 数据增强策略

2.2 自定义数据集类

3. 模型架构设计

4. 模型训练与验证

4.1 训练流程

4.2 验证流程

运行结果

5. 模型保存与加载

5.1 保存模型

5.2 加载模型

6. 模型测试与结果分析

运行结果

7. 总结

相关文章：