当前位置： 首页 > news >正文

2025-04-23 Python深度学习3——Tensor

news 来源：原创 2025/7/6 23:51:41

文章目录

  • 1 张量
    • 1.1 数学定义
    • 1.2 PyTorch中的张量
  • 2 创建 Tensor
    • 2.1 直接创建
      • **`torch.tensor()`**
      • **`torch.from_numpy()`**
    • 2.2 依据数值创建
      • **`torch.zeros() / torch.zeros_like()`**
      • **`torch.ones() / torch.ones_like()`**
      • **`torch.full() / torch.full_like()`**
      • **`torch.arange() / torch.linspace`**
      • **`torch.eye()`**
    • 2.3 依概率分布创建张量
      • **`torch.normal()`**
      • **`torch.rand() / torch.rand_like()`**
      • **`torch.randint() / torch.randint_like()`**
      • **`torch.randperm()`**
      • **`torch.bernoulli()`**
  • 3 张量操作
    • 3.1 拼接
      • **`torch.cat()`**
      • **`torch.stack()`**
    • 3.2 切分
      • **`torch.chunk()`**
      • **`torch.split()`**
    • 3.3 索引
      • **`torch.index_select()`**
      • **`torch.masked_select()`**
    • 3.4 变换
      • **`torch.reshape()`**
      • **`torch.transpose()`**
      • **`torch.t()`**
      • **`torch.squeeze()`**
      • **`torch.unsqueeze()`**
  • 4 线性回归案例

本文环境：

  • Pycharm 2025.1
  • Python 3.12.9
  • Pytorch 2.6.0+cu124

1 张量

1.1 数学定义

  • 张量是多维数组的泛化形式，涵盖标量（0维）、向量（1维）、矩阵（2维）及更高维结构。
  • 示例：
    • RGB 图像用三维张量表示，维度为 (高度, 宽度, 通道数)，其中通道对应红、绿、蓝三色。
image-20250422113009830

1.2 PyTorch中的张量

​ PyTorch 中的张量不仅是多维数组，还是自动求导（Autograd）的核心组件。PyTorch 0.4.0 之前，Variable类型封装张量以实现自动求导；0.4.0后合并到Tensor中，简化了API。

Variable

​ Variable 是 torch.autograd 中的数据类型，主要用于封装 Tensor，进行自动求导。

  • data：被包装的 Tensor。
  • grad：data 的梯度。
  • grad_fn：创建 Tensor 的 Function，是自动求导的关键。
  • requires_grad：指示是否需要梯度。
  • is leaf：指示是否是叶子结点（张量）。
image-20250422113219061

​ PyTorch0.4.0 版开始，Variable 并入 Tensor。

  • dtype：张量的数据类型，如 torch.FloatTensor，torch.cuda.FloatTensor。
  • shape：张量的形状，如 (64, 3, 224, 224)。
  • device：张量所在设备，GPU/CPU，是加速的关键。
image-20250422113342736

数据类型分类

  • 浮点型：torch.float16、torch.float32（常用）、torch.float64。
  • 整型：torch.int8、torch.uint8、torch.int16、torch.int32、torch.int64（标签常用）。
  • 布尔型：torch.bool。

2 创建 Tensor

2.1 直接创建

torch.tensor()

image-20250422114533426

​ 功能：直接创建张量。

  • data：输入数据（列表或 NumPy 数组）。
  • dtype：数据类型（默认与输入一致）。
  • device：设备（如cuda:0）。
  • requires_grad：是否需要梯度（默认False）。
  • pin_memory：是否锁页内存（通常False）。
import torch
import numpy as nparr = np.ones((3, 3))
t = torch.tensor(arr, device='cuda:0', requires_grad=True)t
image-20250422114441567

torch.from_numpy()

image-20250422115234275

​ 功能：从 numpy 创建 tensor。

​ 特点：与 NumPy 数组共享内存，修改一方会影响另一方。

image-20250422114702598 
arr = np.array([[1, 2, 3], [4, 5, 6]])
t = torch.from_numpy(arr)arr, t
image-20250422114920132

​ 修改 arr 中的数据后，t 中的数据也发生变化。

arr[0, 0] = -1arr, t
image-20250422114954710

2.2 依据数值创建

torch.zeros() / torch.zeros_like()

image-20250422115801857 image-20250422120030828

​ 功能：依 size 创建全 0 张量 / 依 input 形状创建全 0 张量。

  • torch.zeros()

    • size：张量的形状，如(3,3)、(3, 224, 224)。

    • out：将输出张量赋值给哪个张量。

    • layout：内存中布局形式，有 strided，sparse_coo 等。

  • torch.zeros_like()

    • input：创建与 input 同形状的全 0 张量。
    • memory_format：张量的内存格式，默认为 torch.preserve_format。
out_t = torch.tensor([1])
t = torch.zeros((3, 3), out=out_t)  # out_t会被覆盖为全零t, out_t, id(t), id(out_t)  # out_t和t内存一致
image-20250422115440671

torch.ones() / torch.ones_like()

​ 功能：依 size 创建全 1 张量 / 依 input 形状创建全 1 张量。

​ 与 torch.zeros() / torch.zeros_like() 类似。

torch.full() / torch.full_like()

image-20250422120651090

​ 功能：依 size 创建全 fill_value 张量 / 依 input 形状创建全 fill_value 张量。

  • size：张量的形状，如 (3, 3)。
  • fill_value：张量的值。

torch.arange() / torch.linspace

image-20250423152230993 image-20250423152712595

  • torch.arange

    创建等差数列，区间为 [start, end)，公差为 step。

    torch.arange(2, 10, 2)
    image-20250423152806179

  • torch.linspace

    创建均分数列，区间为 [start, end]，个数为 steps。

    torch.linspace(2, 10, 9)
image-20250423152833851

torch.eye()

image-20250423153028584

​ 功能：创建单位对角矩阵（2维张量），默认为方阵。

  • n：每阵行数。
  • m：矩阵列数。
torch.eye(3, 5)
image-20250423153058152

2.3 依概率分布创建张量

torch.normal()

image-20250423154413627

​ 功能：生成正态分布（高斯分布）

  • mean：均值。
  • std：标准差。

依据 mean 和 std 的类型，可分为四种模式：

  1. mean为标量，std为标量（需指定size）

    torch.normal(0, 1, size=(4, 1))
    image-20250423154002271

  2. mean为标量，std为张量（输出形状与std一致）

    mean = 1
std = torch.arange(1, 5, dtype=torch.float)
t = torch.normal(mean, std)mean, std, t
    image-20250423154251810

  3. mean为张量，std为标量（输出形状与mean一致）

    mean = torch.arange(1, 5, dtype=torch.float)
std = 1
t = torch.normal(mean, std)mean, std, t
    image-20250423154157605

  4. mean为张量，std为张量（每个元素从不同分布采样）

    mean = torch.arange(1, 5, dtype=torch.float)
std = torch.arange(1, 5, dtype=torch.float)
t = torch.normal(mean, std)mean, std, t
    image-20250423153711349

torch.randn() / torch.randn_like()

image-20250423154807318

​ 功能：生成标准正态分布 / 依 input 形状生成标准正态分布（均值为 0，方差为 1）。

  • size：张量的形状。
  • generator：用于采样的为随机数生成器。
torch.randn((3, 2))
image-20250423155502756

torch.rand() / torch.rand_like()

image-20250423155600645

​ 功能：在区间 [0, 1) 上，生成均匀分布。

torch.rand((3, 2))
image-20250423155534966

torch.randint() / torch.randint_like()

image-20250423155736068

​ 功能：区间 [low, high) 生成整数均匀分布。

  • low：区间左值。

  • high：区间右值。

  • size：张量的形状。

torch.randint(0, 10, (3, 2))
image-20250423155852375

torch.randperm()

image-20250423160121915

​ 功能：生成生成从 0 到 n-1 的随机排列。

  • n：张量的长度。
torch.randperm(8)
image-20250423160100807

torch.bernoulli()

image-20250423160237544

​ 功能：以 input 为概率，生成伯努力分布（0-1 分布，两点分布）

  • input：表示概率值的张量。
t, torch.bernoulli(t)
image-20250423160224724

3 张量操作

3.1 拼接

torch.cat()

image-20250423161029534

​ 功能：将张量按维度 dim 进行拼接，需要保证其他维度大小相同。

  • tensors：张量序列。
  • dim：要拼接的维度。
t = torch.ones((2, 3))t_0 = torch.cat([t, t], dim=0)
t_1 = torch.cat([t, t], dim=1)t_0, t_1
image-20250423161009976

torch.stack()

image-20250423161830867

​ 功能：在新创建的维度 dim 上进行堆叠，所有输入张量的形状必须一致。

  • tensors：张量序列。
  • dim：要堆叠的维度。
t1 = torch.tensor([1, 2])
t2 = torch.tensor([3, 4])
t_stack = torch.stack([t1, t2], dim=0)
t_stack, t_stack.shape
image-20250423161814422

3.2 切分

torch.chunk()

image-20250423162040909

​ 功能：将张量按维度 dim 进行平均切分。

​ 返回值：张量列表。

​ 注意事项：若不能整除，最后一份张量小于其他张量。

  • input：要切分的张量。
  • chunks：要切分的份数。
  • dim：要切分的维度。
t = torch.ones((2, 5))
list_t = torch.chunk(t, 2, dim=1)
list_t
image-20250423162102727

torch.split()

image-20250423162403459

​ 功能：将张量按维度 dim 进行切分。

​ 返回值：张量列表。

  • tensor：要切分的张量。
  • split_size_or_sections：
    • 为 int 时，表示每一份的长度；
    • 为 list 时，list 中每个元素表示切割的长度，list 中元素之和与维度不等时报错。
  • dim：要切分的维度。
t = torch.ones((2, 5))
list_t = torch.split(t, 2, dim=1)
list_t
image-20250423162343432

3.3 索引

torch.index_select()

image-20250423162741366

​ 功能：在维度 dim 上，按 index 索引数据。

​ 返回值：依 index 索引数据拼接的张量。

  • input：要索引的张量。
  • dim：要索引的维度。
  • index：要索引数据的序号，类型需要为 long。
t = torch.randint(0, 9, size=(3, 3))
t_index = torch.tensor([0, 2])
t_select = torch.index_select(t, dim=1, index=t_index)t, t_select
image-20250423162726699

torch.masked_select()

image-20250423163607734

​ 功能：按 mask 中的 True 进行索引。

​ 返回值：一维张量。

  • input：要索引的张量。
  • mask：与 input 同形状的布尔类型张量。
t = torch.randint(0, 9, size=(3, 3))
t_mask = t.ge(5)  # ge is mean greater than or equal
t_select = torch.masked_select(t, mask=t_mask)t_mask, t_select
image-20250423163251997

3.4 变换

torch.reshape()

image-20250423163854660

​ 功能：变换张量形状。

​ 注意事项：当张量在内存中是连续时，新张量与 input 共享数据内存。

  • input：要变换的张量。
  • shape：新张量的形状。
t = torch.randperm(8)t, t.reshape((2, -1))  # -1 表示自动计算，(2, -1) 等价于 (2, 4)
image-20250423163834368

torch.transpose()

image-20250423164713625

​ 功能：交换张量的两个维度。

  • input：要变换的张量。
  • dim0：要交换的维度。
  • dim1：要交换的维度。
t = torch.rand((2, 3, 4))
t_transpose = torch.transpose(t, dim0=1, dim1=2)t, t_transpose
image-20250423164640828

torch.t()

image-20250423165304285

​ 功能：2 维张量转置，对矩阵而言，等价于 torch.transpose(input, 0, 1)。

torch.squeeze()

image-20250423165757804

​ 功能：压缩长度为 1 的维度（轴）

  • dim
    • 若为 None，移除所有长度为 1 的轴；
    • 若指定维度，当且仅当该轴长度为 1 时，可以被移除。
t = torch.rand((1, 2, 3, 1))
t_sq = torch.squeeze(t)
t_sq0 = torch.squeeze(t, dim=0)
t_sq1 = torch.squeeze(t, dim=1)t.shape, t_sq.shape, t_sq0.shape, t_sq1.shape
image-20250423165653890

torch.unsqueeze()

image-20250423165825448

​ 功能：依据 dim 扩展维度。

  • dim：扩展的维度。

4 线性回归案例

import torch
import matplotlib.pyplot as plt# 生成随机数据点，x为0-10之间的随机数
x = torch.rand(20) * 10
# y基于x线性生成，并添加一些噪声
y = 2 * x + torch.randn(20) * 3# 初始化权重w和偏置b，requires_grad=True表示它们在后续计算中需要梯度
w = torch.zeros(1, requires_grad=True)
b = torch.zeros(1, requires_grad=True)# 定义学习率
lr = 0.01# 迭代200次进行梯度下降
for i in range(200):# 计算预测值y_pred = w * x + b# 计算损失，均方误差的一半loss = torch.mean(0.5 * (y_pred - y) ** 2) / len(x)# 反向传播计算梯度loss.backward()# 更新权重w和偏置b，注意使用.no_grad()确保更新操作不被跟踪w.data -= lr * w.gradb.data -= lr * b.grad# 清零梯度，为下一次迭代做准备w.grad.zero_()b.grad.zero_()# 每20次迭代显示一次当前的数据分布和拟合直线if (i + 1) % 20 == 0:plt.rcParams['figure.figsize'] = (2.0, 1.6)# 绘制散点图plt.scatter(x.numpy(), y.numpy(), s=3)# 绘制当前拟合的直线plt.plot(x.numpy(), y_pred.detach().numpy(), 'r-', lw=0.5)# 显示当前的损失plt.text(2, 15, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 8, 'color': 'red'})plt.title('Iteration: {:d}'.format(i + 1))# 暂停0.5秒，以便观察变化plt.pause(0.5)
image-20250423220954285

相关文章：

2025-04-23 Python深度学习3——Tensor

文章目录 1 张量1.1 数学定义1.2 PyTorch中的张量 2 创建 Tensor2.1 直接创建**torch.tensor()****torch.from_numpy()** 2.2 依据数值创建**torch.zeros() / torch.zeros_like()****torch.ones() / torch.ones_like()****torch.full() / torch.full_like()****torch.arange() …...

编程日记 2025/7/6 23:51:41

ZYNQ笔记（十三）：双核 AMP 通信实验

版本：Vivado2020.2（Vitis） ZYNQ 裸机双核 AMP 实验： CPU0 接收串口的数据，并写入 OCM 中，然后利用软件产生中断触发 CPU1；CPU1 接收到中断后，根据从 OCM 中读出的数据控制呼吸灯的频…...

编程日记 2025/6/29 11:40:13

黑马Java基础笔记-3

短路逻辑运算符与逻辑运算符 逻辑运算符 符号作用说明&逻辑与（且）并且，两边都为真，结果才是真|逻辑或或者，两边都为假，结果才是假^逻辑异或相同为 false，不同为 true!逻辑非取反 短路逻辑…...

编程日记 2025/7/6 23:27:58

4.23学习总结

虽然之前写过的相关dfs和bfs的题，但方法忘的差不多了，重写了一遍相关的算法题，今天完成了岛屿数量的算法题，我利用的是bfs的算法，遍历每个结点，如果是1就count,然后再bfs向四周遍历并标记已经走过 初步看了…...

编程日记 2025/6/29 9:44:57

ElasticSearch：高并发场景下如何保证读写一致性？

在Elasticsearch高并发场景下，可以通过以下多种方式来保证读写一致性： 等待主分片和副本分片都确认（类似半同步机制） 设置consistency参数：在写操作时，可以设置consistency参数来控制写操作的一致性级别。…...

编程日记 2025/6/29 11:11:22

Qt基础007(Tcp网络编程)

文章目录 QTcp服务器的关键流程QTtcp客户端的关键流程TCP协议Socket QTcp服务器的关键流程 工程建立，需要在.pro加入网络权限 创建一个基于 QTcpServer 的服务端涉及以下关键步骤： 创建并初始化 QTcpServer 实例： 实例化 QTcpServer 。 调…...

编程日记 2025/6/29 11:03:19

visio导出的图片过大导致latex格式转成pdf之后很不清楚

联想电脑解决方法 右键打开方式选择【照片】，然后选择调整图片大小，将像素的宽度和高度调低。...

编程日记 2025/6/29 12:08:30

leetcode刷题——判断对称二叉树（C语言版）

题目描述： 示例 1： 输入：root [6,7,7,8,9,9,8] 输出：true 解释：从图中可看出树是轴对称的。 示例 2： 输入：root [1,2,2,null,3,null,3] 输出：false 解释：从图中可看出最…...

编程日记 2025/6/29 9:25:16

STM32与i.MX6ULL内存与存储机制全解析：从微控制器到应用处理器的设计差异

最近做FreeRTos，以及前面设计的RVOS，这种RTOS级别的系统内存上的分布与CortexA系列里面的分布有相当大的区别，给我搞糊涂了。 目录 STM32（Cortex-M系列）的内存与存储机制 Flash存储内容RAM存储内容启动与运行时流程示例…...

编程日记 2025/6/29 10:51:41

经验分享-上传ios的ipa文件

.ipa格式的二进制文件，是打包后生成的文件，无论我们是放上去testflight测试还是正式上传到app store，都需要先上传到苹果开发者中心的app store connect上的构建版本上。 在app store connect上，上传构建版本的功能，它…...

编程日记 2025/6/29 10:25:18

Linux423 删除用户

查找 上面已查过：无法使用sudo 新开个终端试试 之前开了一个终端，按照deepseek排查 计划再开一个进程 开一个终端 后强制删除时显示：此事将被报告...

编程日记 2025/6/29 19:32:43

AI与Web3.0：技术融合

AI与Web3.0：技术融合 分享一下给大家一个从0开始学习ai 的网站。点击跳转到网站。 https://www.captainbed.cn/ccc 前言 随着互联网技术的飞速发展，Web3.0作为下一代互联网形态，正以前所未有的速度改变着我们的生活方式和工作模式。Web3.0强…...

编程日记 2025/6/29 19:34:18

Python爬虫第18节-动态渲染页面抓取之Splash使用上篇

目录 引言 一、Splash 的简介与安装 1.1 简介 1.2 安装 二、Splash 的使用 三、Splash Lua 脚本开发 3.1 脚本入口与返回值 3.2 异步处理 四、Splash 对象属性 4.1 args 4.2 js_enabled 4.3 resource_timeout 4.4 images_enabled 4.5 scroll…...

编程日记 2025/7/6 23:27:05

Linux进程状态及转换关系

目录 1、就绪态（Ready） 2、运行态（Running） 3、僵尸态（Zombie） 4、可中断睡眠态（Interruptible Sleep） 5、不可中断睡眠态（Uninterruptible Sleep） 6、…...

编程日记 2025/6/29 19:32:41

Java基础：认识注解，模拟junit框架

认识注解 自定义注解 注解的原理 元注解 解析注解 应该场景-配合反射做juint框架 public static void main(String[] args) {AnnotationDemo4 a new AnnotationDemo4();Class clazz AnnotationDemo4.class;Method[] methods clazz.getDeclaredMethods();for (Method method …...

编程日记 2025/6/29 19:34:20

chrony服务器

时间有什么作用？约定干什么事情，会出问题，双方约定会达成 一旦有一方的时间不准确，约定都会达不成 不联网，计算机运行一个月，你的计算机就会和标准的时间差一两分钟 通常情况下，硬件时间的运…...

编程日记 2025/6/29 19:33:42

Springboot——Redis的使用

在当今的软件开发领域，缓存技术是提升应用性能的关键手段之一。Redis 作为一款高性能的键值对存储数据库，凭借其出色的读写速度和丰富的数据结构，在缓存场景中得到了广泛应用。Spring Boot 作为一款简化 Spring 应用开发的框架，与…...

编程日记 2025/6/29 19:33:37

【EasyPan】removeFile2RecycleBatch方法及递归操作解析

【EasyPan】项目常见问题解答（自用&持续更新中…）汇总版 文件批量转移到回收站方法解析 一、方法总述 removeFile2RecycleBatch方法实现将用户选中的文件/目录及其子内容批量移入回收站的业务逻辑，主要特点： 递归处理&…...

编程日记 2025/6/29 19:37:21

AIGC的伦理困境：机器生成内容是否该被监管？

AIGC的伦理困境：机器生成内容是否该被监管？ 在当今数字时代，人工智能（AI）技术的发展日新月异，其中生成式人工智能（AIGC, AI-Generated Content）作为一项前沿技术，正以前…...

编程日记 2025/6/29 19:33:06

缓存一致性

什么是缓存一致性？ 当数据库和缓存之间的额数据内容保持同步或最终一致，称为缓存一致性 为什么缓存不一致会发生？ 因为缓存和数据库是两个独立系统，它们的更新过程不是原子操作，就可能发生以下情况： //…...

编程日记 2025/7/3 17:11:37

【Java学习方法】终止循环的关键字

终止循环的关键字 一、break 作用：跳出最近的循环（直接结束离break最近的那层循环） 使用场景：一般搭配if条件判断，如果满足某个条件，就结束循环，（场景：常见于暴力枚举中…...

编程日记 2025/6/29 10:17:24

bert学习

BERT Google在2018年提出的​​预训练语言模型​​，通过双向Transformer结构和大规模预训练。 核心特点 双向上下文 与传统模型（如LSTM或单向Transformer）不同，BERT通过同时考虑单词的​​左右上下文​​来捕捉更丰富的语义信息。…...

编程日记 2025/6/29 10:52:15

读书笔记：淘宝十年产品与技术演进史

作者：大淘宝技术 原文地址：读书笔记：淘宝十年产品与技术演进史 本文是对《淘宝十年产品事》与《淘宝技术这十年》两本书的阅读笔记总结。通过回顾淘宝过去十年在产品、技术、架构、中间件及开放平台等方面的发展历程，展现了其从初…...

编程日记 2025/6/29 11:52:51

ROS 快速入门教程02

5. Node 节点 以智能手机为例，当我们使用智能手机的某个功能时，大多时候在使用手机的某个APP。同样当我们使用ROS的某个功能时，使用的是ROS的某一个或者某一些节点。 虽然每次我们只使用ROS的某一个或者某一些节点，但我们无法下…...

编程日记 2025/6/29 9:25:21

卷积神经网络常用结构

空间注意力机制(Spatial Attention)详解 空间注意力机制(Spatial Attention)详解 空间注意力机制是计算机视觉中的重要组件，它使网络能够选择性地关注特征图中的重要空间区域，同时抑制不相关区域的影响。 空间注意力机制结构图 空间注意力机制详细解析…...

编程日记 2025/6/29 10:21:56

neo4j中节点内的名称显示不全解决办法(如何让label在节点上自动换行)

因为节点过多而且想让节点中所有文字都显示出来而放大节点尺寸 从neo4j中导出png,再转成PDF来查看时，要看清节点里面的文字就得放大5倍才行 在网上看了很多让里面文字换行的办法都不行 然后找到一个比较靠谱的办法是在要显示的标签内加换行符 但是我的节点上显示的是…...

编程日记 2025/6/29 10:50:24

容器化-Docker-进阶

一、自定义镜像：从基础部署到镜像定制​ （一）Linux 与 Docker 原生部署 Nginx 对比​ Linux 原生部署 Nginx # 安装依赖 sudo apt-get update && sudo apt-get install -y build-essential openssl libpcre3-dev zlib1g-dev # 下载Nginx源码 wget http://nginx.org…...

编程日记 2025/6/29 12:28:40

Sqlserver 自增长id 置零或者设置固定值

在 SQL Server 中，如果需要重置一个表的自增长（Identity）列的当前值，通常有几种方法可以实现。但是，值得注意的是，直接将自增长列的值设置为0并不是一个推荐的做法，因为这会破坏自增长列的连续性…...

编程日记 2025/6/29 11:06:10

状态模式（State Pattern）详解

文章目录 一、状态模式简介1.1 什么是状态模式？1.2 为什么需要状态模式？1.3 状态模式的核心思想二、状态模式的结构2.1 UML类图2.2 各个组件的详细说明2.3 交互过程三、状态模式的实现步骤（以Java为例）步骤1：创建状态接口步骤2：实现具体状态类步骤3：创建上下文类步骤4：…...

编程日记 2025/6/29 9:25:17

Shopee五道质检系统重构东南亚跨境格局，2025年电商游戏规则悄然改写

在2024年的东南亚跨境电商市场，一场以“质量”为核心的深度变革正在上演。作为头部平台的Shopee率先出招，以一套“五道质检流程”打破行业旧格局，不仅有效遏制高企的退货率，更引发从卖家结构到政策制度的连锁反应。 这场质量革命…...

编程日记 2025/6/29 12:00:33

Unity-无限滚动列表实现Timer时间管理实现

今天我们来做一个UI里经常做的东西：无限滚动列表。 首先我们得写清楚实现的基本思路： 所谓的无限滚动当然不是真的无限滚动，我们只要把离开列表的框再丢到列表的后面就行，核心理念和对象池是类似的。 我们来一点一点实现&#x…...

编程日记 2025/7/6 17:34:11

Python高级爬虫之JS逆向+安卓逆向1.6节: 函数基础

目录 引言： 1.6.1 理解函数 1.6.2 定义函数 1.6.3 调用函数 1.6.4 位置实参 1.6.5 关键字实参 1.6.6 爬虫不要进接单群 引言： 大神薯条老师的高级爬虫+安卓逆向教程： 这套爬虫教程会系统讲解爬虫的初级，中级，高级知识，涵盖的内容包括基础爬虫，高并发爬虫的设计与…...

编程日记 2025/6/29 10:35:19

集结号海螺捕鱼组件搭建教程与源码结构详解（第四篇）

本篇将聚焦“冰封领域”场景构建与性能优化策略。本节适合有Unity经验的技术团队，对大型特效场景优化、C与Unity协同通信及资源动态加载有深入需求的开发者。 一、冰封领域场景设计理念 冰封领域是高难度玩法场景，常用于高段位玩家房间，场景…...

编程日记 2025/6/29 11:39:55

02.Python代码Pandas - Series全系列分享(使用.特点.说明.取值.函数)

02.Python代码Pandas - Series全系列分享(使用.特点.说明.取值.函数) 提示：帮帮志会陆续更新非常多的IT技术知识，希望分享的内容对您有用。本章分享的是pandas的使用语法。前后每一小节的内容是存在的有：学习and理解的关联性，希望…...

编程日记 2025/6/29 10:15:47

星火燎原：Spark技术如何重塑大数据处理格局

在数字化浪潮席卷全球的今天，数据已成为企业发展与社会进步的核心驱动力。面对海量且复杂的数据，传统的数据处理技术逐渐显得力不从心。而Apache Spark作为大数据领域的明星框架，凭借其卓越的性能与强大的功能，如同一束璀璨的星火…...

编程日记 2025/6/29 11:30:04

AI大模型和人脑的区别

为什么人脑没有幻觉，但是 AI 大语言模型有幻觉？ 人脑和大型语言模型（LLM）在处理信息的方式上存在根本差异，这导致了幻觉现象主要出现在LLM中。LLM的幻觉是指模型生成了貌似合理但实际上错误或虚构的内容。 LLM的工作…...

编程日记 2025/6/29 10:39:16

第一章：基于Docker环境快速搭建LangChain框架的智能对话系统：从langchain环境搭建到多轮对话代码实现（大语言模型加载）

文章目录 前言一、langchain环境搭建1、docker容器搭建2、docker容器连接修改密码容器内容修改物理机修改 3、langchain安装 二、langchain构建简单智能对话示例1、基于deepseek的简单问答Demo2、langchain的invoke、stream与astream生成方法1、langchain的invoke、stream与ast…...

编程日记 2025/6/29 11:26:35

数据结构的学习（1）二分查找，利用二分查找找局部最小值，选择排序，冒泡排序，插入排序，位运算的基础知识

一、二分查找某个元素 （1）查找是否存在某个元素在数组中 思想： 1）先看中间位置的值 2）如果中间位置的值大于目标值说明目标值在整个数组中偏左的位置，改变右边界，即Right Mid - 1; 3&#xf…...

编程日记 2025/6/29 12:25:48

vue2+Vant 定制主题

参考文档：Vant主题定制-CSDV博客 vant提供了一套默认主题，若想完全替换主题是或者其他样式，则需要定制主题。 定制方法 1、main.js文件引入主题样式源文件 // 导入并安装 Vant 组件库 import Vant from vant // 切记：为了能够覆…...

编程日记 2025/6/29 12:05:34

【自然语言处理与大模型】大模型参数规模与部署配置调查2025第一季度

调查大模型参数规模与部署配置之间的关系。探讨如何在不同硬件和场景下优化大模型的部署。 一、 当前主流模型的参数规模对比 （1）当前主流模型有哪些 参考全球最大AI开源社区Hugging Face发布的榜单、上海AI实验室推出的开放评测体系OpenCompass和国内开…...

编程日记 2025/6/29 10:13:54

香港科技大学广州｜先进材料学域博士招生宣讲会—南开大学专场

香港科技大学广州｜先进材料学域博士招生宣讲会—南开大学专场 时间：2025年4月25日（星期五）10:00 地点：南开大学八里台校区中心实验室报告厅 宣讲嘉宾： 李昊翔 助理教授 TAN Chee Keong 助理教授 教授亲…...

编程日记 2025/6/29 12:17:33

异构迁移学习（无创脑机接口中的跨脑电帽迁移学习）

本文介绍BCI中的跨脑电帽的迁移学习最新算法。 （发表于2025 arxiv，应该属于投稿阶段，这个场景具有非常不错的研究意义和前景） 最新跨脑电帽异构算法github开源代码 SDDA算法原文 一、脑机接口绪论 脑机接口（BCI）指在人或动物大脑与外部设备之间创建的直接连接，通过脑…...

编程日记 2025/6/29 11:10:36

若依项目部署小结

参考视频：前后端分离式项目实战部署 | CodeSheep 环境搭建 虚拟机环境：jdk1.8 tomcat9 nginx A ：虚拟机A运行前端项目 A B：虚拟机B运行war包 B C：虚拟机C运行jar包 C mysql和redis连的是C主机 前端项目部署 必备&…...

编程日记 2025/6/29 10:15:22

多智能体系统的中间件架构

多智能体系统（Multi-Agent Systems, MAS）是一种由多个智能体（Agents）组成的分布式系统，这些智能体能够自主地感知环境、做出决策并与其他智能体进行交互。 中间件（Middleware）在多智能体系统中…...

编程日记 2025/6/29 11:48:04

Eliciting Causal Abilities in Large Language Models for Reasoning Tasks

Eliciting Causal Abilities in Large Language Models for Reasoning Tasks | Proceedings of the AAAI Conference on Artificial Intelligencehttps://ojs.aaai.org/index.php/AAAI/article/view/33669 1. 概述 大型语言模型（Large Language Models, LLMs）面临的一...

编程日记 2025/6/29 12:13:47

DeepSeek+Mermaid：轻松实现可视化图表自动化生成（附实战演练）

目录 一、引言：AI 与图表的梦幻联动二、DeepSeek：大语言模型新星崛起2.1 DeepSeek 全面剖析2.2 多场景应用示例2.2.1 文本生成2.2.2 代码编写 三、Mermaid：代码式图表绘制专家3.1 Mermaid 基础探秘3.2 语法与图表类型详解3.2.1 流程图&#x…...

编程日记 2025/6/29 11:08:04

LeetCode第164题_最大间距

LeetCode 第164题：最大间距 题目描述 给定一个无序的数组 nums，返回 数组在排序之后，相邻元素之间最大的差值 。如果数组元素个数小于 2，则返回 0 。 您必须编写一个在「线性时间」内运行并使用「线性额外空间」的算法。 难度…...

编程日记 2025/6/29 11:40:38

什么是DDD？为什么它正在取代传统架构？

什么是DDD？为什么它正在取代传统架构？ 1. 传统开发模式的痛点 在经典的MVC架构中，开发流程往往从数据库表结构设计开始，业务逻辑散落在Service层，随着需求迭代容易形成「大泥球」代码： 实体类变成纯粹的…...

编程日记 2025/6/29 10:26:50

Vue3父子组件数据双向同步实现方法

在 Vue 3 中，实现父子组件间双向同步响应式对象的步骤如下： 实现思路 父组件通过 v-model 传递响应式对象。 子组件接收并深拷贝为本地副本。 子组件监听父组件的数据变化，更新本地副本（不触发同步）。 子组件监听本…...

编程日记 2025/6/29 9:46:48

一些基本的 Vue 规范

一、项目结构规范 推荐的目录结构 src/ ├── assets/ # 静态资源（如图片、字体） ├── components/ # 全局组件 ├── views/ # 页面组件（用于路由） ├── router/ # 路由配置 ├── store/…...

编程日记 2025/6/29 10:50:00