当前位置：首页 > news >正文

深度学习常见框架：TensorFlow 与 PyTorch 简介与对比

news 来源：原创 2025/7/29 15:47:40

🐇明明跟你说过：个人主页

🏅个人专栏：《深度探秘：AI界的007》 🏅

🔖行路有良友，便是天堂🔖

一、引言

1、为什么需要深度学习框架？

2、框架的发展背景与主流选择

二、TensorFlow 简介

1、背景与维护团队（Google）

2、特点与核心理念

3、主要组件

4、应用场景与代表项目

三、PyTorch 简介

1、背景与维护团队（Meta / Facebook）

2、特点与核心理念

3、应用场景与代表项目

四、TensorFlow vs PyTorch 全面对比

1、两大巨头简介

2、核心机制对比

3、模型构建与训练

4、生态与部署能力

5、社区与使用趋势

6、如何选择？

一、引言

1、为什么需要深度学习框架？

🎯 1. 简化代码开发：省时省力

手写一个神经网络，从前向传播、反向传播、梯度计算到参数更新，全都自己写？太难太耗时了！

深度学习框架像是帮你搭好骨架的积木：你只需要组合层、设定参数、写 loss 函数，就能快速搭建神经网络。

比如：

import torch.nn as nn
model = nn.Sequential(nn.Linear(784, 256),nn.ReLU(),nn.Linear(256, 10)
)

🔧 这几行代码，在底层是几百行数学逻辑！

🔁 2. 自动微分机制：再也不用手写梯度了

训练模型的关键是“梯度下降”，而计算梯度非常复杂。

深度学习框架像 PyTorch / TensorFlow 会自动追踪每一步计算过程，然后自动求梯度、更新参数。

🧠 就像有人帮你算好导数，你只要负责喂数据、跑模型！

⚙️ 3. GPU 加速：深度学习快马加鞭的秘诀

深度学习训练通常需要海量数据、成千上万的矩阵运算。

框架帮你：

自动把数据和计算放到 GPU
调用高效底层库（如 CUDA、cuDNN）
大大提升训练速度（比 CPU 快几十倍）

📚 总结一句话：

深度学习框架是 AI 工程师的“瑞士军刀” —— 降低门槛、提高效率，让你专注于模型设计和创新，而不是重复造轮子。

2、框架的发展背景与主流选择

🎞️发展背景：为什么会出现深度学习框架？

🧠 1. 人工智能爆发前夕（2010 年前后）

深度学习早期（如 BP 网络、LeNet）都是纯手写数学代码（C、C++、Matlab 等），开发效率极低，容易出错。
神经网络模型复杂度逐步上升，手动写梯度太痛苦，训练过程也很慢。

🚀 2. 2012 年 ImageNet 大爆炸 💥

AlexNet 横空出世，引发深度学习浪潮。
研究者急需一种工具，能快速搭建复杂网络 + 利用 GPU 训练。
深度学习框架就这样应运而生！

🏗️ 主流框架的演进过程

时间	框架	特点
2014	Caffe	静态图，配置式定义网络，图像处理强，但灵活性差
2015	TensorFlow	Google 出品，强大工业级，静态计算图，后续加入动态图
2016	Keras	简洁易用的高层 API，适合入门，后被纳入 TensorFlow
2016	PyTorch	Facebook 出品，动态图灵活易调试，迅速成为主流
2019	JAX	Google 推出，强调函数式编程，适合科研和加速
2020+	MindSpore、PaddlePaddle、OneFlow 等国产框架	更加适配国产芯片、模型优化方向

🔍 当前主流框架对比（截至 2025）

框架	适用人群	优点	缺点
PyTorch	学术 + 工程	动态图、易调试、社区活跃、生态丰富	初期部署稍复杂，现已大幅改善
TensorFlow	工程 + 生产环境	工业级部署强、性能好、工具链完整	静态图难调试、入门复杂
Keras（TF2.x 集成）	初学者	API 简洁、上手快	灵活性较低，底层封装较深
JAX	科研前沿人员	自动微分、并行计算强、适合实验	生态不如 PyTorch 丰富
PaddlePaddle（飞桨）	国内开发者	中文文档友好、政府/高校支持	社区影响力较弱

二、TensorFlow 简介

TensorFlow 是由 Google 开发和维护的一个开源机器学习和深度学习框架，主要用于构建、训练和部署各种神经网络模型。

它不仅能用于研究和实验，还特别适合大规模生产环境部署，被广泛应用于图像识别、语音识别、自然语言处理、推荐系统等领域。

1、背景与维护团队（Google）

🧬 背景故事

📆 出生时间：2015 年

TensorFlow 的前身叫做 DistBelief，是 Google 内部使用的一个分布式深度学习系统，主要服务于像 Google Search、Gmail、Google Photos 这样的核心产品。

但由于 DistBelief 的封闭性、难以扩展，Google 团队决定重新设计并开源一个更通用、灵活、高效的框架，这就是：

🔥 TensorFlow 1.0 —— 于 2015 年底正式发布。

🔁 大版本进化：

TensorFlow 1.x：基于静态图，效率高但调试不便。
TensorFlow 2.x（2019）：全面升级，支持动态图（eager execution），默认整合 Keras，变得更易用、更 Pythonic。

🏢 维护团队：Google Brain & Google AI

TensorFlow 由 Google Brain 团队主导开发与维护，核心团队成员包括：

Jeff Dean（Google AI 大佬，深度学习布道者）
Rajat Monga（TensorFlow 联合创始人）
Martin Wicke（TensorFlow 2.0 关键推动者）

此外，Google Cloud AI 也深度参与了 TF 的部署和优化，使其成为 Google 云平台上的主要 AI 工具。

💡 Google 自己也在用 TensorFlow

TensorFlow 并不是只给外部用户用，Google 自家的产品也是它的“铁粉”：

产品	用途
Google Translate	神经机器翻译模型（NMT）
Google Photos	图像分类、人脸识别
Gmail	智能回复、垃圾邮件识别
Google Ads	广告推荐与投放优化
YouTube	视频推荐系统

2、特点与核心理念

🎯 TensorFlow 的核心理念

TensorFlow 的名字就蕴含了它的哲学：

💡 Tensor + Flow（张量流动）：
将数据抽象为多维数组（Tensor），模型的执行被表示为一张计算图（Graph）上的“数据流动”（Flow）。

这使得整个系统既可用于本地调试，也便于分布式部署和硬件加速，做到灵活而强大。

✨ TensorFlow 的主要特点

🔁 1. 动态图 + 静态图并存

TF 1.x：静态计算图（构建图 → 执行图）
- 优点：高性能、可部署、跨平台
- 缺点：不直观、调试困难
TF 2.x：默认使用动态图（Eager Execution）
- 代码更符合 Python 习惯，调试更方便
- 支持动态图与静态图互转（@tf.function 装饰器）

✅ 灵活与性能兼顾，是 TensorFlow 的进化关键。

📦 2. 一站式生态系统超强

TensorFlow 不只是一个框架，而是一个完整的 AI 工程平台，从开发到部署全覆盖：

模块名称	用途
Keras	高层 API，快速构建与训练模型
TensorBoard	训练过程可视化
TF Lite	模型轻量化，部署到手机/IoT
TF Serving	模型线上部署，做成 API
TF Hub	使用社区共享的预训练模型
TFX	构建工业级机器学习流水线

🧠 3. 高度兼容 Keras，适合初学者

TensorFlow 2.x 完全整合了 Keras，你可以像搭积木一样搭网络结构：

from tensorflow import keras
model = keras.Sequential([keras.layers.Dense(128, activation='relu'),keras.layers.Dense(10, activation='softmax')
])

API 简洁、上手快
配合 TensorBoard 还能实时可视化训练过程

🚀 非常适合教学、入门和实验！

🚀 4. 多平台、多硬件支持

TensorFlow 天生为大规模计算而生，支持：

✅ CPU、GPU、TPU（谷歌自研芯片）
✅ Windows、Linux、macOS、Android、iOS
✅ 云平台（Google Cloud、AWS、Azure 等）

而且还有 JAX / XLA 编译器，进一步提升执行效率。

🌐 5. 广泛应用于生产环境

TensorFlow 是 Google 内部大量产品的支撑底座，稳定性与可靠性超强。

此外，它也被许多大公司采纳：

Twitter：文本分类
Airbnb：价格预测
NASA：卫星图像分析
京东、字节跳动、阿里巴巴等国内企业

✅ 总结一句话：

TensorFlow 的核心理念是：用统一的张量计算框架支持端到端 AI 生命周期，从模型开发 → 训练 → 可视化 → 优化 → 部署。

3、主要组件

1️⃣ Keras：高级神经网络 API 💡

🔧 功能：快速、易用地构建神经网络
✅ 特点：模块化、可拓展、可调试

TensorFlow 2.x 中，Keras 被集成为官方高级接口（tf.keras）：

from tensorflow import keras
model = keras.Sequential([keras.layers.Dense(128, activation='relu'),keras.layers.Dense(10, activation='softmax')
])

📌 常用于：

初学者建模
快速原型开发
高级用户也可自定义模型、训练流程（使用 Functional / Subclass API）

2️⃣ 高阶 API：Model Fit / Compile / Evaluate 🤖

Keras 的 API 模型采用类似 sklearn 的风格，方便易懂：

model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(train_x, train_y, epochs=10, validation_data=(val_x, val_y))

✅ 不管你是小白还是老手，都能快速训练模型，还支持回调函数、早停机制、学习率调度等高级功能。

3️⃣ TensorBoard：训练过程可视化 📊

🔍 用于实时监控训练状态、模型结构、损失曲线等

只需几行代码即可集成：

tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir='./logs')
model.fit(..., callbacks=[tensorboard_callback])

然后用命令打开：

tensorboard --logdir=./logs

🎯 非常适合调试、分享实验过程，团队协作更高效。

4️⃣ TF Serving：在线部署模型 🚀

📦 TensorFlow Serving 是专为生产环境部署模型设计的系统。

✅ 特点：

快速加载 SavedModel 格式
支持 REST API / gRPC 接口调用
自动版本管理

📦 简单流程：

tensorflow_model_server --rest_api_port=8501 --model_name=my_model --model_base_path=/models/my_model

🌐 应用场景：

构建在线问答系统
模型微服务化部署
云端自动扩容

4、应用场景与代表项目

🧠 1. 图像识别 & 计算机视觉

应用方向：

人脸识别 👤
医学图像诊断 🩻
工业缺陷检测 🏭
图像风格迁移 🎨

代表案例：

Google Photos 使用 TensorFlow 做照片分类与人脸聚类
农作物病害识别系统：通过图像识别检测作物健康状态
NASA 使用 TensorFlow 分析卫星图像识别地表变化

🗣️ 2. 自然语言处理（NLP）

应用方向：

机器翻译 🌍
文本情感分析 😄😠
问答系统 🤖
自动摘要 📝

代表案例：

Google Translate：TensorFlow 支撑其神经网络翻译系统
BERT 模型训练与优化：在 TensorFlow 上开源并广泛使用
智能客服机器人：银行、保险等行业的问答系统

🚗 3. 自动驾驶 & 智能交通

应用方向：

路况识别 🚦
目标检测 🚗
路线规划 🗺️

代表案例：

Waymo（谷歌自动驾驶）：使用 TensorFlow 处理感知与控制任务
交通摄像头分析系统：识别车辆类型、车牌、违法行为等

三、PyTorch 简介

PyTorch 是一个基于 Python 的深度学习框架，主打灵活性、易用性和动态图计算。

📌 它的 slogan 就很直接：

“An open source machine learning framework that accelerates the path from research prototyping to production deployment.”

通俗来说：既适合搞科研，又能上生产。

1、背景与维护团队（Meta / Facebook）

🧠 背景故事

🏢 由谁开发？

PyTorch 最初由 Meta AI（原 Facebook AI Research，简称 FAIR） 在 2016 年发布。

目的：打造一个更灵活好用的替代品，特别是比当时流行的 TensorFlow 更适合科研人员用。
主打亮点：动态图机制（Dynamic Computation Graph），也叫 Eager Execution。

📆 演变过程

时间	发展节点
2016	PyTorch 发布，第一个稳定版本问世
2017	广泛被学术界采纳，成为研究新模型的首选
2019	支持生产部署（JIT 编译、TorchScript 等）
2020	成为 Facebook、微软等公司生产环境主力框架
2022	PyTorch 正式迁移至 Linux 基金会托管（PyTorch Foundation），但核心团队仍由 Meta 主导

2、特点与核心理念

1️⃣ 动态计算图（Dynamic Computation Graph）

🧠 核心理念：代码即模型，模型即代码

每次前向传播都会实时构建计算图（不像 TensorFlow 1.x 需要提前“搭好图”再运行）
好处是：
- ✅ 更易调试（直接用 Python 的 print() 或调试器）
- ✅ 灵活实现复杂模型结构（如递归神经网络、条件分支）

🗣 通俗点讲：写 PyTorch 就像写普通 Python 函数一样流畅自然！

2️⃣ 以 Python 为中心，贴近科研使用习惯

🐍 全部用 Python 编写，API 简洁直观，符合科研人员的思维方式：

x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True)
y = x**2
y.backward()  # 自动求导，计算梯度
print(x.grad)

💬 很多研究者喜欢 PyTorch，因为它“像 NumPy + 自动求导”，简单直接、不绕弯子。

3️⃣ 强大的自动求导机制（Autograd）

🔁 PyTorch 内置 自动微分引擎：

只要你在张量上设置了 requires_grad=True，系统就能自动追踪梯度传播路径并反向传播。
自动处理链式法则、Jacobian、Hessian 等高阶导数计算。

✨ 这让训练神经网络变得几乎“无感”操作。

🧭 总结一张图：PyTorch 的核心理念

核心理念	描述
动态图机制	灵活、高效，像 Python 一样写神经网络
简洁 API	像 NumPy 一样的张量操作
自动求导	内置自动微分系统
模块化设计	模型搭建清晰，复用性强
无缝部署	从研究原型到工业部署都能搞定

3、应用场景与代表项目

🧠 1. 自然语言处理（NLP）

情感分析、文本分类、命名实体识别、翻译、问答系统、对话机器人…
🔧 常用库：🤗 Hugging Face Transformers（基于 PyTorch）

✅ 代表应用：

ChatGPT（早期 OpenAI 训练时用过 PyTorch）
微软小冰、讯飞星火等中文大模型

👁️‍🗨️ 2. 计算机视觉（CV）

图像识别、物体检测、图像分割、风格迁移、图像生成…
🔧 常用库：torchvision、YOLO 系列等

✅ 代表项目：

Facebook 的图像内容审查系统
Tesla 自动驾驶图像处理模块
Stable Diffusion（图像生成模型）

🎮 3. 强化学习（RL）

机器人控制、游戏 AI、自动交易系统…
🔧 常用库：torchrl、OpenAI Gym + PyTorch

✅ 代表项目：

Meta AI 在《星际争霸》和《Minecraft》上的 RL 研究
DeepMind 模型在 Atari 游戏中的应用（PyTorch 重写版）

🌟 PyTorch 代表项目合集

项目	简介	所属方向
Hugging Face Transformers	大模型（BERT, GPT等）开源库，基于 PyTorch	NLP
YOLOv5	实时目标检测模型，极高性能	CV
Stable Diffusion	文本生成图像的火爆模型	AIGC
TorchRL / RLlib	强化学习框架	强化学习
PyG (PyTorch Geometric)	图神经网络工具集	GNN
Segment Anything (SAM)	图像分割大模型，Meta 出品	CV
FastAI	高阶封装库，便于入门和原型开发	通用

四、TensorFlow vs PyTorch 全面对比

1、两大巨头简介

🎯 总览：两大巨头简介

框架	TensorFlow 🟦	PyTorch 🔶
出品方	Google / Google Brain	Meta（Facebook AI）
初始发布时间	2015 年	2016 年
编程语言	多语言支持（Python/C++/JS）	以 Python 为主
框架定位	工程部署 + 跨平台	科研友好 + 工程渐强
主流用途	生产部署、大型系统	快速原型、模型开发

2、核心机制对比

⚙️ 核心机制对比

对比维度	TensorFlow 🟦	PyTorch 🔶
计算图类型	静态计算图（TensorFlow 1.x）动态图支持（TF 2.x 引入 `Eager Execution`）	动态计算图为主（定义即执行）
调试方式	靠日志 / TensorBoard 等	直接用 Python 调试工具，友好易上手
可读性	初学者较陡峭，结构较重	Pythonic 风格，代码简洁清晰
开发体验	工程化强，适合大团队协作	快速迭代，适合个人/研究开发
API 风格	面向图的声明式 API + Keras 高阶封装	面向对象，Module、Tensor 为核心

3、模型构建与训练

🧠 模型构建与训练

对比维度	TensorFlow 🟦	PyTorch 🔶
构建模型方式	Keras Sequential / Functional / Subclass	`nn.Module` 子类定义模型
自动求导	`tf.GradientTape`	`autograd` 内置自动求导
训练方式	`model.fit()`（Keras） or 手写训练循环	多为手写训练循环，自由度高
数据加载工具	`tf.data.Dataset`	`torch.utils.data.DataLoader`

4、生态与部署能力

📦 生态与部署能力

对比维度	TensorFlow 🟦	PyTorch 🔶
部署工具链	TensorFlow Serving、TFLite、TF.js、Edge TPU	TorchServe、ONNX、TorchScript
跨平台	支持移动端、浏览器、小设备、云原生部署	部署支持较晚，但已逐步完善
可视化支持	TensorBoard 🧠	支持 TensorBoard，但原生支持较弱
模型导出格式	SavedModel、HDF5	TorchScript、ONNX
第三方集成	Hugging Face / KerasNLP / TF Agents	Hugging Face / torchvision / torchaudio

5、社区与使用趋势

🌍 社区与使用趋势

对比维度	TensorFlow 🟦	PyTorch 🔶
社区支持	Google 提供强力支持，文档全面	社区活跃，开源项目丰富
学术界使用率	较少（因早期静态图开发不便）	高（论文和开源实现多用 PyTorch）
工业界使用率	高，Google 内部几乎全栈 TensorFlow	上升迅速，Meta / 微软等用 PyTorch
教学推荐度	Keras 提供入门好材料	PyTorch 更适合教学与实战体验

6、如何选择？

✅ 总结：如何选择？

你的目标是...	推荐框架
快速原型 / 学术研究 / 自由调试	✅ PyTorch
商业部署 / 移动端部署 / 云集成	✅ TensorFlow
简洁入门 / 小项目教学	✅ PyTorch（或 Keras）
跨语言调用 / 高性能生产部署	✅ TensorFlow

📌 一句话总结：

PyTorch 更灵活好用，适合搞研究与快速迭代；TensorFlow 工程化更强，适合部署到各种平台。

💕💕💕每一次的分享都是一次成长的旅程，感谢您的陪伴和关注。希望这些文章能陪伴您走过技术的一段旅程，共同见证成长和进步！😺😺😺

🧨🧨🧨让我们一起在技术的海洋中探索前行，共同书写美好的未来！！！

深度学习常见框架：TensorFlow 与 PyTorch 简介与对比

🐇明明跟你说过：个人主页 🏅个人专栏：《深度探秘：AI界的007》 🏅 🔖行路有良友，便是天堂🔖 目录一、引言 1、为什么需要深度学习框架？ 2、框架的发展背…...

编程日记 2025/7/29 15:47:40

iOS 类与对象底层原理

iOS 类与对象底层原理文章目录 iOS 类与对象底层原理探索对象本质objc_setProperty 源码cls与类的关联原理联合体isa的类型isa_t 原理探索initIsa方法通过setClass方法中的shiftcls来验证绑定的一个流程通过 isa & ISA_MSAK通过object_getClass通过位运算类&类的结构…...

编程日记 2025/7/29 15:44:30

Babel、core-js、Loader之间的关系和作用全解析

在现代前端开发中，Babel、polyfill（如 core-js）和 Loader 是非常常见又容易混淆的几个概念。为了彻底搞明白它们的作用、关系和使用方法，下面一篇文章详细梳理。一、Babel的作用 Babel 是一个 JavaScript 的编译器，主…...

编程日记 2025/7/25 12:18:20

总线位宽不变，有效数据位宽变化的缓存方案

总线位宽不变，有效数据位宽变化的缓存方案譬如总线位宽为64bit，但是有时候只有高32bit有效，有时只有低32bit有效，有时64bit都有效。总线上收到的数据要先缓存到FIFO中，那么这个FIFO的宽度和深度如何设置呢&#xff1…...

编程日记 2025/7/28 14:44:09

若依脱敏功能升级：接口返回想脱就脱，想不脱就不脱（实现灵活可控制的数据脱敏）

若依原生框架中的脱敏功能不够灵活（默认超级管理员不脱敏，其他则脱敏）。有时候，我们有些接口想要脱敏，但是有些接口又不想脱敏。（例如列表查询的时候脱敏。修改的时候，不想数据脱敏&#xff0…...

编程日记 2025/7/29 15:43:23

【Azure Redis 缓存】在Azure Redis中，如何限制只允许Azure App Service访问？

问题描述在Azure Redis服务中，如何实现只允许Azure App Service访问呢？ 问题解答 Azure Redis 开启防火墙的功能，并在防火墙中添加上App Service的出口IP地址即可。两步即可实现此目的！ 1）查询 App Service 的出口IP…...

编程日记 2025/7/26 5:35:12

如何解决无训练数据问题：一种更为智能化的解决方案

手动标注数据真的很费时间，而且买数据集又贵得要命，还不一定能完全符合你的需求。但这里有个令人兴奋的好消息，为啥不用 AI 来解决这个问题呢？别再依赖传统方法了，你可以用像 LLM（大型语言模型）和图像生成器这样的 AI 工具，为你的特定目标创建合成训练数据。如今有那…...

编程日记 2025/7/29 15:43:22

AI 应用同质化：一场看不见的资源 “吞噬战”

大家好，我是涛涛，今天聊聊令人担心的事情。一、同质化的“繁荣”背后当ChatGPT在2022年掀起全球AI热潮时，中国互联网行业迅速进入“All in AI”模式。根据艾瑞咨询数据，2023年国内AI应用市场新增注册企业超2.3万家&#xff0c…...

编程日记 2025/7/29 15:45:43

Java + Spring Boot + MyBatis获取以及持久化sql语句的方法

在Java的Spring Boot项目中结合MyBatis获取实际执行的SQL语句，可以通过以下几种方法实现： 方法一：配置MyBatis日志级别通过调整日志级别，MyBatis会输出执行的SQL语句及参数，适用于快速调试。修改application.prope…...

编程日记 2025/7/26 6:08:34

「浏览器即OS」：WebVM技术栈如何用Wasm字节码重构冯·诺依曼体系？

一、冯诺依曼架构的维度坍塌 1. 传统计算模型的能量耗散浏览器执行效率瓶颈分析： 操作x86指令周期Wasm指令周期能效比提升矩阵乘法3894.2x内存访问1234x系统调用120012100x 二、WebVM的量子纠缠架构 1. 浏览器内核的重构 // 基于WASI的系统调用处理 #[no_mangl…...

编程日记 2025/7/29 15:39:32

Vue3项目目录结构规范建议

以下是一个推荐的 Vue 3 项目目录结构规范，适用于中大型项目并遵循最佳实践： 基础目录结构 bash src/ ├─ assets/ # 静态资源 │ ├─ images/ # 图片文件 │ ├─ fonts/ # 字体文件 │ └─ styles/ …...

编程日记 2025/7/29 13:43:43

【计算机视觉】CV实战项目- Four-Flower：基于TensorFlow的花朵分类实战指南

深度解析Four-Flower：基于TensorFlow的花朵分类实战指南项目概述与技术背景技术栈组成完整实战流程环境配置1. 基础环境安装2. 项目环境搭建3. 环境验证数据准备模型架构解析训练过程优化1. 训练配置2. 关键参数建议3. 训练监控常见问题与解决方案1. 内存不足错…...

编程日记 2025/7/29 15:40:31

4.27 JavaScript核心语法+事件监听

JavaScript负责网页的行为（交互行为） JS基本语法： 引用方式变量&常量&数据类型： alert()标签输出弹出框，如以上代码会输出true。函数： 自定义对象: 属性方法行为 JS中的全局变量是window。 js…...

编程日记 2025/7/29 15:45:41

于键值（KV）的表

基于键值（KV）的表将行编码为键值（KVs） 索引查询：点查询和范围查询在关系型数据库中，数据被建模为由行和列组成的二维表。用户通过SQL表达他们的意图，而数据库则神奇地提供结果。不那么神奇的…...

编程日记 2025/7/29 15:42:25

Matlab算例运行

1. 使用终端命令运行算例： 2. 如果点击Run 按钮就是会一直报错，所以直接改成终端运行算例...

编程日记 2025/7/28 0:39:29

package.json script 中的 prepare 脚本的作用是什么

在 package.json 的 scripts 中，prepare 脚本是一个特殊的生命周期脚本，主要作用和执行时机如下： prepare 脚本的作用和执行时机执行时机： 在执行 npm publish 命令之前运行。在执行不带参数的 npm install 命令时运行&#xff…...

编程日记 2025/7/26 1:37:02

图论---最大流（Dinic）

最大流一定是阻塞流，阻塞流不一定是最大流。阻塞流---从起点到终点的管道已经阻塞了。时间复杂度： 一般情况：O(n2m)O(n2m)（但实际运行效率较高，尤其在稀疏图上）。使用当前弧优化后，效率接近…...

编程日记 2025/7/29 0:54:57

FastAPI系列06：FastAPI响应（Response）

FastAPI响应（Response） 1、Response入门2、Response基本操作设置响应体（返回数据）设置状态码设置响应头设置 Cookies 3、响应模型 response_model4、响应类型 response_classResponse派生类自定义response_class 在“FastAPI系列0…...

编程日记 2025/7/28 12:53:07

双目RealSense系统配置rs_camera.launch----实现D435i自制rosbag数据集到离线场景的slam建图

引言 Intel RealSense系列相机因其出色的深度感知能力和灵活的配置选项，在机器视觉与应用中得到广泛应用。大家在后期的slam学习中，无论是对算法本身的性能要求还是实验的泛化性都有一定的要求，那么公开的数据集如kitti、tum、Eourc不能满足…...

编程日记 2025/7/29 9:40:05

【MCP-2】MCP是什么，利用智普大模型在MaxKB中调用自己开发的MCP服务

在上一篇【MCP-1】MCP是什么，从DEMO入手文章中我们介绍了MCP是什么、他能干啥，以及简单的Demo示例等，这篇文章我们使用MaxKB这个工具，利用智普大模型，看看MCP到底怎么用。创建SSE协议的MCP服务在上篇文章中的Demo是…...

编程日记 2025/7/28 0:48:42

Allegro23.1新功能之如何单独关闭铜皮显示效果操作指导

Allegro23.1新功能之如何单独关闭铜皮显示效果操作指导 Allegro升级到了23.1的时候，支持单独关闭铜皮显示，如下图如何仅关闭shape的显示，单独显示线，具体操作如下点击setup...

编程日记 2025/7/26 0:28:47

《从分遗产说起：JS 原型与继承详解》

“天天开心就好” 先来讲讲概念： 原型（Prototype） 什么是原型？ 原型是 JavaScript 中实现对象间共享属性和方法的机制。每个 JavaScript 对象（除了 null）都有一个内部链接指向另一个对象，这…...

编程日记 2025/7/28 15:38:51

【Part 2安卓原生360°VR播放器开发实战】第二节｜基于等距圆柱投影方式实现全景视频渲染

《VR 360全景视频开发》专栏将带你深入探索从全景视频制作到Unity眼镜端应用开发的全流程技术。专栏内容涵盖安卓原生VR播放器开发、Unity VR视频渲染与手势交互、360全景视频制作与优化，以及高分辨率视频性能优化等实战技巧。 📝 希望通过这个专栏&am…...

编程日记 2025/7/26 23:12:52

RecyclerView的使用依赖 implementation("androidx.recyclerview:recyclerview:1.4.0")activity_recyclerview.xml <androidx.recyclerview.widget.RecyclerViewandroid:id"id/rv"android:layout_width"match_parent"android:layout_height…...

编程日记 2025/7/28 10:37:15

跨域问题（Cross-Origin Problem）

跨域问题（Cross-Origin Problem）是浏览器出于安全考虑，对不同源（协议、域名、端口）之间的资源访问进行限制而引发的限制。以下是详细解释： 1. 核心定义跨域：当一个网页（源A&#x…...

编程日记 2025/7/28 1:23:27

阿里云直接对系统云盘扩容

阿里云直接对系统云盘扩容登录阿里云控制台，进入ECS实例管理页面，检查目标磁盘的容量是否已更新为扩容后的数值。通过SSH远程连接服务器，使用命令 lsblk 或 fdisk -l 查看当前磁盘分区和容量，确认扩容后的物理磁盘已被系统识别。…...

编程日记 2025/7/29 10:24:30

Java大厂面试突击：从Spring Boot自动配置到Kafka分区策略实战解析

第一轮核心知识面试官：请解释Spring Boot中自动配置的工作原理并演示如何自定义一个ConfigurationProperties组件？ xbhog：自动配置通过EnableAutoConfiguration注解触发，结合当前环境判断（如是否检测到MyBatis依赖&…...

编程日记 2025/7/26 5:36:06

【python】lambda用法（结合例子理解）

目录 lambda 是什么？为什么叫 lambda？语法举例 1. 最简单的 lambda：单个数字处理 2. 用 lambda 排序一组字符串（按照长度排序） 3. 在列表里找出绝对值最小的数字 4. 给 map() 用 lambda 5. 组合使用：筛选出偶数 lambda 和 def 的对比 lambda 适合用在什么地…...

编程日记 2025/7/27 22:20:19

前端Ui设计工具

PS 稿、蓝湖、Sketch 和 Figma 前端 UI 设计工具的对比分析 PS 稿（Adobe Photoshop） 提供精准设计细节：PS 稿能让前端更精准地理解页面布局、元素尺寸、颜色等，通过精确测量和查看信息面板，把握设计元素的空间关系、…...

编程日记 2025/7/29 3:54:00

深入探索Python Pandas：解锁数据分析的无限可能

放在前头深入探索Python Pandas：解锁数据分析的无限可能深入探索Python Pandas：解锁数据分析的无限可能在当今数据驱动的时代，高效且准确地处理和分析数据成为了各个领域的关键需求。而Python作为一门强大且灵活的编程语言，…...

编程日记 2025/7/25 7:15:43

django admin 设置字段不可编辑

在Django中，如果你想让管理员在后台管理界面中无法编辑某个字段，你可以通过在模型的Meta类中设置editable属性为False，或者在admin.py文件中使用readonly_fields属性来实现。方法1：在模型中使用Meta类设置你可以在模型的Meta类…...

编程日记 2025/7/28 11:59:25

AI在医疗领域的10大应用：从疾病预测到手术机器人

AI在医疗领域的10大应用：从疾病预测到手术机器人系统化学习人工智能网站（收藏）：https://www.captainbed.cn/flu 文章目录 AI在医疗领域的10大应用：从疾病预测到手术机器人摘要引言1. 医学影像诊断：从静态…...

编程日记 2025/7/24 21:35:31

深入理解 Java 单例模式：从基础到最佳实践

单例（Singleton）模式是 Java 中最基本、最常用的设计模式之一。它确保一个类在任何情况下都只有一个实例，并提供一个全局访问点来获取这个唯一的实例。一、为什么需要单例模式？（使用场景） 单例模式主要适…...

编程日记 2025/7/26 13:30:32

Rust：安全与性能兼得的现代系统编程语言

一、起源与设计理念 Rust 是由 Mozilla 研究院 Graydon Hoare 于 2006 年发起设计的系统级编程语言，其诞生源于传统系统语言（如 C/C）在内存安全与并发编程方面的缺陷。经过近十年的迭代，Rust 1.0 稳定版于 2015 年正式发布&#…...

编程日记 2025/7/27 17:23:37

AI赋能智慧医疗新范式：小天互连即时通讯打造高效、安全的医疗通讯平台

在医疗行业，高效的信息协作与严格的数据安全不仅直接关系患者诊疗效率，更是医院现代化管理的核心命题。小天互连即时通讯系统通过将智能化功能与医疗场景深度结合，打造出全链路数字化协作平台，有效破解了传统沟通模式的效率瓶颈&a…...

编程日记 2025/7/25 4:29:35

图像生成新势力：GPT-Image-1 与 GPT-4o 在智创聚合 API 的较量

在人工智能领域，图像生成技术正迅速发展，OpenAI 推出的 GPT-Image-1 和 GPT-4o 在图像生成方面展现出了强大的能力。智创聚合 API 平台已支持这两个模型，并且其图片生成 / 编辑工作台支持图片的循环编辑等功能，为用户提供了更便捷…...

编程日记 2025/7/24 20:16:43

如何避免爬虫因Cookie过期导致登录失效

1. Cookie的作用及其过期机制 1.1 什么是Cookie？ Cookie是服务器发送到用户浏览器并保存在本地的一小段数据，用于维持用户会话状态。爬虫在模拟登录后，通常需要携带Cookie访问后续页面。 1.2 Cookie为什么会过期？ 会话Cookie&…...

编程日记 2025/7/29 5:31:17

集成方案 | Docusign + 甄零科技，赋能企业海外业务高效增长！

本文将详细介绍 Docusign 与甄零科技的集成步骤及其效果，并通过实际应用场景来展示 Docusign 的强大集成能力，以证明 Docusign 集成功能的高效性和实用性。甄零科技是一家专注于数字化合同管理系统的 SaaS 解决方案提供商，致力于为企业打造“…...

编程日记 2025/7/28 6:59:47

【Arxiv 2025】Single Image Iterative Subject-driven Generation and Editing

文章目录文章标题作者及研究团队介绍01 在论文所属的研究领域，有哪些待解决的问题或者现有的研究工作仍有哪些不足？02 这篇论文主要解决了什么问题？03 这篇论文解决问题采用的关键解决方案是什么？04 这篇论文的主要贡献是什么&am…...

编程日记 2025/7/26 5:35:13

CoOAG：首个捕捉学术研究兴趣动态演变的数据集

2025-04-24，由西安交通大学基于学术合作网络构建一种新的动态图数据集CoOAG，用于研究动态图中的节点分类问题。该数据集通过捕捉作者研究兴趣的动态变化，为动态图学习领域提供了新的研究方向和测试平台，特别是在标签受限的动态节点…...

编程日记 2025/7/25 14:54:34

决策树随机深林

决策树和随机森林是机器学习中常用的两种模型，以下是对它们的简单介绍： 决策树 - 原理：通过一系列的条件判断对样本进行分类或预测。它由节点（内部节点是属性上的测试，叶节点是类别或值）和边组成&#xff0…...

编程日记 2025/7/26 1:26:42

Unity 和 Unreal Engine（UE）两大主流游戏引擎的核心使用方法

以下是 Unity 和 Unreal Engine（UE） 两大主流游戏引擎的核心使用方法和对比分析，帮助开发者快速上手并根据项目需求选择合适工具： 一、Unity 使用指南 1. 安装与配置安装：从 Unity Hub 下载，选择长期支持…...

编程日记 2025/7/26 10:38:32

Maven 依赖范围（Scope）详解

Maven 依赖范围（Scope）详解 Maven 是一个强大的项目管理工具，广泛用于 Java 开发中构建、管理和部署应用程序。在使用 Maven 构建项目时，我们经常需要引入各种第三方库或框架作为项目的依赖项。通过在 pom.xml 文件中的 <depe…...

编程日记 2025/7/24 21:52:34

博物馆除湿控湿保卫战：M-5J1R 电解除湿科技如何重塑文物守护的未来

在卢浮宫幽深的长廊里，达芬奇的《蒙娜丽莎》正经历着一场看不见的战争——不是来自时间的侵蚀，而是空气中无形的水分子。每一件文物都在与湿度进行着无声的抗争，这场抗争关乎人类文明的延续。湿度，这个看不见的文物杀手&#xff0…...

编程日记 2025/7/25 15:44:24

消防应急物资智能调用立库：豪越科技助力消防“速战速决”

在消防救援的战场上，时间就是生命，每一秒都关乎着人民群众的生命财产安全。然而，在过去的紧急救援中，应急物资无法及时到位的情况时有发生，成为制约救援效率的关键难题，给救援工作带来了巨大的困境。想象一…...

编程日记 2025/7/25 8:42:23

机器学习基础理论 - 分类问题评估指标

几个定义：混淆矩阵 TP： True Positives，表示实际为正例且被分类器判定为正例的样本数FP： False Positives，表示实际为负例且被分类器判定为正例的样本数FN： False Negatives，表示实际为正例但被分类器判定为负例的样本数TN： True Negatives，表示实际为负例且被分类…...

编程日记 2025/7/13 12:21:59