当前位置：首页 > news >正文

12.6深度学习_模型优化和迁移_整体流程梳理

news 来源：原创 2025/7/16 10:35:21

七、整体流程梳理

1. 引入使用的包

用到什么包，临时引入就可以，不用太担心。

import time
import osimport numpy as np
import pandas as pd
import torch
import torch.nn as nn
import torch.optim as optim
import torchvision
import torchvision.transforms as transforms
from torch.utils.data import DataLoader
from torchvision.datasets import CIFAR10from torchvision.models import resnet18, ResNet18_Weights
import wandb
from torch.utils.tensorboard import SummaryWriter
from sklearn.metrics import *
import matplotlib.pyplot as plt

2. 数据

# 下面和以前就一样了
train_dataset = CIFAR10(root=datapath,train=True,download=True,transform=transform,
)
# 构建训练数据集
train_loader = DataLoader(#dataset=train_dataset,batch_size=batzh_size,shuffle=True,num_workers=2,
)

3. 模型

# 再次获取resnet18原始神经网络并对齐fc层进行调整
model = resnet18(weights=None)in_features = model.fc.in_features
# 重写FC：我们这里做的是10分类
model.fc = nn.Linear(in_features=in_features, out_features=10)# 需要对权重信息进行处理：要加载我们训练之后最新的权重文件
weights_default = torch.load(weightpath)
weights_default.pop("fc.weight")
weights_default.pop("fc.bias")# 把权重参数进行同步
new_state_dict = model.state_dict()
weights_default_process = {k: v for k, v in weights_default.items() if k in new_state_dict
}
new_state_dict.update(weights_default_process)
model.load_state_dict(new_state_dict)
model.to(device)

4. 训练

4.1 数据增强

为了防止过拟合，增加模型的泛化能力，我们会数据增强

transform = transforms.Compose([transforms.RandomRotation(45),  # 随机旋转，-45到45度之间随机选transforms.RandomCrop(32, padding=4),  # 随机裁剪transforms.RandomHorizontalFlip(p=0.5),  # 随机水平翻转 选择一个概率概率transforms.RandomVerticalFlip(p=0.5),  # 随机垂直翻转transforms.ToTensor(),transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2471, 0.2435, 0.2616)),]
)transformtest = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2471, 0.2435, 0.2616)),]
)

4.2 开始训练

    # 损失函数和优化器loss_fn = nn.CrossEntropyLoss()optimizer = optim.Adam(model.parameters(), lr=lr)for epoch in range(epochs):# 开始时间start = time.time()# 总的损失值total_loss = 0.0# 样本数量：最后一次样本数量不是128samp_num = 0# 总的预测正确的分类correct = 0model.train()for i, (x, y) in enumerate(train_loader):x, y = x.to(device), y.to(device)# 累加样本数量samp_num += len(y)out = model(x)# 预测正确的样本数量correct += out.argmax(dim=1).eq(y).sum().item()loss = loss_fn(out, y)# 损失率累加total_loss += loss.item() * len(y)optimizer.zero_grad()loss.backward()optimizer.step()if i % 100 == 0:img_grid = torchvision.utils.make_grid(x)write1.add_image(f"r_m_{epoch}_{i}", img_grid, epoch * len(train_loader) + i)print("批次：%d 损失率：%.4f 准确率：%.4f 耗时：%.4f"% (epoch, total_loss / samp_num, correct / samp_num, time.time() - start))# log metrics to wandbwandb.log({"acc": correct / samp_num, "loss": total_loss / samp_num})

4.3 保存模型

torch.save(model.state_dict(), weightpath)

4.4 训练过程可视化

wandb

 # 训练过程可视化wandb.init(project="my-qianyi-project",config={"learning_rate": lr,"architecture": "CNN","dataset": "CIFAR-100","batch_size": batzh_size,"epochs": epochs,},)

tensorboard

write1 = SummaryWriter(log_dir=log_dir)
# 保存模型结构到tensorboard
write1.add_graph(model, input_to_model=torch.randn(1, 3, 32, 32).to(device=device))

5. 验证阶段

5.1 数据验证

weights_default = torch.load(weightpath)# 再次获取resnet18原始神经网络并对齐fc层进行调整model = resnet18(pretrained=False)in_features = model.fc.in_features# 重写FC：我们这里做的是10分类model.fc = nn.Linear(in_features=in_features, out_features=10)model.load_state_dict(weights_default)model.to(device)model.eval()samp_num = 0correct = 0data2csv = np.empty(shape=(0, 13))for x, y in vaild_loader:x = x.to(device)y = y.to(device)# 累加样本数量samp_num += len(y)# 模型运算out = model(x)# 数组的合并data2csv = np.concatenate((data2csv, outdata_softmax), axis=0)# 预测正确的样本数量correct += out.argmax(dim=1).eq(y).sum().item()print("准确率：%.4f" % (correct / samp_num))

5.2 验证结果可视化

验证数据保存到Excel

data2csv = np.empty(shape=(0, 13))#数据整理
out = model(x)
outdata = out.cpu().detach()
outdata_softmax = torch.softmax(outdata, dim=1)
# 合并目标值到样本  [5, 7,9,0,1,,1,2,3,4,3,4]
outdata_softmax = np.concatenate((# 本身预测的值outdata_softmax.numpy(),# 真正的目标值y.cpu().numpy().reshape(-1, 1),# 预测值outdata_softmax.argmax(dim=1).reshape(-1, 1),# 分类名称np.array([vaild_dataset.classes[i] for i in y.cpu().numpy()]).reshape(-1, 1),),axis=1,
)
# 数组的合并
data2csv = np.concatenate((data2csv, outdata_softmax), axis=0)#写入CSV
columns = np.concatenate((vaild_dataset.classes, ["target", "prep", "分类"]))
pddata = pd.DataFrame(data2csv, columns=columns)
pddata.to_csv(csvpath, encoding="GB2312")

指标分析：可视化

def analy():# 读取csv数据data1 = pd.read_csv(csvpath, encoding="GB2312")print(type(data1))# 整体数据分析报告report = classification_report(y_true=data1["target"].values,y_pred=data1["prep"].values,)print(report)# 准确度 Accprint("准确度Acc：",accuracy_score(y_true=data1["target"].values,y_pred=data1["prep"].values,),)# 精确度print("精确度Precision：",precision_score(y_true=data1["target"].values, y_pred=data1["prep"].values, average="macro"),)# 召回率print("召回率Recall：",recall_score(# 100y_true=data1["target"].values,y_pred=data1["prep"].values,average="macro",),)# F1 Scoreprint("F1 Score：",f1_score(y_true=data1["target"].values,y_pred=data1["prep"].values,average="macro",),)passdef matrix():# 读取csv数据data1 = pd.read_csv(csvpath, encoding="GB2312", index_col=0)confusion = confusion_matrix(# 0y_true=data1["target"].values,y_pred=data1["prep"].values,# labels=data1.columns[0:10].values,)print(confusion)# 绘制混淆矩阵plt.rcParams["font.sans-serif"] = ["SimHei"]plt.rcParams["axes.unicode_minus"] = Falseplt.matshow(confusion, cmap=plt.cm.Greens)plt.colorbar()for i in range(confusion.shape[0]):for j in range(confusion.shape[1]):plt.text(j, i, confusion[i, j], ha="center", va="center", color="b")plt.title("验证数据混淆矩阵")plt.xlabel("Predicted label")plt.xticks(range(10), data1.columns[0:10].values, rotation=45)plt.ylabel("True label")plt.yticks(range(10), data1.columns[0:10].values)plt.show()

6. 使用

def app():dir = os.path.dirname(__file__)imgpath = os.path.join("./write", "6.png")# 读取图像文件 '8.png'img = cv2.imread(imgpath)# 将图像转换为灰度图img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 对灰度图进行二值化处理，采用OTSU自适应阈值方法，并反转颜色ret, img = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)plt.imshow(img)plt.show()# img = cv2.resize(img, (32, 32))img = torch.Tensor(img).unsqueeze(0)transform = transforms.Compose([transforms.Resize((32, 32)),  # 调整输入图像大小为32x32transforms.ToTensor(),transforms.Normalize((0.1307,), (0.3081,)),])img = transform(img).unsqueeze(0)# 加载我们的模型net = LeNet5()net.load_state_dict(torch.load(modelpath))# 预测outputs = net(img)print(outputs)print(outputs.argmax(axis=1))

12.6深度学习_模型优化和迁移_整体流程梳理

七、整体流程梳理 1. 引入使用的包用到什么包，临时引入就可以，不用太担心。 import time import osimport numpy as np import pandas as pd import torch import torch.nn as nn import torch.optim as optim import torchvision import torchvisio…...

编程日记 2025/7/16 10:35:21

CCF-GESP 编程能力认证 C++ 七级 2024年9月份判断题详细解析

链接：CCF-GESP 编程能力认证 C 七级 2024年9月份选择题详细解析-CSDN博客目录第 1 题第 2 题第 3 题第 4 题第 5 题第 6 题第 7 题第 8 题第 9 题第 10 题第 1 题表达式 a << 1 的结果为 a（错误） 【a是字符常…...

编程日记 2025/7/17 2:57:01

ESP32-S3模组上跑通ES8388（20）

接前一篇文章：ESP32-S3模组上跑通ES8388（19）二、利用ESP-ADF操作ES8388 2. 详细解析上一回解析完了es8388_init函数中的第7段代码，本回继续往下解析。为了便于理解和回顾，再次贴出es8388_init函数源码，在components\audio_hal\driver\es8388\es8388.c中，如下： …...

编程日记 2025/7/17 3:09:44

UE5.5 Geometry库平面切割原理分析

平面切割--FMeshPlaneCut 平面定义: 面上一个点法线算法流程如下求几何体所有顶点和面的有向距离(Signs) Sign计算： float Sign (VertexPos - PlaneOrigin).Dot(PlaneNormal); 遍历所有几何体所有交叉边, 进行SplitEdge 对于位于切割面两侧的交叉边(Sign…...

编程日记 2025/7/15 1:37:50

JAVAWeb中的Servlet学习

一 Servlet简介 1.1动态资源和静态资源静态资源无需在程序运行时通过代码运行生成的资源,在程序运行之前就写好的资源.例如:html css js img ,音频文件和视频文件动态资源需要在程序运行时通过代码运行生成的资源,在程序运行之前无法确定的数据,运行时动态生成,例如Servle…...

编程日记 2025/7/16 23:59:30

【Linux】多线程

目录线程线程和进程的关系虚拟地址与物理地址的映射（三级映射） 编辑线程的使用线程安全临界资源和临界区互斥锁同步与互斥互斥锁的使用锁的初始化加锁与解锁信号量信号与信号量的区别信号量的使用 Lock_guard与unique_lock …...

编程日记 2025/7/14 17:13:36

如何使用Python库连接Redis

1、redis-py 库封装一个 Redis 工具类可以帮助我们简化 Redis 的操作并提高代码的复用性和可维护性。安装redis pip install redisimport redis import logginglogging.basicConfig(levellogging.INFO) logger logging.getLogger(__name__)class RedisUtils:def __init__(s…...

编程日记 2025/7/16 9:04:25

mybatis一对多的查询怎么查？

1.问题描述我有一个班级，班级里有很多学生，我需要一个查询把班级和学生信息查出来，怎么查？ 这里有个问题，就是我班级的命名和学生的命名可能重了。例如： class Gradle{ private String id; private …...

编程日记 2025/7/14 23:45:04

[C++]友元函数和友元类

1. 友元函数 1.1 友元函数的概念友元函数是一个非成员函数，它被类声明为“友元”，从而能够访问类的私有成员和保护成员。正常情况下，类的外部函数是不能访问类的私有成员的，而友元函数打破了这一限制。 class MyClass { priva…...

编程日记 2025/7/13 22:24:47

实战：MyBatis适配多种数据库：MySQL、Oracle、PostGresql等

概叙很多时候，一套代码要适配多种数据库，主流的三种库：MySQL、Oracle、PostGresql，刚好mybatis支持这种扩展，如下图所示，在一个“namespace”，判断唯一的标志是iddatabaseId，刚好写…...

编程日记 2025/7/14 1:16:52

2024年天津市职业院校技能大赛高职组 “信息安全管理与评估”样题第三阶段

（四）第三阶段竞小组（赛项）目（300分） 第三阶段竞赛内容是:网络安全渗透（夺旗挑战赛CTF） 本模块要求参赛者作为攻击方，运用所学的信息收集、漏洞发现、漏洞利用等渗透测试技…...

编程日记 2025/7/14 1:39:23

游戏引擎学习第36天

仓库 :https://gitee.com/mrxiao_com/2d_game 回顾之前的内容在这个程序中，目标是通过手动编写代码来从头开始制作一个完整的游戏。整个过程不使用任何库或现成的游戏引擎，这样做的目的是为了能够全面了解游戏执行的每一个细节。开发过程中&#xff0…...

编程日记 2025/7/12 16:27:58

数仓技术hive与oracle对比（一）

准备包括软硬件环境、数据、测试数据三方面的准备内容。环境虚拟机软件virtualbox7，同样的虚拟机配置：内存2G、cpu一核，物理主机同一台macbookpro（13-2020款），所以硬盘IO读写速度一致。综上&#x…...

编程日记 2025/7/14 12:05:10

LeetCode题集-5 - 最长回文子串（一）

题目：给你一个字符串 s，找到 s 中最长的回文子串。这一题作为中等难度，常规解法对于大多数人应该都没有难度。但是其中也有超难的解决办法，下面我们就一起由易到难，循序渐进地来解这道题。 01、暴力破解法对于大多…...

编程日记 2025/7/15 13:13:02

A3026 Java+jsp+servlet+mysql高校学生请假管理系统

高校学生请假管理系统 1.摘要2. 绪论3.功能结构4.界面展示5.源码获取 1.摘要高校学生请假管理系统摘要：随着计算机的发展与不断进步，各个领域都出现了新的技术，曾经各种规模之间的竞争已经发展成为技术之间的竞争，管理和人才之…...

编程日记 2025/7/15 4:40:53

LDO低压差线性稳压器

1. 简介 LDO 是 “Low Dropout Regulator” 的缩写，中文称为“低压差线性稳压器”。LDO 稳压器是一种用于电压调节的电子设备，它的主要特点是输出电压和输入电压之间的压差非常低。这种特性使得 LDO 在许多应用场景中非常有用，特别是在需要高…...

编程日记 2025/7/13 9:11:28

Angular由一个bug说起之十一：排序之后无法展开 Row

问题现象在使用 Material Table 时，排序功能触发了一个奇怪的 Bug：表格的 Row 无法展开。最终排查发现，问题的根源在于 trackBy 的错误使用。trackBy 方法接受两个参数：index（数据索引）和 row（…...

编程日记 2025/7/12 10:30:26

wlanapi.dll丢失怎么办？有没有什么靠谱的修复wlanapi.dll方法

在遇到各种系统文件错误当中，其中之一就是“wlanapi.dll文件丢失”的问题。这种问题通常发生在Windows操作系统上，特别是当系统试图执行与无线网络相关的任务时。wlanapi.dll是一个重要的系统文件，它负责处理Windows无线网络服务的许多功能。…...

编程日记 2025/7/13 16:53:57

redis安装和使用教程【保姆级】

1.下载通过网盘分享的文件：redis 链接: https://pan.baidu.com/s/1Tu1KZkf33YJFdul8s6SzqQ?pwd8888 提取码: 8888 2.启动进入根目录，使用redis-server redis.windows.conf命令启行启动Redis服务， 如下图所示为启动成功，默认…...

编程日记 2025/7/15 13:08:07

Github 2024-12-01 开源项目月报 Top20

根据Github Trendings的统计，本月(2024-12-01统计)共有20个项目上榜。根据开发语言中项目的数量，汇总情况如下：开发语言项目数量Python项目10TypeScript项目9Go项目2HTML项目1Shell项目1Jupyter Notebook项目1屏幕截图转代码应用创建周期：114 天开发语言：TypeScript, Py…...

编程日记 2025/7/15 19:40:23

C总结（C语言知识点，深化重难点）

C语言 1.使用C语言的7个步骤2.ASCII码3.提高程序可读性的机巧4.如何使用多种整形5.打印多种整形6.课移植类型：stdint.h和inttypes.h7.浮点数常量8.浮点值的上溢和下溢9.使用数据类型11.常量和C预处理器12.转换说明的意义12.1转换不匹配13.副作用和序列点14.数组简介…...

编程日记 2025/7/15 6:29:40

[Collection与数据结构] 位图与布隆过滤器

🌸个人主页:https://blog.csdn.net/2301_80050796?spm1000.2115.3001.5343 🏵️热门专栏: 🧊 Java基本语法(97平均质量分)https://blog.csdn.net/2301_80050796/category_12615970.html?spm1001.2014.3001.5482 🍕 Collection与…...

编程日记 2025/7/13 8:38:00

Redis与缓存

目录缓存缓存优缺点缓存更新策略超时剔除先删缓存再更新数据库旁路缓存(先更新数据库，再删缓存） 先更新数据库，再更新缓存读写穿透编辑异步缓存写入模式缓存常见问题缓存穿透缓存雪崩缓存击穿缓存在业务开发…...

编程日记 2025/7/11 11:51:05

Ubuntu Linux 文件、目录权限问题(五)

本文为Ubuntu Linux操作系统- 第五弹此文是在上期文件目录的内容操作基础上接着讲权限问题上期回顾：Ubuntu Linux 目录和文件的内容操作文件访问者身份与文件访问权限 Linux文件结构所有者（属主）所属组（属组）其他…...

编程日记 2025/7/1 18:19:32

AI 名人堂：Jeff Dean

Jeff Dean，谷歌的高级研究员和人工智能领域的领军人物，以其在大规模分布式计算系统和人工智能系统的杰出贡献而闻名。谷歌AI掌门人 TensorFlow项目负责人美国工程院院士 2AGI.NET AI 名人堂 AI 名人堂：Jeff DeanAI 名人堂：Je…...

编程日记 2025/7/14 19:52:35

基础排序算法详解：冒泡排序、选择排序与插入排序

引言上一章，我们聊到了排序的基本概念和常见算法的分类。这一次，我们从基础开始，深入剖析三种常见的O(n) 排序算法：冒泡排序、选择排序和插入排序。它们是学习排序算法的入门神器，不仅实现简单，还能帮…...

编程日记 2025/7/10 15:06:26

Flink如何基于数据版本使用最新离线数据

业务场景假设批量有一张商户表，表字段中有商户名称和商户分类两个字段。批量需要将最新的商户名称和分类的映射关系推到hbase供实时使用。原实现方案 a.原方案内容为解决批量晚批问题，批量推送hbase表时一份数据产生两类rowkey：T-1和…...

编程日记 2025/7/16 20:15:02

什么是反向代理？作用、原理和实例详解

🚀 什么是反向代理？作用、原理和实例详解在现代的网络架构中，反向代理（Reverse Proxy）无处不在。无论是负载均衡、加速缓存，还是WebSocket 支持，反向代理都是必不可少的工具。这篇文章将带您…...

编程日记 2025/7/15 1:14:01

国产GPU中，VLLM0.5.0发布Qwen2.5-14B-Instruct-GPTQ-Int8模型，请求返回结果乱码

概述国产GPU: DCU Z100 推理框架： vllm0.5.0 docker容器化部署运行如下代码： python -m vllm.entrypoints.openai.api_server --model /app/models/Qwen2.5-14B-Instruct-GPTQ-Int8 --served-model-name qwen-gptq --trust-remote-code --enforce…...

编程日记 2025/7/15 14:14:44

Stable Diffusion本地部署：从零开始的完整指南

1、引言 Stable Diffusion是计算机视觉领域的一个生成式大模型，能够进行文生图（txt2img）和图生图（img2img）等图像生成任务。它利用深度学习技术，特别是RealisticVision v2.0模型，能够创造出接近…...

编程日记 2025/7/14 1:28:23

隐式神经网络实现低光照图像增强

✨✨ 欢迎大家来访Srlua的博文（づ￣3￣）づ╭❤～✨✨ 🌟🌟 欢迎各位亲爱的读者，感谢你们抽出宝贵的时间来阅读我的文章。我是Srlua小谢，在这里我会分享我的知识和经验。&am…...

编程日记 2025/7/14 23:48:03

Flutter动画（三）内建显式动画Widget

常见的内建显式动画Widget： ListenableBuilder： AnimatedBuilder AnimatedWidget AlignTransition DecoratedBoxTransition DefaultTextStyleTransition PositionedTransition RelativePositionedTransition RotationTransition ScaleTransiti…...

编程日记 2025/7/16 11:37:36

springSecurity自定义登陆接口和JWT认证过滤器

下面我会根据该流程图去自定义接口： 我们需要做的任务有： 登陆：1、通过ProviderManager的方法进行认证，生成jwt；2、把用户信息存入redis；3、自定义UserDetailsService实现到数据库查询数据的方法。校验&a…...

编程日记 2025/7/15 16:29:08

Spring Boot日志：从Logger到@Slf4j的探秘

写在前面 Hello大家好，今日是2024年的第一天，祝大家元旦快乐?? 2024第一篇文章从SpringBoot日志开始文章目录一、前言二、日志有什么用？三、日志怎么用？四、自定义日志打印 ?? 常见日志框架说明4.1 在程序中得到?志对象【…...

编程日记 2025/7/15 4:30:08

使用 LabVIEW 与 PLC 通信的方式

要将 PLC 与 LabVIEW 或其他 NI 产品进行通信，首先需要明确 PLC 支持的通信协议和接口类型。NI 提供了多种方案，包括 OPC 服务器、Modbus、Ethernet/IP 和其他工业通信协议。下面将详细介绍这些方法，并进行比较分析，帮助你选择最适…...

编程日记 2025/7/16 21:36:56

python录制鼠标键盘操作循环播放

依赖 pip install pynput 程序: from pynput import mouse, keyboard import time import threading# 用于存储录制的鼠标和键盘事件 mouse_events [] keyboard_events []# 定义事件处理函数# 处理鼠标事件 def on_move(x, y):mouse_events.append((move, x, y))def on_cl…...

编程日记 2025/7/11 23:15:37

开发者如何使用GCC提升开发效率Opencv操作

看此篇前请先阅读 https://blog.csdn.net/qq_20330595/article/details/144134160?spm=1001.2014.3001.5502 https://blog.csdn.net/qq_20330595/article/details/144134160?spm=1001.2014.3001.5502 https://blog.csdn.net/qq_20330595/article/details/144216351?spm=1001…...

编程日记 2025/7/15 11:49:19

异常与文件

目录 1.异常 1.1.概念 1.2.常见异常 1.3.异常处理方式 1.3.1.try except 1.3.2.try except else 1.3.3.try except else finally 2.文件 2.1.文件分类 ps：python 程序的数据保存在哪里? 2.2.常见的文件类型 2.3.python 操作文件的函数 2.3.1.读取文件…...

编程日记 2025/7/12 7:49:10

【C语言】完成程序设计填空

文章目录 1、请阅读下面的程序，在空白处填写正确的代码，要求各在一行从头开始输出m和n的值。2、求100~599之间的所有水仙花数,即各位数字的立方和恰好等于该数本身的数。3、以下程序的功能是：将值为三位正整数的变量x中的数值按照个位、十位、百位的顺序拆分并输出。请填空…...

编程日记 2025/7/15 11:11:57

西湖大学：LLM零样本推理任务校准

📖标题：Task Calibration: Calibrating Large Language Models on Inference Tasks 🌐来源：arXiv, 2410.18764 🌟摘要 🔸大型语言模型（LLM）在推理任务上表现出令人印象深刻的零样本…...

编程日记 2025/7/15 15:45:05

windows下Qt5自动编译配置QtMqtt环境（11）

文章目录 [toc]1、概述2、准备1.1 下载源码1.2 配置环境1.3 解释原理 3、编译4、验证5、参考6、视频更多精彩内容👉内容导航 👈👉Qt网络编程 👈 1、概述 Qt默认是不包含mqtt库的，如果需要使用到mqtt库就只能自己编译配…...

编程日记 2025/7/15 20:21:42

每天五分钟深度学习：神经网络的前向传播的计算（多样本）

本文重点前面我们学习了单样本的前向传播，本文我们学习多样本的前向传播，我们先来回忆一下，神经网络的单样本的前向传播的向量化的方式： m个样本依次进行前向传播这里我们说明一下符号：我们使用(m)表示第m个样本，用[m]表示神经网络的第m层 a[2](i) 表示第i个样本计…...

编程日记 2025/7/12 7:16:45

基于 NXP S32K312+FS23 的汽车通用评估板方案

S32K3 系列是 NXP 推出的面向汽车电子和工业应用的微控制器，基于 ARMCortex-M7 内核，支持单核、双核和锁步内核配置。S32K3 系列具有内核、内存和外设数量方面的可扩展性，符合 ISO26262 标准，能达到 ASIL B/D 安全等级&#xff0c…...

编程日记 2025/7/12 9:12:50

11进阶篇：专业课论文阅读方向指南（2025版）

文章目录第一个检索式：图情档核心期刊（北大 + CSSCI）发文情况研究方法类关键词研究主题类关键词论文阅读建议第二个检索式：川大公共管理学院在核心期刊（北大 + CSSCI）的发文情况研究方法类关键词研究主题类关键词特点关键词与2024年972（现815）两道题目的映射情况815信…...

编程日记 2025/7/16 1:45:47

Qt之第三方库‌QXlsx使用（三）

Qt开发系列文章 - QXlsx（三） 目录前言一、Qt开源库二、QXlsx 1.QXlsx介绍 2.QXlsx下载 3.QXlsx移植 4.修改项目文件.pro 三、使用技巧 1.写入数据 2.读出数据总结前言 Qt第三方控件库是指非Qt官方提供的、用于扩展Qt应用程序功能的控件…...

编程日记 2025/7/13 22:32:04

第145场双周赛: 使数组的值全部为 K 的最少操作次数、破解锁的最少时间 Ⅰ、使两个整数相等的位数操作、统计最小公倍数图中的连通块数目

Q1、使数组的值全部为 K 的最少操作次数 1、题目描述给你一个整数数组 nums 和一个整数 k 。如果一个数组中所有严格大于 h 的整数值都相等 ，那么我们称整数 h 是合法的。比方说，如果 nums [10, 8, 10, 8] ，那么 h 9 是一个合法…...

编程日记 2025/7/12 8:55:00

AJAX三、XHR，基本使用，查询参数，数据提交，promise的三种状态，封装-简易axios-获取省份列表 / 获取地区列表 / 注册用户，天气预报

一、XMLHttpRequest基本使用 XMLHttpRequest（XHR）对象用于与服务器交互。二、XMLHttpRequest-查询参数语法: 用 & 符号分隔的键/值对列表三、XMLHttpRequest-数据提交核心步骤 : 1. 请求头设置 Content-Type 2. 请求体携带符合要求的数…...

编程日记 2025/7/16 19:13:56

Android期末复习题

1.如何搭建Android开发环境？ 答案:搭建Android开发环境需要以下几个步骤： （1）下载和安装JDK （2）配置PATH环境变量 （3）下载和安装Android Studio （4）创建A…...

编程日记 2025/7/12 12:20:16

《蓝桥杯比赛规划》

一、比赛简介蓝桥杯全国软件和信息技术专业人才大赛是一项具有较高影响力的编程竞赛，旨在促进软件和信息技术领域专业技术人才的培养，提升高校毕业生的就业竞争力。比赛涵盖了多个编程语言和专业方向，包括 C/C、Java、Python 等。二、目标…...

编程日记 2025/7/16 21:50:05

三、Zookeeper

Zookeeper 三、Zookeeper3.1什么是zookeeper？3.2为什么需要zookeeper3.3Zookeeper基本运行流程3.4Zookeeper数据模型3.5Zookeeper主要角色3.6Zookeeper工作原理3.7Zookeeper节点数据操作流程三、Zookeeper 3.1什么是zookeeper？ ZooKeeper是一个分布式的，开放源码的分布式应…...

编程日记 2025/7/16 19:04:12