当前位置：首页 > news >正文

PyTorch 张量与自动微分操作

news 来源：原创 2025/8/23 19:03:29

笔记

1 张量索引操作

import torch

# 下标从左到右从0开始(0->第一个值), 从右到左从-1开始
# data[行下标, 列下标]
# data[0轴下标, 1轴下标, 2轴下标]

def dm01():# 创建张量torch.manual_seed(0)data = torch.randint(low=0, high=10, size=(4, 5))print('data->', data)# 根据下标值获取对应位置的元素# 行数据 第一行print('data[0] ->', data[0])# 列数据 第一列print('data[:, 0]->', data[:, 0])# 根据下标列表取值# 第二行第三列的值和第四行第五列值print('data[[1, 3], [2, 4]]->', data[[1, 3], [2, 4]])# [[1], [3]: 第二行第三列 第二行第五列值   第四行第三列 第四行第五列值print('data[[[1], [3]], [2, 4]]->', data[[[1], [3]], [2, 4]])# 根据布尔值取值# 第二列大于6的所有行数据print(data[:, 1] > 6)print('data[data[:, 1] > 6]->', data[data[:, 1] > 6])# 第三行大于6的所有列数据print('data[:, data[2]>6]->', data[:, data[2] > 6])# 根据范围取值  切片  [起始下标:结束下标:步长]# 第一行第三行以及第二列第四列张量print('data[::2, 1::2]->', data[::2, 1::2])
# 创建三维张量data2 = torch.randint(0, 10, (3, 4, 5))print("data2->", data2)# 0轴第一个值print(data2[0, :, :])# 1轴第一个值print(data2[:, 0, :])# 2轴第一个值print(data2[:, :, 0])


if __name__ == '__main__':dm01()

2 张量形状操作

2.1 reshape

import torch


# reshape(shape=(行,列)): 修改连续或非连续张量的形状, 不改数据
# -1: 表示自动计算行或列   例如:  (5, 6) -> (-1, 3) -1*3=5*6 -1=10  (10, 3)
def dm01():torch.manual_seed(0)t1 = torch.randint(0, 10, (5, 6))print('t1->', t1)print('t1的形状->', t1.shape)# 形状修改为 (2, 15)t2 = t1.reshape(shape=(2, 15))t3 = t1.reshape(shape=(2, -1))print('t2->', t2)print('t2的形状->', t2.shape)print('t3->', t3)print('t3的形状->', t3.shape)



if __name__ == '__main__':dm01()

2.2 squeeze和unsqueeze

# squeeze(dim=): 删除值为1的维度, dim->指定维度, 维度值不为1不生效  不设置dim,删除所有值为1的维度
# 例如: (3,1,2,1) -> squeeze()->(3,2)  squeeze(dim=1)->(3,2,1)
# unqueeze(dim=): 在指定维度上增加值为1的维度  dim=-1:最后维度
def dm02():torch.manual_seed(0)# 四维t1 = torch.randint(0, 10, (3, 1, 2, 1))print('t1->', t1)print('t1的形状->', t1.shape)# squeeze: 降维t2 = torch.squeeze(t1)print('t2->', t2)print('t2的形状->', t2.shape)# dim: 指定维度t3 = torch.squeeze(t1, dim=1)print('t3->', t3)print('t3的形状->', t3.shape)# unsqueeze: 升维# (3, 2)->(1, 3, 2)# t4 = t2.unsqueeze(dim=0)# 最后维度 (3, 2)->(3, 2, 1)t4 = t2.unsqueeze(dim=-1)print('t4->', t4)print('t4的形状->', t4.shape)


if __name__ == '__main__':dm02()

2.3 transpose和permute

# 调换维度
# torch.permute(input=,dims=): 改变张量任意维度顺序
# input: 张量对象
# dims: 改变后的维度顺序, 传入轴下标值 (1,2,3)->(3,1,2)
# torch.transpose(input=,dim0=,dim1=): 改变张量两个维度顺序
# dim0: 轴下标值, 第一个维度
# dim1: 轴下标值, 第二个维度
# (1,2,3)->(2,1,3) 一次只能交换两个维度
def dm03():torch.manual_seed(0)t1 = torch.randint(low=0, high=10, size=(3, 4, 5))print('t1->', t1)print('t1形状->', t1.shape)# 交换0维和1维数据# t2 = t1.transpose(dim0=1, dim1=0)t2 = t1.permute(dims=(1, 0, 2))print('t2->', t2)print('t2形状->', t2.shape)# t1形状修改为 (5, 3, 4)t3 = t1.permute(dims=(2, 0, 1))print('t3->', t3)print('t3形状->', t3.shape)


if __name__ == '__main__':dm03()

2.4 view和contiguous

# tensor.view(shape=): 修改连续张量的形状, 操作等同于reshape()
# tensor.is_contiugous(): 判断张量是否连续, 返回True/False  张量经过transpose/permute处理变成不连续
# tensor.contiugous(): 将张量转为连续张量
def dm04():torch.manual_seed(0)t1 = torch.randint(low=0, high=10, size=(3, 4))print('t1->', t1)print('t1形状->', t1.shape)print('t1是否连续->', t1.is_contiguous())# 修改张量形状t2 = t1.view((4, 3))print('t2->', t2)print('t2形状->', t2.shape)print('t2是否连续->', t2.is_contiguous())# 张量经过transpose操作t3 = t1.transpose(dim0=1, dim1=0)print('t3->', t3)print('t3形状->', t3.shape)print('t3是否连续->', t3.is_contiguous())# 修改张量形状# view# contiugous(): 转换成连续张量t4 = t3.contiguous().view((3, 4))print('t4->', t4)t5 = t3.reshape(shape=(3, 4))print('t5->', t5)print('t5是否连续->', t5.is_contiguous())


if __name__ == '__main__':dm04()

3 张量拼接操作

3.1 cat/concat

import torch


# torch.cat()/concat(tensors=, dim=): 在指定维度上进行拼接, 其他维度值必须相同, 不改变新张量的维度, 指定维度值相加
# tensors: 多个张量列表
# dim: 拼接维度
def dm01():torch.manual_seed(0)t1 = torch.randint(low=0, high=10, size=(2, 3))t2 = torch.randint(low=0, high=10, size=(2, 3))t3 = torch.cat(tensors=[t1, t2], dim=0)print('t3->', t3)print('t3形状->', t3.shape)t4 = torch.concat(tensors=[t1, t2], dim=1)print('t4->', t4)print('t4形状->', t4.shape)
if __name__ == '__main__':# dm01()

3.2 stack

# torch.stack(tensors=, dim=): 根据指定维度进行堆叠, 在指定维度上新增一个维度(维度值张量个数), 新张量维度发生改变
# tensors: 多个张量列表
# dim: 拼接维度
def dm02():torch.manual_seed(0)t1 = torch.randint(low=0, high=10, size=(2, 3))t2 = torch.randint(low=0, high=10, size=(2, 3))t3 = torch.stack(tensors=[t1, t2], dim=0)# t3 = torch.stack(tensors=[t1, t2], dim=1)print('t3->', t3)print('t3形状->', t3.shape)


if __name__ == '__main__':dm02()

4 自动微分模块

4.1 梯度计算

"""
梯度: 求导,求微分 上山下山最快的方向
梯度下降法: W1=W0-lr*梯度   lr是可调整已知参数  W0:初始模型的权重,已知  计算出W0的梯度后更新到W1权重
pytorch中如何自动计算梯度 自动微分模块
注意点: ①loss标量和w向量进行微分  ②梯度默认累加,计算当前的梯度, 梯度值是上次和当前次求和  ③梯度存储.grad属性中
"""
import torch


def dm01():# 创建标量张量 w权重# requires_grad: 是否自动微分,默认False# dtype: 自动微分的张量元素类型必须是浮点类型# w = torch.tensor(data=10, requires_grad=True, dtype=torch.float32)# 创建向量张量 w权重w = torch.tensor(data=[10, 20], requires_grad=True, dtype=torch.float32)# 定义损失函数, 计算损失值loss = 2 * w ** 2print('loss->', loss)print('loss.sum()->', loss.sum())# 计算梯度 反向传播  loss必须是标量张量,否则无法计算梯度loss.sum().backward()# 获取w权重的梯度值print('w.grad->', w.grad)w.data = w.data - 0.01 * w.gradprint('w->', w)


if __name__ == '__main__':dm01()

4.2 梯度下降法求最优解

"""
① 创建自动微分w权重张量
② 自定义损失函数 loss=w**2+20  后续无需自定义,导入不同问题损失函数模块
③ 前向传播 -> 先根据上一版模型计算预测y值, 根据损失函数计算出损失值
④ 反向传播 -> 计算梯度
⑤ 梯度更新 -> 梯度下降法更新w权重
"""
import torch


def dm01():# ① 创建自动微分w权重张量w = torch.tensor(data=10, requires_grad=True, dtype=torch.float32)print('w->', w)# ② 自定义损失函数 后续无需自定义, 导入不同问题损失函数模块loss = w ** 2 + 20print('loss->', loss)# 0.01 -> 学习率print('开始 权重x初始值:%.6f (0.01 * w.grad):无 loss:%.6f' % (w, loss))for i in range(1, 1001):# ③ 前向传播 -> 先根据上一版模型计算预测y值, 根据损失函数计算出损失值loss = w ** 2 + 20# 梯度清零 -> 梯度累加, 没有梯度默认Noneif w.grad is not None:w.grad.zero_()# ④ 反向传播 -> 计算梯度loss.sum().backward()# ⑤ 梯度更新 -> 梯度下降法更新w权重# W = W - lr * W.grad# w.data -> 更新w张量对象的数据, 不能直接使用w(将结果重新保存到一个新的变量中)w.data = w.data - 0.01 * w.gradprint('w.grad->', w.grad)print('次数:%d 权重w: %.6f, (0.01 * w.grad):%.6f loss:%.6f' % (i, w, 0.01 * w.grad, loss))
print('w->', w, w.grad, 'loss最小值', loss)


if __name__ == '__main__':dm01()

4.3 梯度计算注意点

# 自动微分的张量不能转换成numpy数组, 可以借助detach()方法生成新的不自动微分张量
import torch


def dm01():x1 = torch.tensor(data=10, requires_grad=True, dtype=torch.float32)print('x1->', x1)# 判断张量是否自动微分 返回True/Falseprint(x1.requires_grad)# 调用detach()方法对x1进行剥离, 得到新的张量,不能自动微分,数据和原张量共享x2 = x1.detach()print(x2.requires_grad)print(x1.data)print(x2.data)print(id(x1.data))print(id(x2.data))# 自动微分张量转换成numpy数组n1 = x2.numpy()print('n1->', n1)


if __name__ == '__main__':dm01()

4.4 自动微分模块应用

import torch
import torch.nn as nn  # 损失函数,优化器函数,模型函数


def dm01():# todo:1-定义样本的x和yx = torch.ones(size=(2, 5))y = torch.zeros(size=(2, 3))print('x->', x)print('y->', y)# todo:2-初始模型权重 w b 自动微分张量w = torch.randn(size=(5, 3), requires_grad=True)b = torch.randn(size=(3,), requires_grad=True)print('w->', w)print('b->', b)# todo:3-初始模型,计算预测y值y_pred = torch.matmul(x, w) + bprint('y_pred->', y_pred)# todo:4-根据MSE损失函数计算损失值# 创建MSE对象, 类创建对象criterion = nn.MSELoss()loss = criterion(y_pred, y)print('loss->', loss)# todo:5-反向传播,计算w和b梯度loss.sum().backward()print('w.grad->', w.grad)print('b.grad->', b.grad)


if __name__ == '__main__':dm01()

PyTorch 张量与自动微分操作

笔记 1 张量索引操作 import torch # 下标从左到右从0开始(0->第一个值), 从右到左从-1开始 # data[行下标, 列下标] # data[0轴下标, 1轴下标, 2轴下标] def dm01():# 创建张量torch.manual_seed(0)data torch.randint(low0, high10, size(4, 5))print(data->,…...

编程日记 2025/8/23 19:03:29

C语言数据在内存中的存储详解

在 C 语言的编程世界里，理解数据在内存中的存储方式是非常重要的，它能帮助我们更好地掌握数据类型、内存管理和程序性能优化等内容。今天，我就来给大家详细讲解数据在内存中的存储，包括整数、大小端字节序和浮点数的存储方式&…...

编程日记 2025/8/22 11:48:01

【AI大模型】SpringBoot整合Spring AI 核心组件使用详解

目录一、前言二、Spring AI介绍 2.1 Spring AI介绍 2.2 Spring AI主要特点 2.3 Spring AI核心组件 2.4 Spring AI应用场景 2.5 Spring AI优势 2.5.1 与 Spring 生态无缝集成 2.5.2 模块化设计 2.5.3 简化 AI 集成 2.5.4 支持云原生和分布式计算 2.5.5 安全性保障…...

编程日记 2025/8/23 19:03:25

linux-文件操作

在 Linux 系统中，文件操作与管理是日常使用和系统管理的重要组成部分。下面将详细介绍文件的复制、移动、链接创建，以及文件查找、文本处理、排序、权限管理等相关知识。一、文件的复制在 Linux 里，cp 命令可用于复制文件或目录&#xff…...

编程日记 2025/8/23 19:00:36

丢失的数字 --- 位运算

目录一：题目二：算法原理三：代码实现一：题目题目链接： 268. 丢失的数字 - 力扣（LeetCode） 二：算法原理三：代码实现 class Solution { public:int missingNumb…...

编程日记 2025/8/19 8:53:48

从Rtos到Linux：学习的策略

这里目的只是为了学习，哪天工作需要用上了能更顺利的上手，写文章的目的是为了记录和便于查询。工作的前两年主要是以mcu裸机为主，目的是压缩资源以最少的ram和flash实现最多的功能，后来五年做的东西越来越复杂的跑的rtos&#xff…...

编程日记 2025/8/22 3:05:56

BUUCTF——Mark loves cat

BUUCTF——Mark loves cat 进入靶场简单的看了一下功能点扫一下目录吧扫目录发现一个.git 下一下源码看看找到个flag.php和index.php <?php$flag file_get_contents(/flag);再看看index.php（代码有点长，所以只留了后面有用的） &…...

编程日记 2025/8/20 12:24:41

C/C++滑动窗口算法深度解析与实战指南

C/C滑动窗口算法深度解析与实战指南引言滑动窗口算法是解决数组/字符串连续子序列问题的利器，通过动态调整窗口边界，将暴力解法的O(n)时间复杂度优化至O(n)。本文将系统讲解滑动窗口的核心原理、C/C实现技巧及经典应用场景，助您掌握这一高…...

编程日记 2025/8/19 9:15:27

Webug4.0靶场通关笔记15- 第19关文件上传(畸形文件)

目录第19关文件上传(畸形文件) 1.打开靶场 2.源码分析 （1）客户端源码 （2）服务器源码 3.渗透实战 （1）构造脚本 （2）双写绕过 （3）访问脚本本文通过《…...

编程日记 2025/8/19 6:38:38

黑马点评大总结

8.2.1 短信登录首先是用户提交手机号，后端将生成的验证码以及用户信息存入session中，用户登录时进行拦截并从session中拿出来信息校验，并把用户信息存入ThreadLocal中session共享问题：每个tomcat有自己的一份session&#xff0c…...

编程日记 2025/8/21 23:44:57

LeetCode：返回倒数第k个结点

1、题目描述实现一种算法，找出单向链表中倒数第 k 个节点。返回该节点的值。注意：本题相对原题稍作改动示例： 输入： 1->2->3->4->5 和 k 2 输出： 4 说明： 给定的 k 保证是有效的。 2、…...

编程日记 2025/8/22 7:22:07

zotero pdf中英翻译插件使用

最近发现一个pdf中英翻译的神器zotero-pdf2zh，按照官方安装教程走一遍的时候，发现一些流程不清楚的问题， 此文就是整理一些安装需要的文件以及遇到的问题： 相关文件下载地址 Zotero 是一款免费的、开源的文献管理工具&#xff0…...

编程日记 2025/8/19 3:33:13

Java后端程序员学习前端之CSS

什么是css Cascading Style Sheet 层叠级联样式表表现 (美化网页) 字体，颜色，边距，高度，宽度，背景图片，网页定位，网页浮动.. 发展史 CSS1.0 CSS2.0 DIV(块)CSS，HTML与CSS结构分离…...

编程日记 2025/8/21 7:24:09

MySQL——数据库基础操作

学习MySQL之前，要先配置好相关环境与软件下载，怎么就不展开了：找找网上对应环境下的教程即可目录数据库与MySQL 案例使用 MySQL架构 SQL指令分类储存引擎库操作创建数据库编码集与校验规则校验规则的影响删除数据库数…...

编程日记 2025/8/21 19:37:00

[低代码 + AI] 明道云与 Dify 的三种融合实践方式详解

随着低代码平台和大语言模型工具的不断发展，将企业数据与智能交互能力融合，成为提高办公效率与自动化水平的关键一步。明道云作为一款成熟的低代码平台，Dify 则是一个支持自定义工作流的开源 LLM 应用框架。两者结合，可以实现灵活、高效的智能化业务处理。本文将详解明道…...

编程日记 2025/8/20 20:36:06

湖北理元理律师事务所：规模化债事服务的探索与实践

在个人债务问题日益普遍化的当下，如何通过合法、系统化的服务帮助债务人化解危机，成为法律服务业的重要课题。湖北理元理律师事务所作为经国家司法局批准设立的债事服务机构，其构建的“法律技术金融”服务模式，为债务优化领域提供…...

编程日记 2025/8/21 22:36:50

MySQL JOIN详解：掌握数据关联的核心技能

一、为什么需要JOIN？ 在关系型数据库中，数据通常被拆分到不同的表中以提高存储效率。当我们需要从多个表中组合数据时，JOIN操作就成为了最关键的技能。通过本文，您将全面掌握MySQL中7种JOIN操作，并学会如何在实际场景中…...

编程日记 2025/8/22 22:07:42

深入浅出数据库规范化的三大范式

数据库的“成长之路”：从1NF到3NF的规范化进化在数据库的世界里，关系模式就像一个“孩子”，需要一步步学习“规矩”，才能健康成长。今天，我们就来聊聊数据库的规范化历程——从第一范式（1NF）出…...

编程日记 2025/8/18 20:14:19

精益数据分析（39/126）：SaaS与移动应用商业模式的关键要点剖析

精益数据分析（39/126）：SaaS与移动应用商业模式的关键要点剖析在创业和数据分析的探索之旅中，每一次深入研究不同的商业模式都是一次宝贵的学习机会。今天，依旧怀揣着与大家共同进步的期望，深入解读《精益…...

编程日记 2025/8/17 9:27:49

【PostgreSQL数据分析实战：从数据清洗到可视化全流程】4.3 数据脱敏与安全（模糊处理/掩码技术）

👉 点击关注不迷路 👉 点击关注不迷路 👉 点击关注不迷路文章大纲 PostgreSQL数据脱敏实战：从模糊处理到动态掩码的全流程解析4.3 数据脱敏与安全：模糊处理与掩码技术深度实践4.3.1 数据脱敏的核心技术体系4.3.1.1 技…...

编程日记 2025/8/20 12:16:10

nginx面试题

nginx 返回状态码413 Nginx 状态码 413 表示“请求实体过大”（Request Entity Too Large），意味着客户端发送的请求体大小超过了服务器允许的限制。解决方法修改 Nginx 配置文件： 找到 Nginx 配置文件，通常位于 /etc…...

编程日记 2025/8/22 6:05:23

flink rocksdb状态说明

文章目录 1.默认情况2.flink中的状态3.RocksDB4.对比情况5.使用6.RocksDB架构7.参考文章8.总结提示：以下主要考虑flink 状态永久存储 rocksdb情况，做一些简单说明 1.默认情况当flink使用rocksdb存储状态时。无论是永久存储还是临时存储都可能会落盘写文件(如果没有配置存储…...

编程日记 2025/8/21 18:11:33

Linux | WEB服务器的部署及优化

一. web服务的常用知识 1.1 www www（World Wide Web）：即为万维网，常被称为“全球信息广播”。它是一种基于超文本和HTTP协议，能够将文字、图形、影像以及声音等多媒体信息，通过超链接的方式组织在一起&…...

编程日记 2025/8/21 18:18:44

Nginx正反向代理与正则表达式

目录一：正向代理 1.编译安装nginx 2.配置正向代理二：反向代理 1.配置nginx七层代理 2.配置nginx四层代理三：nginx 缓存 1.缓存功能的核心原理和缓存类型 2.代理缓存功能设置四：nginx rewrite 和正则表达式 1.Nginx…...

编程日记 2025/8/19 9:15:32

字节：LLM自动化证明工程基准

📖标题：APE-Bench I: Towards File-level Automated Proof Engineering of Formal Math Libraries 🌐来源：arXiv, 2504.19110 🌟摘要 🔸大型语言模型（LLM）的最新进展在形式定理证明…...

编程日记 2025/8/21 2:35:57

豆包多轮对话优化策略：上下文理解与记忆,意图识别，对话管理

豆包多轮对话优化策略：上下文理解与记忆,意图识别，对话管理上下文理解与记忆：我会分析每一轮用户输入的文本内容，理解其中的语义、意图和关键信息，并将这些信息与之前轮次的对话内容相结合，形成对整个对话上下文的理解和记忆。例如，在一个关于旅游规划的对话中，用户先…...

编程日记 2025/8/22 15:25:58

ADK 第四篇 Runner 执行器

智能体执行器 Runner，负责完成一次用户需求的响应，是ADK中真正让Agent运行起来的引擎，其核心功能和Agents SDK中的Runner类似，具体作用如下： 会话管理：自动读取/写入 SessionService，维护历史信…...

编程日记 2025/8/19 3:33:37

yolo 用roboflow标注的数据集本地训练 kaggle训练 comet使用训练笔记5

本地训练 8gb内存，机械硬盘用了4分钟训练完了 ........... model torch.hub.load(path/to/yolov5, custom, path./runs/train/exp10/weights/best.pt, sourcelocal) 连不上github kaggel训练传kaggle了 # Train YOLOv5s on COCO128 for 3 epochs !python train…...

编程日记 2025/8/18 2:41:40

chili3d笔记11 连接yolo python http.server 跨域请求 flask

from ultralytics import YOLO from flask import Flask, request, jsonify from flask_cors import CORS import base64 from io import BytesIO from PIL import Image import json# 加载模型 model YOLO(./yolo_detect/best.pt)app Flask(__name__) CORS(app) # 启用跨域…...

编程日记 2025/8/23 5:48:47

安全为上，在系统威胁建模中使用量化分析

*注：Open FAIR™ 知识体系是一种开放和独立的信息风险分析方法。它为理解、分析和度量信息风险提供了分类和方法。Open FAIR作为领先的风险分析方法论，已得到越来越多的大型组织认可。在数字化风险与日俱增的今天，企业安全决策正面临双重挑战…...

编程日记 2025/8/20 22:23:58

STA中的multi_cycle 和false_path详细讨论

特殊路径：跨时钟域下的exception_path：分为多种情况优先 1、不同clk_domain ,但频率相同 create_clock -name CLKM -period 10 -waveform {0 5} [get_ports CLKM] create_clock -name CLKP -period 10 -waveform {0 5} [get_ports CLKP] set_multicycl…...

编程日记 2025/8/21 10:27:29

Vite 的工作流程

Vite 的工作流程基于其创新的 “预构建按需加载” 机制，通过利用现代浏览器对原生 ES 模块的支持，显著提升了开发效率和构建速度。以下是其核心工作流程的详细分析： 一、开发环境工作流程 1. 启动开发服务器冷启动：通过 npm …...

编程日记 2025/8/17 10:11:43

NGINX 的 ngx_http_auth_jwt_module模块

一、模块概述 ngx_http_auth_jwt_module 模块用于通过验证请求中提供的 JWT 来进行客户端授权。此模块支持 JSON Web 签名（JWS）、JSON Web 加密（JWE）以及嵌套 JWT（Nested JWT），使其成为一种灵活…...

编程日记 2025/8/22 19:24:34

【Game】Powerful——Transformation Card（10）

文章目录 1 级卡片2 级卡片3 级卡片4 级卡片5 级卡片6 级卡片7 级卡片8 级卡片8.1、神兽8.2、珍兽 9、其他9.1、5 级变身卡9.2、8 级变身卡 10、PK 汇总物理 11、卡片合成 1 级卡片千变万化等级要求：1 级金钱龟，防御30⬆ 大耳兔，速度15⬆…...

编程日记 2025/8/18 20:15:30

【算法学习】递归、搜索与回溯算法（一）

算法学习： https://blog.csdn.net/2301_80220607/category_12922080.html?spm1001.2014.3001.5482 前言： 这个专题与前面的相比是比较有难度的，但是在平时刷题时出现的概率还是非常高的，下面还是按照之前的逻辑来理清一下这几道…...

编程日记 2025/8/17 10:21:38

发行基础：上传版本注意事项

1、steam的规则是上传，提审，随时可更新。 2、基本流程：根据app id以及depot id，上传本地游戏文件到服务器，把分支版本设置为默认，发布。试玩版与正式版的app id与depot id是相互独立的。 3、理论上开发者…...

编程日记 2025/8/19 4:43:02

智算中心建设方案和前景分析

智算中心建设方案和前景分析一、智算中心的概念与重要性 1.1 定义与内涵智算中心，即智能计算中心，是基于最新人工智能理论，采用领先的人工智能计算架构，专门为人工智能应用提供所需的算力服务、数据服务和算法服务的新型基础…...

编程日记 2025/8/20 6:00:36

亚马逊卖家复刻案例：用社群分层策略实现海外用户月均消费3.2次

近年来，随着跨境电商市场的快速发展，全球消费模式经历深刻变革。尤其是在美国、欧洲等成熟市场，中小卖家面对高度市场集中和运营成本上升的双重压力，纷纷寻求以更精细化的用户运营来提高客户复购率，增加单用户价值。20…...

编程日记 2025/8/22 3:06:15

小刚说C语言刷题—1038编程求解数学中的分段函数

1.题目描述编程求解数学中的分段函数。 …………x1 (当 x>0 )。 yf(x)…0 (当 x0 )。 ………x−1 (当 x<0 )。上面描述的意思是： 当x>0 时 yx1 ; 当 x0 时 y0 ; 当 x<0 时 yx−1 。输入输入一行，只有一个整数x(−30000≤x≤30…...

编程日记 2025/8/16 20:43:28

kotlin 03flow-stateFlow和sharedFlow企业中使用

一 stateFlow和sharedFlow企业中使用在企业级 Kotlin 项目中，StateFlow 和 SharedFlow 是状态管理与事件分发的核心工具，尤其在 MVVM 架构中扮演着极为关键的角色。 ✅ 企业中如何使用 StateFlow 和 SharedFlow 场景工具示例UI 状态同步&#xff…...

编程日记 2025/8/23 10:56:06

【机器学习|学习笔记】决策树Decision Tree（DT）的起源、原理、发展、改进和应用（附代码）

【机器学习|学习笔记】决策树Decision Tree（DT）的起源、原理、发展、改进和应用（附代码） 【机器学习|学习笔记】决策树Decision Tree（DT）的起源、原理、发展、改进和应用（附代码） 文…...

编程日记 2025/8/20 13:02:34

Kotlin-空值和空类型

变量除了能引用一个具体的值之外,还有一种特殊的值,那就是 null, 它代表空值, 也就是不引用任何对象在Kotlin中, 对空值的处理是非常严格的,正常情况下,我们的变量是不能直接赋值为 null 的,否则无法编译通过, 这直接在编译阶段就避免了空指针问题 Kotlin中所有的类型默认都是…...

编程日记 2025/8/19 23:12:46

Java 企业级开发设计模式全解析

Java 企业级开发设计模式全解析在 Java 企业级开发的复杂领域中，设计模式如同精湛的工匠工具，能够帮助开发者构建高效、可维护、灵活且健壮的软件系统。它们是无数开发者在长期实践中总结出的解决常见问题的最佳方案，掌握这些模式对于提升开…...

编程日记 2025/8/17 10:49:17

高并发内存池

文章目录前言一、项目介绍二、内存池介绍1.池化技术2.内存池3.malloc视角下内存的管理三、定长内存池3.1 设计思路3.2 数据结构四、高并发内存池整体框架设计4.1 thread cachethreadcache哈希桶映射对齐规则threadcache TLS无锁访问 4.2 central cachecentral cache结构设计…...

编程日记 2025/8/20 17:17:47

常用对称加密算法的Python实现及详解

文章目录 **常用对称加密算法的Python实现及详解****1. 对称加密概述****1.1 对称加密的基本原理****1.2 对称加密的分类****1.3 对称加密的应用** **2. DES（Data Encryption Standard）****2.1 算法原理****2.2 Python实现****2.3 安全性分析** **3. 3DE…...

编程日记 2025/8/21 16:43:56