当前位置：首页 > news >正文

[模型选择与调优]机器学习-part4

news 来源：原创 2025/8/2 20:24:04

七模型选择与调优

1 交叉验证

(1) 保留交叉验证HoldOut

HoldOut Cross-validation（Train-Test Split）

在这种交叉验证技术中，整个数据集被随机地划分为训练集和验证集。根据经验法则，整个数据集的近70%被用作训练集，其余30%被用作验证集。也就是我们最常使用的，直接划分数据集的方法。

优点：很简单很容易执行。

缺点1：不适用于不平衡的数据集。假设我们有一个不平衡的数据集，有0类和1类。假设80%的数据属于 “0 “类，其余20%的数据属于 “1 “类。这种情况下，训练集的大小为80%，测试数据的大小为数据集的20%。可能发生的情况是，所有80%的 “0 “类数据都在训练集中，而所有 “1 “类数据都在测试集中。因此，我们的模型将不能很好地概括我们的测试数据，因为它之前没有见过 “1 “类的数据。

缺点2：一大块数据被剥夺了训练模型的机会。

在小数据集的情况下，有一部分数据将被保留下来用于测试模型，这些数据可能具有重要的特征，而我们的模型可能会因为没有在这些数据上进行训练而错过。

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_splitiris = load_iris()
x = iris.data
y = iris.target
# Hold-Out保留交叉验证
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.3,random_state=1)
print(y_test)

(2) K-折交叉验证(K-fold)

（K-fold Cross Validation，记为K-CV或K-fold）

K-Fold交叉验证技术中，整个数据集被划分为K个大小相同的部分。每个分区被称为一个”Fold”。所以我们有K个部分，我们称之为K-Fold。一个Fold被用作验证集，其余的K-1个Fold被用作训练集。

该技术重复K次，直到每个Fold都被用作验证集，其余的作为训练集。

模型的最终准确度是通过取k个模型验证数据的平均准确度来计算的。

# 交叉验证
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.model_selection import KFoldiris = load_iris()
x = iris.data
y = iris.target# K-Fold  交叉验证
kf = KFold(n_splits=5,shuffle=True,random_state=1)
index = kf.split(x,y)
# print(next(index))
# print("---------------")
# print(next(index))
for train_index,test_index in index:x_train,x_test = x[train_index],x[test_index]y_train,y_test = y[train_index],y[test_index]print(x_train,x_test,y_train,y_test)

(3) 分层k-折交叉验证Stratified k-fold

Stratified k-fold cross validation,

K-折交叉验证的变种，分层的意思是说在每一折中都保持着原始数据中各个类别的比例关系，比如说：原始数据有3类，比例为1:2:1，采用3折分层交叉验证，那么划分的3折中，每一折中的数据类别保持着1:2:1的比例，这样的验证结果更加可信。

# 交叉验证
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.model_selection import StratifiedKFoldiris = load_iris()
x = iris.data
y = iris.target# SSK-Fold  分层k折交叉验证
kf = StratifiedKFold(n_splits=5)
index = kf.split(x,y)
# print(next(index))
# print("---------------")
# print(next(index))
for train_index,test_index in index:x_train,x_test = x[train_index],x[test_index]y_train,y_test = y[train_index],y[test_index]print(x_train,x_test,y_train,y_test)break

(4) 其它验证

去除p交叉验证)
留一交叉验证）
蒙特卡罗交叉验证
时间序列交叉验证

(5)API

from sklearn.model_selection import StratifiedKFold

说明:普通K折交叉验证和分层K折交叉验证的使用是一样的只是引入的类不同

from sklearn.model_selection import KFold

使用时只是KFold这个类名不一样其他代码完全一样

strat_k_fold=sklearn.model_selection.StratifiedKFold(n_splits=5, shuffle=True, random_state=42)

n_splits划分为几个折叠 shuffle是否在拆分之前被打乱(随机化),False则按照顺序拆分 random_state随机因子

indexs=strat_k_fold.split(X,y)

返回一个可迭代对象,一共有5个折叠,每个折叠对应的是训练集和测试集的下标

然后可以用for循环取出每一个折叠对应的X和y下标来访问到对应的测试数据集和训练数据集以及测试目标集和训练目标集

for train_index, test_index in indexs:

X[train_index] y[train_index] X[test_index ] y[test_index ]

2 超参数搜索

超参数搜索也叫网格搜索(Grid Search)

比如在KNN算法中，k是一个可以人为设置的参数，所以就是一个超参数。网格搜索能自动的帮助我们找到最好的超参数值。

3 sklearn API

class sklearn.model_selection.GridSearchCV(estimator, param_grid)

说明：
同时进行交叉验证(CV)、和网格搜索(GridSearch)，GridSearchCV实际上也是一个估计器(estimator)，同时它有几个重要属性：best_params_  最佳参数best_score_ 在训练集中的准确率best_estimator_ 最佳估计器cv_results_ 交叉验证过程描述best_index_最佳k在列表中的下标
参数：estimator： scikit-learn估计器实例param_grid:以参数名称（str）作为键，将参数设置列表尝试作为值的字典示例： {"n_neighbors": [1, 3, 5, 7, 9, 11]}cv: 确定交叉验证切分策略,值为:(1)None  默认5折(2)integer  设置多少折如果估计器是分类器，使用"分层k-折交叉验证(StratifiedKFold)"。在所有其他情况下，使用KFold。

4 示例-鸢尾花分类

用KNN算法对鸢尾花进行分类，添加网格搜索和交叉验证

# 用KNN算法对鸢尾花进行分类，添加网格搜索和交叉验证
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import GridSearchCV

def knn_iris_gscv():# 1）获取数据iris = load_iris()# 2）划分数据集x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=22)# 3）特征工程：标准化transfer = StandardScaler()x_train = transfer.fit_transform(x_train)x_test = transfer.transform(x_test)# 4）KNN算法预估器, 这里就不传参数n_neighbors了，交给GridSearchCV来传递estimator = KNeighborsClassifier()# 加入网格搜索与交叉验证, GridSearchCV会让k分别等于1,2,5,7,9,11进行网格搜索偿试。cv=10表示进行10次交叉验证estimator = GridSearchCV(estimator, param_grid={"n_neighbors": [1, 3, 5, 7, 9, 11]}, cv=10)estimator.fit(x_train, y_train)
# 5）模型评估# 方法1：直接比对真实值和预测值y_predict = estimator.predict(x_test)print("y_predict:\n", y_predict)print("直接比对真实值和预测值:\n", y_test == y_predict)
# 方法2：计算准确率score = estimator.score(x_test, y_test)print("在测试集中的准确率为：\n", score)  #0.9736842105263158
# 最佳参数：best_params_print("最佳参数：\n", estimator.best_params_) #{'n_neighbors': 3}， 说明k=3时最好# 最佳结果：best_score_print("在训练集中的准确率：\n", estimator.best_score_)  #0.9553030303030303# 最佳估计器：best_estimator_print("最佳估计器:\n", estimator.best_estimator_) # KNeighborsClassifier(n_neighbors=3)# 交叉验证结果：cv_results_print("交叉验证过程描述:\n", estimator.cv_results_)#最佳参数组合的索引:最佳k在列表中的下标print("最佳参数组合的索引:\n",estimator.best_index_)#通常情况下，直接使用best_params_更为方便return None

knn_iris_gscv()

from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import GridSearchCV
# 超参数搜索
x,y = load_iris(return_X_y=True)
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.2,random_state=0)
# 创建knn模型
knn_model = KNeighborsClassifier(n_neighbors=7)
model = GridSearchCV(knn_model,param_grid={'n_neighbors':[3,4,5,6,7]},cv=5)
model.fit(x_train,y_train)
score = model.score(x_test,y_test)
print(score)
y_pred = model.predict(x_test)
print(y_pred)
print(y_test)
print("最佳参数",model.best_params_)
print("最佳模型",model.best_estimator_)
print("最佳结果",model.best_score_)

[模型选择与调优]机器学习-part4

七模型选择与调优 1 交叉验证 (1) 保留交叉验证HoldOut HoldOut Cross-validation（Train-Test Split） 在这种交叉验证技术中，整个数据集被随机地划分为训练集和验证集。根据经验法则，整个数据集的近70%被用作训练集&#xff…...

编程日记 2025/8/2 20:24:04

PyTorch API 1 - 概述、数学运算、nn、实用工具、函数、张量

文章目录 torch张量创建操作索引、切片、连接与变异操作加速器生成器随机采样原地随机采样准随机采样序列化并行计算局部禁用梯度计算数学运算常量逐点运算归约操作比较运算频谱操作其他操作BLAS 和 LAPACK 运算遍历操作遍历操作遍历操作遍历操作遍历操作遍历操作遍历操作遍历…...

编程日记 2025/8/2 10:21:29

如何在mac上使用便利贴

可以在 App Store 下载便利贴应用实现在电脑上贴便条的效果。以「桌面便利贴」这款应用为例，创建的便利贴会像桌面上的文件一样展示在桌面上，随时可以查看。还可以修改便笺的颜色、透明度、字体、高亮等等。我比较喜欢的功能是将便签固定在所有窗口的…...

编程日记 2025/8/1 17:34:53

Linux——Mysql索引和事务

目录一，Mysql索引介绍 1，索引概述 1，索引的优点 2，索引的缺点 2，索引作用 3，索引分类普通索引唯一索引主键索引组合索引全文索引 4，查看索引 5，删除索引 6&…...

编程日记 2025/7/31 4:36:54

vim 查看复杂的宏扩展

在一些复杂项目中，使用宏可以简化代码。但是对于刚接触项目的人来说，分析层层嵌套的宏，是件头疼的事情。使用 vim 的多窗口功能，可以为此提供一些帮助。如下图，分析4层嵌套的宏，DEFINE_I440FX_MACHINE -…...

编程日记 2025/8/1 23:34:53

【计算机视觉】OpenCV项目实战：基于OpenCV的图像分割技术深度解析与实践指南

基于OpenCV的图像分割技术深度解析与实践指南项目概述与技术背景项目核心特点传统分割算法分类环境配置与项目结构系统要求安装步骤项目结构解析核心算法实现解析1. 阈值分割（Otsu方法）2. Canny边缘检测3. 分水岭算法实战应用指南1. 基础分割流程2. …...

编程日记 2025/7/29 19:36:21

线性表-顺序表（Sequential List）

1 线性表 1.1 顺序表（Sequential List） 顺序表并不难理解，主要是知道顺序表是在内存中连续存储的一段数据，知道这个后，相应的算法也就非常简单了。线性表的顺序表示指的是用一组地址连续的存储单元依次存储线性表的…...

编程日记 2025/7/28 21:43:28

《用MATLAB玩转游戏开发：从零开始打造你的数字乐园》基础篇（2D图形交互）-俄罗斯方块：用旋转矩阵打造经典

《用MATLAB玩转游戏开发：从零开始打造你的数字乐园》基础篇（2D图形交互）-🎮 俄罗斯方块：用旋转矩阵打造经典 🧊 大家好！今天我将带大家用MATLAB实现经典的俄罗斯方块游戏。我们将从数学原理出发…...

编程日记 2025/8/1 15:55:18

通过user-agent来源判断阻止爬虫访问网站，并防止生成[ error ] NULL日志

一、TP5.0通过行为（Behavior）拦截爬虫并避免生成 [ error ] NULL 错误日志 1. 创建行为类（拦截爬虫） 在 application/common/behavior 目录下新建BlockBot.php ，用于识别并拦截爬虫请求： <?php name…...

编程日记 2025/8/1 21:39:33

微服务的“迷宫” - 我们为何需要服务网格？

微服务的“迷宫” - 我们为何需要服务网格？你好！欢迎来到我们的服务网格探索之旅。近年来，“微服务架构”无疑是软件开发领域最热门的词汇之一。它将庞大的单体应用拆分成一组小而独立的、可以独立开发、部署和扩展的服务单元，带来了前所未有的敏捷性和弹性。开发团队可以…...

编程日记 2025/7/29 19:36:13

Ubuntu 安装 HAProxy

HAProxy 是什么 HAProxy（High Availability Proxy） 是一个高性能、高可用的 TCP 和 HTTP 负载均衡器与代理服务器。 HAProxy 的特点特性说明支持协议HTTP、HTTPS、TCP高性能使用 C 语言编写，性能极高高可用与 Keepalived 配合可实现主备健…...

编程日记 2025/8/2 3:01:52

VUE CLI - 使用VUE脚手架创建前端项目工程

前言前端从这里开始，本文将介绍如何使用VUE脚手架创建前端工程项目 1.预准备（编辑器和管理器） 编辑器：推荐使用Vscode，WebStorm，或者Hbuilder（适合刚开始练手使用），个…...

编程日记 2025/7/29 18:58:31

Nginx高级配置

目录一.网页的状态页二. Nginx第三方模块 2.1 echo模块三. 变量 3.1 内置变量 3.2 自定义变量四. 自定义访问日志 (优化) 4.1 自定义访问日志的格式 4.2 自定义json 格式日志五. Nginx压缩功能六 . HTTPS 功能 6.1 https概述 6.2 配置实例-----自签名证…...

编程日记 2025/8/1 11:21:28

Docker镜像搬运工：深入解析export与import，实现容器环境无缝迁移！

Docker作为现代开发运维的利器，其镜像和容器的管理技巧直接影响效率。当我们需要跨环境迁移容器状态时，docker export和docker import这对组合命令就能大显身手。本文带你彻底搞懂它们的核心逻辑、使用场景及避坑指南！ 一、Docker export&…...

编程日记 2025/7/31 22:14:12

数字孪生实战笔记（1）数字孪生的含义、应用及技术体系

一、含义数字孪生（Digital Twin）是一种通过数字化模型在虚拟世界中实时映射和模拟物理实体、系统或过程的技术。它的核心目的是通过对现实对象的建模、感知、分析和预测，实现对物理世界的全面感知、智能控制和优化决策。数字孪生实体对象 …...

编程日记 2025/8/2 16:06:58

计算机网络 4-2-2 网络层（IPv4）

2.7 网络地址转换NAT 引入端口号：IP地址端口号→一个特定的进程，（不同主机可能存在相同端口号） 网络层实现了“主机到主机”的通信。网络层在IP数据报的首部，指明源IP地址、目的IP地址传输层实现了“端到端” &#…...

编程日记 2025/7/29 18:33:50

第二个简单的SpringBoot和Vue前后端全栈的todoapp案例

项目源于哔哩哔哩，按视频手敲了一下，补充上代码和一些细节。全栈项目实践：1小时快速入门SpringBootvue3element-plus_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1LH4y1w7Nd/?spm_id_from333.1387.favlist.content.click&vd_…...

编程日记 2025/8/1 6:05:25

探秘 Canva AI 图像生成器：重塑设计创作新范式

Canva 凭借简洁易用的界面和海量模板资源，早已成为设计师和普通用户的心头好。而 Canva AI 图像生成器的推出，更是为设计领域带来了一场深刻变革，以智能化的手段重塑了图像创作的方式与边界。技术内核：AI 如何驱动图像生成 Can…...

编程日记 2025/7/31 22:57:06

栈应用：辅助站（c++）

干货今天讲讲最大辅助栈和最小辅助栈主栈进入元素的时候最大辅助栈:保证新元素大于等于(辅助栈)顶的时候，再进入辅助栈这样就能保证最大辅助栈的栈顶元素是主栈中的最大值主栈出栈的时候最大辅助栈:主栈出栈元素如果等于(辅助栈)的栈顶元素，再…...

编程日记 2025/8/1 10:00:34

AI时代的数据可视化：未来已来

你有没有想过，数据可视化在未来会变成什么样？随着人工智能（AI）的飞速发展，数据可视化已经不再是简单的图表和图形，而是一个充满无限可能的智能领域。AI时代的可视化不仅能自动解读数据，还能预测…...

编程日记 2025/7/30 19:34:15

常见音频主控芯片以及相关厂家总结

音频主控芯片是音频设备（如蓝牙耳机、音箱、功放等）的核心组件，负责音频信号的解码、编码、处理和传输。以下是常见的音频主控芯片及其相关厂家，按应用领域分类： 蓝牙音频芯片主要用于无线耳机、音箱等设备&#xff0…...

编程日记 2025/8/1 10:49:13

湖仓一体架构在金融典型数据分析场景中的实践

在数字经济与金融科技深度融合的今天，数据已成为金融机构的核心战略资产。然而，传统数据架构面临着三大困局，制约着金融机构数据价值的充分释放。一、需求驱动更多银行数据分析场景金融机构，特别是银行业，面临着双重…...

编程日记 2025/7/29 18:33:34

VBA —— 学习Day5

子程序与函数子程序：实现特定功能的程序代码块子程序语法： [修饰符] Sub 子程序名称([参数1，参数2，参数3]) 代码块 End Sub 子程序如何调用： 1 . 子程序名 [参数1，参数2，...] 2. Cal…...

编程日记 2025/8/2 13:53:04

Flink 实时数据一致性与 Exactly-Once 语义保障实战

在构建企业级实时数仓的过程中，“数据一致性” 是保障指标准确性的核心能力，尤其是在金融、电商、医疗等对数据敏感度极高的场景中。Flink 作为流批一体的实时计算引擎，其内建的 Exactly-Once 语义为我们提供了强有力的保障机制。本篇将围绕如何实现端到端的数据一致性、如何…...

编程日记 2025/7/29 13:53:38

Java云原生到底是啥，有哪些技术

☁️ Java云原生：程序员の修仙飞升指南（附渡劫技巧） 一、修仙世界观：传统程序 vs 云原生程序 🏡 传统Java程序（老宅院） 特点：单体大瓦房、扩建要拆墙（耦合度高&#xf…...

编程日记 2025/7/31 7:47:45

IPM IMI111T-026H 高效风扇控制板

概述： REF-MHA50WIMI111T 是一款专为风扇驱动设计的参考开发板，搭载了英飞凌的IMI111T-026H iMOTION™智能功率模块(IPM)。这个模块集成了运动控制引擎(MCE)、三相栅极驱动器和基于IGBT的功率级，全部封装在一个紧凑的DSO22封装中。REF-MHA50…...

编程日记 2025/7/29 18:33:23

JavaScript基础-局部作用域

在JavaScript中，理解不同种类的作用域是掌握这门语言的关键之一。作用域决定了变量和函数的可访问性（即可见性和生命周期）。与全局作用域相对应的是局部作用域，它限制了变量和函数只能在其定义的特定范围内被访问。本文将深入探讨…...

编程日记 2025/7/30 5:39:13

[特殊字符]Meilisearch：AI驱动的现代搜索引擎

前言大家好，我是MAI麦造！ 上文介绍一了Manticore Search 这款轻量级的搜索引擎，这次又有了新的发现！传送门： Elasticsearch太重？它的超轻量的替代品找到了！ 这是一个让我超级兴奋的AI搜索引…...

编程日记 2025/8/2 2:26:20

K8S Svc Port-forward 访问方式

在 Kubernetes 中，kubectl port-forward 是一种本地与集群内资源（Pod/Service）建立临时网络隧道的访问方式，无需暴露服务到公网，适合开发调试、临时访问等场景。以下是详细使用方法及注意事项： 1. 基础用…...

编程日记 2025/7/29 18:33:13

SD06_前后端分离项目部署流程(采用Nginx)

本文档详细描述了如何在Ubuntu 20.04服务器上从零开始部署Tlias前后端分离系统。Tlias系统由Spring Boot后端（tlias-web-management）和Vue前端（vue-tlias-management）组成。目录环境准备安装MySQL数据库部署后端项目部署前端项…...

编程日记 2025/8/1 19:42:34

计算机网络：家庭路由器WiFi信号的发射和手机终端接收信号原理？

WiFi路由器与手机之间的信号传输涉及多个技术层面的协作，以下是其工作原理的详细步骤：一、数据封装与协议处理应用层数据生成用户操作（如浏览网页、视频播放）产生数据包，经TCP/IP协议栈逐层封装，添加IP地址（网络层）和MAC地址（数据链路层）。协议封装数据包被封装…...

编程日记 2025/8/1 17:32:28

【Redis】string

文章目录 string 字符串常用命令设置和获取setgetmget & mset 计数操作incr & incrbydecr & decrbyincrbyfloat 字符串操作appendstrlengetrangesetrange string 字符串关于 Redis 的字符串，有几点需要注意 Redis 所有的 key 的类型都是字符串类型va…...

编程日记 2025/7/29 7:01:09

vue3的响应式设计原理

Vue 3 的响应式设计是其核心特性之一，依赖于 Proxy 和依赖收集机制，相比 Vue 2 的 Object.defineProperty，Vue 3 的响应式系统更加高效、灵活且易于维护。以下是 Vue 3 响应式设计的核心原理： 一、核心机制概览使用 Proxy 实现…...

编程日记 2025/8/1 5:27:01

学习黑客5 分钟深入浅出理解Linux Logs [特殊字符]

5 分钟深入浅出理解Linux Logs 📝 大家好！今天我们将探索Linux系统中的日志机制——这是系统管理和安全分析的重要组成部分。在网络安全学习特别是TryHackMe平台上的挑战中，理解和分析日志是发现入侵痕迹、追踪攻击者行为和收集证据的关键技…...

编程日记 2025/7/31 4:46:58

【Docker系列】docker inspect查看容器部署位置

💝💝💝欢迎来到我的博客，很高兴能够在这里和您见面！希望您在这里可以感受到一份轻松愉快的氛围，不仅可以获得有趣的内容和知识，也可以畅所欲言、分享您的想法和见解。推荐:kwan 的首页,持续学…...

编程日记 2025/7/31 23:46:05

journalctl使用

journalctl 可以查看很多服务的日志，比如 docker，ollama 等。 1. 查看 xx 服务的最新日志（实时滚动） sudo journalctl -u docker -f -f 参数表示跟随（follow），会持续输出最新日志&#xff0…...

编程日记 2025/7/31 8:08:58

Satori：元动作 + 内建搜索机制，实现超级推理能力

Satori：元动作内建搜索机制，实现超级推理能力论文大纲一、背景：LLM 推理增强的三类方法1. 基于大规模监督微调（SFT）的推理增强2. 借助外部机制在推理时进行搜索 (RLHF / 多模型 / 工具)3. 现有局限性总结二、Sator…...

编程日记 2025/8/1 14:23:58

基于语言模型的依存关系分句和主题变换检测（基于词频和句段得分）的意思

🧠 一、基于语言模型的依存关系分句（Dependency-based Segmentation） ✅ 说人话： 用语言模型判断句子里的语法结构（谁依赖谁），找到合理的“断点”，把太长的句子拆成语法上更自然的小…...

编程日记 2025/8/1 13:38:05

计算机体系结构一些笔记

1、异构计算：CPU也像人类社会一样存在专业分工。异构计算（Heterogeneous Computing）是指不同类型的计算单元合作完成计算任务。每个计算单元采用不同的架构，分别擅长处理某一种类型的计算任务。整个计算任务分解为小的单位&…...

编程日记 2025/8/1 17:30:25

Go语言——goflow工作流使用

一、引入依赖这个很坑，他不允许连接带密码的redis，只能使用不带密码的redis，要带密码的话得自己改一下源代码，无语 go get github.com/s8sg/goflow二、画出我们的工作流程三、编写代码 package mainimport ("encoding/j…...

编程日记 2025/7/31 19:46:28

论文标题 Rational Retrieval Acts: Leveraging Pragmatic Reasoning to Improve Sparse Retrieval 论文地址 https://arxiv.org/pdf/2505.03676 代码地址 https://github.com/arthur-75/Rational-Retrieval-Acts 作者背景巴黎萨克雷大学，索邦大学&#xff…...

编程日记 2025/7/29 16:25:16

RV1126 ROS2环境交叉编译及部署（基于官方Docker）

RV1126 ROS2环境交叉编译及部署（基于官方Docker） 0 前言1 SDK源码更新1.1 启动Docker容器1.2 更新SDK源码1.3 SDK更新问题2 ROS2编译配置3 Buildroot rootfs编译ROS2的依赖包3.1 编译问题解决4 使用Docker交叉编译ROS24.1 准备Linux(Ubuntu) PC机的依赖环境4.1.1 Ubuntu PC机…...

编程日记 2025/8/1 4:49:47

每日脚本学习5.10 - XOR脚本

xor运算的简介异或就是对于二进制的数据可以进行同0异1 简单的演示 ： 结果是这个就是异或异或的作用 1、比较两数是否相等 2、可以进行加密加密就是需要key 明文 :0b010110 key : 0b1010001 这个时候就能进行加密明文 ^ key密文还有这个加密比…...

编程日记 2025/7/29 5:35:59

深圳SMT贴片加工厂制造流程解析

内容概要作为大湾区电子制造产业链的重要节点，深圳SMT贴片加工厂凭借精密的生产体系与技术创新，构建了涵盖12道核心工序的标准化流程。从PCB基板的来料检验开始，通过全自动贴片机的高精度元件定位、SPI三维锡膏检测、智能温控回流焊接等关键…...

编程日记 2025/7/29 16:25:11

英语六级---2019.6 卷二仔细阅读2

文章 Officials at the White House announced a new space policy focused on managing the increasing number of satellites that companies and governments are launching into space. Space Policy Directive-3 lays out general guidelines for the United States to mi…...

编程日记 2025/8/1 15:29:50

七 模型选择与调优