当前位置：首页 > news >正文

深度学习框架对比---Pytorch和TensorFlow

news 来源：原创 2025/6/25 7:20:37

一、计算图与执行模式

1. 图的本质：动态图 vs 静态图

PyTorch（动态图，Eager Execution）
- 运行机制：代码逐行执行，张量操作立即生效，计算图在运行时动态构建。
```
x = torch.tensor(1.0, requires_grad=True)
y = x * 2 + torch.sin(x)  # 实时计算，可直接打印 y 的值
y.backward()  # 动态反向传播
```
- 优势：
  - 调试如 Python 般直观，可直接查看中间变量值，适合算法快速验证。
  - 天然支持动态逻辑（如循环、条件判断），适合 NLP 动态序列处理、强化学习策略网络。
- 劣势：
  - 静态优化需依赖 torch.jit 编译为 TorchScript，部署时需额外转换。
TensorFlow（混合图，TF 2.0+）
- 传统模式（TF 1.x）：先定义静态计算图（Graph），再通过会话（Session）执行，代码与执行分离。
```
x = tf.placeholder(tf.float32)
y = tf.add(tf.multiply(x, 2), tf.sin(x))
with tf.Session() as sess:print(sess.run(y, feed_dict={x: 1.0}))  # 需显式运行会话
```
- TF 2.0 动态图模式：默认启用 Eager Execution，支持实时计算，语法接近 PyTorch。
- 静态图优化：通过 @tf.function 将动态代码编译为静态图，提升性能并支持生产环境部署。
```
@tf.function
def fn(x):return tf.add(tf.multiply(x, 2), tf.sin(x))
y = fn(tf.constant(1.0))  # 自动编译为静态图执行
```
- 优势：
  - 静态图可提前优化（算子融合、内存分配、XLA 编译），适合高性能推理和分布式训练。
  - 对硬件兼容性更优（如 TPU 仅原生支持 TensorFlow 静态图）。

2. 图的灵活性

PyTorch：动态图允许在运行时修改网络结构（如条件分支选择不同层），适合元学习、自适应架构。
TensorFlow：静态图需通过 tf.cond、tf.case 等函数实现动态逻辑，灵活性受限，但 TF 2.0 动态图模式下支持原生 Python 控制流。

二、编程范式与 API 设计

1. 命令式 vs 符号式

PyTorch：纯命令式编程，代码即逻辑，符合 Python 开发习惯，适合快速迭代。
TensorFlow：
- TF 1.x 以符号式为主，需预先定义完整图结构，学习曲线陡峭。
- TF 2.0 融合命令式与符号式，通过 tf.function 无缝切换，兼顾开发效率与运行效率。

2. API 风格

PyTorch：
- 核心 API 简洁，以张量（torch.Tensor）和模块（torch.nn.Module）为中心，自定义层只需重写 forward 方法。
- 示例：
```
class Net(nn.Module):def __init__(self):super().__init__()self.fc = nn.Linear(10, 1)def forward(self, x):return self.fc(x)
```
TensorFlow：
- 提供多层 API 抽象：
  - 低阶 API：基于 tf.Tensor 和 tf.keras.layers，灵活性高（类似 PyTorch）。
  - 高阶 API：Keras 接口（tf.keras）支持快速建模，适合新手。
```
model = tf.keras.Sequential([tf.keras.layers.Dense(10, input_shape=(None,)),tf.keras.layers.Dense(1)
])
```
- 功能性 API（Functional API）支持复杂模型（如多输入/输出、共享层），但代码比 PyTorch 稍冗长。

3. 自动微分（Autograd）

PyTorch：
- 通过 torch.autograd 自动跟踪张量操作，反向传播时自动计算梯度（loss.backward()）。
- 支持自定义梯度（重写 backward 方法），适合研究性场景（如神经辐射场 NeRF）。
TensorFlow：
- TF 2.0 引入 tf.GradientTape，通过上下文管理器记录操作并计算梯度，与 PyTorch 逻辑类似。
```
with tf.GradientTape() as tape:loss = model(x, y_true)
grads = tape.gradient(loss, model.trainable_variables)
```
- 静态图模式下，梯度计算需通过图优化实现，调试不如 PyTorch 直观。

三、生态系统与工具链

1. 研究与开发工具

PyTorch：
- 数据处理：torchvision（CV）、torchtext（NLP）、torchdata（通用数据管道）。
- 模型库：Hugging Face Transformers（NLP）、Detectron2（CV）、PyTorch Lightning（轻量化训练框架）。
- 调试工具：
  - pdb 直接调试，print(tensor) 查看值。
  - torch.autograd.grad_check 验证梯度正确性。
  - TensorBoard 集成（需 torch.utils.tensorboard）。
TensorFlow：
- 数据处理：tf.data.Dataset 支持高效异步加载、预处理（如并行解码、数据增强）。
- 模型库：Keras Applications（预训练模型）、TensorFlow Hub（可复用模块）、TensorFlow Model Garden（官方模型库）。
- 调试工具：
  - TensorBoard 原生支持，功能更全面（计算图可视化、分布式训练监控）。
  - tf.debugging 模块（如 tf.assert_equal、tf.print）用于静态图调试。

2. 部署与生产环境

PyTorch：
- 模型导出：
  - TorchScript（.pt/.pth）：通过 torch.jit.script 或 torch.jit.trace 转换为静态图，支持 C++/Java 部署。
  - ONNX：通用格式，可转换至 TensorRT、OpenVINO 等推理引擎。
- 生产部署：依赖第三方库如 torchserve（轻量级服务器），或通过 ONNX 桥接至其他生态。
- 移动端：Torch Mobile 支持 iOS/Android，但算子覆盖度不如 TF Lite。
TensorFlow：
- 全平台支持：
  - TensorFlow Serving：高性能模型服务器，支持 REST/gRPC、版本管理、批处理。
  - TF Lite：轻量级推理框架，支持手机、IoT（如 Arduino），提供模型量化工具（Post-training Quantization）。
  - TF JS：浏览器端推理，适合 Web 应用。
  - TF Extended (TFX)：端到端流水线，涵盖数据预处理、训练、验证、部署，适合企业级 MLOps。
- 模型格式：
  - SavedModel：包含计算图和权重，支持跨语言加载（Python/C++/Java）。
  - HDF5（通过 Keras）：适合轻量级存储，但需依赖 Python 环境。

3. 分布式训练

PyTorch：
- 原生支持：
  - torch.distributed 模块，支持数据并行（DistributedDataParallel）、模型并行。
  - 启动方式：torch.distributed.launch 或 torchrun。
- 第三方库：Horovod（Uber 开源，支持多框架）、DeepSpeed（微软，优化大模型训练）。
TensorFlow：
- 原生策略：
  - tf.distribute.Strategy API，支持多种模式：
    - MirroredStrategy：单机多卡数据并行（GPU 镜像同步）。
    - MultiWorkerMirroredStrategy：多机多卡数据并行。
    - TPUStrategy：原生支持 TPU 集群。
- 优势：无需额外库，与 TPU/GCP 深度集成，适合大规模分布式训练（如 GPT-3 级别模型）。

四、性能与优化

1. 训练性能

小规模模型：PyTorch 动态图调试便捷，训练速度接近 TensorFlow。
大规模模型/分布式训练：
- TensorFlow 静态图 + XLA（加速线性代数）优化更优，尤其在 TPU 上性能显著领先。
- PyTorch 通过 torch.compile（2.0+）引入 AOT 编译（如使用inductor 后端），逐步缩小与 TensorFlow 的差距。

2. 推理性能

TensorFlow：
- TF Lite/JS/XLA 针对低延迟、高吞吐场景优化，支持算子融合和量化（如 FP16/INT8 推理）。
- 示例：在手机端，TF Lite 模型启动速度和内存占用优于 PyTorch Mobile。
PyTorch：
- 通过 TorchScript + TensorRT 优化推理性能，但需手动配置，适合高端 GPU 部署（如数据中心）。

3. 内存管理

PyTorch：
- 自动垃圾回收（基于 Python 的引用计数），但复杂场景需手动释放显存（torch.cuda.empty_cache()）。
- 动态图导致内存分配碎片化，大模型训练可能出现 OOM（Out of Memory）。
TensorFlow：
- 静态图提前分配内存，显存管理更高效，适合训练超大规模模型（如参数超过 100B 的语言模型）。
- 支持显存增长控制（tf.config.experimental.set_memory_growth），避免占用全部 GPU 内存。

五、模型开发与维护

1. 模型保存与加载

PyTorch：
- 通常保存 状态字典（state_dict），仅存储权重，轻量且灵活：
```
torch.save(model.state_dict(), 'model.pth')
model.load_state_dict(torch.load('model.pth'))
```
- 缺点：需保存模型结构代码，跨版本兼容性可能问题（如类定义变更）。
TensorFlow：
- 保存 完整模型（含结构和权重）：
```
model.save('model.h5')  # Keras 格式
model = tf.keras.models.load_model('model.h5')
```
- SavedModel 格式（二进制协议缓冲区）支持语言无关加载，适合生产环境。

2. 自定义算子

PyTorch：

通过 torch.autograd.Function 自定义正向/反向传播逻辑，支持 Python/C++ 扩展。

示例：实现自定义激活函数的反向梯度：

class MyReLU(torch.autograd.Function):@staticmethoddef forward(ctx, x):ctx.save_for_backward(x)return x.clamp(min=0)@staticmethoddef backward(ctx, grad_output):x, = ctx.saved_tensorsreturn grad_output * (x > 0).float()

TensorFlow：
- 低阶 API 中通过 tf.RegisterGradient 注册自定义梯度，或用 C++ 编写 OP 并编译为共享库。
- TF 2.0 支持用 tf.function 包裹 Python 自定义逻辑，但性能可能低于原生 OP。

3. 混合精度训练

PyTorch：
- 原生支持 torch.cuda.amp，通过 autocast 上下文自动混合 FP16/FP32 计算，减少显存占用。
TensorFlow：
- Keras 接口支持 MixedPrecisionPolicy，自动选择 FP16/FP32 算子，与 XLA 结合优化效果更佳。

六、社区与学习资源

1. 社区生态

PyTorch：
- 研究导向，顶会论文（如 NeurIPS、ICML）代码实现多基于 PyTorch，社区贡献活跃（GitHub 星标超 90k）。
- 适合场景：学术研究、快速原型开发、动态网络结构（如强化学习、生成模型）。
TensorFlow：
- 工业界主导，企业级应用广泛（如 Google 搜索、推荐系统、自动驾驶），生态成熟稳定。
- 适合场景：大规模数据处理、生产部署、跨平台应用（Web/移动端/IoT）。

2. 学习曲线

PyTorch：入门门槛低，API 设计符合 Python 直觉，适合新手快速上手。
TensorFlow：TF 2.0 简化后学习曲线接近 PyTorch，但静态图、分布式训练等高级特性仍需深入理解。

3. 文档与教程

PyTorch：
- 官方文档简洁，教程侧重案例（如 MNIST 分类、Transformer 实现）。
- 第三方资源丰富：fast.ai 课程、PyTorch 官方博客。
TensorFlow：
- 文档详尽但复杂，Keras 高阶 API 教程适合快速建模，低阶 API 需结合数学推导学习。
- 官方资源：TensorFlow 开发者证书、Google Colab 示例。

七、其他关键差异

1. 硬件支持

PyTorch：
- 原生支持 GPU/CPU，通过第三方库（如 torch_xla）支持 TPU，但成熟度不如 TensorFlow。
TensorFlow：
- 深度集成 Google 硬件（TPU/GPU），TPU 仅原生支持 TensorFlow 静态图，推理优化更优。

2. 许可证

PyTorch：BSD 许可证，商业使用宽松，适合开源项目。
TensorFlow：Apache 2.0 许可证，同样允许商业使用，但 Google 专利条款需注意。

3. 动态形状支持

PyTorch：动态图天然支持任意输入形状（如变长序列），无需预先定义维度。
TensorFlow：静态图需指定输入形状（或使用 None 表示动态维度），否则可能报错。

总结：核心差异与选型建议

维度	PyTorch	TensorFlow
核心优势	动态图灵活调试、研究友好、代码简洁	静态图优化、工业级部署、多平台支持
适合场景	学术研究、动态网络、快速原型	生产落地、大规模训练、跨设备部署
学习门槛	低（Python 友好）	中（TF 2.0 简化，静态图需额外学习）
大模型训练	依赖 DeepSpeed/Horovod	原生支持 TPUStrategy，优化成熟
移动端推理	Torch Mobile（算子较少）	TF Lite（算子全、优化佳）
生态活跃度	研究社区主导，新算法迭代快	企业生态完善，长期维护稳定

选型建议：

选 PyTorch：
- 从事 NLP、CV 前沿研究（如大语言模型、扩散模型）。
- 需要动态图调试或自定义复杂梯度逻辑。
- 优先考虑开发效率和代码可读性。
选 TensorFlow：
- 模型需部署到移动端、嵌入式设备或 Web。
- 处理大规模结构化数据（如推荐系统、日志分析）。
- 使用 Google 云服务（GCP）或依赖 TPU 加速。

趋势：

两者正逐步融合（如 PyTorch 加强编译优化，TensorFlow 动态化），未来可能形成“研究用 PyTorch，部署用 TensorFlow”的互补生态。建议开发者根据项目需求掌握其一，并了解另一框架的基础逻辑，以适应技术变化。

深度学习框架对比---Pytorch和TensorFlow

一、计算图与执行模式 1. 图的本质：动态图 vs 静态图 PyTorch（动态图，Eager Execution） 运行机制：代码逐行执行，张量操作立即生效，计算图在运行时动态构建。x torch.tensor(1.0, requires_gra…...

编程日记 2025/6/25 7:20:37

antdv3 Tabs.TabPane 右上角增加一个角标Badge

1、Tabs官方说明 Ant Design Vue — An enterprise-class UI components based on Ant Design and Vue.js 2、Badge角标官方效果图 Ant Design Vue — An enterprise-class UI components based on Ant Design and Vue.js 3、Tabs.TabPane要实现的效果 4、代码 <Tabs v-m…...

编程日记 2025/6/22 23:18:54

Python-88：英雄升级奖励

问题描述在一个游戏中，小W拥有 n 个英雄，每个英雄的初始能力值均为 1。她可以通过升级操作来提升英雄的能力值，最多可以进行 k 次升级。每次升级操作包含以下步骤： 选择一个英雄选择一个正整数 x将该英雄的能力值 aiai 更新…...

编程日记 2025/6/24 11:42:00

使用uv创建python项目

uv创建项目 uv init -p 3.12 qwen3env # -p 指定python版本 # qwen3env是项目名称 # 可以使用下面的步骤 mkdir qwen3env cd qwen3env uv venv -p3.12 .venv # 基于 Python 3.12 创建名为 .venv 的虚拟环境 uv init第一种方式第二种方式内容如下执行python脚本 uv ru…...

编程日记 2025/6/25 1:22:09

window 显示驱动开发-命令和 DMA 缓冲区简介

命令和 DMA 缓冲区非常相似。但是，命令缓冲区由用户模式显示驱动程序使用，DMA 缓冲区由显示微型端口驱动程序使用。命令缓冲区具有以下特征： 它永远不会由 GPU 直接访问。硬件供应商控制格式。它从呈现应用程序的专用地址空间中的常规…...

编程日记 2025/6/20 13:09:58

深光-谷歌TV TADA/奈飞Netflix/亚马逊Prime Video/YouTube等测试外包服务

一、谷歌TV TADA测试服务 1.CTS CTS测试是一系列旨在确保设备与Android操作系统兼容性的自动化测试，CTS是所有测试项中测试量最大的一项测试。 2.GTS GTS测试是确保Android设备能够正确集成和运行Google Mobile Services（GMS）的关键步骤&am…...

编程日记 2025/6/23 17:46:11

《教育退费那些事儿：从困境到破局》

《教育退费那些事儿：从困境到破局》教育退费：不容忽视的热点问题在当今社会，教育消费已成为家庭支出的重要组成部分。无论是 K12 阶段的学科辅导、艺术特长培训，还是成人的职业技能提升、学历继续教育，家长和学生们…...

编程日记 2025/6/1 4:08:14

AtCoder 第405场初级竞赛 A~E题解

A Is it rated? 【题目链接】原题链接：A - Is it rated? 【考点】嵌套判断【题目大意】有两个分区，有不同的评分区间，给一个评分 r 和分区 x，判断是否在评分区间中。【解析】先判断在属于哪个分区，再判断是否在该分区评分区间中。【难度】 GESP一级【…...

编程日记 2025/6/24 1:39:46

登录接口中图片验证码Tesseract-OCR识别Java脚本

项目上移植了研发部的产品，文档不全，项目上验证码功能无法关闭，又要做接口/性能测试，开发不配合（作为测试多么无奈），此方法识别命中率不高，仅作借鉴。版本JDK11 import io.restass…...

编程日记 2025/6/23 19:32:39

专项智能练习（定义判断）_DA_02

2. 单选题虚假同感偏差也叫虚假一致性偏差，是指人们常常会高估或夸大自己的信念、判断及行为的普遍性。在认知他人时总喜欢把自己的特性赋予他人身上，假定他人与自己是相同的，而当遇到与此相冲突的信息时，会坚信自己信念和判断的…...

编程日记 2025/6/22 11:06:17

安卓A15系统实现修改锁屏界面默认壁纸功能

最近遇到一个A15系统项目，客户要求修改锁屏界面的默认壁纸，客户提供了一张壁纸图片，但是从A15系统的源代码查看时才知道谷歌已经去掉了相关的代码，已经不支持了，A13和A14系统好像是支持的，A15系统的Wallpap…...

编程日记 2025/6/22 18:52:10

Linux之Yum源与Nginx服务篇

1.Yum源知识理论总结概括 Yum源概述 Yum 源即软件仓库的标识，里面承载着软件包集合 Yum源组成包含模块【OS】、【everything】、【EPOL】、【debuginfo】、【source】、【update-source】【os】:简称operator system 它内部包含操作系统的核心组件&#x…...

编程日记 2025/6/23 16:43:15

帧差法识别

定义： 视频通过闪过x帧画面来实现，帧差法就是利用两帧之间的差异找出。也就是移动目标识别帧差法识别步骤： 1、灰度处理：将多通道变成双通道压缩图像数据。 cvtColor(before_frame,before_gray,CV_RGB2GRAY);cvtColor(after_f…...

编程日记 2025/6/22 20:57:38

游戏引擎学习第282天:Z轴移动与摄像机运动

运行游戏，展示目前进展我们目前正在进行一个游戏开发项目。昨天，我们实现了基于房间的角色移动系统，并且加入了摄像机的跟随滚动功能。这是我们首次进入“游戏逻辑设计”阶段，也就是说，我们开始构建游戏本身的行为和…...

编程日记 2025/6/21 16:26:04

解决：npm install报错，reason: certificate has expired

目录 1. 问题分析2. 问题解决2.1 查看配置的镜像2.2 修改镜像源种一棵树最好的时间是10年前，其次就是现在，加油！ --by蜡笔小柯南 1. 问题分析启动前…...

编程日记 2025/6/20 12:10:25

C++ 基础知识点

1、指针和引用的区别指针：是一个变量，存储的是另一个变量的内存地址，可以被重新赋值指向不同的对象，允许为 nullptr。指针的特性： 独立变量，存储内存地址可重新赋值指向其他对象支持空值（n…...

编程日记 2025/6/4 9:48:34

线代第二章矩阵第九、十节：初等变换、矩阵的标准形、阶梯形与行最简阶梯形、初等矩阵

文章目录初等变换初等行变换初等列变换矩阵的标准型阶梯形与行最简阶梯形阶梯型矩阵行简化阶梯形初等矩阵定义性质初等矩阵和初等变换的联系本节非常重要初等变换初等变换使用"→"，而不是"" 初等行变换 ① 交换两行 ② 非0数乘以某一…...

编程日记 2025/6/24 18:52:49

新能源汽车制动系统建模全解析——从理论到工程应用

《纯电动轻卡制动系统建模全解析：车速-阻力拟合、刹车力模型与旋转质量转换系数优化》摘要本文以纯电动轻卡为研究对象，系统解析制动系统建模核心参数优化方法，涵盖： 车速-阻力曲线拟合（MATLAB实现与模型验证&…...

编程日记 2025/6/22 11:20:45

初始化一个Springboot项目

初始化一个Springboot项目文章目录初始化一个Springboot项目1、新建项目2、配置yml3、自定义异常4、通用相应类5、全局跨域配置6、总结 1、新建项目首先，我们需要创建一个新的 Spring Boot 项目。这里我们使用 IntelliJ IDEA 作为开发工具，它提供了方…...

编程日记 2025/6/24 15:34:16

Springboot考研信息平台

Springboot考研信息平台文章目录 Springboot考研信息平台1、技术栈2、项目说明3、项目截图4、核心代码4.1、前端核心代码4.2、后端核心代码 1、技术栈前端 Vue 是一套用于构建用户界面的渐进式 JavaScript 框架。 Vue 作为前端核心框架，提供了响应式的数据绑定和高…...

编程日记 2025/6/25 4:47:40

Spring 框架 JDBC 模板技术详解

一、JDBC 模板技术概述在传统 JDBC 开发中，开发人员需要手动处理数据库连接（Connection）、事务管理、语句执行（Statement）和结果集（ResultSet）等繁琐操作，不仅代码冗余度高&#x…...

编程日记 2025/6/2 15:42:01

Console Importer浏览器插件的编译及制作成.crx浏览器插件的步骤

近日由于下载Console Importer浏览器插件(一个前端调试窗口方便引下第三方库便于学习测试的插件)找不到资源，于是找到该插件的源码，地址：https://github.com/pd4d10/console-importer），发现该插件基于一款名为“Plasmo…...

编程日记 2025/6/21 6:14:18

ArcGIS切片方案记录bundle文件

文章目录前言一、导入底图二、生成切片方案三、导出切片方案总结前言切片的作用是让前端可以访问地图的Mapsever来加载底图。arcgis切片是测绘人员或者WebGIs人员需要认识到的操作。一、导入底图首先10.8的ArcGis，这里没有Pro，Pro其实也是一样的操…...

编程日记 2025/6/21 8:20:17

山东大学计算机图形学期末复习6——CG10下

##CG10下将世界坐标中的任意点 P P P 变换到以相机为中心的“观察坐标系”下（右手坐标系） n \mathbf{n} n：从相机眼睛朝向观察点的反方向，代表“前方”； u \mathbf{u} u：观察坐标系的 x 轴，向…...

编程日记 2025/6/21 22:51:38

【Spring Cloud Gateway】Nacos整合遇坑记：503 Service Unavailable

一、场景重现最近在公司进行微服务架构升级，将原有的 Spring Cloud Hoxton 版本升级到最新的 2021.x 版本，同时使用 Nacos 作为服务注册中心和配置中心。在完成基础框架搭建后，我使用 Spring Cloud Gateway 作为API 网关，通过 N…...

编程日记 2025/6/20 21:57:58

[Linux]从零开始的STM32MP157 Busybox根文件系统测试及打包

一、前言在上一篇教程中，我们成功编译了Busybox根文件系统并且能够正常使用，但是大家应该也发现了我们构建的根文件系统存在许多问题，比如一些找不到文件的报错。并且在实际的产品中一般都是将根文件系统烧录到EMMC中，并不是像我…...

编程日记 2025/6/22 14:11:41

【Pandas】pandas DataFrame eval

Pandas2.2 DataFrame Computations descriptive stats 方法描述DataFrame.abs()用于返回 DataFrame 中每个元素的绝对值DataFrame.all([axis, bool_only, skipna])用于判断 DataFrame 中是否所有元素在指定轴上都为 TrueDataFrame.any(*[, axis, bool_only, skipna])用于判断…...

编程日记 2025/6/22 1:06:28

考研408《计算机组成原理》复习笔记，第二章(2)数值数据的表示和运算（浮点数篇）

一、回顾定点数知识点 ——定点小数机器码表示 ——定点整数机器码表示 ——【原码】和【移码】的作用二、浮点数表示 1、概念引入我们生活中有很多 “带小数”，也就是浮点数，也就是【整数部分】和【纯小数部分】都不为0，那么这样的小数…...

编程日记 2025/6/24 22:10:44

【虚幻引擎】UE5独立游戏开发全流程（商业级架构）

本套课程我将会讲解一下知识 1.虚幻引擎的常用功能节点、模块包含但不限于动画模块、UI模块、AI模块、碰撞模块、伤害模块、背包模块、准心模块、武器模块、可拾取物品模块、死亡等模块。 2.整个游戏的设计思路（游戏架构），本套教程讲解了如…...

编程日记 2025/6/25 5:49:05

大语言模型 08 - 从0开始训练GPT 0.25B参数量 - MiniMind 单机多卡 torchrun deepspeed

写在前面 GPT（Generative Pre-trained Transformer）是目前最广泛应用的大语言模型架构之一，其强大的自然语言理解与生成能力背后，是一个庞大而精细的训练流程。本文将从宏观到微观，系统讲解GPT的训练过程，…...

编程日记 2025/6/23 1:44:43

使用gitbook 工具编写接口文档或博客

步骤一：在项目目录中初始化一个 GitBook 项目 mkdir mybook && cd mybook git init npm init -y步骤二：添加书籍结构（如 book.json, README.md） echo "# 我的书" > README.md echo "{}" > bo…...

编程日记 2025/6/19 23:26:13

Mysql视图详解

文章目录 1、视图简介 && 前置准备2、基本crud语法3、检查选项（with check option）CASCADEDLOCAL总结 4、视图更新限定条件 1、视图简介 && 前置准备视图 (View) 是一种虚拟存在的表。视图中的数据并不在数据库中实际存在，…...

编程日记 2025/6/19 21:37:48

leetcode 56. 合并区间

题目描述代码： class Solution {struct Interval{int left;int right;Interval(int l0,int r0):left(l),right(r){}bool operator<(const Interval& rhs) const{return left<rhs.left;}};public:vector<vector<int>> merge(vector<vecto…...

编程日记 2025/6/19 23:55:59

Mac 环境下 JDK 版本切换全指南

概要在 macOS 上安装了多个 JDK 后，可以通过系统自带的 /usr/libexec/java_home 工具来查询并切换不同版本的 Java。只需在终端中执行 /usr/libexec/java_home -V 列出所有已安装的 JDK，然后将你想使用的版本路径赋值给环境变量 JAVA_HOME，…...

编程日记 2025/6/23 12:14:19

【生活相关-日语-日本-东京-搬家后-引越（ひっこし）（3）-踩坑点：国民健康保险】

【生活相关-日语-日本-东京-搬家后-引越（ひっこし）（3）-注意点：国民健康保险】 1、前言2、情况说明（1）问题说明（2）情况说明（1）收到情况&#xff08…...

编程日记 2025/6/20 15:46:07

C++ asio网络编程(6)利用C11模拟伪闭包实现连接的安全回收

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、智能指针管理Session二、用智能指针来实现Server的函数1.start_accept()1.引用计数注意点2.std::bind 与异步回调函数的执行顺序分析 2.handle_accept1.异步…...

编程日记 2025/6/22 14:12:49

【视频】解决FFmpeg将RTSP转RTMP流时，出现的卡死、出错等问题

1、简述如果不修改图像内容，可以使用FFmpeg命令来将RTSP转RTMP流。 SRS视频服务器就是这么干的，它没有使用FFmpeg接口，而是直接使用FFmpeg命令来转流。但是在使用中，约到了一些问题，比如转流时卡死、转流出错等等，下面描述怎么解决这些问题 2、出错重启在shell脚本…...

编程日记 2025/6/23 22:38:03

飞牛NAS本地部署开源TTS文本转语音工具EasyVoice与远程使用流程

文章目录前言1. 环境准备2. Docker部署与运行3. 简单使用测试4. 安装内网穿透4.1 开启ssh连接安装cpolar4.2 创建公网地址 5. 配置固定公网地址总结前言本文主要介绍如何在fnOS飞牛云NAS使用Docker本地部署一款非常好用的开源TTS文本转语音工具EasyVoice，并结合…...

编程日记 2025/6/22 1:09:21

STC51系列单片机引脚分类与功能速查表（以STC89C52为例）

1. 基本I/O端口端口引脚范围类型主要功能特殊说明P0P0.0~P0.7开漏双向I/O1. 通用I/O（需外接上拉电阻） 2. 数据总线（D0-D7） 3. 低8位地址总线（A0-A…...

编程日记 2025/6/20 5:01:03

recvfrom和sendto函数中地址参数的作用

在 UDP 通信中，recvfrom 和 sendto 函数中的地址参数起着至关重要的作用。以下是对这两个函数中地址参数的作用、所属方以及缺失地址时的后果的详细解释。 recvfrom 函数 int recvfrom(int sockfd, void *buf, size_t len, int flags, struct sockaddr *src_add…...

编程日记 2025/6/22 14:56:54

运维职业发展思维导图

主要内容如下：一、初级入行阶段这是职业生涯的起点，主要涉及基础技能的学习和实践。 Linux初学：重点是学习Linux系统的基础命令和操作。IDC机房运维：负责数据中心机房内设备的管理和日常维护工作。Helpdesk桌面运维：提供桌面技术支持，帮助用户解决遇到的计算机软硬…...

编程日记 2025/6/23 21:23:22

【数据处理】Python对CMIP6数据进行插值——详细解析实现（附源码）

目录 Python对CMIP6数据进行插值一、引言代码概览思维导图二、数据预处理三、数据区域裁剪四、插值（一） 垂直插值（二） 水平插值五、保存插值好的文件六、文件合并与气候态计算七、代码优化技巧八、多线程处理九、全部代码 Pytho…...

编程日记 2025/6/1 15:48:20

worldquant rank函数

https://support.worldquantbrain.com/hc/en-us/community/posts/13869304934935-%E6%80%8E%E6%A0%B7%E7%90%86%E8%A7%A3rank%E5%87%BD%E6%95%B0 链接。进的话可以填我的邀请码JS34795我可以带你现在学习rank函数我们所说的做多和做空首先，当我们讨论Long和S…...

编程日记 2025/6/22 2:06:26

工业4.0神经嫁接术：ethernet ip转profinet协议通信步骤图解

在现代工业自动化领域，不同品牌的设备和协议之间的兼容性问题一直是个挑战。我们的包装线项目就遇到了这样的难题：需要将Rockwell Allen-Bradley的EtherNet/IP伺服系统与西门子PLC的PROFINET主站进行无缝对接。为了解决这一问题，我们采用了et…...

编程日记 2025/6/21 18:30:36

数据库——数据操作语言DML

（2）数据操作语言DML 简称DML——Data Manipulation Language用来对数据库中表的记录进行更新关键字：insert,delete,update A、插入表记录向表中插入数据格式：insert into 表名(字段1,字段2,字段3……) values(值1,值2,值3);…...

编程日记 2025/6/22 17:30:35

文件防泄密的措施有哪些?

文件防泄密措施需要从技术、管理和物理三个层面综合施策，以下为常见措施分类整理： 一、技术防护措施华途加密技术文件加密：使用AES、RSA等算法对敏感文件加密。传输加密：通过SSL/TLS、VPN保障传输安全，禁止明文传…...

编程日记 2025/6/24 4:08:22

C++ Mac 打包运行方案(cmake)

文章目录背景动态库梳理打包方案静态库处理动态库处理(PCL库)编译链接动态库后处理逻辑批量信任背景使用C编写的一个小项目，需要打包成mac下的可执行文件（免安装版本），方便分发给其他mac执行，需要把项目的动态库都…...

编程日记 2025/6/24 17:51:10

数学复习笔记 10

前言我觉得数学的高分乃至满分属于那些，聪明，坚韧，勇敢，细致的人。我非常惭愧自己不是这样的人，我在生活中发现了这样的同学，和他们交流的时候我常常感到汗流浃背，因为他们非常扎实的基础知识…...

编程日记 2025/6/24 9:09:17

Oracle-相关笔记

Oracle Database Online Documentation 11g 连接 WinR sqlplus username/passwordhostname:port/service_namesqlplus user02/123456192.xxx:1521/orclsqlplus / as sysdba #SQL*Plus 終端编码使用UTF-8 chcp 65001#打开SQL*Plus程序 sqlplus /nolog#使用dba角色登录(用 1.…...

编程日记 2025/6/22 17:16:10

mac安装cast

背景 pycharm本地运行脚本时提示cast没有安装问题原因脚本尝试调用cast命令（以太坊开发工具foundry中的子命令），但您的系统未安装该工具。从日志可见，错误发生在通过sysutil.py执行shell命令时。解决方案方法1&#xf…...

编程日记 2025/6/21 1:41:14