当前位置：首页 > news >正文

【GAN网络入门系列】一，手写字MINST图片生成

news 来源：原创 2025/6/17 23:36:27

在这里插入图片描述

🍨 本文为🔗365天深度学习训练营中的学习记录博客
🍖 原作者：K同学啊

博主简介：努力学习的22级本科生一枚 🌟；探索AI算法，C++，go语言的世界；在迷茫中寻找光芒🌸
博客主页：羊小猪~~-CSDN博客
内容简介：GAN入门案例一，以生成minst字体为例。
GAN入门简介：GAN难度不小，本文打算更新三篇文章入门GAN，第一篇以知道什么是GAN(判别器、生成器)，以手写生成字体为例；第二篇是GAN论文精度；第三篇是GAN人脸生成。

文章目录

1、理论基础
- 生成器
- 判别器
- 简单举例
2、问题提出
3、模型搭建(以mnist字为例)
- 1、准备
- - 1、导入库与定义参数
  - 2、下载数据
  - 3、加载数据
- 2、定义模型
- - 1、定义判别器
  - 2、定义生成器
- 三、模型训练(概率分布)
- - 1、创建实例
  - 2、模型训练(核心)
  - 3、模型保存
4、模型结果(生成图片)
5、问题解决

1、理论基础

生成对抗网络(GAN)是一个很热门的方向—-AI生成图片，他不是一个具体的网络，而是指一种基于博弈思想设计的网络。

GAN网络有两部分组成，生成器和判别器，其中：

生成器：从某种噪声分布(一般是正态分布)中随机采用作为输入，输出与训练集中真实样本非常相识的人工样本。
判别器(分类器)：输入真实样本或者人工样本数据，而判别器的作用就是将人工样本和真实样本分离出来。

👍 博弈：

生成器和判别器交替运行，相互博弈，生成器的任务是如何让判别器判别不出来是人工样本还是真实样本，判别器的任务是尽最大努力将真实样本和人工样本分离出来；理想情况下，最后结果是判别器无法判别给定样本的真实性，即输出的样本中50%是真，50%是假，这个时候停止博弈，生成器就具有**“伪造样本”**的能力。

综上可以看出，GAN网络核心是生成器和判别器。

生成器

📚 GANs中，生成器G选取随机噪声z作为输入，通过生成器不断拟合和优化，最总输出一个真实样本尺寸相同，分布相似的伪造样本G(z).

生成器本质

使用一个生成式方法模型，对数据的分布假设和参数进行学习，根据学习到的模型重新采样出新的样本。

📖 生成式方法：

指那些能够学习数据分布，并基于该分布生产新数据的模型，如自回归模型(AR)，基于前面的数据来生成下一个数据。

📘 数据的分布假设：

指在进行数据分析的时候，对数据的分布形式做出的一种假设。比如说我们认为一组人的身高符合正态分布，这个时候就可以假设身高数据符合正态分布，就可以用正态分布的性质去求解问题。

😂 我查阅相关的资料发现，其实这个思想我们在高中、大学学的概率是一样的，我们在做概率题的时候，经常都会看到一个条件，“数据符合……分布”。因为对于相同的数据分布来说，他的统计值是很相似的，如：均值(衡量数据的平均水平)、方差(数据的分散程度)、峰值等，预测能力也是相同的。

📚分布参数

分布假设的参数，如假设数据符合状态分布，则标准差，方差就是分布参数。

数学角度

首先对于给定的真实数据的显示变量(观察到的)或隐式变量(隐藏的，需要挖掘的变量)进行分布假设，然后将真实数据输入到模型中，对变量和参数进行训练，最后学习到一个假设的进似分布，可以用来生产新数据。

机器学习角度

模型不会直接生成这个假设，而是通过不断学习新数据，对模型进行修正，不断的进行优化，最后到达目标。

判别器

目的：判别输入数据的真伪。

判别器D对于输入样本x，输出一个[0, 1]之间的概率数值D(x)，x是真实数据或者来着生成器的数据。

💁‍♂ 规定：

当D(x)越接近为1就代表样本为真值的可能性更大，反正伪造的样本可能性就越大。

简单举例

在这里插入图片描述

首先第一代模型1G输入的是随机噪声z，然后根据生产模型会生成一张图片，判别器进行二分类操作，生成照片判别为0，生成照片判别为1；
为欺瞒一代判别器，于是开始模型优化，就变成了二代，同样的对于判别器也会进行优化更新，重复第一步，知道判别器判别真假概率各位50%则停止。

2、问题提出

如何进行分布假设？
生成器、判别器如何进行模型参数优化更新？(核心)
判别器如何判别真假？

3、模型搭建(以mnist字为例)

1、准备

1、导入库与定义参数

在这里插入图片描述

import argparse  # 命令行，参数解析
import os 
import numpy as np 
import torchvision.transforms as transforms
from torchvision.utils import save_image # 可保存为图片
from torch.utils.data import DataLoader
from torchvision import datasets 
from torch.autograd import Variable
import torch.nn as nn 
import torch# 创建文件夹
os.makedirs("./images/", exist_ok=True)  # 记录训练过程图片效果
os.makedirs("./save/", exist_ok=True)  # 训练完模型保存位置
os.makedirs("./datasets/mnist", exist_ok=True)  # 下载数据集保存位置## 设置超参数
n_epochs = 50  # 训练50轮
batch_size = 64  # 批次大小
lr = 0.0002  # 学习率
'''  
# b1、b2 通过矩估计，根据之前的梯度样本来调整现在的梯度，使梯度变化更加稳定
# 结合公式发现b1、b2大，这对于梯度大的跟新就小一点，梯度小的更新就大一点
'''
b1 = 0.5  # adam 一阶矩估计，决定了历史梯度对当前时刻影响程度
b2 = 0.999  # adam 二阶矩估计，影响了梯度平方的历史历史保留比例
n_cpu = 2  # 数据加载CPU数量
latent_dim = 100  # 随机向量维度，影响生成器
img_size = 28  # 图像大小
channels = 1 # 图片通道数
sample_interval = 500  # 保存图像间隔，这个参数决定了训练过程中多久保存一次生成图像# 图像尺寸
img_shape = (channels, img_size, img_size)
img_area = np.prod(img_shape)  # 每个维度相乘cuda = True if torch.cuda.is_available() else False 
cuda

True

2、下载数据

mnist = datasets.MNIST(root="./datasets", train=True,download=True,transform=transforms.Compose([transforms.Resize(img_size),transforms.ToTensor(),transforms.Normalize([0.5], [0.5])])
)

Downloading http://yann.lecun.com/exdb/mnist/train-images-idx3-ubyte.gz
Failed to download (trying next):
HTTP Error 404: Not FoundDownloading https://ossci-datasets.s3.amazonaws.com/mnist/train-images-idx3-ubyte.gz
Downloading https://ossci-datasets.s3.amazonaws.com/mnist/train-images-idx3-ubyte.gz to ./datasets\MNIST\raw\train-images-idx3-ubyte.gz

100%|██████████| 9912422/9912422 [07:47<00:00, 21193.22it/s]

Extracting ./datasets\MNIST\raw\train-images-idx3-ubyte.gz to ./datasets\MNIST\rawDownloading http://yann.lecun.com/exdb/mnist/train-labels-idx1-ubyte.gz
Failed to download (trying next):
HTTP Error 404: Not FoundDownloading https://ossci-datasets.s3.amazonaws.com/mnist/train-labels-idx1-ubyte.gz
Downloading https://ossci-datasets.s3.amazonaws.com/mnist/train-labels-idx1-ubyte.gz to ./datasets\MNIST\raw\train-labels-idx1-ubyte.gz

100%|██████████| 28881/28881 [00:00<00:00, 29647.75it/s]

Extracting ./datasets\MNIST\raw\train-labels-idx1-ubyte.gz to ./datasets\MNIST\rawDownloading http://yann.lecun.com/exdb/mnist/t10k-images-idx3-ubyte.gz
Failed to download (trying next):
HTTP Error 404: Not FoundDownloading https://ossci-datasets.s3.amazonaws.com/mnist/t10k-images-idx3-ubyte.gz
Downloading https://ossci-datasets.s3.amazonaws.com/mnist/t10k-images-idx3-ubyte.gz to ./datasets\MNIST\raw\t10k-images-idx3-ubyte.gz

100%|██████████| 1648877/1648877 [00:37<00:00, 43870.66it/s]

Extracting ./datasets\MNIST\raw\t10k-images-idx3-ubyte.gz to ./datasets\MNIST\rawDownloading http://yann.lecun.com/exdb/mnist/t10k-labels-idx1-ubyte.gz
Failed to download (trying next):
HTTP Error 404: Not FoundDownloading https://ossci-datasets.s3.amazonaws.com/mnist/t10k-labels-idx1-ubyte.gz
Downloading https://ossci-datasets.s3.amazonaws.com/mnist/t10k-labels-idx1-ubyte.gz to ./datasets\MNIST\raw\t10k-labels-idx1-ubyte.gz

100%|██████████| 4542/4542 [00:00<00:00, 1283728.35it/s]Extracting ./datasets\MNIST\raw\t10k-labels-idx1-ubyte.gz to ./datasets\MNIST\raw

3、加载数据

dataloader = DataLoader(mnist,batch_size=batch_size,shuffle=True   # 随机打乱
)

2、定义模型

1、定义判别器

class Discriminator(nn.Module):def __init__(self):super(Discriminator, self).__init__()self.model = nn.Sequential(nn.Linear(img_area, 512),   # 输入特征784， 输出为512nn.LeakyReLU(0.2, inplace=True),  # 激活函数nn.Linear(512, 256),   # 512 -> 256nn.LeakyReLU(0.2, inplace=True),nn.Linear(256, 1),   # 二分类激活函数nn.Sigmoid(),)def forward(self, img):img_flat = img.view(img.size(0), -1)v = self.model(img_flat)return v

2、定义生成器

# 输入一个100维的0～1之间的高斯分布，然后通过第一层线性变换将其映射到256维,
# 然后通过LeakyReLU激活函数，接着进行一个线性变换，再经过一个LeakyReLU激活函数，
# 然后经过线性变换将其变成784维，最后经过Tanh激活函数是希望生成的假的图片数据分布, 能够在-1～1之间。
class Generator(nn.Module):def __init__(self):super(Generator, self).__init__()# 模型中间块def block(in_feat, out_feat, normalize=True):layers = [nn.Linear(in_feat, out_feat)]if normalize:layers.append(nn.BatchNorm1d(out_feat, 0.8))  # 正则化layers.append(nn.LeakyReLU(0.2, inplace=True))return layers # 定义分类模型self.model = nn.Sequential(*block(latent_dim, 128, normalize=False), # 不进行标准化*block(128, 256),*block(256, 512),*block(512, 1024),nn.Linear(1024, img_area),# 映射[-1， 1]nn.Tanh())def forward(self, z):   # 输入(64, 100)噪声imgs = self.model(z)  # 噪声通过生成器imgs = imgs.view(imgs.size(0), *img_shape)  # reshape(64, 1, 28, 28)return imgs

三、模型训练(概率分布)

1、创建实例

generator = Generator()
discriminator = Discriminator()# 损失函数
loss_fn = torch.nn.BCELoss()# 定义优化器
optimizer_G = torch.optim.Adam(generator.parameters(), lr=lr, betas=(b1, b2))
optimizer_D = torch.optim.Adam(discriminator.parameters(), lr=lr, betas=(b1, b2))# 转移到显卡上
if torch.cuda.is_available():generator = generator.cuda()discriminator = discriminator.cuda()loss_fn = loss_fn.cuda()

2、模型训练(核心)

for epoch in range(n_epochs):for i, (imgs, _) in enumerate(dataloader):#-----------  判别器imgs = imgs.view(imgs.size(0), -1) # 展开real_img = Variable(imgs).cuda()   # Tensor->Variable放到计算图中，可以自动求导real_label = Variable(torch.ones(imgs.size(0), 1)).cuda()  # 真实图片1fake_label = Variable(torch.zeros(imgs.size(0), 1)).cuda()  # 真实图片1# ----------- 训练判别器# 1、计算真图片损失real_out = discriminator(real_img)  loss_real_D = loss_fn(real_out, real_label)  # 得到真实图片的lossreal_scores = real_out   # 得到真实图片的判别值tanh, 越接近1越好# 2、计算假图片损失 ***************z = Variable(torch.randn(imgs.size(0), latent_dim)).cuda()  # 随机生成噪声(128, 100)fake_img = generator(z).detach()fake_out = discriminator(fake_img)  # 生成数据判别loss_fake_D = loss_fn(fake_out, fake_label)  # 假的损失函数fake_scores = fake_out # 损失函数优化loss_D = loss_real_D + loss_fake_D # 真 + 假, 考虑到了真+ 假# 反向传播, 对判别器进行更新optimizer_D.zero_grad()loss_D.backward()optimizer_D.step()# ----------------  生成器训练# 原理：目的是希望生成的假的图片被判别器判断为真的图片，## 在此过程中，将判别器固定，将假的图片传入判别器的结果与真实的label对应，## 反向传播更新的参数是生成网络里面的参数，## 这样可以通过更新生成网络里面的参数，来训练网络，使得生成的图片让判别器以为是真的, 这样就达到了对抗的目的z = Variable(torch.randn(imgs.size(0), latent_dim)).cuda()fake_img = generator(z)  # 生成器output = discriminator(fake_img)# 损失和优化loss_G = loss_fn(output, real_label)# 梯度更新optimizer_G.zero_grad()loss_G.backward()optimizer_G.step()# 打印结果if (i + 1) % 300 == 0:print("[Epoch %d/%d] [Batch %d/%d] [D loss: %f] [G loss: %f] [D real: %f] [D fake: %f]"% (epoch, n_epochs, i, len(dataloader), loss_D.item(), loss_G.item(), real_scores.data.mean(), fake_scores.data.mean()))## 保存训练过程中的图像batches_done = epoch * len(dataloader) + iif batches_done % sample_interval == 0:save_image(fake_img.data[:25], "./images/%d.png" % batches_done, nrow=5, normalize=True) # 生成数据保存

[Epoch 0/50] [Batch 299/938] [D loss: 1.026318] [G loss: 1.046470] [D real: 0.654074] [D fake: 0.441841]
[Epoch 0/50] [Batch 599/938] [D loss: 1.191877] [G loss: 0.912844] [D real: 0.458853] [D fake: 0.223538]
[Epoch 0/50] [Batch 899/938] [D loss: 0.938042] [G loss: 1.040793] [D real: 0.607376] [D fake: 0.302409]
[Epoch 1/50] [Batch 299/938] [D loss: 1.004832] [G loss: 2.220758] [D real: 0.825477] [D fake: 0.541220]
[Epoch 1/50] [Batch 599/938] [D loss: 1.010692] [G loss: 1.499485] [D real: 0.555188] [D fake: 0.226147]
[Epoch 1/50] [Batch 899/938] [D loss: 0.880904] [G loss: 1.338730] [D real: 0.626870] [D fake: 0.233363]
[Epoch 2/50] [Batch 299/938] [D loss: 0.829813] [G loss: 2.303998] [D real: 0.747940] [D fake: 0.371720]
[Epoch 2/50] [Batch 599/938] [D loss: 1.053018] [G loss: 2.094998] [D real: 0.830040] [D fake: 0.523504]
[Epoch 2/50] [Batch 899/938] [D loss: 0.878583] [G loss: 1.198429] [D real: 0.552428] [D fake: 0.116365]
[Epoch 3/50] [Batch 299/938] [D loss: 0.623464] [G loss: 2.115592] [D real: 0.798577] [D fake: 0.298132]
[Epoch 3/50] [Batch 599/938] [D loss: 0.849235] [G loss: 1.517444] [D real: 0.664473] [D fake: 0.281270]
[Epoch 3/50] [Batch 899/938] [D loss: 1.018560] [G loss: 2.523264] [D real: 0.762676] [D fake: 0.475363]
[Epoch 4/50] [Batch 299/938] [D loss: 0.675941] [G loss: 1.221385] [D real: 0.687409] [D fake: 0.177262]
[Epoch 4/50] [Batch 599/938] [D loss: 0.518201] [G loss: 2.030452] [D real: 0.820068] [D fake: 0.218934]
[Epoch 4/50] [Batch 899/938] [D loss: 0.596310] [G loss: 2.074541] [D real: 0.740501] [D fake: 0.182397]
[Epoch 5/50] [Batch 299/938] [D loss: 0.875196] [G loss: 3.143662] [D real: 0.874345] [D fake: 0.492405]
[Epoch 5/50] [Batch 599/938] [D loss: 0.724136] [G loss: 2.575390] [D real: 0.869490] [D fake: 0.398790]
[Epoch 5/50] [Batch 899/938] [D loss: 0.899812] [G loss: 1.146360] [D real: 0.563581] [D fake: 0.101017]
[Epoch 6/50] [Batch 299/938] [D loss: 0.702829] [G loss: 2.000169] [D real: 0.649199] [D fake: 0.068437]
[Epoch 6/50] [Batch 599/938] [D loss: 0.590536] [G loss: 2.533962] [D real: 0.798274] [D fake: 0.255741]
[Epoch 6/50] [Batch 899/938] [D loss: 0.620965] [G loss: 1.547438] [D real: 0.674020] [D fake: 0.088620]
[Epoch 7/50] [Batch 299/938] [D loss: 0.763007] [G loss: 2.397530] [D real: 0.820272] [D fake: 0.369547]
[Epoch 7/50] [Batch 599/938] [D loss: 0.642566] [G loss: 2.361846] [D real: 0.813566] [D fake: 0.277883]
[Epoch 7/50] [Batch 899/938] [D loss: 0.766600] [G loss: 1.826628] [D real: 0.725339] [D fake: 0.288866]
[Epoch 8/50] [Batch 299/938] [D loss: 0.780408] [G loss: 1.391555] [D real: 0.712020] [D fake: 0.251366]
[Epoch 8/50] [Batch 599/938] [D loss: 1.040399] [G loss: 1.866020] [D real: 0.762199] [D fake: 0.451866]
[Epoch 8/50] [Batch 899/938] [D loss: 1.095012] [G loss: 0.927824] [D real: 0.497888] [D fake: 0.120893]
[Epoch 9/50] [Batch 299/938] [D loss: 0.784348] [G loss: 1.687682] [D real: 0.692549] [D fake: 0.249467]
[Epoch 9/50] [Batch 599/938] [D loss: 0.990058] [G loss: 1.017130] [D real: 0.545202] [D fake: 0.119006]
[Epoch 9/50] [Batch 899/938] [D loss: 0.801848] [G loss: 1.602949] [D real: 0.687938] [D fake: 0.251169]
[Epoch 10/50] [Batch 299/938] [D loss: 0.791089] [G loss: 2.393065] [D real: 0.800895] [D fake: 0.392401]
[Epoch 10/50] [Batch 599/938] [D loss: 1.030113] [G loss: 1.646965] [D real: 0.738721] [D fake: 0.436578]
[Epoch 10/50] [Batch 899/938] [D loss: 0.981594] [G loss: 2.254743] [D real: 0.805582] [D fake: 0.486691]
[Epoch 11/50] [Batch 299/938] [D loss: 0.991982] [G loss: 1.162609] [D real: 0.594142] [D fake: 0.249730]
[Epoch 11/50] [Batch 599/938] [D loss: 0.906605] [G loss: 1.491534] [D real: 0.714087] [D fake: 0.357005]
[Epoch 11/50] [Batch 899/938] [D loss: 0.844362] [G loss: 1.179038] [D real: 0.718654] [D fake: 0.316384]
[Epoch 12/50] [Batch 299/938] [D loss: 0.863015] [G loss: 1.507195] [D real: 0.697577] [D fake: 0.311967]
[Epoch 12/50] [Batch 599/938] [D loss: 1.340321] [G loss: 0.789641] [D real: 0.402968] [D fake: 0.147501]
[Epoch 12/50] [Batch 899/938] [D loss: 0.778064] [G loss: 1.558621] [D real: 0.719452] [D fake: 0.301073]
[Epoch 13/50] [Batch 299/938] [D loss: 0.910379] [G loss: 1.211193] [D real: 0.591672] [D fake: 0.199390]
[Epoch 13/50] [Batch 599/938] [D loss: 1.063265] [G loss: 1.422406] [D real: 0.632027] [D fake: 0.371244]
[Epoch 13/50] [Batch 899/938] [D loss: 1.001968] [G loss: 1.666258] [D real: 0.689657] [D fake: 0.395144]
[Epoch 14/50] [Batch 299/938] [D loss: 0.989379] [G loss: 1.208383] [D real: 0.667937] [D fake: 0.383515]
[Epoch 14/50] [Batch 599/938] [D loss: 0.906237] [G loss: 1.960370] [D real: 0.761342] [D fake: 0.398946]
[Epoch 14/50] [Batch 899/938] [D loss: 0.825228] [G loss: 1.379719] [D real: 0.678601] [D fake: 0.290060]
[Epoch 15/50] [Batch 299/938] [D loss: 1.141459] [G loss: 2.423731] [D real: 0.853908] [D fake: 0.573443]
[Epoch 15/50] [Batch 599/938] [D loss: 1.029997] [G loss: 1.796759] [D real: 0.758488] [D fake: 0.466061]
[Epoch 15/50] [Batch 899/938] [D loss: 1.061821] [G loss: 0.838967] [D real: 0.528519] [D fake: 0.219860]
[Epoch 16/50] [Batch 299/938] [D loss: 0.962612] [G loss: 1.375448] [D real: 0.631942] [D fake: 0.286362]
[Epoch 16/50] [Batch 599/938] [D loss: 0.889674] [G loss: 1.145487] [D real: 0.661181] [D fake: 0.276140]
[Epoch 16/50] [Batch 899/938] [D loss: 1.162354] [G loss: 2.665335] [D real: 0.858547] [D fake: 0.568792]
[Epoch 17/50] [Batch 299/938] [D loss: 1.302850] [G loss: 0.698707] [D real: 0.428801] [D fake: 0.105473]
[Epoch 17/50] [Batch 599/938] [D loss: 0.842663] [G loss: 1.710078] [D real: 0.701462] [D fake: 0.302471]
[Epoch 17/50] [Batch 899/938] [D loss: 0.832509] [G loss: 1.283650] [D real: 0.698389] [D fake: 0.313110]
[Epoch 18/50] [Batch 299/938] [D loss: 1.368770] [G loss: 2.371649] [D real: 0.878667] [D fake: 0.666697]
[Epoch 18/50] [Batch 599/938] [D loss: 0.949422] [G loss: 1.067938] [D real: 0.567139] [D fake: 0.180208]
[Epoch 18/50] [Batch 899/938] [D loss: 0.816572] [G loss: 1.360575] [D real: 0.643414] [D fake: 0.225392]
[Epoch 19/50] [Batch 299/938] [D loss: 0.937279] [G loss: 1.885128] [D real: 0.763646] [D fake: 0.430748]
[Epoch 19/50] [Batch 599/938] [D loss: 0.974825] [G loss: 2.017726] [D real: 0.778439] [D fake: 0.470931]
[Epoch 19/50] [Batch 899/938] [D loss: 0.915921] [G loss: 1.154979] [D real: 0.595053] [D fake: 0.221935]
[Epoch 20/50] [Batch 299/938] [D loss: 0.881256] [G loss: 1.747743] [D real: 0.694174] [D fake: 0.341680]
[Epoch 20/50] [Batch 599/938] [D loss: 0.918638] [G loss: 1.552267] [D real: 0.702267] [D fake: 0.352388]
[Epoch 20/50] [Batch 899/938] [D loss: 0.951683] [G loss: 1.106557] [D real: 0.579497] [D fake: 0.215146]
[Epoch 21/50] [Batch 299/938] [D loss: 0.974893] [G loss: 1.930849] [D real: 0.803696] [D fake: 0.480613]
[Epoch 21/50] [Batch 599/938] [D loss: 0.930471] [G loss: 1.194343] [D real: 0.625553] [D fake: 0.278800]
[Epoch 21/50] [Batch 899/938] [D loss: 0.859748] [G loss: 1.238153] [D real: 0.707986] [D fake: 0.333503]
[Epoch 22/50] [Batch 299/938] [D loss: 0.983662] [G loss: 2.023248] [D real: 0.786604] [D fake: 0.449383]
[Epoch 22/50] [Batch 599/938] [D loss: 0.844784] [G loss: 1.927803] [D real: 0.792305] [D fake: 0.412590]
[Epoch 22/50] [Batch 899/938] [D loss: 0.939253] [G loss: 1.503554] [D real: 0.728900] [D fake: 0.408329]
[Epoch 23/50] [Batch 299/938] [D loss: 0.879789] [G loss: 0.887674] [D real: 0.580086] [D fake: 0.184930]
[Epoch 23/50] [Batch 599/938] [D loss: 0.764812] [G loss: 1.432183] [D real: 0.672108] [D fake: 0.214926]
[Epoch 23/50] [Batch 899/938] [D loss: 0.883344] [G loss: 1.886303] [D real: 0.846723] [D fake: 0.431878]
[Epoch 24/50] [Batch 299/938] [D loss: 1.251742] [G loss: 2.720743] [D real: 0.870346] [D fake: 0.613369]
[Epoch 24/50] [Batch 599/938] [D loss: 0.859271] [G loss: 1.429896] [D real: 0.660809] [D fake: 0.257913]
[Epoch 24/50] [Batch 899/938] [D loss: 1.149945] [G loss: 0.889781] [D real: 0.543300] [D fake: 0.254658]
[Epoch 25/50] [Batch 299/938] [D loss: 1.094652] [G loss: 1.214759] [D real: 0.605972] [D fake: 0.337315]
[Epoch 25/50] [Batch 599/938] [D loss: 0.797354] [G loss: 1.191305] [D real: 0.660583] [D fake: 0.224572]
[Epoch 25/50] [Batch 899/938] [D loss: 0.845965] [G loss: 1.268798] [D real: 0.626741] [D fake: 0.203728]
[Epoch 26/50] [Batch 299/938] [D loss: 1.115303] [G loss: 0.840342] [D real: 0.535978] [D fake: 0.193441]
[Epoch 26/50] [Batch 599/938] [D loss: 0.774557] [G loss: 1.810735] [D real: 0.781696] [D fake: 0.343132]
[Epoch 26/50] [Batch 899/938] [D loss: 0.895646] [G loss: 1.480375] [D real: 0.676262] [D fake: 0.313794]
[Epoch 27/50] [Batch 299/938] [D loss: 0.948866] [G loss: 1.774191] [D real: 0.781517] [D fake: 0.434177]
[Epoch 27/50] [Batch 599/938] [D loss: 0.857572] [G loss: 1.523750] [D real: 0.691116] [D fake: 0.303740]
[Epoch 27/50] [Batch 899/938] [D loss: 0.871821] [G loss: 1.407018] [D real: 0.676466] [D fake: 0.285737]
[Epoch 28/50] [Batch 299/938] [D loss: 0.994471] [G loss: 1.704868] [D real: 0.755193] [D fake: 0.421763]
[Epoch 28/50] [Batch 599/938] [D loss: 0.927082] [G loss: 1.568059] [D real: 0.628921] [D fake: 0.225705]
[Epoch 28/50] [Batch 899/938] [D loss: 0.859597] [G loss: 1.028539] [D real: 0.630817] [D fake: 0.248941]
[Epoch 29/50] [Batch 299/938] [D loss: 0.953265] [G loss: 1.643800] [D real: 0.725071] [D fake: 0.378147]
[Epoch 29/50] [Batch 599/938] [D loss: 0.881621] [G loss: 1.632039] [D real: 0.667327] [D fake: 0.277784]
[Epoch 29/50] [Batch 899/938] [D loss: 0.812341] [G loss: 1.214891] [D real: 0.727618] [D fake: 0.307845]
[Epoch 30/50] [Batch 299/938] [D loss: 0.928579] [G loss: 1.605430] [D real: 0.803836] [D fake: 0.434104]
[Epoch 30/50] [Batch 599/938] [D loss: 0.968729] [G loss: 0.863796] [D real: 0.586883] [D fake: 0.168837]
[Epoch 30/50] [Batch 899/938] [D loss: 1.047158] [G loss: 0.931751] [D real: 0.572705] [D fake: 0.217274]
[Epoch 31/50] [Batch 299/938] [D loss: 0.978278] [G loss: 1.163587] [D real: 0.594499] [D fake: 0.236582]
[Epoch 31/50] [Batch 599/938] [D loss: 0.874393] [G loss: 1.391558] [D real: 0.664588] [D fake: 0.276939]
[Epoch 31/50] [Batch 899/938] [D loss: 0.714764] [G loss: 1.503244] [D real: 0.735266] [D fake: 0.280823]
[Epoch 32/50] [Batch 299/938] [D loss: 0.926041] [G loss: 1.102411] [D real: 0.622352] [D fake: 0.214901]
[Epoch 32/50] [Batch 599/938] [D loss: 0.878116] [G loss: 1.503615] [D real: 0.684305] [D fake: 0.280049]
[Epoch 32/50] [Batch 899/938] [D loss: 0.933366] [G loss: 1.587198] [D real: 0.736988] [D fake: 0.381085]
[Epoch 33/50] [Batch 299/938] [D loss: 1.014969] [G loss: 1.378572] [D real: 0.576361] [D fake: 0.217423]
[Epoch 33/50] [Batch 599/938] [D loss: 0.948930] [G loss: 1.505417] [D real: 0.734145] [D fake: 0.396490]
[Epoch 33/50] [Batch 899/938] [D loss: 0.794515] [G loss: 2.165621] [D real: 0.780711] [D fake: 0.358258]
[Epoch 34/50] [Batch 299/938] [D loss: 0.923137] [G loss: 2.110215] [D real: 0.805725] [D fake: 0.443990]
[Epoch 34/50] [Batch 599/938] [D loss: 0.900147] [G loss: 1.770728] [D real: 0.708048] [D fake: 0.351760]
[Epoch 34/50] [Batch 899/938] [D loss: 0.918207] [G loss: 1.825978] [D real: 0.751272] [D fake: 0.379385]
[Epoch 35/50] [Batch 299/938] [D loss: 0.786494] [G loss: 1.572840] [D real: 0.753308] [D fake: 0.315357]
[Epoch 35/50] [Batch 599/938] [D loss: 0.926298] [G loss: 1.078452] [D real: 0.614426] [D fake: 0.223858]
[Epoch 35/50] [Batch 899/938] [D loss: 0.844453] [G loss: 1.427545] [D real: 0.661638] [D fake: 0.250853]
[Epoch 36/50] [Batch 299/938] [D loss: 0.841130] [G loss: 1.609914] [D real: 0.671988] [D fake: 0.251540]
[Epoch 36/50] [Batch 599/938] [D loss: 0.835743] [G loss: 1.123168] [D real: 0.690642] [D fake: 0.272213]
[Epoch 36/50] [Batch 899/938] [D loss: 0.878262] [G loss: 1.813486] [D real: 0.723274] [D fake: 0.328700]
[Epoch 37/50] [Batch 299/938] [D loss: 0.914168] [G loss: 1.344702] [D real: 0.642786] [D fake: 0.208098]
[Epoch 37/50] [Batch 599/938] [D loss: 0.851241] [G loss: 1.402598] [D real: 0.700463] [D fake: 0.274131]
[Epoch 37/50] [Batch 899/938] [D loss: 0.815197] [G loss: 1.269329] [D real: 0.632013] [D fake: 0.169207]
[Epoch 38/50] [Batch 299/938] [D loss: 0.608096] [G loss: 1.815545] [D real: 0.815722] [D fake: 0.265863]
[Epoch 38/50] [Batch 599/938] [D loss: 0.913200] [G loss: 1.506232] [D real: 0.628835] [D fake: 0.234755]
[Epoch 38/50] [Batch 899/938] [D loss: 1.190256] [G loss: 2.323765] [D real: 0.837308] [D fake: 0.554138]
[Epoch 39/50] [Batch 299/938] [D loss: 0.836248] [G loss: 1.411437] [D real: 0.643575] [D fake: 0.186915]
[Epoch 39/50] [Batch 599/938] [D loss: 0.682158] [G loss: 2.188884] [D real: 0.782492] [D fake: 0.269880]
[Epoch 39/50] [Batch 899/938] [D loss: 0.835626] [G loss: 1.458166] [D real: 0.682812] [D fake: 0.267175]
[Epoch 40/50] [Batch 299/938] [D loss: 0.815727] [G loss: 1.891578] [D real: 0.768537] [D fake: 0.332005]
[Epoch 40/50] [Batch 599/938] [D loss: 0.954156] [G loss: 1.477366] [D real: 0.674973] [D fake: 0.341626]
[Epoch 40/50] [Batch 899/938] [D loss: 1.165488] [G loss: 2.452061] [D real: 0.873572] [D fake: 0.580245]
[Epoch 41/50] [Batch 299/938] [D loss: 0.807535] [G loss: 1.703256] [D real: 0.688650] [D fake: 0.219471]
[Epoch 41/50] [Batch 599/938] [D loss: 0.918228] [G loss: 1.949707] [D real: 0.808916] [D fake: 0.444576]
[Epoch 41/50] [Batch 899/938] [D loss: 0.851099] [G loss: 1.622494] [D real: 0.720547] [D fake: 0.301786]
[Epoch 42/50] [Batch 299/938] [D loss: 0.990698] [G loss: 1.669534] [D real: 0.718162] [D fake: 0.371262]
[Epoch 42/50] [Batch 599/938] [D loss: 0.852659] [G loss: 1.764711] [D real: 0.772116] [D fake: 0.331731]
[Epoch 42/50] [Batch 899/938] [D loss: 0.815819] [G loss: 2.146849] [D real: 0.802263] [D fake: 0.374821]
[Epoch 43/50] [Batch 299/938] [D loss: 0.664832] [G loss: 1.936043] [D real: 0.815041] [D fake: 0.295924]
[Epoch 43/50] [Batch 599/938] [D loss: 0.642531] [G loss: 2.022935] [D real: 0.769789] [D fake: 0.232571]
[Epoch 43/50] [Batch 899/938] [D loss: 0.708858] [G loss: 2.054930] [D real: 0.883253] [D fake: 0.399093]
[Epoch 44/50] [Batch 299/938] [D loss: 0.984197] [G loss: 0.908327] [D real: 0.597017] [D fake: 0.170716]
[Epoch 44/50] [Batch 599/938] [D loss: 1.000634] [G loss: 1.766603] [D real: 0.867114] [D fake: 0.511092]
[Epoch 44/50] [Batch 899/938] [D loss: 1.116100] [G loss: 1.961709] [D real: 0.766508] [D fake: 0.442761]
[Epoch 45/50] [Batch 299/938] [D loss: 1.047572] [G loss: 2.178110] [D real: 0.819176] [D fake: 0.495287]
[Epoch 45/50] [Batch 599/938] [D loss: 0.948527] [G loss: 1.080285] [D real: 0.616301] [D fake: 0.185327]
[Epoch 45/50] [Batch 899/938] [D loss: 0.822393] [G loss: 1.724983] [D real: 0.737316] [D fake: 0.276954]
[Epoch 46/50] [Batch 299/938] [D loss: 0.771683] [G loss: 2.185272] [D real: 0.818269] [D fake: 0.359337]
[Epoch 46/50] [Batch 599/938] [D loss: 0.899866] [G loss: 1.661140] [D real: 0.749309] [D fake: 0.355079]
[Epoch 46/50] [Batch 899/938] [D loss: 0.839567] [G loss: 1.016037] [D real: 0.619461] [D fake: 0.178458]
[Epoch 47/50] [Batch 299/938] [D loss: 0.850783] [G loss: 1.755419] [D real: 0.733569] [D fake: 0.320683]
[Epoch 47/50] [Batch 599/938] [D loss: 0.842861] [G loss: 2.125519] [D real: 0.853034] [D fake: 0.412070]
[Epoch 47/50] [Batch 899/938] [D loss: 0.903069] [G loss: 0.903264] [D real: 0.599899] [D fake: 0.158276]
[Epoch 48/50] [Batch 299/938] [D loss: 0.778783] [G loss: 1.301862] [D real: 0.758963] [D fake: 0.328192]
[Epoch 48/50] [Batch 599/938] [D loss: 0.836319] [G loss: 1.851378] [D real: 0.798966] [D fake: 0.379225]
[Epoch 48/50] [Batch 899/938] [D loss: 0.987796] [G loss: 1.919121] [D real: 0.718209] [D fake: 0.348957]
[Epoch 49/50] [Batch 299/938] [D loss: 0.983706] [G loss: 1.484739] [D real: 0.635931] [D fake: 0.246885]
[Epoch 49/50] [Batch 599/938] [D loss: 0.831517] [G loss: 1.506502] [D real: 0.700573] [D fake: 0.243325]
[Epoch 49/50] [Batch 899/938] [D loss: 0.777098] [G loss: 1.839880] [D real: 0.760655] [D fake: 0.325862]

3、模型保存

torch.save(generator.state_dict(), "./save/generator.pth")
torch.save(discriminator.state_dict(), "./save/discriminator.pth")

4、模型结果(生成图片)

在这里插入图片描述

可以看出，后面效果好了不少。

5、问题解决

如何进行分布假设？—>rand(正态分布)
生成器、判别器如何进行模型参数优化更新？(核心)
判别器如何判别真假？
- 看判别器模型代码—->tanh

【GAN网络入门系列】一，手写字MINST图片生成

🍨 本文为🔗365天深度学习训练营中的学习记录博客🍖 原作者：K同学啊博主简介：努力学习的22级本科生一枚 🌟；探索AI算法，C，go语言的世界；在迷茫中寻找光芒…...

编程日记 2025/5/29 12:54:04

数据备份与恢复方案

数据备份与恢复方案一．背景为确保公司信息安全，防止关键数据丢失，应对突发事件，特制定全面的数据备份与恢复方案。该方案将对公司的各类文件资料进行分级管理，并针对不同级别的数据设定相应的备份策略和恢复流程。二…...

编程日记 2025/6/1 10:09:44

安装gomock： go get github.com/golang/mock/gomockgo get github.com/golang/mock/mockgen 使用 mockgen 生成 mock 代码: 参考 mockgen -sourceservice/user.go -destinationservice/mocks/mock_user_service.go -packagemocks go test -coverprofilecoverage.out…...

编程日记 2025/5/29 16:18:06

淘宝商家层级存在流量上限怎么办，如何突破流量上限？

在淘宝平台运营中，许多商家都会遇到一个共同难题：随着店铺层级的提升，流量增长却逐渐触及天花板。这种现象背后隐藏着平台复杂的流量分配机制，但并非无法破解。一、流量上限的底层逻辑淘宝根据商家层级（1-7层&…...

编程日记 2025/5/31 11:44:14

【linux】Web服务—搭建nginx+ssl的加密认证web服务器

准备工作步骤： 一、新建存储网站数据文件的目录二、创建一个该目录下的默认页面，index.html 三、使用算法进行加密四、制作证书五、编辑配置文件，可以选择修改主配置文件，但是不建议原因如下： 自定义一个配置文…...

编程日记 2025/5/27 4:41:11

MySQL MCP 使用案例

## 概述 MySQL MCP（MySQL Multi-Channel Protocol）是MySQL的多通道协议实现，提供了高效的数据库连接池和负载均衡功能。本文档将介绍MySQL MCP的基本使用方法和常见案例。 ## 环境准备 ### 安装MySQL MCP bash pip install mysql-mcp ### 基…...

编程日记 2025/5/28 8:04:49

C#中UI线程的切换与后台线程的使用

文章速览 UI线程切换示例后台线程使用示例两者对比适用场景Application.Current.Dispatcher.InvokeTask.Factory.StartNew 执行同步性Application.Current.Dispatcher.InvokeTask.Factory.StartNew 一个赞，专属于你的足迹！ UI线程切换在WPF应用程序…...

编程日记 2025/5/28 6:47:46

实验-实现向量点积-RISC-V（计算机组成原理）

目录一、实验内容二、实验步骤三、源代码四、实现效果五、实验环境六、实验小结与思考一、实验内容首先，我们用一个简单的“向量点积”运算作为热身。你将拿到一个不完整的汇编代码“task2-向量点积”，我们的目标是按照C语言描述的功能&a…...

编程日记 2025/5/29 18:29:52

【软考霍夫曼编码的文档压缩比】

霍夫曼编码的文档压缩比计算基于字符频率的最优编码分配，以下是详细步骤及相关案例： 一、压缩比计算公式 [ \text{压缩比} \frac{\text{压缩前总比特数}}{\text{压缩后总比特数编码表存储开销}} ] 通常以比率（如 3:1） 或百分…...

编程日记 2025/5/29 12:56:16

skywalking使用教程

skywalking使用教程一、介绍 skywalking 1.1 概念 skywalking是分布式系统的应用程序性能监视工具，专为微服务、云原生架构和基于容器（Docker、K8s、Mesos）架构而设计。SkyWalking 是观察性分析平台和应用性能管理系统，提供分布…...

编程日记 2025/5/26 6:59:11

Tor推出Oniux新工具：为Linux应用提供网络流量匿名化

Tor项目近日发布了名为Oniux的新型命令行工具，该工具可将任何Linux应用程序的网络流量安全地路由至Tor网络，实现匿名化连接。基于Linux命名空间的隔离技术与依赖用户空间技巧的torsocks等传统方法不同，Oniux利用Linux命名空间&#xff08…...

编程日记 2025/5/24 2:18:30

LLaMA-Factory微调大模型Qwen2.5

1、开始ModelScope社区GPU环境训练或微调模型都是非常耗费算力的。如果电脑的配置不高，可使用一些云服务器来做这项工作。如ModelScope(魔搭)社区的GPU环境，目前提供36小时免费运算，足够微调一个大模型了。注册ModelScope(魔搭)社区账号（可能还要注册或认证阿里云账号）…...

编程日记 2025/5/23 16:35:14

docker（四）使用篇二：docker 镜像

在上一章中，我们介绍了 docker 镜像仓库，本文就来介绍 docker 镜像。一、什么是镜像 docker 镜像本质上是一个 read-only 只读文件， 这个文件包含了文件系统、源码、库文件、依赖、工具等一些运行 application 所必须的文件。我们可以把…...

编程日记 2025/5/29 21:18:58

算法练习：19.JZ29 顺时针打印矩阵

错误原因总体思路有，但不够清晰，一直在边调试边完善。这方面就养成更好的构思习惯，以及涨涨经验吧。分析： 思路：找规律两个坑： 一次循环的后半段是倒着遍历的是矩阵不是方阵，要考虑行列…...

编程日记 2025/5/26 10:39:13

如何使用 Solana Yellowstone gRPC 重新连接和重放插槽

Yellowstone gRPC 是一个功能强大、可用于生产环境且经过实战检验的工具，用于流式传输实时的 Solana 数据。但在实际条件下，网络中断或服务器重启可能导致连接中断。如果没有适当的重连策略，你的应用程序可能会错过区块链的关键更新。为了防…...

编程日记 2025/5/27 4:48:52

踩坑：uiautomatorviewer.bat 打不开

错误信息运行 sdk\tools\bin\uiautomatorviewer.bat 报错 -Djava.ext.dirs..\lib\x86_64;..\lib is not supported. Use -classpath instead. Error: Could not create the Java Virtual Machine. Error: A fatal exception has occurred. Program will exit. 原因 java版…...

编程日记 2025/5/29 14:07:37

天能股份SAP系统整合实战：如何用8个月实现零业务中断的集团化管理升级

目录天能股份SAP系统整合案例：技术驱动集团化管理的破局之路一、企业背景：新能源巨头的数字化挑战二、项目难点：制造业的特殊攻坚战 1. 生产连续性刚性需求 2. 数据整合三重障碍 3. 资源限制下的技术突围三、解决方案：S…...

编程日记 2025/5/31 19:42:45

oracle主备切换参考

主备正常切换操作参考：RAC两节点->单机 （rac和单机的操作区别：就是关闭其它节点，剩一个节点操作即可） 1.主库准备检查状态 SQL> select inst_id,database_role,OPEN_MODE from gv$database; INST_ID DATA…...

编程日记 2025/5/29 11:14:25

PHP 与面向对象编程（OOP）

PHP 是一种支持面向对象编程（OOP）的多范式语言，但其面向对象特性是逐步演进而非原生设计。以下是关键分析： 1. PHP 对面向对象编程的支持核心 OOP 特性： 类和对象： PHP 支持通过 class 关键字定义类&…...

编程日记 2025/5/26 6:14:32

预测模型开发与评估：基于机器学习的数据分析实践

在当今数据驱动的时代，预测模型已成为各行各业决策制定的核心工具。本文将分享我在COMP5310课程项目中开发预测模型的经验，探讨从数据清洗到模型优化的完整过程，并提供详细的技术实现代码。 ## 研究问题与数据集 ### 研究问题我们的研究聚焦…...

编程日记 2025/5/27 6:48:13

2026《数据结构》考研复习笔记四（绪论）

绪论前言时间复杂度分析前言由于先前笔者花费约一周时间将王道《数据结构》知识点大致过了一遍，圈画下来疑难知识点，有了大致的知识框架，现在的任务就是将知识点逐个理解透彻，并将leetcode刷题与课后刷题相结合。因此此后的过…...

编程日记 2025/5/27 5:32:44

2025-5-16Vue3快速上手

1、reactive创建对象类型的响应式数据 （1） (2)reactive包裹的对象类型数据是Proxy对象类型 2、ref 创建对象类型的响应式数据 （1）使用js修改ref的数据时依然要加.value (2)ref的底层是用reactive做响应式数据的，因为…...

编程日记 2025/5/29 9:48:38

Lua中使用module时踩过的坑

在lua中设置某个全局对象(假如对象名为LDataUser)为nil时, LDataUser并不会变成nil, 但在有些情况下设置LDataUser nil时却真变成了nil，然后会导致后续再使用LDataUser时会抛nil异常, 后来发现是使用module搞的鬼，下面看看豆包AI给的解释，还…...

编程日记 2025/5/29 12:46:23

WinSCP用户管理FTP详解

1、下载winscp 官方下载地址：https://winscp.net/eng/index.php 2、登录ftp 3、桌面快捷键 4、首页介绍 5、文件搜索模糊查询，关键字两边必须加’ * ‘号 6、编码报错报错原因：使用’936（ANS/OEM-简体中尉GBK）’编…...

编程日记 2025/5/28 7:58:10

python基础语法（三-中）

基础语法3： 2.列表与元组： <1>.列表、元组是什么？ 都用来存储数据，但是两者有区别，列表可变，元组不可变。 <2>.创建列表： 创建列表有两种方式： [1].a 【】&#x…...

编程日记 2025/5/31 8:32:32

NLP双雄争霸：GPT与BERT的生成-理解博弈——从技术分野到产业融合的深度解码

NLP双雄争霸：GPT与BERT的生成-理解博弈——从技术分野到产业融合的深度解码前言： 在自然语言处理（NLP）的版图上，GPT与BERT如双子星般照亮了智能时代的语言星空。一个是凭借千亿参数横扫生成任务的“文本造物主”&…...

编程日记 2025/6/3 10:03:16

JS手写代码篇---手写 instanceof 方法

2、手写 instanceof 方法 instancecof用于检测一个对象是否是某个构造函数的实例。它通常用于检查对象的类型，尤其是在处理继承关系时。 eg: const arr [1,2,3,4,5]console.log(arr instanceof Array); // trueconsole.log(arr instanceof Object); // true那这是…...

编程日记 2025/5/24 20:20:34

浮点数截断法：四舍五入的精确模拟

理论解释： 1. 目标假设 a 3.14159，我们想四舍五入到小数点后两位（即 3.14 或 3.15）。 2. 步骤拆解 (1) a * 100 把 a 放大 100 倍，让小数点后两位变成整数部分： 3.14159 * 100 314.159 (2) 0.5 关…...

编程日记 2025/5/31 8:29:26

c++ 类的语法3

测试下默认构造函数。demo1： void testClass3() {class Demo { // 没显示提供默认构造函数，会有默认构造函数。public:int x; // 普通成员变量，可默认构造};Demo demo1;//cout << "demo1.x: " << demo1.x << en…...

编程日记 2025/6/1 9:32:09

EasyExcel导出excel再转PDF转图片详解

封装EasyExcel导出工具类相关的依赖自己网上搜索加上，这里不在阐述 Slf4j Service public class AgentExcelUtils {public String syncDynamicHeadWrite(String fileName,String sheetName,List<List<String>> headList,List<?> data) throws…...

编程日记 2025/6/1 12:53:20

【知识产权出版社-注册安全分析报告-无验证方式导致安全隐患】

前言由于网站注册入口容易被黑客攻击，存在如下安全问题： 1. 暴力破解密码，造成用户信息泄露 2. 短信盗刷的安全问题，影响业务及导致用户投诉 3. 带来经济损失，尤其是后付费客户，风险巨大，造…...

编程日记 2025/5/31 7:28:59

Oc语言学习 —— 重点内容总结与拓展（上）

隐藏和封装有四种访问控制符：private(当前类访问权限)，package(与映像访问权限相同)，protect(子类访问权限)，public(公共访问权限)。访问控制符 1.private（当前类访问权限） 成员变量只能在当前类的内部…...

编程日记 2025/5/28 7:50:46

全面且深度学习c++类和对象(上)

文章目录过程和对象类的引入，类的定义类的访问限定符及封装类的访问限定符封装类的实例化类大小内存对齐规则： this指针this特性过程和对象 C语言面向过程设计，c面向对象设计， 举例：洗衣服 C语言：放衣服…...

编程日记 2025/5/28 8:17:58

QML元素 - RectangularGlow

QML 的 RectangularGlow 是 Qt Quick Effects 模块中专门为矩形元素设计的外发光效果，适用于为卡片、按钮、面板等矩形或圆角矩形添加柔和的边缘光晕，相比通用 Glow 更高效且支持圆角匹配。以下是详细使用技巧和优化指南： 1. 基本用法 impor…...

编程日记 2025/5/28 16:39:15

GraphPad Prism项目的管理

《2025新书现货 GraphPad Prism图表可视化与统计数据分析（视频教学版）雍杨康巧昆清华大学出版社教材书籍 9787302686460 GraphPadPrism图表可视化无规格》【摘要书评试读】- 京东图书 GraphPad Prism统计数据分析_夏天又到了的博客-CSDN博客项目…...

编程日记 2025/5/30 11:15:34

uniapp自定义日历计划写法（vue2）

文章目录 uniapp自定义日历计划写法（vue2）1、效果2、实现源码前言：我们有时候需要实现的日历找不到相应的插件的时候，往往需要手动去写一个日历，以下就是我遇到这样的问题时，手搓出来的一个解决方案，希望可以帮助到更多的人。创作不易，请多多支持uniapp自定义日历计划写…...

编程日记 2025/5/29 18:08:50

差分探头为什么要选择使用屏蔽双绞线

市面上很多各种品牌的差分探头，其使用的线缆都使用了屏蔽双绞线（STP），这主要是因为在测试过程中因高压线路周围强电场或磁场在信号线与地线间感应出共模电压而产生的电磁耦合效应会对测试结果产生干扰，而屏蔽双绞线可以…...

编程日记 2025/5/28 16:45:01

Qt—用SQLite实现简单的注册登录界面

1.实现目标本次实现通过SQLite制作一个简易的登录窗口，当点击注册按钮时，登录窗口会消失，会出现一个新的注册界面；完成注册或退出注册时，注册窗口会消失，重新出现登录窗口。注册过的用户信息会出现在SQLi…...

编程日记 2025/5/29 10:15:19

Visual Studio旧版直链

[Visual Studio 2019 社区版]（https://aka.ms/vs/16/release/vs_community.exe） [Visual Studio 2019 专业版]（https://aka.ms/vs/16/release/vs_professional.exe） [Visual Studio 2019 企业版]（https://aka.ms/vs/16…...

编程日记 2025/5/26 7:22:17

elementUI源码学习

学习笔记。最近在看element的table表格优化，又去看了一下element源码框架。element 的架构是很优秀，通过大量的脚本实现工程化，让组件库的开发者专注于事情本身，比如新加组件，一键生成组件所有文件，并完成…...

编程日记 2025/5/29 9:22:15

【LeetCode 热题 100】搜索插入位置 / 搜索旋转排序数组 / 寻找旋转排序数组中的最小值

⭐️个人主页：小羊 ⭐️所属专栏：LeetCode 热题 100 很荣幸您能阅读我的文章，诚请评论指点，欢迎欢迎 ~ 目录搜索插入位置搜索二维矩阵在排序数组中查找元素的第一个和最后一个位置搜索旋转排序数组寻找旋转排序数组中的最小值…...

编程日记 2025/5/24 16:30:57

捌拾伍- 量子傅里叶变换 (3)

前期的内容在捌拾叁- 量子傅里叶变换前期的内容在捌拾肆- 量子傅里叶变换 (2) 9. 之前的之前的公式写错了！ Markdown 的 KaTeX 真难用！！！ 而且之前的公式是从 j1 – jn ，但量子计算都是从 0 开始的&#xff0c…...

编程日记 2025/5/29 16:21:30

探索ISBN查询接口：为图书管理系统赋能

在开发图书管理应用时，ISBN（国际标准书号）查询接口是获取图书元数据的核心工具。通过扫描图书条形码得到ISBN，再调用API即可轻松获取书名、作者、出版社、封面等信息。本文详细介绍几种主流ISBN查询API，包括国际和国内…...

编程日记 2025/5/28 16:33:39

Linux 内核中 inet_accept 的实现与自定义传输协议优化

在 Linux 内核中，网络协议栈的核心功能由一系列精心设计的函数实现，其中 inet_accept 是 TCP 协议接受新连接的关键入口。本文将深入分析该函数的实现逻辑，并探讨在实现自定义传输协议时如何权衡性能优化与代码简化。一、inet_accept 函数解析 1. 功能概述 inet_accept 是…...

编程日记 2025/5/26 10:51:34