当前位置：首页 > news >正文

【深度学习基础】从感知机到多层神经网络：模型原理、结构与计算过程全解析

news 来源：原创 2025/9/14 4:24:24

【深度学习基础】从感知机到多层神经网络：模型原理、结构与计算过程全解析

在这里插入图片描述

1. 引言

神经网络的重要性：
作为人工智能的核心技术之一，神经网络通过模拟人脑神经元的工作机制，成为解决复杂模式识别、预测和决策任务的利器。从图像分类到自然语言生成，其应用几乎渗透所有AI领域。

发展脉络：

1958年感知机诞生：Frank Rosenblatt提出单层感知机，开创神经网络先河，但受限于线性可分性。
1980年代多层网络突破：反向传播算法与隐藏层的引入，使神经网络能够解决非线性问题（如XOR）。
深度学习革命：算力提升与大数据驱动下，深度神经网络（DNN、CNN、RNN）在21世纪取得颠覆性成果。

本文目标：

拆解感知机的数学模型与训练过程。
揭示多层神经网络如何通过隐藏层和激活函数突破线性限制。
通过代码实战演示两类模型的应用场景。

2. 感知机模型

2.1 模型结构与数学原理
感知机（Perceptron）是最简单的人工神经网络模型，由输入层和输出层直接连接构成，无隐藏层。其核心功能是对输入数据进行二分类（如判断“是/否”）。

输入与权重：

输入向量： $x = [x_1, x_2, ..., x_n]$ ，表示样本的 $n$ 个特征。
权重向量： $w = [w_1, w_2, ..., w_n]$ ，每个特征对应一个权重，决定特征的重要性。
偏置项： $b$ ，用于调整分类决策边界的偏移量。

计算过程：

加权求和：输入与权重的线性组合加上偏置，得到净输入 $z$ 。
$\sum_{i=1}^{n} w_i x_i + b$
激活函数：阶跃函数（Step Function）将 $z$ 转换为二分类输出（0或1）。
$\begin{cases} 1 & \text{if } z \geq 0, \\ 0 & \text{otherwise}. \end{cases}$

几何意义：

感知机本质是在 $n$ 维空间中构造一个超平面 $\cdot x + b = 0$ ，将数据分为两类。
例如，二维空间中的分类表现为一条直线（如 $w_1 x_1 + w_2 x_2 + b = 0$ ）。

2.2 激活函数：阶跃函数
阶跃函数是感知机的核心组件，其特性如下：

非线性特性：虽然函数本身非连续，但赋予了感知机非线性分类能力。
输出二值化：将连续输入映射为离散的0或1，适合二分类任务。

局限性：

无法输出概率（如Sigmoid函数）或多分类结果。
梯度为零，导致无法通过梯度下降法直接优化（需依赖误差修正算法）。

2.3 学习算法：误差修正
感知机通过迭代调整权重和偏置，逐步减少分类错误。

步骤详解：

初始化参数：权重 $w$ 和偏置 $b$ 初始化为零或随机小值。
遍历训练数据：对每个样本 $(x^{(i)}, y_{\text{true}}^{(i)})$ ：
- 计算预测值 $y_{\text{pred}}^{(i)} = \text{Step}(w \cdot x^{(i)} + b)$ 。
- 计算误差 $\epsilon = y_{\text{true}}^{(i)} - y_{\text{pred}}^{(i)}$ 。
更新规则：若分类错误（ $\epsilon \neq 0$ ），按以下规则调整参数：
$w_{\text{new}} = w_{\text{old}} + \eta \cdot \epsilon \cdot x^{(i)}$
$b_{\text{new}} = b_{\text{old}} + \eta \cdot \epsilon$
- $\eta$ 为学习率（Learning Rate），控制参数更新步长。

收敛性：

若训练数据线性可分，感知机保证在有限步内收敛。
若数据非线性可分，算法将无限震荡（需引入多层网络）。

2.4 局限性：线性可分问题
XOR问题的失败案例：

XOR（异或）逻辑的真值表如下：

$x_1$ $x_2$ $y$
0 0 0
0 1 1
1 0 1
1 1 0
感知机无法找到一条直线将XOR的四类样本正确分类（需曲线或非线性边界）。

$x_1$	$x_2$	$y$
0	0	0
0	1	1
1	0	1
1	1	0

解决思路：

引入隐藏层：通过多层网络组合多个感知机，实现非线性决策边界。
更换激活函数：使用Sigmoid、ReLU等连续可导函数，支持梯度传播。

3. 多层神经网络

3.1 隐藏层的作用与结构设计
为什么需要隐藏层？
单层感知机仅能解决线性可分问题，而真实世界的数据（如图像、语音）往往具有复杂的非线性关系。隐藏层的引入通过以下机制突破这一限制：

特征抽象与组合：
- 每一层隐藏神经元通过权重和激活函数对输入进行非线性变换，逐步提取高阶特征。
- 例如，在图像识别中：
  - 第一层可能检测边缘和纹理。
  - 后续层组合这些基础特征，识别更复杂的结构（如眼睛、车轮）。
非线性映射能力：
- 隐藏层叠加激活函数（如Sigmoid、ReLU），将原始输入映射到高维空间，使得线性不可分问题在新的空间中可分。
- 数学表达（以单隐藏层为例）：
  $\text{输出} = f_2(W_2 \cdot f_1(W_1 \cdot x + b_1) + b_2)$
  - $f_1, f_2$ 为激活函数， $W_1, W_2$ 为权重矩阵， $b_1, b_2$ 为偏置。

3.2 全连接层的结构与前向传播
全连接层（Dense Layer）的定义：

每一层的每个神经元均与下一层的所有神经元连接，形成密集的权重矩阵。
参数规模：若输入层有 $n$ 个神经元，隐藏层有 $m$ 个神经元，则权重矩阵维度为 $\times n$ 。

前向传播计算流程（以2层网络为例）：

输入层 → 隐藏层：
- 输入数据 $x$ （维度 $\times 1$ ）。
- 权重矩阵 $W_1$ （维度 $\times n$ ），偏置 $b_1$ （维度 $\times 1$ ）。
- 计算净输入：
  $z_1 = W_1 \cdot x + b_1$
- 激活函数处理：
  $a_1 = \sigma(z_1) \quad (\sigma \text{ 如 ReLU、Sigmoid})$
隐藏层 → 输出层：
- 权重矩阵 $W_2$ （维度 $\times m$ ），偏置 $b_2$ （维度 $\times 1$ ）。
- 计算净输入：
  $z_2 = W_2 \cdot a_1 + b_2$
- 输出层激活函数（根据任务选择）：
  $y_{\text{pred}} = \text{Softmax}(z_2) \quad (\text{多分类}) \quad \text{或} \quad \text{Sigmoid}(z_2) \quad (\text{二分类})$

向量化计算的优势：

利用矩阵运算（如 numpy.dot）高效处理批量数据，加速训练。
示例：一次性计算100个样本的前向传播（输入矩阵维度 $100 \times n$ ）。

3.3 激活函数的关键角色
常用激活函数对比：

函数名称	公式	特点与适用场景
Sigmoid	$\sigma(z) = \frac{1}{1+e^{-z}}$	输出范围[0,1]，适合概率输出；易梯度消失。
ReLU	$\text{ReLU}(z) = \max(0, z)$	缓解梯度消失，计算高效；广泛用于隐藏层。
Tanh	$\tanh(z) = \frac{e^z - e^{-z}}{e^z + e^{-z}}$	输出范围[-1,1]，中心对称；梯度强于Sigmoid。

为什么需要非线性激活函数？

若全使用线性函数（如恒等变换），多层网络等效于单层线性变换，失去深层结构的价值。
非线性激活函数使网络能够拟合任意复杂函数（参见通用近似定理）。

4. 实战示例

4.1 单层感知机实现逻辑AND运算
目标：通过感知机模型学习AND逻辑的真值表（仅当两输入均为1时输出1）。

代码实现：

import numpy as npclass Perceptron:def __init__(self, input_size, lr=0.1):self.weights = np.zeros(input_size)  # 初始化权重self.bias = 0                        # 初始化偏置self.lr = lr                         # 学习率def step_function(self, z):"""阶跃函数"""return 1 if z >= 0 else 0def train(self, X, y, epochs=100):"""训练过程：逐样本更新权重"""for _ in range(epochs):for x_i, y_true in zip(X, y):# 计算净输入与预测值z = np.dot(x_i, self.weights) + self.biasy_pred = self.step_function(z)# 计算误差并更新参数error = y_true - y_predself.weights += self.lr * error * x_iself.bias += self.lr * error# 定义AND逻辑的输入与标签
X = np.array([[0,0], [0,1], [1,0], [1,1]])
y = np.array([0, 0, 0, 1])# 训练感知机
perceptron = Perceptron(input_size=2)
perceptron.train(X, y, epochs=10)# 输出训练后的参数
print("训练后权重:", perceptron.weights)  # 预期输出接近 [1, 1]
print("训练后偏置:", perceptron.bias)    # 预期输出接近 -1.5

输出结果验证：

输入 [1, 1] 时，计算 ( z = 11 + 11 - 1.5 = 0.5 )，输出1（正确分类）。
其他输入（如 [0,1]）均输出0。

4.2 多层神经网络解决XOR问题
目标：构建含隐藏层的神经网络，解决感知机无法处理的异或（XOR）分类任务。

代码实现（使用Keras）：

import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense# XOR问题的输入与标签
X_xor = np.array([[0,0], [0,1], [1,0], [1,1]])
y_xor = np.array([0, 1, 1, 0])# 定义模型结构
model = Sequential([Dense(2, activation='relu', input_shape=(2,)),  # 隐藏层（2个神经元，ReLU激活）Dense(1, activation='sigmoid')                 # 输出层（Sigmoid输出概率）
])# 编译模型：指定优化器和损失函数
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])# 训练模型
model.fit(X_xor, y_xor, epochs=1000, verbose=0)# 预测并输出结果
predictions = model.predict(X_xor).round()
print("XOR预测结果:", predictions.flatten())  # 预期输出 [0, 1, 1, 0]

关键解释：

隐藏层设计：2个神经元足以学习XOR的非线性边界。
激活函数选择：隐藏层使用ReLU加速训练，输出层使用Sigmoid输出概率。
优化器与损失：Adam优化器自适应调整学习率，交叉熵损失适合二分类任务。

5. 总结与扩展学习

5.1 核心总结

感知机：
- 单层结构，依赖阶跃函数实现二分类。
- 局限性：仅能解决线性可分问题（如AND、OR），无法处理XOR等非线性任务。
多层神经网络：
- 通过隐藏层和激活函数（如ReLU、Sigmoid）实现非线性映射。
- 全连接层的前向传播是深度学习的基础框架。

5.2 扩展方向

反向传播算法：
- 通过链式法则计算损失函数对权重的梯度，利用梯度下降优化参数。
- 核心公式（均方误差损失为例）：
  $\frac{\partial L}{\partial w} = \frac{\partial L}{\partial y_{\text{pred}}} \cdot \frac{\partial y_{\text{pred}}}{\partial z} \cdot \frac{\partial z}{\partial w}$
现代网络结构：
- 卷积神经网络（CNN）：局部感知与参数共享，高效处理图像数据。
- 循环神经网络（RNN）：时序数据处理（如文本、语音）。
- Transformer：自注意力机制，主导自然语言处理（如BERT、GPT）。
训练优化技巧：
- 批量归一化（BatchNorm）：加速训练，减少对初始化的敏感度。
- Dropout：随机屏蔽神经元，防止过拟合。
- 学习率调度：动态调整学习率（如余弦退火）。

6. 常见问题QA

Q1: 为什么感知机不能解决异或（XOR）问题？
A: 单层感知机本质是线性分类器，而XOR需要非线性决策边界（如圆形或曲线）。多层神经网络通过隐藏层的非线性激活函数组合多个线性边界，解决此类问题。

Q2: 如何选择隐藏层的神经元数量和层数？
A: 需通过实验调整：

简单任务（如XOR）：1层隐藏层 + 2~4个神经元。
复杂任务（如图像分类）：深层网络（如ResNet有50层以上）。
过拟合时减少层数或神经元，欠拟合时增加。

Q3: 激活函数可以全部使用ReLU吗？
A: 隐藏层通常优先使用ReLU（缓解梯度消失），但输出层需根据任务选择：

二分类：Sigmoid。
多分类：Softmax。
回归：线性或恒等函数。

Q4: 神经网络是否层数越多越好？
A: 并非绝对。层数增加可能导致：

梯度消失/爆炸（需结合残差连接、归一化）。
训练时间与算力需求激增。
过拟合风险上升（需正则化、数据增强）。

Q5: 如何调试神经网络的性能问题？
A: 分步骤排查：

检查数据质量（标签正确性、缺失值）。
监控训练损失：
- 损失不下降：可能学习率过低、模型容量不足。
- 损失震荡：可能学习率过高、数据噪声大。
使用验证集评估过拟合/欠拟合。

【深度学习基础】从感知机到多层神经网络：模型原理、结构与计算过程全解析

【深度学习基础】从感知机到多层神经网络：模型原理、结构与计算过程全解析 1. 引言神经网络的重要性： 作为人工智能的核心技术之一，神经网络通过模拟人脑神经元的工作机制，成为解决复杂模式识别、预测和决策任务的利器。从图像分…...

编程日记 2025/9/14 4:24:24

discuz X3.5批量新建用户

<?php define(IN_DISCUZ, true); require ./source/class/class_core.php; // 确保管理员权限（可选，增加安全性）删除这一段加粗则可以直接使用. if ($_G[adminid] ! 1) { exit(Access denied. Only admin allowed.); } C::app()->…...

编程日记 2025/9/5 11:00:11

symfonos: 1靶场

symfonos: 1 来自 <https://www.vulnhub.com/entry/symfonos-1,322/> 1，将两台虚拟机网络连接都改为NAT模式 2，攻击机上做namp局域网扫描发现靶机 nmap -sn 192.168.23.0/24 那么攻击机IP为192.168.23.182，靶场IP192.168.23.252 3&…...

编程日记 2025/9/11 21:17:37

C# String 格式说明符

标准格式说明符数字格式说明符C 或 c：货币格式D 或 d：十进制数字格式E 或 e：科学计数法格式。F 或 f：固定点格式G 或 g：常规格式N 或 n：数字格式P 或 p：百分比格式X 或 x：十六进制格…...

编程日记 2025/8/23 8:14:52

Python高级特性深度解析：从熟练到精通的跃迁之路

Python高级特性深度解析：从熟练到精通的跃迁之路引言对于已经掌握Python基础语法的开发者而言，如何突破瓶颈进入高手行列？本文将从Python的高级特性入手，深入剖析那些能让代码更优雅、效率更高的技术点，助你完成从…...

编程日记 2025/9/9 0:17:48

【微信小程序 + 高德地图API 】键入关键字搜索地址，获取经纬度等

前言又到熟悉的前言，接到个需求，要引入高德地图api，我就记录一下，要是有帮助记得点赞、收藏、关注😁。后续有时间会慢慢完善一些文章：（画饼时间） map组件自定义气泡、mark标记点…...

编程日记 2025/9/14 4:22:05

贪心、分治和回溯算法

1. 贪心算法 1.1. 贪心算法的概念定义：在求解过程中，始终做出当前状态下看起来“最优”的选择，不回退。核心思想：每一步都选择当前最优解，期望最后得到全局最优解。适用问题的特征： 问题可以分解成多个…...

编程日记 2025/9/6 1:14:03

window自带截图快捷键

Win Shift S：按此组合键后，会出现截图模式选择框，可选择矩形截图、任意形状截图、窗口截图和全屏幕截图，然后使用 “Ctrl V” 粘贴截图内容...

编程日记 2025/9/14 4:22:04

简单使用Slidev和PPTist

简单使用Slidev和PPTist 1 简介前端PPT制作有很多优秀的工具包，例如：Slidev、revealjs、PPTist等，Slidev对Markdown格式支持较好，适合与大模型结合使用，选哟二次封装；revealjs适合做数据切换&#xff0c…...

编程日记 2025/9/8 17:15:28

1.2.2

某智慧养老平台的心率监测模块目前存在数据准确性不高、异常预警响应慢等问题，影响了老年人健康监测的体验和服务质量。作为人工智能训练师，你需要结合业务知识和人工智能技术，对该模块进行优化设计与实现。 （1）列出心…...

编程日记 2025/9/11 12:37:48

LeeCode 101.对称二叉树

给你一个二叉树的根节点 root ， 检查它是否轴对称。提示： 树中节点数目在范围 [1, 1000] 内-100 < Node.val < 100 进阶：你可以运用递归和迭代两种方法解决这个问题吗？ 答案 && 测试代码： #include &…...

编程日记 2025/9/14 4:22:05

面向GIS的Android studio移动开发（二）--在地图上绘制电子围栏

电子围栏，校园跑的常客，也是定位打卡必不可少的东西主要代码： 创建电子围栏代码 // 添加多边形地理围栏（兼容2023版SDK）private void addPolygon(String fenceName, List<LatLng> points) {if (points null…...

编程日记 2025/9/3 0:25:06

《从零开始：Spring Cloud Eureka 配置与服务注册全流程》

关于Eureka的学习，主要学习如何搭建Eureka，将order-service和product-service都注册到Eureka。 1.为什么使用Eureka? 我在实现一个查询订单功能时，希望可以根据订单中productId去获取对应商品的详细信息，但是产品服务和订单服…...

编程日记 2025/9/14 4:24:21

能力验证及大练兵活动第一期

计算机请根据计算机检材，回答以下问题： (10道题，共19.0分) 1. 计算机中曾挂载的Bitlocker加密分区的恢复密钥后6位为？（答案格式：6位数字） (1.0分) 答案：700755 2. 请写出曾远程连…...

编程日记 2025/9/14 4:21:44

TASK03【Datawhale 组队学习】搭建向量知识库

文章目录向量及向量知识库词向量与向量向量数据库数据处理数据清洗文档分割搭建并使用向量数据库向量及向量知识库词向量与向量词向量（word embedding）是一种以单词为单位将每个单词转化为实数向量的技术。词向量背后的主要想理念是相似或相关的…...

编程日记 2025/9/14 4:21:46

ProfibusDP转ModbusRTU的实用攻略

ProfibusDP转ModbusRTU的实用攻略在工业自动化领域中，Profibus DP和Modbus RTU是两种常见的通信协议。 Profibus DP是一种广泛应用于过程控制和工厂自动化的现场总线标准，具有高实时性和可靠性。而Modbus RTU则是一种串行通信协议，常用于…...

编程日记 2025/9/10 20:19:18

基于开源AI智能名片链动2+1模式S2B2C商城小程序源码的去中心化商业扩散研究

摘要：本文探讨在去中心化商业趋势下，开源AI智能名片链动21模式S2B2C商城小程序源码如何助力企业挖掘数据价值、打破信息孤岛，实现商业高效扩散。通过分析该技术组合的架构与功能，结合实际案例，揭示其在用户关系拓展、流…...

编程日记 2025/9/14 4:21:46

iOS 工厂模式

iOS 工厂模式文章目录 iOS 工厂模式前言工厂模式简单工厂案例场景分析苹果类优点缺点小结工厂模式客户端调用**优点****缺点** 抽象工厂模式三个模式对比前言笔者之前学习了有关于设计模式的六大原则,之前简单了解过这个工厂模式,今天主要是重新学习一下这个模式,正式系统…...

编程日记 2025/9/14 4:21:45

LaTeX OCR - 数学公式识别系统

文章目录一、关于 LaTeX OCR1、项目概览架构图2、相关链接资源3、功能特性二、安装配置基础环境要求Linux 安装Mac 安装三、使用指南1、快速训练（小数据集）2、完整训练（大数据集） 四、可视化功能训练过程可视化预测过程可视化 …...

编程日记 2025/9/14 4:24:23

Go 语言即时通讯系统开发日志-日志day2-5：架构设计与日志封装

Go语言即时通讯系统开发日志day2 计划：学习go中MySQL，Redis的使用，使用MySQL和Redis完成一个单聊demo。总结：现在每天下午用来开发这个项目，如果有课的话可能学习时间只有3-4个小时，再加上今天的学习效率不…...

编程日记 2025/9/1 8:47:54

@JsonProperty和@JSONField 使用

JsonProperty和JSONField注解的区别 1.底层框架不同 JsonProperty 是Jackson实现的 JSONField 是fastjson实现的 2.用法不同 （1）bean序列化为Json： JsonProperty： ObjectMapper().writeValueAsString(Object value) JSONField&…...

编程日记 2025/9/8 10:15:44

从代码学习深度学习 - 近似训练 PyTorch版

文章目录前言负采样 (Negative Sampling)层序Softmax (Hierarchical Softmax)代码示例总结前言在自然语言处理（NLP）领域，词嵌入（Word Embeddings）技术如Word2Vec（包括Skip-gram和CBOW模型）已经成为一项基础且强大的工具。它们能够将词语映射到低维稠密向量空间，使得…...

编程日记 2025/9/13 2:02:24

系统架构设计（十四）：解释器风格

概念解释器风格是一种将程序的每个语句逐条读取并解释执行的体系结构风格。程序在运行时不会先被编译为机器码，而是动态地由解释器分析并执行其语义。典型应用：Python 解释器、JavaScript 引擎、Bash Shell、SQL 引擎。组成结构解释器风格系统的…...

编程日记 2025/8/29 9:49:28

掌握LINQ：查询语法与方法语法全解析

文章目录引言1. 查询语法 vs 方法语法1.1 查询语法 (Query Syntax)1.2 方法语法 (Method Syntax)1.3 两种语法的比较 2. 基本的 LINQ 查询结构2.1 数据源2.2 查询操作2.3 查询执行 3. 查询表达式中的关键字3.1 基本关键字fromwhereselectorderbygroup byjoin 3.2 其他常用关键…...

编程日记 2025/9/12 2:06:53

Go 后端中双 token 的实现模板

下面是一个典型的 Go 后端双 Token 认证机制实现模板，使用 Gin 框架 JWT Redis，结构清晰、可拓展，适合实战开发。项目结构建议 /utils├── jwt.go // Access & Refresh token 的生成和解析├── claims.go // 从请求…...

编程日记 2025/9/11 4:20:11

GESP编程能力等级认证C++3级1-数组1

1 GESP编程能力等级认证C3级 1.1 GESP简介 GESP是CCF 编程能力等级认证的简称，它为青少年计算机和编程学习者提供学业能力验证的规则和平台。GESP 覆盖中小学阶段，符合年龄条件的青少年均可参加认证。 1.2 GESP的分级 C 编程测试划分为一至八级&…...

编程日记 2025/9/11 15:43:40

FreeRTOS “探究任务调度机制魅力”

引入现如今随着单片机的资源越来越多，主频越来越高，在面临更复杂的功能实现以及对MCU性能的充分压榨，会RTOS已经成为一个必要的技能，新手刚开始学习的时候就很好奇“为什么代码可以放到两个循环里同时运行？”。接下来…...

编程日记 2025/9/12 8:18:25

BGP策略实验练习

要求： 1、使用PreVal策略，确保R4通过R2到达192.168.10.0/24 2、使用AS_Path策略，确保R4通过R3到达192.168.11.0/24 3、配置MED策略，确保R4到达R3到达192.168.11.0/24 4、使用Local Preference策略，确保R1通过R2到达192…...

编程日记 2025/9/6 5:52:12

1. Excel VBE 核心对象 #mermaid-svg-IklDO11Hu656bdGS {font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}#mermaid-svg-IklDO11Hu656bdGS .error-icon{fill:#552222;}#mermaid-svg-IklDO11Hu656bdGS .error-text{fill:#552222;stro…...

编程日记 2025/9/9 20:37:06

Linux虚拟文件系统(1)

1 虚拟文件系统（VFS） 虚拟文件系统（Virtual File System, VFS）作为内核的子系统。，它为用户空间的应用程序提供了一个统一的文件系统接口。通过VFS，不同的文件系统可以共存于同一个操作系统中，…...

编程日记 2025/9/9 21:41:51

目标检测评估指标mAP详解：原理与代码

目标检测评估指标mAP详解：原理与代码目标检测评估指标mAP详解：原理与代码一、前言：为什么需要mAP？二、核心概念解析2.1 PR曲线（Precision-Recall Curve）2.2 AP计算原理三、代码实现详解3.1 核心函数ap_pe…...

编程日记 2025/9/10 4:00:08

Linux干货（六）

前言从B站黑马程序员Linux课程摘选的学习干货，新手友好！若有侵权，会第一时间处理。目录前言 1.环境变量 1.环境变量的定义 2.env命令的作用 3.$符号的作用 4.PATH的定义和作用 5.修改环境变量的方法 1.临时生效 2.永久生效 2.…...

编程日记 2025/9/7 18:02:54

字符串相乘（43）

43. 字符串相乘 - 力扣（LeetCode） 解法： class Solution { public:string multiply(string num1, string num2) {string res "0";for (int i 0; i < num2.size(); i) {string str multiplyOneNum(num1, num2[num2.size() -…...

编程日记 2025/9/9 22:42:19

【Vue篇】数据秘语：从watch源码看响应式宇宙的蝴蝶效应

目录引言一、watch侦听器（监视器） 1.作用： 2.语法： 3.侦听器代码准备 4. 配置项 5.总结二、翻译案例-代码实现 1.需求 2.代码实现三、综合案例——购物车案例 1. 需求 2. 代码引言 💬 欢迎讨论&#…...

编程日记 2025/9/12 18:25:37

esp32课设记录（二）lcd屏显示文字与照片

取模软件链接： 链接: 百度网盘请输入提取码提取码: 1234 课设要求如图所示，因此需要在esp32显示文字和照片。在上个文章中我已经写了按键相关内容。这篇主要描述怎么显示文字和照片。我使用的是ESP-IDF库。本项目使用的是基于ST7789驱动芯片的LCD屏幕…...

编程日记 2025/9/10 1:59:22

Open CASCADE学习|几何体切片处理：OpenMP与OSD_Parallel并行方案深度解析

在三维建模与仿真领域，几何体切片处理是CAE前处理、3D打印路径规划、医学影像分析等场景的关键技术。其核心目标是将三维模型沿特定方向离散为二维截面集合，便于后续分析或制造。OpenCASCADE作为开源几何内核，提供高效的布尔运算与几何算法&a…...

编程日记 2025/9/12 11:35:01

【Android】从Choreographer到UI渲染（二）

【Android】从Choreographer到UI渲染（二） Google 在 2012 年推出的 Project Butter（黄油计划）是 Android 系统发展史上的重要里程碑，旨在解决长期存在的 UI 卡顿、响应延迟等问题，提升用户体验。在 Androi…...

编程日记 2025/9/2 7:11:49

板凳-------Mysql cookbook学习（三）

编程日记 2025/9/7 12:01:47

济南国网数字化培训班学习笔记-第三组-2-电力通信光缆网认知

电力通信光缆网认知光缆网架构现状基础底座电路系统是高度复杂，实时性、安全性、可靠性要求极高的巨系统，必须建设专用通信网相伴相生电力系统是由发电、输电、变电、配电、用电等一次设施，及保障其正常运行的保护、自动化、通信等…...

编程日记 2025/9/8 12:09:47

黑灰产业链深度解析

黑灰产业链深度解析大家好，欢迎来到「黑产档案」。本频道专注于反诈教育宣传，通过深度拆解黑灰产业链的运作逻辑，帮助公众识别骗局、规避风险。本节课将聚焦产业链的核心环节，揭示其背后的灰色生态。一、黑灰产的定义与范畴要…...

编程日记 2025/9/9 6:17:53

golang选项设计模式

选项设计模式有时候一个函数会有很多参数，为了方便函数的使用，我们会给希望给一些参数设定默认值，调用时只需要传与默认值不同的参数即可，类似于 python 里面的默认参数和字典参数，虽然 golang 里面既没有默认参数也…...

编程日记 2025/9/11 1:38:53

方案精读：104页DeepSeek金融银行核算流程场景部署建设方案【附全文阅读】

DeepSeek，金融银行核算流程的革新方案！这份方案专为金融银行从业者打造，旨在解决传统核算流程的难题。当下，金融银行核算面临效率低、错误率高、合规压力大等挑战，DeepSeek 方案正是应对之策。该方案运用人工智能和大数据技术，实现数据采集、清洗自动化，智能核算对账，…...

编程日记 2025/9/7 4:00:28

【MySQL】02.数据库基础

1. 数据库的引入之前存储数据用文件就可以了，为什么还要弄个数据库? 文件存储存在安全性问题，文件不利于数据查询和管理，文件不利于存储海量数据，文件在程序中控制不方便。而为了解决上述问题，专家们设计出更加利于…...

编程日记 2025/9/11 15:28:13

STM32项目实战：ADC采集

STM32F103C8T6的ADC配置。PB0对应的是ADC1的通道8。在标准库中，需要初始化ADC，设置通道，时钟，转换模式等。需要配置GPIOB的第0脚为模拟输入模式，然后配置ADC1的通道8，设置转换周期和触发方式。接下来是I2C…...

编程日记 2025/9/8 11:25:18

《AI语音模型：MiniMax Speech-02》

开场：AI 语音界的震撼弹在 AI 语音技术的激烈竞争赛道上，MiniMax Speech - 02 的出现宛如一颗震撼弹，瞬间引爆了整个行业。不久前，一则消息在全球 AI 领域引起轩然大波：MiniMax 的新一代语音大模型 Speech - 02&#…...

编程日记 2025/9/10 1:59:24

基于LabVIEW的双音多频系统设计

目录 1 系统设计概述双音多频（Dual-Tone Multi-Frequency, DTMF）信号是一种广泛应用于电话系统中的音频信号，通过不同的频率组合表示不同的按键。每个按键对应两个频率，一个低频和一个高频，共同组成独特的信号。在虚拟仪器技术快速发展的背景下，利用LabVIEW等图形化编程…...

编程日记 2025/9/4 5:14:54

快速生成角色背景设定：基于Next.js的AI辅助工具开发实践

引言在游戏开发、小说创作和角色扮演（RP）中，角色背景设定（Headcanon）的构建往往耗时耗力。传统方法依赖手动编写，容易陷入思维定式。本文将分享如何利用Next.js和Tailwind CSS开发一个高效的AI角色设定生…...

编程日记 2025/9/7 13:45:38

轻量级视频剪辑方案：FFmpeg图形化工具体验

FFmpeg小白助手是基于开源FFmpeg开发的本地化视频处理软件，采用绿色免安装设计，解压后即可直接运行。该工具主要面向普通用户的日常音视频处理需求，通过简洁的图形界面降低了FFmpeg的使用门槛。功能特性基础编辑功能格式转换：…...

编程日记 2025/9/8 15:03:17

主成分分析的应用之sklearn.decomposition模块的PCA函数

主成分分析的应用之sklearn.decomposition模块的PCA函数一、模型建立整体步骤二、数据 2297.86 589.62 474.74 164.19 290.91 626.21 295.20 199.03 2262.19 571.69 461.25 185.90 337.83 604.78 354.66 198.96 2303.29 589.99 516.21 236.55 403.92 730.05 438.41 225.80 …...

编程日记 2025/8/23 20:09:40

【深度学习基础】从感知机到多层神经网络：模型原理、结构与计算过程全解析

1. 引言

2. 感知机模型

3. 多层神经网络

4. 实战示例

5. 总结与扩展学习

6. 常见问题QA

相关文章：