当前位置：首页 > news >正文

【代码pycharm】动手学深度学习v2-09 Softmax 回归 + 损失函数 + 图片分类数据集

news 来源：原创 2025/6/29 19:26:20

课程链接

1.读取图像分类数据集

import matplotlib.pyplot as plt
import torch
import torchvision
from torch.utils import data
from torchvision import transforms
from d2l import torch as d2l
d2l.use_svg_display()
#读取数据集
trans=transforms.ToTensor()
mnist_train=torchvision.datasets.FashionMNIST(root="../data",train=True,transform=trans,download=True)
mnist_test=torchvision.datasets.FashionMNIST(root="../data",train=False,transform=trans,download=True)
print('训练数据集：',len(mnist_train),'测试数据集：',len(mnist_test))
print('训练数据集图片大小：',mnist_train[0][0].shape)#两个可视化数据集的函数
def get_fashion_mnist_labels(labels): #返回fashion_mnist数据集的文本标签text_labels=['t-shirt', 'trouser', 'pullover', 'dress', 'coat','sandal', 'shirt', 'sneaker', 'bag', 'ankle boot']return [text_labels[int(i)] for i in labels ]
def show_images(imgs,num_rows,num_cols,titles=None,scale=1.5):figsize=(num_rows*scale,num_cols*scale)_,axes=d2l.plt.subplots(num_rows,num_cols,figsize=figsize)axes=axes.flatten()for i ,(ax,img) in enumerate(zip(axes,imgs)):if torch.is_tensor(img):ax.imshow(img.numpy())else:ax.imshow(img)ax.axes.get_xaxis().set_visible(False)ax.axes.get_yaxis().set_visible(False)if titles:ax.set_title(titles[i])return axes
#几个样本的图像及其相应的标签
X, y = next(iter(data.DataLoader(mnist_train, batch_size=18)))
show_images(X.reshape(18, 28,  28), 2, 9, titles=get_fashion_mnist_labels(y));
d2l.plt.show()#读取一小批量数据，大小为batchsize
batch_size=256
def get_dataloader_workers(): #使用4个进程来读取数据return 4
train_iter=data.DataLoader(mnist_train,batch_size,shuffle=True,num_workers=get_dataloader_workers())
timer=d2l.Timer()
for X,y in train_iter:continue
print(f'{timer.stop():.2f}sec')
# 便于重用函数
def load_data_fasion_mnist(batch_size,resize:None):trans = [transforms.ToTensor()]if resize:trans.insert(0,transforms.Resize(resize))trans=transforms.Compose(trans)mnist_train = torchvision.datasets.FashionMNIST(root="../data", train=True, transform=trans, download=True)mnist_test = torchvision.datasets.FashionMNIST(root="../data", train=False, transform=trans, download=True)return(data.DataLoader(mnist_train,batch_size,shuffle=True,num_workers=get_dataloader_workers()),data.DataLoader(mnist_test,batch_size,shuffle=False,num_workers=get_dataloader_workers()))

运行结果

在这里插入图片描述

2.Softmax 回归从零开始实现

import torch
from IPython import display
from d2l import torch as d2l
import matplotlib.pyplot as plt
import torchvision
from torch.utils import data
from torchvision import transforms
import numpy as npbatch_size=256
train_iter,test_iter=d2l.load_data_fashion_mnist(batch_size)
num_inputs=784 #展平图像为向量
num_outputs=10 # 有10个类所以模型输出为10
w=torch.normal(0,0.01,size=(num_inputs,num_outputs),requires_grad=True)#定义权重w
b=torch.zeros(num_outputs,requires_grad=True)# 定义softmax
def softmax(X):X_exp=torch.exp(X)#对每个元素做指数运算partition =X_exp.sum(1,keepdim=True)#按照行求和return X_exp/partition #矩阵中的各个元素/对应行元素之和
#验证一下是否是正确的
X=torch.normal(0,0.01,(2,5))# 创建均值为0方差为1的两行五列的X
X_prob=softmax(X)
print('1.验证softmax:',X_prob,X_prob.sum(1))
#实现softmax回归模型
def net(X):return softmax(torch.matmul(X.reshape((-1,w.shape[0])),w)+b) # -1，每次喂数据的量，就是batchsizey=torch.tensor([0,2])
y_hat=torch.tensor([[0.1,0.3,0.6],[0.3,0.2,0.5]])
print('2.根据标号拿出预测值:',y_hat[[0,1],y])
# 实现交叉熵损失
def cross_entropy(y_hat,y): #给定预测和真实标号Yreturn -torch.log(y_hat[range(len(y_hat)),y])# 锁定y轴在x轴上根据labels收取预测值，交叉熵损失中除了真值=1，其他都是0，这里直接算针织对应的预测概率
print('3.交叉熵损失:',cross_entropy(y_hat,y))#将预测类别与真实元素y进行比较
def accuracy(y_hat,y):if len(y_hat.shape)>1 and y_hat.shape[1]>1: #shape和列数大于1的时候y_hat=y_hat.argmax(axis=1)#把每一行元素最大的下标存到y_hatcmp=y_hat.type(y.dtype)==y #y_hat和y的数据类型转换，作比较变成布尔return float(cmp.type(y.dtype).sum())#转换成和y一样的形状求和
print('4.预测正确的概率:',accuracy(y_hat,y)/len(y))# 预测正确的样本数除以y的长度就是预测正确的概率#计算模型在数据迭代器上的精度
def evaluate_accuracy(net,data_iter):if isinstance(net,torch.nn.Module):net.eval()#将模型设置为评估模式，输入后得出的结果用来评估模型的准确率，不做反向传播metric =Accumulator(2) # 累加器for X,y in data_iter:metric.add(accuracy(net(X),y),y.numel())return metric[0]/metric[1] #返回分类正确的样本数和总样本数# accumulator的实现
class Accumulator: #作用是累加def __init__(self,n):self.data=[0.0]*ndef add(self,*args):self.data=[a+float(b) for a,b in zip(self.data,args)]def reset(self):self.data=[0.0]*len(self.data)def __getitem__(self, idx):return self.data[idx]
if __name__=='__main__':print(evaluate_accuracy(net,test_iter))# softmax回归的训练
def train_epoch_ch3(net,train_iter,loss,updater):if isinstance(net,torch.nn.Module):net.train()metric=Accumulator(3)for X,y in train_iter:y_hat=net(X)l=loss(y_hat,y)if isinstance(updater,torch.optim.Optimizer):updater.zero_grad()l.backward()updater.step()metric.add(float(l)*len(y),accuracy(y_hat,y),y.size().numel())else:l.sum().backward()updater(X.shape[0])metric.add(float(l.sum()), accuracy(y_hat, y),y.numel())return metric[0]/metric[2],metric[1]/metric[2]class Animator:def __init__(self,xlabel=None,ylabel=None,legend=None,xlim=None,ylim=None,xscale='linear',yscale='linear',fmts=('-','m--','g-.','r:'),nrows=1,ncols=1,figsize=(3.5,2.5)):if legend is None:legend=[]d2l.use_svg_display()self.fig,self.axes=d2l.plt.subplots(nrows,ncols,figsize=figsize)if nrows*ncols==1:self.axes=[self.axes, ]self.config_axes=lambda :d2l.set_axes(self.axes[0],xlabel,ylabel,xlim,ylim,xscale,yscale,legend)self.X,self.Y,self.fmts=None,None,fmtsdef add(self,x,y):if not hasattr(y,"__len__"):y=[y]n=len(y)if not hasattr(x, "__len__"):x=[x]*nif not self.X:self.X=[[]for _ in range(n)]if not self.Y:self.Y=[[]for _ in range(n)]for i ,(a,b) in enumerate(zip(x,y)):if a is not None and b is not None:self.X[i].append(a)self.Y[i].append(b)self.axes[0].cla()for x,y,fmt in zip(self.X,self.Y,self.fmts):self.axes[0].plot(x,y,fmt)self.config_axes()plt.draw()plt.pause(0.001)display.display(self.fig)display.clear_output(wait=True)def train_ch3(net,train_iter,test_iter,loss,num_epochs,updater):animator=Animator(xlabel='epoch',xlim=[1,num_epochs],ylim=[0.3,0.9],legend=['train loss','train acc','test acc'])for epoch in range(num_epochs):train_metrics=train_epoch_ch3(net,train_iter,loss,updater)test_acc=evaluate_accuracy(net,test_iter)animator.add(epoch+1, train_metrics+(test_acc,))train_loss,train_acc=train_metricslr = 0.1
def updater(batch_size):return d2l.sgd([w,b],lr,batch_size)if __name__ == '__main__':num_epochs=10train_ch3(net,train_iter,test_iter,cross_entropy,num_epochs,updater)# 对图像进行分类的预测def predict_ch3(net,test_iter,n=6):for X,y in test_iter:breaktrues=d2l.get_fashion_mnist_labels(y)preds=d2l.get_fashion_mnist_labels(net(X).argmax(axis=1))titles=[true+'\n'+pred for true,pred in zip(trues,preds)]d2l.show_images(X[0:n].reshape((n,28,28)),1,n,titles=titles[0:n])d2l.plt.show()
if __name__ == '__main__':predict_ch3(net,test_iter)

运行结果

在这里插入图片描述

3.Softmax 回归简洁实现

import torch
from torch import nn
from d2l import torch as d2lbatch_size=256
train_iter,test_iter=d2l.load_data_fashion_mnist(batch_size)# 初始化模型参数
net =nn.Sequential(nn.Flatten(),nn.Linear(784,10))def init_weights(m):if type(m)==nn.Linear:nn.init.normal_(m.weight,std=0.01)
net.apply(init_weights);loss=nn.CrossEntropyLoss(reduction='none')
trainer=torch.optim.SGD(net.parameters(),lr=0.1)
num_epochs=10
d2l.train_ch3(net,train_iter,test_iter,loss,num_epochs,trainer)d2l.plt.show()

运行结果

在这里插入图片描述

【代码pycharm】动手学深度学习v2-09 Softmax 回归 + 损失函数 + 图片分类数据集

课程链接 1.读取图像分类数据集 import matplotlib.pyplot as plt import torch import torchvision from torch.utils import data from torchvision import transforms from d2l import torch as d2l d2l.use_svg_display() #读取数据集 transtransforms.ToTensor() mnist_…...

编程日记 2025/6/29 19:26:20

docker开启远程访问

1、编辑docker.server文件 vi /usr/lib/systemd/system/docker.service 找到 [Service] 节点，修改 ExecStart 属性，增加 -H tcp://0.0.0.0:2375 ExecStart/usr/bin/dockerd -H fd:// --containerd/run/containerd/containerd.sock -H tcp://0.0.0.0:2…...

编程日记 2025/6/28 19:19:45

Maven插件打包发布远程Docker镜像

dockerfile-maven-plugin插件的介绍 dockerfile-maven-plugin目前这款插件非常成熟，它集成了Maven和Docker，该插件的官方文档地址如下： 地址：https://github.com/spotify/dockerfile-maven 其他说明： dockerfile是用…...

编程日记 2025/6/29 18:53:00

基于STM32的太阳跟踪系统设计

目录引言系统设计硬件设计软件设计系统功能模块太阳位置检测模块伺服驱动控制模块反馈调整模块电源管理模块控制算法太阳位置估算算法跟踪调整算法代码实现太阳位置检测与估算伺服电机控制系统反馈与调整系统调试与优化结论与展望 1. 引言太阳能是一种清洁、可再生的能…...

编程日记 2025/6/28 19:39:55

004-Redis 持久化

Redis 持久化一、RDB 持久化1.优点：2.缺点：3.实现方式： 二、AOF 持久化1.优点：2.缺点：3.实现方式：4.重写机制5.重写流程： Redis 提供了两种主要的持久化方式：RDB 和 AOF 一、RDB 持…...

编程日记 2025/6/28 18:04:17

类OCSP靶场-Kioptrix系列-Kioptrix Level 1

一、前情提要 Kioptrix Level是免费靶场，可以自己百度下载。开始前要先将靶机设置和kali同一个网络模式，我这里设置的是NAT。接下来的靶机用kali进行演示。二、打靶演示这个靶机练习，相当于内网渗透。 1. 信息收集 1.1. 主机发现 …...

编程日记 2025/6/28 18:04:09

短视频矩阵系统功能介绍与独立部署流程

一、短视频矩阵系统功能介绍短视频矩阵系统，作为当前短视频运营的重要工具，凭借其强大的功能，为内容创作者和企业提供了高效、便捷的短视频管理与运营方案。以下是对该系统核心功能的详细介绍： 多平台账号管理&#xff…...

编程日记 2025/6/27 19:41:42

【AI知识】人工智能、机器学习、深度学习的概念与联系

下图来自博客机器学习和深度学习概念入门 ，图中可明显看到人工智能、机器学习、深度学习三个概念的包含关系，下面简单介绍一下这三个概念已经它们之间的联系。 1. 人工智能（Artificial Intelligence，AI） 概念&#x…...

编程日记 2025/6/28 18:04:11

今天你学C++了吗？——C++中的类与对象（日期类的实现）——实践与知识的碰撞❤

♥♥♥~~~~~~欢迎光临知星小度博客空间~~~~~~♥♥♥ ♥♥♥零星地变得优秀~也能拼凑出星河~♥♥♥ ♥♥♥我们一起努力成为更好的自己~♥♥♥ ♥♥♥如果这一篇博客对你有帮助~别忘了点赞分享哦~♥♥♥ ♥♥♥如果有什么问题可以评论区留言或者私信我哦~♥♥♥ ✨✨✨✨✨✨ 个…...

编程日记 2025/6/28 19:20:21

一个简单带颜色的Map

越简单越实用。越少设计，越易懂。需求背景： 创建方法，声明一个hashset， 元素为 {“#DE3200”, “#FA8C00”, “#027B00”, “#27B600”, “#5EB600”} 。对应的key为 key1 、key2、key3、key4、key5。封装该方法&#xff0c…...

编程日记 2025/6/28 12:58:39

前端工程化（三）

如何使用 Webpack 优化产出代码？ 使用 Webpack 优化产出代码可以通过以下几种方式： 压缩代码：在生产环境中，使用 UglifyJSPlugin 或 TerserPlugin 等插件对代码进行压缩，可以减少代码体积，提高加载速度。…...

编程日记 2025/6/29 18:13:12

SQLAlchemy: Python中的强大数据库工具

SQLAlchemy: Python中的强大数据库工具 SQLAlchemy是一个功能强大的Python库，广泛应用于数据库操作。它提供了一个灵活的数据库抽象层，可以帮助开发者轻松与关系型数据库进行交互。本文将介绍SQLAlchemy的核心组件、常用功能以及它的优势。 1. SQLAlch…...

编程日记 2025/6/28 8:16:25

scala的泛型特质的应用场景

//泛型特质的应用场景 //作比较找出最大值 //定义一个函数，用来求List元素中的最大值参考代码：object Test4 {def getMax[T](list:List[T])(implicit ev:T > Ordered[T]): T {list.reduce((a:T,b:T)> if(a>b) a else b)}def main(args: Array…...

编程日记 2025/6/28 18:04:12

【C++】重载运算与类型转换（七）：成员访问运算符

14.7 成员访问运算符在迭代器类和智能指针类常常用到解引用运算符（*）和箭头运算符（->）。以如下形式向 StrBlobPtr 类添加这两种运算符： class StrBlobPtr {public:std::string& operator*() const{ auto p …...

编程日记 2025/6/29 19:08:26

论文结论：GPTs and Hallucination Why do large language models hallucinate

GPTs and Hallucination 当一个主题有普遍共识，并且有大量语言可用于训练模型时，大模型的输出可以反映出该共识观点在没有足够关于主题的语言示例【晦涩/数据有限】，或者主题有争议，或是对主题没有明确共识的情况下，就…...

编程日记 2025/6/28 19:19:59

修改通过 Docker 部署的 WordPress 上传文件的大小

要修改通过 Docker 部署的 WordPress 上传文件的大小，你可以按照以下步骤操作： 进入 Docker 容器：首先，你需要进入 WordPress 容器内部。可以使用如下命令： docker exec -it wordpress /bin/bash其中wordpress是你的 W…...

编程日记 2025/6/29 19:02:48

微信小程序:实现节点进度条的效果；正在完成的节点有动态循环效果；横向，纵向排列

参考说明微信小程序实现流程进度功能 - 知乎上面的为一个节点进度条的例子，但并不完整，根据上述代码，进行修改完善，实现其效果横向效果代码 wxml <view classorder_process><view classprocess_wrap wx:for&quo…...

编程日记 2025/6/29 19:19:32

信而泰网络测试仪校准解决方案

一、影响仪表精度的因素网络测试仪是用于对数据网络及其相关设备性能参数进行测试的仪表，可以模拟网络终端产生流量，进行网络性能测试，对网络状态进行实时监测，分析和统计。数字计量对于精准数据的网络测试仪来说是一剂强心针&a…...

编程日记 2025/6/29 19:05:39

聊聊在应用层面实现内网穿透功能是否可行

前言最近接手了供方开发的网关项目，交接文档里面有个内网穿透的功能，一下子就吸引的我的目光。实现这个内网穿透的背景是业务部门有些业务是部署在公网，这些公网的业务想访问内网的业务，但因为公网和内网没打通，导致…...

编程日记 2025/6/29 19:02:48

linux 20.04 安装sougou输入法重启可视化界面无法点击

在Linux 20.04（Ubuntu 20.04）系统中安装搜狗输入法后，如果遇到重启后可视化界面无法点击的问题，这通常是由于搜狗输入法或其依赖的输入法框架（如fcitx）与系统的某些部分不兼容所导致的。以下是一些可能的解…...

编程日记 2025/6/29 18:59:52

springboot整合lua脚本在Redis实现商品库存扣减

1、目的使用lua脚本，可以保证多条命令的操作原子性；同时可以减少操作IO（比如说判断redis对应数据是否小于0，小于0就重置为100，这个场景一般是取出来再判断，再存放进行，就至少存在2次IO,用lua脚…...

编程日记 2025/6/28 18:05:22

lspci简介

lspci命令用于列出系统中所有pci设备信息，其输出信息包括设备的bdf地址（总线号、设备号和功能号）、设备类型、厂商信息等。 lspci命令的基本用法： lspci：列出所有pci设备的详细信息参数： -v：显示详细信息，包括驱动程序、总线和端口等信息 -t：以属性结构显…...

编程日记 2025/6/28 18:36:47

Java从入门到工作2 - IDEA

2.1、项目启动从git获取到项目代码后，用idea打开。安装依赖完成Marven/JDK等配置检查数据库配置启动相关服务安装依赖如果个别依赖从私服下载不了，可以去maven官网下载补充。如果run时提示程序包xx不存在，在项目目录右键Marven->Re…...

编程日记 2025/6/29 18:57:19

Mave下载、安装以及idea（2024）进行配置

目录 Maven简介 Maven下载配置环境变量配置本地仓库在idea环境配置Maven 使用Maven创建工程创建一个普通的java工程创建一个Web项目 Maven简介 Maven是一个跨平台的项目管理工具，也是Apache组织中的一个成功的开源项目。它主要服务于基于Java的项目构…...

编程日记 2025/6/29 19:11:23

Spark SQL 执行计划解析源码分析

本文用于记录Spark SQL执行计划解析的源码分析。文中仅对关键要点进行提及，无法面面具到，仅描述大体的框架。 Spark的Client有很多种，spark-sql，pyspark，spark- submit，R等各种提交方式，这里以…...

编程日记 2025/6/28 18:05:09

51c嵌入式~单片机~合集2

我自己的原文哦~ https://blog.51cto.com/whaosoft/12362395 一、不同的电平信号的MCU怎么通信？ 下面这个“电平转换”电路，理解后令人心情愉快。电路设计其实也可以很有趣。先说一说这个电路的用途：当两个MCU在不同的工作电压下工作&a…...

编程日记 2025/6/28 18:49:23

【electron】electron forge + vite + vue + electron-release-server 自动更新客户端

基本信息 electron forge vue页面（中文）：https://forge.electron.js.cn/guides/framework-integration/vue-3 electron forge vue页面（英文，中文版下面的tab无法点击）：https://www.electronfor…...

编程日记 2025/6/28 18:05:54

FastAPI vs Flask 选择最适合您的 Python Web 框架

文章目录 1. 简介2. 安装和设置3. 路由和视图4. 自动文档生成5. 数据验证和序列化6. 性能和异步支持结论在 Python Web 开发领域，FastAPI 和 Flask 是两个备受欢迎的选择。它们都提供了强大的工具和功能，但是在某些方面有所不同。本文将比较 FastAPI…...

编程日记 2025/6/28 18:04:26

E: 无法获取 dpkg 前端锁 (/var/lib/dpkg/lock-frontend)，是否有其他进程正占用它？

我们在使用Ubuntu系统时经常性使用sudo apt install命令安装所需要的软件库，偶尔会出现如下问题： E: 无法获得锁 /var/lib/dpkg/lock-frontend - open (11: 资源暂时不可用) E: 无法获取 dpkg 前端锁 (/var/lib/dpkg/lock-frontend)，是否有其…...

编程日记 2025/6/27 19:23:25

Spring Boot整合 RabbitMQ

文章目录一. 引入依赖二. 添加配置三. Work Queue(工作队列模式)声明队列生产者消费者四. Publish/Subscribe(发布订阅模式)声明队列和交换机生产者消费者五. Routing(路由模式)声明队列和交换机生产者消费者六. Topics(通配符模式)声明队列和交换机生产者消费者一. 引入依…...

编程日记 2025/6/28 20:16:44

Spring Boot 进阶指南：深入核心与实战技巧

当你掌握了 Spring Boot 的基础开发流程后，可以进一步学习其高级功能和优化技巧，以便在复杂场景中高效开发和维护应用。本篇博客将带你深入探讨 Spring Boot 的核心机制，覆盖配置管理、高级特性以及性能优化等内容。 1. 深入理解 Spring Boot…...

编程日记 2025/6/28 18:04:28

淘宝详情网页爬虫：技术解析与实战指南

引言淘宝作为中国最大的电商平台之一，拥有海量的商品数据。对于开发者来说，获取淘宝商品详情接口是一个常见的需求。本文将介绍如何使用Python编写爬虫，获取淘宝商品详情信息，并探讨在实际应用中可能遇到的挑战与解决方案。环…...

编程日记 2025/6/28 19:10:06

远程桌面防护的几种方式及优缺点分析

远程桌面登录是管理服务器最主要的方式，于是很多不法分子打起了远程桌面的歪心思。他们采用暴力破解或撞库的方式破解系统密码，悄悄潜入服务器而管理员不自知。同时远程桌面服务中的远程代码执行漏洞也严重威胁着服务器的安全，攻击者可以利…...

编程日记 2025/6/28 18:04:43

WordPress后门插件Query Console 未授权RCE漏洞复现(CVE-2024-50498)

0x01 产品描述： ‌WP Query Console‌是一个为...

编程日记 2025/6/28 18:05:53

机器学习经典算法

机器学习经典算法学习和分享。 k近邻算法线性回归梯度下降法 PCA主成分分析法多项式回归逻辑回归支撑向量机SVM 决策树随机森林评价分类指标...

编程日记 2025/6/28 18:04:32

Mac/Windows端长期破解myBase8方法（无需安装火绒）

提醒不管哪个端，都需要先退出myBase。 Mac 进入用户根目录/Users/c0ny100，即下边是Macintosh HD > 用户 > [你的用户名]这个界面然后按ShiftCommond.，显示隐藏文件。找到.Mybase8.ini文件打开.Mybase8.ini文件，删除Fir…...

编程日记 2025/6/27 21:06:37

数据结构：原地移除所有数值等于 val 的元素，删除排序数组中的重复项，数组形式的整数加法

#define _CRT_SECURE_NO_WARNINGS 1 #include <stdio.h> 给你一个数组 nums 和一个值 val，你需要原地移除所有数值等于 val 的元素。要求时间复杂度为O(N)，空间复杂度为O(1)。 int removeElement(int* nums, int numsSize, int val) { int sc…...

编程日记 2025/6/28 19:56:46

python3 re正则入门

Python 中的 re 模块是处理正则表达式的标准库，可以用来匹配字符串模式、提取子字符串、替换文本等。以下是 re 模块的基本用法和常见正则表达式模式入门。 1. 导入模块在使用正则表达式之前，需要导入 re 模块： import re2. 常用函数 1&a…...

编程日记 2025/6/28 12:29:11

一个用于 SMB/CIFS 网络的 Java 库-JCIFS

1.引言在网络通信中，服务器消息块（SMB）协议在计算机之间实现文件共享和通信方面发挥着重要作用。对于 Java 开发者来说，由于缺乏对该协议的内置支持，使用 SMB 可能会面临挑战。这时，JCIFS（Jav…...

编程日记 2025/6/28 19:19:17

AI 编程入门：理解核心算法与数据结构基础

在踏上人工智能（AI）编程的奇妙之旅时，掌握核心算法与数据结构基础就像是为自己打造了一把开启知识宝库的万能钥匙。这些基础元素不仅是构建智能系统的基石，更是理解AI如何学习、推理和决策的关键所在。一、线性回归：从数据中探寻线性关系的基础算法线性回归是AI编程中…...

编程日记 2025/6/28 8:59:19

js：v-for循环中我希望再次循环七张图片，需要在v-for中嵌套一个v-for还是？

问： div classxxxx v-for(item,index) in data :keyindex div classimgDiv div classimgDivBox /div /div .imgDivBox { .background-img(/assets/images/top_01.png) } 这是现在设置的图片，但是现在我希望遍历一个数组然后遍历top01-top07&…...

编程日记 2025/6/28 18:04:34

【问题记录】07 MAC电脑，使用FileZilla（SFTP）连接堡垒机不成功

项目场景： 使用MAC电脑，以子账号（非root）的形式登录，连接堡垒机CLB（传统型负载均衡），使用FileZilla（SFTP）进行FTP文件传输。问题描述： MAC电脑…...

编程日记 2025/6/28 19:29:31

Spring Security授权案例集合

目录授权前置内容权限表的设计建表和相关说明用户权限配置内部关键类GrantedAuthority和SimpleGrantedAuthority关键类使用示例资源访问控制方法一、配置类设置访问控制方法二、注解类设置访问控制（优选） 权限不足的处理方法授权前置内容描述&am…...

编程日记 2025/6/28 18:05:28

自动化中关于文本的xpath定位

selenium中：//*[text()内容] appium中：//*[text热门] 如果是网页端元素，可以打开console，编写 $x("//div[1]") 判断自己写的xpath是否正确； 如果是appium，settings里面PLugins,下载XPathViewXS…...

编程日记 2025/6/28 18:04:24

数据结构 -- #栈和队列的定义和基本实现

文章目录栈和队列的基本概念栈栈的顺序存储实现栈的链式存储实现(不带头结点) 队列队列的顺序存储实现队列的链式存储实现(带头结点)入队图解出队图解总结若没有相关知识基础，可以先看看下面文章哦🤗👇 线性表栈和队列的基本概念栈栈…...

编程日记 2025/6/28 18:04:29

共享GitLab中CICD自动生成的软件包

0 Preface/Foreword 1 分享软件包地址为了方便给接收对象方便下载固件，在下载固件时候，而无需打开网页，直接输入地址，弹出的对话框是将固件另存为。或者进入CICD页面，找到job，在Download的标签上单击右键…...

编程日记 2025/6/28 18:04:41

JCR一区牛顿-拉夫逊优化算法+分解对比！VMD-NRBO-Transformer-BiLSTM多变量时序光伏功率预测

JCR一区牛顿-拉夫逊优化算法分解对比！VMD-NRBO-Transformer-BiLSTM多变量时序光伏功率预测目录 JCR一区牛顿-拉夫逊优化算法分解对比！VMD-NRBO-Transformer-BiLSTM多变量时序光伏功率预测预测效果基本介绍程序设计参考资料预测效果基本介绍 1.中科院…...

编程日记 2025/6/28 18:05:19

c# 协变与抗变

协变与抗变 1. 背景一个简单的例子， public class Sharp {}public class Rectange : Sharp {}上面定义了两个简单的类，一个是图形类，一个是矩形类；它们之间有简单的继承关系：矩形是图形的一种。接下来是常见的一种里氏替换写法： Sharp sharp = new Rectange();“子…...

编程日记 2025/6/28 19:24:35

Android Studio 创建虚拟设备的详细图文操作教程

本篇文章主要讲解 Android Studio 创建模拟器详细图文操作，包含了每一步的详细操作，便于理解和掌握对模拟的创建。日期：2024年12月9日作者：任聪聪运行效果： 说明：创建运行后，点击右侧如下图…...

编程日记 2025/6/28 20:01:54

高级数据结构-树状数组

介绍树状数组的推导两个基础操作模板-acwing795. 前缀和 #include<bits/stdc.h> using namespace std;const int N 1e610; int c[N]; int lowbit(int x){return x & -x; }int query(int x){int ans 0;for(; x; x - lowbit(x)) ans c[x];return ans; }void add…...

编程日记 2025/6/28 20:12:11

1.读取图像分类数据集

运行结果

2.Softmax 回归从零开始实现

运行结果

3.Softmax 回归简洁实现

运行结果

相关文章：