一文读懂迁移学习:从理论到实践
在机器学习和深度学习的快速发展历程中,数据和计算资源成为了制约模型训练的关键因素。当我们面对新的任务时,重新训练一个从头开始的模型往往耗时耗力,而且在数据量不足的情况下,模型的性能也难以达到理想状态。这时,迁移学习作为一种强大的技术应运而生,它能够帮助我们复用已有的知识,快速且高效地解决新问题。本文将带大家深入了解迁移学习,从基本概念、核心思想,到实际应用和代码实现,全方位剖析这一技术。
一、迁移学习基础概念
迁移学习(Transfer Learning),顾名思义,就是将从一个领域(源领域,Source Domain)学习到的知识迁移到另一个领域(目标领域,Target Domain),以帮助目标领域的学习。在传统的机器学习中,我们通常假设训练数据和测试数据服从相同的分布,但在现实世界中,这个假设往往难以满足。迁移学习打破了这一限制,允许源领域和目标领域的数据分布、任务甚至特征有所不同,通过知识迁移,让模型在目标领域中也能有良好的表现。
举个通俗易懂的例子,就像我们学习骑自行车的经验可以迁移到学习骑摩托车上。虽然自行车和摩托车是不同的交通工具,但在平衡控制、方向把握等方面的知识是相通的。在机器学习中,比如我们已经训练好了一个识别猫狗的图像分类模型(源领域),现在想要构建一个识别鸟类的模型(目标领域),就可以利用迁移学习,将识别猫狗模型中学习到的图像特征提取能力等知识迁移过来,加快鸟类识别模型的训练速度并提升性能 。
根据源领域和目标领域的不同,迁移学习可以分为以下几种类型:
- 同构迁移学习:源领域和目标领域的数据具有相同的特征空间和数据分布,但任务不同。例如,从识别手写数字 0 - 9 的任务迁移到识别字母 A - Z 的任务。
- 异构迁移学习:源领域和目标领域的数据具有不同的特征空间或数据分布。比如,将从图像领域学习到的知识迁移到文本领域。
- 跨任务迁移学习:源领域和目标领域的任务类型不同,如从图像分类任务迁移到图像分割任务。
二、迁移学习的核心思想与优势
迁移学习的核心思想是挖掘和利用源领域中与目标领域相关的知识,并将其适配到目标领域。在深度学习中,常用的迁移学习方法是基于预训练模型。预训练模型通常在大规模的通用数据集(如 ImageNet 图像数据集、Wikipedia 文本数据集等)上进行训练,学习到了丰富的通用特征和模式。当我们面对新的任务时,不需要重新训练整个模型,而是在预训练模型的基础上,通过微调(Fine - Tuning)等操作,使模型适应新任务。
具体来说,微调就是固定预训练模型的大部分参数,只对模型的最后几层(通常是分类层)进行重新训练。这样做的好处在于,预训练模型已经学习到了数据的底层通用特征,如在图像领域,模型已经学会了识别边缘、纹理等基本特征,我们只需在目标任务上训练模型对特定类别进行分类的能力,大大减少了训练时间和数据需求。
迁移学习的优势主要体现在以下几个方面:
- 减少训练时间和资源消耗:无需从头开始训练模型,利用已有的预训练模型,能够在短时间内完成新模型的训练,降低了对计算资源的需求。
- 提高模型性能:在目标领域数据量较少的情况下,迁移学习可以借助源领域的知识,避免模型出现过拟合现象,从而提升模型在目标任务上的泛化能力和性能。
- 扩大模型应用范围:使得在一个领域训练好的模型能够应用到其他不同但相关的领域,为解决各种实际问题提供了更多可能性。
三、迁移学习代码实践(以图像分类为例)
接下来,我们通过一个基于 Python 和 PyTorch 框架的图像分类实例,来演示如何使用迁移学习。我们将使用预训练的 ResNet18 模型,并在 CIFAR - 10 数据集上进行微调。
首先,安装必要的库:
pip install torch torchvision
然后,编写代码:
import torchimport torch.nn as nnimport torchvisionimport torchvision.transforms as transformsfrom torch.utils.data import DataLoader# 数据预处理transform = transforms.Compose([transforms.Resize((224, 224)), # 调整图像大小为ResNet18所需的输入尺寸transforms.ToTensor(),transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])# 加载CIFAR-10数据集trainset = torchvision.datasets.CIFAR10(root='./data', train=True,download=True, transform=transform)trainloader = DataLoader(trainset, batch_size=32, shuffle=True)testset = torchvision.datasets.CIFAR10(root='./data', train=False,download=True, transform=transform)testloader = DataLoader(testset, batch_size=32, shuffle=False)# 加载预训练的ResNet18模型model = torchvision.models.resnet18(pretrained=True)# 冻结除最后一层之外的所有层for param in model.parameters():param.requires_grad = False# 修改最后一层全连接层,以适应CIFAR-10的10个类别num_ftrs = model.fc.in_featuresmodel.fc = nn.Linear(num_ftrs, 10)# 定义损失函数和优化器criterion = nn.CrossEntropyLoss()optimizer = torch.optim.SGD(model.fc.parameters(), lr=0.001, momentum=0.9)# 训练模型num_epochs = 10for epoch in range(num_epochs):running_loss = 0.0for i, data in enumerate(trainloader, 0):inputs, labels = dataoptimizer.zero_grad()outputs = model(inputs)loss = criterion(outputs, labels)loss.backward()optimizer.step()running_loss += loss.item()print(f'Epoch {epoch + 1}, Loss: {running_loss / len(trainloader)}')# 测试模型correct = 0total = 0with torch.no_grad():for data in testloader:images, labels = dataoutputs = model(images)_, predicted = torch.max(outputs.data, 1)total += labels.size(0)correct += (predicted == labels).sum().item()print(f'Accuracy of the network on the 10000 test images: {100 * correct / total}%')
在上述代码中,我们首先对 CIFAR - 10 数据集进行预处理,然后加载预训练的 ResNet18 模型,并冻结除最后一层之外的所有参数。接着,修改最后一层全连接层以适应 CIFAR - 10 的分类任务,定义损失函数和优化器进行训练,最后在测试集上评估模型的性能。
四、迁移学习的广泛应用场景
迁移学习在众多领域都有着广泛的应用:
- 计算机视觉:除了图像分类,还应用于目标检测、图像分割、图像生成等任务。例如,在自动驾驶中,利用迁移学习可以将在大量公开图像数据上预训练的模型,微调应用于车载摄像头采集的图像数据,实现对道路、车辆、行人等目标的检测和识别 。
- 自然语言处理:在文本分类、机器翻译、问答系统等任务中发挥重要作用。如 BERT、GPT 等预训练语言模型,通过在大规模文本数据上进行预训练,然后在具体任务上微调,极大地提升了自然语言处理任务的性能 。
- 医疗领域:可以将在大量公开医疗图像数据上训练的模型,迁移到特定医院或特定病例的数据上,辅助医生进行疾病诊断、病灶识别等工作,缓解医疗数据标注困难和数据量不足的问题。
- 推荐系统:利用用户在其他相关领域的行为数据和偏好,通过迁移学习为目标用户提供更精准的推荐服务,提高推荐系统的效果和用户体验。
五、总结与展望
迁移学习作为机器学习领域的重要技术,通过知识的迁移和复用,为解决各种实际问题提供了高效的解决方案。从基础概念到代码实践,再到广泛的应用场景,我们看到了迁移学习强大的生命力和广阔的发展前景。
随着技术的不断进步,迁移学习也面临着一些挑战和机遇。例如,如何更好地处理源领域和目标领域差异较大的情况,如何在保证迁移效果的同时提高迁移效率等。未来,迁移学习有望与更多新兴技术相结合,如强化学习、联邦学习等,进一步拓展其应用边界,在更多领域发挥更大的价值。
希望通过本文的介绍,能让大家对迁移学习有更深入的理解和认识,也欢迎大家在实际项目中尝试运用迁移学习技术,探索更多的可能性。如果你在实践过程中有任何问题或想法,欢迎在评论区交流讨论!
相关文章:
一文读懂迁移学习:从理论到实践
在机器学习和深度学习的快速发展历程中,数据和计算资源成为了制约模型训练的关键因素。当我们面对新的任务时,重新训练一个从头开始的模型往往耗时耗力,而且在数据量不足的情况下,模型的性能也难以达到理想状态。这时,…...
ElasticSearch安装
ElasticSearch 脑图知识图谱地址:ProcessOn Mindmap|思维导图 简介 ES是一个开源的分布式搜索和分析引擎,基于 Apache Lucene 构建,专为处理海量数据设计,支持实时搜索、分析和可视化。 排行第一的搜索引擎 官网地址࿱…...
c#中添加visionpro控件(联合编程)
vs添加vp控件 创建窗体应用 右键选择项 点击确定 加载CogAcqfifoTool工具拍照 设置参数保存.vpp 保存为QuickBuild或者job, ToolBlock 加载保存的acq工具 实例化相机工具类 //引入命名空间 using Cognex.VisionPro; //实例化一个相机工具类 CogAcqFifoTool cogAcqFifoTool n…...
MySQL主键与外键详解:数据关系的基石与守护者
引言 在数据库设计中,主键(Primary Key)和外键(Foreign Key)是构建数据关系模型的核心工具。它们不仅保障了数据的唯一性和完整性,还实现了跨表数据关联的逻辑闭环。本文将通过实例解析这两大关键概念&…...
Go语言打造:超高性能分布式唯一ID生成工具
一、简介 这是一个超高性能唯一ID生成工具,支持docker一键部署,提供API接入功能支持高性能生成Snowflake ID、Sonyflake ID、UUID v1、UUID v4、XID、KSUID以及自定义ID的服务可以用来生成订单编号、学号、高标准唯一标识、有序ID等等开源地址参考&#…...
列表计量单位显示
列表计量单位显示 E:\javaDev\tender-project-vben5\apps\web-antd\src\views\tender\material\data.ts import type { FormSchemaGetter } from #/adapter/form; import type { VxeGridProps } from #/adapter/vxe-table;import { getDictOptions } from #/utils/dict; impor…...
RAG系统的现实困境与突破:数据泥潭到知识自由
一、当前RAG系统的核心痛点 1. 数据处理的阿喀琉斯之踵 知识形态的暴力归一化:将PDF、视频、数据库等异构数据强行转化为统一文本,导致: 纸质文献中的数学公式OCR错误率高达37%(ICDAR2023数据)流程图/思维导图等非连续…...
项目执行中缺乏问题记录和总结,如何改进?
要有效改进项目执行中的问题记录与总结机制,应采取建立标准化问题记录流程、引入专业管理工具、定期开展问题复盘、设立知识库系统、强化团队总结意识等措施。其中,建立标准化问题记录流程是核心。没有统一流程,问题易被忽视、重复发生&#…...
docker中使用openresty
1.为什么要使用openresty 我这边是因为要使用1Panel,第一个最大的原因,就是图方便,比较可以一键安装。但以前一直都是直接安装nginx。所以需要一个过度。 2.如何查看openResty使用了nginx哪个版本 /usr/local/openresty/nginx/sbin/nginx …...
红杉资本2025 AI 峰会之Cybersecurity
红杉资本2025年AI峰会中,三位合伙人分享中与security相关的观点。 1、Pat Grady认为需要在AI 时代的价值累积将主要发生在应用层,在举例当前的空白领域时,展示了在security领域目前还没产生巨头; 2、Sonia 认为垂直领域agent将是创业者的重大机遇,通过强化学习、合成数据…...
高并发架构设计之限流
一、引言 再强大的系统,也怕流量短事件内集中爆发,就像银行怕挤兑一样,所以,高并发另一个必不可少的模块就是限流。限流是一种通过控制请求的速率或数量来保护系统免受过载的技术。流控的精髓是限制单位时间内的请求量࿰…...
PostgreSQL中通过查询数据插入到表的几种方法( SELECT INTO和INSERT INTO ... SELECT)
使用 SELECT INTO 创建新表 在PostgreSQL中,SELECT INTO语法有两种主要用途:创建新表和将查询结果存储到变量中(在PL/pgSQL函数或存储过程中)。以下是详细介绍: 1. 创建新表并复制数据(类似SQL标准) SELECT * INTO new_table FROM existing_table WHERE condition;说…...
大语言模型 16 - Manus 超强智能体 Prompt分析 原理分析 包含工具列表分析
写在前面 Manus 是由中国初创公司 Monica.im 于 2025 年 3 月推出的全球首款通用型 AI 智能体(AI Agent),旨在实现“知行合一”,即不仅具备强大的语言理解和推理能力,还能自主执行复杂任务,直接交付完整成…...
Windows逆向工程提升之IMAGE_FILE_HEADER
公开视频 -> 链接点击跳转公开课程博客首页 -> 链接点击跳转博客主页 目录 IMAGE_FILE_HEADER 介绍 IMAGE_FILE_HEADER 结构 核心字段解析 Machine(目标平台架构) NumberOfSections(节数目) TimeDateStamp&…...
基于Matlab建立不同信道模型
在MATLAB中建立不同的信道模型是无线通信系统仿真的重要组成部分。信道模型用于模拟信号在传输过程中受到的各种影响,如衰减、多径效应、噪声等。以下是一些常见的信道模型及其在MATLAB中的实现方法: 1. 理想信道模型 理想信道假设信号在传输过程中不受…...
苍穹外卖05 Redis常用命令在Java中操作Redis_Spring Data Redis使用方式店铺营业状态设置
2-8 Redis常用命令 02 02-Redis入门 ctrlc :快捷结束进程 配置密码: 以后再启动客户端的时候就需要进行密码的配置了。使用-a 在图形化界面中创建链接: 启动成功了。 03 03-Redis常用数据类型 04 04-Redis常用命令_字符串操作命令 05 05-Redis常用命令…...
JS 应用安全案例泄漏云配置接口调试代码逻辑框架漏洞自检
在 Javascript 中也存在变量和函数,当存在可控变量及函数调用即可参数漏洞。 JS 开发应用和 PHP , JAVA 等区别在于即没源代码,也可通过浏览器查看源代码。 获取 URL ,获取 JS 敏感信息,获取代码传参等&…...
嵌入式八股,空闲任务
空闲任务是FreeRTOS内核创建的一个默认任务,其优先级是系统中最低的。它在系统初始化时自动创建,并且始终处于就绪状态。当系统中没有任何其他任务可以运行时,调度器会选择空闲任务运行。 一句话总结,为了让系统不重启࿰…...
wd软件安装
* wd软件安装 * 磁盘读取数据的基本原理 * 分区软件使用 * 磁盘格式化/挂载的方式任务背景某天接到短信报警提示,显示某主机的根分区空间使用率超过85%,该主机用于影评(MySQL)和报表数据库(Oracle)。经查看…...
Redis数据库-消息队列
一、消息队列介绍 二、基于List结构模拟消息队列 总结: 三、基于PubSub实现消息队列 (1)PubSub介绍 PubSub是publish与subscribe两个单词的缩写,见明知意,PubSub就是发布与订阅的意思。 可以到Redis官网查看通配符的书写规则: …...
使用脚本备份和还原Windows环境变量
使用脚本备份和还原Windows环境变量 你是否遇到过这样的场景?为什么环境变量如此脆弱?全量备份及还原全量备份系统环境变量全量恢复系统环境变量PATH变量份及还原备份PATH变量精准还原PATH变量环境变量实时刷新器必看注意事项Windows环境变量误删别抓狂!用好 脚本 免重启「时…...
卫星互联网:构建全球无缝通信网络的未来
随着全球数字化进程的加速,人们对通信网络的需求越来越高。传统的地面通信网络虽然在城市和发达地区表现良好,但在偏远地区、海洋和空中等场景中仍存在覆盖不足的问题。卫星互联网作为一种新兴的通信技术,正在逐渐成为解决全球通信覆盖问题的…...
VS2022离线安装包
这是VS2022离线安装包下载链接 ▶ 夸克网盘 下载解压后,双击vs_setup.exe即可安装...
PDF 文档结构化工具对比:Marker 与 MinerU
模型训练数据-MinerU一款Pdf转Markdown软件 https://codeyuan.blog.csdn.net/article/details/144315141 在当前大模型(LLM)和自然语言处理(NLP)应用快速发展的背景下,如何高效地将 PDF 等非结构化文档转换为结构化数…...
【优秀三方库研读】在 quill 开源库 LogMarcos.h 中知识点汇总及讲解
以下是LogMarcos.h中的主要知识点汇总及详细讲解: 大纲目录 编译时日志级别过滤预处理宏与条件编译可变参数处理技巧格式化字符串生成日志宏的分发机制线程本地存储(TLS)零成本抽象设计动态日志级别支持结构化日志标签日志频率限制机制1. 编译时日志级别过滤 核心宏:QUILL…...
第14天-Matplotlib实现数据可视化
一、Matplotlib简介 Matplotlib是Python最基础的数据可视化库,提供类似MATLAB的绘图接口,支持2D/3D图形绘制。其核心特点: 丰富的图表类型(折线图/柱状图/饼图/散点图等) 高度可定制化(颜色/字体/刻度/标注) 矢量图输出(PDF/SVG)支持 与Jupyter无缝集成 二、环境准备…...
快速刷机Android10+Root
说明:仅供学习使用,请勿用于非法用途,若有侵权,请联系博主删除 作者:zhu6201976 一、下载android10源码 1.确认手机可刷机范围 比如我的Piexel3机型,支持刷android9-android12 Android源码。 https://de…...
文章相似度对比
from transformers import AutoTokenizer, AutoModel import torch import torch.nn.functional as F # 加载中文句向量模型(BGE) model_name "BAAI/bge-large-zh-v1.5" tokenizer AutoTokenizer.from_pretrained(model_name) model AutoM…...
认知计算:迈向人类级智能的 AI 新范式
一、认知计算:定义与核心技术架构 1.1 超越传统 AI 的 “类人智能” 新维度 认知计算的本质是构建具备感知、推理、学习和交互能力的智能系统,其核心特征包括: 多模态理解:处理文本、图像、语音等非结构化数据(如分…...
数据被泄露了怎么办?
数据泄露是严重的网络安全事件,需立即采取行动以降低风险。以下是关键应对步骤: 1. 确认泄露范围 核实泄露内容:确定泄露的是密码、财务信息、身份证号还是其他敏感数据。 评估来源:检查是个人设备被入侵、某平台漏洞,…...
从 CANopen到 PROFINET:网关助力物流中心实现复杂的自动化升级
使用 CANopen PLC 扩展改造物流中心的传送带 倍讯科技profinet转CANopen网关BX-601-EIP将新的 PROFINET PLC 系统与旧的基于 CANopen 的传送带连接起来,简化了物流中心的自动化升级。 新建还是升级?这些问题通常出现在复杂的内部物流设施中,…...
关于收集 Android Telephony 网络信息的设计思考2
需求: 目标1: Android Telephony data(数据模块)侧收集多源(ServiceStateTracker/ImsService/其他)网络状态信息。目标2: 收集的数据需统一上报/存储到外部App的Provider。字段分散,不方便只在ServiceStateTracker中收集和插入。多触发点/多场景,需要统一插入。一、架构…...
android RecyclerView列表DiffCallback说明
一 代码 private class DiffCallback : DiffUtil.ItemCallback<xxxVolumeInfo>() {override fun areItemsTheSame(oldItem: xxxVolumeInfo,newItem: xxxVolumeInfo): Boolean {return oldItem.uuid newItem.uuid}override fun areContentsTheSame(oldItem: xxxVolumeIn…...
Day123 | 灵神 | 二叉树 | 找树左下角的值
Day123 | 灵神 | 二叉树 | 找树左下角的值 513.找树左下角的值 513. 找树左下角的值 - 力扣(LeetCode) 思路: 初学者可以看灵神视频二叉树的层序遍历【基础算法精讲 13】_哔哩哔哩_bilibili 我的思路就是在每层的循环前加个判断…...
流式优先架构:彻底改变实时数据处理
近年来,随着现代组织的数据环境日趋复杂且高速流动,传统数据库系统已难以满足实时分析、物联网应用以及即时决策的需求。围绕批处理和静态数据模型设计的 RDBMS(关系型数据库管理系统)在架构层面缺乏实时处理能力,而流…...
5月21日星期三今日早报简报微语报早读
5月21日星期三,农历四月廿四,早报#微语早读。 1、中国首次当选联合国教科文组织1970年《公约》缔约国大会主席国; 2、上海普陀:探索1岁以下托育服务的保育内容、人员配备等关键要素; 3、浙江:将智能家居…...
一文详解并查集:从基础原理到高级应用
一文详解并查集:从基础原理到高级应用 前言一、基本概念1.1 定义与作用1.2 直观理解 二、并查集的基本实现2.1 数据结构定义2.2 查找操作实现2.3 合并操作实现 三、经典优化策略3.1 路径压缩(Path Compression)3.2 按秩合并(Union by Rank&am…...
二叉树的半线性
二叉树的半线性结构体现在以下方面: 非线性拓扑与线性次序的结合 二叉树的节点通过父子关系形成分叉结构(非线性),但通过遍历规则(如先序、中序、后序、层次遍历)可将其映射为线性序列。例如:…...
深入浅出理解时间复杂度和空间复杂度
目录 一、基本概念 时间复杂度 空间复杂度 二、常见复杂度分类 时间复杂度常见情况 空间复杂度常见情况 三、如何分析复杂度 时间复杂度分析步骤 空间复杂度分析步骤 四、复杂度对比图表 时间复杂度增长趋势 常见算法复杂度汇总 五、实际应用中的注意事项 一、基本…...
【Java基础笔记vlog】Java中常见的几种数组排序算法汇总详解
Java中常见的几种排序算法: 冒泡排序(Bubble Sort)选择排序(Selection Sort)插入排序(Insertion Sort)希尔排序(Shell Sort)归并排序(Merge Sort)…...
flink 提交流程
flink 提交流程 基础架构并行度算子链任务槽 基础架构 上图是普通的 standalone 架构,就是独立模式,会话模式部署,客户端在接受 job 时,会生成逻辑流图,这里只是按照业务生成对应的执行图,到了 JobManager …...
使用Pandoc实现Markdown和Word文档的双向转换
前言 Word文档是老牌的文档工具,Markdown是新兴的势力。Csdn发文章就是支持Markdown文件的导入,而并不支持Word文件的导入。相反的,今日头天发文章就是支持Word文件的导入,而不支持Markdown文件的导入。 所以,这两种…...
【Python零基础入门系列】第3篇:什么是 Python 的变量、数据类型和输入输出?
欢迎来到【Python 零基础入门系列】第3篇! 前两篇我们已经学会了如何安装 Python 使用编程工具 IDE,并写出了人生第一个程序 print("Hello, world!"),是不是有点成就感了?今天我们就继续深入一点点,来聊聊编程的“灵魂三问”: 什么是变量?什么是数据类型?如…...
破解充电安全难题:智能终端的多重防护体系构建
随着智能终端的普及,充电安全问题日益凸显。从电池过热到短路起火,充电过程中的安全隐患不仅威胁用户的生命财产安全,也制约了行业的发展。如何构建一套高效、可靠的多重防护体系,成为破解充电安全难题的关键。通过技术创新和系统…...
无人机桥梁巡检
无人机桥梁巡检 防护墙巡查 路面巡查 主梁巡查 桥墩路基巡查 支座巡查 周边环境检查...
Android Binder线程池饥饿与TransactionException:从零到企业级解决方案(含实战代码+调试技巧)
简介 在Android系统中,Binder作为进程间通信(IPC)的核心机制,承载着大量跨进程调用任务。然而,当Binder线程池资源耗尽时,可能导致严重的线程饥饿问题,最终引发TransactionException异常,甚至导致应用崩溃或系统卡顿。本文将从零开始,系统讲解Binder线程池的工作原理…...
138. Copy List with Random Pointer
目录 题目描述 方法一、使用哈希表 方法二、不使用哈希表 题目描述 问题的关键是,random指针指向的是原链表的结点,这个原链表的结点对应哪一个新链表的结点呢?有两种办法。一是用哈希表。另一种是复制原链表的每一个结点,并将…...
Java面试问题基础篇
面向对象 面向对象编程:拿东西过来做对应的事情 特征: 封装:对象代表什么,就要封装对应的数据,并提供数据对应的行为 继承:Java中提供一个关键字extends,用这个关键字可以让一个类和另一个类…...
ILRuntime中实现OSA
什么是ILRuntime? ILRuntime项⽬为基于C#的平台(例如Unity)提供了⼀个 纯 C# 实现 , 快速 、 ⽅便 且 可靠 的IL 运⾏时,使得能够在不⽀持JIT的硬件环境(如iOS)能够实现代码的热更新。具体可以学习: http://http s://ourpalm.github.io/ILRuntime/public/v1/guide/ind…...
总结一个编程的学习方式~
目录 学习开发 一切从简 代码风格 学习工具 总结 学习开发 一切从简 在学习写代码的时候,一定要快速的写起来,不要在开发工具上浪费太多的时间。比如说萌新学习C/C,上来直接使用Visual Studio 2019开始把代码写起来,不要追…...