当前位置：首页 > news >正文

【学习笔记】理解深度学习和机器学习的数学基础：数值计算

news 来源：原创 2025/6/18 9:27:27

深度学习作为人工智能领域的一个重要分支，其算法的实现和优化离不开数值计算。数值计算在深度学习中扮演着至关重要的角色，它涉及到如何在计算机上高效、准确地解决数学问题。本文将介绍深度学习中数值计算的一些关键概念和挑战，以及如何应对这些挑战。

1. 数值计算的基本挑战

在数字计算机上进行连续数学计算时，我们面临的一个基本问题是需要用有限的比特模式来表示无限多的实数。这意味着几乎所有实数在计算机中的表示都会产生一些近似误差，即舍入误差。舍入误差在多个操作中累积时可能会导致理论上的算法在实践中失败。

2. 溢出和下溢

下溢：当接近零的数被舍入为零时发生。许多函数在参数为零时的行为与小正数时的行为有显著不同。例如，除以零或取零的对数都会导致问题。
溢出：当大数值被近似为无穷大或负无穷大时发生。进一步的算术运算通常会将这些无穷大值转换为非数值。

解决方案：在深度学习中，softmax函数是一个非常重要的数学工具，特别是在处理多分类问题时。

1.1 Softmax函数的定义

softmax函数通常用于将一个实数向量转换为概率分布。具体来说，对于一个输入向量 $x=[x_{1},x_{2},...,x_{n}]$ ，softmax函数的输出是一个概率向量 $y=[y_{1},y_{2},...,y_{n}]$ 其中每个元素 $y_{i}$ 表示输入 $x_{i}$ 对应类别的概率。softmax函数的数学定义如下：

$softmax(x _{i})= \frac{exp(x_{i})}{\sum_{j=1}^{n}exp(x_{j})}$

这里， $exp(x)$ 表示自然指数函数 $e^{x}$ 。

1.2. Softmax函数的作用

softmax函数的主要作用是将输入向量转换为概率分布，使得输出值在0到1之间，并且所有输出值的和为1。这使得softmax函数特别适合用于多分类问题中的最后一层，因为它的输出可以直接解释为每个类别的概率。

例如，假设我们有一个输入向量 $x=[1,2,3]$ ，通过softmax函数转换后，输出向量 $y$ 将表示每个类别的概率：

$y=[\frac{exp(1)}{exp(1)+exp(2)+exp(3)},\frac{exp(2)}{exp(1)+exp(2)+exp(3)},\frac{exp(3)}{exp(1)+exp(2)+exp(3)}]$

计算结果为：

$y=[0.090,0.245,0.665]$

这表示输入向量 $x=[1,2,3]$ 对应的三个类别的概率分别为0.090、0.245和0.665。

1.3. Softmax函数的数值稳定性

在实际应用中，softmax函数可能会遇到数值稳定性问题，特别是当输入值的范围很大时。具体来说，当输入值 $x_{i}$ 非常大或非常小时，指数函数 $exp(x_{i})$ 可能会导致溢出或下溢。

为了解决这个问题，我们通常会对输入向量进行预处理，减去输入向量的最大值。这样可以确保指数函数的输入值不会过大，从而避免溢出问题。具体来说，我们计算：

$softmax(z_{i})= \frac{exp(z_{i})}{\sum_{j=1}^{n}exp(z_{j})}$

其中， $z=x-max(x)$ 。

例如，对于输入向量 $x=[1000,1001,1002]$ ，直接计算softmax可能会导致溢出。通过减去最大值，我们得到：

$z=[1000-1002,1001-1002,1002-1002]=[-2,-1,0]$

然后计算softmax：

$y=[\frac{exp(-2)}{exp(-2)+exp(-1)+exp(0)},\frac{exp(-1)}{exp(-2)+exp(-1)+exp(0)},\frac{exp(0)}{exp(-2)+exp(-1)+exp(0)}]$

计算结果为：

$y=[0.090,0.245,0.665]$

这样，我们成功避免了数值稳定性问题。

1.4. Softmax函数在深度学习中的应用

softmax函数在深度学习中广泛应用于多分类问题。具体来说，它通常用于神经网络的最后一层，将神经网络的输出转换为概率分布。这样，我们可以直接将输出解释为每个类别的概率，并使用这些概率进行分类决策。

例如，在图像分类任务中，假设我们有一个神经网络，其最后一层的输出是一个10维向量，表示10个类别的得分。通过softmax函数，我们可以将这些得分转换为概率，从而确定输入图像最可能属于的类别。

softmax函数是深度学习中一个非常重要的工具，它将输入向量转换为概率分布，特别适合用于多分类问题。通过理解softmax函数的定义、作用和数值稳定性问题，我们可以更有效地应用它来解决实际问题。希望本文能帮助你更好地理解softmax函数，为进一步学习和研究打下坚实的基础。

3. 条件数问题

在深度学习中，条件数问题是一个重要的数值稳定性问题，它影响着算法的收敛速度和解的质量。条件数衡量的是函数相对于输入的小变化而快速变化的程度。条件数大的矩阵在乘以真实矩阵逆时会放大预存在的误差。这使得在实践中，误差会被数值逆过程中的误差进一步放大。

3.1. 条件数的定义

条件数是衡量矩阵在求逆或解线性方程组时对输入误差的敏感程度的指标。具体来说，对于一个矩阵 $A$ ，其条件数定义为：

$k(A)=\left \| A \right \|*\left \| A^{-1} \right \|$

其中， $\left \| A \right \|$ 表示矩阵 $A$ 的范数， $\left \| A^{-1} \right \|$ 表示其逆矩阵的范数。条件数越大，矩阵越接近奇异（不可逆），求解线性方程组或求逆时的数值稳定性越差。

3.2. 条件数的影响

条件数大的矩阵在数值计算中会导致以下问题：

数值不稳定性：小的输入误差可能会导致大的输出误差。
求解线性方程组困难：使用迭代方法求解线性方程组时，条件数大的矩阵需要更多的迭代次数才能收敛。
求逆矩阵困难：直接求逆矩阵时，条件数大的矩阵可能会导致数值不稳定，甚至无法求逆。

3.3. 解决方法

为了解决条件数问题，可以采取以下方法：

预处理：对矩阵进行预处理，如使用对角线缩放或Cholesky分解，以减小条件数。
正则化：在矩阵中添加一个小的正则项，如 $A +\lambda I$ ，其中 $\lambda$ 是一个小的正数， $I$ 是单位矩阵。这可以增加矩阵的对角线元素，从而减小条件数。
使用数值稳定的算法：选择数值稳定的算法，如使用QR分解或SVD分解来求解线性方程组或求逆矩阵。

4. 基于梯度的优化

在深度学习中，基于梯度的优化方法是训练神经网络的核心技术。这些方法通过计算目标函数的梯度来指导参数的更新，从而最小化或最大化目标函数。本文将详细介绍基于梯度的优化方法的基本原理、常见算法以及它们在深度学习中的应用。

关键概念：

梯度：对于多变量函数，梯度是包含所有偏导数的向量。
学习率：确定步长的正标量，可以是小常数，也可以通过线搜索确定。

4.1. 梯度的基本概念

梯度是一个多变量函数的偏导数向量，它指出了函数在某一点处增长最快的方向。对于一个函数 $f(x)$ ，其中 $x=[x_{1},x_{2},...,x_{n}]$ ，其梯度 $\nabla f(x)$ 定义为：

$\nabla f(x)=[\frac{\partial f }{\partial x_{1}},\frac{\partial f }{\partial x_{2}},...,\frac{\partial f }{\partial x_{n}}]$

4.2. 梯度下降算法

梯度下降是最基本的基于梯度的优化算法，用于最小化目标函数。其基本思想是：在每一步中，沿着梯度的反方向更新参数，因为梯度的反方向是函数值减少最快的方向。

算法步骤：

初始化参数 $x$ 。
计算目标函数 $f(x)$ 的梯度 $\nabla f(x)$ 。
更新参数： $x\leftarrow x-\alpha \nabla f(x)$ ，其中 $\alpha$ 是学习率。
重复步骤2和3，直到收敛。

示例：假设我们有一个简单的二次函数 $f(x)=x^{2}$ ，初始参数 $x=10$ ，学习率 $\alpha =0.1$ 。梯度下降的更新过程如下：

初始参数： $x=10$
计算梯度： $\nabla f(x)=2x=20$
更新参数： $x\leftarrow 10-0.1*20 = 8$
重复上述步骤，直到 $x$ 收敛到0。

4.3. 梯度下降的变体

为了提高梯度下降的效率和稳定性，研究人员提出了多种变体：

批量梯度下降（Batch Gradient Descent）：使用整个训练集计算梯度，每次更新参数时使用全局信息，收敛稳定但计算成本高。
随机梯度下降（Stochastic Gradient Descent, SGD）：每次只使用一个样本计算梯度，更新速度快但收敛过程可能较不稳定。
小批量梯度下降（Mini-batch Gradient Descent）：每次使用一个小批量的样本计算梯度，结合了批量梯度下降和随机梯度下降的优点，是实际应用中最常用的方法。

4.4 超越梯度：雅可比矩阵和海森矩阵

在深度学习和优化算法中，雅可比矩阵和海森矩阵是两个重要的数学工具，它们分别描述了函数的一阶和二阶导数信息。这些矩阵在牛顿法等二阶优化算法中起着关键作用。

4.4.1. 雅可比矩阵

雅可比矩阵是当输入和输出都是向量时，所有偏导数构成的矩阵。具体来说，对于一个函数

$f:\mathbb{R}^{n}\rightarrow \mathbb{R}^{m}$ ，其雅可比矩阵 $J$ 定义为：

4.4.2. 海森矩阵

海森矩阵是二阶导数构成的矩阵，用于衡量函数的曲率。具体来说，对于一个函数 $f:\mathbb{R}^{n}\rightarrow \mathbb{R}^{m}$ ，其海森矩阵 $H$ 定义为：

海森矩阵的对角线元素表示每个输入分量的二阶导数，非对角线元素表示不同输入分量之间的混合偏导数。海森矩阵的特征值决定了函数在不同方向上的曲率，最大特征值对应最大曲率，最小特征值对应最小曲率。

4.4.3. 牛顿法

牛顿法是一种利用海森矩阵信息来指导搜索的二阶优化算法。其基本思想是通过二阶泰勒级数展开来近似函数，并求解临界点。具体来说，对于一个函数 $f(x)$ ，其二阶泰勒级数展开为：

$f(x+h) = f(x)+\nabla f(x)\top h+\frac{1}{2}h\top H(x)h$

其中， $h$ 是搜索方向， $\nabla f(x)$ 是梯度， $H(x)$ 是海森矩阵。为了找到临界点，我们需要求解：

$\nabla f(x) + H(x)h = 0$

$h= H(x)^{-1}\nabla f(x)$

因此，牛顿法的更新公式为：

$x\leftarrow x-H(x)^{-1}\nabla f(x)$

雅可比矩阵和海森矩阵是描述函数一阶和二阶导数信息的重要工具。它们在牛顿法等二阶优化算法中起着关键作用，通过提供函数的曲率信息来指导参数更新。理解雅可比矩阵和海森矩阵的概念和应用，可以帮助我们更有效地设计和优化深度学习模型。

5. 约束优化

在某些情况下，我们需要在参数满足特定约束的条件下优化目标函数。这称为约束优化问题。常见的约束优化方法包括：

拉格朗日乘数法（Lagrange Multipliers）：通过引入拉格朗日乘数，将约束优化问题转化为无约束优化问题。其基本思想是构造广义拉格朗日函数：

$\pounds (x,\lambda ) = f(x)+ \sum_{i=1}^{m}\lambda _{i}g_{i}(x)$

KKT条件（Karush-Kuhn-Tucker Conditions）：对于包含不等式约束的优化问题，KKT条件是必要条件，有时也是充分条件。KKT条件包括：
- 梯度条件：广义拉格朗日函数的梯度为零。
- 约束条件：所有约束条件满足。
- 互补松弛条件：不等式约束的乘数与约束值的乘积为零。

6. 实例：线性最小二乘

考虑线性最小二乘问题：

$min\frac{1}{2}\left \| A(x)-b \right \|^{_{2}}_{2}$

其中， $A$ 是一个 $m\times n$ 的矩阵， $b$ 是一个 $m$ 维向量。如果 $A$ 的条件数很大，直接求解这个问题可能会导致数值不稳定。为了解决这个问题，可以使用正则化方法：

$min\frac{1}{2}\left \| A(x)-b \right \|^{_{2}}_{2}+\frac{\lambda }{2}\left \| x \right \|^{2}_{2}$

其中， $\lambda$ 是一个小的正数。这可以增加 $x$ 的范数，从而减小条件数，提高数值稳定性。

牛顿法：

利用二阶泰勒级数展开。
一步到位找到全局最小值。

7. 总结

数值计算在深度学习中至关重要，但同时也充满挑战。通过理解和应用上述概念和方法，我们可以更有效地实现和优化深度学习算法。这些方法不仅帮助我们解决实际问题，还为深入研究和创新提供了基础。

本文能帮助你更好地理解深度学习中的数值计算，为进一步学习和研究打下坚实的基础。

【学习笔记】理解深度学习和机器学习的数学基础：数值计算

深度学习作为人工智能领域的一个重要分支，其算法的实现和优化离不开数值计算。数值计算在深度学习中扮演着至关重要的角色，它涉及到如何在计算机上高效、准确地解决数学问题。本文将介绍深度学习中数值计算的一些关键概念和挑战，以及如何应对…...

编程日记 2025/6/3 19:56:32

【Java回顾】Day5 并发基础|并发关键字|JUC全局观|JUC原子类

JUC全称java.util.concurrent 处理并发的工具包(线程管理、同步、协调) 一.并发基础多线程要解决什么问题？本质是什么？ CPU、内存、I/O的速度是有极大差异的，为了合理利用CPU的高性能，平衡三者的速度差异，解决办法…...

编程日记 2025/6/3 6:41:02

VSCODE使用Echarts组件库(不是vue)

第一步打开Echarts官网 Examples - Apache ECharts 第二步随便点击一个图形点击我圈的按钮第三步...

编程日记 2025/5/15 19:21:10

DNS解析域名简记

域名通常是由: 权威域名.顶级域名.根域名组成的。从左往右，级别依次升高，这和外国人从小范围到大范围的说话习惯相关。（我们自己是更习惯先说大范围再说小范围，如XX省XX市XX区XX路） DNS解析域名时，会先查…...

编程日记 2025/6/3 2:11:47

1.a标签选择 // 选中所具有herf 的元素 [herf] {color: skyblue; } // 选中所具有herfhttps://fanyi.youdao.com/ 的元素 [herf$"youdao.com"] {color:pink; } // 按此顺序书写 link visited hover active // 未访问状态 a:link {color:orange } // 访问状态 a…...

编程日记 2025/5/28 23:00:45

9.4 visualStudio 2022 配置 cuda 和 torch (c++)

一、配置torch 1.Libtorch下载该内容看了【Libtorch 一】libtorchwin10环境配置_vsixtorch-CSDN博客的博客，作为笔记用。我自己搭建后可以正常运行。下载地址为windows系统下各种LibTorch下载地址_libtorch 百度云-CSDN博客下载解压后的目录为： 2.vs…...

编程日记 2025/6/2 10:33:51

ASP.NET Core 实现微服务 -- Polly 服务降级熔断

在我们实施微服务之后，服务间的调用变的异常频繁。多个服务之间可能是互相依赖的关系。某个服务出现故障或者是服务间的网络出现故障都会造成服务调用的失败，进而影响到某个业务服务处理失败。某一个服务调用失败轻则造成当前相关业务无法处理&#xff1…...

编程日记 2025/6/4 14:29:59

2_CSS3 背景 --[CSS3 进阶之路]

CSS3 中的背景属性提供了许多强大的功能来增强网页设计，包括但不限于多背景图像、渐变、背景大小控制等。以下是一些关键的 CSS3 背景属性及其用法示例。 1. 多重背景图像 CSS3 允许你为一个元素设置多个背景图像。这些图像按照它们在 background-image 属性中定义…...

编程日记 2025/6/2 10:36:46

于交错的路径间：分支结构与逻辑判断的思维协奏

大家好啊，我是小象٩(๑ω๑)۶ 我的博客：Xiao Xiangζั͡ޓއއ 很高兴见到大家，希望能够和大家一起交流学习，共同进步。* 这一节内容很多，文章字数达到了史无前例的一万一，我们要来学习分支与循环结构中…...

编程日记 2025/6/1 13:39:51

升级 CentOS 7.x 系统内核到 4.4 版本

问题描述在 CentOS 7.x 系统中，默认内核版本是 3.10.x，这个版本可能会带来一些与 Docker 和 Kubernetes 兼容性的问题，导致系统性能不稳定或功能异常。为了提高系统的稳定性和兼容性，建议升级到更高版本的内核，例如 …...

编程日记 2025/6/1 9:55:33

MySQL数据导出导入

一、数据导出 1.导出全库备份到本地的目录 mysqldump -u$USER -p$PASSWD -h127.0.0.1 -P3306 --routines--default-character-setutf8 --lock-all-tables --add-drop-database -A >db.all.sql 2.导出指定库到本地的目录(例如mysql库) mysqldump -u$USER -p$PASSWD -h127.…...

编程日记 2025/6/3 1:31:16

【机器学习:八、逻辑回归】

逻辑回归（Logistic Regression） 1. 逻辑回归的引出在现实世界中，许多问题都涉及到分类任务。例如： 判断一封邮件是否为垃圾邮件；预测某人是否会患某种疾病；确定图片中是否包含某种特定物体。这些问题…...

编程日记 2025/6/3 7:01:58

uniapp使用sm4加密

安装：npm install sm-crypto --save 1、在utils下新建crypto.js文件 // sm4 加密 export function encryption(params) {const SM4 require("sm-crypto").sm4const key 0123456789abcdeffedcba9876543212; // 提供的密钥const iv fedcba9876543210012…...

编程日记 2025/6/3 10:37:04

【STM32-学习笔记-1-】GPIO

文章目录 GPIOⅠ、GPIO函数Ⅱ、GPIO_InitTypeDef结构体参数①、GPIO_Mode②、GPIO_Pin③、GPIO_Speed GPIO Ⅰ、GPIO函数 // 将指定的GPIO端口寄存器重置为默认值 void GPIO_DeInit(GPIO_TypeDef* GPIOx);// 将GPIO的备用功能寄存器重置为默认值 void GPIO_AFIODeInit(void);…...

编程日记 2025/5/29 21:45:08

C#中的运算符和类--06

目录一.运算符 1.赋值运算符 2.算数运算符 3.关系运算符 4.逻辑运算符 5.位运算符 6.三元运算符 7.空合并运算符 8.其他运算符二.类 1.普通类 2.静态类 3.抽象类 4.密封类 5.部分类 6.泛型类 7.嵌套类 8.记录类 9.接口一.运算符 1.赋值运算符定义:赋值…...

编程日记 2025/6/2 1:59:29

【微服务】面试 2、服务雪崩

服务雪崩概念主要内容：在微服务项目中，微服务间存在远程调用。若某一服务（如服务 d）出现故障，调用它的服务（如服务 a）会失败。若调用方持续向故障服务发起请求，由于服务连接数有限且…...

编程日记 2025/5/29 9:00:39

“深入浅出”系列之QT：（6）如何在一个项目中调用另一个项目

在Qt中，如果想在一个项目中调用另一个项目，这通常意味着想要在一个CMake构建的项目中集成或依赖另一个CMake构建的项目。 1‌.子模块或子目录方式‌： 如果另一个项目可以作为一个子模块或子目录包含在当前项目中，可以使用add_sub…...

编程日记 2025/5/28 10:25:35

计算机网络—地址与子网（IPv4）相关知识总结

前言为了更加清楚的了解该相关知识，下面是发现的一些宝藏博主的博客。彻底搞懂网络地址、广播地址、主机地址、网关、子网掩码、网络号、主机号 - lipga - 博客园 IP地址（分类）、子网掩码、网络号、主机号、子网号_网络号,主机号,子网号…...

编程日记 2025/6/4 6:55:19

计算机网络（36）TCP可靠传输的实现

前言 TCP（传输控制协议）是一种面向连接的、可靠的、基于字节流的传输层通信协议。TCP通过多种机制实现可靠传输，这些机制主要包括连接管理、序列号和确认应答机制、重传机制、流量控制、拥塞控制等。一、连接管理 TCP使用三次握手&#xff0…...

编程日记 2025/6/3 13:26:00

SQL从入门到实战-2

高级语句窗口函数排序窗口函数例题二十九 select yr,party,votes, rank() over (PARTITION BY yr ORDER BY votes desc) as pson from ge where constituency S14000021 order by party,yr 偏移分析函数例题三十 select name,date_format(whn,%Y-%m-%d) data, confi…...

编程日记 2025/6/2 16:42:49

基于python的网页表格数据下载--转excel

基于 Python 的网页表格数据爬取与下载：以维基百科为例目录基于 Python 的网页表格数据爬取与下载：以维基百科为例1. 背景介绍2. 工具与环境3. 操作步骤1. 获取网页内容2. 定位表格元素3. 表格变身 Pandas DataFrame4. 检查数据，收工！5. 进阶玩法与优化6. 完整代码4. 结果…...

编程日记 2025/6/3 3:44:53

用户界面的UML建模13

􀂄 Concrete Presentation Model 包中所包含的是，在Environment 包中与表示层框架模式中的《apm》类相对应的那些类。 8 结论本文使用了一个图书馆系统的案例，来论述了关于用户界面的建模。通过使用统一建模语言来对应用系统进行建模&…...

编程日记 2025/6/4 13:05:24

[Python学习日记-75] 计算机基础与网络

[Python学习日记-75] 计算机基础与网络简介计算机基础什么是网络编程计算机网络简介本篇主要介绍的计算机基础是浓缩的，这是因为我们主要学习的是 Python，而 Python 主要是为了开发应用程序的，并不会用它来开发操作系统和嵌入式程序…...

编程日记 2025/6/2 21:13:40

【机器学习:六、特征工程】

1. 特征工程背景意义在机器学习中，特征工程是模型成功的关键之一。无论算法多么先进，其性能都很大程度上依赖于输入数据的质量。特征工程是指对原始数据进行处理，以创建更适合算法的特征的过程。这一过程在以下方面具有重要意义&#xff1a…...

编程日记 2025/6/1 19:29:40

webpack打包要义

webpack基本 Webpack 是一个现代 JavaScript 应用程序的静态模块打包工具。它的工作原理可以概括为以下几个核心步骤： 1. 入口起点（Entry） Webpack 从配置文件中指定的入口文件（Entry Point）开始，分析应用…...

编程日记 2025/6/3 8:14:34

Mybatis——Mybatis开发经验总结

摘要本文主要介绍了MyBatis框架的设计与通用性，阐述了其作为Java持久化框架的亮点，包括精良的架构设计、丰富的扩展点以及易用性和可靠性。同时，对比了常见持久层框架，分析了MyBatis在关系型数据库交互中的优势。此外&#xff0…...

编程日记 2025/6/1 20:51:38

013：深度学习之神经网络

本文为合集收录，欢迎查看合集/专栏链接进行全部合集的系统学习。合集完整版请参考这里。深度学习是机器学习中重要的一个学科分支，它的特点就在于需要构建多层且“深度”的神经网络。人们在探索人工智能初期，就曾设想构建一个用数学方式…...

编程日记 2025/6/3 20:55:59

Java 模板变量替换——字符串替换器（思路Mybatis的GenericTokenParser）

Java 模板变量替换——字符串替换器（思路Mybatis的GenericTokenParser） 思路字符串替换器思路模板变量替换无非是寻找出字符串（模板）中的特殊标记，用对应的变量进行字符串替换。提到变量替换，大家第一能…...

编程日记 2025/6/3 10:37:01

蓝桥杯备考：数据结构之栈和 stack

目录栈的概念以及栈的实现 STL 的stack 栈和stack的算法题栈的模板题栈的算法题之有效的括号验证栈序列后缀表达式括号匹配栈的概念以及栈的实现栈是一种只允许在一端进行插入和删除的线性表空栈：没有任何元素入栈：插入元素消息出…...

编程日记 2025/5/30 18:00:08

Lambda离线实时分治架构深度解析与实战

一、引言在大数据技术日新月异的今天，Lambda架构作为一种经典的数据处理模型，在应对大规模数据应用方面展现出了强大的能力。它整合了离线批处理和实时流处理，为需要同时处理批量和实时数据的应用场景提供了成熟的解决方案。本文将对Lambda…...

编程日记 2025/6/3 21:06:12

Vue.js组件开发，AI时代的前端新玩法

AI可不只是写写小说、聊聊天，现在它的触角已经伸到了程序员的代码世界里。特别是前端开发，很多人都在尝试用ChatGPT或者类似的AI工具来写代码，甚至直接生成Vue.js组件。有些人感叹，"写代码的时代是不是要结束了？&…...

编程日记 2025/6/4 11:23:59

标定 3

标定场景与对应的方式标定板标定主要应用场景：（1）无法获取到执行机构物理坐标值，比如相机固定，执行机构为传送带等（2）相机存在畸变等非线性标定情况，需要进行畸变校正（3）标定单像素精度（4）获取两个相机之间的坐标系关系标定板操作步骤：（1）确定好拍…...

编程日记 2025/6/1 0:12:18

电商项目-基于ElasticSearch实现商品搜索功能(三)

本系列文章主要介绍基于 Spring Data Elasticsearch 实现商品搜索的后端代码，介绍代码逻辑和代码实现。主要实现功能：根据搜索关键字查询、条件筛选、规格过滤、价格区间搜索、搜索查询分页、搜索查询排序、高亮查询。主要应用技术:canal，…...

编程日记 2025/6/1 20:56:23

【51单片机】03 蜂鸣器-播放音乐

蜂鸣器-播放音乐一、原理介绍1.硬件电路二、练习1.让蜂鸣器发声2.尝试演奏小星星一、原理介绍蜂鸣器分为有源蜂鸣器、无源蜂鸣器两种。有源蜂鸣器：施加合适的电压之后就会发出特定频率的声音无源蜂鸣器：需要提供特定频率的声音信号，才能…...

编程日记 2025/6/2 7:03:18

MySQL 架构

MySQL架构 MySQL8.0服务器是由连接池、服务管理⼯具和公共组件、NoSQL接⼝、SQL接⼝、解析器、优化器、缓存、存储引擎、⽂件系统组成。MySQL还为各种编程语⾔提供了⼀套⽤于外部程序访问服务器的连接器。整体架构图如下所⽰： MySQL Connectors：为使⽤…...

编程日记 2025/6/3 13:25:24

XML 解析器：深入解析与高效应用

XML 解析器：深入解析与高效应用引言 XML（可扩展标记语言）作为一种重要的数据交换格式，被广泛应用于各种系统和平台中。为了有效地处理和解析XML数据，XML解析器发挥着至关重要的作用。本文将深入探讨XML解析器的原理…...

编程日记 2025/5/30 21:14:39

LabVIEW设计 IIR 滤波器

这是一个设计 IIR 滤波器的 LabVIEW 程序框图，其功能主要是用于设计滤波器并计算其频率响应，但它并不直接对输入的波形进行实时滤波，而是提供一个滤波器的频率响应分析工具。以下是框图中各部分的详细解释： 1. 主要模块功能说明 …...

编程日记 2025/5/29 13:55:53

基于改进粒子群优化的无人机最优能耗路径规划

目录 1. Introduction2. Preliminaries2.1. Particle Swarm Optimization Algorithm2.2. Deep Deterministic Policy Gradient2.3. Calculation of the Total Output Power of the Quadcopter Battery 3.OptimalEnergyConsumptionPathPlanningBasedonPSO-DDPG3.1.ProblemModell…...

编程日记 2025/6/3 6:36:39