当前位置：首页 > news >正文

【Python・机器学习】多元回归模型（原理及代码）

news 来源：原创 2025/5/26 12:20:13

前言

自学笔记，分享给语言学/语言教育学方向的，但对语言数据处理感兴趣但是尚未入门，却需要在论文中用到的小伙伴，欢迎大佬们补充或绕道。ps：本文最少限度涉及公式讲解（文科生小白友好体质）～（部分讲解会参考知乎等平台）

本文重点：多元回归模型的建立以及在实际语言学数据的处理

【1.多元回归分析的基本原理】

【2.应用条件】

【3.数据实例以及Python代码】

【4.结果分析】

1.多元回归分析的基本原理

多元线性回归用于估计两个或多个自变量与一个因变量之间的线性关系。

其基本思想是,因变量可以表示为自变量的线性组合,加上一个随机误差项。通过最小二乘法估计回归系数,建立回归方程,可以用于预测和解释变量间的关系。

左侧蓝色框代表多个自变量(X₁, X₂, X₃, ...)
右侧橙色框代表因变量(Y)
连接线上的β₁、β₂、β₃表示回归系数，表示各个自变量对因变量的影响程度
底部的回归方程：Y = β₀ + β₁X₁ + β₂X₂ + β₃X₃ + ... + ε
- β₀ 是截距
- β₁, β₂, β₃ 等是回归系数
- ε 是误差项

这种关系表明：

每个自变量都可能对因变量产生影响
影响程度由回归系数β的大小决定
所有自变量的影响是综合的、同时存在的
模型中包含误差项(ε)，表示存在其他未知或未计入的影响因素

2.应用条件

线性关系:因变量与自变量之间存在线性关系。可通过【散点图】初步判断。
误差项正态性:随机误差项服从均值为0的正态分布。
误差项独立性:随机误差项之间相互独立。
方差齐性:不同自变量水平下,因变量的方差相等。
自变量间无多重共线性:自变量之间不存在精确的线性关系。

3.数据实例以及Python代码

下面以一个语言教育学的数据为例,探讨多元回归分析的应用。

该数据包含了影响英语成绩的几个因素:学习时间、词汇量、语法能力和阅读理解能力得分。希望建立一个回归模型来预测英语成绩。

数据实例如下（随机生成）

序号	学习时间 (小时/周)	词汇量 (个)	语法能力 (分)	阅读理解 (分)	英语成绩 (分)
1	7.49	1884	83.94	66.21	73.87
2	8.77	2273	92.22	72.77	86.1
3	8.91	1731	85.51	67.37	77.47
4	9.41	2158	71.53	73.82	78.53
5	7.99	2023	82.66	69.11	77.18
...	...	...	...	...	...

1.导入必要的包和库

# 导入必要的库
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import r2_score, mean_squared_error
import matplotlib.pyplot as plt

2.数据准备（以下数据随机生成，自己有数据的情况下直接读取即可，读取方法在后面）

# 生成模拟数据
np.random.seed(42)  # 设置随机种子，确保结果可重现
n_students = 100    # 生成100名学生的数据# 生成自变量数据
study_time = np.random.normal(8, 2, n_students)  # 学习时间
vocabulary = np.random.normal(2000, 500, n_students)  # 词汇量
grammar_score = np.random.normal(75, 15, n_students)  # 语法能力
reading_score = np.random.normal(70, 10, n_students)  # 阅读理解#创建因变量（英语成绩）
english_score = (0.3 * study_time + 0.25 * vocabulary/100 + 0.25 * grammar_score + 0.2 * reading_score + np.random.normal(0, 5, n_students))# 创建数据框
data = pd.DataFrame({'学习时间': study_time,'词汇量': vocabulary,'语法能力': grammar_score,'阅读理解': reading_score,'英语成绩': english_score
})# 查看数据统计信息
print(data.describe())

输出结果：

# 相关性分析
correlation_matrix = data.corr()
plt.figure(figsize=(10, 8))
sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm', center=0)
plt.title('变量相关性热力图')
plt.tight_layout()
plt.show()

3.回归模型建立

# 准备建模数据（如果是从excel/csv文件读取的话需要替换相应的变量名,读取方法参考最后）
X = data[['学习时间', '词汇量', '语法能力', '阅读理解']]
y = data['英语成绩']# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)# 建立并训练模型
model = LinearRegression()
model.fit(X_train, y_train)

这部分将数据划分为训练集和测试集，并使用线性回归建立模型。

4.模型评估

# 打印模型系数
print("\n回归系数：")
for feature, coef in zip(X.columns, model.coef_):print(f"{feature}: {coef:.4f}")
print(f"截距: {model.intercept_:.4f}")# 模型评估
y_pred = model.predict(X_test)
r2 = r2_score(y_test, y_pred)
mse = mean_squared_error(y_test, y_pred)
print(f"\n模型评估：")
print(f"R² 分数: {r2:.4f}")
print(f"均方误差: {mse:.4f}")

这部分展示了每个变量的回归系数，以及模型的R²值和均方误差。

输出结果：

5.预测示例

# 预测示例
example_student = pd.DataFrame({'学习时间': [10],'词汇量': [2500],'语法能力': [85],'阅读理解': [80]
})
predicted_score = model.predict(example_student)
print(f"\n示例预测：")
print(f"对于学习时间为10小时/周、词汇量2500词、语法85分、阅读理解80分的学生：")
print(f"预测英语成绩为: {predicted_score[0]:.2f}")

6.可视化预测结果

# 可视化预测结果
plt.figure(figsize=(10, 6))
plt.scatter(y_test, y_pred, alpha=0.5)
plt.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], 'r--', lw=2)
plt.xlabel('Actual Score')
plt.ylabel('Predicted Score')
plt.title('Predicted vs Actual Scores')
plt.tight_layout()
plt.show()

▷从excel 或者csv文件中读取数据的情况

# 读取Excel文件（路径按需修改）
excel_data = read_excel_file("language_education.xlsx")# 读取CSV文件（路径按需修改）
csv_data = read_csv_file("language_education.csv")# 读取自变量/因变量（以excel文件为例）
X, y = read_variables_by_names("language_education.xlsx",dependent_var='英语成绩',independent_vars=['词汇量', '语法能力', '阅读理解']
)#之后代码相通，记得修改变量名即可

完整代码如下：

# 导入必要的库
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import r2_score, mean_squared_error
import matplotlib.pyplot as plt# 生成模拟数据
np.random.seed(42)  # 设置随机种子，确保结果可重现# 生成100名学生的数据
n_students = 100# 生成自变量数据
study_time = np.random.normal(8, 2, n_students)  # 平均8小时/周，标准差2
vocabulary = np.random.normal(2000, 500, n_students)  # 平均2000词，标准差500
grammar_score = np.random.normal(75, 15, n_students)  # 平均75分，标准差15
reading_score = np.random.normal(70, 10, n_students)  # 平均70分，标准差10# 生成因变量（英语成绩）
# 设定一些权重来模拟各因素对成绩的影响
english_score = (0.3 * study_time + 0.25 * vocabulary/100 + 0.25 * grammar_score + 0.2 * reading_score + np.random.normal(0, 5, n_students))  # 添加一些随机噪声# 创建数据框
data = pd.DataFrame({'学习时间': study_time,'词汇量': vocabulary,'语法能力': grammar_score,'阅读理解': reading_score,'英语成绩': english_score
})# 查看数据的基本统计信息
print("\n数据基本统计信息：")
print(data.describe())# 准备建模数据
X = data[['学习时间', '词汇量', '语法能力', '阅读理解']]
y = data['英语成绩']# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 建立并训练模型
model = LinearRegression()
model.fit(X_train, y_train)# 打印模型系数
print("\n回归系数：")
for feature, coef in zip(X.columns, model.coef_):print(f"{feature}: {coef:.4f}")
print(f"截距: {model.intercept_:.4f}")# 模型评估
y_pred = model.predict(X_test)
r2 = r2_score(y_test, y_pred)
mse = mean_squared_error(y_test, y_pred)
print(f"\n模型评估：")
print(f"R² 分数: {r2:.4f}")
print(f"均方误差: {mse:.4f}")# 预测示例
example_student = pd.DataFrame({'学习时间': [10],'词汇量': [2500],'语法能力': [85],'阅读理解': [80]
})
predicted_score = model.predict(example_student)
print(f"\n示例预测：")
print(f"对于学习时间为10小时/周、词汇量2500词、语法85分、阅读理解80分的学生：")
print(f"预测英语成绩为: {predicted_score[0]:.2f}")# 可视化预测结果
plt.figure(figsize=(10, 6))
plt.scatter(y_test, y_pred, alpha=0.5)
plt.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], 'r--', lw=2)
plt.xlabel('Actual Score')
plt.ylabel('Predicted Score')
plt.title('Predicted vs Actual Scores')
plt.tight_layout()
plt.show()

4.结果分析：

1.回归系数解释

学习时间: 0.1710
- 含义：每增加1小时的学习时间，预期英语成绩会增加0.171分
- 影响程度相对较小
词汇量: 0.0050
- 含义：每增加1个词汇量，预期英语成绩会增加0.005分
- 看似很小，但考虑到词汇量通常以百或千为单位增长，实际影响不小
- 例如：增加100个词汇量，预期成绩增加0.5分
语法能力: 0.2181
- 含义：语法测试分数每提高1分，预期英语成绩会增加0.218分
- 影响程度中等
阅读理解: 0.3077
- 含义：阅读理解分数每提高1分，预期英语成绩会增加0.308分
- 在所有因素中影响最大

2.模型评估指标解释

R² (R平方) = 0.4948
- 含义：模型可以解释约49.48%的英语成绩变异
- 这个R²值表明模型的拟合程度一般，还有约50%的变异无法被当前自变量解释
- 说明可能还有其他重要因素影响英语成绩未被纳入模型
MSE（均方误差）= 33.0542
- 含义：预测值与实际值的平均偏差的平方
- 开平方后约为5.75分，表示预测值平均偏离实际值约5.75分
- 这个误差相对于英语成绩的总分范围来说中等偏大

3.结论和建议

阅读理解能力对英语成绩的影响最大，应优先提升
语法能力的影响次之
学习时间的效果相对较小，可能需要关注学习效率而不仅是时间投入
模型的预测能力一般，建议：
- 考虑增加其他相关变量（如听力能力、口语水平等）
- 可能存在非线性关系，考虑使用更复杂的模型
- 增加样本量以提高模型稳定性

4.实践意义

教学重点应放在提升阅读理解和语法能力上
单纯增加学习时间的收益可能有限
在预测学生成绩时，需要考虑较大的误差范围

本文展示了多元回归分析的基本实现流程。在实际应用中，还可以使用交叉检验评估模型稳定性。

按需更新！

【Python・机器学习】多元回归模型（原理及代码）

前言自学笔记，分享给语言学/语言教育学方向的，但对语言数据处理感兴趣但是尚未入门，却需要在论文中用到的小伙伴，欢迎大佬们补充或绕道。ps：本文最少限度涉及公式讲解（文科生小白友好体质）&am…...

编程日记 2025/5/26 12:20:13

ubuntu20.04安装使用direct_visual_lidar_calibration标定雷达和相机

官方链接GitHub - koide3/direct_visual_lidar_calibration: A toolbox for target-less LiDAR-camera calibration [ROS1/ROS2] 官方安装方式 Installation - direct_visual_lidar_calibration 安装依赖 sudo apt install libomp-dev libboost-all-dev libglm-dev libglfw…...

编程日记 2025/5/21 3:27:16

Android 自定义View时四个构造函数使用详解

该文章我们以自定义View继承TextView为例来讲解创建自定义View命名MyTextView，并使其继承TextView 1、自定义View时第一个构造函数 // 第一个构造函数主要是在Java代码中声明一个MyTextView时所用 // 类似这种(MyTextView myTextViewnew MyTextView(this);) // 不…...

编程日记 2025/5/24 21:59:18

linux中关闭服务的开机自启动

引言 systemctl 是 Linux 系统中用于管理 systemd 服务的命令行工具。它可以用来启动、停止、重启服务，管理服务的开机自启动，以及查看服务的状态等。什么是 systemd？ systemd 是现代 Linux 发行版中默认的初始化系统（init sys…...

编程日记 2025/5/26 5:50:32

【go语言】go的卸载与安装

一、卸载go sudo rm -rf /usr/local/go sudo apt-get remove golang sudo apt-get remove golang-go sudo apt-get autoremove wget https://dl.google.com/go/go1.19.linux-amd64.tar.gz sudo tar -xzf go1.19.linux-amd64.tar.gz -C /usr/local go env -w GOPROXY"http…...

编程日记 2025/5/23 3:49:20

微软Win10 RP 19045.5435(KB5050081)预览版发布!

系统之家1月20日最新报道，微软面向Release Preview频道的Windows Insider项目成员，发布了适用于Windows10 22H2版本的KB5050081更新，更新后系统版本号将升至19045.5435。本次更新增加了对GB18030-2022标准的支持，同时新版日历将为…...

编程日记 2025/5/20 5:37:05

VUE elTree 无子级隐藏展开图标

这4个并没有下级节点，即它并不是叶子节点，就不需求展示前面的三角展开图标! 查阅官方文档如下描述，支持bool和函数回调处理，这里咱们选择更灵活的函数回调实现。给el-tree结构配置一下props，注意！ :pr…...

编程日记 2025/5/23 4:02:05

python实现代理服务器转换

使用 http.server 模块和 requests 库来实现，代理服务器可拦截匹配指定路径的 HTTP 请求，并打印或存储请求头和响应体。实现目标： 1、创建一个HTTP代理服务器。 2、代理所有流量，而对指定的接口（如 /api/target&#…...

编程日记 2025/5/26 7:19:46

计算机网络三张表（ARP表、MAC表、路由表）总结

参考： 网络三张表：ARP表, MAC表, 路由表，实现你的网络自由！！_mac表、arp表、路由表-CSDN博客网络中的三张表：ARP表、MAC表、路由表首先要明确一件事，如果一个主机要发送数据，那么必…...

编程日记 2025/5/25 17:13:28

Dangerzone：免费的危险的文件转换安全程序

我们知道很多杀毒软件会将很多文件视作恶意程序，尤其是带宏病毒的DOC文件，直接删除难免会带来不必要的麻烦，那么推荐一款免费的危险的文件转换安全程序：Dangerzone 。它可以检查各种可能有危险的文件并将其转换为安全版本&#xf…...

编程日记 2025/5/24 15:33:37

2025/1/21 学习Vue的第四天

睡觉。 --------------------------------------------------------------------------------------------------------------------------------- 11.Object.defineProperty 1.在我们之前学习JS的时候，普通得定义一个对象与属性。 <!DOCTYPE html> <h…...

编程日记 2025/5/23 16:46:22

【IEEE Fellow 主讲报告| EI检索稳定】第五届机器学习与智能系统工程国际学术会议（MLISE 2025）

重要信息会议时间地点：2025年6月13-15日中国深圳会议官网：http://mlise.org EI Compendex/Scopus稳定检索会议简介第五届机器学习与智能系统工程国际学术会议将于6月13-15日在中国深圳隆重召开。本次会议旨在搭建一个顶尖的学术交流平台&#xf…...

编程日记 2025/5/22 13:34:16

如何使用虚拟现实技术有效提升模拟训练效率

虚拟现实（VR）技术在模拟训练中的应用正逐步展现其巨大的潜力，通过提供高度沉浸式的体验、灵活的训练场景和精准的数据分析，显著提升训练效率。本文将结合Varjo XR-4头显、Techviz多通道显示软件、Senseglove虚拟现实手套等具体案例…...

编程日记 2025/5/22 10:17:52

OpenEuler学习笔记（十一）：OpenEuler上搭建LAMP环境

LAMP环境指的是Linux、Apache、MySQL（或MariaDB）和PHP的组合，下面为你介绍在OpenEuler上搭建LAMP环境的详细步骤： 1. 系统更新首先要更新系统中的软件包，保证系统处于最新状态。 sudo dnf update -y2. 安装Apache…...

编程日记 2025/5/25 1:21:34

Anaconda安装（2024最新版）

安装新的anaconda需要卸载干净上一个版本的anaconda，不然可能会在新版本安装过程或者后续使用过程中出错，完全卸载干净anaconda的方法，可以参考我的博客！ 第一步：下载anaconda安装包官网：Anaconda | The O…...

编程日记 2025/5/25 23:11:44

【玩转全栈】----YOLO8训练自己的模型并应用

继上篇： 【玩转全栈】---基于YOLO8的图片、视频目标检测-CSDN博客相信大家已经可以训练一些图片和视频了，接下来我将为大家介绍如何训练自己的特定模型，并用其进行检测目录准备数据图片数据标识数据配置文件运行测试训练结果存在的问…...

编程日记 2025/5/22 22:25:54

计算机视觉算法实战——无人机检测

✨个人主页欢迎您的访问 ✨期待您的三连 ✨ ✨个人主页欢迎您的访问 ✨期待您的三连 ✨ ✨个人主页欢迎您的访问 ✨期待您的三连✨ 1. 引言✨✨ 随着无人机技术的快速发展，无人机在农业、物流、监控等领域的应用越来越广泛。然而，无人机的滥用也带…...

编程日记 2025/5/25 1:20:31

css粘性定位超出指定宽度失效问题

展示效果解决办法：外层容器添加display:grid即可完整代码 <template><div class"box"><div class"line" v-for"items in 10"><div class"item" v-for"item in 8">drgg</div>&…...

编程日记 2025/5/26 10:34:50

⽤vector数组实现树的存储（孩⼦表示法）c++

在我们遇到的算法题中， ⼀般给出的树结构都是有编号的，这样会简化我们之后存储树的操作 ，⼀般提供两个信息； 结点的个数 n;n-1条x结点与y结点相连的边题⽬描述: ⼀共9个结点셈 1号结点为根节点，接下来8⾏&#xff…...

编程日记 2025/5/25 1:19:50

高级java每日一道面试题-2025年01月23日-数据库篇-主键与索引有什么区别 ?

如果有遗漏,评论区告诉我进行补充面试官: 主键与索引有什么区别 ? 我回答: 一、主键（Primary Key） 1. 定义主键是关系型数据库中的一条记录中的某个属性组（可以是一个字段或多个字段的组合），用于唯一标识一条记…...

编程日记 2025/5/25 17:59:19

spring aop 中返回值

使用环绕切面 Around(value "requsetInterceptor()")public Object logExectionTime(ProceedingJoinPoint joinPoint) throws Throwable {logger.info("-------logExectionTime--------");if(isRun){Object proceed joinPoint.proceed(); // 执行目标方…...

编程日记 2025/5/25 22:56:06

总结7。。

二叉树的遍历是指按某条搜索路径访问树中的每个结点，使得每个结点均被访问一次，而且仅能访问一次（说明不可二次访问，一遍而过）。遍历一颗二叉树便要决定对根结点N、左子树L和右子树的访问顺序。二叉树常的的遍历方法有…...

编程日记 2025/5/26 5:52:09

9.中断系统、EXTI外部中断

中断系统原理中断中断系统是管理和执行中断的逻辑结构，外部中断是众多能产生中断的外设之一，所以本节我们就借助外部中断来学习一下中断系统。在以后学习其它外设的时候，也是会经常和中断打交道的。中断：在主程序运行过程中…...

编程日记 2025/5/23 19:23:52

【软件测试项目实战】淘宝网：商品购买功能测试

一、用例设计方法分析在对淘宝网商品下单功能进行测试时，不同的测试角度和场景适合运用不同的用例设计方法，以下是针对该功能各方面测试所适用方法及其原因的分析： 商品数量相关测试：对于商品数量的测试，主要采用等…...

编程日记 2025/5/24 16:13:12

TangoFlux 本地部署实用教程：开启无限音频创意脑洞

一、介绍 TangoFlux是通过流匹配和 Clap-Ranked 首选项优化，实现超快速、忠实的文本到音频生成的模型。本模型由 Stability AI 提供支持🚀 TangoFlux 可以在单个 A40 GPU 上在 ~3 秒内生成长达 34.1kHz 的立体声音频。二、部署安装方式非常简单 1…...

编程日记 2025/5/24 5:59:52

Android多语言开发自动化生成工具

在做 Android 开发的过程中，经常会遇到多语言开发的场景，尤其在车载项目中，多语言开发更为常见。对应多语言开发，通常都是在中文版本的基础上开发其他国家语言，这里我们会拿到中-外语言对照表，这里的工作难…...

编程日记 2025/5/24 14:08:14

Mac cursor设置jdk、Maven版本

基本配置 – Cursor 使用文档首先是系统用户级别的设置参数，运行cursor，按下ctrlshiftp，输入Open User Settings(JSON)，在弹出的下拉菜单中选中下面这样的： 在打开的json编辑器中追加下面的内容： {"…...

编程日记 2025/5/20 20:26:31

Unity中在UI上画线

在UI中画一条曲线我封装了一个组件,可以实现基本的画线需求. 效果按住鼠标左键随手一画. 用起来也很简单,将组件挂到空物体上就行了,红色的背景是Panel. 你可以将该组件理解为一个Image,只不过形状更灵活一些罢了,所以它要放在下面的层级(不然可能会被挡住). 代码可以…...

编程日记 2025/5/21 10:21:29

Unity中关于实现管道水流+瀑布流动+大肠蠕动效果笔记

Unity中关于实现管道水流瀑布流动大肠蠕动效果笔记效果展示： 参考资料及链接： 1、如何在 Unity 中创建水效果 - 水弯曲教程 https://www.youtube.com/watch?v3CcWus6d_B8 关于补充个人技能中：顶点噪波影响网格着色器配合粒子实现水特效 …...

编程日记 2025/5/24 4:42:55

【ARTS】【LeetCode-704】二分查找算法

目录前言什么是ARTS？ 算法力扣704题二分查找基本思想： 二分查找算法(递归的方式): 经典写法(找单值): 代码分析: 经典写法(找数组即多个返回值) 代码分析经典题目题目描述： 官方题解深入思考模版一 (相错终止/左闭右闭) 相等返回情形…...

编程日记 2025/5/20 7:44:07

JavaWeb 学习笔记 XML 和 Json 篇 | 020

今日推荐语愿你遇见好天气,愿你的征途铺满了星星——圣埃克苏佩里日期学习内容打卡编号2025年01月23日JavaWeb笔记 XML 和 Json 篇020 前言哈喽，我是菜鸟阿康。以下是我的学习笔记，既做打卡也做分享，希望对你也有所帮助…...

编程日记 2025/5/22 10:21:19

【LeetCode】--- MySQL刷题集合

1.组合两个表（外连接） select p.firstName,p.lastName,a.city,a.state from Person p left join Address a on p.personId a.personId; 以左边表为基准，去连接右边的表。取两表的交集和左表的全集 2.第二高的薪水 （子查询、if…...

编程日记 2025/5/26 6:53:32

【深度解析Java 20天速成】04_IDEA的安装与使用

【Why IDEA ?】【注】JetBrains官方说明： 尽管我们采取了多种措施确保受访者的代表性，但结果可能会略微偏向 JetBrains 产品的用户，因为这些用户更有可能参加调查。此外，2022年，某美国软件开发商在对近千名专业的Ja…...

编程日记 2025/5/26 8:33:46

系统思考—业务协同

最近在和一些客户的沟通中，企业老板都提到一个共同的困惑：每个部门都感觉自己在解决问题，做了正确的事情，但为什么组织的绩效就是没有增长？更糟糕的是，大家都不知道问题到底出在哪里？ 在这种情…...

编程日记 2025/5/22 11:52:56

windows安装ES

1. 下载ES 访问ES官网下载Download Elasticsearch | Elastic 2. 配置环境变量 ES_JAVA_HOME : D:\jdk-17.0.9 ES_HOME : D:\elasticsearch-8.17.1-windows-x86_64\elasticsearch-8.17.1 3. 添加一些ES的配置 <1>关闭ES安全认证打开elasticsearch-8.17.1\config\e…...

编程日记 2025/5/24 15:57:48

[java] java基础-字符串篇

目录 API String 创建字符串对象的两种方式： Java的内存模型字符串常量池（串池）存放地址两种构造方法的内存分析 String的常用方法号比较的是什么字符串比较（比较字符串的数据值） 遍历字符串 StringBui…...

编程日记 2025/5/22 5:47:07

告别手动编辑:如何用Python快速创建Ansible hosts文件?

在自动化运维领域，Ansible是一款非常强大的工具，它可以帮助我们管理和配置大量的服务器。为了让Ansible能够有效地管理这些服务器，我们需要一个hosts清单文件，该文件定义了Ansible要管理的目标主机。在实际应用中，我们…...

编程日记 2025/5/22 19:43:24

神经网络|(二)sigmoid神经元函数

【1】引言在前序学习进程中，我们已经了解了基本的二元分类器和神经元的构成，文章学习链接为： 神经网络|(一)加权平均法，感知机和神经元-CSDN博客在此基础上，我们认识到神经元本身在做二元分类，是一种非…...

编程日记 2025/5/23 19:08:23

DAY6,使用互斥锁和信号量分别实现5个线程之间的同步

题目请使用互斥锁和信号量分别实现5个线程之间的同步代码：信号量实现 void* task1(void* arg); void* task2(void* arg); void* task3(void* arg); void* task4(void* arg); void* task5(void* arg);sem_t sem[5]; //信号量变量int main(int argc, const …...

编程日记 2025/5/20 17:46:53

Redis 集群模式入门

Redis 集群模式入门一、简介 Redis 有三种集群模式：主从模式、Sentinel 哨兵模式、cluster 分片模式主从复制（Master-Slave Replication）: 在这种模式下，数据可以从一个 Redis 实例（主节点 Master）复…...

编程日记 2025/5/22 16:21:46

计算机网络（55）流失存储音频/视频

一、定义与特点定义：流式存储音频/视频是指经过压缩并存储在服务器上的多媒体文件，客户端可以通过互联网边下载边播放这些文件，也称为音频/视频点播。特点： 边下载边播放：用户无需等待整个文件下载完成即可开始播放…...

编程日记 2025/5/23 20:28:57

vue + element-ui 组件样式缺失导致没有效果

失效代码： 修改方法： 在main.js文件里面加上： import element-ui/lib/theme-chalk/index.css; 最后：...

编程日记 2025/5/24 15:39:30

在 Windows 11 中为 SMB 3.x 文件共享协议提供 RDMA 支持

注：机翻，未校。 Enable SMB Direct in Windows 11 在 Windows 11 中启用 SMB Direct Provides RDMA support for the SMB 3.x file sharing protocol 为 SMB 3.x 文件共享协议提供 RDMA 支持 Vigneshwaran Vijayakumar November 3, 2024 Last Updat…...

编程日记 2025/5/22 11:25:05

250123-对象的比较（equals()和==）

1. Object类中的equals()方法见20250103-Object类，使用构造函数创建的两个对象，见下例，即使输入参数是相同的，比较结果仍是不同，因为对象的堆内存地址不同，在任何情况下使用关键字new都会开辟出一个新的内…...

编程日记 2025/5/21 16:40:18

UE求职Demo开发日志#6 测试用强化页面UI搭建

1 反向实现思路设计先看最终效果： 先做了一个大致的分区，右侧的上半部分用来显示数据，下半部分用来强化和显示需要的材料，至于这个背景设定上强化应该叫什么，。。。。，还没定，反正应该不叫强…...

编程日记 2025/5/25 15:16:32

华为支付接入规范

为了确保用户获得良好的支付体验，Payment Kit制定了相关接入设计规范，请开发者遵照执行，具体要求（非强制性）如下： 一、支付方式呈现涉及支付公司名称，请统一使用：花瓣支付&#xff…...

编程日记 2025/5/24 15:38:12

论文速读|Matrix-SSL：Matrix Information Theory for Self-Supervised Learning.ICML24

论文地址：Matrix Information Theory for Self-Supervised Learning 代码地址：https://github.com/yifanzhang-pro/matrix-ssl bib引用： article{zhang2023matrix,title{Matrix Information Theory for Self-Supervised Learning},author{Zh…...

编程日记 2025/5/26 10:52:22