当前位置：首页 > news >正文

4、PyTorch 第一个神经网络，手写神经网络的基本部分组成

news 来源：原创 2025/5/19 10:32:05

假设有一个二维数据集，目标是根据点的位置将它们分类到两个类别中（例如，红色和蓝色点）。

以下实例展示了如何使用神经网络完成简单的二分类任务，为更复杂的任务奠定了基础，通过 PyTorch 的模块化接口，神经网络的构建、训练和可视化都非常直观。

1、数据准备

首先，生成一些二维数据：

import torch
import torch.nn as nn
import torch.optim as optim
import matplotlib.pyplot as plt# 生成一些随机数据
n_samples = 100
data = torch.randn(n_samples, 2)  # 生成 100 个二维数据点
labels = (data[:, 0]**2 + data[:, 1]**2 < 1).float().unsqueeze(1)  # 点在圆内为1，圆外为0# 可视化数据
plt.scatter(data[:, 0], data[:, 1], c=labels.squeeze(), cmap='coolwarm')
plt.title("Generated Data")
plt.xlabel("Feature 1")
plt.ylabel("Feature 2")
plt.show()

数据说明：

data 是输入的二维点，每个点有两个特征。
labels 是目标分类，点在圆形区域内为 1，否则为 0。

如图：

2、定义神经网络

用 PyTorch 创建一个简单的前馈神经网络。

前馈神经网络使用了一层隐藏层，通过简单的线性变换和激活函数捕获数据的非线性模式。

前馈神经网络：前馈神经网络（Feedforward Neural Network，FNN）是一种人工神经网络，信息单向从输入层流向输出层，没有反馈或循环连接。

class SimpleNN(nn.Module):def __init__(self):super(SimpleNN, self).__init__()# 定义神经网络的层self.fc1 = nn.Linear(2, 4)  # 输入层有 2 个特征，隐藏层有 4 个神经元self.fc2 = nn.Linear(4, 1)  # 隐藏层输出到 1 个神经元（用于二分类）self.sigmoid = nn.Sigmoid()  # 二分类激活函数def forward(self, x):x = torch.relu(self.fc1(x))  # 使用 ReLU 激活函数x = self.sigmoid(self.fc2(x))  # 输出层使用 Sigmoid 激活函数return x# 实例化模型
model = SimpleNN()

3、定义损失函数和优化器

# 定义二分类的损失函数和优化器
criterion = nn.BCELoss()  # 二元交叉熵损失
optimizer = optim.SGD(model.parameters(), lr=0.1)  # 使用随机梯度下降优化器

4、训练模型

# 训练
epochs = 100
for epoch in range(epochs):# 前向传播outputs = model(data)loss = criterion(outputs, labels)# 反向传播optimizer.zero_grad()loss.backward()optimizer.step()# 每 10 轮打印一次损失if (epoch + 1) % 10 == 0:print(f'Epoch [{epoch + 1}/{epochs}], Loss: {loss.item():.4f}')

5、测试模型并可视化结果

# 可视化决策边界
def plot_decision_boundary(model, data):x_min, x_max = data[:, 0].min() - 1, data[:, 0].max() + 1y_min, y_max = data[:, 1].min() - 1, data[:, 1].max() + 1xx, yy = torch.meshgrid(torch.arange(x_min, x_max, 0.1), torch.arange(y_min, y_max, 0.1), indexing='ij')grid = torch.cat([xx.reshape(-1, 1), yy.reshape(-1, 1)], dim=1)predictions = model(grid).detach().numpy().reshape(xx.shape)plt.contourf(xx, yy, predictions, levels=[0, 0.5, 1], cmap='coolwarm', alpha=0.7)plt.scatter(data[:, 0], data[:, 1], c=labels.squeeze(), cmap='coolwarm', edgecolors='k')plt.title("Decision Boundary")plt.show()plot_decision_boundary(model, data)

完整代码如下：

import torch
import torch.nn as nn
import torch.optim as optim
import matplotlib.pyplot as plt# 生成一些随机数据
n_samples = 100
data = torch.randn(n_samples, 2)  # 生成 100 个二维数据点
labels = (data[:, 0]**2 + data[:, 1]**2 < 1).float().unsqueeze(1)  # 点在圆内为1，圆外为0# 可视化数据
plt.scatter(data[:, 0], data[:, 1], c=labels.squeeze(), cmap='coolwarm')
plt.title("Generated Data")
plt.xlabel("Feature 1")
plt.ylabel("Feature 2")
plt.show()# 定义前馈神经网络
class SimpleNN(nn.Module):def __init__(self):super(SimpleNN, self).__init__()# 定义神经网络的层self.fc1 = nn.Linear(2, 4)  # 输入层有 2 个特征，隐藏层有 4 个神经元self.fc2 = nn.Linear(4, 1)  # 隐藏层输出到 1 个神经元（用于二分类）self.sigmoid = nn.Sigmoid()  # 二分类激活函数def forward(self, x):x = torch.relu(self.fc1(x))  # 使用 ReLU 激活函数x = self.sigmoid(self.fc2(x))  # 输出层使用 Sigmoid 激活函数return x# 实例化模型
model = SimpleNN()# 定义损失函数和优化器
criterion = nn.BCELoss()  # 二元交叉熵损失
optimizer = optim.SGD(model.parameters(), lr=0.1)  # 使用随机梯度下降优化器# 训练
epochs = 100
for epoch in range(epochs):# 前向传播outputs = model(data)loss = criterion(outputs, labels)# 反向传播optimizer.zero_grad()loss.backward()optimizer.step()# 每 10 轮打印一次损失if (epoch + 1) % 10 == 0:print(f'Epoch [{epoch + 1}/{epochs}], Loss: {loss.item():.4f}')# 可视化决策边界
def plot_decision_boundary(model, data):x_min, x_max = data[:, 0].min() - 1, data[:, 0].max() + 1y_min, y_max = data[:, 1].min() - 1, data[:, 1].max() + 1xx, yy = torch.meshgrid(torch.arange(x_min, x_max, 0.1), torch.arange(y_min, y_max, 0.1), indexing='ij')grid = torch.cat([xx.reshape(-1, 1), yy.reshape(-1, 1)], dim=1)predictions = model(grid).detach().numpy().reshape(xx.shape)plt.contourf(xx, yy, predictions, levels=[0, 0.5, 1], cmap='coolwarm', alpha=0.7)plt.scatter(data[:, 0], data[:, 1], c=labels.squeeze(), cmap='coolwarm', edgecolors='k')plt.title("Decision Boundary")plt.show()plot_decision_boundary(model, data)

下面是另外一个例子，基于 PyTorch 实现的简单前馈神经网络（Feedforward Neural Network），用于手写数字识别（MNIST 数据集）。代码包含详细注释，适合学习和快速运行。

直接给完整代码：

import torch
import torch.nn as nn
import torch.optim as optim
import torchvision
from torchvision import transforms# 设置设备（GPU 或 CPU）
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")# 1. 数据加载与预处理
transform = transforms.Compose([transforms.ToTensor(),  # 将图像转换为张量 [0, 1]transforms.Normalize((0.5,), (0.5,))  # 归一化到 [-1, 1]
])# 加载 MNIST 数据集
train_dataset = torchvision.datasets.MNIST(root='./data', train=True, download=True, transform=transform
)
test_dataset = torchvision.datasets.MNIST(root='./data', train=False, download=True, transform=transform
)# 创建数据加载器
batch_size = 64
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=batch_size, shuffle=True
)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=batch_size, shuffle=False
)# 2. 定义神经网络结构
class NeuralNetwork(nn.Module):def __init__(self):super(NeuralNetwork, self).__init__()self.flatten = nn.Flatten()  # 将输入图像展平为向量（28x28 → 784）self.linear_relu_stack = nn.Sequential(nn.Linear(28*28, 512),   # 输入层 → 隐藏层（512个神经元）nn.ReLU(),               # 激活函数nn.Linear(512, 10)       # 隐藏层 → 输出层（10个类别）)def forward(self, x):x = self.flatten(x)logits = self.linear_relu_stack(x)return logits# 初始化模型并移动到设备
model = NeuralNetwork().to(device)
print(model)# 3. 定义损失函数和优化器
loss_fn = nn.CrossEntropyLoss()  # 交叉熵损失
optimizer = optim.Adam(model.parameters(), lr=0.001)  # Adam 优化器# 4. 训练循环
def train(model, dataloader, loss_fn, optimizer):model.train()total_loss = 0for batch, (X, y) in enumerate(dataloader):X, y = X.to(device), y.to(device)# 前向传播pred = model(X)loss = loss_fn(pred, y)total_loss += loss.item()# 反向传播与优化optimizer.zero_grad()loss.backward()optimizer.step()avg_loss = total_loss / len(dataloader)return avg_loss# 5. 测试循环
def test(model, dataloader):model.eval()correct = 0total = 0with torch.no_grad():for X, y in dataloader:X, y = X.to(device), y.to(device)pred = model(X)_, predicted = torch.max(pred.data, 1)total += y.size(0)correct += (predicted == y).sum().item()accuracy = correct / totalreturn accuracy# 6. 开始训练与测试
epochs = 5
for epoch in range(epochs):train_loss = train(model, train_loader, loss_fn, optimizer)test_acc = test(model, test_loader)print(f"Epoch {epoch+1}/{epochs} | Train Loss: {train_loss:.4f} | Test Acc: {test_acc*100:.2f}%")# 7. 保存模型（可选）
torch.save(model.state_dict(), "mnist_model.pth")

输出示例：

Epoch 1/5 | Train Loss: 0.2345 | Test Acc: 95.32%
Epoch 2/5 | Train Loss: 0.1023 | Test Acc: 96.87%
...

4、PyTorch 第一个神经网络，手写神经网络的基本部分组成

假设有一个二维数据集，目标是根据点的位置将它们分类到两个类别中（例如，红色和蓝色点）。以下实例展示了如何使用神经网络完成简单的二分类任务，为更复杂的任务奠定了基础，通过 PyTorch 的模块化接口&#…...

编程日记 2025/5/19 10:32:05

Vue实现div滚动，并且支持top动态滚动

如果你知道距离目标 div 顶部的像素值，并希望通过传入 top 参数来实现滚动到对应区域，可以使用 window.scrollTo 方法。编写滚动方法 const scrollToDiv (targetDiv, top) > {if (targetDiv) {top top * targetDiv.value.scrollHeight / data.he…...

编程日记 2025/5/19 10:30:41

【QT】- QUdpSocket

QUdpSocket 是 Qt 自带的一个类，属于 Qt 网络模块，用于进行 UDP（用户数据报协议） 通信。它提供了简便的接口来发送和接收 UDP 数据报（datagrams）。 UDP 是一种无连接的协议，适用于那些不需要确…...

编程日记 2025/5/6 19:51:34

WGCLOUD运维工具从入门到精通 - 如何设置主题背景

需要升级到WGCLOUD的v3.5.7或者以上版本，才会支持自定义设置主题背景色 WGCLOUD下载：www.wgstart.com 我们登录后，在右上角点击如下的小图标，就可以设置主题背景色了，包括：经典白（默认&#x…...

编程日记 2025/5/10 8:48:24

【Elasticsearch】中数据流需要配置索引模板吗？

是的，数据流需要配置索引模板。在Elasticsearch中，数据流（Data Streams）是一种用于处理时间序列数据的高级结构，它背后由多个隐藏的索引组成，这些索引被称为后备索引（Backing Indices&#xff0…...

编程日记 2025/5/8 0:18:44

Python 合并 Excel 单元格

合并 Excel 单元格是 Excel 数据处理和表格设计中的一项常用操作。例如，在制作表格标题时，经常会将多个单元格合并，使标题能够跨列显示，更加醒目和美观。此外，当对数据进行分类时，为了使同一类别的数据在视…...

编程日记 2025/5/13 5:08:15

C++中左值和右值的概念

文章目录一、概要二、左值（Lvalue）二、右值（Rvalue）三、左值引用和右值引用四、左值和右值的使用场景五、总结一、概要在 C 中，左值（Lvalue）和右值（Rvalue）是两个非常…...

编程日记 2025/5/17 1:58:15

27.日常算法

1. 最后一个单词的长度题目来源给你一个字符串 s，由若干单词组成，单词前后用一些空格字符隔开。返回字符串中最后一个单词的长度。单词是指仅由字母组成、不包含任何空格字符的最大子字符串。示例 1： 输入：s “Hello Wor…...

编程日记 2025/5/14 17:42:22

动态规划DP 数字三角形模型传纸条（题目分析+C++完整代码）

传纸条原题链接 AcWing 275. 传纸条题目描述小渊和小轩是好朋友也是同班同学，他们在一起总有谈不完的话题。一次素质拓展活动中，班上同学安排坐成一个 m行 n 列的矩阵，而小渊和小轩被安排在矩阵对角线的两端，因此&#x…...

编程日记 2025/5/18 16:31:32

目录一、安装Spark 二、Spark基本操作一、安装Spark pip3 install pyspark 二、Spark基本操作 # 导入spark的SparkContext,SparkConf模块 from pyspark import SparkContext, SparkConf # 导入os模块 import os # 设置PYSPARK的python环境 os.environ[PYSPARK_PYTHON] &…...

编程日记 2025/5/17 15:49:55

.NET Core缓存

目录缓存的概念客户端响应缓存 cache-control 服务器端响应缓存内存缓存（In-memory cache） 用法 GetOrCreateAsync 缓存过期时间策略缓存的过期时间解决方法： 两种过期时间策略： 绝对过期时间滑动过期时间两…...

编程日记 2025/5/17 18:47:35

IoTDB 2025 春节值班与祝福

2025 春节快乐瑞蛇迎吉庆，祥光映华年，2025 春节已近在眼前。社区祝福 IoTDB 的所有关注者、支持者、使用者 2025 新年快乐，“蛇”来运转！ IoTDB 团队的春节放假时间为 2025 年 1 月 27 日至 2 月 4 日，1 月 25 日、26…...

编程日记 2025/5/14 22:09:02

Qt Ribbon使用实例

采用SARibbon创建简单的ribbon界面实例代码如下所示： 1、头文件： #pragma once #include <SARibbonBar.h> #include "SARibbonMainWindow.h" class QTextEdit; class SAProjectDemo1 : public SARibbonMainWindow { Q_OBJECT pub…...

编程日记 2025/5/6 17:14:55

maven的打包插件如何使用

默认的情况下，当直接执行maven项目的编译命令时，对于结果来说是不打第三方包的，只有一个单独的代码jar，想要打一个包含其他资源的完整包就需要用到maven编译插件，使用时分以下几种情况第一种：当只是想单纯…...

编程日记 2025/5/18 5:21:39

Linux——rzsz工具

rzsz这个工具用于 windows 机器和远端的 Linux 机器通过 XShell 传输文件. 安装完毕之后可以通过拖拽的方式将文件上传过去. 安装rzsz工具 rz：从Windows机器上传到远程Linux机器（或者直接把文件托进Xshell中） sz：将文件从Linux远…...

编程日记 2025/5/8 5:21:42

航空客户价值的数据挖掘与分析（numpy+pandas+matplotlib+scikit-learn）

文章目录航空客户价值的数据挖掘与分析（numpy+pandas+matplotlib+scikit-learn）写在前面背景与挖掘目标1.1 需求背景1.2 挖掘目标1.3 项目概述项目分析方法规划2.1 RFM模型2.2 LRFMC模型指标2.3 分析总体流程图数据抽取探索及预处理3.1 数据抽取3.2 数据探索分析3.3 数据预处…...

编程日记 2025/5/15 10:45:28

【文星索引】搜索引擎项目测试报告

目录一、项目背景二、项目功能2.1 数据收集与索引2.2 API搜索功能2.3 用户体验与界面设计2.4 性能优化与维护三、测试报告3.1 功能测试3.2 界面测试3.3 性能测试3.4 兼容性测试3.5 自动化测试四、测试总结4.1 功能测试方面4.2 性能测试方面4.3 用户界面测试方面一、项目背…...

编程日记 2025/5/18 9:45:40

【C++】特殊类设计、单例模式与类型转换

目录一、设计一个类不能被拷贝 （一）C98 （二）C11 二、设计一个类只能在堆上创建对象 （一）将构造函数私有化，对外提供接口 （二）将析构函数私有化三、设计一个类只…...

编程日记 2025/5/15 19:57:18

Nxopen 直齿轮参数化设计

NXUG1953 Visualstudio 2019 参考论文： A Method for Determining the AGMA Tooth Form Factor from Equations for the Generated Tooth Root Fillet //FullGear// Mandatory UF Includes #include <uf.h> #include <uf_object_types.h>// Internal I…...

编程日记 2025/5/11 9:43:37

Vue.js组件开发-实现HTML内容打印

在Vue项目中实现打印功能，可以借助vue-html-to-paper插件来完成。步骤创建Vue项目：如果还没有Vue项目，可以使用Vue CLI来创建一个新的项目。 npm install -g vue/cli vue create vue-print-template cd vue-print-template安装vue-html-…...

编程日记 2025/5/18 7:08:28

大模型GUI系列论文阅读 DAY4续：《Large Language Model Agent for Fake News Detection》

摘要在当前的数字时代，在线平台上虚假信息的迅速传播对社会福祉、公众信任和民主进程构成了重大挑战，并影响着关键决策和公众舆论。为应对这些挑战，自动化假新闻检测机制的需求日益增长。预训练的大型语言模型（LLMs&#xff0…...

编程日记 2025/5/18 21:05:15

Day27-【13003】短文，线性表两种基本实现方式空间效率、时间效率比较？兼顾优点的静态链表是什么？如何融入空闲单元链表来解决问题？

文章目录本次内容总览第四节，两种基本实现方式概览两种基本实现方式的比较元素个数n大于多少时，使用顺序表存储的空间效率才会更高？时间效率比较？*、访问操作，也就是读运算，读操作1、插入，2、删…...

编程日记 2025/5/16 9:24:39

Scrapy如何设置iP,并实现IP重用, IP代理池重用

前置知识 1/3乐观锁 2/3 Scrapy流程(非全部) 3/3 关于付费代理我用的"快代理", 1000个ip, 每个ip1min的有效期, 你用的时候, 把你的链接, 用户名填上去就行设置代理IP 🔒 & 帮助文档: ①meta ②meta#proxy$ 语法: ①proxy的设置: Request对象中…...

编程日记 2025/5/14 4:35:41

动手学图神经网络（4）：利用图神经网络进行图分类

利用图神经网络进行图分类：从理论到实践引言在之前的学习中，大家了解了如何使用图神经网络（GNNs）进行节点分类。本次教程将深入探讨如何运用 GNNs 解决图分类问题。图分类是指在给定一个图数据集的情况下，根据图的一些结构属性对整个图进行分类，而不是对图中的节点进…...

编程日记 2025/5/15 4:11:20

C++游戏开发深度解析

引言在本篇文章中，我们将深入探讨C在游戏开发中的应用，包括内存管理、面向对象编程（OOP）、模板使用等，并通过实际代码示例来帮助理解。内存管理与智能指针 cpp 深色版本 #include <iostream> #include <…...

编程日记 2025/5/14 22:41:17

ultralytics 是什么？

ultralytics 是一个用于计算机视觉任务的 Python 库，专注于提供高效、易用的目标检测、实例分割和图像分类工具。它最著名的功能是实现 YOLO（You Only Look Once） 系列模型，特别是最新的 YOLOv8。 1. YOLO 是什么？ YO…...

编程日记 2025/5/18 17:38:22

【从零到一，C++项目实战】CineShare++（基于C++的视频点播系统）

🌈个人主页： 南桥几晴秋 🌈C专栏： 南桥谈C 🌈C语言专栏： C语言学习系列 🌈Linux学习专栏： 南桥谈Linux 🌈数据结构学习专栏： 数据结构杂谈 🌈数据…...

编程日记 2025/5/6 7:11:13

kaggle-ISIC 2024 - 使用 3D-TBP 检测皮肤癌-学习笔记

问题描述： 通过从 3D 全身照片 (TBP) 中裁剪出单个病变来识别经组织学确诊的皮肤癌病例数据集描述： 图像临床文本信息评价指标： pAUC，用于保证敏感性高于指定阈值下的AUC 主流方法分析（文本） 基于CatBoo…...

编程日记 2025/5/19 7:09:49

C语言深入解析 printf的底层源码实现

深入解析 printf 的底层源码实现 printf 是 C 标准库中最常用的函数之一，用于格式化输出字符串。它的底层实现复杂且高效，包含多个模块化的函数和机制。本文结合 GNU C Library（glibc）的源码，详细分析 printf 的实现原…...

编程日记 2025/5/16 10:45:16

IPhone14 Pro 设备详情

目录产品宣传图内部图——后设备详细信息产品宣传图内部图——后设备详细信息信息收集于HubWeb.cn...

编程日记 2025/5/4 4:32:57

vim多文件操作如何同屏开多个文件

[rootxxx ~]# vimdiff aa.txt bb.txt cc.txt #带颜色比较的纵向排列打开的同屏多文件操作示例： [rootxxx ~]# vimdiff -o aa.txt bb.txt cc.txt #带颜色比较的横向排列打开的同屏多文件操作示例： [rootxxx ~]# vim -O aa.txt bb.txt c…...

编程日记 2025/5/14 15:53:20

18款炫酷烟花合集

系列专栏《Python趣味编程》《C/C趣味编程》《HTML趣味编程》《Java趣味编程》写在前面 Python、C/C、HTML、Java等4种语言实现18款炫酷烟花的代码。 Python Python烟花① 完整代码：Python动漫烟花（完整代码）-CSDN博客 Python烟…...

编程日记 2025/5/13 3:04:34

服务器虚拟化技术详解与实战：架构、部署与优化

📝个人主页🌹：一ge科研小菜鸡-CSDN博客 🌹🌹期待您的关注 🌹🌹 引言在现代 IT 基础架构中，服务器虚拟化已成为提高资源利用率、降低运维成本、提升系统灵活性的重要手段。通过服务…...

编程日记 2025/5/17 15:19:11

01.双Android容器解决方案

目录写在前面一，容器 1.1 容器的原理 1.1.1 Namespace 1.1.2 Cgroups（Control Groups） 1.1.3 联合文件系统（Union File System） 1.2 容器的应用 1.2.1 微服务架构 1.2.2 持续集成和持续部署（CI/C…...

编程日记 2025/5/11 4:33:47

C++封装红黑树实现mymap和myset和模拟实现详解

文章目录 map和set的封装map和set的底层 map和set的模拟实现insertiterator实现的思路operatoroperator- - map和set的封装介绍map和set的底层实现 map和set的底层一份模版实例化出key的rb_tree和pair<k,v>的rb_tree rb_tree的Key和Value不是我们之前传统意义上的key/…...

编程日记 2025/5/13 0:58:16

嵌入式知识点总结 Linux驱动 (一)-指令-常用Linux指令 GCC指令 GDB调试指令驱动开发指令

针对于嵌入式软件杂乱的知识点总结起来，提供给读者学习复习对下述内容的强化。目录 1.怎么查看当前进程？怎么执行退出？怎么查看当前路径？ 2.ls命令执行有什么功能？可以带哪些参数？ 3.创建目录用什么命令…...

编程日记 2025/5/16 11:23:41

数字化创新者如何利用开源2+1链动模式AI智能名片S2B2C商城小程序源码重塑市场地位

摘要：在数字化转型的浪潮中，数字化创新者正通过整合前沿技术，重塑行业格局，引领市场变革。本文深入探讨了开源21链动模式、AI智能名片以及S2B2C商城小程序源码等技术在数字化创新中的应用，旨在揭示这些技术如何助力企业…...

编程日记 2025/5/16 14:45:10

以用户为中心，优化 B 端界面设计

在数字化转型的进程中，B 端产品已成为企业高效运营的关键支撑，而 B 端界面设计则是决定其成败的核心要素。以用户为中心优化 B 端界面，不仅能提升员工操作体验，还能为企业运营注入强大动力。以用户为中心，意味着深入洞…...

编程日记 2025/5/5 8:22:39

微服务学习-服务调用组件 OpenFeign 实战

1. OpenFeign 接口方法编写规范 1.1. 在编写 OpenFeign 接口方法时，需要遵循以下规范 1.1.1.1. 接口中的方法必须使用 RequestMapping、GetMapping、PostMapping 等注解声明 HTTP 请求的类型。 1.1.1.2. 方法的参数可以使用 RequestParam、RequestHeader、PathVa…...

编程日记 2025/5/15 14:40:20

使用国内镜像加速器解决 Docker Hub 拉取镜像慢或被屏蔽的问题

一、问题背景 Docker Hub 是 Docker 默认的镜像仓库，但由于网络限制，国内用户直接拉取镜像可能面临以下问题： 下载速度极慢（尤其是大镜像）。连接超时或完全被屏蔽（部分网络环境）。依赖国外源的…...

编程日记 2025/5/15 17:25:44

反向代理模块。。

1 概念 1.1 反向代理概念反向代理是指以代理服务器来接收客户端的请求，然后将请求转发给内部网络上的服务器，将从服务器上得到的结果返回给客户端，此时代理服务器对外表现为一个反向代理服务器。对于客户端来说，反向代理就相当于…...

编程日记 2025/5/14 21:44:07

《十七》浏览器基础

浏览器：是安装在电脑里面的一个软件，能够将页面内容渲染出来呈现给用户查看，并让用户与网页进行交互。常见的主流浏览器： 常见的主流浏览器有：Chrome、Safari、Firefox、Opera、Edge 等。输入 URL，浏览…...

编程日记 2025/5/17 16:53:57

飞致云开源社区月度动态报告（2025年1月）

自2023年6月起，中国领先的开源软件公司飞致云以月度为单位发布《飞致云开源社区月度动态报告》，旨在向广大社区用户同步飞致云旗下系列开源软件的发展情况，以及当月主要的产品新版本发布、社区运营成果等相关信息。飞致云开源运营数据概览&…...

编程日记 2025/5/18 3:35:11

【PyQt5】数据库连接失败: Driver not loaded Driver not loaded

报错内容如下： 可以看到目前所支持的数据库驱动仅有[‘QSQLITE’, ‘QMARIADB’, ‘QODBC’, ‘QODBC3’, ‘QPSQL’, ‘QPSQL7’] 我在网上查找半天解决方法未果，其中有一篇看评论反馈是可以使用的，但是PyQt5的版本有点低，5.12…...

编程日记 2025/5/18 23:29:39

Linux之内存管理前世今生（一）

一个程序（如王者荣耀）平常是存储在硬盘上的，运行时才把这个程序载入内存，CPU才能执行。问题： 这个程序载入内存的哪个位置呢？载入内核所在的空间吗？系统直接挂了。一、虚拟内存 1.1 内存分…...

编程日记 2025/5/16 10:40:04

【cran Archive R包的安装方式】

cran Archive R包的安装方式添加链接描述 1.包被cran移除 2.包要求的R语言版本与你电脑上的版本不相符 ad archive包的网址或者是下载到工作目录下，ad等于文件名 install,packages(ad repos NULL)...

编程日记 2025/5/18 16:16:13

Python中容器类型的数据（上）

若我们想将多个数据打包并且统一管理，应该怎么办? Python内置的数据类型如序列(列表、元组等)、集合和字典等可以容纳多项数据，我们称它们为容器类型的数据。序列序列 (sequence) 是一种可迭代的、元素有序的容器类型的数据。序列包括列表 (list)…...

编程日记 2025/5/15 19:57:19

2025美赛美国大学生数学建模竞赛A题完整思路分析论文（43页）（含模型、可运行代码和运行结果）

2025美国大学生数学建模竞赛A题完整思路分析论文目录摘要一、问题重述二、问题分析三、模型假设四、模型建立与求解 4.1问题1 4.1.1问题1思路分析 4.1.2问题1模型建立 4.1.3问题1样例代码（仅供参考） 4.1.4问题1样例代码运行结果&…...

编程日记 2025/5/17 9:16:26

OneDrive同步桌面实现文件备份

Target 将笔记本桌面与OneDrive同步，当Desktop的文件发生变动时，自动更新到OneDrive。取消旧的OneDrive账号与本机的关联点击logo，弹出界面，点击设置。随后打开OneDrive界面，点击“同步与备份”，“备…...

编程日记 2025/5/15 14:40:57

14.模型，纹理，着色器

模型、纹理和着色器是计算机图形学中的三个核心概念，用通俗易懂的方式来解释： 1. 模型：3D物体的骨架通俗解释： 模型就像3D物体的骨架，定义了物体的形状和结构。比如，一个房子的模型包括墙、屋顶、窗户等…...

编程日记 2025/5/17 21:51:50