当前位置： 首页 > news >正文

深度学习练手小例子——cifar10数据集分类问题

news 来源：原创 2025/5/19 9:36:22

CIFAR-10 是一个经典的计算机视觉数据集，广泛用于图像分类任务。它包含 10 个类别的 60,000 张彩色图像，每张图像的大小是 32x32 像素。数据集被分为 50,000 张训练图像和 10,000 张测试图像。每个类别包含 6,000 张图像，具体类别包括：

  • 飞机 (airplane)
  • 汽车 (automobile)
  • 鸟 (bird)
  • 猫 (cat)
  • 鹿 (deer)
  • 狗 (dog)
  • 青蛙 (frog)
  • 马 (horse)
  • 船 (ship)
  • 卡车 (truck)

CIFAR-10 是一个多类分类问题，目标是根据图像内容（例如，物体的形状、颜色等特征）预测图像所属的类别。图像分类模型（如卷积神经网络 CNN）常用于这个任务，通过学习图像的空间特征来做出预测。

来看看实现过程：

import torch
import torchvision.datasets
from torch.utils.data import DataLoader
from torch import nntrain_data = torchvision.datasets.CIFAR10(root="../input/cifar10-python",train=True,transform=torchvision.transforms.ToTensor(),download=True)
test_data = torchvision.datasets.CIFAR10(root="../input/cifar10-python",train=False,transform=torchvision.transforms.ToTensor(),download=True)
print(f"train length: {len(train_data)}")
print(f"test length: {len(test_data)}")
Files already downloaded and verified
Files already downloaded and verified
train length: 50000
test length: 10000

找到了CIFAR10数据集并且导入进来,用了三个卷积层的网络模型来训练，进行了10轮训练。

train_dataloader = DataLoader(train_data,batch_size=64)
test_dataloader = DataLoader(test_data,batch_size=64)class CNN(nn.Module):def __init__(self):super(CNN,self).__init__()self.model = nn.Sequential(nn.Conv2d(3,32,5,1,2),nn.MaxPool2d(2),nn.Conv2d(32, 32, 5, 1, 2),nn.MaxPool2d(2),nn.Conv2d(32, 64, 5, 1, 2),nn.MaxPool2d(2),nn.Flatten(),nn.Linear(64*4*4,64),nn.Linear(64,10))def forward(self,x):x = self.model(x)return x
mynet = CNN()
mynet = mynet.cuda()loss_func = nn.CrossEntropyLoss().cuda()
learning_rate = 0.0001
optimizer = torch.optim.Adam(mynet.parameters(),lr=learning_rate)
total_train = 0
total_test = 0
epoch = 10for i in range(epoch):print(f"----No.{i+1} training...-----")mynet.train()for data in train_dataloader:imgs, targets = dataimgs = imgs.cuda()targets = targets.cuda()outputs = mynet(imgs)loss = loss_func(outputs,targets)optimizer.zero_grad()loss.backward()optimizer.step()total_train = total_train + 1if total_train % 100 == 0:print(f"训练次数：{total_train}，loss：{loss.item()}")#测试mynet.eval()total_test_loss = 0total_accuracy = 0with torch.no_grad():for data in test_dataloader:imgs, targets = dataimgs = imgs.cuda()targets = targets.cuda()outputs = mynet(imgs)loss = loss_func(outputs, targets)total_test_loss = total_test_loss + loss.item()accuracy = (outputs.argmax(1) == targets).sum()total_accuracy = total_accuracy + accuracyprint(f"测试集的loss：{total_test_loss}，准确率：{total_accuracy/len(test_data)}")torch.save(mynet, f'myCNN_{i+1}p.pth')print("模型保存成功")
----No.1 training...-----
训练次数：100，loss：2.0156445503234863
训练次数：200，loss：1.999146580696106
训练次数：300，loss：1.860052466392517
训练次数：400，loss：1.7510318756103516
训练次数：500，loss：1.7712416648864746
训练次数：600，loss：1.6994789838790894
训练次数：700，loss：1.7278780937194824
测试集的loss：257.74497163295746，准确率：0.41990000009536743
模型保存成功
----No.2 training...-----
训练次数：800，loss：1.515326976776123
训练次数：900，loss：1.485555648803711
训练次数：1000，loss：1.6138449907302856
训练次数：1100，loss：1.7650551795959473
训练次数：1200，loss：1.4380264282226562
训练次数：1300，loss：1.3843588829040527
训练次数：1400，loss：1.5849156379699707
训练次数：1500，loss：1.5038520097732544
测试集的loss：236.6359145641327，准确率：0.47110000252723694
模型保存成功
----No.3 training...-----
训练次数：1600，loss：1.4474828243255615
训练次数：1700，loss：1.4474865198135376
训练次数：1800，loss：1.7310973405838013
训练次数：1900，loss：1.5719612836837769
训练次数：2000，loss：1.6212022304534912
训练次数：2100，loss：1.2924069166183472
训练次数：2200，loss：1.256321907043457
训练次数：2300，loss：1.560215711593628
测试集的loss：221.27214550971985，准确率：0.5011000037193298
模型保存成功
----No.4 training...-----
训练次数：2400，loss：1.4557472467422485
训练次数：2500，loss：1.2620049715042114
训练次数：2600，loss：1.4703019857406616
训练次数：2700，loss：1.4131494760513306
训练次数：2800，loss：1.303225040435791
训练次数：2900，loss：1.4961038827896118
训练次数：3000，loss：1.2810102701187134
训练次数：3100，loss：1.337519645690918
测试集的loss：210.63251876831055，准确率：0.5252999663352966
模型保存成功
----No.5 training...-----
训练次数：3200，loss：1.1311390399932861
训练次数：3300，loss：1.2354803085327148
训练次数：3400，loss：1.2415772676467896
训练次数：3500，loss：1.4213279485702515
训练次数：3600，loss：1.4151396751403809
训练次数：3700，loss：1.2579320669174194
训练次数：3800，loss：1.201486349105835
训练次数：3900，loss：1.287066102027893
测试集的loss：202.65885722637177，准确率：0.5475999712944031
模型保存成功
----No.6 training...-----
训练次数：4000，loss：1.2759090662002563
训练次数：4100，loss：1.3534283638000488
训练次数：4200，loss：1.4388338327407837
训练次数：4300，loss：1.1126259565353394
训练次数：4400，loss：1.072700023651123
训练次数：4500，loss：1.2942607402801514
训练次数：4600，loss：1.3078550100326538
测试集的loss：195.93554836511612，准确率：0.5615000128746033
模型保存成功
----No.7 training...-----
训练次数：4700，loss：1.3510404825210571
训练次数：4800，loss：1.3887534141540527
训练次数：4900，loss：1.2628172636032104
训练次数：5000，loss：1.3063734769821167
训练次数：5100，loss：0.9366315007209778
训练次数：5200，loss：1.208983063697815
训练次数：5300，loss：1.0933520793914795
训练次数：5400，loss：1.2654058933258057
测试集的loss：190.015959918499，准确率：0.5735999941825867
模型保存成功
----No.8 training...-----
训练次数：5500，loss：1.1543941497802734
训练次数：5600，loss：1.0732381343841553
训练次数：5700，loss：1.179479718208313
训练次数：5800，loss：1.0669857263565063
训练次数：5900，loss：1.3145105838775635
训练次数：6000，loss：1.4563915729522705
训练次数：6100，loss：1.0026252269744873
训练次数：6200，loss：0.9769096374511719
测试集的loss：184.76930475234985，准确率：0.5831999778747559
模型保存成功
----No.9 training...-----
训练次数：6300，loss：1.2531676292419434
训练次数：6400，loss：1.0582406520843506
训练次数：6500，loss：1.467718482017517
训练次数：6600，loss：0.9885475635528564
训练次数：6700，loss：0.9887412190437317
训练次数：6800，loss：1.1251451969146729
训练次数：6900，loss：1.0831143856048584
训练次数：7000，loss：0.8735517263412476
测试集的loss：180.18007707595825，准确率：0.5949000120162964
模型保存成功
----No.10 training...-----
训练次数：7100，loss：1.1680148839950562
训练次数：7200，loss：0.9758849740028381
训练次数：7300，loss：1.1076891422271729
训练次数：7400，loss：0.8192071914672852
训练次数：7500，loss：1.2766807079315186
训练次数：7600，loss：1.2046217918395996
训练次数：7700，loss：0.8206453323364258
训练次数：7800，loss：1.1484739780426025
测试集的loss：176.2480058670044，准确率：0.6036999821662903
模型保存成功

拿网上下载的几张图片测试一下，注意路径

import torch
import torchvision
from PIL import Image
from torch import nn# 10分类，分别为airplane'= 0 'automobile'= 1 'bird'= 2'cat'= 3 'deer'=  4 'dog'=  5 'frog'= 6 'horse'= 7 'ship'= 8 'truck'= 9
image_path = "/kaggle/input/testdata/bird.jpg"
image = Image.open(image_path)
transform = torchvision.transforms.Compose([torchvision.transforms.Resize((32,32)),torchvision.transforms.ToTensor()])
image = transform(image)
image = torch.reshape(image,(1,3,32,32))class CNN(nn.Module):def __init__(self):super(CNN,self).__init__()self.model = nn.Sequential(nn.Conv2d(3,32,5,1,2),nn.MaxPool2d(2),nn.Conv2d(32, 32, 5, 1, 2),nn.MaxPool2d(2),nn.Conv2d(32, 64, 5, 1, 2),nn.MaxPool2d(2),nn.Flatten(),nn.Linear(64*4*4,64),nn.Linear(64,10))def forward(self,x):x = self.model(x)return xmodel = torch.load("/kaggle/working/myCNN_10p.pth",map_location=torch.device('cpu'))
model.eval()
with torch.no_grad():output = model(image)
print(output.argmax(1))
tensor([2])

相关文章：

深度学习练手小例子——cifar10数据集分类问题

CIFAR-10 是一个经典的计算机视觉数据集，广泛用于图像分类任务。它包含 10 个类别的 60,000 张彩色图像，每张图像的大小是 32x32 像素。数据集被分为 50,000 张训练图像和 10,000 张测试图像。每个类别包含 6,000 张图像，具体类别包括&#x…...

编程日记 2025/5/19 9:36:22

Sqoop源码修改：增加落地HDFS文件数与MapTask数量一致性检查

个人博客地址：Sqoop源码修改：增加落地HDFS文件数与MapTask数量一致性检查 | 一张假钞的真实世界 本篇是对记录一次Sqoop从MySQL导入数据到Hive问题的排查经过的补充。 Sqoop 命令通过 bin 下面的脚本调用，调用如下： exec ${HAD…...

编程日记 2025/5/16 11:05:31

FastAPI + GraphQL + SQLAlchemy 实现博客系统

本文将详细介绍如何使用 FastAPI、GraphQL（Strawberry）和 SQLAlchemy 实现一个带有认证功能的博客系统。 技术栈 FastAPI：高性能的 Python Web 框架Strawberry：Python GraphQL 库SQLAlchemy：Python ORM 框架JWT&…...

编程日记 2025/5/14 21:57:07

AI编程：如何编写提示词

这是小卷对AI编程工具学习的第2篇文章，今天讲讲如何编写AI编程的提示词，并结合实际功能需求案例来进行开发 1.编写提示词的技巧 好的提示词应该是：目标清晰明确，具有针对性，能引导模型理解问题 下面是两条提示词的对…...

编程日记 2025/5/19 8:13:59

【LLM-agent】(task5)构建哲学家多智能体

note 通过编排动作设置哲学家智能体的"示例任务"，目的是让 Agent 更好地理解如何回答问题。主要包括设置示例问题、定义思考过程、应用到所有哲学家。建立了一个"先思考，后总结"的回答模式，这种方式相当于给AI提供了一个…...

编程日记 2025/5/12 19:53:47

31. 下一个排列

参考题解：https://leetcode.cn/problems/next-permutation/solutions/80560/xia-yi-ge-pai-lie-suan-fa-xiang-jie-si-lu-tui-dao- 找到下一个排列，即找到下一个大于当前数的更大的数。 当没有比当前更大的数的时候，那么就返回最小的数&…...

编程日记 2025/5/9 18:03:12

牛客周赛 Round 78

题目目录 A-时间表查询！解题思路参考代码 B-一起做很甜的梦！解题思路参考代码 C-翻之解题思路参考代码 D-乘之解题思路参考代码 E-在树上游玩解题思路参考代码 A-时间表查询！ \hspace{15pt} 今天是2025年1月25日，今年的六场牛客寒…...

编程日记 2025/5/17 15:23:10

100.1 AI量化面试题：解释夏普比率(Sharpe Ratio)的计算方法及其在投资组合管理中的应用，并说明其局限性

目录 0. 承前1. 夏普比率的基本概念1.1 定义与计算方法1.2 实际计算示例 2. 在投资组合管理中的应用2.1 投资组合选择2.2 投资组合优化 3. 夏普比率的局限性3.1 统计假设的限制3.2 实践中的问题 4. 改进方案4.1 替代指标4.2 实践建议 5. 回答话术 0. 承前 如果想更加全面清晰地…...

编程日记 2025/5/13 12:59:05

jEasyUI 转换 HTML 表格为数据网格

jEasyUI 转换 HTML 表格为数据网格 引言 随着互联网技术的飞速发展，前端框架和库的应用越来越广泛。jEasyUI 是一款功能强大的 jQuery UI 扩展库，它提供了丰富的 UI 组件，其中数据网格（DataGrid）是 jEasyUI 中一个非常重要的组件。本文将详细介绍如何使用 jEasyUI 将一个…...

编程日记 2025/5/13 9:32:57

好用的翻译工具

最近看到个好用的翻译工具，叫沉浸式翻译 沉浸式翻译 - 双语对照网页翻译插件 | PDF翻译 | 视频字幕翻译 我下载的是谷歌插件 点击下载插件会跳转到使用文档，跟着一步步操作即可 翻译的效果，我这里用的是免费版的，如果需要加强&…...

编程日记 2025/5/13 5:37:58

Selenium 使用指南：从入门到精通

Selenium 使用指南：从入门到精通 Selenium 是一个用于自动化 Web 浏览器操作的强大工具，广泛应用于自动化测试和 Web 数据爬取中。本文将带你从入门到精通地掌握 Selenium，涵盖其基本操作、常用用法以及一个完整的图片爬取示例。 1. 环境配…...

编程日记 2025/5/15 15:07:31

字节iOS面试经验分享：HTTP与网络编程

字节iOS面试经验分享：HTTP与网络编程 🌟 嗨，我是LucianaiB！ 🌍 总有人间一两风，填我十万八千梦。 🚀 路漫漫其修远兮，吾将上下而求索。 目录 字节iOS面试经验分享：HTT…...

编程日记 2025/5/16 14:44:05

10.7 LangChain Models深度解析：解锁大模型集成与调优的全景攻略

LangChain Models深度解析：解锁大模型集成与调优的全景攻略 关键词： LangChain Models模块、大模型集成、LLM调用优化、多模型管理、本地模型部署 一、Models模块的定位：大模型应用的“中央调度器” 传统开发的痛点： 碎片化集成：每个模型需单独编写适配代码性能黑洞：缺…...

编程日记 2025/5/9 12:47:29

本地部署 DeepSeek-R1：简单易上手，AI 随时可用！

🎯 先看看本地部署的运行效果 为了测试本地部署的 DeepSeek-R1 是否真的够强，我们随便问了一道经典的“鸡兔同笼”问题，考察它的推理能力。 📌 问题示例： 笼子里有鸡和兔，总共有 35 只头，94 只…...

编程日记 2025/5/16 17:41:27

cf集合***

当周cf集合，我也不知道是不是当周的了，麻了，下下周争取写到e补f C. Kevin and Puzzle（999） 题解：一眼动态规划，但是具体这个状态应该如何传递呢？ 关键点：撒谎的人不相…...

编程日记 2025/5/16 21:27:42

【机器学习理论】生成模型和判别模型

生成模型和判别模型是机器学习中两种不同的建模方式。生成模型关注的是联合概率分布 P ( X , Y ) P(X, Y) P(X,Y)，即同时考虑数据 X X X和标签 Y Y Y的关系；判别模型则直接学习条件概率 P ( Y ∣ X ) P(Y|X) P(Y∣X)或决策边界。 生成模型 生成模型的目…...

编程日记 2025/5/15 22:33:41

图漾相机——C++语言属性设置

文章目录 前言1.SDK API功能介绍1.1 Device组件下的API测试1.1.1 相机工作模式设置（TY_TRIGGER_PARAM_EX）1.1.2 TY_INT_FRAME_PER_TRIGGER1.1.3 TY_INT_PACKET_DELAY1.1.4 TY_INT_PACKET_SIZE1.1.5 TY_BOOL_GVSP_RESEND1.1.6 TY_BOOL_TRIGGER_OUT_IO1.1.…...

编程日记 2025/5/16 21:20:53

如何在Windows、Linux和macOS上安装Rust并完成Hello World

如何在Windows、Linux和macOS上安装Rust并完成Hello World 如果你刚刚开始学习Rust，第一步就是安装Rust并运行你的第一个程序！本文将详细介绍如何在Windows、Linux和macOS上安装Rust，并编写一个简单的“Hello, World!”程序。 1. 安装Rust …...

编程日记 2025/5/16 11:40:02

基于VMware的ubuntu与vscode建立ssh连接

1.首先安装openssh服务 sudo apt update sudo apt install openssh-server -y 2.启动并检查ssh服务状态 到这里可以按q退出 之后输入命令 ： ip a 红色挡住的部分就是我们要的地址，这里就不展示了哈 3.配置vscode 打开vscode 搜索并安装：…...

编程日记 2025/5/16 10:54:58

Redis 集合（Set）

Redis 集合（Set） 引言 Redis 是一款高性能的键值存储数据库，其支持多种数据结构，其中包括集合（Set）。集合是一个无序的、元素唯一的集合数据结构，它非常适合存储需要去重和高效检索的数据。本文将详细介绍 Redis 集合的数据结构、操作方法以及应用场景。 Redis 集合数…...

编程日记 2025/5/17 13:56:51

（笔记+作业）书生大模型实战营春节卷王班---L0G2000 Python 基础知识

学员闯关手册：https://aicarrier.feishu.cn/wiki/QtJnweAW1iFl8LkoMKGcsUS9nld 课程视频：https://www.bilibili.com/video/BV13U1VYmEUr/ 课程文档：https://github.com/InternLM/Tutorial/tree/camp4/docs/L0/Python 关卡作业：htt…...

编程日记 2025/5/19 2:16:22

stm32硬件实现与w25qxx通信

使用的型号为stm32f103c8t6与w25q64。 STM32CubeMX配置与引脚衔接 根据stm32f103c8t6引脚手册，采用B12-B15四个引脚与W25Q64连接，实现SPI通信。 W25Q64SCK（CLK）PB13MOSI（DI）PB15MISO(DO)PB14CS&#xff08…...

编程日记 2025/5/17 4:19:32

群晖Alist套件无法挂载到群晖webdav，报错【连接被服务器拒绝】

声明：我不是用docker安装的 在套件中心安装矿神的Alist套件后，想把夸克挂载到群晖上，方便复制文件的，哪知道一直报错，最后发现问题出在两个地方： 1）挂载的路径中，直接填 dav &…...

编程日记 2025/5/14 18:40:10

MySQL 如何深度分页问题

在实际的数据库应用场景中，我们常常会遇到需要进行分页查询的需求。对于少量数据的分页查询，MySQL 可以轻松应对。然而，当我们需要进行深度分页（即从大量数据的中间位置开始获取少量数据）时，就会面临性能严…...

编程日记 2025/5/16 10:54:12

科技快讯 | OpenAI首次向免费用户开放推理模型；特朗普与黄仁勋会面；雷军回应“10后小学生深情表白小米SU7”

不用开口：谷歌 AI 帮你致电商家，价格、预约一键搞定 谷歌在1月30日推出Search Labs中的“Ask for Me”实验性功能，用户可利用AI代替自己致电商家咨询价格和服务。该功能已与美汽车修理厂和美甲沙龙店合作，用户需加入Search Labs并…...

编程日记 2025/5/14 21:14:28

2.1刷题日记

1.338. 比特位计数 - 力扣&#xff08;LeetCode&#xff09; class Solution { public:vector<int> countBits(int n) {vector<int>ans(n1,0);ans[0]0;for(int i1;i<n;i){if(i%21){ans[i]ans[i-1]1;}else{ans[i]ans[i/2];}}return ans;} }; 利用奇数与偶数来进…...

编程日记 2025/5/13 12:12:57

nth_element函数——C++快速选择函数

目录 1. 函数原型 2. 功能描述 3. 算法原理 4. 时间复杂度 5. 空间复杂度 6. 使用示例 8. 注意事项 9. 自定义比较函数 11. 总结 nth_element 是 C 标准库中提供的一个算法&#xff0c;位于 <algorithm> 头文件中&#xff0c;用于部分排序序列。它的主要功能是将…...

编程日记 2025/5/15 17:50:01

C#接口(Interface)

C#中的接口 接口是C#中一种重要的概念&#xff0c;它定义了一组函数成员&#xff0c;但不实现它们。接口提供了一种标准结构&#xff0c;使得实现接口的类或结构在形式上保持一致。接口定义了属性、方法和事件&#xff0c;这些都是接口的成员&#xff0c;但接口只包含成员的声…...

编程日记 2025/5/18 2:02:07

002 mapper代理开发方式-xml方式

文章目录 代理xml方式UserMapper.javaUser.javadb.propertiesSqlMapConfig.xmlUserMapper.xmlUserMapperTest.javapom.xml 代理 此处使用的是JDK的动态代理方式&#xff0c;延迟加载使用的cglib动态代理方式 代理分为静态代理和动态代理。此处先不说静态代理&#xff0c;因为…...

编程日记 2025/5/15 17:49:52

网络原理（3）—— 传输层详解

目录 一. 再谈端口号 二. UDP协议(用户数据报协议) 2.1 UDP协议端格式 2.2 UDP报文长度 2.3 UDP校验和 三. TCP协议(传输控制协议) 3.1 TCP协议段格式 3.2 核心机制 3.2.1 确认应答 —— “感知对方是否收到” 3.2.2 超时重传 3.3.3 连接管理 —— 三次握手与四…...

编程日记 2025/5/17 17:37:01

深度学习 Pytorch 神经网络的学习

本节将从梯度下降法向外拓展&#xff0c;介绍更常用的优化算法&#xff0c;实现神经网络的学习和迭代。在本节课结束将完整实现一个神经网络训练的全流程。 对于像神经网络这样的复杂模型&#xff0c;可能会有数百个 w w w的存在&#xff0c;同时如果我们使用的是像交叉熵这样…...

编程日记 2025/5/18 22:52:45

【机器学习】自定义数据集 使用pytorch框架实现逻辑回归并保存模型，然后保存模型后再加载模型进行预测，对预测结果计算精确度和召回率及F1分数

一、使用pytorch框架实现逻辑回归 1. 数据部分&#xff1a; 首先自定义了一个简单的数据集&#xff0c;特征 X 是 100 个随机样本&#xff0c;每个样本一个特征&#xff0c;目标值 y 基于线性关系并添加了噪声。将 numpy 数组转换为 PyTorch 张量&#xff0c;方便后续在模型中…...

编程日记 2025/5/16 17:40:55

深入理解linux中的文件（上）

1.前置知识&#xff1a; &#xff08;1&#xff09;文章 内容 属性 &#xff08;2&#xff09;访问文件之前&#xff0c;都必须打开它&#xff08;打开文件&#xff0c;等价于把文件加载到内存中&#xff09; 如果不打开文件&#xff0c;文件就在磁盘中 &#xff08;3&…...

编程日记 2025/5/16 14:22:23

分布式微服务系统架构第90集：现代化金融核心系统

#1.1 深化数字化转型&#xff0c;核心面临新挑战 1、架构侧&#xff1a;无法敏捷协同数字金融经营模式转型。 2、需求侧&#xff1a;业务需求传导低效始终困扰金融机构。 3、开发侧&#xff1a;创新产品上市速度低于期望。 4、运维侧&#xff1a;传统面向资源型监控体系难以支撑…...

编程日记 2025/5/18 12:24:45

Vue简介

目录 Vue是什么&#xff1f;为什么要使用Vue&#xff1f;Vue的三种加载方式拓展&#xff1a;什么是渐进式框架&#xff1f; Vue是什么&#xff1f; Vue是一套用于构建用户界面的渐进式 JavaScript (主张最少)框架 &#xff0c;开发者只需关注视图层。另一方面&#xff0c;当与…...

编程日记 2025/5/15 17:50:03

【Linux】从零开始：编写你的第一个Linux进度条小程序

Linux相关知识点可以通过点击以下链接进行学习一起加油&#xff01;初识指令指令进阶权限管理yum包管理与vim编辑器GCC/G编译器make与Makefile自动化构建GDB调试器与Git版本控制工具 &#x1f308;个人主页&#xff1a;是店小二呀 &#x1f308;C语言专栏&#xff1a;C语言 &am…...

编程日记 2025/5/16 8:05:39

FFmpeg工具使用基础

一、FFmpeg工具介绍 FFmpeg命令行工具主要包括以下几个部分： ‌ffmpeg‌：编解码工具‌ffprobe‌：多媒体分析器‌ffplay‌：简单的音视频播放器这些工具共同构成了FFmpeg的核心功能，支持各种音视频格式的处理和转换‌ 二、在Ubuntu18.04上安装FFmpeg工具 1、sudo apt-upda…...

编程日记 2025/5/15 13:51:24

数据库管理-第287期 Oracle DB 23.7新特性一览（20250124）

数据库管理287期 2025-01-24 数据库管理-第287期 Oracle DB 23.7新特性一览&#xff08;20250124&#xff09;1 AI向量搜索&#xff1a;算术和聚合运算2 更改Compatible至23.6.0&#xff0c;以使用23.6或更高版本中的新AI向量搜索功能3 Cloud Developer包4 DBMS_DEVELOPER.GET_…...

编程日记 2025/5/15 2:11:53

快速提升网站收录：利用网站FAQ页面

本文转自&#xff1a;百万收录网 原文链接&#xff1a;https://www.baiwanshoulu.com/48.html 利用网站FAQ&#xff08;FrequentlyAskedQuestions&#xff0c;常见问题解答&#xff09;页面是快速提升网站收录的有效策略之一。以下是一些具体的方法和建议&#xff0c;以帮助你…...

编程日记 2025/5/14 17:28:51

AtCoder Beginner Contest 391（ABCDE）

A - Lucky Direction 翻译&#xff1a; 给你一个字符串 D&#xff0c;代表八个方向&#xff08;北、东、西、南、东北、西北、东南、西南&#xff09;之一。方向与其代表字符串之间的对应关系如下。 北&#xff1a; N东&#xff1a; E西&#xff1a; W南&#xff1a; S东…...

编程日记 2025/5/18 22:08:19

解决Django非ORM模型提示初始化request问题

提问 Django在DRF时候自定义显示一些非model的字段提示TypeError: Field.__init__() got an unexpected keyword argument request 解答1 错误提示 TypeError: Field.__init__() got an unexpected keyword argument request 显示在创建序列化器实例时&#xff0c;传递了一个…...

编程日记 2025/5/14 15:52:45

【机器学习】自定义数据集 使用scikit-learn中svm的包实现svm分类

一、支持向量机(support vector machines. &#xff0c;SVM)概念 1. SVM 绪论 支持向量机&#xff08;SVM&#xff09;的核心思想是找到一个最优的超平面&#xff0c;将不同类别的数据点分开。SVM 的关键特点包括&#xff1a; ① 分类与回归&#xff1a; SVM 可以用于分类&a…...

编程日记 2025/5/14 22:48:43

hunyuan 混元学习

使用了5个subset,也是用了text-image和text-video进行训练的 也是进行了复杂的视频选择。同movie gen. 也进行了模型切断&#xff0c;用拉普拉斯算子找到最清晰的一帧作为训练的起始 训练了不同的模型去选择数据&#xff0c;比如用Dover去选择美观度比较好的数据&#xff0c…...

编程日记 2025/5/16 7:29:48

.Net / C# 繁体中文 与 简体中文 互相转换, 支持地方特色词汇

版本号 Nuget 搜索 “OpenCCNET”, 注意别找错, 好多库的名字都差不多 支持 “繁,简” 的互相转换, 支持多个地区常用词汇的转换, 还支持 日文的新旧转换. OpenCC 在 .Net 中的实现 https://github.com/CosineG/OpenCC.NET <PackageReference Include"OpenCCNET"…...

编程日记 2025/5/17 23:39:09

仿真设计|基于51单片机的温湿度、一氧化碳、甲醛检测报警系统

目录 具体实现功能 设计介绍 51单片机简介 资料内容 仿真实现&#xff08;protues8.7&#xff09; 程序&#xff08;Keil5&#xff09; 全部内容 资料获取 具体实现功能 &#xff08;1&#xff09;温湿度传感器、CO传感器、甲醛传感器实时检测温湿度值、CO值和甲醛值进…...

编程日记 2025/5/16 17:04:36

Vue- 组件通信2

一、props props 是使用频率最高的一种通信方式&#xff0c;常用于&#xff1a;父 ↔ 子 若 父传子&#xff1a;属性值是非函数&#xff1b;若 子传父&#xff1a;属性值是函数。 Props: 指的是传递给子组件的属性。子组件通过 props 接收数据。单向数据流: 数据通过 props…...

编程日记 2025/5/14 22:00:18

春晚舞台上的人形机器人：科技与文化的奇妙融合

文章目录 人形机器人Unitree H1的“硬核”实力传统文化与现代科技的创新融合网友热议与文化共鸣未来展望&#xff1a;科技与文化的更多可能结语 2025 年央视春晚的舞台&#xff0c;无疑是全球华人目光聚焦的焦点。就在这个盛大的舞台上&#xff0c;一场名为《秧BOT》的创意融合…...

编程日记 2025/5/17 18:42:20

向上调整算法（详解）c++

算法流程&#xff1a; 与⽗结点的权值作⽐较&#xff0c;如果⽐它⼤&#xff0c;就与⽗亲交换&#xff1b; 交换完之后&#xff0c;重复 1 操作&#xff0c;直到⽐⽗亲⼩&#xff0c;或者换到根节点的位置 这里为什么插入85完后合法&#xff1f; 我们插入一个85&#xff0c;…...

编程日记 2025/5/15 3:47:12

Python之Excel操作 - 写入数据

我们将使用 openpyxl 库&#xff0c;它是一个功能强大且易于使用的库&#xff0c;专门用于处理 Excel 文件。 1. 安装 openpyxl 首先&#xff0c;你需要安装 openpyxl 库。你可以使用 pip 命令进行安装&#xff1a; pip install openpyxl创建一个文件 example.xlsx&#xff…...

编程日记 2025/5/15 4:23:03

MYSQL--一条SQL执行的流程,分析MYSQL的架构

文章目录 第一步建立连接第二部解析 SQL第三步执行 sql预处理优化阶段执行阶段索引下推 执行一条select 语句中间会发生什么&#xff1f; 这个是对 mysql 架构的深入理解。 select * from product where id 1;对于mysql的架构分层: mysql 架构分成了 Server 层和存储引擎层&a…...

编程日记 2025/5/14 5:30:41