当前位置： 首页 > news >正文

记7（激活函数+多层神经网络+梯度下降法及其优化

news 来源：原创 2025/5/18 8:28:50

目录

  • 1、激活函数
    • 1.1、sigmoid函数：2端饱和，下面2个函数都要幂运算，运算速度会比较慢
    • 1.2、ReLU函数（Rectified Linear Unit，修正线性单元）
    • 1.3、PReLU函数（Parameteric Rectified Linear Unit，参数化修正线性单元）
    • 1.4、RReLU函数（Randomized Leaky Rectified Linear Unit，随机纠正线性单元）：
  • 2、鸢尾花分类——实现多层神经网络：
  • 3、梯度下降法
  • 4、优化

1、激活函数

激活函数：为了模拟非线性问题，又不能使得问题过于复杂，可以设计神经元对输入信号进行线性处理，得到的线性结果再输入非线性激活函数

  • 激活函数的特点：包含充分的梯度信息；能够识别阈值

在这里插入图片描述

1.1、sigmoid函数：2端饱和，下面2个函数都要幂运算，运算速度会比较慢

  • 对数几率函数logistic是典型的sigmoid函数：但是它不是以0为中的，在多层神经网络中可能产生偏移，可能使得梯度下降的速度变慢（可以使用双曲正切函数代替）
    在这里插入图片描述
  • 双曲正切函数Tanh
    在这里插入图片描述
  • 上述logistic函数的导函数,可见:

    梯度消失问题：例如在logistic函数的导函数取值在00.25之间，神经网络每一层都会将多个00.25相乘，误差在每一层不断衰减，网络层数较深时梯度值趋近于0，参数更新几乎停滞。
    在这里插入图片描述

1.2、ReLU函数（Rectified Linear Unit，修正线性单元）

  • 优点：z>0时，导数=1，缓解了梯度消失问题（只有z≤0时才会饱和）；
  • 缺点：输出不是以0为均值；z≤0时，梯度=0，神经元死亡（无法更新）（可以使用Leaky-ReLU函数）
    在这里插入图片描述

1.3、PReLU函数（Parameteric Rectified Linear Unit，参数化修正线性单元）

y = { z z≥0 a z z<0 ,a:可训练参数 y= \begin{cases} z& \text{z≥0}\\ az& \text{z<0 ,a:可训练参数} \end{cases} y={zaz​z≥0z<0 ,a:可训练参数​

1.4、RReLU函数（Randomized Leaky Rectified Linear Unit，随机纠正线性单元）：

类比上一个，不同在与

  • 训练阶段：z＜0部分的斜率是随机分配的，服从均匀分布
  • 测试阶段：z＜0部分的斜率 是固定的，取训练阶段所有a的平均值

2、鸢尾花分类——实现多层神经网络：

（单层的见机器学习笔记6“鸢尾花数据集——单层前馈型神经网络”）

  • 增加一个隐含层并设定隐含层有16个节点
  • 从输入层到隐含层：B1的shape=(16,)，又因为输入有4个节点（鸢尾花的4个属性），所以W1的shape=(4,16)
  • 从隐含层到输出层：因为输出层有3个输出节点，所以B2.shape=(3,)，W2.shape=(16,3)
  • 隐含层激活函数：relu函数；输出层激活函数：softmax函数；损失函数：交叉熵损失函数
    在这里插入图片描述
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
#读取文件，详见Python笔记10
train_path=tf.keras.utils.get_file("iris.csv", origin=None)   #获取文件的绝对路径
df_iris=pd.read_csv(train_path,header=0)        #结果是panda的二维数据表
iris=np.array(df_iris)        #将二维数据表类型转化为二维数组类型，shape=(150,6)，与视频中不一样，索引号为0的是序号
x=iris[:,1:5]         #索引号1~4列属性：花瓣长度和宽度,x.shape=(150, 2)
y=iris[:,5]          #train_y.shape=(150,)x_svv=np.concatenate((np.stack(x[y=='setosa']),  #选取2种花，以及其前2种属性np.stack(x[y=='versicolor']),np.stack(x[y=='virginica'])),axis=0)
y_svv=np.concatenate((np.zeros(np.where(y=='setosa')[0].size),   #元组只有一个元素（数组）np.ones(np.where(y=='versicolor')[0].size),2*np.ones(np.where(y=='virginica')[0].size),),axis=0)np.random.seed(612)
iris_rand=np.concatenate((x_svv,np.expand_dims(y_svv,axis=1)),axis=1)
np.random.shuffle(iris_rand)        #打乱数组，并选前面120条数据为训练集，后面30条做测试集
x_train=tf.constant(iris_rand[:120,0:4],dtype=tf.float32)       #转化为float32张量
y_train=tf.constant(iris_rand[:120,4],dtype=tf.int64)           #转化为int32张量
x_test=tf.constant(iris_rand[120:,0:4],dtype=np.float32)
y_test=tf.constant(iris_rand[120:,4],dtype=tf.int64)X_train=x_train-tf.reduce_mean(x_train,axis=0)      #中心化, x_train.dtype=dtype('O')，是object
X_test=x_test-tf.reduce_mean(x_test,axis=0)
Y_train=tf.one_hot(y_train,3)                       #转化为独热编码Y_train.shape=TensorShape([120, 3])
Y_test=tf.one_hot(y_test,3)learn_rate=0.5                                  #超参数——学习率
iter=50                                         #迭代次数
display_step=10                                 #设置每迭代10次输出结果，方便查看
np.random.seed(612)
W1=tf.Variable(np.random.randn(4,16),dtype=tf.float32)    #W1列向量，4行16列
B1=tf.Variable(np.zeros([16]),dtype=tf.float32)           #B1列向量，长度为16的一维张量
W2=tf.Variable(np.random.randn(16,3),dtype=tf.float32)    #W2列向量，16行3列
B2=tf.Variable(np.zeros([3]),dtype=tf.float32)            #B2列向量，长度为3的一维张量cce_train=[]       #保存交叉熵损失
cce_test=[]
acc_train=[]      #保存准确率
acc_test=[]#训练模型
for i in range(0,iter+1):with tf.GradientTape() as tape:#relu函数和softmax函数,Hidden_train是120*16的张量，每行16个元素表示隐含层16个节点（就是输入层的输出端有16个），同理PRED_train是16*3Hidden_train=tf.nn.relu(tf.matmul(X_train,W1)+B1)    #shape=TensorShape([120, 16])PRED_train=tf.nn.softmax(tf.matmul(Hidden_train,W2)+B2)    #shape=TensorShape([16, 3])Loss_train=tf.reduce_mean(tf.keras.losses.categorical_crossentropy(y_true=Y_train, y_pred=PRED_train))Hidden_test=tf.nn.relu(tf.matmul(X_test,W1)+B1)    #shape=TensorShape([120, 16])PRED_test=tf.nn.softmax(tf.matmul(Hidden_test,W2)+B2)    #shape=TensorShape([16, 3])Loss_test=tf.reduce_mean(tf.keras.losses.categorical_crossentropy(y_true=Y_test, y_pred=PRED_test))#准确率,求PRED_train的每一行3个元素的max，即属于对应标签的概率最大，再与真实值y_train比较，求得准确率Accuracy_train=tf.reduce_mean(tf.cast(tf.equal(tf.argmax(PRED_train,axis=1),y_train),tf.float32))Accuracy_test=tf.reduce_mean(tf.cast(tf.equal(tf.argmax(PRED_test,axis=1),y_test),tf.float32))   cce_train.append(Loss_train)cce_test.append(Loss_test)acc_train.append(Accuracy_train)acc_test.append(Accuracy_test)grads=tape.gradient(Loss_train,[W1,B1,W2,B2])W1.assign_sub(learn_rate*grads[0])B1.assign_sub(learn_rate*grads[1])W2.assign_sub(learn_rate*grads[2])B2.assign_sub(learn_rate*grads[3])if i%display_step==0:print("i:%i,\tTrainAcc:%f,TrainLoss:%f\tTestAcc:%f,TestLoss:%f" %(i,Accuracy_train,Loss_train,Accuracy_test,Loss_test))#可视化,图1准确率，图2损失函数
plt.figure(figsize=(10,3))
plt.subplot(121)
plt.plot(cce_train,color="blue",label="train")
plt.plot(cce_test,color="red",label="test")
plt.xlabel("Iteration")
plt.ylabel("Loss")
plt.subplot(122)
plt.plot(acc_train,color="blue",label="train")
plt.plot(acc_test,color="red",label="test")
plt.xlabel("Iteration")
plt.ylabel("Accuracy")
plt.tight_layout()      #自动调整子图
plt.show()输出：
i:0,	TrainAcc:0.466667,TrainLoss:2.097793	TestAcc:0.266667,TestLoss:2.108944
i:10,	TrainAcc:0.933333,TrainLoss:0.204642	TestAcc:0.833333,TestLoss:0.344889
i:20,	TrainAcc:0.966667,TrainLoss:0.141266	TestAcc:0.866667,TestLoss:0.294079
i:30,	TrainAcc:0.958333,TrainLoss:0.110132	TestAcc:0.833333,TestLoss:0.286544
i:40,	TrainAcc:0.966667,TrainLoss:0.090271	TestAcc:0.833333,TestLoss:0.290193
i:50,	TrainAcc:0.966667,TrainLoss:0.076929	TestAcc:0.800000,TestLoss:0.305203

在这里插入图片描述

3、梯度下降法

批量梯度下降（前面介绍 的梯度下降法就是这个）（Batch Gradient Descent, BGD）

  • 每次迭代都使用所有样品来计算偏导数：
    在这里插入图片描述
  • 每一步都是准确地朝着极值点趋近，迭代次数少，但每次迭代的计算量大，训练时间长，因而不适合大规模数据集
  • 可以利用向量运算进行并行计算
  • 收敛于全局或局部极小值点

随机梯度下降（Stochastic Gradient Descent, SGD）：

  • 每次迭代只选择一个样本训练模型，直到将所有样本都训练一遍，这叫做“一轮”。一轮后对最后一个样品的误差很少，但是后一个样本更新可能导致对上一个样品的效果变差
  • 反复训练多轮，直到神经网络对所有样本的误差足够小
  • 参数更新非常频繁，训练轮数多，无法快速收敛

小批量梯度下降（Mini-Batch Gradient Descent, MBGD）

  • 也叫小批量随机梯度下降（Mini-Batch SGD）
  • 把数据集分为多个小批量，每次迭代使用一个小批量来训练模型，参数更新公式：
    在这里插入图片描述
  • 将训练集划分为多个小批量，每次迭代只选择一个小批量训练模型，直到将所有样本都训练一遍，这叫做“一轮”。（固定数目的小批量=1个样品–>随机梯度下降）需要多轮
  • 每次迭代的训练样本数固定，与整个训练集的样本数量无关（假设每个小批量200个样本，那么若有2000个样本就分为10批，若有20000个样本就分为100批）
  • 并行，大规模数据集
  • 小批量的选取是基于抽样，存在偏差，就好像噪声，一定程度上提高模型的泛化能力

4、优化

  • 打乱样品
  • 并行时，采用2的幂数作为批量大小，如32、64、128…，可以充分利用处理器资源
  • 动态调整学习率：学习率衰减（Learning Rate Decay）/学习率退火（Learning Rate Annealing）

周期性地增大学习率
自适应调整学习率（统一调整各个参数的学习率）
自适应调整每个参数的学习率：

  • AdaGrad算法：
    先全局学习率η，各个参数的学习率表达式如下，将每次迭代的梯度取平方累加，再加上ε（保证分母非0），再开方，用全局学习率除以这个根号。
    学习率随着 迭代次数增加而减少。
    当某参数梯度比较大，则学习率衰减比较快（学习率变得更小了），当梯度比较小，则学习率衰减比较慢
    η ∑ r = 1 t ( g r a d r ) 2 + ε \dfrac{\eta}{\sqrt{\sum ^t_{r=1}(grad_r)^2+\varepsilon }} ∑r=1t​(gradr​)2+ε ​η​
  • RMSprop算法和AdaDelta算法是对AdaGrad算法的改进，各个参数的学习率不是单调递减的
  • 梯度估计：（如果小批量的样品中含有较多的噪声，那么梯度更新就会十分不稳定

动量梯度下降法（Momentum）：

  • 动量=质量×速度
  • 小球下山模型：下山坡度比较大，那么速度积累比较大，如果坡度比较小甚至坡度上升，那么小球速度就变慢
  • 在更新参数时，可以在一定程度上保留之前的更新方向
  • 参数更新公式：以前的梯度会累积，但是会以α衰减
    在这里插入图片描述
    但是最低点时动量过大，会使得一下子越过最小值，到达其他局部最小值
  • 牛顿加速梯度算法（Nesterov Accelerated Gradient, NAG）
    （就是先预计下一步的参数，到了下一步再对之前的估计进行修正）

根据当前更新方向，估算下一步的梯度方向（是计算超前梯度，而不是计算当前的梯度，再用超前梯度修正当前的梯度，提高了算法的遇见能力，避免大幅震荡）
在新位置计算梯度，修正上面估计的梯度方向
在这里插入图片描述

  • Adam：
    可以看做是RMSprop+Momentum，而Nadam=Adam+NAG

相关文章：

记7（激活函数+多层神经网络+梯度下降法及其优化

目录 1、激活函数1.1、sigmoid函数&#xff1a;2端饱和&#xff0c;下面2个函数都要幂运算&#xff0c;运算速度会比较慢1.2、ReLU函数&#xff08;Rectified Linear Unit&#xff0c;修正线性单元&#xff09;1.3、PReLU函数&#xff08;Parameteric Rectified Linear Unit&am…...

编程日记 2025/5/18 8:28:50

Qt u盘自动升级软件

Qt u盘自动升级软件 Chapter1 Qt u盘自动升级软件u盘自动升级软件思路&#xff1a;step1. 获取U盘 判断U盘名字是否正确&#xff0c; 升级文件是否存在。step2. 升级step3. 升级界面 Chapter2 Qt 嵌入式设备应用程序&#xff0c;通过U盘升级的一种思路Chapter3 在开发板上运行的…...

编程日记 2025/5/18 16:33:51

关于低代码技术架构的思考

我们经常会看到很多低代码系统的技术架构图&#xff0c;而且经常看不懂。是因为技术架构图没有画好&#xff0c;还是因为技术不够先进&#xff0c;有时候往往都不是。 比如下图&#xff1a; 一个开发者&#xff0c;看到的视角往往都是技术层面&#xff0c;你给用户讲React18、M…...

编程日记 2025/5/19 7:14:29

如何使用 ChatBox AI 简化本地模型对话操作

部署模型请看上一篇帖子&#xff1a;本地部署DeepSeek教程&#xff08;Mac版本&#xff09;-CSDN博客 使用 ChatBox AI 简化本地模型对话操作&#xff1a; 打开 ChatBox AI 官网&#xff1a;Chatbox AI官网&#xff1a;办公学习的AI好助手&#xff0c;全平台AI客户端&#xf…...

编程日记 2025/5/19 7:25:01

缩位求和——蓝桥杯

1.题目描述 在电子计算机普及以前&#xff0c;人们经常用一个粗略的方法来验算四则运算是否正确。 比如&#xff1a;248153720248153720 把乘数和被乘数分别逐位求和&#xff0c;如果是多位数再逐位求和&#xff0c;直到是 1 位数&#xff0c;得 24814>145 156 56 而…...

编程日记 2025/5/14 0:41:12

hexo部署到github page时，hexo d后page里面绑定的个人域名消失的问题

Hexo 部署博客到 GitHub page 后&#xff0c;可以在 setting 中的 page 中绑定自己的域名&#xff0c;但是我发现更新博客后绑定的域名消失&#xff0c;恢复原始的 githubio 的域名。 后面搜索发现需要在 repo 里面添加 CNAME 文件&#xff0c;内容为 page 里面绑定的域名&…...

编程日记 2025/5/19 7:56:34

neo4j入门

文章目录 neo4j版本说明部署安装Mac部署docker部署 neo4j web工具使用数据结构图数据库VS关系数据库 neo4j neo4j官网Neo4j是用ava实现的开源NoSQL图数据库。Neo4作为图数据库中的代表产品&#xff0c;已经在众多的行业项目中进行了应用&#xff0c;如&#xff1a;网络管理&am…...

编程日记 2025/5/18 8:40:45

代码随想录——回溯

文章目录 组合组合总数电话号码的字母组合组合总数组合总数Ⅱ分割回文串复原IP地址子集子集Ⅱ非递减子序列去重的实现方法方法 1&#xff1a;**排序 跳过重复元素**方法 2&#xff1a;**使用哈希表或数组记录已使用的数字** 去重的完整示例总结本题代码 全排列全排列Ⅱ重新安排…...

编程日记 2025/5/18 22:06:19

独立游戏RPG回顾:高成本

刚看了某纪录片&#xff0c; 内容是rpg项目的回顾。也是这个以钱为核心话题的系列的最后一集。 对这期特别有代入感&#xff0c;因为主角是曾经的同事&#xff0c;曾经在某天晚上听过其项目组的争论。 对其这些年的起伏特别的能体会。 主角是制作人&#xff0c;在访谈中透露这…...

编程日记 2025/5/19 6:11:29

SQLModel入门

目录 概述快速开始官方教程简单使用样例 概述 SQLModel 是一个 ORM 框架&#xff0c;其基于 SQLAlchemy 和 Pydantic&#xff0c;其中 SQLALchemy 提供底层 ORM 能力&#xff0c;Pydantic 提供类型校验能力&#xff0c;SQLModel 中&#xff0c;一个 SQLModel model 既是一个 S…...

编程日记 2025/5/19 6:53:56

关于MySQL InnoDB存储引擎的一些认识

文章目录 一、存储引擎1.MySQL中执行一条SQL语句的过程是怎样的&#xff1f;1.1 MySQL的存储引擎有哪些&#xff1f;1.2 MyIsam和InnoDB有什么区别&#xff1f; 2.MySQL表的结构是什么&#xff1f;2.1 行结构是什么样呢&#xff1f;2.1.1 NULL列表&#xff1f;2.1.2 char和varc…...

编程日记 2025/5/19 7:48:34

【学习笔记】深度学习网络-正则化方法

作者选择了由 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 三位大佬撰写的《Deep Learning》(人工智能领域的经典教程&#xff0c;深度学习领域研究生必读教材),开始深度学习领域学习&#xff0c;深入全面的理解深度学习的理论知识。 在之前的文章中介绍了深度学习中用…...

编程日记 2025/5/19 7:18:54

NVIDIA （英伟达）的 GPU 产品应用领域

游戏娱乐领域 PC 游戏&#xff1a;NVIDIA 的 GeForce 系列 GPU 是 PC 游戏玩家的首选之一。能实现实时光线追踪、高分辨率渲染等&#xff0c;使游戏画面更加逼真&#xff0c;如《赛博朋克 2077》等支持光线追踪的游戏&#xff0c;在 NVIDIA GPU 的加持下&#xff0c;可呈现出真…...

编程日记 2025/5/19 8:01:23

Docker快速部署高效照片管理系统LibrePhotos搭建私有云相册

文章目录 前言1.关于LibrePhotos2.本地部署LibrePhotos3.LibrePhotos简单使用4. 安装内网穿透5.配置LibrePhotos公网地址6. 配置固定公网地址 前言 想象一下这样的场景&#xff1a;你有一大堆珍贵的回忆照片&#xff0c;但又不想使用各种网盘来管理。怎么办&#xff1f;别担心…...

编程日记 2025/5/19 8:06:20

goframe 多语言国际化解决方案

项目背景 本项目采用基于JSON配置的多语言国际化&#xff08;i18n&#xff09;解决方案&#xff0c;支持多种语言的无缝切换和本地化。 目录结构 manifest/ └── i18n/├── zh.json # 简体中文├── zh-tw.json # 繁体中文├── en.json # 英语├…...

编程日记 2025/5/18 23:39:11

mysql如何修改密码

在MySQL中修改密码可以通过多种方式完成&#xff0c;具体取决于你的MySQL版本和你是否有足够的权限。以下是一些常用的方法来修改MySQL用户的密码&#xff1a; 方法1: 使用ALTER USER命令 这是最常用的方法&#xff0c;适用于MySQL 5.7及以上版本。 ALTER USER usernameloca…...

编程日记 2025/5/19 8:08:02

17.2 图形绘制8

版权声明&#xff1a;本文为博主原创文章&#xff0c;转载请在显著位置标明本文出处以及作者网名&#xff0c;未经作者允许不得用于商业目的。 17.2.10 重绘 先看以下例子&#xff1a; 【例 17.28】【项目&#xff1a;code17-028】绘制填充矩形。 private void button1_Clic…...

编程日记 2025/5/19 7:13:06

Java基础知识总结（三十八）--读取数据

使用Reader体系&#xff0c;读取一个文本文件中的数据。返回 -1 &#xff0c;标志读到结尾。 import java.io.*; class { public static void main(String[] args) throws IOException { /* 创建可以读取文本文件的流对象&#xff0c;让创建好的流对象和指定的文件相关联。…...

编程日记 2025/5/18 23:26:21

【并查集】

并查集&#xff08;Disjoint Set Union&#xff0c;DSU&#xff09;是一种用于处理不相交集合的数据结构&#xff0c;主要支持两种操作&#xff1a;查找&#xff08;Find&#xff09;和合并&#xff08;Union&#xff09;。它在解决连通性问题、图论问题以及动态连通性等问题时…...

编程日记 2025/5/17 2:59:37

SQL NOW() 函数详解

SQL NOW() 函数详解 引言 在SQL数据库中&#xff0c;NOW() 函数是一个常用的日期和时间函数&#xff0c;用于获取当前的时间戳。本文将详细介绍 NOW() 函数的用法、参数、返回值以及在实际应用中的注意事项。 函数概述 NOW() 函数返回当前的日期和时间&#xff0c;格式为 Y…...

编程日记 2025/5/19 7:29:53

[EAI-023] FAST，机器人动作专用的Tokenizer，提高VLA模型的能力和训练效率

Paper Card 论文标题&#xff1a;FAST: Efficient Action Tokenization for Vision-Language-Action Models 论文作者&#xff1a;Karl Pertsch, Kyle Stachowicz, Brian Ichter, Danny Driess, Suraj Nair, Quan Vuong, Oier Mees, Chelsea Finn, Sergey Levine 论文链接&…...

编程日记 2025/5/19 7:31:26

Rust 条件语句

Rust 条件语句 在编程语言中&#xff0c;条件语句是进行决策和实现分支逻辑的关键。Rust 语言作为一门系统编程语言&#xff0c;其条件语句的使用同样至关重要。本文将详细介绍 Rust 中的条件语句&#xff0c;包括其基本用法、常见场景以及如何避免常见错误。 基本用法 Rust…...

编程日记 2025/5/19 7:32:56

Windows 上安装 PostgreSQL

Windows 上安装 PostgreSQL PostgreSQL 是一款功能强大的开源对象-关系型数据库系统，它具有出色的扩展性和稳定性。本文将详细介绍在 Windows 操作系统上安装 PostgreSQL 的步骤和注意事项。 1. 准备工作 在开始安装 PostgreSQL 之前，请确保您的计算机满足以下要求： 操作…...

编程日记 2025/5/19 7:15:54

UE 5.3 C++ 对垃圾回收的初步认识

一.UObject的创建 UObject 不支持构造参数。 所有的C UObject都会在引擎启动的时候初始化&#xff0c;然后引擎会调用其默认构造器。如果没有默认的构造器&#xff0c;那么 UObject 将不会编译。 有修改父类参数的需求&#xff0c;就使用指定带参构造 // Sets default value…...

编程日记 2025/5/18 21:05:25

解码,蓝桥杯2020G

a2b 解码后&#xff1a;aab ​ #include<iostream> using namespace std; typedef struct Node {char data;int size;Node* next; }Node,*Linklist; char* scan(char str[],int size) {int i 0;Linklist head new Node;Linklist rear head;while (i<size-1) {Lin…...

编程日记 2025/5/19 6:52:07

【贪心算法篇】：“贪心”之旅--算法练习题中的智慧与策略（一）

✨感谢您阅读本篇文章&#xff0c;文章内容是个人学习笔记的整理&#xff0c;如果哪里有误的话还请您指正噢✨ ✨ 个人主页&#xff1a;余辉zmh–CSDN博客 ✨ 文章所属专栏&#xff1a;贪心算法篇–CSDN博客 文章目录 一.贪心算法1.什么是贪心算法2.贪心算法的特点 二.例题1.柠…...

编程日记 2025/5/19 7:26:47

Python3 + Qt5：实现AJAX异步更新UI

使用 Python 和 Qt5 开发时异步加载数据的方法 在开发使用 Python 和 Qt5 的应用程序时&#xff0c;为了避免在加载数据时界面卡顿&#xff0c;可以采用异步加载的方式。以下是几种实现异步加载的方法&#xff1a; 1. 使用多线程&#xff08;QThread&#xff09; 通过将数据…...

编程日记 2025/5/19 7:29:54

Windows系统中Docker可视化工具对比分析，Docker Desktop，Portainer，Rancher

Docker可视化工具对比分析&#xff0c;Docker Desktop&#xff0c;Portainer&#xff0c;Rancher Windows系统中Docker可视化工具对比分析1. 工具概览2. Docker Desktop官网链接&#xff1a;主要优点&#xff1a;主要缺点&#xff1a;版本更新频率&#xff1a; 3. Portainer官网…...

编程日记 2025/5/19 6:01:42

从ai产品推荐到利用cursor快速掌握一个开源项目再到langchain手搓一个Text2Sql agent

目录 0. 经验分享&#xff1a;产品推荐 1. 经验分享&#xff1a;提示词优化 2. 经验分享&#xff1a;使用cursor 阅读一篇文章 3. 经验分享&#xff1a;使用cursor 阅读一个完全陌生的开源项目 4. 经验分享&#xff1a;手搓一个text2sql agent &#xff08;使用langchain l…...

编程日记 2025/5/19 7:17:27

curope python安装

目录 curope安装 测试： 报错：libc10.so: cannot open shared object file: No such file or directory 解决方法： curope安装 git clone : GitHub - Junyi42/croco at bd6f4e07d5c4f13ae5388efc052dadf142aff754 cd models/curope/ python setup.py build_ext --inplac…...

编程日记 2025/5/19 8:02:54

低代码产品插件功能一览

下图是统计的目前市面上流行的低代码、零代码产品的插件功能。 产品名称 产品类型 官方插件数量 支持拓展 官方插件功能 宜搭 零代码 3 暂不支持 云打印、CAD看图、打印表单详情 微搭 低代码 1 暂不支持 小程序 明道云 低代码 2 支持 视图、工作流节点 简道…...

编程日记 2025/5/19 7:55:08

流浪 Linux: 外置 USB SSD 安装 ArchLinux

注: ArchLinux 系统为滚动更新, 变化很快, 所以本文中的安装方法可能很快就过时了, 仅供参考. 实际安装时建议去阅读官方文档. 最近, 突然 (也没有那么突然) 有了一大堆 PC: 4 个笔记本, 2 个台式主机 (M-ATX 主板), 1 个小主机 (迷你主机). 嗯, 多到用不过来. 但是, 窝又不能…...

编程日记 2025/5/18 13:00:09

开启 AI 学习之旅：从入门到精通

最近 AI 真的超火，不管是工作还是生活里，到处都能看到它的身影。好多小伙伴都跑来问我，到底该怎么学 AI 呢？今天我就把自己学习 AI 的经验和心得分享出来，希望能帮到想踏入 AI 领域的朋友们！ 一、学习内容有哪些 （一）编程语言 Python 绝对是首选！它在 AI 领域的生态…...

编程日记 2025/5/15 18:37:56

笔记：使用ST-LINK烧录STM32程序怎么样最方便？

一般板子在插件上&#xff0c; 8脚 3.3V;9脚 CLK;10脚 DIO;4脚GND ST_Link 19脚 3.3V;9脚 CLK;7脚 DIO;20脚 GND 烧录软件&#xff1a;ST-LINK Utility&#xff0c;Keil_5; ST_Link 接口针脚定义&#xff1a; 按定义连接ST_Link与电路板&#xff1b; 打开STM32 ST-LINK Uti…...

编程日记 2025/5/14 20:29:05

开发环境搭建-4：WSL 配置 docker 运行环境

在 WSL 环境中构建&#xff1a;WSL2 (2.3.26.0) Oracle Linux 8.7 官方镜像 基本概念说明 容器技术 利用 Linux 系统的 文件系统&#xff08;UnionFS&#xff09;、命名空间&#xff08;namespace&#xff09;、权限管理&#xff08;cgroup&#xff09;&#xff0c;虚拟出一…...

编程日记 2025/5/14 20:47:08

925.长按键入

目录 一、题目二、思路三、解法四、收获 一、题目 你的朋友正在使用键盘输入他的名字 name。偶尔&#xff0c;在键入字符 c 时&#xff0c;按键可能会被长按&#xff0c;而字符可能被输入 1 次或多次。 你将会检查键盘输入的字符 typed。如果它对应的可能是你的朋友的名字&am…...

编程日记 2025/5/18 11:57:17

【数据采集】案例01：基于Scrapy采集豆瓣电影Top250的详细数据

基于Scrapy采集豆瓣电影Top250的详细数据 Scrapy 官方文档：https://docs.scrapy.org/en/latest/豆瓣电影Top250官网：https://movie.douban.com/top250写在前面 实验目的：基于Scrapy框架采集豆瓣电影Top250的详细数据。 电脑系统：Windows 使用软件：PyCharm、Navicat Python…...

编程日记 2025/5/15 15:32:36

doris:主键模型的导入更新

这篇文档主要介绍 Doris 主键模型基于导入的更新。 整行更新​ 使用 Doris 支持的 Stream Load、Broker Load、Routine Load、Insert Into 等导入方式&#xff0c;向主键模型&#xff08;Unique 模型&#xff09;导入数据时&#xff0c;如果没有相应主键的数据行&#xff0c;…...

编程日记 2025/5/17 0:42:36

日志2025.2.1

日志2025.2.1 1.做了敌人状态机 public class EnermyStateMachine { public EnermyState currentState { get; private set; } public void InitializeState(EnermyState startState) { currentState startState; currentState.Enter(); } public void Change…...

编程日记 2025/5/15 9:38:39

RK3568使用QT操作LED灯

文章目录 一、QT中操作硬件设备思路Linux 中的设备文件操作硬件设备的思路1. 打开设备文件2. 写入数据到设备3. 从设备读取数据4. 设备控制5. 异常处理在 Qt 中操作设备的典型步骤实际应用中的例子：控制 LED总结二、QT实战操作LED灯设备1. `mainwindow.h` 头文件2. `mainwindo…...

编程日记 2025/5/15 3:19:44

Rank-analysis-1.2——一款基于LCU API的排位分析工具，大四学生独立开发

LOL Rank Record Analysis&#xff1a;一款基于LCU API的排位分析工具&#xff0c;大四学生独立开发&#xff01; 大家好&#xff01;我是河南科技学院的大四学生&#xff0c;今天给大家分享一个我自己开发的软件——LOL Rank Record Analysis。这是一个基于 Riot 提供的 LCU …...

编程日记 2025/5/18 4:51:40

关于系统重构实践的一些思考与总结

文章目录 一、前言二、系统重构的范式1.明确目标和背景2.兼容屏蔽对上层的影响3.设计灰度迁移方案3.1 灰度策略3.2 灰度过程设计3.2.1 case1 业务逻辑变更3.2.2 case2 底层数据变更&#xff08;数据平滑迁移&#xff09;3.2.3 case3 在途新旧流程兼容3.2.4 case4 接口变更3.2.5…...

编程日记 2025/5/14 21:24:03

代码随想录-训练营-day17

235. 二叉搜索树的最近公共祖先 - 力扣&#xff08;LeetCode&#xff09; /*** Definition for a binary tree node.* struct TreeNode {* int val;* TreeNode *left;* TreeNode *right;* TreeNode(int x) : val(x), left(NULL), right(NULL) {}* };*/class S…...

编程日记 2025/5/15 8:19:35

C++，STL，【目录篇】

文章目录 一、简介二、内容提纲第一部分&#xff1a;STL 概述第二部分&#xff1a;STL 容器第三部分&#xff1a;STL 迭代器第四部分&#xff1a;STL 算法第五部分&#xff1a;STL 函数对象第六部分&#xff1a;STL 高级主题第七部分&#xff1a;STL 实战应用 三、写作风格四、…...

编程日记 2025/5/18 15:01:50

《数据可视化新高度：Graphy的AI协作变革》

在数据洪流奔涌的时代&#xff0c;企业面临的挑战不再仅仅是数据的收集&#xff0c;更在于如何高效地将数据转化为洞察&#xff0c;助力决策。Graphy作为一款前沿的数据可视化工具&#xff0c;凭借AI赋能的团队协作功能&#xff0c;为企业打开了数据协作新局面&#xff0c;重新…...

编程日记 2025/5/18 17:27:47

abc 390 D(暴搜 复杂度用 bell数 证明 n 的集合的划分方法的数目）

D题意&#xff1a; 将 长度为 N 的数组 划分为集合 有多少种不同的 异或和 这道题做出来和bell 数没什么关系&#xff0c;如果要证明复杂度那么就需要bell 数 #include <bits/stdc.h> using namespace std; typedef pair<int, int> PII; #define int long long i…...

编程日记 2025/5/17 8:00:31

AJAX综合案例——图书管理

黑马程序员视频地址&#xff1a; AJAX-Day02-10.案例_图书管理AJAX-Day02-10.案例_图书管理_总结_V1.0是黑马程序员前端AJAX入门到实战全套教程&#xff0c;包含学前端框架必会的&#xff08;ajaxnode.jswebpackgit&#xff09;&#xff0c;一套全覆盖的第25集视频&#xff0c…...

编程日记 2025/5/18 12:27:24

计算机网络 笔记 网络层 3

IPv6 IPv6 是互联网协议第 6 版&#xff08;Internet Protocol Version 6&#xff09;的缩写&#xff0c;它是下一代互联网协议&#xff0c;旨在解决 IPv4 面临的一些问题&#xff0c;以下是关于 IPv6 的详细介绍&#xff1a; 产生背景&#xff1a; 随着互联网的迅速发展&…...

编程日记 2025/5/16 2:45:43

Web服务器启动难题：Spring Boot框架下的异常处理解析

摘要 在尝试启动Web服务器时遇到了无法启动的问题&#xff0c;具体错误为org.springframework.boot.web.server.WebServerException。这一异常表明Spring Boot框架在初始化Web服务器过程中出现了故障。通常此类问题源于配置文件错误、端口冲突或依赖项缺失等。排查时应首先检查…...

编程日记 2025/5/14 3:46:05

在LINUX上安装英伟达CUDA Toolkit

下载安装包 wget https://developer.download.nvidia.com/compute/cuda/12.8.0/local_installers/cuda-repo-rhel8-12-8-local-12.8.0_570.86.10-1.x86_64.rpm 安装RPM包 sudo rpm -i cuda-repo-rhel8-12-8-local-12.8.0_570.86.10-1.x86_64.rpm sudo dnf clean all sudo dnf…...

编程日记 2025/5/17 5:53:05