当前位置：首页 > news >正文

【单层神经网络】softmax回归的从零开始实现（图像分类）

news 来源：原创 2025/5/14 10:11:12

softmax回归

该回归分析为后续的多层感知机做铺垫

基本概念

softmax回归用于离散模型预测（分类问题，含标签）

softmax运算本质上是对网络的多个输出进行了归一化，使结果有一个统一的判断标准，不必纠结为什么要这么算

网络结构：

多输入多输出，单层神经网络，输出神经元与输入全连接
一组输入x为n维行向量，输入矩阵为a*n，a为样本个数
一组输出o为m维行向量，输出矩阵为a*m
偏置是m维行向量
权重矩阵W为n*m的矩阵（n行=输入个数，m列=输出个数）
网络输出:
Y = softmax(O)
O = X*W + b

交叉熵损失函数

核心：

交叉熵只关心对正确类别的预测概率
最小化交叉熵损失函数等价于最大化似然函数，二者出自不同学科，但在数学上描述了同一个对象
可以使用准确率评价模型表现

完整程序及注释

完整softmax图像分类实现

import d2lzh as d2l
from mxnet import autograd, nd
'''
基础参数声明
'''
batch_size = 256
# 创建两个迭代器，用于对mnist数据集进行小批量随机采样
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)num_inputs = 28*28  # 将二维图片变成一维向量后的长度
num_outputs = 10    # 输出数量
W = nd.random.normal(loc=0, scale=0.01, shape=(num_inputs, num_outputs))
b = nd.zeros(num_outputs)
W.attach_grad()
b.attach_grad()'''
训练必要方法声明
'''
# 指数化+归一化 = softmax运算
def softmax(X):X_exp = X.exp()partition = X_exp.sum(axis=1, keepdims=True)return X_exp / partition# 将二维图片变成一维向量（改变模型形式），并为每个特征分配权重和偏置
# nd.dot(X.reshape((-1, num_inputs)), W) + b 的输出是一个矩阵，行数等于小批量中的样本数，列数等于输出的类别数量
# 每一行中数值最大的那一项，代表模型认为该样本属于这一类的概率最大
def net(X):return softmax(nd.dot(X.reshape((-1, num_inputs)), W) + b)# y是正确的标签号，y_hat是样本对各个类型的预测概率
# 该函数返回各个概率中正确标签的概率值，并进行exp()运算
def cross_entropy(y_hat, y):return -nd.pick(y_hat, y).log() # .log()方法将pick()的返回的每个元素进行exp运算# 计算样本集的准确率
def accuracy(y_hat, y):return (y_hat.argmax(axis=1) == y.astype('float32')).mean().asscalar()# 小批量对data_iter进行遍历，最后统计准确率
def evaluate_accracy(data_iter, net):acc_sum, n = 0.0, 0for X, y in data_iter:          # X是特征，y是标签y = y.astype("float32")# 取出每一行中数字最大的那一项的索引号，并和标签y比较，再对该次小批量求和，累加acc_sum += (net(X).argmax(axis=1) == y).sum().asscalar()n += y.sizereturn acc_sum / n'''
训练函数
'''
def train_ch3(net, train_iter, test_iter, loss, num_epochs, batch_size, params=None, lr=None, trainer=None):for epoch in range(num_epochs):train_l_sum, train_acc_sum, n = 0.0, 0.0, 0for X, y in train_iter:with autograd.record():y_hat = net(X)l = loss(y_hat, y).sum()        # 调用时, 传入交叉熵损失函数l.backward()if trainer == None:d2l.sgd(params, lr, batch_size)else:trainer.step(batch_size)y = y.astype("float32")train_l_sum += l.asscalar()         # 总损失train_acc_sum += (y_hat.argmax(axis=1) == y).sum().asscalar()   # 总准确率n += y.sizetest_acc = evaluate_accracy(test_iter, net)# 打印平均损失和平均准确率（训练集和测试集）print('epoch %d, loss %.4f, train_acc %.4f, test_acc %.4f'% (epoch+1, train_l_sum/n, train_acc_sum/n, test_acc))   '''
开始训练，一般在第9轮左右准确率逼近峰值，85%左右
想要更高的准确率，需要更好的模型和寻优算法
'''
if __name__ == "__main__":num_epochs, lr = 20, 0.1train_ch3(net, train_iter, test_iter, cross_entropy, num_epochs, batch_size, [W, b], lr)

查看数据集

from matplotlib import pyplot as plt
from mxnet.gluon import data as gdata# 展示FashionMNIST数据集
mnist_train = gdata.vision.FashionMNIST(train=True)
mnist_test = gdata.vision.FashionMNIST(train=False)
print(len(mnist_train))
print(len(mnist_test))feature, label = mnist_train[19]
print(label)
img = feature
# 将 MXNet NDArray 转换为 NumPy 数组，并调整维度顺序以匹配图像格式
img_np = img.asnumpy().squeeze() # 移除单维度条目plt.imshow(img_np, cmap='gray')
plt.axis('off')
plt.show()

呈现效果

我训练了8次就手动让它中止了
中断打印结果

具体程序解释

net(X)

X.reshape((-1, num_inputs))：

这是将X重新塑形的操作。这里的reshape函数用于改变X的形状而不改变其数据。

参数(-1, num_inputs)告诉函数自动计算该维度的大小以使总元素数量保持不变，而另一维度则指定为num_inputs。

-1在这里作为一个占位符，指示系统根据原张量中的元素数量和另一个指定的维度大小自动推断出这一维度的具体值。

简单来说，这段代码的作用是将输入数据X拉平成一维向量，以便与权重矩阵W进行点积运算。如果你的输入是一批二维图片，这一步会将每张图片转换为一维向量形式，使得它们能够通过全连接层。
nd.pick()

用于从一个多维数组中根据指定的索引挑选元素
举例：
```
import mxnet as mx
data = mx.nd.array([[1, 2], [3, 4]])
index = mx.nd.array([1, 0])
picked_elements = mx.nd.pick(data, index, axis=1)print(picked_elements.asnumpy())
```
在这个例子中，data 是一个二维 NDArray，而 index 是一个一维数组，指示了在 axis=1（行）上希望选取的元素索引。

nd.pick 函数会根据给定的索引数组 index，从 data 的指定维度（通过 axis 参数指定）中挑选出相应的元素。

具体来说：mx.nd.array创建了两个行向量，用[1, 0]和axis=1索引的是第0行中的第1个和第1行中的第0个元素
accuracy(y_hat, y)
1. y_hat.argmax(axis=1)
  使用 argmax 函数找到 y_hat 中每一行（即每个样本）的最大值对应的索引。
2. (y_hat.argmax(axis=1) == y.astype(‘float32’)):
  进行逐元素比较，判断预测的类别是否等于实际类别，返回bool类型
3. .mean():
  计算上述布尔数组的平均值。由于 True 在数值计算中被视为 1，False 视为 0，因此平均值实际上就是预测正确的样本比例，即准确率。
4. .asscalar():
  将结果从 NDArray 转换为 Python 标量（如 float）

【单层神经网络】softmax回归的从零开始实现（图像分类）

softmax回归该回归分析为后续的多层感知机做铺垫基本概念 softmax回归用于离散模型预测（分类问题，含标签） softmax运算本质上是对网络的多个输出进行了归一化，使结果有一个统一的判断标准，不必纠结为什么要这么算…...

编程日记 2025/5/14 10:11:12

课题推荐——基于自适应滤波技术的多传感器融合在无人机组合导航中的应用研究

无人机在现代航空、农业和监测等领域的应用日益广泛。为了提高导航精度，通常采用多传感器融合技术，将来自GPS、惯性测量单元（IMU）、磁力计等不同传感器的数据整合。然而，传感器的量测偏差、环境干扰以及非线性特性使得…...

编程日记 2025/5/14 9:48:48

【基于SprintBoot+Mybatis+Mysql】电脑商城项目之用户登录

🧸安清h：个人主页 🎥个人专栏：【Spring篇】【计算机网络】【Mybatis篇】 🚦作者简介：一个有趣爱睡觉的intp，期待和更多人分享自己所学知识的真诚大学生。目录 🎯1.登录-持久层 &…...

编程日记 2025/5/14 6:32:57

Mono里运行C#脚本40—mono_magic_trampoline函数的参数设置

前面介绍过跳板代码，它是用来切换托管代码与非托管的代码，以及运行时与C#代码的交互。实现从运行时切换到C#代码来运行，再从C#代码返回运行时。要想理解整个切换的细节，那么就需要理解mono_magic_trampoline函数，而要理解此函数，就必须了解这个函数的参数来源。要理…...

编程日记 2025/5/13 1:02:19

Verilog基础（三）：过程

过程(Procedures) - Always块 – 组合逻辑 (Always blocks – Combinational) 由于数字电路是由电线相连的逻辑门组成的，所以任何电路都可以表示为模块和赋值语句的某种组合. 然而，有时这不是描述电路最方便的方法. 两种always block是十分有用的：组合逻辑： always @(…...

编程日记 2025/5/14 9:10:49

实际操作检测缺陷刀片

号he 找到目标图像的缺陷位置，首先思路为对图像进行预处理，灰度-二值化-针对图像进行轮廓分析 //定义结构元素 Mat se getStructuringElement(MORPH_RECT, Size(3, 3), Point(-1, -1)); morphologyEx(thre, tc, MORPH_OPEN, se, Point(-1, -1), 1); …...

编程日记 2025/5/13 15:14:09

DeepSeek 阐述 2025年前端发展趋势

预测2025年前端的发展趋势。首先，我需要考虑当前的前端技术发展情况，以及近几年的变化趋势。比如，框架方面，React、Vue、Angular这些主流框架的更新方向和社区活跃度。可能用户想知道未来哪些技术会更流行，或者需要学…...

编程日记 2025/5/14 9:53:13

Elasticsearch基本使用详解

文章目录 Elasticsearch基本使用详解一、引言二、环境搭建1、安装 Elasticsearch2、安装 Kibana（可选） 三、索引操作1、创建索引2、查看索引3、删除索引四、数据操作1、插入数据2、查询数据（1）简单查询（2）…...

编程日记 2025/5/12 9:01:59

【Rust自学】17.3. 实现面向对象的设计模式

喜欢的话别忘了点赞、收藏加关注哦，对接下来的教程有兴趣的可以关注专栏。谢谢喵！(･ω･) 17.3.1. 状态模式状态模式(state pattern) 是一种面向对象设计模式，指的是一个值拥有的内部状态由数个状态对象&#xff08…...

编程日记 2025/5/14 9:59:37

司库建设-融资需求分析与计划制定

当企业现金流紧张时，企业需要考虑外部融资，从财务营运角度来考虑和分析如何确定输入和输出，进行整体解决方案设计。融资需求分析与计划制定功能点： 现金流预测工具：集成历史数据和业务计划，自动生成未来1…...

编程日记 2025/5/13 2:34:17

2. 【.NET Aspire 从入门到实战】--理论入门与环境搭建--.NET Aspire 概览

在当今快速发展的软件开发领域，构建高效、可靠且易于维护的云原生应用程序已成为开发者和企业的核心需求。.NET Aspire 作为一款专为云原生应用设计的开发框架，旨在简化分布式系统的构建和管理，提供了一整套工具、模板和集成包，帮…...

编程日记 2025/5/14 6:01:14

【Elasticsearch】allow_no_indices

- **allow_no_indices 参数的作用**： 该参数用于控制当请求的目标索引（通过通配符、别名或 _all 指定）不存在或已关闭时，Elasticsearch 的行为。 - **默认行为**： 如果未显式设置该参数，默认值为 …...

编程日记 2025/5/14 9:28:10

26.useScript

在 Web 应用开发中，动态加载外部脚本是一个常见需求，特别是在需要集成第三方库或服务时。然而，在 React 应用中管理脚本加载可能会变得复杂。useScript 钩子提供了一种优雅的方式来处理外部脚本的加载、错误处理和清理，使得在 Rea…...

编程日记 2025/5/14 9:06:06

跨域问题和解决方案

跨域问题及解决方案同源策略及跨域问题同源策略是一套浏览器安全机制，当一个源的文档和脚本，与另一个源的资源进行通信时，同源策略就会对这个通信做出不同程度的限制。简单来说，同源策略对同源资源放行，对异源…...

编程日记 2025/5/14 9:23:41

springboot中路径默认配置与重定向/转发所存在的域对象

Spring Boot 是一种简化 Spring 应用开发的框架，它提供了多种默认配置和方便的开发特性。在 Web 开发中，路径配置和请求的重定向/转发是常见操作。本文将详细介绍 Spring Boot 中的路径默认配置，并解释重定向和转发过程中存在的域对象。一、…...

编程日记 2025/5/14 9:02:55

【OS】AUTOSAR架构下的Interrupt详解（下篇）

目录 3.代码分析 3.1中断配置代码 3.2 OS如何找到中断处理函数 3.3 Os_InitialEnableInterruptSources实现 3.4 Os_EnableInterruptSource 3.5 DisableAllInterrupts 3.5.1Os_IntSuspendCat1 3.5.2 Os_InterruptDisableAllEnter 3.5.3 Disable二类中断 3.5.4 Disable一…...

编程日记 2025/5/14 7:03:20

基于遗传算法的256QAM星座图的最优概率整形matlab仿真,对比优化前后整形星座图和误码率

目录 1.算法仿真效果 2.算法涉及理论知识概要 3.MATLAB核心程序 4.完整算法代码文件获得 1.算法仿真效果 matlab2022a仿真结果如下（完整代码运行后无水印）： GA优化曲线： 优化前后星座图对比优化前后误码率对比仿真操作步骤…...

编程日记 2025/5/14 8:51:28

Android学习21 -- launcher

1 前言之前在工作中，第一次听到launcher有点蒙圈，不知道是啥，当时还赶鸭子上架去和客户PK launcher的事。后来才知道其实就是安卓的桌面。本来还以为很复杂，毕竟之前接触过windows的桌面，那叫一个复杂。。。后面查了…...

编程日记 2025/5/14 9:00:44

小程序越来越智能化，作为设计师要如何进行创新设计

一、用户体验至上 （一）简洁高效的界面设计小程序的特点之一是轻便快捷，用户期望能够在最短的时间内找到所需功能并完成操作。因此，设计师应致力于打造简洁高效的界面。避免过多的装饰元素和复杂的布局，采用清晰的导航…...

编程日记 2025/5/14 8:49:11

【实践案例】基于大语言模型的海龟汤游戏

文章目录项目背景提示词构建海龟汤主持人真相判断专家具体实现流程文心一言大语言模型“海龟汤”插件参考项目背景 “海龟汤”作为一种聚会类桌游，又称情境推理游戏，是一种猜测情境还原事件真相的智力游戏。其玩法是由出题者提出一个难以理解的事件&…...

编程日记 2025/5/14 8:49:32

基于多智能体强化学习的医疗AI中RAG系统程序架构优化研究

一、引言 1.1 研究背景与意义在数智化医疗飞速发展的当下，医疗人工智能（AI）已成为提升医疗服务质量、优化医疗流程以及推动医学研究进步的关键力量。医疗 AI 借助机器学习、深度学习等先进技术，能够处理和分析海量的医疗数据，从而辅助医生进行疾病诊断、制定治疗方案以…...

编程日记 2025/5/13 13:08:36

【Unity2D 2022：UI】创建滚动视图

一、创建Scroll View游戏对象在Canvas画布下新建Scroll View游戏对象二、为Content游戏对象添加Grid Layout Group（网格布局组）组件选中Content游戏物体，点击Add Competent添加组件，搜索Grid Layout Group组件三、调整Grid La…...

编程日记 2025/5/13 17:46:48

C++ Primer 多维数组

欢迎阅读我的【CPrimer】专栏专栏简介：本专栏主要面向C初学者，解释C的一些基本概念和基础语言特性，涉及C标准库的用法，面向对象特性，泛型特性高级用法。通过使用标准库中定义的抽象设施，使你更加适应高级…...

编程日记 2025/5/2 17:10:43

怀旧经典：1200+款红白机游戏合集，Windows版一键畅玩

沉浸在怀旧的海洋中，体验经典红白机游戏的魅力！我们为您精心准备了超过1200款经典游戏的合集，每一款都是时代的印记，每一场都是回忆的旅程。这个合集不仅包含了丰富的游戏资源，还内置了多个Windows版的NES模拟器&…...

编程日记 2025/5/13 3:19:48

【数据采集】案例02：基于Selenium采集豆瓣电影Top250的详细数据

基于Selenium采集豆瓣电影Top250的详细数据 Selenium官网：https://www.selenium.dev/blog/ 豆瓣电影Top250官网：https://movie.douban.com/top250 写在前面实验目标：基于Selenium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 技术需求…...

编程日记 2025/5/1 3:49:08

Spring 面试题【每日20道】【其二】

1、Spring MVC 具体的工作原理？ 中等 Spring MVC 是 Spring 框架的一部分，专门用于构建基于Java的Web应用程序。它采用模型-视图-控制器（MVC）架构模式，有助于分离应用程序的不同方面，如输入逻辑、业务逻辑…...

编程日记 2025/5/12 22:33:04

算法设计-0-1背包动态规划（C++）

一、问题阐述 0-1 背包问题的目标是在给定背包容量 W 的情况下，从 n 个物品中选择一些物品放入背包，使得背包中物品的总价值最大。每个物品只能选择一次（即要么放入背包，要么不放入）。二、代码 #include <iostr…...

编程日记 2025/5/12 8:51:06

【Java知识】使用Java实现地址逆向解析到区划信息

文章目录 1. 实现 FST1.1 定义 FST 节点1.2 定义 FST 2. 实现地址逆向查询2.1 定义区划信息2.2 构建 FST 3. 运行结果4. 代码说明5. 进一步优化6. 总结实现一个 FST（Finite State Transducer，有限状态转换器） 并用于地址逆向查询区划信息…...

编程日记 2025/5/13 3:19:38

单机伪分布Hadoop详细配置

目录 1. 引言2. 配置单机Hadoop2.1 下载并解压JDK1.8、Hadoop3.3.62.2 配置环境变量2.3 验证JDK、Hadoop配置 3. 伪分布Hadoop3.1 配置ssh免密码登录3.2 配置伪分布Hadoop3.2.1 修改hadoop-env.sh3.2.2 修改core-site.xml3.2.3 修改hdfs-site.xml3.2.4 修改yarn-site.xml3.2.5 …...

编程日记 2025/5/9 23:00:30

[250204] Mistral Small 3：小巧、快速、强大 | asdf 0.16.0 发布：Golang 重写带来性能飞跃

目录 Mistral AI 发布开源模型 Mistral Small 3：小巧、快速、强大asdf 0.16.0 版本发布：Golang 重写带来性能飞跃！ Mistral AI 发布开源模型 Mistral Small 3：小巧、快速、强大法国人工智能初创公司 Mistral AI 发布了最新的开源…...

编程日记 2025/5/12 20:49:35

解读“大语言模型（LLM）安全性测评基准”

1. 引入 OWASP，全称为Open Web Application Security Project，即开放式Web应用程序安全项目，是一个致力于提高软件安全性的非营利国际组织。由于庞大的规模和复杂的结构，大语言模型也存在多种安全风险，如prompt误导…...

编程日记 2025/5/12 15:25:28

可视化相机pose colmap形式的相机内参外参

目录内参外参转换可视化相机pose colmap形式的相机内参外参内参外参转换 def visualize_cameras(cameras, images):fig plt.figure()ax fig.add_subplot(111, projection3d)for image_id, image_data in images.items():qvec image_data[qvec]tvec image_data[tvec]#…...

编程日记 2025/5/10 20:30:07

从0开始使用面对对象C语言搭建一个基于OLED的图形显示框架（基础图形库实现）

目录基础图形库的抽象抽象图形抽象点设计我们的抽象实现我们的抽象测试抽象线设计我们的抽象实现我们的抽象绘制垂直的和水平的线使用Bresenham算法完成任意斜率的绘制绘制三角形和矩形矩形三角形实现绘制圆，圆弧和椭圆继续我们的…...

编程日记 2025/5/13 3:19:27

python学opencv|读取图像（五十三）原理探索：使用cv.matchTemplate()函数实现最佳图像匹配

【1】引言前序学习进程中，已经探索了使用cv.matchTemplate()函数实现最佳图像匹配的技巧，并且成功对两个目标进行了匹配。相关文章链接为：python学opencv|读取图像（五十二）使用cv.matchTemplate()函数实现最佳图像…...

编程日记 2025/5/13 4:47:47

4 前端前置技术（上）：AJAX技术（前端发送请求）

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言前言...

编程日记 2025/4/19 12:34:42

python的ruff简单使用

Ruff 是一个用 Rust 编写的高性能 Python 静态分析工具和代码格式化工具。它旨在提供快速的代码检查和格式化功能，同时支持丰富的配置选项和与现有工具的兼容性。ruff是用rust实现的python Linter&Formatter。安装： conda install -c conda-forge…...

编程日记 2025/5/14 8:02:14

windows环境下如何在PyCharm中安装软件包

windows环境下如何在pyCharm中安装wxPython软件包在windows环境中，安装软件包可以使用终端的方式，在IDE下方的终端中执行pip install wxPython进行安装，安装完毕之后，使用pip show wxPython检查也符合预期。但是在代码文件中导…...

编程日记 2025/5/11 12:16:01

【LLM-agent】(task2)用llama-index搭建AI Agent

note LlamaIndex 实现 Agent 需要导入 ReActAgent 和 Function Tool，循环执行：推理、行动、观察、优化推理、重复进行。可以在 arize_phoenix 中看到 agent 的具体提示词，工具被装换成了提示词ReActAgent 使得业务自动向代码转换成为可能&am…...

编程日记 2025/5/12 17:30:02

Deep Crossing：深度交叉网络在推荐系统中的应用

实验和完整代码完整代码实现和jupyter运行：https://github.com/Myolive-Lin/RecSys--deep-learning-recommendation-system/tree/main 引言在机器学习和深度学习领域，特征工程一直是一个关键步骤，尤其是对于大规模的推荐系统和广告点击率预…...

编程日记 2025/5/12 14:20:31

介绍一下Mybatis的Executor执行器

Executor执行器是用来执行我们的具体的SQL操作的有三种基本的Executor执行器： SimpleExecutor简单执行器每执行一次update或select，就创建一个Statement对象，用完立刻关闭Statement对象 ReuseExecutor可重用执行器可重复利用Statement…...

编程日记 2025/5/9 3:35:48

pthread_cond_broadcast的概念和使用案例

pthread_cond_broadcast 是 POSIX 线程（Pthreads）库中用于条件变量（Condition Variable）操作的函数，定义在 <pthread.h> 头文件中。它的核心作用是唤醒所有等待在某个条件变量上的线程，通常用于多线程…...

编程日记 2025/5/13 7:13:43

数据中心服务器对PCIe测试的需求、挑战和应用

人工智能和机器学习技术的迅猛发展，尤其是大语言模型（LLM）的兴起，对计算资源和数据传输速度提出了更高的要求，从而激发了对更高带宽解决方案的迫切需求。PCIe作为数据中心服务器间互联的主力军，承担着高速数…...

编程日记 2025/5/14 8:02:11

SpringBoot的配置(配置文件、加载顺序、配置原理)

文章目录 SpringBoot的配置(配置文件、加载顺序、配置原理)一、引言二、配置文件1、配置文件的类型1.1、配置文件的使用 2、多环境配置三、加载顺序四、配置原理五、使用示例1、配置文件2、配置类3、控制器六、总结 SpringBoot的配置(配置文件、加载顺序、配置原理) 一、引言…...

编程日记 2025/5/10 2:36:14

利用Vue和javascript分别编写一个“Hello World”的定时更新

目录一、利用Vue编写一个“Hello World”的定时更新（1）vue编码在Html文件中（2）vue编码在js文件中二、利用javascript编写一个“Hello World”的定时更新一、利用Vue编写一个“Hello World”的定时更新 （1&#xff…...

编程日记 2025/5/12 13:39:48

【免费】2007-2019年各省科技支出占一般公共预算支出的比重数据

2007-2019年各省科技支出占一般公共预算支出的比重数据 1、时间：2007-2019年 2、来源：国家统计局、统计年鉴 3、指标：行政区划代码、地区名称、年份、科技支出占一般公共预算支出的比重 4、范围：31省 5、指标解释&#xff1a…...

编程日记 2025/5/7 17:35:13

解决 LeetCode 922 题：按奇偶排序数组 II

解决 LeetCode 922 题：按奇偶排序数组 II 题目描述给定一个非负整数数组 nums，其中一半整数是奇数，一半整数是偶数。要求对数组进行排序，以便当 nums[i] 为奇数时，i 也是奇数；当 nums[i] 为偶数时&#…...

编程日记 2025/5/13 5:38:30

【PyQt】getattr动态访问对象的属性

问题使用qtdesigner设计好大体的软件结构，需要使用代码进行批量修改控件样式,self.ui.x 会被解释为访问 self.ui 中名为 x 的属性，而不是将 x 作为变量名来解析，此时需要通过字符串动态访问 self.ui 中的按钮对象 for i in range(20):x f…...

编程日记 2025/5/9 16:52:48

基于RTOS的STM32游戏机

1.游戏机的主要功能所有游戏都来着B站JL单片机博主开源这款游戏机具备存档与继续游戏功能，允许玩家在任何时候退出当前游戏并保存进度，以便日后随时并继续之前的冒险。不仅如此，游戏机还支持多任务处理，玩家可以在退出当前游戏…...

编程日记 2025/5/12 3:49:46

＜自用文儿＞下载 MaxMind GeoIP Databases 对攻击的 IP 做地理分析

起因两个 VPM/VPS，安装了 fail2ban 去拦截密码穷举攻击。每天的记录都在增长，以前复制屏幕输出就行，一屏的内容还容易粘贴出来的。昨天已经过 500 条，好奇 fail2ban 是如何存储这些内容的？就发现它在使用 SQLite3 数…...

编程日记 2025/5/7 14:07:43

kubernetes 核心技术-集群安全机制 RBAC

随着 Kubernetes 在企业级应用中的广泛采用，确保集群的安全性变得至关重要。Kubernetes 提供了多种安全机制来保护集群及其资源免受未授权访问和潜在威胁的影响。其中，基于角色的访问控制（Role-Based Access Control, 简称 RBAC）是…...

编程日记 2025/5/9 6:06:03