当前位置： 首页 > news >正文

stacking 框架

news 来源：原创 2025/5/9 15:57:31

stacking

stacking介绍

  • Stacking是个多层的多模型集合方法。每一层都可包括多个模型，下一层利用上一层模型的结果进行学习。可以只使用一层，然后用元学习器融合，也可以多层融合。

    单层融合
    在这里插入图片描述

    多层融合
    在这里插入图片描述

    如上图所示，Stacking结构中有两层算法串联，第一层叫做了L1，第二层叫做L2，L1和L2里面可能包含1个或多个强学习器，而元学习器只能包含一个学习器。在训练中，数据会先被输入L1，L2进行训练，训练完毕后，L2中的每个算法会输出相应的预测结果。我们将这些预测结果拼凑成新特征矩阵，再输入元学习器进行训练。

sklearn中实现stacking

  • 在sklearn当中，我们使用如下两个类来实现stacking：

    stacking分类

    ## stacking分类
class sklearn.ensemble.StackingClassifier(estimators #个体评估器的列表, final_estimator=None # 元学习器，只能有一个评估器, *, cv=None # 用于指定交叉验证的具体类型、折数等细节, stack_method='auto'#只有分类器才有的参数，表示个体学习器输出的具体测试结果。, n_jobs=None # 线程树, passthrough=False # 在训练元学习器时，是否加入原始数据作为特征矩阵。, verbose=0)

    stacking回归

    ## stacking回归
class sklearn.ensemble.StackingRegressor(estimators#个体评估器的列表, final_estimator=None # 元学习器，只能有一个评估器, *, cv=None# 用于指定交叉验证的具体类型、折数等细节, n_jobs=None# 线程树, passthrough=False# 在训练元学习器时，是否加入原始数据作为特征矩阵。, verbose=0)
    参数说明
    estimators个体评估器的列表。在sklearn中，只使用单一评估器作为个体评估器时，
    模型可以运行，但效果往往不太好。
    final_estimator元学习器，只能有一个评估器。当融合模型执行分类任务时，元学习器一定是分类算法，
    当融合模型执行回归任务时，元学习器一定是回归算法。
    cv用于指定交叉验证的具体类型、折数等细节。
    可以执行简单的K折交叉验证，也可以输入sklearn中交叉验证类。
    stack_method只有分类器才有的参数，表示个体学习器输出的具体测试结果。
    passthrough在训练元学习器时，是否加入原始数据作为特征矩阵。
    n_jobs, verbose线程数与监控参数。

  • 在sklearn当中，只要输入estimators和final_estimator，就可以执行stacking了。我们可以沿用个体学习器组合，并使用随机森林作为元学习器来完成stacking：

  • 导入库

    import re
import numpy as np
import pandas as pd
import matplotlib as mlp
import matplotlib.pyplot as plt
import timeimport sklearn
from sklearn.model_selection import KFold, cross_validate
from sklearn.datasets import load_digits #分类 - 手写数字数据集
from sklearn.datasets import load_iris
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split#算法（单一学习器）
from sklearn.neighbors import KNeighborsClassifier as KNNC
from sklearn.neighbors import KNeighborsRegressor as KNNR
from sklearn.tree import DecisionTreeRegressor as DTR
from sklearn.tree import DecisionTreeClassifier as DTC
from sklearn.linear_model import LinearRegression as LR
from sklearn.linear_model import LogisticRegression as LogiR
from sklearn.ensemble import RandomForestRegressor as RFR
from sklearn.ensemble import RandomForestClassifier as RFC
from sklearn.ensemble import GradientBoostingRegressor as GBR
from sklearn.ensemble import GradientBoostingClassifier as GBC
from sklearn.naive_bayes import GaussianNB
import xgboost as xgb#融合模型
from sklearn.ensemble import StackingClassifier

  • 导入数据

    data = load_digits()
X = data.data
y = data.targetXtrain,Xtest,Ytrain,Ytest = train_test_split(X,y,test_size=0.2,random_state=1412)

  • 定义交叉验证函数

    def fusion_estimators(clf):"""对融合模型做交叉验证，对融合模型的表现进行评估"""cv = KFold(n_splits=5,shuffle=True,random_state=1412)results = cross_validate(clf,Xtrain,Ytrain,cv = cv,scoring = "accuracy",n_jobs = -1,return_train_score = True,verbose=False)test = clf.fit(Xtrain,Ytrain).score(Xtest,Ytest)print("train_score:{}".format(results["train_score"].mean()),"\n cv_mean:{}".format(results["test_score"].mean()),"\n test_score:{}".format(test))def individual_estimators(estimators):"""对模型融合中每个评估器做交叉验证，对单一评估器的表现进行评估"""for estimator in estimators:cv = KFold(n_splits=5,shuffle=True,random_state=1412)results = cross_validate(estimator[1],Xtrain,Ytrain,cv = cv,scoring = "accuracy",n_jobs = -1,return_train_score = True,verbose=False)test = estimator[1].fit(Xtrain,Ytrain).score(Xtest,Ytest)print(estimator[0],"\n train_score:{}".format(results["train_score"].mean()),"\n cv_mean:{}".format(results["test_score"].mean()) #训练集交叉验证分数,"\n test_score:{}".format(test) # 测试集交叉验证分数,"\n")

  • 个体学习器与元学习器的定义。在这里选出7个模型：

    #逻辑回归没有增加多样性的选项
clf1 = LogiR(max_iter = 3000, C=0.1, random_state=1412,n_jobs=8)#增加特征多样性与样本多样性
clf2 = RFC(n_estimators= 100,max_features="sqrt",max_samples=0.9,random_state=1412,n_jobs=8)#特征多样性，稍微上调特征数量
clf3 = GBC(n_estimators= 100,max_features=16,random_state=1412) #增加算法多样性，新增决策树与KNN
clf4 = DTC(max_depth=8,random_state=1412)clf5 = KNNC(n_neighbors=10,n_jobs=8)clf6 = GaussianNB()#新增随机多样性，相同的算法更换随机数种子
clf7 = RFC(n_estimators= 100,max_features="sqrt",max_samples=0.9,random_state=4869,n_jobs=8)clf8 = GBC(n_estimators= 100,max_features=16,random_state=4869)estimators = [("Logistic Regression",clf1), ("RandomForest", clf2), ("GBDT",clf3), ("Decision Tree", clf4), ("KNN",clf5) #, ("Bayes",clf6), ("RandomForest2", clf7), ("GBDT2", clf8)]

  • 导入sklearn进行建模

    #选择单个评估器中分数最高的随机森林作为元学习器
#也可以尝试其他更简单的学习器
final_estimator = RFC(n_estimators=100
#                       , min_impurity_decrease=0.0025, random_state= 420, n_jobs=8)
clf = StackingClassifier(estimators=estimators #level0的7个体学习器列表,final_estimator=final_estimator #level 1的元学习器,n_jobs=8)fusion_estimators(clf) #没有过拟合限制"""输出"""
train_score:1.0 cv_mean:0.9819081494386372 test_score:0.9861111111111112final_estimator = RFC(n_estimators=100, min_impurity_decrease=0.0025, random_state= 420, n_jobs=8)
clf = StackingClassifier(estimators=estimators #level0的7个体学习器列表,final_estimator=final_estimator #level 1的元学习器,n_jobs=8)
fusion_estimators(clf) #精调过拟合"""输出"""
train_score:1.0 cv_mean:0.9805216802168022 test_score:0.9888888888888889
    benchmark投票法堆叠法
    5折交叉验证0.96660.98330.9819(↓)
    测试集结果0.95270.98890.9889(-)
  • 可以看到，stacking在测试集上的分数与投票法Voting持平，但在5折交叉验证分数上却没有投票法高。这可能是由于现在我们训练的数据较为简单，但数据学习难度较大时，stacking的优势就会慢慢显现出来。当然，我们现在使用的元学习器几乎是默认参数，我们可以针对元学习器使用贝叶斯优化进行精妙的调参，然后再进行对比，堆叠法的效果可能超越投票法。

相关文章：

stacking 框架

stacking stacking介绍 Stacking是个多层的多模型集合方法。每一层都可包括多个模型，下一层利用上一层模型的结果进行学习。可以只使用一层，然后用元学习器融合，也可以多层融合。 单层融合 多层融合 如上图所示，Stacking结构中…...

编程日记 2025/5/9 15:57:31

面向对象编程简介

面向对象编程（OOP）是一种编程范式，强调通过“对象”来设计软件。对象是数据和功能的封装，使得程序更易于理解和维护。本文将介绍面向对象的基本概念、特性以及其在软件开发中的重要性。 1. 面向对象的基本概念 1.1 对象 对象是…...

编程日记 2025/5/9 15:11:29

【ArcGIS_Python】使用arcpy脚本将shape数据转换为三维白膜数据

说明： 该专栏之前的文章中python脚本使用的是ArcMap10.6自带的arcpy（好几年前的文章），从本篇开始使用的是ArcGIS Pro 3.3.2版本自带的arcpy，需要注意不同版本对应的arcpy函数是存在差异的 数据准备：准备一…...

编程日记 2025/5/4 15:13:10

云计算——AWS Solutions Architect – Associate（saa）1、什么是云，AWS介绍

什么是云? 什么是云? 云计算(cloud computing)是基于互联网的相关服务的增加、使用和交付模式，通常涉及通过互联网来提供动态易护展且经常是虚拟化的资源。云是网络、互联网的一种比喻说法。 简单理解为：云是 共享资源，按需付费&#xff0…...

编程日记 2025/5/9 14:47:12

快手ip属地是定位吗？怎么改

在当今数字化时代，随着网络平台的不断发展，用户隐私和数据安全成为了公众关注的焦点。各大社交媒体平台纷纷推出的“IP属地”功能，无疑为网络环境增添了一抹新的色彩。其中，快手的IP属地显示功能尤为引人注目。那么，快…...

编程日记 2025/5/9 14:51:38

graylog初体验

最近graylog比较火，部署了一个来测试下，看下后续能不能代替目前占用资源比较多的elk，目前未对graylog性能进行深入测试，只是简单体验了下，graylog的UI比较简陋，但是在报警以及权限方面优于ELK，整…...

编程日记 2025/5/9 14:54:17

MySQL实战-解决方案

1. MySQL 主从集群同步延迟问题的解决方案 在主从复制架构中，主库执行写操作后，将更新事件写入 Binlog，从库通过 I/O 线程将 Binlog 数据同步到本地的 Relay Log，再由 SQL 线程解析并执行，从而保持数据一致性。然而&a…...

编程日记 2025/5/8 12:20:27

使用 CSS 实现透明效果

在 CSS 中，实现透明效果有几种方法，具体使用哪种方法取决于具体需求。以下是一些常见的方法： 使用 opacity 属性： opacity 属性可以设置整个元素的透明度，包括其所有的子元素。 .transparent { opacity: 0.5; /* 0 表…...

编程日记 2025/5/9 15:53:26

LabVIEW2025中文版软件安装包、工具包、安装教程下载

下载链接：LabVIEW及工具包大全-三易电子工作室http://blog.eeecontrol.com/labview6666 《LabVIEW2025安装图文教程》 1、解压后，双击install.exe安装 2、选中“我接受上述2条许可协议”，点击下一步 3、点击下一步，安装NI Packa…...

编程日记 2025/5/9 15:22:35

2025.2.5——五、[网鼎杯 2020 青龙组]AreUSerialz

题目来源&#xff1a;BUUCTF [网鼎杯 2020 青龙组]AreUSerialz 一、打开靶机&#xff0c;整理信息 直接得到一串php代码&#xff0c;根据题目可以看到还有序列化 二、解题思路 step 1&#xff1a;代码审计 <?phpinclude("flag.php");highlight_file(__FILE__…...

编程日记 2025/5/6 13:14:08

Oracle Life DBA的一天

/***************************************************************************************************************** Navicat Premium Data Transfer Source File : Oracle Life DBA的一天.sql Source Server Type : Oracle Source Server Version : 190…...

编程日记 2025/5/9 15:50:54

手写MVVM框架-实现简单v-bind

v-bind 有两种情况&#xff1a; 1.绑定的是一个简单的属性 <div :class"customClass">简单v-bind</div> 2.绑定的元素上面有表达式 <div :class"{customClass: a 1 > 2}">简单v-bind</div> 这一章我们先说第一种情况&…...

编程日记 2025/5/9 15:04:29

【力扣】240.搜索二维矩阵 II

题目 我的代码 class Solution { public:bool searchMatrix(vector<vector<int>>& matrix, int target) {for(int i0;i<matrix.size();i){for(int j0;j<matrix[0].size();j){if(targetmatrix[i][j]){return true;}else if(target<matrix[i][j]){brea…...

编程日记 2025/5/4 13:28:32

PlanLLM: 首个支持开放词汇与封闭集任务的跨模态视频程序规划框架

2025年1月7号&#xff0c;由杨德杰、赵子敬、刘洋联合提出PlanLLM&#xff0c;一种基于可微调大型语言模型&#xff08;LLM&#xff09;的跨模态联合学习框架&#xff0c;用于解决视频程序规划任务。通过引入LLM增强规划模块和互信息最大化模块&#xff0c;PlanLLM突破了现有方…...

编程日记 2025/5/9 14:13:28

使用服务器部署DeepSeek-R1模型【详细版】

文章目录 引言deepseek-r1IDE或者终端工具算力平台体验deepseek-r1模型总结 引言 在现代的机器学习和深度学习应用中&#xff0c;模型部署和服务化是每个开发者面临的重要任务。无论是用于智能推荐、自然语言处理还是图像识别&#xff0c;如何高效、稳定地将深度学习模型部署到…...

编程日记 2025/4/26 9:29:21

TCP三次握手、四次挥手过程及原理

TCP 协议简述 TCP 提供面向有连接的通信传输&#xff0c;面向有连接是指在传送数据之前必须先建立连接&#xff0c;数据传送完成后要释放连接。 无论哪一方向另一方发送数据之前&#xff0c;都必须先在双方之间建立一条连接。在TCP/IP协议中&#xff0c;TCP协议提供可靠的连接…...

编程日记 2025/5/4 17:30:44

AWS App2Container

AWS App2Container 是一个由 Amazon Web Services (AWS) 提供的工具&#xff0c;它帮助用户将现有的传统应用程序&#xff08;特别是运行在虚拟机或物理服务器上的应用&#xff09;转化为容器化的应用&#xff0c;从而可以在 AWS 上更方便地部署、管理和扩展。具体来说&#xf…...

编程日记 2025/5/5 3:13:11

《一》深入了解软件测试工具 JMeter-自我介绍

深入了解软件测试工具 JMeter 在当今的数字化时代&#xff0c;软件已经渗透到我们生活的方方面面&#xff0c;从日常使用的手机应用到复杂的企业级系统&#xff0c;软件的质量和性能直接影响着用户体验和业务的成功。而软件测试作为保障软件质量的关键环节&#xff0c;其中的性…...

编程日记 2025/5/9 15:37:13

（算法竞赛）图论+DFS深搜——图的dfs遍历1

题目描述 给定一个无向图&#xff0c;包含 n 个顶点&#xff08;编号为 1 到 n&#xff09;和 e 条边。要求从顶点 1 开始进行深度优先搜索&#xff08;DFS&#xff09;&#xff0c;并按照访问顺序输出遍历结果。注意&#xff1a;当存在多个邻接点时&#xff0c;优先访问编号较…...

编程日记 2025/5/9 14:33:49

二级C语言题解：十进制转其他进制、非素数求和、重复数统计

目录 一、程序填空&#x1f4dd; --- 十进制转其他进制 题目&#x1f4c3; 分析&#x1f9d0; 二、程序修改&#x1f6e0;️ --- 非素数求和 题目&#x1f4c3; 分析&#x1f9d0; 三、程序设计&#x1f4bb; --- 重复数统计 题目&#x1f4c3; 分析&#x1f9d0; 前言…...

编程日记 2025/5/9 11:39:02

快速搭建GPU环境 | docker、k8s中使用gpu

目录 一、裸机部署安装 GPU Driver安装 CUDA Toolkit测试 二、Docker 环境安装 nvidia-container-toolkit配置使用该 runtime 三、 k8s 环境安装 device-plugin安装 GPU 监控 一、裸机部署 裸机中要使用上 GPU 需要安装以下组件&#xff1a; GPU DriverCUDA Toolkit 二者的关…...

编程日记 2025/5/9 15:29:24

基于docker搭建Kafka集群，使用KRaft方式搭建，摒弃Zookeeper

KAFKA基于docker使用KRaft进行集群搭建 环境&#xff1a;已成功搭建kafka服务 可点击链接跳转至安装kafka-3.8.0版本 并启用SASL认证 教程 使用基于Zookeeper方式搭建集群教程 kafka-3.8.0版本 并启用SASL认证 教程 搭建kafka-ui可视化工具 192.168.2.91 192.168.2.92 192…...

编程日记 2025/5/9 9:52:19

分库分表详解

分库分表确实有垂直切分和水平切分两种&#xff0c;针对给出的描述&#xff0c;以下是对这两种切分方式的详细分析和验证&#xff1a; 垂直切分 描述&#xff1a;将表按照功能模块、关系密切程度划分出来&#xff0c;部署到不同的库上。 分析&#xff1a;垂直切分主要是根据…...

编程日记 2025/5/9 14:58:06

【重生之学习C语言----水仙花篇】

目录 ​编辑 ----------------------------------------begin-------------------------------------- 一、什么是水仙花数&#xff1f; 二、问题分析 确定数字的位数&#xff1a;计算输入数字的位数 n。 分离每一位数字&#xff1a;例如将 153 分离为 1、5、3。 计算各…...

编程日记 2025/5/9 14:38:24

云端IDE如何重定义开发体验

豆包 MarsCode 是一个集成了AI功能的编程助手和云端IDE&#xff0c;旨在提高开发效率和质量。它支持多种编程语言和IDE&#xff0c;提供智能代码补全、代码解释、单元测试生成和问题修复等功能&#xff0c;同时具备AI对话视图和开发工具。 豆包 MarsCode 豆包 MarsCode 编程助…...

编程日记 2025/5/9 15:02:38

模拟实现string类

目录 一.构造与析构函数 二.基础小功能的实现 1.clear 2.c_str 3外部对私有的查看 三.实现string的迭代器 四.string的增删查改 1.push_back尾插 1.1reserve扩容 1.2尾插 3.运算符重载 4.insert在任意位置插入 5.erase删除 5.1npos的处理 5.2函数的实现 6.find查…...

编程日记 2025/5/8 17:52:05

使用一个大语言模型对另一个大语言模型进行“调教”

使用一个大语言模型对另一个大语言模型进行“调教”&#xff08;通常称为微调或适配&#xff09;&#xff0c;是一种常见的技术手段&#xff0c;用于让目标模型更好地适应特定的任务、领域或风格。以下是基于搜索结果整理的详细步骤和方法&#xff1a; 1.准备工作 安装必要的…...

编程日记 2025/5/9 15:22:35

十二、Docker Compose 部署 SpringCloudAlibaba 微服务

一、部署基础服务 0、项目部署结构 项目目录结构如下: /home/zhzl_hebei/ ├── docker-compose.yml └── geochance-auth/└── Dockerfile└── geochance-auth.jar └── geochance-system/└── Dockerfile└── geochance-system.jar └── geochance-gateway/…...

编程日记 2025/5/9 15:53:25

深入浅出：旋转变位编码（RoPE）在现代大语言模型中的应用

在现代大语言模型&#xff08;LLMs&#xff09;中&#xff0c;位置编码是一个至关重要的组件。无论是 Meta 的 LLaMA 还是 Google 的 PaLM&#xff0c;这些模型都依赖于位置编码来捕捉序列中元素的顺序信息。而旋转变位编码&#xff08;RoPE&#xff09; 作为一种创新的位置编码…...

编程日记 2025/5/9 14:28:17

C# 使用ADO.NET访问数据全解析

.NET学习资料 .NET学习资料 .NET学习资料 在 C# 的应用开发中&#xff0c;数据访问是极为关键的部分。ADO.NET作为.NET 框架下用于数据访问的核心技术&#xff0c;能够帮助开发者便捷地与各类数据源进行交互。本文将深入剖析ADO.NET&#xff0c;带你掌握使用 C# 通过ADO.NET访…...

编程日记 2025/5/9 13:52:41

趣解单词，实现快速记忆

英文单词 love&#xff0c;是“爱”的意思&#xff1a; love v./n.爱&#xff1b;喜欢&#xff1b;热爱&#xff1b;爱情&#xff1b;心爱的人 那什么是爱呢&#xff1f;love&#xff0c;首字母为l&#xff0c;是一根绳子&#xff0c;ve-通f&#xff0c;love通life&#xff0…...

编程日记 2025/5/6 8:58:47

TEMU电池法规：CE-battery法规指令主要检测以下这三样，汞、镉、铅

TEMU电池法规&#xff1a;CE-battery法规的指令主要检测以下这三样&#xff0c;汞、镉、铅有害物质&#xff1a; CE-Battery认证是依据欧盟新电池法规EU 2023/1542指令进行的电池安全检测报告。该认证针对所有类别的电池&#xff0c;包括内置或添加到产品中的电池&#xff0c;…...

编程日记 2025/5/5 1:30:31

vscode 如何通过Continue引入AI 助手deepseek

第一步&#xff1a; 在deepseek 官网上注册账号&#xff0c;得到APIKeys(deepseek官网地址) 创建属于自己的APIKey,然后复制这个key,(注意保存自己的key)! 第二步&#xff1a; 打开vscode,在插件市场安装Continue插件, 点击设置&#xff0c;添加deepseek模型&#xff0c;默认…...

编程日记 2025/5/7 20:16:57

【大数据技术】搭建完全分布式高可用大数据集群（Scala+Spark）

搭建完全分布式高可用大数据集群（Scala+Spark） scala-2.13.16.tgzspark-3.5.4-bin-without-hadoop.tgz注：请在阅读本篇文章前，将以上资源下载下来。 写在前面 本文主要介绍搭建完全分布式高可用集群Spark的详细步骤。 注意： 统一约定将软件安装包存放于虚拟机的/softwa…...

编程日记 2025/5/1 10:39:42

【翻译+论文阅读】DeepSeek-R1评测：粉碎GPT-4和Claude 3.5的开源AI革命

目录 一、DeepSeek-R1 势不可挡二、DeepSeek-R1 卓越之处三、DeepSeek-R1 创新设计四、DeepSeek-R1 进化之路1. 强化学习RL代替监督微调学习SFL2. Aha Moment “啊哈”时刻3. 蒸馏版本仅采用SFT4. 未来研究计划 部分内容有拓展&#xff0c;部分内容有删除&#xff0c;与原文会有…...

编程日记 2025/5/5 12:26:35

前缀和练习——洛谷P8218：求区间和

题目: 这道题很简单&#xff0c;直接根据题目无脑套公式 代码&#xff1a; #include<bits/stdc.h> using namespace std; const int N 1e5 9; using ll long long; ll a[N], perfix[N]; int main() {ios::sync_with_stdio(0), cin.tie(0), cout.tie(0);//取消同步输…...

编程日记 2025/5/3 22:49:26

uv 安装包

是的&#xff0c;你可以使用 uv 来安装 Python 包。uv 是一个高性能的 Python 包安装器和解析器&#xff0c;由 astral.sh 团队开发&#xff0c;旨在替代 pip 和 pip-tools&#xff0c;提供更快的包安装体验。 ### 如何使用 uv 安装包 1. **安装 uv**&#xff1a; 如果你还…...

编程日记 2025/5/7 17:12:54

【机器学习】训练(Training)、验证(Validation)和测试(Testing)

机器学习中训练(Training)、验证(Validation)和测试(Testing)这三个阶段的作用和关系。 1. 训练阶段 (Training) - 使用训练集数据来训练模型 - 模型通过学习训练数据的特征和模式来调整其内部参数 - 这个阶段模型会不断优化以减少预测误差 - 通常使用最大的数据集比例&…...

编程日记 2025/5/6 15:33:21

3. k8s二进制集群之负载均衡器高可用部署

Haproxy 和 Keepalived安装Haproxy配置文件准备Keepalived配置及健康检查启动Haproxy & Keepalived服务继续上一篇文章《K8S集群架构及主机准备》，下面介绍负载均衡器搭建过程 Haproxy 和 Keepalived安装 在负载均衡器两个主机上安装即可 apt install haproxy keepalived…...

编程日记 2025/5/6 6:19:06

C++游戏开发实战：从引擎架构到物理碰撞

&#x1f4dd;个人主页&#x1f339;&#xff1a;一ge科研小菜鸡-CSDN博客 &#x1f339;&#x1f339;期待您的关注 &#x1f339;&#x1f339; 1. 引言 C 是游戏开发中最受欢迎的编程语言之一&#xff0c;因其高性能、低延迟和强大的底层控制能力&#xff0c;被广泛用于游戏…...

编程日记 2025/5/3 17:19:42

MSPFN 代码复现

1、环境配置 conda create -n MSPFN python3.9 conda activate MSPFN pip install opencv-python pip install tensorflow pip install tqdm pip install matplotlib2、train 2.1 创建数据集 2.1.1 数据集格式 |--rainysamples |--file1&#xff1a; |--file2:|--fi…...

编程日记 2025/5/6 4:13:12

[c语言日寄]浮点数在内存中的储存

【作者主页】siy2333 【专栏介绍】⌈c语言日寄⌋&#xff1a;这是一个专注于C语言刷题的专栏&#xff0c;精选题目&#xff0c;搭配详细题解、拓展算法。从基础语法到复杂算法&#xff0c;题目涉及的知识点全面覆盖&#xff0c;助力你系统提升。无论你是初学者&#xff0c;还是…...

编程日记 2025/5/6 5:29:57

PySpark学习笔记5-SparkSQL

sparkSql的数据抽象有两种。 一类是data set适用于java和Scala 一类是data frame适用于java&#xff0c;Scala&#xff0c;python 将r d d转换为data frame #方式一 df spark.createDataFrame(rdd,schema[name,age]) #方式二 schema Structtype(). add(id,integertype(),nu…...

编程日记 2025/4/30 2:40:28

支持 APQP (先期产品质量策划) 的软件系统-汽车电子行业专用研发管理信息化平台

支持 APQP (先期产品质量策划) 的软件系统 在制造业竞争白热化的当下&#xff0c;产品质量已然成为企业立足市场的核心竞争力。APQP&#xff08;先期产品质量策划&#xff09;作为保障产品质量的关键流程&#xff0c;贯穿于产品从概念萌生到最终交付的整个生命周期&#xff0c…...

编程日记 2025/5/4 23:23:45

配置@别名路径，把@/ 解析为 src/

路径解析配置 webpack 安装 craco npm i -D craco/craco 项目根目录下创建文件 craco.config.js &#xff0c;内容如下 const path require(path) module.exports {webpack: {// 配置别名alias: {// 约定&#xff1a; 使用 表示src文件所在路径: path.resolve(__dirname,src)…...

编程日记 2025/5/6 7:51:54

以为是响应式对象丢失导致数据没有回显

背景&#xff1a;之前ruoyi生成的vue2代码&#xff0c; <el-form ref“form”&#xff0c;后面我改成vue3的写法&#xff0c;没有实例化form&#xff0c; 在vue3中是需要定义const form ref(); 导致点击了修改后&#xff0c;页面弹框显示出来&#xff0c;数据没有回显。 一直…...

编程日记 2025/5/7 5:23:21

【汇编语言】直接定址表（二）—— 「代码‘导航员’：直接定址表的功能与应用」

文章目录 前言1. 直接定址表1.1 问题引入&#xff08;一&#xff09;—— 为算法清晰而查表1.2 分析与解决问题1.2.1 两个十六进制表示一个字节1.2.2 得到数值对应的数码字符1.2.2.1 最粗暴的方法——比较1.2.2.2 使用映射关系来解决1.2.2.3 存在的问题及解决 1.3 得到子程序1.…...

编程日记 2025/5/8 19:05:31

05vue3实战-----配置项目代码规范

05vue3实战-----配置项目代码规范 1.集成editorconfig配置2.使用prettier工具2.1安装prettier2.2配置.prettierrc文件&#xff1a;2.3创建.prettierignore忽略文件2.4VSCode需要安装prettier的插件2.5VSCod中的配置2.6测试prettier是否生效 3.使用ESLint检测3.1VSCode需要安装E…...

编程日记 2025/5/9 14:23:16

不含101的数

不含101的数 真题目录: 点击去查看 E 卷 200分题型 题目描述 小明在学习二进制时&#xff0c;发现了一类不含101的数&#xff1a; 将数字用二进制表示&#xff0c;不能出现 101 。 现在给定一个整数区间 [l,r] &#xff0c;请问这个区间包含了多少个不含 101 的数&#xff…...

编程日记 2025/5/9 10:39:53

Linux/C高级（精讲）----shell结构语句、shell数组

shell脚本 功能性语句 test 可测试对象三种&#xff1a;字符串 整数 文件属性 每种测试对象都有若干测试操作符 1&#xff09;字符串的测试&#xff1a; s1 s2 测试两个字符串的内容是否完全一样 s1 ! s2 测试两个字符串的内容是否有差异 -z s1 测试s1 字符串的长度是…...

编程日记 2025/5/3 7:57:32