当前位置：首页 > news >正文

搭建一个经典的LeNet5神经网络

news 来源：原创 2025/9/22 16:36:07

第一章：计算机视觉中图像的基础认知
第二章：计算机视觉：卷积神经网络(CNN)基本概念(一)
第三章：计算机视觉：卷积神经网络(CNN)基本概念(二)
第四章：搭建一个经典的LeNet5神经网络

一、LeNet-5背景

LeNet-5是一种经典的卷积神经网络（CNN）架构，由Yann LeCun(杨立昆)等人于1998年提出，最初用于手写字符识别任务。

传统的模式识别方法依赖于人工设计的特征提取方法，这些方法存在许多局限性，如特征选择困难、对数据分布敏感等。

而LeNet-5通过引入卷积层和池化层，利用图像的空间相关性来自动提取特征。

LeNet-5最初用于MNIST数据集的手写数字识别任务，取得了高达99.2%的准确率。这一成就标志着深度学习在图像识别领域的突破，并为后续的神经网络研究奠定了基础。

LeNet-5的结构相对简单，但它仍然是理解CNN基本原理的重要起点。

二、LeNet-5架构

在这里插入图片描述
LeNet-5的网络结构包括以下几层：

输入层：INPUT，接收32x32像素的灰度图像。
卷积层：Convolutions，包含多个卷积核，用于提取图像特征。LeNet-5有两组卷积层（C1、C3），Subsampling，每个卷积层后接一个平均池化层（S2和S4）。
全连接层：Full connection，将卷积层提取的特征图展平，并通过全连接层进行分类。
输出层：OUTPUT,使用softmax函数输出分类结果。

具体来说：

C1层：使用5x5的卷积核，输出6个特征图。
S2层：使用2x2的平均池化核，将特征图尺寸减半。
C3层：使用5x5的卷积核，输出16个特征图。
S4层：再次使用2x2的平均池化核，将特征图尺寸减半。
C5层：使用5x5的卷积核，输出120个特征图。
F6层：一个全连接层，输出84个特征。
输出层：使用softmax函数输出10个类别的概率。

LeNet-5 的命名中，“5”表示网络包含 5层可训练参数层（2卷积层 + 3全连接层）。以下为典型结构：

层级	参数配置	输出尺寸	说明
输入层	-	32×32×1	灰度图像输入
Conv1	5×5卷积核，6通道	28×28×6	首次提取边缘特征
Pool1	2×2池化，步长2	14×14×6	下采样减少计算量
Conv2	5×5卷积核，16通道	10×10×16	提取高阶组合特征
Pool2	2×2池化，步长2	5×5×16	进一步压缩空间维度
Flatten	展平操作	400	全连接层输入准备
FC1	120神经元	120	非线性特征映射
FC2	84神经元	84	进一步抽象特征
Output	10神经元（对应0-9数字）	10	输出分类概率

Conv1层的卷积核为什么是5×5，通道为什么是 6？不知道为什么，可能是基于经验、实验得出的。

三、实现LeNet5神经网络模型

通过下面这段代码定义一个用于图像分类的卷积神经网络模型，并展示如何使用这个模型对输入数据进行预测。

3.1 定义模型

第一种实现方式

import torch
from torch import nn# 继承自 nn.Module，这是所有PyTorch模型的基础类。
class Model_1(nn.Module):"""自定义一个神经网络"""# 调用父类的构造函数 super(Model_1, self).__init__() 来初始化父类。def __init__(self, in_channels=1, n_classes=10):"""初始化"""super(Model_1, self).__init__()# conv1 和 conv2 是两个卷积层，分别输出6个和16个特征图（通道数）。# 每个卷积层使用5x5的卷积核，步长为1，不使用填充。self.conv1 = nn.Conv2d(in_channels=in_channels, out_channels=6, kernel_size=5,stride=1,padding=0)# mp1 和 mp2 是最大池化层，用于减小特征图的空间尺寸。# 这两个层使用2x2的窗口大小，步长也为2，同样不使用填充。self.mp1 = nn.MaxPool2d(kernel_size=2, stride=2,padding=0)self.conv2 = nn.Conv2d(in_channels=6,out_channels=16,kernel_size=5,stride=1,padding=0)self.mp2 = nn.MaxPool2d(kernel_size=2, stride=2,padding=0)# 展平为400维向量# flatten 层将前面得到的多维特征图展平成一维向量，以便输入到全连接层中。# 这里假设输入图像大小为32x32，在经过两次卷积和池化后，最终得到的是16通道的5x5特征图，# 因此展平后的向量长度为 16×5×5=400。self.flatten = nn.Flatten(start_dim=1,end_dim=-1)# fc1, fc2, fc3 分别是三个全连接层。# 第一个全连接层有120个神经元，第二个有84个，最后一个根据类别数量 n_classes 输出分类结果。# 全连接层1self.fc1 = nn.Linear(in_features=400,out_features=120)# 全连接层2self.fc2 = nn.Linear(in_features=120,out_features=84)# 输出层self.fc3 = nn.Linear(in_features=84,out_features=n_classes)def forward(self, x):"""前向传播在 forward 方法中定义了数据通过网络时的计算流程：1.输入张量 x 首先通过第一个卷积层 conv1，然后是第一个最大池化层 mp1，接着是第二个卷积层 conv2 和第二个最大池化层 mp2。2.然后，将特征图展平并通过三个全连接层 fc1, fc2, fc3 进行分类处理。3.最终返回分类结果。"""x = self.conv1(x)x = self.mp1(x)x = self.conv2(x)x = self.mp2(x)x = self.flatten(x)x = self.fc1(x)x = self.fc2(x)x = self.fc3(x)return x

第一种实现方式直接定义了每个层（如卷积层、池化层和全连接层）作为类的属性，并在forward方法中顺序调用这些层。

第二种实现方式

class Model_2(nn.Module):"""自定义一个神经网络"""def __init__(self, in_channels=1, n_classes=10):"""初始化"""super(Model_2, self).__init__()# 1. 特征抽取self.feature_extractor = nn.Sequential(# 卷积层1nn.Conv2d(in_channels=in_channels, out_channels=6, kernel_size=5,stride=1,padding=0),# 池化层1nn.MaxPool2d(kernel_size=2, stride=2,padding=0),# 卷积层2nn.Conv2d(in_channels=6,out_channels=16,kernel_size=5,stride=1,padding=0),# 池化层2nn.MaxPool2d(kernel_size=2, stride=2,padding=0))# 2. 分类输出self.classifier = nn.Sequential(nn.Flatten(start_dim=1, end_dim=-1),nn.Linear(in_features=400, out_features=120),nn.Linear(in_features=120, out_features=84),nn.Linear(in_features=84, out_features=n_classes))def forward(self, x):"""前向传播"""# 1. 先做特征抽取x = self.feature_extractor(x)# 2. 再做分类回归x = self.classifier(x)return x

第二种实现方式将特征抽取部分和分类输出部分分别封装到两个Sequential对象中，使代码更简洁易读。这种组织方式有助于分离关注点，使得网络结构更清晰。

上面有两个类定义，但实际上它们是重复的，只是第二种实现方式更加模块化。

3.2 层的解释

nn.Conv2d: 卷积层，用于提取图像的局部特征。第一个卷积层有6个5x5的滤波器，第二个卷积层有16个5x5的滤波器。
nn.MaxPool2d: 最大池化层，用于降低特征图的空间维度。这里使用的是2x2的窗口大小。
nn.Flatten: 将多维的输入一维化，常用在从卷积层过渡到全连接层时。
nn.Linear: 全连接层（线性层），用于执行从输入特征到输出类别得分的映射。这里有三个连续的全连接层，最后的输出大小为n_classes，即类别数。

3.3 前向传播过程

在forward函数中，输入数据首先通过一系列卷积和池化操作进行特征提取，然后通过Flatten层展平成一维张量，最后通过几个全连接层完成分类任务。

计算过程（输入为32x32图像）：

Conv1：(32-5)/1 + 1 = 28 → 输出 6通道的28x28特征图
MaxPool1：28/2 = 14 → 输出6通道的14x14特征图
Conv2：(14-5)/1 + 1 = 10 → 输出16通道的10x10特征图
MaxPool2：10/2 = 5 → 最终得到16通道的5x5特征图

3.4 模型测试

# 创建了一个`Model`实例，指定输入通道数为1（例如灰度图像）
model = Model_2(in_channels=1)
# 使用`torch.randn`生成形状为`(2, 1, 32, 32)`的随机输入数据，表示2个样本，每个样本是一个1通道32x32像素的图像
X = torch.randn(2, 1, 32, 32)
# 调用模型`model(X)`进行前向传播，得到预测结果`y_pred`
y_pred = model(X)
# 打印`y_pred`的形状，预期输出形状应该是`(2, n_classes)`，
# 其中`n_classes`是在初始化模型时指定的类别数量，默认为10
print(y_pred.shape)
print(model) # 查看模型的结构

输出：

torch.Size([2, 10])
Model_2((feature_extractor): Sequential((0): Conv2d(1, 6, kernel_size=(5, 5), stride=(1, 1))(1): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)(2): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1))(3): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False))(classifier): Sequential((0): Flatten(start_dim=1, end_dim=-1)(1): Linear(in_features=400, out_features=120, bias=True)(2): Linear(in_features=120, out_features=84, bias=True)(3): Linear(in_features=84, out_features=10, bias=True))
)

四、参数规模

卷积层参数量：(5x5x1x6 + 6) + (5x5x6x16 + 16) = 156 + 2416 = 2572

全连接层参数量：(400x120+ 120) + (120x84+84) + (84x10+10) = 48,120 + 10,164 + 850 = 59,134

维度变化：32x32 → 28x28 → 14x14 → 10x10 → 5x5 → 400 → 120 → 84 → 10

卷积层参数量的计算公式
对于 Conv2d(in_channels=C_in, out_channels=C_out, kernel_size=K)：

权重参数：K × K × C_in × C_out
偏置参数：C_out（每个输出通道一个偏置）
总参数量 = 权重参数 + 偏置参数 = K²×C_in×C_out + C_out

1. 第一层卷积 Conv1

输入通道：C_in=1
输出通道：C_out=6
卷积核：5×5
权重参数：5×5×1×6 = 150
偏置参数：6
总参数量：150 + 6 = 156

2. 第二层卷积 Conv2

输入通道：C_in=6
输出通道：C_out=16
卷积核：5×5
权重参数：5×5×6×16 = 2400
偏置参数：16
总参数量：2400 + 16 = 2416

3. 卷积层总参数量

总计：156 (Conv1) + 2416 (Conv2) = 2572

全连接层参数计算（以 `fc1` 为例）

Linear(in_features=400, out_features=120)
权重参数：400×120 = 48,000
偏置参数：120
总参数量：48,000 + 120 = 48,120

全网络总参数量

层类型	参数量计算式	参数量
Conv1	`5×5×1×6 + 6`	156
Conv2	`5×5×6×16 + 16`	2416
FC1	`400×120 + 120`	48,120
FC2	`120×84 + 84`	10,164
FC3	`84×10 + 10`	850
总计		61,706

使用下面代码，可以看到具体参数量：

# 遍历模型的所有子模块
for name, param in model.named_parameters():if param.requires_grad:print(f"Layer: {name}")if 'weight' in name:print(f"Weights:{param.data.shape}")if 'bias' in name:print(f"Bias:{param.data.shape}\n")

输出：

Layer: feature_extractor.0.weight
Weights:torch.Size([6, 1, 5, 5])
Layer: feature_extractor.0.bias
Bias:torch.Size([6])Layer: feature_extractor.2.weight
Weights:torch.Size([16, 6, 5, 5])
Layer: feature_extractor.2.bias
Bias:torch.Size([16])Layer: classifier.1.weight
Weights:torch.Size([120, 400])
Layer: classifier.1.bias
Bias:torch.Size([120])Layer: classifier.2.weight
Weights:torch.Size([84, 120])
Layer: classifier.2.bias
Bias:torch.Size([84])Layer: classifier.3.weight
Weights:torch.Size([10, 84])
Layer: classifier.3.bias
Bias:torch.Size([10])

这整个过程演示了如何定义一个简单的卷积神经网络模型，并使用该模型对一批输入数据进行分类预测。

五、总结

LeNet-5 是深度学习史上的里程碑，其设计哲学至今仍深刻影响着计算机视觉领域。尽管现代模型在深度和复杂度上远超LeNet-5，但其核心思想——通过卷积和池化逐步提取层级特征——仍然是所有CNN模型的基石。理解LeNet-5不仅能掌握CNN的基本原理，更能体会深度学习从理论到实践的关键突破。

搭建一个经典的LeNet5神经网络

第一章：计算机视觉中图像的基础认知第二章：计算机视觉：卷积神经网络(CNN)基本概念(一) 第三章：计算机视觉：卷积神经网络(CNN)基本概念(二) 第四章：搭建一个经典的LeNet5神经网络一、LeNet-5背景 LeNet-…...

编程日记 2025/9/22 16:36:07

Transformer多头注意力并行计算原理与工业级实现：从数学推导到PyTorch工程优化

一、核心数学原理剖析 1.1 多头注意力矩阵分解 Q XW^Q ∈ R^{nd_k} K XW^K ∈ R^{nd_k} V XW^V ∈ R^{nd_v} 多头分解公式： head_i Attention(QW_i^Q, KW_i^K, VW_i^V) 其中 W_i^Q ∈ R^{d_kd_k/h}, W_i^K ∈ R^{d_kd_k/h}, W_i^V ∈ R^{d_vd_v/h} (h为头数…...

编程日记 2025/9/20 15:52:45

OpenAI 的变化对行业意味着什么？

哎呀，中国AI的发展可是搅动了一番风云。害怕自己正在失去对 AI 话语权的掌控，OpenAI 决定是时候全力出击了。除了最近意外发布的 o3-mini 模型之外，Sam Altman 昨天还宣布了接下来几周/几个月的路线图，而这些变化相当显著&#…...

编程日记 2025/9/21 11:21:37

LinkedList

一.IDEA的链表库 IDEA上实现链表的包，实现的是无头双向不循环链表：（并且这个链表有头尾节点） 二.自己实现一个无头双向不循环链表 1.创建链表的类，在链表内中定义一个节点的内部类，并且在链表的类中定义头…...

编程日记 2025/9/22 16:34:37

半遮挡检测算法 Detecting Binocular Half-Occlusions

【1. 背景】： 本文分析【Detecting Binocular Half-Occlusions：Empirical Comparisons of Five Approaches】Geoffrey Egnal和Richard P. Wildes于2002年发表在IEEE Transactions on Pattern Analysis and Machine Intelligence上，这是1篇中…...

编程日记 2025/9/21 7:41:32

零基础购买阿里云服务器，XShell连接云服务器

目录 1.环境搭建方式 2. 使用云服务器 3.使用终端软件登录到Linux 4.使用XShell登录主机 5.连接失败的原因： 下一篇更新：Linux的基础指令以及如何Linux的环境搭建 1.环境搭建方式主要有四种: 1.直接安装在物理机上，虽然Linux有图形化…...

编程日记 2025/9/11 11:31:33

Mac ARM 架构的命令行（终端）中，删除整行的快捷键是：Ctrl + U

在 Mac ARM 架构的命令行（终端）中，删除整行的快捷键是： Ctrl U这个快捷键会删除光标所在位置到行首之间的所有内容。如果你想删除光标后面的所有内容，可以使用： Ctrl K这两个快捷键可以帮助你快速清除当…...

编程日记 2025/9/22 16:34:17

ESP学习-1（MicroPython VSCode开发环境搭建）

下载ESP8266固件：https://micropython.org/download/ESP8266_GENERIC/win电脑：pip install esptools python.exe -m pip install --upgrade pip esptooo.py --port COM5 erase_flash //清除之前的固件 esptool --port COM5 --baud 115200 write_fla…...

编程日记 2025/8/31 0:11:36

微信小程序性能优化

微信小程序的性能优化是提升用户体验的关键。以下是一些常见的优化策略和技巧： 1. 减少 setData 的调用频率和数据量 setData 是小程序中更新视图的主要方式，但频繁调用或数据量过大会导致性能问题。减少调用频率：避免在短时间内多次调用…...

编程日记 2025/9/19 3:37:06

五十天精通硬件设计第31天-阻抗

系列文章传送门 50天精通硬件设计第一天-总体规划-CSDN博客目录 1. 核心概念：特性阻抗 2. 阻抗不匹配的后果 3. 关键影响因素 4. 阻抗匹配方法 5. 设计实践要点 6. 工具与测试 7. 常见问题解决总结信号完整性中的阻抗问题主要涉及传输线的特性阻抗匹配，是确保高…...

编程日记 2025/9/9 1:52:25

docker部署dify结合deepseek构建知识库

序本文主要研究一下本地docker部署dify结合deepseek构建知识库步骤 dify git clone https://github.com/langgenius/dify.git git co tags/0.15.3 -b 0.15.3 cd docker cp .env.example .env docker-comopse up启动之后访问localhost docker-comopse.yaml # # WARNING…...

编程日记 2025/9/20 14:43:00

11.C语言 malloc() calloc() realloc()分配内存

目录 malloc 好处坏处总结 calloc 参数说明作用与 malloc 的区别示例优点缺点总结 realloc 参数说明作用示例优点缺点注意事项总结总结区别对比表格 malloc 函数功能：分配内存给 void* malloc(size_t size); 来看一下deep…...

编程日记 2025/9/21 17:20:57

可信大模型：LLM + 神经符号推理，解决复杂推理任务

可信大模型：LLM 神经符号推理，解决复杂推理任务论文大纲一、Why：研究要解决的现实问题二、What：核心发现或论点三、How：研究的整体方法与关键细节3.1 前人研究的局限性3.2 创新方法/视角3.3 关键数据或实验支持3.4 可…...

编程日记 2025/9/22 12:47:58

基于大数据的全国热门旅游景点数据分析系统的设计与实现

【大数据】基于大数据的全国热门旅游景点数据分析系统的设计与实现（完整系统源码开发笔记详细部署教程）✅ 目录一、项目简介二、项目界面展示三、项目视频展示一、项目简介该系统主要包括登录注册、系统首页、图表分析、数据管理和个人信息五大功能模…...

编程日记 2025/9/19 22:46:35

Moya 网络框架

Moya 网络框架定义enum类型，有多种接口就定义多少种，然后实现TargetType协议 import Foundation //导入网络框架 import Moyaenum DefaultService {//广告列表case ads(position : Int)case sheets(size:Int)case sheetDetail(data: String)case regi…...

编程日记 2025/9/22 16:34:35

【环境安装】重装Docker-26.0.2版本

【机器背景说明】Linux-Centos7；已有低版本的Docker 【目标环境说明】卸载已有Docker，用docker-26.0.2.tgz安装包安装 1.Docker包下载下载地址：Index of linux/static/stable/x86_64/ 2.卸载已有的Docker 卸载之前首先停掉服务 sudo…...

编程日记 2025/9/21 16:25:14

std::ranges::set_intersection set_union set_difference set_symmetric_difference

std::ranges::set_intersection：是 C20 引入的一个算法，用于计算两个已排序范围的交集。它将两个范围的交集元素复制到输出范围中。 std::ranges::set_intersection 用于计算两个已排序范围的交集。它将两个范围的交集元素复制到输出范围中。注意事项…...

编程日记 2025/9/22 10:16:55

消息中间件深度剖析：以 RabbitMQ 和 Kafka 为核心

在现代分布式系统和微服务架构的构建中，消息中间件作为一个不可或缺的组件，承担着系统间解耦、异步处理、流量削峰、数据传输等重要职能。尤其是在面临大规模并发、高可用性和可扩展性需求时，如何选择合适的消息中间件成为了开发者和架构师们…...

编程日记 2025/9/16 0:31:25

笔试题笔记#6 模拟三道题和总结知识

两小时快乐模拟，最终三百分耻辱下播，（刷的题三道一组，时长两小时，第一题100分，第二题200分，第三题300分），第三题完全想错了，其实挺简单的，就是好久…...

编程日记 2025/9/9 19:10:24

生成对抗网络（GAN）的“对抗“过程解析：从图像合成到药物发现的跨领域应用

技术原理（数学公式示意图） 核心对抗公式 min ⁡ G max ⁡ D V ( D , G ) E x ∼ p d a t a [ log ⁡ D ( x ) ] E z ∼ p z [ log ⁡ ( 1 − D ( G ( z ) ) ) ] \min_G \max_D V(D,G) \mathbb{E}_{x\sim p_{data}}[\log D(x)] \mathbb{E}_{z\sim p_…...

编程日记 2025/9/20 9:26:27

[鸿蒙笔记-基础篇_自定义构建函数及自定义公共样式]

在开发中遇到比较复杂的界面的时候都会用到自定义组件，但是在自定义组件内部也会有一些公共的布局及公共的样式，这时就需要用到自定义构建函数和自定义构建样式。说白了就是：在ets文件中进行构建函数和构建样式的抽取封装。比较常用记录一下。…...

编程日记 2025/9/20 23:19:32

【C】初阶数据结构4 -- 双向循环链表

之前学习的单链表相比于顺序表来说，就是其头插和头删的时间复杂度很低，仅为O(1) 且无需扩容；但是对于尾插和尾删来说，由于其需要从首节点开始遍历找到尾节点，所以其复杂度为O(n)。那么有没有一种结构是能使得头插和头删…...

编程日记 2025/9/21 12:10:35

【动态路由】系统Web URL资源整合系列（后端技术实现）【nodejs实现】

需求说明软件功能需求：反向代理功能（描述：apollo、eureka控、apisix、sentinel、普米、kibana、timetask、grafana、hbase、skywalking-ui、pinpoint、cmak界面、kafka-map、nacos、gateway、elasticsearch、 oa-portal 业务应用等多个web资…...

编程日记 2025/9/22 15:49:21

解读 Flink Source 接口重构后的 KafkaSource

前言 Apache Kafka 和 Apache Flink 的结合，为构建实时流处理应用提供了一套强大的解决方案[1]。Kafka 作为高吞吐量、低延迟的分布式消息队列，负责数据的采集、缓冲和分发；而 Flink 则是功能强大的流处理引擎，负责对数据进行实时…...

编程日记 2025/9/21 10:00:31

一场始于 Selector Error 的拯救行动：企查查数据采集故障排查记

时间轴呈现事故进程 17:00：开发人员小李正在尝试利用 Python 爬虫从企查查（https://www.qcc.com）抓取公司工商信息。原本一切正常，但突然发现信息采集失败，程序抛出大量选择器错误。17:15：小李发现&#x…...

编程日记 2025/9/20 15:40:53

代码随想录刷题攻略---动态规划---子序列问题1---子序列

子序列（不连续）和子序列（连续）的问题例题1: 最长递增子序列给你一个整数数组 nums ，找到其中最长严格递增子序列的长度。子序列是由数组派生而来的序列，删除（或不删除）数组中的…...

编程日记 2025/9/19 15:18:30

QEMU 搭建arm linux开发环境

Qemu 作为一款强大的开源虚拟化软件，为我们提供了一个便捷且经济实惠的方式来模拟各种硬件环境，从而在上面安装和学习 Linux 系统。本文将详细介绍如何使用 Qemu 搭建 Linux 学习环境， 环境准备操作系统：建议使用 Ubuntu 20.04…...

编程日记 2025/9/17 20:51:34

PyQt组态软件拖拽设计界面测试

PyQt组态软件测试最近在研究PyQt,尝试写个拖拽设计界面的组态软件，目前实现的功能如下： 支持拖入控件，鼠标拖动控件位置拖动控件边缘修改控件大小支持属性编辑器，修改当前选中控件的属性拖动框选控件，点选控件控…...

编程日记 2025/9/6 3:57:52

JAVA泛型介绍与举例

Java中，泛型用于编译阶段限制集合中元素的类型，或者限制类中某个属性的类型，编译过程中发生类型擦除，最终还是Object类型。 1. 集合中的泛型集合默认可以存储任何类型的元素，即Object类型，当使用一个集合…...

编程日记 2025/9/16 2:19:01

JavaScript 内置对象-Math对象

在JavaScript中，Math 对象提供了一系列与数学相关的静态方法和属性，帮助开发者执行复杂的计算任务。无论是简单的算术运算还是高级的几何、统计计算，Math 对象都能提供强大的支持。本文将详细介绍 Math 对象的主要功能及其使用方法。一、简…...

编程日记 2025/9/12 1:54:22

Ubuntu 22.04 Desktop企业级基础配置操作指南

一、网络配置 cd /etc/netplan vi 00-installer-config.yaml 设置如下所示： network:version: 2ethernets:eth0: # 替换为你的实际网络接口名称，如 ens33, enp0s3 等dhcp4: noaddresses:- 192.168.1.100/24 # 静态IP地址和子网掩码gateway4: 192.16…...

编程日记 2025/9/21 22:11:36

UE_C++ —— UObject Instance Creation

目录一，UObject Instance Creation NewObject NewNamedObject ConstructObject Object Flags 二，Unreal Object Handling Automatic Property Initialization Automatic Updating of References Serialization Updating of Property Values …...

编程日记 2025/9/22 4:30:29

WPF的MVVMLight框架

在NuGet中引入该库： MVVMLight框架中的命令模式的使用： <StackPanel><TextBox Text"{Binding Name}"/><TextBox Text"{Binding Title}"/><Button Content"点我" Command"{Binding ShowCommand…...

编程日记 2025/9/22 7:55:32

【云安全】云原生- K8S kubeconfig 文件泄露

什么是 kubeconfig 文件？ kubeconfig 文件是 Kubernetes 的配置文件，用于存储集群的访问凭证、API Server 的地址和认证信息，允许用户和 kubectl 等工具与 Kubernetes 集群进行交互。它通常包含多个集群的配置，支持通过上下文&am…...

编程日记 2025/9/22 7:50:13

binance python

binance-futures-connector 4.1.0 from binance.um_futures import UMFutures # U本位 USDT-M Futures /fapi/* # 币本位 COIN-M Delivery /dapi/* proxies { https: http://localhost:7890 } client UMFutures(proxiesproxies)apiKey"" apiSecret"" cl…...

编程日记 2025/9/9 17:06:22

LLaMA-Factory DeepSeek-R1 模型微调基础教程

LLaMA-Factory 模型微调基础教程 LLaMA-FactoryLLaMA-Factory 下载 AnacondaAnaconda 环境创建软硬件依赖详情LLaMA-Factory 依赖安装CUDA 安装量化 BitsAndBytes 安装可视化微调启动数据集准备所需工具下载使用教程所需数据合并数据集预处理 DeepSeek-R1 可视化微调数据集处…...

编程日记 2025/9/20 19:30:45

利用亚马逊云科技RDS for SQL Server配置向量数据存储

生成式人工智能（AI）正迎来又一个快速发展期，引起了开发者们的广泛关注。将生成式能力集成到商业服务和解决方案中变得非常重要。当前的生成式AI解决方案是机器学习和深度学习模型逐步进化迭代的结果。从深度学习到生成式AI的质变飞跃主要是由…...

编程日记 2025/9/20 23:25:59

ASP.NET Core SixLabors.ImageSharp v1.0 的图像实用程序类 web示例

这个小型实用程序库需要将 NuGet SixLabors.ImageSharp包（版本 1.0.4）添加到.NET Core 3.1/ .NET 6 / .NET 8项目中。它与Windows、Linux和 MacOS兼容。这已针对 ImageSharp v3.0.1 进行了重新设计。它可以根据百万像素数或长度乘以宽度来调整图像大…...

编程日记 2025/9/19 22:31:39

JVM 底层探秘：对象创建的详细流程、内存分配机制解析以及线程安全保障策略

文章目录 1. 类加载检查2. 内存分配① 指针碰撞② 空闲列表线程安全问题： 3. 内存空间初始化4. 对象头设置5. 对象初始化当Java虚拟机遇到一条 new指令时，会执行以下步骤来创建对象： 1. 类加载检查首先检查new指令的参数是否能在常量池中…...

编程日记 2025/9/9 10:18:03

SpringCloud框架下的注册中心比较：Eureka与Consul的实战解析

摘要在探讨SpringCloud框架中的两种注册中心之前，有必要回顾单体架构与分布式架构的特点。单体架构将所有业务功能集成在一个项目中，优点是架构简单、部署成本低，但耦合度高。分布式架构则根据业务功能对系统进行拆分，每个模块作…...

编程日记 2025/9/10 18:13:35

应对DeepSeek总是服务器繁忙的解决方法

最近由于访问量过大，DeepSeek服务器官网经常弹出：“服务器繁忙，请稍后再试”的提示，直接卡成PPT怎么办？服务器繁忙直接看到视觉疲劳： 解决DeepSeek卡顿问题 DeepSeek使用卡顿问题，是因为访问量…...

编程日记 2025/9/21 10:05:38

C++ 实践扩展（Qt Creator 联动 Visual Studio 2022）

这里我们将在 VS 上实现 QT 编程，实现如下： 一、Vs 2022 配置（若已安装，可直接跳过） 点击链接：Visual Studio 2022 我们先去 Vs 官网下载，如下： 等待程序安装完成之…...

编程日记 2025/9/20 6:58:58

JENKINS（全面）

一.linux系统中JENKINS的安装注意：安装jenkins需要安装jdk，而且具体版本的jenkins有相对应的jdk版本。可参考以下链接。 Redhat Jenkins 软件包https://pkg.jenkins.io/redhat-stable/https://pkg.jenkins.io/redhat-stable/https://pkg.jenkins.io/r…...

编程日记 2025/9/20 22:09:29

72.git指南（简单）

Git 操作指南在开始之前，请确保你已经提前配置好 .gitignore 文件，以避免不必要的文件被 Git 跟踪。如果在初始化仓库后再配置 .gitignore 文件，之前添加的文件仍会被跟踪，需要手动移除。如下例子忽略了文件夹及文件夹内所有内…...

编程日记 2025/9/22 0:20:23

LeetCode 232: 用栈实现队列

LeetCode 232: 用栈实现队列题目描述使用栈实现队列的操作。支持以下操作： MyQueue()：初始化队列。push(x)：将元素 x 推入队列。pop()：从队列中移除元素。peek()：返回队列头部的元素。empty()：检查队列…...

编程日记 2025/9/21 9:15:36

C#关于静态关键词static详解

Demo代码： public class HomeController : Controller {private DateTime time1 DateTime.Now; // 实例字段private static DateTime time2 DateTime.Now; // 静态字段[HttpGet("index")]public async Task Index(){Console.WriteLine($"now&am…...

编程日记 2025/9/19 10:32:58