当前位置：首页 > news >正文

机器学习笔记——常用损失函数

news 来源：原创 2025/9/19 11:32:36

大家好，这里是好评笔记，公主号：Goodnote，专栏文章私信限时Free。本笔记介绍机器学习中常见的损失函数和代价函数，各函数的使用场景。

在这里插入图片描述

损失函数

一、回归问题中的损失函数

1. 均方误差（Mean Squared Error, MSE）

定义：

$\text{MSE} = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2$

描述：MSE 衡量的是预测值和真实值之间的平方误差的平均值。对较大的误差会进行更大的惩罚，因此它对异常值（outliers）非常敏感。
应用场景：线性回归、岭回归等模型的损失函数。
优点：简单易于理解，容易求导和计算。
缺点：对异常值敏感，可能导致模型被少数异常样本主导。

2. 平均绝对误差（Mean Absolute Error, MAE）

定义：
$\text{MAE} = \frac{1}{n} \sum_{i=1}^{n} |y_i - \hat{y}_i|$

描述：MAE 衡量的是预测值和真实值之间的绝对误差的平均值。它对每个误差的惩罚是线性的，因此对异常值的惩罚不如 MSE 严重。
应用场景：在对异常值不敏感的回归任务中使用。
优点：对异常值不敏感，能够更加稳定地反映模型性能。
缺点：在优化过程中，绝对值函数不可导，求解困难。

3. 对数余弦损失（Log-Cosh Loss）

定义：
$\text{Log-Cosh Loss} = \frac{1}{n} \sum_{i=1}^{n} \log\left(\cosh\left(y_i - \hat{y}_i\right)\right)$

说明： $\cosh(x)$ : 双曲余弦函数，公式为 $\cosh(x) = \frac{e^x + e^{-x}}{2}$ 。

描述：对数余弦损失是Huber 损失的变体，它的行为类似于 MAE，同时对大误差有更小的增长率。
应用场景：适用于异常值影响较大的回归任务。
优点：具有平滑性，易于求导，对小误差敏感而对大误差鲁棒。
缺点：相比其他损失函数计算复杂度较高。

4. Huber 损失（Huber Loss）

定义：
$L(y_i, \hat{y}_i) = \begin{cases} \frac{1}{2} (y_i - \hat{y}_i)^2 & \text{if } |y_i - \hat{y}_i| \leq \delta, \\ \delta \cdot |y_i - \hat{y}_i| - \frac{1}{2} \delta^2 & \text{if } |y_i - \hat{y}_i| > \delta. \end{cases}$

$\delta$ : 超参数，定义切换 MSE 和 MAE 的阈值。
$|y_i - \hat{y}_i|$ : 误差的绝对值。

描述：Huber 损失是MSE 和 MAE 的折中。对于小误差，使用 MSE；对于大误差，使用 MAE，从而对异常值有一定的鲁棒性。
应用场景：回归问题中存在异常值，但又不希望过于忽略异常值的场景。
优点：对小误差敏感，同时对大误差具有一定的抗干扰性。
缺点：参数 ( $\delta$ ) 需要手动调节，不同数据集效果不同。

5. 平均平方对数误差（Mean Squared Logarithmic Error, MSLE）

定义：
$\text{MSLE} = \frac{1}{n} \sum_{i=1}^{n} \left( \log(1 + y_i) - \log(1 + \hat{y}_i) \right)^2$

$n$ : 数据点的总数。
$y_i$ : 第 $i$ 个真实值（必须为非负数）。
$\hat{y}_i$ : 第 $i$ 个预测值（必须为非负数）。
$\log(1 + x)$ : 对 $x$ 加 1 后取自然对数，用于平滑较小的值和避免对 0 的对数操作。

描述：MSLE 用于处理目标值差异较大且有显著指数增长趋势的情况。它更关注相对误差，而非绝对误差。
应用场景：如人口增长预测、市场销量预测等场景。
优点：对大数值的预测更稳定，对目标值的比例关系有更好的衡量。
缺点：当目标值非常小时，惩罚效果不明显。

总结

损失函数	描述	应用场景	优点	缺点
均方误差 (MSE)	衡量预测值和真实值之间平方误差的平均值，对较大误差进行更大惩罚。	线性回归、岭回归等	简单易于理解，容易求导。	对异常值敏感。
平均绝对误差 (MAE)	衡量预测值和真实值之间绝对误差的平均值。	对异常值不敏感的回归任务	对异常值不敏感，反映模型性能更稳定。	优化困难，绝对值函数不可导。
对数余弦损失 (Log-Cosh)	Huber 损失的变体，既能捕捉小误差，也对大误差有更小的增长率。	异常值影响较大的回归任务	平滑性好，易于求导，适应大误差和小误差。	计算复杂度高。
Huber 损失 (Huber Loss)	结合MSE和MAE，小误差时使用 MSE，大误差时使用 MAE，平衡异常值的影响。	存在异常值但不希望完全忽略的场景	对小误差敏感，对大误差有抗干扰性。	需调节参数 (delta)。
平均平方对数误差 (MSLE)	衡量目标值差异大且有指数增长趋势的情况，关注相对误差而非绝对误差。	人口增长预测、市场销量预测等	对大数值预测更稳定，适应有比例关系的数据。	对极小值目标效果不佳。

二、分类问题中的损失函数

1. 0-1 损失（0-1 Loss）

定义：

$L_(y, \hat{y}) = \begin{cases} 0, & \text{if } y = \hat{y}, \\ 1, & \text{if } y \neq \hat{y}. \end{cases}$

描述：0-1 损失表示分类是否正确，0 为正确分类，1 为错误分类。它无法直接用于模型优化，只能用于评价模型性能。
应用场景：模型性能的评估，如准确率（Accuracy）的计算。
优点：简单直观，能够清晰判断分类是否正确。
缺点：不可导，无法用于梯度优化。

2. 对数损失（Log Loss）或交叉熵损失（Cross-Entropy Loss）

描述：交叉熵损失衡量的是预测分布和真实分布之间的距离。在二分类与 Sigmoid 函数结合；在多分类与 Softmax 函数结合。
应用场景：广泛用于逻辑回归、神经网络等分类任务。
优点：能够很好地度量概率分布之间的差异，梯度计算简单。
缺点：对数据不平衡较为敏感。

二分类问题

在二分类问题中，交叉熵损失衡量真实标签 ( $y$ ) 和预测概率 ( $\hat{y}$ ) 之间的差异。公式为：

$\hat{y}) = - \left[ y \log(\hat{y}) + (1 - y) \log(1 - \hat{y}) \right]$
符号说明

$\in \{0, 1\}$ ：真实标签（0 表示负类，1 表示正类）。
$\hat{y} \in [0, 1]$ ：预测为正类的概率。

多分类问题

对于 $k$ 个类别的多分类问题，交叉熵损失扩展为多个输出类的加权损失，公式为：

$\hat{y}) = - \sum_{i=1}^{k} y_i \log(\hat{y}_i)$

符号说明

$k$ ：类别数量。
$y_i \in \{0, 1\}$ ：第 $i$ 类的真实标签，使用独热编码表示（只有一个值为 1，其余为 0）。
$\hat{y}_i \in [0, 1]$ ：模型预测的第 $i$ 类的概率，通常通过 softmax 函数获得。

Sigmoid 函数：

公式：
$\sigma(z)=\frac1{1+e^{-z}}$
其中， $z$ 是模型的线性输出，即预测值。
Sigmoid 函数将模型的线性输出 $z$ 转化为一个介于 0 和 1 之间的值，表示属于类别 1 的概率。

交叉熵损失：

在二分类任务中，真实标签 $y$ 通常取 0(负类)或1(正类)。
交叉熵损失的公式为： $\mathrm{Loss}=-\left[y\cdot\log(p)+(1-y)\cdot\log(1-p)\right]$
其中， $p=\sigma(z)$ 是经过 Sigmoid 函数后模型预测属于类别 1 的概率。

Softmax 函数：

公式： $\mathrm{Softmax}(z_i) = \frac{e^{z_i}}{\sum_j e^{z_j}}$
其中， $z_i$ 是第 $i$ 个类别的得分， $\sum_j e^{z_j}$ 是所有类别的得分的指数和。
Softmax 函数将每个类别的得分 $z_i$ 转化为一个概率 $p_i$ ，即样本属于第 $i$ 个类别的概率。

交叉熵损失：

在多分类任务中，真实标签 $y$ 是一个 one-hot 编码向量，即样本的真实类别的概率是 1，其他类别的概率是 0。
交叉熵损失的公式： $\text{Loss} = -\sum_i y_i \cdot \log(p_i)$
其中， $p_i$ 是 Softmax 函数输出的属于类别 $i$ 的概率， $y_i$ 是真实的类别标签，通常为 0 或 1。

3. Focal 损失（Focal Loss）

定义：
$\text{Focal Loss} = -\alpha_t (1 - \hat{p}_t)^\gamma \log(\hat{p}_t)$

其中：
- $\hat{p}_t$ 是模型对正确类别的预测概率。
- $\alpha_t$ 是类别平衡权重，用来调整类别不平衡问题， $\alpha_t \in [0, 1]$ ，通常用于为不同类别分配不同的权重。
- $\gamma$ 是调节因子，控制模型对难分类样本的关注程度，常取值为 0 到 5 之间，通常选取 $\gamma = 2$ 效果较好。

注：t 是该样本的真实类别标签

$\hat{p}_{t}$ : 这是模型对样本真实类别 $t$ 的预测概率。假设样本属于类别 $t$ ，则 $\hat{p}_{t}$ 就是模型对类别 $t$ 的预测概率。如果是二分类任务， $t$ 为 1 代表正类，为 0 代表负类；如果是多分类任务， $t$ 是类别的索引。
$\alpha_{t}$ : 这是类别 $t$ 的权重系数。通过 $t$ ，可以为当前样本所属类别 $t$ 分配一个权重 $\alpha_{t}$ 。对于不平衡数据集来说， $\alpha_{t}$ 通常设置为少数类的权重大，主要用来调整损失函数对不同类别样本的关注程度。

描述：Focal 损失是对交叉熵损失的改进，用于解决类别不平衡问题。通过调节参数 ( $\gamma$ ) 和 ( $\alpha$ )，它增加了对困难样本的关注，降低了对易分类样本的影响。
应用场景：目标检测中的单阶段检测器（如 RetinaNet），以及其他类别不平衡的分类问题。
优点：有效解决类别不平衡问题，增强模型对困难样本的关注。
缺点：参数选择复杂，训练时间较长。

4. Hinge 损失（合页损失）

定义：对于二分类问题：
$\hat{y}) = \max(0, 1 - y \cdot \hat{y})$

其中， $\in \{ -1, 1 \}$ ， $\hat{y}$ 是模型的预测输出。

描述：Hinge 损失用于支持向量机（SVM）中。它在样本被正确分类且间隔大于 1 时，损失为 0；否则损失为 1。旨在最大化样本的分类间隔。
应用场景：线性支持向量机、核支持向量机等。
优点：有助于最大化分类间隔，提高模型的泛化能力。
缺点：对于误差大的样本损失增长过快。

5. Kullback-Leibler 散度（KL Divergence）

定义：
$\parallel q) = \sum_i p(x_i) \log \frac{p(x_i)}{q(x_i)}$

描述：KL 散度衡量两个概率分布之间的差异，常用于无监督学习中的聚类分析。
应用场景：概率模型的优化，如变分自编码器（VAE）、生成对抗网络（GAN）中的判别模型。
优点：对概率分布之间的微小差异非常敏感。
缺点：对稀疏分布的概率模型不稳定。

总结

损失函数	描述	应用场景	优点	缺点
0-1 损失 (0-1 Loss)	分类正确为 0，错误为 1，用于衡量分类是否正确。	准确率等分类性能评估	简单直观。	不可导，无法用于优化。
交叉熵损失 (Cross-Entropy)	衡量预测分布和真实分布之间的距离，二分类结合 Sigmoid，多分类结合 Softmax。	逻辑回归、神经网络等分类任务	很好地衡量概率分布差异，梯度计算简单。	对数据不平衡敏感。
Focal 损失 (Focal Loss)	交叉熵的改进，通过调节 ( gamma ) 和 ( alpha )，增加对困难样本的关注，减少易分类样本影响，解决类别不平衡问题。	类别不平衡问题，如目标检测 (RetinaNet)	增强对困难样本的关注，解决类别不平衡。	参数选择复杂，训练时间较长。
Hinge 损失 (合页损失)	用于 SVM，正确分类且间隔大于 1 时损失为 0，旨在最大化分类间隔。	线性 SVM、核 SVM	提高泛化能力，有助于最大化分类间隔。	对误差大的样本损失增长快。
KL 散度 (KL Divergence)	衡量两个概率分布的差异，常用于无监督学习中的聚类分析。	概率模型优化，如 VAE、GAN	对概率分布的差异敏感。	对稀疏分布不稳定。

机器学习笔记——常用损失函数

大家好，这里是好评笔记，公主号：Goodnote，专栏文章私信限时Free。本笔记介绍机器学习中常见的损失函数和代价函数，各函数的使用场景。热门专栏机器学习机器学习笔记合集深度学习深度学习笔记合集文章目录热门…...

编程日记 2025/9/19 11:32:36

谷粒商城学习笔记-13-配置git-ssh-配置代码免密提交

安装配置 git 1 、下载 git ： https://git-scm.com 下载git客户端，右键桌面Git GUI/bash Here。进入bash 2 、配置 git ，进入 git bash # 配置用户名 git config --global user.name "username" //(名字，随意写)# …...

编程日记 2025/9/19 11:29:36

51单片机学习——静态数码管显示

1. 数码管介绍 LED数码管：数码管是一种简单、廉价的显示器，是由多个发光二极管封装在一起组成“8”字型的器件。 2. 数码管引脚定义 LED的阴极连接到一个端口上是共阴极连接，称为共阴极数码管。LED的阳极连接到一个端口上是共阳极连接&…...

编程日记 2025/9/19 11:31:38

Qt5 C++ TcpSocket 如何判断是服务主动断开tcp socket连接？

文章目录实现思路示例代码代码解释主要功能和用法注意事项在 Qt 5.9.9 的 C 开发中，使用 QTcpSocket 时，要判断是服务端主动断开 TCP Socket 连接，可以通过处理 QTcpSocket 的 disconnected 信号，结合 QTcpSocket 的状态以及…...

编程日记 2025/9/16 22:02:27

UEFI Spec 学习笔记---9 - Protocols — EFI Loaded Image

本节定义EFI_LOADED_IMAGE_PROTOCOL和 EFI_LOADED_IMAGE_DEVICE_PATH_PROTOCOL。这些协议分别描述了已加载到内存中的映像，并指定了PE/COFF映像通过EFI引导服务LoadImage()加载时使用的设备路径。这些描述包括 load image 的源、映像在内存中的当前位置、为image分…...

编程日记 2025/9/19 0:49:18

Deepseek 与 ChatGPT：AI 浪潮中的双子星较量

引言在人工智能飞速发展的当下，AI 语言模型成为了人们关注的焦点。Deepseek 与 ChatGPT 作为其中的佼佼者，各自展现出独特的魅力，引领着 AI 技术的发展潮流。今天，就让我们深入探讨这两款模型，看看它们在 AI 领域中是…...

编程日记 2025/9/18 10:54:54

open-webui安装

docker安装openwebui 拉取镜像 docker pull ghcr.io/open-webui/open-webui:maindocker images启动 docker run -d -p 8346:8080 --name open-webui ghcr.io/open-webui/open-webui:maindocker ps查看端口占用 lsof -i:8346访问地址 http://ip:port http://127.0.0.1:8346...

编程日记 2025/9/16 22:02:21

docker 安装jenkins

使用docker 容器安装jenkins比较方便，但是细节比较重要，这里实战安装了一遍，可用： 拉取最新的jenkins镜像 docker pull jenkins/jenkins 如果没有翻墙的话，可以会有下面的报错： Error response from dae…...

编程日记 2025/9/16 18:47:38

前端利器：DateUtils 日期时间工具深度剖析

序言在前端开发中，日期和时间的处理是一个常见且重要的任务。从格式化日期展示到复杂的日期计算，每一个环节都需要精确和高效的代码支持。今天，我们就来深入探讨一个精心打造的前端日期时间工具类 DateUtils，它涵盖了从基础的日…...

编程日记 2025/9/16 18:47:37

Denoising Diffusion Restoration Models论文解读

论文要点恢复的线性逆问题可以使用预训练的DDPM完成：1. 将降质矩阵使用SVD，得到分解矩阵；2. 使用分解矩阵将图像投影到降质类型间共享的谱空间；3. 谱空间中执行DDPM。评价同Track的方法同样很多，比如后续的DDNM、…...

编程日记 2025/9/19 8:26:04

【Windows API】SetFilePointerEx函数用法介绍

目录一、函数概述二、函数原型与参数解析 1. hFile（文件句柄） 2. liDistanceToMove（移动距离） 3. lpNewFilePointer（新指针位置） 4. dwMoveMethod（移动基准点） 三、返回值与…...

编程日记 2025/9/16 18:47:35

uniapp uni.request重复请求处理

类似这种切换tab时，如果操作很快并且网络不太好，就出现数据错乱，在网上查了一圈，有一个使用uview拦截处理的，但是原生uni.requse没有找到详细的解决办法，就查到使用 abort 方法，我自己封装了一个…...

编程日记 2025/9/18 15:10:53

unity学习47：寻路和导航，unity2022后版本如何使用 Navmesh 和 bake

目录 1 寻路和导航对移动的不同 1.1 基础的移动功能 1.1.1 基础移动 1.1.2 智能导航寻路 1.1.3 智能导航寻路还可以 2 如何实现这个效果？ 2.1 通过地图网格的形式 2.1.1 警告信息 the static value has been deprecated的对应搜索 2.1.2 新的navigation ba…...

编程日记 2025/9/16 18:47:33

Windows安装node.js详细教程

一、什么是node.js Node.js 是一个基于 Chrome V8 引擎的javascript运行环境。 Node.js 使用了一个事件驱动、非阻塞式 I/O 的模型。 Node 是一个让 JavaScript 运行在服务端的开发平台，它让javascript成为与PHP、Python等服务端语言平起平坐的脚步语言。由 Rya…...

编程日记 2025/9/18 1:17:49

大模型领域常见的专业术语和关键词及简要解释

现在大语言模型非常火热，特别是deepseek，想要了解、学习、应用、设计开发大模型，则我们需要先知道大模型邻域都包含哪些方面，以及在大模型领域的各个方面，都有哪些常见的专业术语和关键词。以下我们从大模型领域的模型架构、训练方法到优化技术、应用和伦理问题等多个方…...

编程日记 2025/9/16 18:47:31

单细胞转录组画小提琴VlnPlot只显示需要类型细胞

探序基因肿瘤研究院整理在R语言中，单细胞转录组数据画小提琴图中，我们如果想只展示出需要的特定细胞类型，可以把这需要展示的细胞类型单独构建成一个Seurat对象，再画图。例如我们在Seurat对象中的meta.data表格中&#xff0c…...

编程日记 2025/9/16 18:47:30

UE 播放视频

一.UI播放视频 1.导入视频文件至工程文件夹 2.文件夹内右健选择Media -> File Meida Source创建testFileMeidaSource文件。编辑FilePath为当前视频 3.右键->Media->Media Player 创建testMediaPlayer文件 4.右键创建testMediaTexture。编辑MediaPlayer设置testMedia…...

编程日记 2025/9/16 18:47:29

当pcie设备变化时centos是否会修改网络设备的名称（AI回答）

当pcie设备变化时centos是否会修改网络设备的名称在CentOS（以及其他基于Linux的操作系统）中，网络接口的命名通常遵循特定的规则，尤其是在使用PCIe设备（如网络适配器）时。网络接口的命名通常基于设备的物理…...

编程日记 2025/9/16 18:47:28

SpringSecurity基于配置方法控制访问权限：MVC匹配器、Ant匹配器

Spring Security 是一个功能强大且高度可定制的身份验证和访问控制框架。在 Spring Security 中，可以通过配置方法来控制访问权限。认证是实现授权的前提和基础，在执行授权操作前需要明确目标用户，只有明确目标用户才能明确它所具备的角色和权…...

编程日记 2025/9/18 14:38:45

《养生》（二）

一、基础生活调整 1‌.作息规律‌ 固定每天7-8小时睡眠，尽量22:30前入睡，晨起后拉开窗帘晒太阳5分钟，调节生物钟‌ ‌2.饮食优化‌ 三餐定时，每餐细嚼慢咽20次以上，优先吃蔬菜和蛋白质（如鸡蛋、豆腐&#x…...

编程日记 2025/9/16 22:02:17

本地部署MindSearch（开源 AI 搜索引擎框架），然后上传到 hugging face的Spaces——L2G6

部署MindSearch到 hugging face Spaces上——L2G6 任务1 在官方的MindSearch页面复制Spaces应用到自己的Spaces下，Space 名称中需要包含 MindSearch 关键词，请在必要的步骤以及成功的对话测试结果当中实现过程如下： 2.1 MindSearch 简…...

编程日记 2025/9/16 22:02:15

STM32 看门狗

目录背景独立看门狗（IWDG） 寄存器访问保护窗口看门狗（WWDG） 程序独立看门狗设置独立看门狗程序第一步、使能对独立看门狗寄存器的写操作第二步、设置预分频和重装载值第三步、喂狗第四步、使能独立看门狗喂狗…...

编程日记 2025/9/16 22:02:13

Ansys Motor-CAD：热分析

您好，汽车迷： 在这篇博客中，我将讨论如何使用 Ansys Motor-CAD 中的热物理模型对 IPM 电机进行热分析。我展示了可以应用的各种冷却系统，并演示了一些计算方法，包括稳态、简单瞬态和占空比。热物理和设置选择热物理…...

编程日记 2025/9/16 22:02:11

Swagger 转 Word 技术方案

项目概述本项目旨在提供一种便捷的工具，将 Swagger API 文档转换为 Word 文档，方便开发人员和团队进行文档管理和分享。通过简单的配置和操作，用户可以快速生成包含 API 接口信息、请求参数、返回参数等内容的 Word 文档。技术架构本项目基于 Java 开发，采用 Spring …...

编程日记 2025/9/16 22:02:08

对CSS了解哪些？

CSS（Cascading Style Sheets，层叠样式表）是用来描述HTML文档外观和布局的语言。以下是对CSS的常见了解范围： 1. CSS 基础选择器：如通用选择器 (*)、类型选择器、类选择器 (.class)、ID选择器 (#id)、后代选择器、伪类…...

编程日记 2025/9/16 22:02:06

使用 Docker-compose 部署 MySQL

使用 Docker Compose 部署 MySQL 本文将详细指导如何使用 docker-compose 部署 MySQL，包括基本配置、启动步骤、数据持久化以及一些高级选项。通过容器化部署 MySQL，你可以快速搭建一个隔离的数据库环境，适用于开发、测试或小型生产场景。关…...

编程日记 2025/9/16 22:02:04

【C语言】指针(5)

前言：上篇文章的末尾我们使用了转移表来解决代码冗余的问题，那我们还有没有什么办法解决代码冗余呢？有的这就是接下来要说的回调函数。往期文章: 指针1 指针2 指针3 指针4 文章目录一，回调函数二，qsort实现快速排序1…...

编程日记 2025/9/16 22:02:02

go～为什么会有json.Number这种类型存在

解决 JSON 数值类型的不确定性在 JSON 格式里，数值类型没有明确区分整数和浮点数，一个数值可能是整数（如 123），也可能是浮点数（如 123.45）。而在 Go 语言中，整数（如 in…...

编程日记 2025/9/16 22:02:00

Jmeter连接数据库、逻辑控制器、定时器

Jmeter直连数据库直接数据库的使用场景直连数据库的关键配置添加MYSQL驱动Jar包方式一：在测试计划面板点击“浏览”按钮，将你的JDBC驱动添加进来方式二：将MySQL驱动jar包放入到lib/ext目录下，重启JMeter 配置数据库连接信…...

编程日记 2025/9/16 7:07:56

DeepSeek智能测试助手：分类+推理+导出一站式工具

前言测试开发工程师在日常工作中需要处理大量测试文档，并且这些文档需要被高效分类、清洗和管理，同时结合强大的 AI 推理能力（如 DeepSeek 模型）进行智能化处理和分析。为此，我们开发了一款基于 PyQt5 的 GUI 工具&a…...

编程日记 2025/9/16 22:01:56

20250220找回Ubuntu22.04中丢失的文件管理器

20250220找回Ubuntu22.04中丢失的文件管理器 2025/2/20 18:05 在Ubuntu20.04.6中生产服务器上强制安装deb安装包的时候，把桌面显示搞丢了。 Ubuntu的桌面用得少，但是没有还是挺不方便的，一通操作，桌面回来了。还是有很多/不少功…...

编程日记 2025/9/16 22:01:53

IMX6ULL的公板的以太网控制器(MAC)与物理层(PHY)芯片(KSZ8081RNB)连接的原理图分析(包含各引脚说明以及工作原理)

目录什么叫以太网？它与因特网有何区别？公板实现以太网的原理介绍(MII/RMII协议介绍)公板的原理图下载地址公板中IMX6ULL处理器与MAC(以太网控制器)有关的原理图IMX6ULL处理器的MAC引脚说明1. **ENET1_TX_DATA0**2. **ENET1_TX_DATA1**3. **ENET1_TX_EN*…...

编程日记 2025/9/16 22:01:50

一周学会Flask3 Python Web开发-request请求对象与url传参

锋哥原创的Flask3 Python Web开发 Flask3视频教程： 2025版 Flask3 Python web开发视频教程(无废话版) 玩命更新中~_哔哩哔哩_bilibili request请求对象封装了从客户端发来的请求报文信息，我们可以从中获取所有数据。 request对象包含的常用属性&…...

编程日记 2025/9/18 19:25:04

2024年国赛高教杯数学建模C题农作物的种植策略解题全过程文档及程序

2024年国赛高教杯数学建模 C题农作物的种植策略原题再现根据乡村的实际情况，充分利用有限的耕地资源，因地制宜，发展有机种植产业，对乡村经济的可持续发展具有重要的现实意义。选择适宜的农作物，优化种植策略&…...

编程日记 2025/9/16 22:01:45

WEB前端将指定DOM生成图片并下载最佳实践(html2canvas)

前言： html2canvas 是一个 JavaScript 库，其主要作用是将 HTML 元素或其部分内容渲染为 Canvas 图像。通过它，开发者可以将网页中的任意 DOM 元素（包括文本、图片、样式等）转换为图片格式（如 PNG 或 JPEG&…...

编程日记 2025/9/16 22:01:43

C# 十六进制字符串转换为十进制

在 C# 中，将十六进制（Hexadecimal）字符串转换为十进制（Decimal）整数非常简单。以下是几种常见的方法： 方法 1: 使用 Convert.ToInt32 Convert.ToInt32 方法可以直接将十六进制字符串转换为十进制整数。示…...

编程日记 2025/9/16 22:01:41

第4章信息系统架构（三）

4.3 应用架构应用架构的主要内容是规划出目标应用分层分域架构，根据业务架构规划目标应用域、应用组和目标应用组件，形成目标应用架构逻辑视图和系统视图。从功能视角出发，阐述应用组件各自及应用架构整体上，如何实现组织的高阶…...

编程日记 2025/9/16 22:01:39

Qt 保留小数点固定长度 QString 格式化

QString的arg()函数格式化输出double类型数值，包括fieldWidth、fmt、prec和fillChar参数的作用。示例代码展示了如何设置精度和填充字符，以及字段宽度的影响。文中提到，当fieldWidth小于实际长度时，前面的填充不会被截断。此外&am…...

编程日记 2025/9/16 22:01:37

亲测可用，IDEA中使用满血版DeepSeek R1！支持深度思考！免费！免配置！

作者：程序员 Hollis 之前介绍过在IDEA中使用DeepSeek的方案，但是很多人表示还是用的不够爽，比如用CodeChat的方案，只支持V3版本，不支持带推理的R1。想要配置R1的话有特别的麻烦。那么，今天，给…...

编程日记 2025/9/16 0:56:57

AI训练中的常用指令

以下是一些常用于深度学习训练的 Linux 指令，可以帮助你高效管理和执行训练任务： 文件管理查看当前目录内容：ls进入目录：cd 路径/到/目录创建新目录：mkdir 新目录名称删除文件或目录： 删除文件&#xff…...

编程日记 2025/9/16 22:01:34

汽车同轴供电(PoC)电感器市场报告：未来几年年复合增长率CAGR为14.3%

汽车同轴供电（PoC）系统旨在通过同轴电缆传输电力和数据。该技术适用于各种汽车应用，如摄像头系统、传感器和其他需要通过单根电缆传输电力和数据的车载设备。汽车 PoC 系统中的电感器有多种用途，包括能量存储：电感器…...

编程日记 2025/9/16 22:01:32

C++中间件DDS介绍

C DDS 库简介 DDS（Data Distribution Service） 是一种用于实时分布式系统通信的中间件标准，由 OMG（Object Management Group） 提出。它是一种发布/订阅（Publish/Subscribe）模式的数据通信框架&…...

编程日记 2025/9/16 22:01:29

强化学习笔记

强化学习的总体目标：寻找最优策略。关键名词智能体（Agent） 状态（State）：智能体相对于环境的状态 s ∈ S s∈S s∈S 状态空间（State space）：把所有状态放在一起&…...

编程日记 2025/9/17 22:27:42

【个人记录】openEuler安装K3S并配置为GPU节点

前言国内网络环境特殊，在线安装比较麻烦，K3S采用离线安装方式进行部署。安装整体思路是： 安装GPU驱动安装CUDA工具安装nvidia容器运行时安装K3S设置K3S使用GPU 基础环境采用All In One方式（其实只有一张GPU卡）部…...

编程日记 2025/9/16 22:01:25

SpringAI系列 - ToolCalling篇（二） - 如何设置应用侧工具参数ToolContext（有坑）

目录一、引言二、集成ToolContext示例步骤1：在`@Tool`标注的工具方法中集成`ToolConext`参数步骤2：`ChatClient`运行时动态设置`ToolContext`参数三、填坑一、引言在使用AI大模型的工具调用机制时，工具参数都是由大模型解析用户输入上下文获取的，由大模型提供参数给本地…...

编程日记 2025/9/16 22:01:23