当前位置：首页 > news >正文

深度学习笔记17-马铃薯病害识别（VGG-16复现）

news 来源：原创 2025/9/12 20:17:04

目录

一、前期准备

1. 设置GPU

2. 导入数据

二、手动搭建VGG-16模型

1. 搭建模型

三、训练模型

1. 编写训练函数

3. 编写测试函数

4. 正式训练

四、结果可视化

1. Loss与Accuracy图

2. 指定图片进行预测

3. 模型评估

前言

🍨 本文为🔗365天深度学习训练营中的学习记录博客
🍖 原作者：K同学啊

一、前期准备

1. 设置GPU

如果设备上支持GPU就使用GPU,否则使用CPU

import torch
import torch.nn as nn
import torchvision.transforms as transforms
import torchvision
from torchvision import transforms, datasets
import os,PIL,pathlib,warningswarnings.filterwarnings("ignore")             #忽略警告信息device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
device

2. 导入数据

import os,PIL,random,pathlibdata_dir = './PotatoPlants/'
data_dir = pathlib.Path(data_dir)data_paths  = list(data_dir.glob('*'))
classeNames = [str(path).split("\\")[1] for path in data_paths]
classeNames

# 关于transforms.Compose的更多介绍可以参考：https://blog.csdn.net/qq_38251616/article/details/124878863
train_transforms = transforms.Compose([transforms.Resize([224, 224]),  # 将输入图片resize成统一尺寸# transforms.RandomHorizontalFlip(), # 随机水平翻转transforms.ToTensor(),          # 将PIL Image或numpy.ndarray转换为tensor，并归一化到[0,1]之间transforms.Normalize(           # 标准化处理-->转换为标准正太分布（高斯分布），使模型更容易收敛mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])  # 其中 mean=[0.485,0.456,0.406]与std=[0.229,0.224,0.225] 从数据集中随机抽样计算得到的。
])test_transform = transforms.Compose([transforms.Resize([224, 224]),  # 将输入图片resize成统一尺寸transforms.ToTensor(),          # 将PIL Image或numpy.ndarray转换为tensor，并归一化到[0,1]之间transforms.Normalize(           # 标准化处理-->转换为标准正太分布（高斯分布），使模型更容易收敛mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])  # 其中 mean=[0.485,0.456,0.406]与std=[0.229,0.224,0.225] 从数据集中随机抽样计算得到的。
])total_data = datasets.ImageFolder("./PotatoPlants/",transform=train_transforms)
total_data

total_data.class_to_idx

3. 划分数据集

train_size = int(0.8 * len(total_data))
test_size  = len(total_data) - train_size
train_dataset, test_dataset = torch.utils.data.random_split(total_data, [train_size, test_size])
train_dataset, test_dataset

batch_size = 32train_dl = torch.utils.data.DataLoader(train_dataset,batch_size=batch_size,shuffle=True,num_workers=1)
test_dl = torch.utils.data.DataLoader(test_dataset,batch_size=batch_size,shuffle=True,num_workers=1)

for X, y in test_dl:print("Shape of X [N, C, H, W]: ", X.shape)print("Shape of y: ", y.shape, y.dtype)break

二、手动搭建VGG-16模型

VVG-16结构说明：

13个卷积层（Convolutional Layer），分别用blockX_convX表示
3个全连接层（Fully connected Layer），分别用fcX与predictions表示
5个池化层（Pool layer），分别用blockX_pool表示

VGG-16包含了16个隐藏层（13个卷积层和3个全连接层），故称为VGG-16

1. 搭建模型

import torch.nn.functional as Fclass vgg16(nn.Module):def __init__(self):super(vgg16, self).__init__()# 卷积块1self.block1 = nn.Sequential(nn.Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),nn.ReLU(),nn.Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),nn.ReLU(),nn.MaxPool2d(kernel_size=(2, 2), stride=(2, 2)))# 卷积块2self.block2 = nn.Sequential(nn.Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),nn.ReLU(),nn.Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),nn.ReLU(),nn.MaxPool2d(kernel_size=(2, 2), stride=(2, 2)))# 卷积块3self.block3 = nn.Sequential(nn.Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),nn.ReLU(),nn.Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),nn.ReLU(),nn.Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),nn.ReLU(),nn.MaxPool2d(kernel_size=(2, 2), stride=(2, 2)))# 卷积块4self.block4 = nn.Sequential(nn.Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),nn.ReLU(),nn.Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),nn.ReLU(),nn.Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),nn.ReLU(),nn.MaxPool2d(kernel_size=(2, 2), stride=(2, 2)))# 卷积块5self.block5 = nn.Sequential(nn.Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),nn.ReLU(),nn.Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),nn.ReLU(),nn.Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)),nn.ReLU(),nn.MaxPool2d(kernel_size=(2, 2), stride=(2, 2)))# 全连接网络层，用于分类self.classifier = nn.Sequential(nn.Linear(in_features=512*7*7, out_features=4096),nn.ReLU(),nn.Linear(in_features=4096, out_features=4096),nn.ReLU(),nn.Linear(in_features=4096, out_features=3))def forward(self, x):x = self.block1(x)x = self.block2(x)x = self.block3(x)x = self.block4(x)x = self.block5(x)x = torch.flatten(x, start_dim=1)x = self.classifier(x)return xdevice = "cuda" if torch.cuda.is_available() else "cpu"
print("Using {} device".format(device))model = vgg16().to(device)
model

2. 查看模型详情

# 统计模型参数量以及其他指标
import torchsummary as summary
summary.summary(model, (3, 224, 224))

三、训练模型

1. 编写训练函数

# 训练循环
def train(dataloader, model, loss_fn, optimizer):size = len(dataloader.dataset)  # 训练集的大小num_batches = len(dataloader)   # 批次数目, (size/batch_size，向上取整)train_loss, train_acc = 0, 0  # 初始化训练损失和正确率for X, y in dataloader:  # 获取图片及其标签X, y = X.to(device), y.to(device)# 计算预测误差pred = model(X)          # 网络输出loss = loss_fn(pred, y)  # 计算网络输出和真实值之间的差距，targets为真实值，计算二者差值即为损失# 反向传播optimizer.zero_grad()  # grad属性归零loss.backward()        # 反向传播optimizer.step()       # 每一步自动更新# 记录acc与losstrain_acc  += (pred.argmax(1) == y).type(torch.float).sum().item()train_loss += loss.item()train_acc  /= sizetrain_loss /= num_batchesreturn train_acc, train_loss

2. 编写测试函数

测试函数和训练函数大致相同，但是由于不进行梯度下降对网络权重进行更新，所以不需要传入优化器

def test (dataloader, model, loss_fn):size        = len(dataloader.dataset)  # 测试集的大小num_batches = len(dataloader)          # 批次数目, (size/batch_size，向上取整)test_loss, test_acc = 0, 0# 当不进行训练时，停止梯度更新，节省计算内存消耗with torch.no_grad():for imgs, target in dataloader:imgs, target = imgs.to(device), target.to(device)# 计算losstarget_pred = model(imgs)loss        = loss_fn(target_pred, target)test_loss += loss.item()test_acc  += (target_pred.argmax(1) == target).type(torch.float).sum().item()test_acc  /= sizetest_loss /= num_batchesreturn test_acc, test_loss

3. 正式训练

model.train()、model.eval()训练营往期文章中有详细的介绍。

📌如果将优化器换成 SGD 会发生什么呢？请自行探索接下来发生的诡异事件的原因。

import copyoptimizer  = torch.optim.Adam(model.parameters(), lr= 1e-4)
loss_fn    = nn.CrossEntropyLoss() # 创建损失函数epochs     = 40train_loss = []
train_acc  = []
test_loss  = []
test_acc   = []best_acc = 0    # 设置一个最佳准确率，作为最佳模型的判别指标for epoch in range(epochs):model.train()epoch_train_acc, epoch_train_loss = train(train_dl, model, loss_fn, optimizer)model.eval()epoch_test_acc, epoch_test_loss = test(test_dl, model, loss_fn)# 保存最佳模型到 best_modelif epoch_test_acc > best_acc:best_acc   = epoch_test_accbest_model = copy.deepcopy(model)train_acc.append(epoch_train_acc)train_loss.append(epoch_train_loss)test_acc.append(epoch_test_acc)test_loss.append(epoch_test_loss)# 获取当前的学习率lr = optimizer.state_dict()['param_groups'][0]['lr']template = ('Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%, Test_loss:{:.3f}, Lr:{:.2E}')print(template.format(epoch+1, epoch_train_acc*100, epoch_train_loss, epoch_test_acc*100, epoch_test_loss, lr))# 保存最佳模型到文件中
PATH = './best_model.pth'  # 保存的参数文件名
torch.save(model.state_dict(), PATH)print('Done')

。。。

四、结果可视化

1. Loss与Accuracy图

import matplotlib.pyplot as plt
#隐藏警告
import warnings
warnings.filterwarnings("ignore")               #忽略警告信息
plt.rcParams['font.sans-serif']    = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False      # 用来正常显示负号
plt.rcParams['figure.dpi']         = 100        #分辨率from datetime import datetime
current_time = datetime.now() # 获取当前时间epochs_range = range(epochs)plt.figure(figsize=(12, 3))
plt.subplot(1, 2, 1)plt.plot(epochs_range, train_acc, label='Training Accuracy')
plt.plot(epochs_range, test_acc, label='Test Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')
plt.xlabel(current_time) # 打卡请带上时间戳，否则代码截图无效plt.subplot(1, 2, 2)
plt.plot(epochs_range, train_loss, label='Training Loss')
plt.plot(epochs_range, test_loss, label='Test Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

2. 指定图片进行预测

from PIL import Image classes = list(total_data.class_to_idx)def predict_one_image(image_path, model, transform, classes):test_img = Image.open(image_path).convert('RGB')plt.imshow(test_img)  # 展示预测的图片test_img = transform(test_img)img = test_img.to(device).unsqueeze(0)model.eval()output = model(img)_,pred = torch.max(output,1)pred_class = classes[pred]print(f'预测结果是：{pred_class}')

3. 模型评估

best_model.eval()
epoch_test_acc, epoch_test_loss = test(test_dl, best_model, loss_fn)

epoch_test_acc, epoch_test_loss

五、总结

要搞清学习用的数据集文件的标签，在打0、1、2标签的时候，一定要注意将标签打在对应的，不要忘记，也不要打错子文件夹上，否则会影响训练结果甚至会使得整个模型无效

深度学习笔记17-马铃薯病害识别（VGG-16复现）

目录一、前期准备 1. 设置GPU 2. 导入数据二、手动搭建VGG-16模型 1. 搭建模型三、训练模型 1. 编写训练函数 3. 编写测试函数 4. 正式训练四、结果可视化 1. Loss与Accuracy图 2. 指定图片进行预测 3. 模型评估前言 🍨 本文为🔗365天深度学习训…...

编程日记 2025/9/12 20:17:04

【LeetCode】131.分割回文串

目录题目描述输入输出示例及数据范围思路C 实现题目描述这道题目来自 LeetCode 131. 分割回文串。题目描述如下： 给你一个字符串 s，请你将 s 分割成一些子串，使每个子串都是回文串。返回 s 所有可能的分割方案。输入输出示例及数据…...

编程日记 2025/9/12 20:17:02

【AIGC系列】5：视频生成模型数据处理和预训练流程介绍（Sora、MovieGen、HunyuanVideo）

AIGC系列博文： 【AIGC系列】1：自编码器（AutoEncoder, AE） 【AIGC系列】2：DALLE 2模型介绍（内含扩散模型介绍） 【AIGC系列】3：Stable Diffusion模型原理介绍【AIGC系列】4&#xff1…...

编程日记 2025/9/7 18:26:44

基于C++“简单且有效”的“数据库连接池”

前言数据库连接池在开发中应该是很常用的一个组件，他可以很好的节省连接数据库的时间开销；本文基使用C实现了一个简单的数据库连接池，代码量只有400行左右，但是压力测试效果很好；欢迎收藏关注，本人将会…...

编程日记 2025/9/9 2:34:20

vulnhub靶场【kioptrix-4】靶机

前言靶机：kioptrix-4，IP地址为192.168.1.75，后期IP地址为192.168.10.8 攻击：kali，IP地址为192.168.1.16，后期IP地址为192.168.10.6 都采用VMware虚拟机，网卡为桥接模式这里的靶机&#xf…...

编程日记 2025/9/7 20:38:04

科普：ROC AUC与PR AUC

在评价二分类模型性能时，有许多评价指标，其中，有一对是用面积AUC（Area Under the Curve）做评价的：ROC AUC与PR AUC 本文我们对ROC AUC与PR AUC进行多维度对比分析： 一、定义与核心原理维度RO…...

编程日记 2025/9/8 18:03:01

服务器IPMI用户名、密码批量检查

背景大规模服务器部署的时候，少不了较多的网管和监测平台，这些平台会去监控服务器的性能、硬件等指标参数，为了便于管理和控制，则需要给服务器IPMI带外管理添加较多的用户，这就需要对较多的服务器检查所对应的IPMI用…...

编程日记 2025/9/11 0:31:53

51单片机中reg52.h与regx52.h在进行位操作时的不同

reg52.h中不能使用例如 P2_0;这样的定义而只能使用 P2^0;这样的定义但是都不可以对位进行直接赋值操作； 而 regx52.h中可以使用 P2_0和P2^0；但是只有使用下划线的才可以对位进行赋值操作例如P2_0 1; 但不可以是P2^0 1; 在 C 语言中，…...

编程日记 2025/9/12 4:25:46

目录 0 Introduction What Why Advantage 1 Example 2 Concept 3 Flow Chart 4 Module 4.1 Transport 4.1.1 Share Memory 4.1.1.1 Segment 4.1.1.1.1 State 4.1.1.1.2 Block 4.1.1.1.3 Common 4.1.1.2 Notifier 4.1.1.2.1 ConditionNotifier 4.1.1.2.2 Multi…...

编程日记 2025/9/8 9:38:10

【Electron入门】进程环境和隔离

目录一、主进程和渲染进程 1、主进程（main） 2、渲染进程（renderer） 二、预加载脚本三、沙盒化为单个进程禁用沙盒全局启用沙盒四、环境访问权限控制：contextIsolation和nodeIntegration 1、contextIsola…...

编程日记 2025/8/26 11:54:01

拉链表介绍

拉链表是处理缓慢变化维（SCD） 的一种常用方法，特别适用于需要保留历史记录的场景。以下是拉链表的详细说明及实现方法： 1. 什么是拉链表？ 拉链表是一种用于记录维度数据历史变化的表结构，通过开始时间 …...

编程日记 2025/9/9 9:55:55

Spring Boot 日志配置与常见问题解析（详解）

目录 Spring Boot 日志配置与常见问题解析引言什么是日志？日志的重要性日志使用打印日志日志框架介绍日志格式的说明⽇志级别日志级别的分类日志级别的使用 Spring Boot 日志配置1. 设置日志级别和格式2. 配置日志收集器3. 查看和分析日志4.日志的持久化5.设置日志…...

编程日记 2025/9/6 19:57:07

-bash: lsof: command not found

一、问题说明执行如下命令时报错： # lsof |grep deleted > deleted_file -bash: lsof: command not found二、处理方法 # yum -y install lsof安装完成后可成功执行上面的命令。...

编程日记 2025/9/11 15:28:48

PC 端连接安卓手机恢复各类数据：安装、操作步骤与实用指南

软件介绍这款用于恢复安卓手机数据的软件，虽运行在 PC 端，却专为安卓手机数据恢复打造，使用时得用数据线把手机和电脑连接起来。它的功能相当强大，能帮你找回安卓手机里已删除的短信、联系人、通话记录、文档，还有照…...

编程日记 2025/9/11 19:03:43

ES、OAS、ERP、电子政务、企业信息化（高软35）

系列文章目录 ES、OAS、ERP、电子政务、企业信息化文章目录系列文章目录前言一、专家系统（ES）二、办公自动化系统（OAS）三、企业资源规划（ERP）四、典型信息系统架构模型1.政府信息化和电子政务2.企业信息…...

编程日记 2025/9/3 8:52:15

android智能指针android::sp使用介绍

android::sp 是 Android 中的智能指针（Smart Pointer）的实现，用于管理对象的生命周期，避免手动管理内存泄漏等问题。它是 Android libutils 库中重要的一部分，常用于管理继承自 android::RefBase 的对象。与标准库中…...

编程日记 2025/9/4 17:30:48

DeepSeek05-大模型WebUI

一、说明： 将DeepSeek部署到前台Web界面的方法主要有以下几种推荐方案，涵盖开源工具、第三方客户端及特定场景适配方案： Open WebUIChatbox AICherry StudioSillyTavern 二、Open WebUI 安装配置教程特点：Open WebUI 是一个开…...

编程日记 2025/9/12 9:15:34

自然语言处理NLP入门 -- 第八节OpenAI GPT 在 NLP 任务中的应用

在前面的学习中，我们已经了解了如何使用一些经典的方法和模型来处理自然语言任务，如文本分类、命名实体识别等。但当我们需要更强的语言生成能力时，往往会求助于更先进的预训练语言模型。OpenAI 旗下的 GPT 系列模型（如 GPT-3、GP…...

编程日记 2025/9/9 3:54:41

FFmpeg av_read_frame 和iOS系统提供的 AVAudioRecorder 实现音频录制的区别

1. 第一种方式：使用 FFmpeg 的 av_read_frame 特点底层实现：基于 FFmpeg，这是一个强大的多媒体处理库，直接操作音频流。灵活性：非常灵活，可以处理多种音频格式、编解码器和输入设备。复杂性：需要手动管理音频流、数据包（AVPacket）、内存释放等，代码复杂度较高。跨平…...

编程日记 2025/9/11 6:58:40

【区块链】深入理解区块链中的 Gas 机制

🌈个人主页: 鑫宝Code 🔥热门专栏: 闲话杂谈｜ 炫酷HTML | JavaScript基础 💫个人格言: "如无必要，勿增实体" 文章目录深入理解区块链中的 Gas 机制一、Gas 的基本概念1.1 为什么需要 Gas&#xff1f…...

编程日记 2025/9/10 21:07:48

2020 年英语（一）考研真题笔记（更新中）

Section I Use of English（完型填空） 原题 Directions：Read the following text. Choose the best word (s) for each numbered blank and mark A, B, C or D on the ANSWER SHEET. (10 points) Even if families are less likely to si…...

编程日记 2025/9/10 9:51:12

mamba_ssm和causal-conv1d详细安装教程

1.前言 Mamba是近年来在深度学习领域出现的一种新型结构，特别是在处理长序列数据方面表现优异。在本文中，我将介绍如何在 Linux 系统上安装并配置 mamba_ssm 虚拟环境。由于官方指定mamba_ssm适用于 PyTorch 版本高于 1.12 且 CUDA 版本大于 11.6 的环境…...

编程日记 2025/9/11 1:25:41

leetcode-442.数组中重复的数据

leetcode-442.数组中重复的数据文章目录 leetcode-442.数组中重复的数据1.题目描述：数组中重复的数据2.第一次代码提交：(不符合仅使用常量额外空间)3.最终代码提交：只使用常数额外空间、时间复杂度为 O(n) 的做法，即“标记法” 1…...

编程日记 2025/9/11 13:22:55

UniApp 按钮组件 open-type 属性详解：功能、场景与平台差异

文章目录引言一、open-type 基础概念1.1 核心作用1.2 通用使用模板二、主流 open-type 值详解2.1 contact - 客服会话功能说明平台支持代码示例 2.2 share - 内容转发功能说明平台支持注意事项 2.3 getUserInfo - 获取用户信息功能说明平台支持代码示例 2.4 getPhoneNumber -…...

编程日记 2025/9/10 1:41:21

Android13修改多媒体默认音量

干就完了! 设置音量为最大音量,修改如下: /framework/base/media/java/android/media/AudioSystem.java/** hide */public static int[] DEFAULT_STREAM_VOLUME new int[] {4, // STREAM_VOICE_CALL7, // STREAM_SYSTEM5, // STREAM_RING-5, // STREAM_MUSIC15, // STREAM…...

编程日记 2025/9/8 21:19:38

【银河麒麟高级服务器操作系统】服务器测试业务耗时问题分析及处理全流程分享

更多银河麒麟操作系统产品及技术讨论，欢迎加入银河麒麟操作系统官方论坛 https://forum.kylinos.cn 了解更多银河麒麟操作系统全新产品，请点击访问麒麟软件产品专区：https://product.kylinos.cn 开发者专区：https://developer…...

编程日记 2025/8/26 11:52:01

HTTP 请求时传递多部分表单数据

HTTP 请求时传递多部分表单数据（multipart/form-data） --data-raw $------demo11111\r\nContent-Disposition: form-data; name"Filedata"; filename"截屏2025-02-27 15.45.46.png"\r\nContent-Type: image/png\r\n\r\n\r\n------d…...

编程日记 2025/9/8 12:44:13

【Python环境】配置极简描述

241220 241220 241220 Python环境配置下载Python 稳定版本：Stable Releases【3.12.3】下载地址：Python Releases for Windows | Python.org. 配环境注意勾上Add Python 3.x to PATH，然后点“Install Now”即可完成安装。配置完成&…...

编程日记 2025/9/4 17:57:34

1. HTTP 数据请求

相关资源： 图片素材📎图片素材.zip 接口文档 1. HTTP 数据请求什么是HTTP数据请求： (鸿蒙)应用软件可以通过(鸿蒙)系统内置的 http 模块和 Axios，通过 HTTP 协议和服务器进行通讯学习核心Http请求技术: Http模块 - 属于鸿…...

编程日记 2025/9/9 11:55:01

基于深度学习+NLP豆瓣电影数据爬虫可视化推荐系统

博主介绍：资深开发工程师，从事互联网行业多年，熟悉各种主流语言，精通java、python、php、爬虫、web开发，已经做了多年的设计程序开发，开发过上千套设计程序，没有什么华丽的语言，只有…...

编程日记 2025/9/9 19:07:35

Apache Spark中的依赖关系与任务调度机制解析

Apache Spark中的依赖关系与任务调度机制解析在Spark的分布式计算框架中，RDD（弹性分布式数据集）的依赖关系是理解任务调度、性能优化及容错机制的关键。宽依赖（Wide Dependency）与窄依赖（Narrow Dependency）作为两种核心依赖类型，直接影响Stage划分、Shuffle操作及容…...

编程日记 2025/9/10 5:32:57

SEO炼金术（4）| Next.js SEO 全攻略

在上一篇文章 SEO炼金术（3）| 深入解析 SEO 关键要素中，我们深入解析了 SEO 关键要素，包括 meta 标签、robots.txt、canonical、sitemap.xml 和 hreflang，并探讨了它们在搜索引擎优化（SEO）中的作…...

编程日记 2025/9/9 13:49:26

DeepSeek开源周，第五弹再次来袭，3FS

Fire-Flyer 文件系统（3FS）总结： 一、核心特点 3FS 是一个专为 AI 训练和推理工作负载设计的高性能分布式文件系统，利用现代 SSD 和 RDMA 网络，提供共享存储层，简化分布式应用开发。其主要特点包括&#xf…...

编程日记 2025/9/8 6:17:46

conda怎么迁移之前下载的环境包，把python从3.9升级到3.10

克隆旧环境（保留旧环境作为备份） conda create -n cloned_env --clone old_env 在克隆环境中直接升级 Python conda activate cloned_env conda install python3.10 升级 Python 后出现所有包导入失败的问题，通常是因为依赖包与新 Pyth…...

编程日记 2025/9/11 3:11:33

一周一个Unity小游戏2D反弹球游戏 - 移动的弹板（鼠标版）

前言本文将实现控制弹板移动，通过Unity的New Input System，可以支持鼠标移动弹板跟随移动，触控点击跟随移动，并且当弹板移动到边界时，弹板不会移动超过边界之外。创建移动相关的InputAction 项目模版创建的时候默认会…...

编程日记 2025/9/12 20:15:04

wordpress子分类调用父分类名称和链接的3种方法

专为导航而生，在wordpress模板制作过程中常常会在做breadcrumbs导航时会用到，子分类调用父分类的名称和链接，下面这段简洁的代码，可以完美解决这个问题。 <?php echo get_category_parents( $cat, true, » ); ?…...

编程日记 2025/9/9 16:41:48

使用mermaid查看cursor程序生成的流程图

一、得到cursor生成的流程图文本 cursor写的程序正常运行后，在对话框输入框中输入诸如“请生成扫雷的代码流程图”，然后cursor就把流程图给生成了，但是看到的还是文本的样子，保留这部分内容待用二、注册一个Mermaid绘图账号 …...

编程日记 2025/9/8 20:27:41

GC垃圾回收介绍及GC算法详解

目录引言 GC的作用域什么是垃圾回收？ 常见的GC算法 1.引用计数法 2.复制算法 3.标记清除 4.标记整理小总结 5.分代收集算法 ps:可达性分析算法？ 可达性分析的作用可达性分析与垃圾回收算法的关系结论引言在编程世界中，…...

编程日记 2025/9/9 1:12:07

设计后端返回给前端的返回体

目录 1、为什么要设计返回体？ 2、返回体包含哪些内容（如何设计）？ 举例 3、总结 1、为什么要设计返回体？ 在设计后端返回给前端的返回体时，通常需要遵循一定的规范，以确保前后端交互的清晰性…...

编程日记 2025/9/8 20:14:41

Pytorch为什么 nn.CrossEntropyLoss = LogSoftmax + nn.NLLLoss？

为什么 nn.CrossEntropyLoss LogSoftmax nn.NLLLoss？ 在使用 PyTorch 时，我们经常听说 nn.CrossEntropyLoss 是 LogSoftmax 和 nn.NLLLoss 的组合。这句话听起来简单，但背后到底是怎么回事？为什么这两个分开的功能加起来就等于…...

编程日记 2025/9/9 11:42:18

Linux实操——在服务器上直接从百度网盘下载（/上传）文件

Linux Linux实操——在服务器上直接从百度网盘下载（/上传）文件文章目录 Linux前言一、下载并安装bypy工具二、认证并授权网盘账号三、将所需文件转移至目的文件夹下四、下载文件五、上传文件六、更换绑定的百度云盘账户前言最近收到一批很大的数据&…...

编程日记 2025/9/7 9:39:47

【无标题】ABP更换MySql数据库

原因：ABP默认使用的数据库是sqlServer，本地没有安装sqlServer，安装的是mysql，需要更换数据库 ABP版本：9.0 此处以官网TodoApp项目为例打开EntityFrameworkCore程序集，可以看到默认使用的是sqlServer&…...

编程日记 2025/9/12 1:26:21

nuxt常用组件库html-validator应用解析

html-validator 主要用于自动验证nuxt服务器呈现的HTML(SSR和SSG)，以检测可能导致水合错误的HTML常见问题，有助于减少水合错误，检测常见的可访问性错误。安装 npx nuxilatest module add html-validator配置若自动更新nuxt.config.ts配置文…...

编程日记 2025/9/8 11:34:46

思维训练（算法+技巧）

1.深度优先搜索：暴力求解，适合判断能不能走出迷宫利用递归，有一个check【】数组来检查该节点是否经过 for循环该节点的邻接节点（存在且没被访问），递归DFS（该节点的某个邻接节点） D…...

编程日记 2025/9/9 11:21:38

AIGC（生成式AI）试用 25 -- 跟着清华教程学习 - DeepSeek+DeepResearch让科研像聊天一样简单

目标：继续学习，以DeepSeek为主个人理解： - 模型结合，充分发挥各模型的优势 - 关注应用，弱化理论，了解就好 - 多模态：多模态（Multimodality）是指结合多种不同类型的数据…...

编程日记 2025/9/10 11:44:08

Solr中得Core和Collection的作用和关系

Solr中得Core和Collection的作用和关系一， 总结在Apache Solr中，Core和Collection 是两个核心概念，他们分别用于单机模式和分布式模式（SolrCloud）中，用于管理和组织数据。二，Core 定义&am…...

编程日记 2025/9/9 4:24:12

温湿度监控设备融入智慧物联网

当医院的温湿度监控设备融入智慧物联网，将会带来许多新的体验，可以帮助医院温湿度监控设备智能化管理，实现设备之间的互联互通，方便医院对温湿度数据进行统一管理和分析。添加智慧物联网技术，实现对医院温湿度的实时…...

编程日记 2025/8/26 12:08:02

软件测试的七大误区

随着软件测试对提高软件质量重要性的不断提高，软件测试也不断受到重视。但是，国内软件测试过程的不规范，重视开发和轻视测试的现象依旧存在。因此，对于软件测试的重要性、测试方法和测试过程等方面都存在很多不恰当的认识&#xf…...

编程日记 2025/9/9 5:46:24

Mac 版本地部署deepseek ➕ RAGflow 知识库搭建流程分享（附问题解决方法）

安装： 1、首先按照此视频的流程一步一步进行安装：(macos版）ragflowdeepseek 私域知识库搭建流程分享_哔哩哔哩_bilibili 2、RAGflow 官网文档指南：https://ragflow.io 3、RAGflow 下载地址：https://github.com/infi…...

编程日记 2025/9/8 5:02:13

前言

一、 前期准备