当前位置：首页 > news >正文

深度学习R8周：RNN实现阿尔兹海默症（pytorch）

news 来源：原创 2025/9/4 12:55:00

🍨 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

数据集包含2149名患者的广泛健康信息，每名患者的ID范围从4751到6900不等。该数据集包括人口统计详细信息、生活方式因素、病史、临床测量、认知和功能评估、症状以及阿尔兹海默症的诊断。

一、前期准备工作

1.设置硬件设备

import numpy as np
import pandas as pd
import torch
from torch import nn
import torch.nn.functional as F
import seaborn as sns#设置GPU训练，也可以使用CPU
device=torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(device)

结果输出：

2.导入数据

df = pd.read_csv("alzheimers_disease_data.csv")
# 删除第一列和最后一列
df = df.iloc[:, 1:-1]
print(df)

结果输出：

二、构建数据集

1.标准化

#构建数据集
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_splitX = df.iloc[:,:-1]
y = df.iloc[:,-1]# 将每一列特征标准化为标准正太分布，注意，标准化是针对每一列而言的
sc = StandardScaler()
X  = sc.fit_transform(X)

2.划分数据集

#划分数据集
X = torch.tensor(np.array(X), dtype=torch.float32)
y = torch.tensor(np.array(y), dtype=torch.int64)X_train, X_test, y_train, y_test = train_test_split(X, y,test_size = 0.1,random_state = 1)print(X_train.shape, y_train.shape)

3.构建数据加载器

#构建数据加载器
from torch.utils.data import TensorDataset, DataLoadertrain_dl = DataLoader(TensorDataset(X_train, y_train),batch_size=64,shuffle=False)test_dl  = DataLoader(TensorDataset(X_test, y_test),batch_size=64,shuffle=False)

输出结果：

三、模型训练

1.构建模型

#构建模型
class model_rnn(nn.Module):def __init__(self):super(model_rnn, self).__init__()self.rnn0 = nn.RNN(input_size=32, hidden_size=200,num_layers=1, batch_first=True)self.fc0 = nn.Linear(200, 50)self.fc1 = nn.Linear(50, 2)def forward(self, x):out, hidden1 = self.rnn0(x)out = self.fc0(out)out = self.fc1(out)return outmodel = model_rnn().to(device)
print(model)

结果输出：

如何来看模型的输出数据集格式是什么？

#查看数据集输出格式是什么
print(model(torch.rand(30,32).to(device)).shape)

结果输出：

2.定义训练函数

# 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

3.定义测试函数

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

4.正式训练模型

loss_fn    = nn.CrossEntropyLoss() # 创建损失函数
learn_rate = 5e-5   # 学习率
opt        = torch.optim.Adam(model.parameters(),lr=learn_rate)
epochs     = 50train_loss = []
train_acc  = []
test_loss  = []
test_acc   = []for epoch in range(epochs):model.train()epoch_train_acc, epoch_train_loss = train(train_dl, model, loss_fn, opt)model.eval()epoch_test_acc, epoch_test_loss = test(test_dl, model, loss_fn)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 = opt.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))print("="*20, 'Done', "="*20)

输出结果：

四、模型评估

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']         = 200        #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()

输出结果：

2.混淆矩阵

print("=========输入数据Shape为=========")
print("X_test.shape: ", X_test.shape)
print("y_test.shape: ", y_test.shape)pred = model(X_test.to(device)).argmax(1).cpu().numpy()print("\n======输出数据Shape为 ======")
print("pred.shape: ",pred.shape)

import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay#计算混淆矩阵
cm = confusion_matrix(y_test, pred)plt.figure(figsize=(6,5))
plt.suptitle('')
sns.heatmap(cm, annot=True, fmt="d",cmap="Blues")#修改字体大小
plt.xticks(fontsize=10)
plt.yticks(fontsize=10)
plt.title("Confusion Matrix", fontsize=12)
plt.xlabel("Predicted Label",fontsize=10)
plt.ylabel("True Label", fontsize=10)#显示图
plt.tight_layout()
plt.show()

3.调用模型进行预测

text_X = X_test[0].reshape(1,-1)   #test[0]为输入数据pred = model(test_X.to(device)).argmax(1).item()
print("模型预测结果为：“,pred")
print("=="*20)
print("0:未患病")
print("1:已患病")

五、优化特征选择版

特征选择的思路值得学习。

数据维度多，一般是先特征提取，降维等操作。

特征提取：①首先想到相关性分析，用热力图，但分析得出与是否患病相关性比较强的只有四个特征，而日常以为的年龄、日常生活得分这些没有看出有相关性。②通过画图分析特征是否与目标有关，但特征纬度多，不是有效的一个方式。③采用随机森林进行分析，效果很好。

六、总结

根据对数据的预处理，帮助实验精度提高。RNN也是很基础的模型，跟着教案，逐渐开始体会实验的思路。看完流程图，也对自己该怎么干，如何干有了大致的方向。

深度学习R8周：RNN实现阿尔兹海默症（pytorch）

🍨 本文为🔗365天深度学习训练营中的学习记录博客🍖 原作者：K同学啊数据集包含2149名患者的广泛健康信息，每名患者的ID范围从4751到6900不等。该数据集包括人口统计详细信息、生活方式因素、病史、临床测量、认知和功…...

编程日记 2025/9/4 12:55:00

字节跳动发布 Trae AI IDE！支持 DeepSeek R1 V3，AI 编程新时代来了！

3 月 3 日，字节跳动重磅发布国内首款 AI 原生集成开发环境（AI IDE）——Trae 国内版！ Trae 不只是一个传统的 IDE，它深度融合 AI，搭载 doubao-1.5-pro 大模型，同时支持DeepSeek R1 & V3&…...

编程日记 2025/9/2 3:28:13

智能合约安全指南 [特殊字符]️

智能合约安全指南 🛡️ 1. 安全基础 1.1 常见漏洞类型重入攻击整数溢出权限控制缺陷随机数漏洞前后运行攻击签名重放 1.2 安全开发原则最小权限原则检查-生效-交互模式状态机安全失败保护机制 2. 重入攻击防护 2.1 基本防护模式 contract ReentrancyGuarde…...

编程日记 2025/8/31 12:21:19

DeepSeek 全套资料pdf合集免费下载（持续更新）

有很多朋友都关注DeepSeek相关使用的教程资料，本站也一直持续分享DeepSeek 学习相关的pdf资料，由于比较零散，这篇文章主要就是做一个汇总，并且持续更新，让大家可以及时获取下载最新的相关DeepSeek的资料。持续更新地…...

编程日记 2025/9/4 12:52:11

IDEA 接入 Deepseek

在本篇文章中，我们将详细介绍如何在 JetBrains IDEA 中使用 Continue 插件接入 DeepSeek，让你的 AI 编程助手更智能，提高开发效率。一、前置准备在开始之前，请确保你已经具备以下条件： 安装了 JetBrains IDEA&…...

编程日记 2025/9/4 12:54:09

将md格式转jupyter并运行

将md格式转jupyter并运行有时候我们需要将这种文档以学习的形式记笔记到jupyter中（任务） 但是内容太多了，一个一个粘贴又不方便，怎么办呢？ 发现直接粘贴到md中是带格式的！！！ 那…...

编程日记 2025/9/4 12:52:44

SOUI基于Zint生成EAN码

EAN码广泛应用与欧洲的零售业。包括EAN-2、EAN-5、EAN-8和EAN-12码。分别编码 2、5、7 或 12 位数字。此外，可以使用字符将 EAN-2 和 EAN-5 附加符号添加到 EAN-8 和 EAN-13 符号中，就像 UPC 符号一样。 EAN-8校验码计算： 从左往右奇数位的…...

编程日记 2025/9/4 12:54:59

StarRocks-fe工程在Cursor中不能识别为Java项目

SR简介 StarRocks 是一款高性能分析型数据库，支持实时、多维度、高并发的数据分析。本指南旨在解决在使用 VSCode 或 Cursor 开发 StarRocks 后端项目时遇到的模块识别问题。问题描述使用 Cursor 或 VSCode 打开 StarRocks 的后端工程 fe 时，spark-…...

编程日记 2025/9/4 12:55:00

AI是否能真正理解人类情感？从语音助手到情感机器人

引言：AI与情感的交集在过去的几十年里，人工智能（AI）的发展速度令人惊叹，从简单的语音识别到如今的深度学习和情感计算，AI已经深入到我们生活的方方面面。尤其是在语音助手和情感机器人领域，AI不…...

编程日记 2025/9/1 4:52:00

【Linux】【网络】UDP打洞--＞不同子网下的客户端和服务器通信（成功版）

【Linux】【网络】UDP打洞–＞不同子网下的客户端和服务器通信（成功版） 根据上个文章的分析问题可能出现在代码逻辑上面我这里重新查找资料怀疑： 1 NAT映射可能需要多次数据包的发送才能建立。 2 NAT映射保存时间太短&#xff…...

编程日记 2025/9/4 12:54:10

【微知】如何查看Mellanox网卡上的光模块的信息？（ethtool -m enp1s0f0 看型号、厂商、生产日期等）

背景服务器上插入的光模块经常被忽略，往往这里是定位问题最根本的地方。如何通过命令查看？ 命令 ethtool提供了-m参数，m是module-info的意思，他是从光模块的eeprom中读取数据。（应该是用i2c协议读取的）…...

编程日记 2025/9/4 12:52:46

图论基础算法: 二分图的判定(C++)

二分图的基本概念什么是二分图? 二分图(Bipartite Graph)是指一个图的顶点集可以被分割为两个互不相交的子集 U U U 和 V V V, 并且图中的每一条边都连接 U U U 中的一个顶点和 V V V 中的一个顶点. 换句话说, 二分图中的顶点可以被分成两组, 组内的顶点之间没有边相连…...

编程日记 2025/9/4 4:40:03

AI赋能校园安全：科技助力预防与应对校园霸凌

校园本应是学生快乐学习、健康成长的地方，然而，校园霸凌却成为威胁学生身心健康的隐形“毒瘤”。近年来，随着人工智能（AI）技术的快速发展，AI在校园安全领域的应用逐渐成为解决校园霸凌问题的新突破口。通过…...

编程日记 2025/9/1 16:56:03

PyTorch系列教程：评估和推理模式下模型预测

使用PyTorch时，将模型从训练阶段过渡到推理阶段是至关重要的一步。在推理过程中，该模型用于对以前从未见过的新数据进行预测。这种转换的一个重要方面是使用推理模式，它通过禁用仅在训练期间需要的操作来帮助优化模型的性能。理解推理模式 …...

编程日记 2025/9/4 12:52:13

Linux注册进程终止处理函数

atexit() 是一个标准库函数，用于注册在进程正常终止时要调用的函数。通过 atexit()，你可以确保在程序结束时自动执行一些清理工作，比如释放资源、保存状态等。函数原型如下： #include <stdlib.h> int atexit(void (*func…...

编程日记 2025/9/4 12:52:45

Lumerical INTERCONNECT 中的自相位调制 (SPM)

一、自相位调制的数学介绍 A.非线性薛定谔方程（NLSE）： NLSE 是光学中的一个关键方程。它告诉我们光脉冲在具有非线性和色散特性的介质中的行为方式。该方程如下所示： i ∂A/∂z β2/2 ∂A/∂t γ|A|A 0 其中： - …...

编程日记 2025/9/4 12:52:11

DICOM服务中的C-STORE、 C-FIND、C-MOVE、C-GET、Worklist

DICOM服务说明 DICOM（Digital Imaging and Communications in Medicine）是一种用于处理、存储、打印和传输医学影像的标准。DICOM定义了多种服务类，其中C-STORE、C-FIND、C-MOVE和C-GET是与影像数据查询和检索相关的四个主要服务类&#xff…...

编程日记 2025/9/4 12:52:12

Python的pdf2image库将PDF文件转换为PNG图片

您可以使用Python的pdf2image库将PDF文件转换为PNG图片。以下是一个完整的示例，包含安装步骤、代码示例和注意事项。安装依赖库首先，您需要安装pdf2image库： pip install pdf2imagepdf2image依赖于poppler库来解析PDF文件。 Windows系统…...

编程日记 2025/9/4 12:52:12

在Blender中给SP分纹理组

在Blender中怎么分SP的纹理组/纹理集其实纹理组就是材质把同一组的材质分给同一组的模型导入到sp里面自然就是同一个纹理组把模型导入SP之后就自动分好了...

编程日记 2025/9/4 12:50:16

import模块到另一个文件夹报错：ModuleNotFoundError: No module named xxx

1. 问题打开项目文件夹my_code，将bb.py的函数或者类import到aa.py中，然后运行aa.py文件，可能会报错ModuleNotFoundError: No module named xxx。 ‪E:\Desktop\my_code ├── a │ ├── train.sh │ └── aa.py └── b└── b…...

编程日记 2025/9/4 12:50:17

[SystemVerilog]例化

SystemVerilog 的例化方式和Verilog 类似如果信号输入输出name一致 abc abc_inst( .a(a)， .b(b), c(c) ); 使用SystemVerilog abc abc_inst( .a, .b, .c ); 或者 abc abc_inst( .* ); 在SystemVerilog中，可以简化例化方式。可以使用…...

编程日记 2025/9/4 12:50:18

Java方法详解

Java方法详解方法1.方法的概念(1).什么是方法(2).方法的定义(3).实参与形参的关系 2.方法重载(1).方法重载的概念 3.递归（C语言详细讲过） 方法 1.方法的概念 (1).什么是方法方法类似于C语言中的函数，我们重在体会与理解，不必…...

编程日记 2025/9/4 12:48:49

springboot自动插入创建时间和更新时间到数据库 1.添加TableField注解2.添加TimeMetaObjectHandler配置3.测试 1.添加TableField注解 /*** 创建时间*/TableField(fill FieldFill.INSERT) // 插入时生效private LocalDateTime createTime;/*** 修改时间*/TableField(fill Fiel…...

编程日记 2025/9/4 12:48:47

如何将JAR交由Systemctl管理？

AI越来越火了，我们想要不被淘汰就得主动拥抱。推荐一个人工智能学习网站，通俗易懂，风趣幽默，最重要的屌图甚多，忍不住分享一下给大家。点击跳转到网站废话不多说，进入正题。下面开始说如何使用 systemctl…...

编程日记 2025/9/4 12:48:48

VMware Workstation Pro安装openKylin 2.0全流程指南

原文链接：VMware Workstation Pro安装openKylin 2.0全流程指南 Hello，大家好啊！今天给大家带来一篇在VMware Workstation Pro 上安装 openKylin 2.0 SP1 的文章。openKylin 2.0 作为国产开源桌面操作系统，目前已经发布了最新版本&…...

编程日记 2025/9/4 12:48:49

网络安全检查漏洞内容回复网络安全的漏洞

网络安全的核心目标是保障业务系统的可持续性和数据的安全性，而这两点的主要威胁来自于蠕虫的暴发、黑客的攻击、拒绝服务攻击、木马。蠕虫、黑客攻击问题都和漏洞紧密联系在一起，一旦有重大安全漏洞出现，整个互联网就会面临一次重大挑战。虽…...

编程日记 2025/8/27 15:57:51

数据仓库的特点

数据仓库的主要特点可以概括为：面向主题、集成性、非易失性、时变性、高性能和可扩展性、支持复杂查询和分析、分层架构以及数据质量管理。 1. 面向主题（Subject-Oriented） 数据仓库是面向主题的，而不是面向事务的。这意味着数据…...

编程日记 2025/9/4 12:52:44

02_NLP文本预处理之文本张量表示法

文本张量表示法概念将文本使用张量进行表示,一般将词汇表示为向量,称为词向量,再由各个词向量按顺序组成矩阵形成文本表示例如: ["人生", "该", "如何", "起头"]># 每个词对应矩阵中的一个向量 [[1.32, 4,32, 0,32, 5.2],[3…...

编程日记 2025/9/4 12:50:18

青蛙跳杯子(BFS)

#include <iostream> #include <queue> #include <string> #include <unordered_set> using namespace std;int main() {string a, b;cin >> a >> b; int n a.size(); // 字符串长度int d[] {1, -1, -2, 2, -3, 3}; // 跳跃距离queue&…...

编程日记 2025/9/3 20:44:48

【前端基础】1、HTML概述（HTML基本结构）

一、网页组成 HTML：网页的内容CSS：网页的样式JavaScript：网页的功能二、HTML概述 HTML：全称为超文本标记语言，是一种标记语言。超文本：文本、声音、图片、视频、表格、链接标记：由许许多多…...

编程日记 2025/9/4 11:25:36

Arm64架构的Linux服务器安装jdk8

一、下载 JDK8 打开浏览器，访问 oracle官网找到适用于自己服务器的 arm64 架构的 JDK8 安装包。二、安装 JDK8 将下载好的 JDK 压缩包上传到服务器上解压 JDK 压缩包： tar -zxvf jdk-8uXXX-linux-arm64.tar.gz选择安装目录，我将 JDK 安装…...

编程日记 2025/9/2 3:30:04

深入探索Python机器学习算法：模型调优

深入探索Python机器学习算法：模型调优文章目录深入探索Python机器学习算法：模型调优模型调优1. 超参数搜索方法1.1 网格搜索（Grid Search）1.2 随机搜索（Random Search）1.3 贝叶斯优化（Bayesia…...

编程日记 2025/8/29 18:30:36

【Linux】冯诺依曼体系结构-操作系统

一.冯诺依曼体系结构我们所使用的计算机，如笔记本等都是按照冯诺依曼来设计的： 截止目前，我们所知道的计算机都是由一个一个的硬件组装起来的，这些硬件又由于功能的不同被分为了输入设备，输出设备，存储器…...

编程日记 2025/9/3 4:06:32

Linux第五讲----gcc与g++，makefile/make

1.代码编译 1.1预处理我们通过vim编辑完文件之后，想看一下运行结果这时我们便可以试用gcc编译C语言，g编译c. 编译代码： 上述两种方法均可，code.c是我的c语言文件，mycode是我给编译后产生的二进制文件起的名&#x…...

编程日记 2025/9/3 4:27:36

FastGPT 源码：基于 LLM 实现 Rerank （含Prompt）

文章目录基于 LLM 实现 Rerank函数定义预期输出实现说明使用建议完整 Prompt 基于 LLM 实现 Rerank 下边通过设计 Prompt 让 LLM 实现重排序的功能。函数定义 class LLMReranker:def __init__(self, llm_client):self.llm llm_clientdef rerank(self, query: str, docume…...

编程日记 2025/9/3 3:31:38

Virtual Box虚拟机安装Mac苹果Monterey和big sur版本实践

虚拟机安装苹果实践，在Windows10系统，安装Virtual Box7.1.6，安装虚拟苹果Monterey版本Monterey (macOS 12) 。碰到的主要问题是安装光盘不像Windows那么容易拿到，而且根据网上很多文章制作的光盘，在viritualBox里都无法…...

编程日记 2025/8/28 5:47:59

【高并发】Java 并行与串行深入解析：性能优化与实战指南

Java 并行与串行深入解析：性能优化与实战指南在高性能应用开发中，我们常常会面临串行（Serial） 和并行（Parallel） 的选择。串行执行任务简单直观，但并行能更高效地利用 CPU 资源，…...

编程日记 2025/9/3 9:08:30

软考中级-数据库-3.2 数据结构-数组和矩阵

数组一维数组是长度固定的线性表，数组中的每个数据元素类型相同。n维数组是定长线性表在维数上的扩张，即线性表中的元素又是一个线性表。例如一维数组a[5][a1,a2,a3,a4,a5] 二维数组a[2][3]是一个2行2列的数组第一行[a11,a12,a13] 第二行[a21,a22,a23…...

编程日记 2025/8/27 22:50:24

LeetCode 解题思路 9（Hot 100）

解题思路： 遍历并调整数组： 对于每个元素 nums[i]，若其值为正且不超过数组长度 len，则将其逐步交换到它应该在的位置。查找缺失的正整数： 遍历调整后的数组，若某个位置的值不等于其索引加1，则说…...

编程日记 2025/8/29 22:00:49

交叉编译 perl-5.40.0 perl-cross-1.5.3

1.下载地址： https://www.cpan.org/src/5.0/ https://github.com/arsv/perl-cross/tags2.编译 # 进入源码目录 cd /opt/snmp/perl # 合并perl-cross到Perl源码 cp -R perl-cross-1.5.3/* perl-5.40.0/ cd perl-5.40.0./configure --targetaarch64-poky-linux --p…...

编程日记 2025/9/2 22:24:39

go前后端开源项目go-admin,本地启动

https://github.com/go-admin-team/go-admin 教程 1.拉取项目 git clone https://github.com/go-admin-team/go-admin.git 2.更新整理依赖 go mod tidy会整理依赖，下载缺少的包，移除不用的，并更新go.sum。 # 更新整理依赖 go mod tidy 3.编…...

编程日记 2025/9/3 21:19:56

突破光学成像局限：全视野光学血管造影技术新进展

全视野光学血管造影（FFOA）作为一种实时、无创的成像技术，能够提取生物血液微循环信息，为深入探究生物组织的功能和病理变化提供关键数据。然而，传统FFOA成像方法受到光学镜头景深（DOF）的限制&am…...

编程日记 2025/8/29 4:01:51

RefuseManualStart/Stop增强Linux系统安全性？详解systemd单元保护机制

一、引子：一个“手滑”引发的血案某天凌晨，运维工程师小张在维护生产服务器时，误输入了 systemctl start reboot.target，导致整台服务器瞬间重启，线上服务中断30分钟，直接损失数十万元。事后排查发现&…...

编程日记 2025/9/4 7:58:56

国产编辑器EverEdit - 超级丰富的标签样式设置！

1 设置-高级-标签 1.1 设置说明选择主菜单工具 -> 设置 -> 常规，在弹出的选项窗口中选择标签分类，如下图所示： 1.1.1 多文档标签样式默认平坦渐变填充 1.1.2 停靠窗格标签样式默认平坦渐变填充 1.1.3 激活Tab的…...

编程日记 2025/8/29 9:54:19

装饰器模式：灵活扩展对象功能的利器

一、从咖啡加料说起：什么是装饰器模式？ 假设您走进咖啡馆点单： 基础款：美式咖啡（15元）加料需求：加牛奶（3元）、加焦糖（5元）、加奶油（…...

编程日记 2025/8/28 16:41:38

# [Linux] [Anaconda]解决在 WSL Ubuntu 中安装 Anaconda 报错问题

在 Windows 10 中安装了 WSL（Windows Subsystem for Linux）并使用 Ubuntu 后，你可能会下载 Anaconda 的 Linux 版本进行安装。但在安装过程中，可能会遇到 tar (child): bzip2: Cannot exec: No such file or directory 这样的错误…...

编程日记 2025/9/4 10:35:59

【回溯】216. 组合总和 III

题目 216. 组合总和 III 思路不知道for有几层时，使用回溯，比上一题多了一个条件，组合需要和为n。代码 class Solution { private:vector<vector<int>>result;vector<int>path;void backtracking(int target,int k,i…...

编程日记 2025/9/1 9:12:27