当前位置：首页 > news >正文

解析生成对抗网络（GAN）：原理与应用

news 来源：原创 2025/7/1 14:12:29

一、引言

二、生成对抗网络原理

（一）基本架构

（二）训练过程

三、生成对抗网络的应用

（一）图像生成

无条件图像生成：

（二）数据增强

（三）风格迁移

四、生成对抗网络训练中的挑战与解决策略

（一）模式崩溃

（二）梯度消失

一、引言

生成对抗网络（GAN）自 2014 年被 Goodfellow 等人提出以来，在深度学习领域引起了广泛的关注和研究热潮。它创新性地引入了一种对抗训练的思想，通过生成器和判别器的相互博弈，使得生成器能够学习到数据的潜在分布，从而生成逼真的样本数据。这种独特的机制使得 GAN 在图像生成、文本生成、音频生成等多个领域展现出了巨大的潜力，为人工智能技术的发展带来了新的突破和方向。

二、生成对抗网络原理

（一）基本架构

GAN 主要由两个核心组件构成：生成器（Generator）和判别器（Discriminator）。

生成器：

生成器的任务是接收一个随机噪声向量（通常从一个简单的分布，如标准正态分布 N(0,1)采样得到），并通过一系列的神经网络层将其映射为与真实数据相似的生成数据G(z)
例如，在图像生成任务中，生成器的输出将是一张与训练数据集中图像具有相似特征的合成图像。

生成器通常采用多层的反卷积神经网络（Deconvolutional Neural Network）或转置卷积神经网络（Transposed Convolutional Neural Network）结构。以生成64*64其网络结构如下：

import torch
import torch.nn as nnclass Generator(nn.Module):def __init__(self):super(Generator, self).__init__()# 输入为 100 维的噪声向量self.fc = nn.Linear(100, 4 * 4 * 1024)self.deconv1 = nn.ConvTranspose2d(1024, 512, kernel_size=4, stride=2, padding=1)self.bn1 = nn.BatchNorm2d(512)self.deconv2 = nn.ConvTranspose2d(512, 256, kernel_size=4, stride=2, padding=1)self.bn2 = nn.BatchNorm2d(256)self.deconv3 = nn.ConvTranspose2d(256, 128, kernel_size=4, stride=2, padding=1)self.bn3 = nn.BatchNorm2d(128)self.deconv4 = nn.ConvTranspose2d(128, 3, kernel_size=4, stride=2, padding=1)def forward(self, x):x = self.fc(x)x = x.view(-1, 1024, 4, 4)x = torch.relu(self.bn1(self.deconv1(x)))x = torch.relu(self.bn2(self.deconv2(x)))x = torch.relu(self.bn3(self.deconv3(x)))x = torch.tanh(self.deconv4(x))return x

判别器：

判别器的作用是区分输入的数据是来自真实数据分布还是由生成器生成的数据。它接收真实数据 x 或生成数据 G(z)，并输出一个表示数据真实性的概率值 D(x)或D(G(z)) ，取值范围在 0 到 1之间，接近表示数据更可能是真实的，接近表示数据更可能是生成的。

判别器通常采用卷积神经网络（Convolutional Neural Network）结构。例如，对于判断彩色图像的判别器网络结构如下：

class Discriminator(nn.Module):def __init__(self):super(Discriminator, self).__init__()self.conv1 = nn.Conv2d(3, 128, kernel_size=4, stride=2, padding=1)self.bn1 = nn.BatchNorm2d(128)self.conv2 = nn.Conv2d(128, 256, kernel_size=4, stride=2, padding=1)self.bn2 = nn.BatchNorm2d(256)self.conv3 = nn.Conv2d(256, 512, kernel_size=4, stride=2, padding=1)self.bn3 = nn.BatchNorm2d(512)self.conv4 = nn.Conv2d(512, 1, kernel_size=4, stride=2, padding=0)def forward(self, x):x = torch.relu(self.bn1(self.conv1(x)))x = torch.relu(self.bn2(self.conv2(x)))x = torch.relu(self.bn3(self.conv3(x)))x = torch.sigmoid(self.conv4(x))return x.view(-1)

（二）训练过程

GAN 的训练过程是一个对抗性的迭代过程。

三、生成对抗网络的应用

（一）图像生成

1.无条件图像生成

GAN 可以用于生成各种类型的图像，如人脸图像、风景图像等。例如，在人脸图像生成任务中，通过在大规模人脸数据集上训练 GAN，生成器能够学习到人脸的各种特征，如五官的形状、肤色、表情等，从而生成全新的、逼真的人脸图像。

代码示例：

# 假设已经定义好生成器 G 和判别器 D，以及相关的优化器和损失函数
# 训练循环
num_epochs = 100
for epoch in range(num_epochs):for i, (real_images, _) in enumerate(dataloader):# 训练判别器# 采样噪声z = torch.randn(real_images.shape[0], 100).to(device)# 生成假图像fake_images = G(z)# 计算判别器损失real_loss = criterion(D(real_images), torch.ones(real_images.shape[0]).to(device))fake_loss = criterion(D(fake_images.detach()), torch.zeros(fake_images.shape[0]).to(device))d_loss = (real_loss + fake_loss) / 2# 更新判别器参数d_optimizer.zero_grad()d_loss.backward()d_optimizer.step()# 训练生成器# 再次采样噪声z = torch.randn(real_images.shape[0], 100).to(device)# 生成假图像fake_images = G(z)# 计算生成器损失g_loss = criterion(D(fake_images), torch.ones(fake_images.shape[0]).to(device))# 更新生成器参数g_optimizer.zero_grad()g_loss.backward()g_optimizer.step()

2.条件图像生成

可以通过在生成器和判别器的输入中加入条件信息，实现条件图像生成。例如，根据给定的文本描述生成相应的图像，或者根据特定的类别标签生成属于该类别的图像。

以根据类别标签生成图像为例，在生成器的输入中除了噪声向量，还加入类别标签的编码向量，生成器的网络结构需要进行相应修改，如：

class ConditionalGenerator(nn.Module):def __init__(self, num_classes):super(ConditionalGenerator, self).__init__()# 输入为 100 维噪声向量和类别编码向量self.fc = nn.Linear(100 + num_classes, 4 * 4 * 1024)# 后续的反卷积层与无条件生成器类似self.deconv1 = nn.ConvTranspose2d(1024, 512, kernel_size=4, stride=2, padding=1)self.bn1 = nn.BatchNorm2d(512)#...def forward(self, x, y):# 拼接噪声向量和类别编码向量x = torch.cat([x, y], dim=1)x = self.fc(x)x = x.view(-1, 1024, 4, 4)x = torch.relu(self.bn1(self.deconv1(x)))#...return x

（二）数据增强

图像数据增强：
- 在图像分类、目标检测等任务中，数据量不足可能导致模型过拟合。GAN 可以用于生成额外的图像数据来扩充数据集。通过在原始图像数据集上训练 GAN，生成与原始图像相似但又有一定变化的图像，如不同角度、光照条件下的图像，从而增加数据的多样性，提高模型的泛化能力。
其他数据类型的数据增强：
- 除了图像数据，GAN 也可以应用于其他数据类型的数据增强，如文本数据。例如，通过生成与原始文本相似的新文本，扩充文本数据集，有助于训练更强大的文本处理模型，如文本分类、机器翻译等模型。

（三）风格迁移

图像风格迁移原理：
- GAN 可以实现图像风格迁移，即将一幅图像的内容与另一幅图像的风格进行融合。其原理是通过定义内容损失和风格损失，利用生成器生成具有目标风格的图像，同时判别器用于判断生成图像的质量和风格一致性。
- 例如，使用预训练的 VGG 网络来计算内容损失和风格损失。内容损失衡量生成图像与原始内容图像在特征表示上的差异，风格损失衡量生成图像与目标风格图像在风格特征（如纹理、颜色分布等）上的差异。

代码示例实现风格迁移：

import torchvision.models as models
import torch.nn.functional as F# 加载预训练的 VGG 网络
vgg = models.vgg19(pretrained=True).features.eval().to(device)# 定义内容损失函数
def content_loss(content_features, generated_features):return F.mse_loss(content_features, generated_features)# 定义风格损失函数
def style_loss(style_features, generated_features):style_loss = 0for s_feat, g_feat in zip(style_features, generated_features):# 计算 Gram 矩阵s_gram = gram_matrix(s_feat)g_gram = gram_matrix(g_feat)style_loss += F.mse_loss(s_gram, g_gram)return style_loss# Gram 矩阵计算函数
def gram_matrix(x):b, c, h, w = x.size()features = x.view(b * c, h * w)gram = torch.mm(features, features.t())return gram.div(b * c * h * w)

四、生成对抗网络训练中的挑战与解决策略

（一）模式崩溃

问题描述：

模式崩溃是 GAN 训练中常见的问题之一，表现为生成器生成的样本多样性不足，往往集中在少数几种模式上。例如，在生成人脸图像时，可能生成的人脸都具有相似的特征，而不能涵盖人脸的多种可能形态。

解决策略：

Wasserstein GAN（WGAN）：WGAN 对 GAN 的损失函数进行了改进，采用 Wasserstein 距离来衡量真实数据分布和生成数据分布之间的差异，而不是传统的 JS 散度。这使得训练过程更加稳定，减少了模式崩溃的发生。其关键代码修改如下：

# 判别器的最后一层不再使用 Sigmoid 激活函数
self.conv4 = nn.Conv2d(512, 1, kernel_size=4, stride=2, padding=0)
# 定义 WGAN 的损失函数
def wgan_loss(real_pred, fake_pred):return -torch.mean(real_pred) + torch.mean(fake_pred)

模式正则化：通过在生成器的损失函数中加入正则化项，鼓励生成器生成更多样化的样本。例如，在生成器的损失函数中加入对生成样本的熵约束，使得生成样本的分布更加均匀。

（二）梯度消失

问题描述：
- 在 GAN 训练初期，当判别器的性能非常好时，生成器的梯度可能会变得非常小，导致生成器难以更新参数，无法有效地学习到数据的分布。这是因为判别器能够很容易地区分真实数据和生成数据，使得生成器的损失函数接近饱和，梯度趋近于。

解决策略：

梯度惩罚（Gradient Penalty）：在判别器的损失函数中加入梯度惩罚项，限制判别器的梯度大小，使得判别器不会过于强大，从而缓解生成器的梯度消失问题。例如，在 WGAN-GP（Wasserstein GAN with Gradient Penalty）中，梯度惩罚项的计算如下：

def gradient_penalty(critic, real, fake, device):BATCH_SIZE, C, H, W = real.shape# 随机采样插值系数alpha = torch.rand((BATCH_SIZE, 1, 1, 1)).repeat(1, C, H, W).to(device)# 计算插值数据interpolated_images = real * alpha + fake * (1 - alpha)# 计算判别器对插值数据的输出mixed_scores = critic(interpolated_images)# 计算梯度gradient = torch.autograd.grad(inputs=interpolated_images,outputs=mixed_scores,grad_outputs=torch.ones_like(mixed_scores),create_graph=True,retain_graph=True,)[0]# 计算梯度惩罚项gradient = gradient.view(gradient.shape[0], -1)gradient_norm = gradient.norm(2, dim=1)gradient_penalty = torch.mean((gradient_norm - 1) ** 2)return gradient_penalty

使用 Leaky ReLU 激活函数：在判别器和生成器的网络中使用 Leaky ReLU 激活函数替代传统的 ReLU 激活函数。Leaky ReLU 允许在负半轴有一个较小的斜率，从而避免了在某些情况下神经元完全不激活导致的梯度消失问题。

解析生成对抗网络（GAN）：原理与应用

目录一、引言二、生成对抗网络原理 （一）基本架构 （二）训练过程三、生成对抗网络的应用 （一）图像生成无条件图像生成： （二）数据增强 （三&#xff…...

编程日记 2025/7/1 14:12:29

torch.maximum函数介绍

torch.maximum 函数介绍定义：torch.maximum(input, other) 返回两个张量的逐元素最大值。输入参数： input: 张量，表示第一个输入。other: 张量或标量，表示第二个输入。若为张量，其形状需要能与 input 广播。输出&a…...

编程日记 2025/6/29 2:20:41

Git | 理解团队合作中Git分支的合并操作

合并操作团队合作中Git分支的合并操作分支合并过程1.创建feature/A分支的过程2. 创建分支feature/A-COPY3.合并分支查看代码是否改变团队合作中Git分支的合并操作需求假设团队项目中的主分支是main,团队成员A基于主分支main创建了feature/A，而我又在团队成员A创…...

编程日记 2025/7/1 13:53:50

源代码定制编译：构建理想的库以curl为例

文章目录源代码curl开发环境下载地址制定理想的库初级进阶如何知道选项名称交叉编译交叉编译工具链配置编译环境设置目标架构库和头文件路径编译代码源代码我们在日常中会接触到比较多第三方库，比如网络库相关： libevent、mongoose、curl图形界面&…...

编程日记 2025/7/1 1:22:57

服务熔断-熔断器设计

文章目录服务为什么需要熔断熔断器设计思想熔断器代码实现服务为什么需要熔断对于服务端采用的保护机制为服务限流。对于服务调用端是否存在保护机制？ 假如要发布一个服务 B，而服务 B 又依赖服务 C，当一个服务 A 来调用服务 B 时&#x…...

编程日记 2025/6/30 16:17:07

生产环境中：Flume 与 Prometheus 集成

在生产环境中，将 Apache Flume 与 Prometheus 集成的过程，需要借助 JMX Exporter 或 HTTP Exporter 来将 Flume 的监控数据转换为 Prometheus 格式。以下是详细的实现方法，连同原理和原因进行逐步解释，让刚接触的初学者也能完成集…...

编程日记 2025/6/30 19:32:13

深度解析MySQL的刷脏机制

前言今天天气挺好，看大家对MySQL系列这么感兴趣，继续来聊聊MySQL，在MySQL的InnoDB中Buffer Pool和LSN关系紧密相连，尤其在脏页管理和刷新过程中起着至关重要的作用。理解LSN如何同Buffer Pool协同工作，有助于深入掌握 MySQL 的写入优化机制及数据一致性保证。 Buffer P…...

编程日记 2025/6/27 21:36:43

Java NIO 全面详解：初学者入门指南

除了前一篇文章讲的传统的 java.io 模块，Java 还提供了更现代化、更高效的非阻塞 IO 模块，即 java.nio（New IO）。java.nio 引入了面向缓冲区（Buffer）的数据处理方式，以及多路复用器（…...

编程日记 2025/7/1 14:02:10

优化 Conda 下载速度：详细的代理配置和网络管理策略

优化 Conda 下载速度：详细的代理配置和网络管理策略为了彻底解决使用 Conda 下载 PyTorch 时遇到的速度问题，并确保下载过程稳定可靠，这需要一个详细、综合的技术方案。让我们更深入地分析问题原因，然后详尽地解释采取的解决策略…...

编程日记 2025/6/30 18:45:41

蓝牙MCU单片机8k高回报率无线应用

随着高端无线产品性能大幅提升，相比常规蓝牙133Hz回报率，8kHz回报率作为市场最高标准，每秒上传8000个数据包。以鼠标为例，位置每秒更新8000次，刷新率较常规蓝牙提升了60倍，超低延迟、极速响应，已…...

编程日记 2025/6/27 21:59:09

Java抛出自定义运行运行

1.重新生成异常的.java文件 Empty：空 Exception：异常加起来就是空指针异常的文件 2.打上extends 运行的异常（异常的类型） 3.点击ctrlo，选着这两个快捷重写 4.在需要抛出异常的地方写上：th…...

编程日记 2025/6/27 21:31:43

JVM 性能调优 -- JVM常用调优工具【jps、jstack、jmap、jstats 命令】

前言： 前面我们分析怎么去预估系统资源，怎么去设置 JVM 参数以及怎么去看 GC 日志，本篇我们分享一些常用的 JVM 调优工具，我们在进行 JVM 调优的时候，通常需要借助一些工具来对系统的进行相关分析，从而确定…...

编程日记 2025/6/29 21:27:52

python+django自动化部署日志采用‌WebSocket前端实时展示

一、开发环境搭建和配置 # channels是一个用于在Django中实现WebSocket、HTTP/2和其他异步协议的库。 pip install channels#channels-redis是一个用于在Django Channels中使用Redis作为后台存储的库。它可以用于处理#WebSocket连接的持久化和消息传递。 pip install channels…...

编程日记 2025/6/30 18:37:32

【Flink-scala】DataStream编程模型之窗口计算-触发器-驱逐器

DataStream API编程模型 1.【Flink-Scala】DataStream编程模型之数据源、数据转换、数据输出 2.【Flink-scala】DataStream编程模型之窗口的划分-时间概念-窗口计算程序文章目录 DataStream API编程模型前言1.触发器1.1 代码示例 2.驱逐器2.1 代码示例总结前言本小节我想…...

编程日记 2025/6/30 20:05:55

毕昇入门学习

schemas.py 概述这段代码主要定义了一系列基于 Pydantic 的数据模型（BaseModel），用于数据验证和序列化，通常用于构建 API（如使用 FastAPI）。这些模型涵盖了用户认证、聊天消息、知识库管理、模型配置等多…...

编程日记 2025/6/30 6:18:13

实时数据开发|Flink实现数据输出--DataSinks操作

哇哦，又是快乐周五！今天主管又又又请我们喝奶茶了，是乐乐茶的草莓新品。甜甜的草莓配上糯叽叽的麻薯，喝完好满足。这应该不是什么加班信号吧哈哈哈，不加不加周五要回家。前几天被不同的bug缠身，今天终于正…...

编程日记 2025/6/29 22:15:05

详解网络代理模式：规则、全局与直连的应用与配置

“详解网络代理模式：规则、全局与直连的应用与配置” 当然，为了提供更深入的理解，让我们对每种代理模式进行更详尽的探讨，包括它们的内部工作机制、具体使用场景以及在实际应用中的优势和局限。规则模式（Rule-based…...

编程日记 2025/6/30 11:17:12

Nacos部署和使用（服务注册与发现、配置中心）

1. docker部署nacos 参考： docker安装nacos-CSDN博客 2.注册中心原理在微服务远程调用的过程中，包括两个角色： 服务提供者：提供接口供其它微服务访问，比如 A-service服务消费者：调用其它微服务提供的…...

编程日记 2025/6/30 20:05:41

医学机器学习：数据预处理、超参数调优与模型比较的实用分析

摘要本文介绍了医学中的机器学习，重点阐述了数据预处理、超参数调优和模型比较的技术。在数据预处理方面，包括数据收集与整理、处理缺失值、特征工程等内容，以确保数据质量和可用性。超参数调优对模型性能至关重要，介绍了多种调…...

编程日记 2025/6/30 20:05:37

【大数据学习 | Spark-SQL】关于RDD、DataFrame、Dataset对象

1. 概念： RDD： 弹性分布式数据集； DataFrame： DataFrame是一种以RDD为基础的分布式数据集，类似于传统数据库中的二维表格。带有schema元信息，即DataFrame所表示的二维表数据集的每一列都带有名称和类型…...

编程日记 2025/6/27 21:20:30

流媒体中ES流、PS流、TS流怎么理解

在流媒体的领域中，ES流、PS流和TS流是视频和音频数据的不同封装格式。它们通常用于传输、存储和播放多媒体内容。让我们分别了解一下它们的定义和用途。 1. ES流（Elementary Stream） ES流（基本流）是最基本的视频或音…...

编程日记 2025/6/30 20:05:35

阿里云ECS服务器磁盘空间不足的几个文件

查看磁盘空间命令： df -h /mnt 清零 echo >nohup.out 磁盘空间不足的文件列表： 一、nohup.out：来自"nohup java -jar service.jar &"命令产生的文件，位置在服务jar所在目录二、access.log：位于…...

编程日记 2025/6/30 20:05:31

pip 安装指定镜像源

pip 安装指定镜像源使用 pip 安装时，可以通过指定镜像源来加速安装速度，尤其在网络状况不佳或需要访问国内镜像源的情况下。常见的国内镜像源清华大学: https://pypi.tuna.tsinghua.edu.cn/simple 阿里云: https://mirrors.aliyun.com/pypi/simple …...

编程日记 2025/6/30 17:06:58

java全栈day10--后端Web基础(基础知识)

引言：只要能通过浏览器访问的网站全是B/S架构，其中最常用的服务器就是Tomcat 在浏览器与服务器交互的时候采用的协议是HTTP协议一、Tomcat服务器 1.1介绍官网地址：Apache Tomcat - Welcome! 1.2基本使用(网上有安装教程，建议…...

编程日记 2025/6/30 17:06:56

GPT（Generative Pre-trained Transformer）和 Transformer的比较

GPT（Generative Pre-trained Transformer） 和 Transformer 的比较 flyfish 1. Transformer 是一种模型架构 Transformer 是一种通用的神经网络架构，由 Vaswani 等人在论文 “Attention Is All You Need”（2017）中提…...

编程日记 2025/6/30 17:06:54

大数据营销

大数据营销是一个热门的大数据应用。对于多数企业而言，大数据营销的主要价值源于以下几个方面。市场预测与决策分析支持数据对市场预测及决策分析的支持，早就在数据分析与数据挖掘盛行的年代被提出过。沃尔玛著名的“啤酒与尿布”案例就是那个时候的杰…...

编程日记 2025/6/30 17:06:52

数据字典的实现与应用 —— 提高系统灵活性与维护效率的关键

目录前言1. 数据字典的基本概念1.1 什么是数据字典1.2 数据字典的主要特点 2. 数据字典的优势2.1 提高代码复用性2.2 提升系统的灵活性2.3 方便非技术人员管理2.4 减少错误概率 3. 数据字典在若依中的实现3.1 若依框架简介3.2 数据字典的结构设计 4. 若依框架中数据字典的配置…...

编程日记 2025/6/30 17:06:51

Scrapy管道设置和数据保存

1.1 介绍部分： 文字提到常用的Web框架有Django和Flask，接下来将学习一个全球范围内流行的爬虫框架Scrapy。 1.2 内容部分： Scrapy的概念、作用和工作流程 Scrapy的入门使用 Scrapy构造并发送请求 Scrapy模拟登陆 Scrapy管道的使用 Scrapy中…...

编程日记 2025/6/30 17:06:49

Jenkins的使用

文章目录一、Jenkins是什么\有什么用\与GitLab的对比二、Jenkins的安装与配置Jenkins的安装方式在Linux上安装Jenkins：在Windows上安装Jenkins：配置Jenkins： （可选）配置启动用户为root（一定要是root吗??…...

编程日记 2025/6/30 17:06:46

计算机基础原码反码补码问题

整数的二进制的表示形式：其实有三种原码：直接根据数值写出的二进制序列就是原码反码：原码的符号位不变，其他位按位取反就是反码补码：反码1，就是补码负数：-1 以补码形式存放在内存写出 -1…...

编程日记 2025/6/30 17:06:44

ORB-SLAM2 ----- LocalMapping::SearchInNeighbors()

文章目录一、函数意义二、函数讲解三、函数代码四、本函数使用的匹配方法ORBmatcher::Fuse()1. 函数讲解2. 函数代码四、总结一、函数意义本函数是用于地图点融合的函数，前面的函数生成了新的地图点，但这些地图点可能在前面的关键帧中已经生成过了&a…...

编程日记 2025/6/30 17:06:42

游戏引擎学习第27天

仓库:https://gitee.com/mrxiao_com/2d_game 欢迎项目的开始是从零开始构建一款完整的游戏，完全不依赖任何库或引擎。这样做有两个主要原因：首先，因为这非常有趣；其次，因为它非常具有教育意义。了解游戏开发的低层次…...

编程日记 2025/6/30 17:06:39

【超全总结】深度学习分割模型的损失函数类别及应用场景

《------往期经典推荐------》一、AI应用软件开发实战专栏【链接】项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体检测系统开发】5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】7.【…...

编程日记 2025/6/30 17:06:37

基于HTML和CSS的校园网页设计与实现

摘要随着计算机、互联网与通信技术的进步，Internet在人们的学习、工作和生活中的地位也变得越来越高，校园网站已经成为学校与学生，学生与学生之间交流沟通的重要平台，对同学了解学校内发生的各种事情起到了重要的作用。学校网站…...

编程日记 2025/7/1 13:55:26

深度学习基础02_损失函数BP算法(上)

目录一、损失函数 1、线性回归损失函数 1.MAE损失 2.MSE损失 3.SmoothL1Loss 2、多分类损失函数--CrossEntropyLoss 3、二分类损失函数--BCELoss 4、总结二、BP算法 1、前向传播 1.输入层(Input Layer)到隐藏层(Hidden Layer) 2.隐藏层(Hidden Layer)到输出层(Ou…...

编程日记 2025/6/29 9:06:15

Flutter：列表分页，上拉加载下拉刷新，在GetBuilder模板使用方式

GetBuilder模板使用方式参考上一节本篇主要代码记录如何使用上拉加载下拉刷新， 接口请求和商品组件的代码不包括在内 pubspec.yaml装包 cupertino_icons: ^1.0.8# 分页上拉加载，下拉刷新pull_to_refresh_flutter3: 2.0.2商品列表：controlle…...

编程日记 2025/6/27 12:23:14

使用eclipse构建SpringBoot项目

我这里用eclipse2018版本做演示，大家有需要的可以下载Eclipse Downloads | The Eclipse Foundation 1.打开eclipse，选择存放代码的位置 2.选择 file >> new >> project >> 选择springboot文件下的 spring starter project 2.这里选择N…...

编程日记 2025/6/30 17:06:36

Linux系统存储挂载与管理：从基础到高级

标题：Linux系统存储挂载与管理：从基础到高级摘要在Linux系统中，合理的存储管理和分配对于系统的性能、稳定性和资源利用至关重要。本文将详细介绍存储挂载的基本概念、如何进行存储分配和管理，并解释系统盘的作用。通过这些内…...

编程日记 2025/6/30 1:56:56

Flutter 权限申请

这篇文章是基于permission_handler 10.2.0版本写的前言在App开发过程中我们经常要用到各种权限，我是用的是permission_handler包来实现权限控制的。 pub地址：https://pub.dev/packages/permission_handler permission_handler 权限列表变量 Androi…...

编程日记 2025/6/30 4:13:41

Linux之信号的产生，保存，捕捉

Linux之信号的产生，保存，捕捉处理一.信号的概念1.1概念1.2分类二.信号的产生2.1通过键盘产生的信号2.2系统调用接口产生的信号2.3硬件异常产生的信号2.4软件条件产生的信号三.信号的保存四.信号的捕捉五.信号的其他杂碎知识5.1可重入函数5.2volatile关…...

编程日记 2025/7/1 1:19:32

基于AutoEncode自编码器的端到端无线通信系统matlab误码率仿真

目录 1.算法仿真效果 2.算法涉及理论知识概要 3.MATLAB核心程序 4.完整算法代码文件获得 1.算法仿真效果 matlab2022a仿真结果如下（完整代码运行后无水印）： 仿真操作步骤可参考程序配套的操作视频。 2.算法涉及理论知识概要自编码器是…...

编程日记 2025/7/1 14:00:56

泛化调用：在没有接口的情况下进行RPC调用

什么是泛化调用？ 在RPC调用的过程中，调用端向服务端发起请求，首先要通过动态代理，动态代理可以屏蔽RPC处理流程，使得发起远程调用就像调用本地一样。 RPC调用本质：调用端向服务端发送一条请求消息&#x…...

编程日记 2025/6/27 21:04:25

2025年人工智能，自动化与机械工程国际学术会议（AIAME2025）

早鸟通道开启： 2025年人工智能，自动化与机械工程国际学术会议（AIAME2025） 2025 International Conference on Artificial Intelligence, Automation, and Mechanical Engineering 【重要日期】早鸟征稿截止日期：…...

编程日记 2025/6/27 21:04:45

docker compose 快速搭建Nacos单节点测试环境(mysql 版)

〓参考： https://nacos.io/docs/latest/quickstart/quick-start-docker/?sourcewuyi https://github.com/nacos-group/nacos-docker https://nacos.io/docs/latest/manual/admin/deployment/deployment-standalone/?sourcewuyi https://nacos.io/docs/latest/man…...

编程日记 2025/6/27 21:40:55

数字3D虚拟展厅成熟运用于旅游业

在数字空间展览会与VR3D虚拟企业展厅设计的兴起中，我们迎来了互联网、物联网与3D技术融合的大时代。这些企业虚拟展厅主要依托互联网作为传播媒介，利用图片、文字和Flash动画等形式，生动展现企业的核心产品。作为一种新型的网络信息技术展厅&…...

编程日记 2025/6/29 0:42:59

模数转换芯片AD9215

AD9215 是 Analog Devices 公司推出的一款高性能、低功耗、单通道 10 位模数转换器（ADC）。它具有采样速率高达 65 MSPS 或 105 MSPS（不同型号），并广泛应用于通信、成像和仪器仪表等领域。 AD9215 的关键特性分辨率： 10 位，适合高精度应用。采样速率：两种型号： AD921…...

编程日记 2025/6/27 20:51:22

MongoDB注入攻击测试与防御技术深度解析

MongoDB注入攻击测试与防御技术深度解析随着NoSQL数据库的兴起，MongoDB作为其中的佼佼者，因其灵活的数据模型和强大的查询能力，受到了众多开发者的青睐。然而，与任何技术一样，MongoDB也面临着安全威胁，其…...

编程日记 2025/7/1 10:32:19

总结贴:Servlet过滤器、MVC拦截器

一:Servlet过滤器 1.1解析 Filter 即为过滤，用于请求到达Servlet之前(Request),以及再Servlet方法执行完之后返回客户端进行后处理(HttpServletResponse)。简单说就是对请求进行预处理，对响应进行后处理在请求到达Servlet之前,可以经过多个Filt…...

编程日记 2025/6/30 9:24:45

鸿蒙开发-在ArkTS中制作音乐播放器

音频播放功能实现导入音频播放相关模块首先需要从ohos.multimedia.audio模块中导入必要的类和接口用于音频播放。例如： import audio from ohos.multimedia.audio;创建音频播放器实例并设置播放源可以通过audio.createAudioPlayer()方法创建一个音频播放器实…...

编程日记 2025/6/29 7:22:45

mapstruct DTO转换使用

定义一个基础接口 package com.example.mapstruct;import org.mapstruct.Named;import java.time.LocalDate; import java.time.LocalDateTime; import java.time.ZoneId; import java.time.ZonedDateTime; import java.util.Date; import java.util.List;/*** Author zmn Dat…...

编程日记 2025/6/29 2:26:24

一、引言

二、生成对抗网络原理

（一）基本架构

（二）训练过程

三、生成对抗网络的应用

（一）图像生成

1.无条件图像生成

2.条件图像生成

（二）数据增强

（三）风格迁移

四、生成对抗网络训练中的挑战与解决策略

（一）模式崩溃

（二）梯度消失

相关文章：