当前位置：首页 > news >正文

实战2. 利用Pytorch解决 CIFAR 数据集中的图像分类为 10 类的问题——提高精度

news 来源：原创 2025/8/11 20:18:29

实战2. 利用Pytorch解决 CIFAR 数据集中的图像分类为 10 类的问题——提高精度

前期准备
加载数据
建立模型
模型训练
质量指标

让我们回到图像分类问题 CIFAR。

你的主要任务：实现整个模型训练流程，并在测试样本上获得良好的准确度指标值。任务积分：

0，如果测试样本的准确度<0.5；
如果测试样本的准确度 >0.5 且 <0.6，则为 0.5；
1，如果测试样本的准确度>0.6；

本任务中用于训练模型的代码已完整实现。您需要做的就是为神经网络类编写代码并试验参数以获得良好的质量。除此之外，你要保证模型不超过300M的内存使用！

前期准备

import numpy as npimport torch
from torch import nn
from torch.nn import functional as Fimport torchvision
from torchvision import datasets, transformsfrom matplotlib import pyplot as plt
from IPython.display import clear_output

import numpy as np
np.random.seed(42)class LinearRegression:def init(self, **kwargs):self.coef_ = Nonepassdef fit(self, x: np.array, y: np.array):# 添加一列全为1的偏置项x = np.concatenate([np.ones((x.shape[0], 1)), x], axis=1)# 使用最小二乘法计算系数self.coef_ = np.linalg.inv(x.T @ x) @ x.T @ yreturn selfdef predict(self, x: np.array):# 添加一列全为1的偏置项x = np.concatenate([np.ones((x.shape[0], 1)), x], axis=1)# 根据计算出的系数进行预测y_pred = x @ self.coef_return y_pred

加载数据

数据加载代码与我们之前课程中的相同。没有必要改变任何东西。

# 从 torchvision 加载数据集
train_data = datasets.CIFAR10(root="./cifar10_data", train=True, download=True, transform=transforms.ToTensor())
test_data = datasets.CIFAR10(root="./cifar10_data", train=False, download=True, transform=transforms.ToTensor())# 将训练部分分为train和val# 我们将把 80% 的图片纳入训练样本
train_size = int(len(train_data) * 0.8)
# 进行验证 - 剩余 20%
val_size = len(train_data) - train_sizetrain_data, val_data = torch.utils.data.random_split(train_data, [train_size, val_size])# 我们启动将生成批次的数据加载器
train_loader = torch.utils.data.DataLoader(train_data, batch_size=64, shuffle=True)
val_loader = torch.utils.data.DataLoader(val_data, batch_size=64, shuffle=False)
test_loader = torch.utils.data.DataLoader(test_data, batch_size=64, shuffle=False)

输出：
100%|██████████| 170M/170M [00:04<00:00, 40.6MB/s]

让我们看一下数据集中的一些图像：

# 绘制图像的函数
def show_images(images, labels):f, axes= plt.subplots(1, 10, figsize=(30,5))for i, axis in enumerate(axes):# 将图像从张量转换为numpyimg = images[i].numpy()# 将图像转换为尺寸（长度、宽度、颜色通道）img = np.transpose(img, (1, 2, 0))axes[i].imshow(img)axes[i].set_title(labels[i].numpy())plt.show()# 获取一批图像
for batch in train_loader:images, labels = batchbreakshow_images(images, labels)

在这里插入图片描述

建立模型

下面是用于构建模型的单元格。您不应该立即制作具有大量层的大型复杂模型：这样的网络将需要很长时间来训练，并且很可能会过度训练。

您的主要任务是训练模型并在延迟（测试样本）上获得至少 60% 准确度的质量。

注意：你的模型必须由“模型”变量表示。

您可以尝试以下方法来改善网络结果：

尝试不同数量的卷积层和全连接层；
在卷积层中尝试不同数量的过滤器；
在隐藏的全连接层中尝试不同数量的神经元；
尝试在完全连接层和卷积层之后添加 BatchNorm。请注意，nn.BatchNorm2d 用于卷积层。 num_features 参数等于卷积层的过滤器（out_channels）的数量；
尝试添加/删除 max_pooling；
改变学习率；
对网络进行更多次的训练。

如果您的模型过度拟合（验证指标开始变得更糟），请尝试减少模型参数的数量。如果模型没有过拟合，但是效果不佳，请尝试增加模型参数的数量。

模板为：

# 此处输入您的代码
# 声明一个卷积神经网络类class ConvNet(nn.Module):def __init__(self):super().__init__()# 此处输入您的代码# 定义网络的层...def forward(self, x):# 维度 x ~ [64, 3, 32, 32]# 此处输入您的代码# 实现前向传递网络 ...

我们按照要求进行解决

class ConvNet(nn.Module):def __init__(self):super().__init__()# 第一个卷积层，输入通道 3（RGB 图像），输出通道 16，卷积核大小 3self.conv1 = nn.Conv2d(3, 16, kernel_size=3, padding=1)# 第一个 BatchNorm 层，对应卷积层的输出通道数 16self.bn1 = nn.BatchNorm2d(16)# 最大池化层，池化核大小 2self.pool1 = nn.MaxPool2d(2)# 第二个卷积层，输入通道 16，输出通道 32，卷积核大小 3self.conv2 = nn.Conv2d(16, 32, kernel_size=3, padding=1)# 第二个 BatchNorm 层，对应卷积层的输出通道数 32self.bn2 = nn.BatchNorm2d(32)# 最大池化层，池化核大小 2self.pool2 = nn.MaxPool2d(2)# 展平层self.flatten = nn.Flatten()# 第一个全连接层，输入维度根据前面卷积和池化层输出计算得到（8 * 8 * 32），输出维度 64self.fc1 = nn.Linear(8 * 8 * 32, 64)# 第一个全连接层的 BatchNorm 层self.bn_fc1 = nn.BatchNorm1d(64)# 第二个全连接层，输入维度 64，输出维度 10（CIFAR - 10 有 10 个类别）self.fc2 = nn.Linear(64, 10)def forward(self, x):# 第一个卷积层 -> BatchNorm -> ReLU 激活 -> 最大池化x = F.relu(self.bn1(self.conv1(x)))x = self.pool1(x)# 第二个卷积层 -> BatchNorm -> ReLU 激活 -> 最大池化x = F.relu(self.bn2(self.conv2(x)))x = self.pool2(x)# 展平x = self.flatten(x)# 第一个全连接层 -> BatchNorm -> ReLU 激活x = F.relu(self.bn_fc1(self.fc1(x)))# 第二个全连接层得到最终输出x = self.fc2(x)return x

model = ConvNet()

下面的单元检查 GPU 是否可用，如果有，则将神经网络传输到 GPU。

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = model.to(device)

模型训练

网络训练功能（无需更改）。

该函数每50次训练迭代输出一次训练样本上的损失和准确率的当前值。此外，每次迭代之后都会计算并显示验证样本的损失和准确度。这些值让你了解你的模型学习得如何。

def evaluate(model, dataloader, loss_fn):losses = []num_correct = 0num_elements = 0for i, batch in enumerate(dataloader):# 这就是我们获取当前批次的方法X_batch, y_batch = batchnum_elements += len(y_batch)with torch.no_grad():logits = model(X_batch.to(device))loss = loss_fn(logits, y_batch.to(device))losses.append(loss.item())y_pred = torch.argmax(logits, dim=1)num_correct += torch.sum(y_pred.cpu() == y_batch)accuracy = num_correct / num_elementsreturn accuracy.numpy(), np.mean(losses)def train(model, loss_fn, optimizer, n_epoch=3):# 网络训练周期for epoch in range(n_epoch):print("Epoch:", epoch+1)model.train(True)running_losses = []running_accuracies = []for i, batch in enumerate(train_loader):# 这就是我们获取当前批次的方法X_batch, y_batch = batch# 前向传递（获取对一批图像的响应）logits = model(X_batch.to(device))# 计算网络给出的答案和批次的正确答案的损失loss = loss_fn(logits, y_batch.to(device))running_losses.append(loss.item())loss.backward() # backpropagation （梯度计算）optimizer.step() # 更新网络权重optimizer.zero_grad() # 重置权重# 计算当前训练批次的准确率model_answers = torch.argmax(logits, dim=1)train_accuracy = torch.sum(y_batch == model_answers.cpu()) / len(y_batch)running_accuracies.append(train_accuracy)# 记录结果if (i+1) % 100 == 0:print("Average train loss and accuracy over the last 50 iterations:",np.mean(running_losses), np.mean(running_accuracies), end='\n')# 每个时期之后，我们都会得到验证样本的质量指标model.train(False)val_accuracy, val_loss = evaluate(model, val_loader, loss_fn=loss_fn)print("Epoch {}/{}: val loss and accuracy:".format(epoch+1, n_epoch,),val_loss, val_accuracy, end='\n')return model

我们正在开始训练

# 再次声明模型
model = ConvNet()
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = model.to(device)# 选择损失函数
loss_fn = torch.nn.CrossEntropyLoss()# 选择优化算法和学习率。
# 你可以尝试不同的 learning_rate 值
learning_rate = 1e-3
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)

# 让我们开始训练模型
# 参数 n_epoch 可以变化
model = train(model, loss_fn, optimizer, n_epoch=3)

输出：
在这里插入图片描述

质量指标

获取测试样本的质量指标

test_accuracy, _ = evaluate(model, test_loader, loss_fn)
print('Accuracy on the test', test_accuracy)

输出：
Accuracy on the test 0.6913

检查是否满足所需的阈值：

if test_accuracy <= 0.5:print("测试质量低于0.5，0分")
elif test_accuracy < 0.6:print("测试质量在 0.5 至 0.6 之间，得 0.5 分")
elif test_accuracy >= 0.6:print("测试质量高于 0.6，得 1 分")

输出：
测试质量高于 0.6，得 1 分

下面的单元格包含使用训练过的网络获取文件的代码，获取pth文件

model.eval()
x = torch.randn((1, 3, 32, 32))
torch.jit.save(torch.jit.trace(model.cpu(), (x)), "model.pth")

实战2. 利用Pytorch解决 CIFAR 数据集中的图像分类为 10 类的问题——提高精度

实战2. 利用Pytorch解决 CIFAR 数据集中的图像分类为 10 类的问题——提高精度前期准备加载数据建立模型模型训练质量指标让我们回到图像分类问题 CIFAR。你的主要任务：实现整个模型训练流程，并在测试样本上获得良好的准确度指标值。任务积分&#…...

编程日记 2025/8/11 20:18:29

CentOS高性能数据处理优化指南

在CentOS系统中，为实现高性能数据处理，需要从多个层面进行优化，包括系统配置、内核参数、硬件资源管理及软件优化等。一、硬件优化选择合适硬件是优化性能的基础，大规模数据处理任务建议使用多核CPU、大容量内存、SSD存储以及…...

编程日记 2025/8/12 18:04:42

深度剖析：Pytest Fixtures如何重塑自动化测试的可读性与高效性

关注开源优测不迷路大数据测试过程、策略及挑战测试框架原理，构建成功的基石在自动化测试工作之前，你应该知道的10条建议在自动化测试中，重要的不是工具在编写单元测试时，是否发现自己写了很多相同/相似代码呢？ 像…...

编程日记 2025/8/11 17:03:23

AIP-181 稳定级别

编号181原文链接AIP-181: Stability levels状态批准创建日期2019-02-18更新日期2019-02-18 虽然不同组织（谷歌或其他组织）拥有不同的产品生命周期，AIP使用以下术语指代API组件稳定性。注意这些稳定级别大致对应于Google Cloud中的产品发…...

编程日记 2025/8/10 5:21:31

比较（leetcode 452. 用最少数量的箭引爆气球 leetcode 435. 无重叠区间 leetcode 56. 合并区间

leetcode系列文章目录一、射箭引爆气球二、无重叠区间三、合并区间总结提示：小白个人理解，如有错误敬请谅解！ 对于此类题目，都先按左区间排序，之后根据重叠还是不重叠来进行操作一、射箭引爆气球找到最大的重叠…...

编程日记 2025/8/4 8:50:30

什么是有限元力学？分而治之，将复杂问题转化为可计算的数学模型

有限元力学是应用有限元方法（Finite Element Method, FEM）解决力学问题的学科，属于计算力学的重要分支。它通过将复杂的连续体结构离散化为有限个简单单元的组合，结合数学和物理原理，近似求解力学行为（如应…...

编程日记 2025/8/12 18:02:39

python项目一键加密,极度简洁

在要加密的项目内运行python -m pip install py2safe 安装后cd到项目的根目录,运行py2safe 它会递归加密所有文件夹,不需要参数,拿过来就用,基于pyarmor开发,基本破解不了,太方便辣这是readme文件,不仅提到了用法,还贴心的加入了口腔溃疡的治疗办法,真是太贴心了 # py2saf…...

编程日记 2025/8/11 11:30:25

STM32 ADC原理与驱动详解：从存储器映射到多通道采集（下） | 零基础入门STM32第六十六步

主题内容教学目的/扩展视频ADC读电位器和光敏重点课程电路原理，跳线设置，ADC功能分析，驱动程序，读出AD数据，读内部温度传感器数据。会设置参数，能读出AD值即可。师从洋桃电子，杜洋老师本文深入…...

编程日记 2025/8/9 1:31:43

JxBrowser 8.5.0 版本发布啦！

• 为 Compose Desktop 提供了硬件加速渲染支持 • 支持自定义 Chromium 二进制文件的品牌标识 • 多项质量改进了解更多获取 30 天免费试用...

编程日记 2025/8/12 18:10:38

LIN接口

LIN接口前言LIN接口简介帧格式同步间隔段 (Break Field)同步段 (Sync Byte Field)受保护ID段 (Protected Identifier Field)数据段 (Data Field)校验和段 (Checksum Field) 帧在总线上的传输波形帧类型无条件帧事件触发帧偶发帧诊断帧保留帧错误类型 IP 设计结构框图接口设计…...

编程日记 2025/8/12 18:08:39

【蓝桥杯每日一题】3.16

🏝️专栏： 【蓝桥杯备篇】 🌅主页： f狐o狸x 目录 3.9 高精度算法一、高精度加法题目链接： 题目描述： 解题思路： 解题代码： 二、高精度减法题目链接： 题目描述&…...

编程日记 2025/8/5 1:29:56

prometheus-helm的使用

1、部署Prometheus监控平台 1、下载安装Prometheus （当前集群版本1.26.3） git clone https://github.com/prometheus-operator/kube-prometheus.git -b release-0.12 安装： cd kube-prometheus/ 创建命名空间和crd： kubectl …...

编程日记 2025/8/6 17:43:00

时间序列分析的军火库：AutoTS、Darts、Kats、PaddleTS、tfts 和 FancyTS解析

引言：时间序列分析的现代挑战时间序列分析在多个领域中扮演着关键角色，包括工程、金融、气象、工业预测等。随着开源工具的快速发展，开发者可以通过多种库快速实现时间序列预测与分析。本文将对 AutoTS、Darts、Kats、PaddleTS、tfts 和 FancyTS 六大主流库进行详细解析，…...

编程日记 2025/7/30 20:33:18

TLSR8355F128芯片特色解析

TLSR8355F128 是泰凌微推出的一款高性能、低功耗的无线物联网芯片，具有以下特色： 丰富的协议支持：支持 2.4GHz 私有协议。这使得该芯片能够广泛应用于各种特殊的物联网场景，实现不同设备之间的互联互通。强大的处理能力&#xff…...

编程日记 2025/8/12 18:04:42

基于分类算法的学习失败预警（上）

文章目录前言1.数据预处理1.1数据探索1.2数值化处理1.3空值填充1.4添加标签1.5特征筛选1.6数据集类别平衡1.7划分数据集1.8训练集类平衡1.9标准化 2.模型选择2.1建立模型2.2模型调参2.2.1遍历调参2.2.2网格搜索结语前言本次案例通过对现有数据分析，采用如下图所…...

编程日记 2025/8/12 13:17:34

首页性能优化

首页性能提升是前端优化中的核心任务之一，因为首页是用户访问的第一入口，其加载速度和交互体验直接影响用户的留存率和转化率。 1. 性能瓶颈分析在优化之前，首先需要通过工具分析首页的性能瓶颈。常用的工具包括： Chrome DevTo…...

编程日记 2025/8/12 17:54:44

整形在内存中的存储（例题逐个解析）

目录一.相关知识点 1.截断： 2.整形提升： 3.如何截断，整型提升？ （1）负数 （2）正数 （3）无符号整型，高位补0 注意：提升后得到的…...

编程日记 2025/8/10 23:04:01

示例代码： T TypeVar("T", bound"NoSQLBaseDocument")# 与 MongoDB 数据库交互的基础文档类 class NoSQLBaseDocument(BaseModel, Generic[T], ABC):id: UUID4 Field(default_factoryuuid.uuid4)def __eq__(self, value: object) -> bool…...

编程日记 2025/8/11 20:33:15

2025 香港 Web3 嘉年华：全球 Web3 生态的年度盛会

自 2023 年首届香港 Web3 嘉年华成功举办以来，这一盛会已成为全球 Web3 领域规模最大、影响力最深远的行业活动之一。2025 年 4 月 6 日至 9 日，第三届香港 Web3 嘉年华将在香港盛大举行。本届活动由万向区块链实验室与 HashKey Group 联合主办、W3ME 承…...

编程日记 2025/8/8 8:48:26

ERC-6909 最小多代币标准

ERC-6909 Token标准是 ERC-1155 Token标准的一种简化替代方案。 ERC-1155 标准引入了一种多Token接口，使得单个智能合约能够结合可替代的和不可替代的Token（即，ERC20 和 ERC721）。 ERC-1155 解决了多个挑战，例如降…...

编程日记 2025/8/7 12:09:22

07-单链表-单链表基本操作

题目来源 826. 单链表 - AcWing题库思路详见代码，主要思想就是用数组来模拟链表的创建。数组其实跟静态链表等价，由于动态链表动态new对于大数据太过于耗时，因此采用数组的方式。那数组如何起到链表的效果？用下标来索引。 …...

编程日记 2025/8/9 8:34:50

FFMPEG录制远程监控摄像头MP4

手绘效果图上图是录制功能的HTML前端页面，录制功能和解码视频放在一起。录制功能关键是录制(开始录制按钮)、停止录像按钮。当点击“录制”的时候则会开始录制MP4文件, 当点击停止的时候就会停止录制MP4。经过录制后，则会生成MP4,并放到我的RV1126的/tm…...

编程日记 2025/8/5 1:37:16

Spring Boot 的自动装配

Spring Boot 的自动装配（Auto Configuration）是其核心特性之一，通过智能化的条件判断和配置加载机制，极大简化了传统 Spring 应用的配置复杂度。其原理和实现过程可概括为以下几个关键点： 一、核心触发机制&#xff1a…...

编程日记 2025/8/9 16:00:31

Python中的“泛型”和“多重继承”

“泛型”和“多重继承”属于 Python 的语法规则。 1. 泛型（Generic[T]） 通俗解释泛型允许你在定义类或函数时，不指定具体的类型，而是使用一个“占位符”（通常命名为 T）。这就像你制作一个盒子&#xff0…...

编程日记 2025/8/11 17:39:14

【C++】多参数构造函数使用explict的情形

在 C 中，“无非默认值” 指的是：构造函数的参数没有设置默认值（即所有参数都必须显式传递）。这个说法通常出现在讨论多参数构造函数是否需要使用 explicit 关键字时。具体解释多参数构造函数： • 如果一个构造函数有…...

编程日记 2025/8/10 3:17:13

C# Unity 唐老狮 No.10 模拟面试题

本文章不作任何商业用途仅作学习与交流安利唐老狮与其他老师合作的网站,内有大量免费资源和优质付费资源,我入门就是看唐老师的课程打好坚实的基础非常非常重要: Unity课程 - 游习堂 - 唐老狮创立的游戏开发在线学习平台 - Powered By EduSoho C# 1. 内存中，堆和…...

编程日记 2025/8/9 5:02:47

使用DeepSeek，优化斐波那契数函数，效果相当不错

下面这段代码定义了一个递归函数 fibonacci，用于计算第 n 个斐波那契数。 def fibonacci(n):if n < 1:return nelse:return fibonacci(n - 1) fibonacci(n - 2)虽然代码逻辑正确，但其性能较差，尤其是对于较大的 n 值，其复杂度…...

编程日记 2025/8/2 19:02:27

【GPT入门】第22课 langchain LCEL介绍

【GPT入门】第22课 langchain LCEL介绍 1. LCEL介绍与特点2. 原生API与LCEL的对比2. 简单demo 1. LCEL介绍与特点 LCEL 即 LangChain Expression Language，是 LangChain 推出的一种声明式语言，用于简化和优化在 LangChain 框架内构建复杂链和应用的过程…...

编程日记 2025/8/11 20:50:59

市场监管总局升级12315平台专项整治四大市场顽疾保障消费安全

大湾区经济网湾区财经讯，在今天下午举行的国务院新闻办新闻发布会上，市场监管总局负责人表示，将开展食品非法添加、假冒伪劣、价格欺诈、虚假宣传四大领域专项整治行动，并强化缺陷产品召回监管，全面保障消费者“安全消…...

编程日记 2025/8/10 18:52:23

FineBI6.x进阶篇-可视化专题

参考参考：https://edu.fanruan.com/video/526 如何选择合适的图表：https://help.fanruan.com/dvg/doc-view-3.html 参考：https://help.fanruan.com/finebi/ 什么是GLAD原则：https://help.fanruan.com/dvg/doc-view-81.html …...

编程日记 2025/8/10 1:24:04

一对一交友App源码开发新趋势：精准匹配与多元盈利模式解析

一、营商环境分析：机遇与挑战并存近年来，随着移动互联网的普及和用户需求的不断升级，一对一交友App市场呈现出蓬勃发展的态势。然而，机遇与挑战并存，开发者需要审时度势，才能在激烈的市场竞争中脱颖而出…...

编程日记 2025/8/10 1:33:56

算法基础篇（蓝桥杯常考点）

算法基础篇前言算法内容还有搜索，数据结构（进阶），动态规划和图论数学那个的话大家也知道比较难，放在最后讲这期包含的内容可以看目录模拟那个算法的话就是题说什么写什么，就不再分入目录中了注意事…...

编程日记 2025/7/14 4:31:37

【Pandas】pandas Series cat

# Pandas2.2 Series ## Accessors |方法|描述| |-|:-------| |Series.str|对 Series 中的字符串元素进行矢量化字符串操作| |Series.cat|用于处理分类数据（Categorical Data）的属性| ### pandas.Series.cat pandas.Series.cat 是用于处理分类数据&am…...

编程日记 2025/8/11 4:31:01

Python的类和对象（3）

1、类的继承父类：被继承子类：继承者 – 可以使用父类的所有属性和方法、大大简化代码。语法：在类名字后加上（继承的类名字） # 定义类 -- 父类 class Car:# 定义类属性wheel "有车轮"engine "有引…...

编程日记 2025/8/10 11:40:02

C语言修饰符汇总详解

在C语言中，修饰符（或称类型限定符）是用于修饰数据类型的关键字，可以改变变量或类型的性质和行为。它们通常用来控制存储类型、符号、大小、对齐、访问权限等。C语言中的修饰符主要可以分为以下几类：类型修饰符存储类别修饰符常量和易变修饰符以下是C语言中所有修饰符的详…...

编程日记 2025/8/10 11:56:11

猎豹移动（Cheetah Mobile）

本文来自腾讯元宝公司背景与发展历程成立与早期定位猎豹移动成立于2010年11月，由金山安全与可牛影像合并而成，初期以移动安全工具和清理软件为核心业务。其明星产品包括《猎豹清理大师》（Clean Master）和《猎豹浏览器》&…...

编程日记 2025/8/4 5:54:17

VLN 论文精读（二）VL-Nav: Real-time Vision-Language Navigation with Spatial Reasoning

这篇笔记用来描述2025年发表在arxiv上的一篇有关VLN领域的论文，由纽约州立大学布法罗分校和卡耐基梅隆联合发布。其主要创新点在于：像素级的视觉-语意特征、低算力移动设备部署、30Hz控制实时性、VLM模型的zero-shot ； 整个导航流程大概如下…...

编程日记 2025/8/9 13:50:26

优选算法系列（2.滑动窗口 _ 上）

目录解法⼀（暴力求解）（不会超时，可以通过）：一.长度最小的子数组（medium） 题目链接209. 长度最小的子数组 - 力扣（LeetCode） 解法： 代码&#…...

编程日记 2025/8/7 5:12:55

RK3568 android11 基于PN7160的NXP NFC移植

一，概述 1. 模块概述 PN7160专为在各种系统实现快速集成而设计，支持所有符合NFC Forum的模式，包括Android和Linux驱动程序，并支持实时操作系统和无操作系统的应用（PN7160不符合EMVCo）。嵌入式NFC固件减少了对主机交互的需求，并最大限度缩小了代码尺寸，使设计更轻松。…...

编程日记 2025/8/8 23:19:27

【网工第6版】第1章计算机网络概论

目录 1计算机网络形成和发展 ■计算机网络 ■我国互联网发展 ■计算机网路分类 ■计算机网络应用 2 OSI和TCP/IP参考模型 ■网络分层的意义 ■OSI参考模型 ■TCP/IP参考模型 ■TCP/IP参考模型协议 3 数据封装与解封过程 ■封装 ■解封 1计算机网络形成和发展 ■计…...

编程日记 2025/8/9 21:16:12

【嵌入式】keil5安装（同时兼容C51和STM32）

最近在开发STM32的时候，安装Keil5，遇到STM32和C51的共存的问题，在网上找了很多方法，又遇到一些bug，最终还是弄好了。因此将处理的过程记录下来，希望对遇到相同问题的朋友一些启发。 1、下载安装包 Keil P…...

编程日记 2025/8/5 4:12:36

每日一题--进程与协程的区别

进程是什么？ 进程（Process） 是操作系统进行资源分配和调度的基本单位，代表一个正在执行的程序实例。每个进程拥有独立的虚拟地址空间、代码、数据和系统资源（如文件句柄、网络端口等）。进程之间通过 IPC&…...

编程日记 2025/8/8 1:12:45

网络安全运维应急响应与溯源分析实战案例

在日常运维过程中，网络安全事件时有发生，快速响应和精准溯源是保障业务稳定运行的关键。本文将通过一个实际案例，详细解析从发现问题到溯源定位，再到最终解决的完整流程。目录一、事件背景二、事件发现 1. 监控告警触发 2…...

编程日记 2025/8/8 11:58:42

leetcode29. 两数相除-medium

1 题目：两数相除官方标定难度：中给你两个整数，被除数 dividend 和除数 divisor。将两数相除，要求不使用乘法、除法和取余运算。整数除法应该向零截断，也就是截去（truncate）其小数部分。…...

编程日记 2025/8/6 21:12:46

深海300米的低温环境中的BMS优化方法

在深海300米的低温环境中，采用扩展卡尔曼滤波（EKF）结合温度补偿模型实现电池管理系统（BMS）的荷电状态（SOC）精确估计，需通过以下步骤实现： 1. 低温电池模型建立 1.1 电池…...

编程日记 2025/8/11 9:14:55

高主频GPU+RTX4090：AI生图性能优化超150%

概述：消费级高主频CPU搭配 RTX 4090显卡可以显著提高AI生图的性能，相比于企业级CPU具有更大的吞吐量和更优的成本效益。引言：在AI图像生成过程中，CPU与GPU的协同效应对系统的整体性能至关重要。测试表明，与RTX 4090显…...

编程日记 2025/8/11 20:48:58

OpenCV 图像双线性插值

文章目录一、简介二、实现代码三、实现效果参考资料一、简介双线性插值是一种二维插值方法，用于计算栅格（Grid）或像素点之间的插值值。它主要用于图像缩放、旋转、变换等操作，以在新像素位置估算灰度值或颜色值。如上图所示，假设存在一个二维离散函数（如图像）…...

编程日记 2025/8/11 22:18:53

OpenCV计算摄影学（23)艺术化风格化处理函数stylization()

操作系统：ubuntu22.04 OpenCV版本：OpenCV4.9 IDE:Visual Studio Code 编程语言：C11 算法描述风格化的目的是生成不以照片写实为目标的多种多样数字图像效果。边缘感知滤波器是风格化处理的理想选择，因为它们能够弱化低对比度区…...

编程日记 2025/8/11 12:17:33

《我的Python觉醒之路》之转型Python（十五）——控制流

[今天是2025年3月17日，继续复习第一章节、第二章节的内容 ] 《我的Python觉醒之路》之转型Python（十四）——控制流...

编程日记 2025/7/25 23:44:16

内存管理

一.什么是内存管理呢？ 我们可以来看一下这个图，我们来了解一下这些地方都存的是什么。数据段就是存放全局和静态变量的，代码段是存放常量的。栈局部变量：在函数内部定义的变量，其存储空间在栈上分配。当函数被调用时…...

编程日记 2025/8/10 5:32:47

实战2. 利用Pytorch解决 CIFAR 数据集中的图像分类为 10 类的问题——提高精度

前期准备

加载数据

建立模型

模型训练

质量指标

相关文章：