当前位置：首页 > news >正文

回归任务训练--MNIST全连接神经网络（Mnist_NN）

news 来源：原创 2025/8/5 23:03:27

import torch
import numpy as np
import logging
from torch.utils.data import TensorDataset, DataLoader
from torch.utils.data import DataLoader# 配置日志
logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')# 定义 loss_batch 函数，添加类型注解
def loss_batch(model: torch.nn.Module, loss_func: torch.nn.Module, xb: torch.Tensor, yb: torch.Tensor, opt=None) -> tuple:loss = loss_func(model(xb), yb)if opt is not None:loss.backward()opt.step()opt.zero_grad()return loss.item(), len(xb)# 定义一个简单的模型，添加类型注解
class SimpleModel(torch.nn.Module):def __init__(self, input_dim: int):super(SimpleModel, self).__init__()self.fc = torch.nn.Linear(input_dim, 1)def forward(self, x: torch.Tensor) -> torch.Tensor:return self.fc(x)# 生成模拟数据
num_train_samples = 1000
input_dim = 10
x_train = torch.randn(num_train_samples, input_dim)
y_train = torch.randn(num_train_samples, 1)# 数据标准化
x_train_mean = x_train.mean(dim=0)
x_train_std = x_train.std(dim=0)
x_train = (x_train - x_train_mean) / x_train_stdtrain_ds = TensorDataset(x_train, y_train)
train_dl = DataLoader(train_ds, batch_size=32, shuffle=True)num_valid_samples = 200
x_valid = torch.randn(num_valid_samples, input_dim)
y_valid = torch.randn(num_valid_samples, 1)# 验证数据标准化
x_valid = (x_valid - x_train_mean) / x_train_stdvalid_ds = TensorDataset(x_valid, y_valid)
valid_dl = DataLoader(valid_ds, batch_size=64)# 初始化模型、损失函数和优化器
model = SimpleModel(input_dim)
loss_func = torch.nn.MSELoss()
opt = torch.optim.SGD(model.parameters(), lr=0.01)# 定义 fit 函数，添加早停机制
def fit(steps: int, model: torch.nn.Module, loss_func: torch.nn.Module, opt: torch.optim.Optimizer, train_dl: DataLoader, valid_dl: DataLoader, patience: int = 3):best_val_loss = float('inf')no_improvement_count = 0for step in range(steps):model.train()for xb, yb in train_dl:loss_batch(model, loss_func, xb, yb, opt)model.eval()with torch.no_grad():losses, nums = zip(*[loss_batch(model, loss_func, xb, yb) for xb, yb in valid_dl])val_loss = np.sum(np.multiply(losses, nums)) / np.sum(nums)logging.info(f'当前step: {step}, 验证集损失：{val_loss}')if val_loss < best_val_loss:best_val_loss = val_lossno_improvement_count = 0else:no_improvement_count += 1if no_improvement_count >= patience:logging.info(f'早停：验证集损失在 {patience} 个步骤内没有改善。')break# 调用 fit 函数进行训练
fit(50, model, loss_func, opt, train_dl, valid_dl)

1. 库导入与日志配置

import torch
import numpy as np
import logging
from torch.utils.data import TensorDataset, DataLoader

功能：
- 导入 PyTorch 深度学习框架和 NumPy 数值计算库。
- 配置日志系统，记录训练过程中的关键信息。
关键点：
- TensorDataset 和 DataLoader 用于封装数据集并实现批量加载。

2. 定义损失计算函数 `loss_batch`

def loss_batch(model: torch.nn.Module, loss_func: torch.nn.Module, xb: torch.Tensor, yb: torch.Tensor, opt=None) -> tuple:loss = loss_func(model(xb), yb)if opt is not None:loss.backward()opt.step()opt.zero_grad()return loss.item(), len(xb)

功能：
- 计算模型在单个批次的损失，并根据是否提供优化器 opt 决定是否更新模型参数。
参数：
- model: 神经网络模型。
- loss_func: 损失函数（如 MSELoss）。
- xb, yb: 输入数据和标签的批次。
- opt: 优化器（如 SGD），若为 None 则仅计算损失。
返回值：
- 当前批次的损失值（标量）和批次大小。

3. 定义简单线性模型 `SimpleModel`

class SimpleModel(torch.nn.Module):def __init__(self, input_dim: int):super(SimpleModel, self).__init__()self.fc = torch.nn.Linear(input_dim, 1)def forward(self, x: torch.Tensor) -> torch.Tensor:return self.fc(x)

功能：
- 定义一个单层全连接网络，用于回归任务。
结构：
- 输入维度 input_dim，输出维度 1。
- 示例：若 input_dim=10，则模型为 Linear(10 → 1)。

4. 生成与标准化模拟数据

# 生成训练数据
num_train_samples = 1000
input_dim = 10
x_train = torch.randn(num_train_samples, input_dim)
y_train = torch.randn(num_train_samples, 1)
x_train_mean = x_train.mean(dim=0)
x_train_std = x_train.std(dim=0)
x_train = (x_train - x_train_mean) / x_train_std# 创建 DataLoader
train_ds = TensorDataset(x_train, y_train)
train_dl = DataLoader(train_ds, batch_size=32, shuffle=True)# 生成验证数据（使用训练数据的均值和标准差标准化）
num_valid_samples = 200
x_valid = torch.randn(num_valid_samples, input_dim)
y_valid = torch.randn(num_valid_samples, 1)
x_valid = (x_valid - x_train_mean) / x_train_std
valid_ds = TensorDataset(x_valid, y_valid)
valid_dl = DataLoader(valid_ds, batch_size=64)

功能：
- 生成随机训练和验证数据，并进行标准化处理。
关键点：
- 标准化时使用训练数据的均值和标准差，避免数据泄露（Data Leakage）。
- DataLoader 设置不同批量大小（训练 32，验证 64），提升训练效率。

5. 初始化模型、损失函数与优化器

model = SimpleModel(input_dim)
loss_func = torch.nn.MSELoss()
opt = torch.optim.SGD(model.parameters(), lr=0.01)

功能：
- 定义回归任务的均方误差损失（MSE）和随机梯度下降优化器（SGD）。
参数：
- 学习率 lr=0.01 控制参数更新步长。

6. 定义训练函数 `fit` 并实现早停机制

def fit(steps: int, model: torch.nn.Module, loss_func: torch.nn.Module, opt: torch.optim.Optimizer, train_dl: DataLoader, valid_dl: DataLoader, patience: int = 3):best_val_loss = float('inf')no_improvement_count = 0for step in range(steps):# 训练阶段model.train()for xb, yb in train_dl:loss_batch(model, loss_func, xb, yb, opt)# 验证阶段model.eval()with torch.no_grad():losses, nums = zip(*[loss_batch(model, loss_func, xb, yb) for xb, yb in valid_dl])val_loss = np.sum(np.multiply(losses, nums)) / np.sum(nums)logging.info(f'当前step: {step}, 验证集损失：{val_loss}')# 早停判断if val_loss < best_val_loss:best_val_loss = val_lossno_improvement_count = 0else:no_improvement_count += 1if no_improvement_count >= patience:logging.info(f'早停：验证集损失在 {patience} 个步骤内没有改善。')break

功能：
- 执行模型训练，并在验证集上监控损失，实现早停机制。
流程：
1. 训练模式：遍历训练数据，更新模型参数。
2. 评估模式：关闭梯度计算，计算验证集损失。
3. 早停机制：若连续 patience 次验证损失未改善，提前终止训练。
关键点：
- model.train() 和 model.eval() 切换模型模式（影响 Dropout/BatchNorm 等层）。
- 验证损失通过加权平均计算（考虑不同批次大小）。

7. 启动训练

fit(50, model, loss_func, opt, train_dl, valid_dl)

参数：
- steps=50：最大训练轮数（epoch）。
- patience=3：允许验证损失不改进的最大轮数。

代码总结

核心功能

实现了一个简单的回归任务训练流程，包含数据标准化、模型训练、验证和早停机制。
使用 PyTorch 的 DataLoader 实现高效数据加载，支持批量训练与验证。

网络结构

改进建议

模型复杂度：
- 当前模型为单层线性网络，可增加隐藏层和非线性激活函数（如 ReLU）提升表达能力。
```
self.fc1 = nn.Linear(input_dim, 64)
self.fc2 = nn.Linear(64, 1)
```
学习率调度：
添加学习率衰减（如 torch.optim.lr_scheduler.StepLR）加速收敛。
数据增强：
若为真实数据，可添加噪声或变换增强鲁棒性。
日志增强：
记录训练损失和验证损失的曲线，便于分析过拟合。

回归任务训练--MNIST全连接神经网络（Mnist_NN）

import torch import numpy as np import logging from torch.utils.data import TensorDataset, DataLoader from torch.utils.data import DataLoader# 配置日志 logging.basicConfig(levellogging.INFO, format%(asctime)s - %(levelname)s - %(message)s)# 定义 loss_batch…...

编程日记 2025/8/5 23:03:27

SvelteKit 最新中文文档教程（8）—— 部署 Node 服务端

前言 Svelte，一个语法简洁、入门容易，面向未来的前端框架。从 Svelte 诞生之初，就备受开发者的喜爱，根据统计，从 2019 年到 2024 年，连续 6 年一直是开发者最感兴趣的前端框架 No.1： Svelte …...

编程日记 2025/8/5 23:43:15

【Linux】VMware17 安装 Ubuntu24.04 虚拟机

目录安装教程一、下载 Ubuntu 桌面版iso映像二、安装 VMware 三、安装 Ubuntu 桌面版 VMware 创建虚拟机挂载 Ubuntu ISO 安装 Ubuntu 系统安装教程一、下载 Ubuntu 桌面版iso映像链接来自清华大学开源软件镜像站 ISO文件地址：ubuntu-24.04.2-des…...

编程日记 2025/8/3 14:31:01

Python functools 模块的 @lru_cache 装饰器介绍

functools.lru_cache 是 Python 标准库 functools 模块中的一个装饰器，用于实现简单的缓存机制。它通过缓存函数的返回值来提高函数的执行效率，特别是对于那些被多次调用且参数相同的函数。 LRU 缓存机制 LRU 代表 Least Recently Used，即最…...

编程日记 2025/8/6 8:17:44

JavaScript基础-节点操作

在Web开发中，动态地修改网页内容是提升用户体验的重要手段之一。通过JavaScript操作DOM（文档对象模型）中的节点，我们可以轻松地实现这一目标。本文将介绍JavaScript中关于节点操作的基础知识，涵盖创建新节点、插入节点…...

编程日记 2025/8/6 20:59:56

【数据分享】2000—2024年我国乡镇的逐月归一化植被指数（NDVI）数据（Shp/Excel格式）

之前我们分享过2000—2024年我国省市县三级逐月归一化植被指数（NDVI）数据，该数据是基于NASA定期发布的MOD13A3数据集中的月度NDVI栅格数据（可查看之前的文章获悉详情）计算得出。很多小伙伴拿到数据后反馈是否可以处理出…...

编程日记 2025/8/4 11:43:33

Linux中基本命令

目录 ls pwd cd touch mkdir rm cp mv cat less head tail find grep ls 其实大部分命令都是可执行的文件，但有一些命令比如Shell内置命令，它没有对应的独立可执行文件，而是由Shell直接解释执行的。功能：显示当前目…...

编程日记 2025/8/4 9:17:54

【时时三省】(C语言基础)习题2 scanf函数

山不在高，有仙则名。水不在深，有龙则灵。 ----CSDN 时时三省用下面的scanf函数输入数据，使a 3，b 7，x 8.5，y 71.82，c1 A，c2 x在键盘上应如何输入? 分析第一个 scanf 函数&…...

编程日记 2025/8/5 4:59:23

文件相关函数的总结与记忆

1.字符的输入输出 char ch getchar();//不需要传递参数 putchar(a)putc、getc与fputc、fgetc一致 //必须用int接受，因为返回int类型，char因为编译器不同而可能为无符号和有符号 int ch if( (ch getchar() ) ! EOF) 2.行的输入输出也可以用于二进制…...

编程日记 2025/8/5 6:30:20

爱普生SG2016CAN晶振优势和多领域应用

在当今数字化时代，从前沿的科技产品到日常的生活电器，电子设备无处不在，而晶振作为为这些设备提供稳定时钟信号的关键元件，其性能优劣直接影响着设备的整体表现。爱普生 SG2016CAN 晶振，以其卓越的性能和广泛的适用性&…...

编程日记 2025/8/5 22:47:27

MySQL身份验证的auth_socket插件

在Ubuntu 20.04 LTS上，MySQL 8.0默认使用auth_socket插件进行身份验证，可能存在意想不到的情况。一、auth_socket插件在使用sudo mysql或通过sudo切换用户后执行任何MySQL命令时，不需要输入密码或错误密码都可以正常登入mysql数据库&…...

编程日记 2025/8/4 1:17:44

人工智能之数学基础：高斯消元法求解线性方程组

本文重点前面我们已经学习过了矩阵，以及矩阵的一系列含义，相信此时此刻在你的眼中矩阵已经不是一个简单的东西了，它是线性代数中的函数。将线性方程组中的系数组成一个矩阵，就可以通过这个矩阵来求解方程组的解了，本文介绍高斯消元法求解线性方程组。线性方程组的矩阵…...

编程日记 2025/8/6 4:56:27

使用BootStrap 3的原创的模态框组件，没法弹出！估计是原创的bug

最近在给客户开发一个CRM系统，其中用到了BOOTSTRAP的模态框。版本是3。由于是刚开始用该框架。所以在正式部署到项目中前，需要测试一下，找到框架中的如下部分。需要说明的是。我用的asp.net mvc框架开发。测试也是在asp.net mvc环境下。复制…...

编程日记 2025/8/5 1:15:49

【Linux】交叉编译2

一、文章背景疑惑官方提供的SDK包的结构如下： hugohugo-virtual-machine:~$ tree -L 2 SDK SDK ├── environment-setup-aarch64-poky-linux ├── site-config-aarch64-poky-linux ├── sysroots │ ├── aarch64-poky-linux │ ├── aarch64-poky-li…...

编程日记 2025/7/31 19:16:42

C++基础 [十二] - 继承与派生

目录前言什么是继承继承的概念继承的定义基类与派生类对象的赋值转换继承的作用域派生类中的默认成员函数默认成员函数的调用构造函数与析构函数拷贝构造赋值运算符重载显示成员函数的调用构造函数拷贝构造赋值运算符重载析构函数继承与…...

编程日记 2025/8/3 6:08:33

uniapp小程序，输入框限制输入（正整数、小数后几位）

<uv-input inputAlign"right" type"number" v-model"quantity" placeholder"请输入单价"border"none" input"e > handleInput(e, 2)"/>const quantity ref() const handleInput (e, decimals) >{//…...

编程日记 2025/8/1 21:33:39

KnowGPT知识图谱整合

KnowGPT是由香港理工大学研究团队开发的一种黑盒知识注入框架，旨在通过外部知识图谱（KGs）增强大型语言模型（LLMs）在专业领域的问答能力。以下是详细介绍： 一、定义与核心功能 KnowGPT是一种通过API将知识图…...

编程日记 2025/8/1 22:57:34

深入理解MySQL中的MVCC机制

目录 1. MVCC的基本概念 2. MVCC的工作原理 2.1 数据版本的管理 2.1.1 记录的格式 2.1.2 Undo Log的作用 2.2 事务的可见性 3. Read View的作用与实现 3.1 Read View的组成 3.2 Read View的可见性判断规则 3.3 Read View的创建时机 4. Undo Log版本链 4.1 Undo Log…...

编程日记 2025/8/2 13:20:03

基于springboot的在线文档管理系统（026）

摘要随着科学技术的飞速发展，社会的方方面面、各行各业都在努力与现代的先进技术接轨，通过科技手段来提高自身的优势，在线文档管理当然也不能排除在外。在线文档管理系统是以实际运用为开发背景，运用软件工程原理和开发方法&am…...

编程日记 2025/8/1 22:03:41

【MVCC的前世今生】

一、MVCC的前世今生 MVCC 一个让爪哇开发闻风丧胆的词，因为面试必问，既然大家都知道这个问题是必问的，那就看谁理解的透彻了。在数据库系统的发展历程中，锁机制曾是处理并发的唯一选择。传统的行级锁虽然能保证数据一致性&#x…...

编程日记 2025/8/5 5:14:00

初阶数据结构（C语言实现）——6.1插入排序详解（思路图解+代码实现）

目录 1 插入排序基本思想：2 直接插入2.1 直接插入排序思想：2.2 直接插入排序代码实现：2.2.1 单趟直接插入排序实现2.2.2 整体直接插入排序实现 3 希尔排序( 缩小增量排序 )3.1希尔排序( 缩小增量排序 )思想3.2 希尔排序代码实现3.2.1单趟排序…...

编程日记 2025/8/1 19:32:05

JAVA 中的 HashSet 工作原理

‌1. 底层数据结构‌ ‌依赖 HashMap 存储元素‌： HashSet 内部维护了一个 HashMap 实例，元素作为 HashMap 的 ‌Key‌ 存储，而所有的 ‌Value‌ 统一指向一个静态的 PRESENT 对象（占位符）。 // HashSet 源码片段 pri…...

编程日记 2025/7/30 13:54:48

mysql连接池

本文主要探讨mysql连接池的实现。 readme *****************************************************mysql连接池 *****************************************************概述：高并发情况下，大量TCP三次握手、MySQL Server连接认证、MySQL Server关闭连…...

编程日记 2025/8/1 6:51:31

领码科技：在低代码技术浪潮中的分享与探索

前言： 25年的职业生涯，赋予了我深厚的技术积累与实践经验。从武汉大学的工测系毕业，到央企副总工的职位，我始终站在IT浪潮的最前沿。然而，离开企业后，我并未停止前行的脚步。从2024年11月起，我选…...

编程日记 2025/8/5 17:51:45

闻所闻尽：穿透声音的寂静，照见生命的本真

在《楞严经》的梵音缭绕中，"闻所闻尽"四个字如晨钟暮鼓，叩击着每个修行者的心门。这个源自观世音菩萨耳根圆通法门的核心概念，既是佛门修行的次第指引，更蕴含着东方哲学对生命本质的终极叩问。当我们穿越时空的帷幕&…...

编程日记 2025/8/4 8:18:54

蓝桥与力扣刷题（蓝桥三角形面积）

题目： 如上图所示。图中的所有小方格面积都是 1。那么，图中的三角形面积应该是多少呢？ 本题为填空题，只需要算出结果后，在代码中使用输出语句将所填结果输出即可。解题思路＋代码： 代码&…...

编程日记 2025/8/4 1:20:27

Linux信号：一场内核与用户空间的暗战

在Linux系统的黑暗森林中，每个进程都是小心翼翼的猎人。当一束神秘的信号光划过天际，内核瞬间变身信号调度大师，在进程的生死簿上书写着命运。这场跨越用户空间与内核态的博弈，远比表面看到的更加惊心动魄。一、信号诞生的量子…...

编程日记 2025/7/31 14:44:51

Spring Boot 异步返回对象深度解析

前言在现代高并发、高响应的应用场景中，Spring Boot 的异步处理能力是提升系统吞吐量和用户体验的关键技术之一。无论是实时数据推送、大文件传输，还是复杂异步任务调度，Spring Boot 提供了多种灵活的异步处理机制以满足不同需求。本文将从…...

编程日记 2025/8/5 8:53:43

Android Compose 基础布局之 Box 和 Stack 源码深度剖析(九)

Android Compose 基础布局之 Box 和 Stack 源码深度剖析一、引言 1.1 Android 开发中布局的重要性在 Android 应用开发里，布局是构建用户界面（UI）的关键环节。良好的布局设计能够提升用户体验，使应用界面更加美观、易用且具有…...

编程日记 2025/8/4 1:18:26

【强化学习】Reward Model（奖励模型）详细介绍

📢本篇文章是博主强化学习（RL）领域学习时，用于个人学习、研究或者欣赏使用，并基于博主对相关等领域的一些理解而记录的学习摘录和笔记，若有不当和侵权之处，指出后将会立即改正，还望谅…...

编程日记 2025/8/5 21:49:14

UE5材质法线强度控制节点FlattenNormal

连法 FlattenNormal内部是这样的 FlattenNormal的作用是用来调整法线强度连上FlattenNormal后拉高数值...

编程日记 2025/7/19 19:05:14

＜项目＞主从Reactor模型的高并发服务器

目录 Reactor 概念分类单Reactor单线程单Reactor多线程多Reactor多线程项目介绍项目规划模块关系实现 TimerWheel -- 时间轮定时器定时器系统调用时间轮设计通用类型Any Buffer Socket Channel Poller EventLoop（核心） eventfd 设计思路 …...

编程日记 2025/8/4 18:20:40

python爬虫解析器bs4，xpath，pquery

0x00 bs4 解析器的作用就是可以直接解析html页面，可以直接从网页中提取标签中的内容，而不用在使用正则表达式进行提起数据 import requests from bs4 import BeautifulSoup html_content <li id123><a hrefdfsdf>123</a>789</l…...

编程日记 2025/8/6 14:18:26

分析K8S中Node状态为`NotReady`问题

在Kubernetes（k8s）集群中，Node状态为NotReady通常意味着节点上存在某些问题，下面为你分析正常情况下节点应运行的容器以及解决NotReady状态的方法。正常情况下Node节点应运行的容器 1. kubelet kubelet是节点上的核心组件&…...

编程日记 2025/8/2 13:19:14

【最后203篇系列】021 Q201再计划

忙了一周，终于到周末有时间再细细想这个问题了。这周还是不经意的弥补了kv硬盘存储库这个小空白的，这样也有助于构建更好的Q201。计划是到6.1再发版，之所以留那么长时间，一方面是因为平时的确忙，另一方面则是可以有更…...

编程日记 2025/7/19 12:01:44

CA 机构如何防止中间人攻击

在现代互联网中，中间人攻击（Man-in-the-Middle Attack，简称 MITM）是一种常见的网络攻击方式，攻击者通过拦截和篡改通信双方的信息，进而窃取敏感数据或执行恶意操作。为了防止中间人攻击，证书颁发…...

编程日记 2025/8/6 4:54:25

CUL-CHMLFRP启动器 windows图形化客户端

CUL-CHMLFRP启动器 windows图形化客户端基于v2 api开发的chmlfrp ui版本的第三方客户端 CUL原名CHMLFRP_UI CUL顾名思义为CHMLFRP-UI-Launcher 下载地址：https://cul.lanzoul.com/b00pzv3oyj 密码:ff50 下载解压运行即可（仅支持win7以上版本&#xf…...

编程日记 2025/8/4 12:17:18

C语言基础08

内容提要数组排序算法：冒泡排序二维数组字符数组数组冒泡排序排序思想（向前冒泡） 一次只排好一个数，针对n个数，最差情况需要n-1次就可以排好每次排序假定第一个元素是最大或者最小，用第一个…...

编程日记 2025/7/31 20:34:09

基于javaweb的SpringBoot儿童爱心管理系统设计与实现(源码+文档+部署讲解）

技术范围：SpringBoot、Vue、SSM、HLMT、Jsp、PHP、Nodejs、Python、爬虫、数据可视化、小程序、安卓app、大数据、物联网、机器学习等设计与开发。主要内容：免费功能设计、开题报告、任务书、中期检查PPT、系统功能实现、代码编写、论文编写和辅导、论…...

编程日记 2025/8/4 19:49:21

深度学习：从零开始的DeepSeek-R1-Distill有监督微调训练实战（SFT）

原文链接：从零开始的DeepSeek微调训练实战（SFT） 微调参考示例：由unsloth官方提供https://colab.research.google.com/github/unslothai/notebooks/blob/main/nb/Qwen2.5_(7B)-Alpaca.ipynbhttps://colab.research.google.com/git…...

编程日记 2025/8/1 23:07:13

JavaScript |（五）DOM简介 | 尚硅谷JavaScript基础实战

学习来源：尚硅谷JavaScript基础&实战丨JS入门到精通全套完整版笔记来源：在这位大佬的基础上添加了一些东西，欢迎大家支持原创，大佬太棒了：JavaScript |（五）DOM简介 | 尚硅谷JavaScript基础…...

编程日记 2025/8/6 11:03:21

模型整合-cherry studio+mysql_mcp_server服务配置

一、什么是MCP MCP（Model Context Protocol）是模型上下文协议，它允许大型语言模型（LLM）通过协议与外部工具或服务交互，动态获取实时数据或执行操作。简单来说，它让模型不再局限于静态知识库&…...

编程日记 2025/8/5 6:31:03

【QA】装饰模式在Qt中有哪些运用？

在Qt框架中，装饰模式（Decorator Pattern）主要通过继承或组合的方式实现，常见于IO设备扩展和图形渲染增强场景。以下是Qt原生实现的装饰模式典型案例： 一、QIODevice装饰体系（继承方式） 场景 …...

编程日记 2025/8/4 8:05:47

window 设置自动开启/关闭程序（分享）

打开计算机管理 winr 输入 compmgmt.msc 找到任务计划程序创建任务设置开启任务常规：添加名称与描述触发器：新建触发时间与次数操作：新建执行程序添加任务对应的位置以便修改设置关闭任务添加批处理文件，写完后吧 .…...

编程日记 2025/8/3 20:52:46

QT布局笔记

在 Qt 中，如果你希望将一个 QGroupBox 放置在水平布局（QHBoxLayout）的上方，可以通过将它们添加到一个垂直布局（QVBoxLayout）中来实现。垂直布局会将子布局或子控件按垂直顺序排列，因此 QGroupBo…...

编程日记 2025/7/31 18:46:01

【LLM大模型】LangChain学习

大模型对话 from langchain.chat_models import ChatOpenAI # 内置对话模型 from langchain.schema import HumanMessage, SystemMessage, AIMessage # 用户提示词，系统提示词， AI响应chat ChatOpenAI(temperature0.7, openai_api_keyxxxxxxxxxxxx) #…...

编程日记 2025/8/4 10:42:28

SpringBoot实战（三十二）集成 ofdrw，实现 PDF 和 OFD 的转换、SM2 签署OFD

目录一、OFD 简介 1.1 什么是 OFD？1.2 什么是版式文档？1.3 为什么要用 OFD 而不是PDF？ 二、ofdrw 简介 2.1 定义2.2 Maven 依赖2.3 ofdrw 的 13 个模块三、PDF/文本/图片转 OFD（ofdrw-conterver） 3.1 介绍&#xf…...

编程日记 2025/8/5 23:19:21

SolidWorks使用显卡教程

操作步骤： 打开注册表编辑器按下键盘上的 Win R 组合键，输入 regedit 并按回车键，打开注册表编辑器。导航到显卡信息路径在注册表中依次展开以下路径： plaintext HKEY_CURRENT_USER\Software\SolidWorks\SOLIDWORKS 2021\Per…...

编程日记 2025/8/6 6:55:25

mysql 查询进程查看并释放

在MySQL中，查看和管理进程（例如查询、连接等）是数据库维护和性能调优的重要部分。以下是一些常用的方法来查看MySQL进程并释放它们。 1. 查看进程你可以使用SHOW PROCESSLIST命令来查看当前MySQL服务器上的所有进程。这个命令会显示正在执…...

编程日记 2025/8/5 13:26:40

C++代码2-多目标算法求解车辆路径规划

为了解决车辆路径规划问题，我们需要在同一模型中同时考虑多个目标，其中一个目标是降低运营总成本，而另一个目标是降低总的碳排放量。使用组合算法，包括人工蜂群算法（Artificial Bee Colony, ABC）、模拟退火算法（Simulated Annealing, SA）、以及多目标优化算法MODAD（Mu…...

编程日记 2025/8/4 7:20:23