当前位置：首页 > news >正文

TensorFlow实现逻辑回归

news 来源：原创 2025/5/8 19:44:09

前言

实现逻辑回归的套路和实现线性回归差不多, 只不过逻辑回归的目标函数和损失函数不一样而已.

TensorFlow实现逻辑回归

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs# 生成二分类数据集
data, target = make_blobs(centers=2)
plt.scatter(data[:, 0], data[:, 1], c=target)
plt.show()# 初始化参数 (修复维度)
w = tf.Variable(initial_value=np.random.randn(2, 1) * 0.01, dtype=tf.float32)  # 二分类只需 1 个输出单元
b = tf.Variable(initial_value=0.0, dtype=tf.float32)# 输入数据（无需对 target 做 one-hot 编码）
x = tf.constant(data, dtype=tf.float32)
y = tf.constant(target.reshape(-1, 1), dtype=tf.float32)  # 目标形状为 (100, 1)# 定义模型输出（logits）
def logits(x):return tf.matmul(x, w) + b  # 输出形状 (100, 1)# 定义损失函数（二元交叉熵）
def loss(y_true, y_pred):y_pred = tf.clip_by_value(y_pred, 1e-9, 1.0)return -tf.reduce_mean(y_true * tf.math.log(y_pred) + (1 - y_true) * tf.math.log(1 - y_pred))# 定义优化器
optimizer = tf.optimizers.SGD(0.001)# 定义训练步骤
def run_optimization():with tf.GradientTape() as g:pred = tf.sigmoid(logits(x))  # 使用 sigmoid 激活函数cost = loss(y, pred)gradients = g.gradient(cost, [w, b])optimizer.apply_gradients(zip(gradients, [w, b]))# 定义准确率计算
def accuracy(y_true, y_pred):y_pred_class = tf.cast(y_pred > 0.5, dtype=tf.float32)  # 概率转类别return tf.reduce_mean(tf.cast(tf.equal(y_true, y_pred_class), dtype=tf.float32))# 开始训练
for i in range(1, 10001):run_optimization()if i % 100 == 0:y_pred_prob = tf.sigmoid(logits(x))acc = accuracy(y, y_pred_prob)loss_ = loss(y, y_pred_prob)print(f'Step {i}, 准确率: {acc.numpy()}, 损失: {loss_.numpy()}')

结果如下：
在这里插入图片描述

Step 100, 准确率: 1.0, 损失: 0.4105553925037384
Step 200, 准确率: 1.0, 损失: 0.28594353795051575
Step 300, 准确率: 1.0, 损失: 0.21672113239765167
Step 400, 准确率: 1.0, 损失: 0.17359928786754608
Step 500, 准确率: 1.0, 损失: 0.1445026844739914
Step 600, 准确率: 1.0, 损失: 0.12367361038923264
Step 700, 准确率: 1.0, 损失: 0.10807851701974869
Step 800, 准确率: 1.0, 损失: 0.09598751366138458
Step 900, 准确率: 1.0, 损失: 0.08634963631629944
Step 1000, 准确率: 1.0, 损失: 0.07849213480949402
Step 1100, 准确率: 1.0, 损失: 0.07196593284606934
Step 1200, 准确率: 1.0, 损失: 0.06646033376455307
Step 1300, 准确率: 1.0, 损失: 0.061753835529088974
Step 1400, 准确率: 1.0, 损失: 0.05768435448408127
Step 1500, 准确率: 1.0, 损失: 0.054130859673023224
Step 1600, 准确率: 1.0, 损失: 0.0510009303689003
Step 1700, 准确率: 1.0, 损失: 0.048222970217466354
Step 1800, 准确率: 1.0, 损失: 0.04574064165353775
Step 1900, 准确率: 1.0, 损失: 0.04350901022553444
Step 2000, 准确率: 1.0, 损失: 0.04149177670478821
Step 2100, 准确率: 1.0, 损失: 0.039659276604652405
Step 2200, 准确率: 1.0, 损失: 0.03798716142773628
Step 2300, 准确率: 1.0, 损失: 0.03645514324307442
Step 2400, 准确率: 1.0, 损失: 0.035046208649873734
Step 2500, 准确率: 1.0, 损失: 0.03374601528048515
Step 2600, 准确率: 1.0, 损失: 0.03254235163331032
Step 2700, 准确率: 1.0, 损失: 0.031424783170223236
Step 2800, 准确率: 1.0, 损失: 0.030384326353669167
Step 2900, 准确率: 1.0, 损失: 0.02941320464015007
Step 3000, 准确率: 1.0, 损失: 0.02850465290248394
Step 3100, 准确率: 1.0, 损失: 0.027652768418192863
Step 3200, 准确率: 1.0, 损失: 0.026852363720536232
Step 3300, 准确率: 1.0, 损失: 0.026098856702446938
Step 3400, 准确率: 1.0, 损失: 0.025388216599822044
Step 3500, 准确率: 1.0, 损失: 0.024716870859265327
Step 3600, 准确率: 1.0, 损失: 0.02408158965408802
Step 3700, 准确率: 1.0, 损失: 0.0234795231372118
Step 3800, 准确率: 1.0, 损失: 0.022908106446266174
Step 3900, 准确率: 1.0, 损失: 0.0223650261759758
Step 4000, 准确率: 1.0, 损失: 0.021848207339644432
Step 4100, 准确率: 1.0, 损失: 0.02135578542947769
Step 4200, 准确率: 1.0, 损失: 0.020886056125164032
Step 4300, 准确率: 1.0, 损失: 0.02043745294213295
Step 4400, 准确率: 1.0, 损失: 0.020008569583296776
Step 4500, 准确率: 1.0, 损失: 0.019598128274083138
Step 4600, 准确率: 1.0, 损失: 0.01920494996011257
Step 4700, 准确率: 1.0, 损失: 0.01882794313132763
Step 4800, 准确率: 1.0, 损失: 0.018466131761670113
Step 4900, 准确率: 1.0, 损失: 0.01811859756708145
Step 5000, 准确率: 1.0, 损失: 0.01778450421988964
Step 5100, 准确率: 1.0, 损失: 0.0174630805850029
Step 5200, 准确率: 1.0, 损失: 0.01715361326932907
Step 5300, 准确率: 1.0, 损失: 0.016855429857969284
Step 5400, 准确率: 1.0, 损失: 0.016567926853895187
Step 5500, 准确率: 1.0, 损失: 0.016290517523884773
Step 5600, 准确率: 1.0, 损失: 0.0160226970911026
Step 5700, 准确率: 1.0, 损失: 0.015763945877552032
Step 5800, 准确率: 1.0, 损失: 0.015513807535171509
Step 5900, 准确率: 1.0, 损失: 0.015271877869963646
Step 6000, 准确率: 1.0, 损失: 0.015037745237350464
Step 6100, 准确率: 1.0, 损失: 0.014811034314334393
Step 6200, 准确率: 1.0, 损失: 0.014591369777917862
Step 6300, 准确率: 1.0, 损失: 0.014378437772393227
Step 6400, 准确率: 1.0, 损失: 0.014171929098665714
Step 6500, 准确率: 1.0, 损失: 0.013971567153930664
Step 6600, 准确率: 1.0, 损失: 0.013777065090835094
Step 6700, 准确率: 1.0, 损失: 0.013588163070380688
Step 6800, 准确率: 1.0, 损失: 0.01340463850647211
Step 6900, 准确率: 1.0, 损失: 0.013226241804659367
Step 7000, 准确率: 1.0, 损失: 0.013052761554718018
Step 7100, 准确率: 1.0, 损失: 0.012884002178907394
Step 7200, 准确率: 1.0, 损失: 0.01271976437419653
Step 7300, 准确率: 1.0, 损失: 0.012559876777231693
Step 7400, 准确率: 1.0, 损失: 0.012404152192175388
Step 7500, 准确率: 1.0, 损失: 0.012252428568899632
Step 7600, 准确率: 1.0, 损失: 0.012104558758437634
Step 7700, 准确率: 1.0, 损失: 0.01196039654314518
Step 7800, 准确率: 1.0, 损失: 0.011819805018603802
Step 7900, 准确率: 1.0, 损失: 0.01168263703584671
Step 8000, 准确率: 1.0, 损失: 0.011548792943358421
Step 8100, 准确率: 1.0, 损失: 0.011418122798204422
Step 8200, 准确率: 1.0, 损失: 0.011290528811514378
Step 8300, 准确率: 1.0, 损失: 0.011165900155901909
Step 8400, 准确率: 1.0, 损失: 0.01104412879794836
Step 8500, 准确率: 1.0, 损失: 0.010925106704235077
Step 8600, 准确率: 1.0, 损失: 0.010808765888214111
Step 8700, 准确率: 1.0, 损失: 0.010695010423660278
Step 8800, 准确率: 1.0, 损失: 0.010583736933767796
Step 8900, 准确率: 1.0, 损失: 0.010474861599504948
Step 9000, 准确率: 1.0, 损失: 0.010368350893259048
Step 9100, 准确率: 1.0, 损失: 0.01026405580341816
Step 9200, 准确率: 1.0, 损失: 0.01016198005527258
Step 9300, 准确率: 1.0, 损失: 0.010061997920274734
Step 9400, 准确率: 1.0, 损失: 0.009964067488908768
Step 9500, 准确率: 1.0, 损失: 0.009868137538433075
Step 9600, 准确率: 1.0, 损失: 0.009774118661880493
Step 9700, 准确率: 1.0, 损失: 0.00968195591121912
Step 9800, 准确率: 1.0, 损失: 0.009591614827513695
Step 9900, 准确率: 1.0, 损失: 0.009503037668764591
Step 10000, 准确率: 1.0, 损失: 0.009416175074875355

TensorFlow实现逻辑回归

目录前言TensorFlow实现逻辑回归前言实现逻辑回归的套路和实现线性回归差不多, 只不过逻辑回归的目标函数和损失函数不一样而已. TensorFlow实现逻辑回归 import tensorflow as tf import numpy as np import matplotlib.pyplot as plt from sklearn.datasets import mak…...

编程日记 2025/5/8 19:44:09

第十四届蓝桥杯大赛软件赛省赛Python 大学 C 组：6.棋盘

题目1 棋盘小蓝拥有 nn 大小的棋盘，一开始棋盘上全都是白子。小蓝进行了 m 次操作，每次操作会将棋盘上某个范围内的所有棋子的颜色取反(也就是白色棋子变为黑色，黑色棋子变为白色)。请输出所有操作做完后棋盘上每个棋子的颜色。输入格…...

编程日记 2025/5/5 0:10:13

电商场景下高稳定性数据接口的选型与实践

在电商系统开发中，API接口需要应对高并发请求、动态数据更新和复杂业务场景。我将重点解析电商场景对数据接口的特殊需求及选型方案。一、电商API必备的四大核心能力千万级商品数据实时同步支持SKU基础信息/价格/库存多维度更新每日增量数据抓取与历史版本对比…...

编程日记 2025/5/6 23:29:17

内网服务器centos7安装jdk17

1. 下载 JDK 17 安装包（在外网环境操作） 在可联网的机器上下载 JDK 17 的压缩包（推荐使用 OpenJDK）： OpenJDK 官方源： Adoptium Eclipse Temurin Azul Zulu 直接下载命令示例（在外网机器上执行…...

编程日记 2025/5/1 8:29:12

Git 使用教程

Git 使用教程 Git 是目前最流行的分布式版本控制系统，它能够高效地管理代码，并支持团队协作开发。本文将介绍 Git 的基本概念、常用命令以及如何在实际项目中使用 Git 进行版本控制。 1. Git 基本概念在使用 Git 之前，需要了解以下几个基…...

编程日记 2025/5/5 0:24:24

【无标题】跨网段耦合器解决欧姆龙CJ系列PLC通讯问题案例

欧姆龙CJ系列PLC不同网段的通讯问题一、项目背景某大型制造企业的生产车间内，采用了多台欧姆龙CJ系列PLC对生产设备进行控制。随着企业智能化改造的推进，需要将这些PLC接入工厂的工业以太网，以便实现生产数据的实时采集、远程监控以及与企业…...

编程日记 2025/5/2 3:57:03

导入库 import numpy as np import pandas as pd # import matplotlib.pyplot as plt #交互环境中不需要导入 import seaborn as sns sns.set_context({figure.figsize:[8, 6]}) # 设置图大小 # 屏蔽警告 import warnings warnings.filterwarnings("ignore")关系图 …...

编程日记 2025/5/5 2:29:39

【C++进阶四】vector模拟实现

目录 1.构造函数（1）无参构造（2）带参构造函数（3）用迭代器构造初始化函数（4）拷贝构造函数 2.operator= 3.operator[] 4.size() 5.capacity() 6.push_back 7.reserve 8.迭代器（vector的原生指针） 9.resize 10.pop_back 11.insert 12.erase 13.memcpy…...

编程日记 2025/5/8 19:40:44

14使用按钮实现helloworld(1)

目录还可以通过按钮的方式来创建 hello world 涉及Qt 中的信号槽机制本质就是给按钮的点击操作,关联上一个处理函数当用户点击的时候就会执行这个处理函数 connect（谁发的信号， 信号类型， 谁来处理这个信息， 怎么处理的&…...

编程日记 2025/5/6 21:25:39

嵌入式EMC设计面试题及参考答案

目录解释 EMC（电磁兼容性）的定义及其两个核心方面（EMI 和 EMS）电磁兼容三要素及相互关系为什么产品必须进行 EMC 设计？列举至少三个实际工程原因分贝（dB）在 EMC 测试中的作用是什么？为何采用对数单位描述干扰强度？传导干扰与辐射干扰的本质区别及典型频率范围…...

编程日记 2025/4/30 2:40:13

cursor的.cursorrules详解

文章目录 1. 文件位置与作用2. 基本语法规则3. 常用规则类型与示例3.1 忽略文件/目录3.2 限制代码生成范围3.3 自定义补全建议3.4 安全规则 4. 高级用法4.1 条件规则4.2 正则表达式匹配4.3 继承规则 5. 示例文件6. 注意事项 Cursor 是一款基于 AI 的智能代码编辑器，…...

编程日记 2025/5/7 5:58:59

Opencv计算机视觉编程攻略-第七节提取直线、轮廓和区域

第七节提取直线、轮廓和区域 1.用Canny 算子检测图像轮廓2.用霍夫变换检测直线；3.点集的直线拟合4.提取连续区域5.计算区域的形状描述子图像的边缘区域勾画出了图像含有重要的视觉信息。正因如此，边缘可应用于目标识别等领域。但是简单的二值边缘分布图…...

编程日记 2025/5/8 19:39:20

清明假期在即

2025年4月2日，6~22℃，一般遇见的事：这么都是清明出去玩？你们不扫墓的么。感受到的情绪：当精力不放在一个人身上，你就会看到很多人，其实可以去接触的。反思：抖音上那么多不幸和幸…...

编程日记 2025/5/6 19:54:15

数字孪生技术解析：开启虚拟与现实融合新时代

一、数字孪生技术的概念与原理数字孪生技术是一种通过构建物理对象的数字映射，实现虚拟与现实同步的技术。该技术集成了物联网、云计算、人工智能、大数据等多种前沿技术，能够对物理世界进行全方位的仿真和管理。在数字孪生技术中，物理建模…...

编程日记 2025/5/5 17:50:50

Docker Registry 清理镜像最佳实践

文章目录 registry-clean1. 简介2. 功能3. 安装 docker4. 配置 docker5. 配置域名解析6. 部署 registry7. Registry API 管理8. 批量清理镜像9. 其他10. 参考 registry-clean 1. 简介 registry-clean 是一个强大而高效的解决方案，旨在简化您的 Docker 镜像仓库管理…...

编程日记 2025/5/8 19:25:40

进程间的通信

一.理解 1.进程间通信的目的数据传输，资源共享，通知事件，进程控制 2.进程间通信的本质先让不同的进程看到"同一份"资源（该资源只能由OS系统提供，不能由任何一个进程提供） 3.具体通信方式 …...

编程日记 2025/4/26 17:45:49

当实时消费遇到 SPL：让数据处理更高效、简单

作者：豁朗通过 SPL 消费，将业务逻辑“左移” SLS 对实时消费进行了功能升级，推出了基于 SPL 的规则消费功能。在实时消费过程中，用户只需通过简单的 SPL 配置即可完成服务端的数据清洗和预处理操作。通过SPL消费可以将客户端复…...

编程日记 2025/5/8 19:31:10

Python----机器学习（线性回归：反向传播和梯度下降）

一、前向传播与反向传播的区别前向传播是在参数固定后，向公式中传入参数，进行预测的一个过程。当参数值选择的不恰当时，会导致最后的预测值不符合我们的预期，于是我们就需要重新修改参数值。在前向传播实验中时，我…...

编程日记 2025/5/8 19:34:26

如何平衡元器件成本与性能

要平衡元器件成本与性能，企业应当明确设计需求和目标、优化元器件选型策略、建立成本性能评估体系、推进标准化设计、加强供应链管理。其中，优化元器件选型策略尤其关键，它直接关系到产品的成本、性能与生命周期。在选型时，工程师…...

编程日记 2025/5/8 19:25:40

java项目分享-分布式电商项目附软件链接

今天来分享一下github上最热门的开源电商项目安装部署，star 12.2k，自行安装部署历时两天，看了这篇文章快的话半天搞定！该踩的坑都踩完了，软件也打包好了就差喂嘴里。项目简介 mall-swarm是一套微服务商城系统&#xf…...

编程日记 2025/5/1 5:51:58

低代码框架

在数字化转型浪潮中，软件开发的效率与成本成为企业关注的焦点。低代码框架应运而生，以其独特的开发模式，打破了传统软件开发的壁垒，为企业和开发者带来了全新的解决方案。那么，究竟什么是低代码框架呢？ …...

编程日记 2025/4/30 2:56:22

Git Reset 命令详解与实用示例

文章目录 Git Reset 命令详解与实用示例git reset 主要选项git reset 示例1. 撤销最近一次提交（但保留更改）2. 撤销最近一次提交，并清除暂存区3. 彻底撤销提交，并丢弃所有更改4. 回退到特定的提交5. 取消暂存的文件 git reset 与 …...

编程日记 2025/5/8 19:39:20

多层内网渗透测试虚拟仿真实验环境（Tomcat、ladon64、frp、Weblogic、权限维持、SSH Server Wrapper后门）

在线环境：https://www.yijinglab.com/ 拓扑图信息收集 IP地址扫描确定目标IP为10.1.1.121 全端口扫描访问靶机8080端口，发现目标是一个Tomcat服务，版本...

编程日记 2025/5/8 19:40:44

＜贪心算法＞

前言：在主包还没有接触算法的时候，就常听人提起“贪心”，当时是layman，根本不知道说的是什么，以为很难呢，但去了解一下，发现也不过如此嘛（bushi)，还以为是什么高级东西呢…...

编程日记 2025/5/4 22:51:39

使用PyTorch实现GoogleNet（Inception）并训练Fashion-MNIST

GoogleNet（又称Inception v1）是2014年ILSVRC冠军模型，其核心创新是Inception模块，通过并行多尺度卷积提升特征提取能力。本文将展示如何用PyTorch实现GoogleNet，并在Fashion-MNIST数据集上进行训练。 1. 环境准备 im…...

编程日记 2025/5/8 19:22:30

KingbaseES物理备份还原之备份还原

此篇续接上一篇<<KingbaseES物理备份还原之物理备份>>,上一篇写物理备份相关操作,此篇写备份还原的具体操作步骤. KingbaseES版本:V009R004C011B003 一.执行最新物理备份还原 --停止数据库服务,并创建物理备份还原测试目录 [V9R4C11B3192-168-198-198 V8]$ sys_ct…...

编程日记 2025/5/8 19:29:50

Unity Standard Shader 解析（二）之ForwardAdd（标准版）

一、ForwardAdd // Additive forward pass (one light per pass)Pass{Name "FORWARD_DELTA"Tags { "LightMode" "ForwardAdd" }Blend [_SrcBlend] OneFog { Color (0,0,0,0) } // in additive pass fog should be blackZWrite OffZTest LEqual…...

编程日记 2025/5/7 17:45:18

.NET 使用 WMQ 连接Queue 发送 message 实例

1. 首先得下载客户端，没有客户端无法发送message. 安装好之后长这样我装的是7.5 安装目录如下 tools/dotnet 目录中有演示的demo 2. .Net 连接MQ必须引用bin目录中的 amqmdnet.dll 因为他是创建Queuemanager 的核心库， 项目中引用using IBM.WMQ; 才…...

编程日记 2025/5/4 3:35:23

设计模式之单例模式

视频链接： 设计模式|狂神说单例模式是什么？ 单例模式是确保一个类在整个应用程序中只有一个实例，并提供一个全局方法访问这个实例。单例模式分为饿汉式和懒汉式。饿汉式单例饿汉式顾名思义就是，程序一启动就创建这个单例bea…...

编程日记 2025/4/28 15:14:58

从入门到入土，SQLServer 2022慢查询问题总结

列为，由于公司原因，作者接触了一个SQLServer 2022作为数据存储到项目，可能是上一任的哥们儿离开的时候带有情绪，所以现在项目的主要问题就是，所有功能都实现了，但是就是慢，列表页3s打底，客户很生气，经过几周摸爬滚打，作以下总结，作为自己的成长记录。一、索引问题…...

编程日记 2025/5/7 5:16:48

大语言模型在端到端智驾中的应用

大语言模型在端到端智驾中的应用双系统端到端小鹏：AI天玑系统—神经网络XNet规控大模型XPlanner大语言模型XBrain 商汤绝影：DriveAGI 理想：端到端VLM VLA端到端 Waymo：EMMA OPENEMMA Wayve：LINGO-2...

编程日记 2025/5/7 11:42:34

【深度学习量化交易19】行情数据获取方式比测（1）——基于miniQMT的量化交易回测系统开发实记

我是Mr.看海，我在尝试用信号处理的知识积累和思考方式做量化交易，应用深度学习和AI实现股票自动交易，目的是实现财务自由~ 目前我正在开发基于miniQMT的量化交易系统——看海量化交易系统。经常使用MiniQMT的朋友都知道，xtquant的…...

编程日记 2025/5/8 8:07:20

《网络管理》实践环节03：snmp服务器上对网络设备和服务器进行初步监控

兰生幽谷，不为莫服而不芳； 君子行义，不为莫知而止休。应用拓扑图 3.0准备工作所有Linux服务器上（服务器和Agent端）安装下列工具 yum -y install net-snmp net-snmp-utils 保证所有的HCL网络设备和服务器相互间能…...

编程日记 2025/5/6 17:41:36

linux操作系统

1.linux进程管理操作系统都有进程的概念查看和关闭程序 2.关闭进程 3,查看计算机硬件信息 4.定时任务...

编程日记 2025/4/11 7:19:05

Python基础语法 - 判断语句

Python基础语法 - 判断语句 1. if语句 if 条件:# 条件为True时执行的代码示例 age 18 if age > 18:print("您已成年")2. if-else语句 if 条件:# 条件为True时执行的代码 else:# 条件为False时执行的代码示例 age 16 if age > 18:print("您已成年&q…...

编程日记 2025/5/6 23:13:38

c++柔性数组、友元、类模版

目录 1、柔性数组： 2、友元函数： 3、静态成员注意事项面试题：c/c static的作用? C语言： C: 为什么可以创建出 objx 4、对象与对象之间的关系 5、类模版 1、柔性数组： #define _CRT_SECURE_NO_WARNINGS #…...

编程日记 2025/5/5 4:31:53

电子技术基础

目录一、整体概述二、知识点梳理及考点分析 （一）半导体器件 （二）基本放大电路 （三）功率放大电路 （四）集成运算放大器 （五）直流稳压电源 &#xff0…...

编程日记 2025/5/8 13:09:05

解码大模型时代算力基座的隐形引擎

在千亿参数大模型竞速的今天，算力军备竞赛已进入白热化阶段。当我们聚焦GPU集群的运算峰值时，一个关键命题正在浮出水面：支撑大模型全生命周期的存力基座，正在成为制约AI进化的关键变量。绿算技术将深入解剖大模型训练与推理场景中…...

编程日记 2025/4/27 3:43:08

【NetCore】ControllerBase：ASP.NET Core 中的基石类

ControllerBase：ASP.NET Core 中的基石类一、什么是 ControllerBase？二、ControllerBase 的主要功能三、ControllerBase 的常用属性四、ControllerBase 的常用方法2. 模型绑定与验证3. 依赖注入五、ControllerBase 与 Controller 的区别六、实际开发中的最佳实践七、总结在 …...

编程日记 2025/5/4 15:49:50

人工智能之数学基础:矩阵分解之LU分解

本文重点 LU分解是线性代数中一种重要的矩阵分解方法，它将一个方阵分解为一个下三角矩阵（L）和一个上三角矩阵（U）的乘积。这种分解方法在数值线性代数中有着广泛的应用，特别是在求解线性方程组、计算矩阵的行列式、求逆矩阵等方面。 LU分解的基本概念设A是一个nn的方阵…...

编程日记 2025/5/7 10:17:07

C#核心学习（六）面向对象--封装（5）静态成员及静态构造函数和静态类以及和常量的区别

目录一、什么是静态的？什么是常量？ 1. 静态（Static） 2. 常量（const） 二、类中的静态成员有什么用？ 1. 共享数据 2. 工具方法与全局配置 3. 单例模式三、静态类和静态成…...

编程日记 2025/5/2 10:11:30

去中心化稳定币机制解析与产品策略建议

去中心化稳定币机制解析与产品策略建议（以Maker/DAI为例） 一、核心机制对比：法币抵押型 vs. 加密货币抵押型法币抵押型（如USDT） 技术逻辑：1:1美元储备托管于中心化机构（如银行）&…...

编程日记 2025/5/5 0:42:51

构造超小程序

文章目录构造超小程序1 编译器-大小优化2 编译器-移除 C 异常3 链接器-移除所有依赖库4 移除所有函数依赖_RTC_InitBase() _RTC_Shutdown()__security_cookie __security_check_cookie()__chkstk() 5 链接器-移除清单文件6 链接器-移除调试信息7 链接器-关闭随机基址8 移除异常…...

编程日记 2025/4/3 11:16:55

JSONP跨域访问漏洞

一、漏洞一:利用回调GetCookie <?php$conn new mysqli(127.0.0.1,root,root,learn) or die("数据库连接不成功"); $conn->set_charset(utf8); $sql "select articleid,author,viewcount,creattime from learn3 where articleid < 5"; $result…...

编程日记 2025/5/5 11:40:50

数据结构优化DP总结

单调栈：Codeforces Round 622 (Div. 2) C2. Skyscrapers (hard version) 简单来讲就是最后需要呈现出一个单峰数组，使得总高度最高。最开始想到暴力枚举每一个元素都充当最高的“单峰”，但是这里的 n 过大，这样枚举肯定会TLE。 …...

编程日记 2025/5/4 11:51:58

Linux网络相关概念和重要知识（4）（序列化和反序列化、TCP协议、会话和守护进程）

目录 1.序列化和反序列化 （1）为什么需要序列化 （2）序列化方案 ①json ②json序列化代码模板 ③json反序列化代码模板 ④将自定义方案和json结合 2.TCP协议（传输控制协议） （1&#xff09…...

编程日记 2025/5/6 10:56:59

[MySQL初阶]MySQL数据库基础

MySQL数据库基础 1. 数据库基础1.1 什么是数据库1.2 主流数据库2. 数据库的基本使用2.1 连接服务器2.2 使用案例2.3 数据逻辑存储3. MySQL架构与分类3.1 MySQL架构3.2 SQL分类4. 存储引擎4.1 存储引擎基本概念4.2 存储引擎基本操作1. 数据库基础 1.1 什么是数据库存储数据用…...

编程日记 2025/5/6 5:15:35

【mysql 的安装及使用】

MySQL 9.0 一、下载MySQL[MySQL 9.0 下载] [(https://dev.mysql.com/downloads/mysql/)选择自定义，选择合适安装路径二、检查安装情况配置环境变量打开命令行查看版本创建数据库在MySQL中，可以使用create database语句来创建数据库。以下是创建一个名为my_db的数据库的示例：…...

编程日记 2025/5/3 19:37:43

d202542

一、142.环形链表I 142. 环形链表 II - 力扣（LeetCode） 用set统计一下如果再次出现那么就环的第一个return返回就行 public ListNode detectCycle(ListNode head) {Set<ListNode> set new HashSet<>();ListNode cur head;while(cur ! …...

编程日记 2025/5/5 6:50:36

vscode代码片段的设置与使用

在 Visual Studio Code (VS Code) 中，可以通过自定义**代码片段（Snippets）**快速插入常用代码模板。以下是详细设置步骤： 步骤 1：打开代码片段设置按下快捷键 Ctrl Shift P（Windows/Linux）或…...

编程日记 2025/5/4 9:59:01

目录

前言

TensorFlow实现逻辑回归

相关文章：