当前位置：首页 > news >正文

用matlab搭建一个简单的图像分类网络

news 来源：原创 2025/9/7 16:08:02

文章目录

1、数据集准备
2、网络搭建
3、训练网络
4、测试神经网络
5、进行预测
6、完整代码

1、数据集准备

首先准备一个包含十个数字文件夹的DigitsData，每个数字文件夹里包含1000张对应这个数字的图片，图片的尺寸都是 28×28×1 像素的，如下图所示

在这里插入图片描述

matlab 中imageDatastore 函数会根据文件夹名称自动为图像进行分类标注。该数据集包含 10 个类别。

% 创建一个图像数据存储对象 `imds`，用于从名为 "DigitsData" 的文件夹中加载图像数据
imds = imageDatastore("DigitsData", ...IncludeSubfolders=true, ...  % 指定在加载数据时包含子文件夹中的图像LabelSource="foldernames");  % 使用子文件夹的名称作为图像的标签（自动分类）% 获取数据集中所有的类别名称（即文件夹名），并将其存储在变量 classNames 中
classNames = categories(imds.Labels);  % 将 imds.Labels

将数据划分为训练集、验证集和测试集。使用 70% 的图像作为训练数据，15% 作为验证数据，15% 作为测试数据。指定使用 “randomized”（随机化），以便从每个类别中按指定比例随机分配图像到新的数据集中。
splitEachLabel 函数用于将图像数据存储对象划分成三个新的数据存储对象。

% 使用 splitEachLabel 函数将原始图像数据集 imds 随机划分为训练集、验证集和测试集
[imdsTrain, imdsValidation, imdsTest] = splitEachLabel(imds, 0.7, 0.15, 0.15, "randomized");

splitEachLabel：MATLAB 中的函数，用于根据每个标签（类别）分别划分图像数据集。这样可以确保每个类别在训练集、验证集和测试集中都有代表性。
imds：原始的图像数据存储对象，包含所有图像和对应的标签。
0.7：表示将每个类别中 70% 的图像用于训练集。
0.15：表示每个类别中 15% 的图像用于验证集。
0.15：表示每个类别中 15% 的图像用于测试集。
"randomized"：表示在划分数据集时使用随机抽样，避免按文件顺序导致划分不均衡。
[imdsTrain, imdsValidation, imdsTest]：返回三个新的 imageDatastore 对象，分别代表：
imdsTrain：训练数据集
imdsValidation：验证数据集
imdsTest：测试数据集

2、网络搭建

这里，我们需要借用到matlab工具栏里APPS里的Deep Network Designer，如下图所示

在这里插入图片描述

在Deep Network Designer, 我们创建一个空白Designer画布

在这里插入图片描述

然后我们可以拖动相应的层到Designer里，并连接各个层，如下图所示

在这里插入图片描述

这里，我们只需要改一下输入层的InputSize就行，如下图

在这里插入图片描述

然后，我们可以检查这个网络可行不可行，通过Analyze按钮，就会得到这个网络的分析结果，如下图

在这里插入图片描述

没有错误，就可以通过Export按钮输出这个网络到Matlab工作区，这个网络被自动被命名为net_1。
在这里插入图片描述

3、训练网络

指定训练选项。不同选项的选择需要依赖实验分析（即通过反复试验和比较来确定最优配置）。

% 设置用于网络训练的选项，这里使用的是随机梯度下降动量法（SGDM）
% 最大训练轮数（epoch）：训练过程中将整个训练集完整迭代 4 次
% 指定验证数据集，用于在训练过程中评估模型的泛化能力
% 每训练 30 个 mini-batch 执行一次验证评估
% 在训练过程中显示实时图形界面，包括损失值和准确率的变化曲线
% 指定训练期间关注的评估指标为准确率（accuracy）
% 禁止在命令行窗口输出详细训练信息（安静模式）
options = trainingOptions("sgdm", ...  MaxEpochs = 4, ...  ValidationData = imdsValidation, ... ValidationFrequency = 30, ...  Plots = "training-progress", ...  Metrics = "accuracy", ...  Verbose = false);

trainingOptions 是 MATLAB 中用于设置神经网络训练参数的函数。

"sgdm" 是一种常用优化算法，适用于多数分类问题。

MaxEpochs=4 设置为 4 是为了快速试验，实际训练中可以设置更大，比如 10、20 甚至更多。

ValidationFrequency=30 表示每 30 次 mini-batch 后在验证集上评估一次性能，值越小越频繁，但也会增加验证的耗时。

Plots="training-progress" 是非常有用的调试和可视化工具，能帮助你观察训练是否收敛。

Verbose=false 适合在图形界面中查看结果时使用；如果希望看到文字日志，可以设置为 true。

使用 trainnet 函数训练神经网络。由于目标是分类任务，因此使用交叉熵损失函数（cross-entropy loss）。

% 使用 trainnet 函数对神经网络进行训练
net = trainnet(imdsTrain, net_1, "crossentropy", options);

imdsTrain：训练数据集，是一个图像数据存储对象（imageDatastore），包含用于训练的图像和对应标签。
net_1：要训练的神经网络结构（可由 layerGraph 或 dlnetwork 等方式定义的网络）。
"crossentropy"：指定损失函数为交叉熵损失函数（cross-entropy loss），这是分类任务中最常用的损失函数，特别适用于多类分类问题。
options：训练选项，由前面设置的 trainingOptions 定义，包含训练轮数、验证数据、优化器、可视化等信息。

返回值：

net：训练完成后的神经网络，包含了优化后的权重和结构，可用于后续的预测或评估。

在这里插入图片描述

4、测试神经网络

使用 testnet 函数对神经网络进行测试。对于单标签分类任务，评估指标为准确率（accuracy），即预测正确的百分比。默认情况下，testnet 函数会在可用时自动使用 GPU。如果希望手动选择执行环境，可以使用 testnet 函数的 ExecutionEnvironment 参数进行设置。

% 使用 testnet 函数对训练好的神经网络进行验证，并评估其准确率
accuracy = testnet(net, imdsTest, "accuracy");

net：已训练好的神经网络模型，是前面通过 trainnet 得到的结果。
imdsTest：测试数据集，是一个图像数据存储对象（imageDatastore），用于测试模型的性能。
"accuracy"：评估指标，这里指定为准确率，即预测正确的样本数量占总样本数量的百分比。

返回值：

accuracy：一个介于 0 和 1 之间的小数，表示模型在测试集上的准确率。例如，accuracy = 0.93 表示模型在测试集中有 93% 的预测是正确的。

testnet 函数自动根据你的硬件情况选择在 CPU 还是 GPU 上运行。如果你想手动指定环境，比如使用 CPU，可以这样写：
accuracy = testnet(net, imdsTest, "accuracy", ExecutionEnvironment="cpu");

5、进行预测

使用 minibatchpredict 函数进行预测，并通过 scores2label 函数将预测得分转换为类别标签。默认情况下，如果有可用的 GPU，minibatchpredict 会自动使用 GPU 进行计算。

% 对测试集进行批量预测，输出每个图像对应的类别得分（概率）
scores = minibatchpredict(net, imdsValidation);% 将得分（scores）转换为类别标签，使用 classNames 映射到原始类名
YValidation = scores2label(scores, classNames);

可视化部分预测结果：

% 获取测试集图像的总数量
numTestObservations = numel(imdsTest.Files);% 从测试集中随机选取 9 个样本用于可视化
idx = randi(numTestObservations, 9, 1);% 创建一个新的图形窗口
figure
tiledlayout("flow")  % 使用自动流式布局排列子图（tiled layout）% 遍历 9 张图像，显示图像并在标题中标注预测类别
for i = 1:9nexttile  % 在下一个网格位置准备绘图img = readimage(imdsTest, idx(i));  % 读取第 idx(i) 张图像imshow(img)  % 显示图像title("Predicted Class: " + string(YTest(idx(i))))  % 设置标题，显示预测类别
end

在这里插入图片描述

6、完整代码

% 创建一个图像数据存储对象 `imds`，用于从名为 "DigitsData" 的文件夹中加载图像数据
imds = imageDatastore("DigitsData", ...IncludeSubfolders=true, ...  % 指定在加载数据时包含子文件夹中的图像LabelSource="foldernames");  % 使用子文件夹的名称作为图像的标签（自动分类）% 获取数据集中所有的类别名称（即文件夹名），并将其存储在变量 classNames 中
classNames = categories(imds.Labels);  % 将 imds.Labels%%
% 使用 splitEachLabel 函数将原始图像数据集 imds 随机划分为训练集、验证集和测试集
[imdsTrain, imdsValidation, imdsTest] = splitEachLabel(imds, 0.7, 0.15, 0.15, "randomized");% 设置用于网络训练的选项，这里使用的是随机梯度下降动量法（SGDM）
% 最大训练轮数（epoch）：训练过程中将整个训练集完整迭代 4 次
% 指定验证数据集，用于在训练过程中评估模型的泛化能力
% 每训练 30 个 mini-batch 执行一次验证评估
% 在训练过程中显示实时图形界面，包括损失值和准确率的变化曲线
% 指定训练期间关注的评估指标为准确率（accuracy）
% 禁止在命令行窗口输出详细训练信息（安静模式）
options = trainingOptions("sgdm", ...  MaxEpochs = 4, ...  ValidationData = imdsValidation, ... ValidationFrequency = 30, ...  Plots = "training-progress", ...  Metrics = "accuracy", ...  Verbose = false); % 使用 trainnet 函数对神经网络进行训练
net = trainnet(imdsTrain, net_1, "crossentropy", options);%%
% 使用 testnet 函数对训练好的神经网络进行验证，并评估其准确率
accuracy = testnet(net, imdsTest, "accuracy");%%
% 对测试集进行批量预测，输出每个图像对应的类别得分（概率）
scores = minibatchpredict(net, imdsTest);% 将得分（scores）转换为类别标签，使用 classNames 映射到原始类名
YTest = scores2label(scores, classNames);% 获取测试集图像的总数量
numTestObservations = numel(imdsTest.Files);% 从测试集中随机选取 9 个样本用于可视化
idx = randi(numTestObservations, 9, 1);% 创建一个新的图形窗口
figure
tiledlayout("flow")  % 使用自动流式布局排列子图（tiled layout）% 遍历 9 张图像，显示图像并在标题中标注预测类别
for i = 1:9nexttile  % 在下一个网格位置准备绘图img = readimage(imdsTest, idx(i));  % 读取第 idx(i) 张图像imshow(img)  % 显示图像title("Predicted Class: " + string(YTest(idx(i))))  % 设置标题，显示预测类别
end

用matlab搭建一个简单的图像分类网络

文章目录 1、数据集准备2、网络搭建3、训练网络4、测试神经网络5、进行预测6、完整代码 1、数据集准备首先准备一个包含十个数字文件夹的DigitsData，每个数字文件夹里包含1000张对应这个数字的图片，图片的尺寸都是 28281 像素的，如下图所示…...

编程日记 2025/9/7 16:08:02

移动端六大语言速记：第6部分 - 错误处理与调试

移动端六大语言速记：第6部分 - 错误处理与调试本文将对比Java、Kotlin、Flutter(Dart)、Python、ArkTS和Swift这六种移动端开发语言在错误处理与调试方面的特性，帮助开发者理解和掌握各语言的异常处理机制。 6. 错误处理与调试 6.1 异常处理各语言异常处理的语法对比：…...

编程日记 2025/9/7 16:03:12

【数据库】达梦arm64安装

话不多说，快速开始~ 1.下载进入官网： 产品下载 | 达梦在线服务平台下载安装包。选飞腾、鲲鹏都可以，都是arm架构的。我选择的是： 直接下载地址是https://download.dameng.com/eco/adapter/DM8/202502/dm8_20250117_HWarm920…...

编程日记 2025/9/7 16:06:44

QTableWidget 中insertRow(0)（头插）和 insertRow(rowCount())（尾插）的性能差异

一、目的在 Qt 的 QTableWidget 中，insertRow(0) （头插）和 insertRow(rowCount())（尾插）在性能上存在显著差异。二、QAbstractItemModel:: insertRows 原文解释 QAbstractItemModel Class | Qt Core 5.15.18 AI 解…...

编程日记 2025/9/7 1:29:52

使用MFC ActiveX开发KingScada控件（OCX）

最近有个需求，要在KingScada上面开发一个控件。原来是用的WinCC，WinCC本身是支持调用.net控件，就是winform控件的，winform控件开发简单，相对功能也更丰富。奈何WinCC不是国产的。话说KingScada，国产组态软…...

编程日记 2025/9/7 0:30:17

大模型学习二：DeepSeek R1+蒸馏模型组本地部署与调用

一、说明 DeepSeek R1蒸馏模型组是基于DeepSeek-R1模型体系，通过知识蒸馏技术优化形成的系列模型，旨在平衡性能与效率。 1、技术路径与核心能力基础架构与训练方法‌ ‌DeepSeek-R1-Zero‌：通过强化学习（RL）训练&…...

编程日记 2025/9/5 19:27:40

通过 Markdown 改进 RAG 文档处理

通过 Markdown 改进 RAG 文档处理作者：Tableau 原文地址：https://zhuanlan.zhihu.com/p/29139791931 通过 Markdown 改进 RAG 文档处理https://mp.weixin.qq.com/s/LOBOKNA71dANXHuwxe7yxw 如何将 PDF 转换为 Markdown 以获得更好的 LLM RAG 结果 Mar…...

编程日记 2025/9/7 16:03:11

Java学习总结-IO流

什么IO流？ 以内存为主体。input：磁盘向内存输入内容。output：内存向磁盘输入内容。 IO流的分类：...

编程日记 2025/9/7 16:06:45

python发送qq邮件

1.发送邮件的前提是你的qq邮箱设置能够用程序访问这个服务点打开就在设置->账号中可以找到 # 导入 smtplib 库，用于实现 SMTP 协议，可实现邮件的发送功能 import smtplib # 从 email.mime.multipart 模块导入 MIMEMultipart 类，用…...

编程日记 2025/9/7 16:06:44

使用Deployment运行无状态应用

使用Deployment运行无状态应用文章目录使用Deployment运行无状态应用[toc]一、工作负载资源与控制器二、ReplicationController、ReplicaSet和Deployment1. ReplicationController（已淘汰）2. ReplicaSet（ReplicationController 的增强版&am…...

编程日记 2025/9/7 16:04:32

QT Quick（C++）跨平台应用程序项目实战教程 6 — 弹出框

目录 1. Popup组件介绍 2. 使用上一章内容完成了音乐播放器程序的基本界面框架设计。本小节完成一个简单的功能。单击该播放器顶部菜单栏的“关于”按钮，弹出该程序的相关版本信息。我们将使用Qt Quick的Popup组件来实现。 1. Popup组件介绍 Qt 中的 Popup 组件…...

编程日记 2025/9/7 16:04:32

Design Compiler：库特征分析(ALIB)

相关阅读 Design Compilerhttps://blog.csdn.net/weixin_45791458/category_12738116.html?spm1001.2014.3001.5482 简介在使用Design Compiler时，可以对目标逻辑库进行特征分析，并创建一个称为ALIB的伪库（可以被认为是缓存）&…...

编程日记 2025/8/28 23:27:47

2025高频面试设计模型总结篇

文章目录设计模型概念单例模式工厂模式策略模式责任链模式设计模型概念设计模式是前人总结的软件设计经验和解决问题的最佳方案，它们为我们提供了一套可复用、易维护、可扩展的设计思路。 （1）定义： 设计模式是一套经过验证的…...

编程日记 2025/9/6 17:35:04

41. 评论日记

越复杂的结构越脆弱，你不能因为有智驾有只能，你就全交给它了，手机永久了还发热呢，你全交给它那你要死了也怪不了谁。这年头的手机基本都有防水，但是你天天拿着这个在泳池里玩，哪天炸了我都只能说炸的响炸的…...

编程日记 2025/9/7 16:00:12

Python第七章09：自定义python包.py

# 自定义python包# 从物理上看，包就是一个文件夹，在该文件夹下包含了一个_init_.py文件，该文件夹可用于包含多个模块文件 # 从逻辑上看，包的本质依然是模块 # _init_.py 标识python包，没有就是普通文件夹&#xff0…...

编程日记 2025/9/7 16:08:01

基于大模型预测升主动脉瘤的多维度诊疗研究报告

目录一、引言 1.1 研究背景 1.2 研究目的与意义二、升主动脉瘤概述 2.1 定义与分类 2.2 发病原因与机制 2.3 流行病学现状三、大模型技术原理及应用现状 3.1 大模型基本原理 3.2 在医疗领域的应用进展 3.3 针对升主动脉瘤预测的独特价值四、术前大模型预测方案…...

编程日记 2025/9/7 16:03:10

目录 1. table.concat(list [, sep [, i [, j]]])2. table.insert(list, [pos,] value)3. table.move(src, a, b, dest [, dest_pos]) (Lua 5.3)4. table.pack(...) (Lua 5.2)5. table.remove(list [, pos])6. table.sort(list [, comp])7. table.unpack(list [, i [, j]])总结…...

编程日记 2025/9/7 16:01:54

如何在Windows上找到Python安装路径？两种方法快速定位

原文：如何在Windows上找到Python安装路径？两种方法快速定位 | w3cschool笔记在 Windows 系统上找到 Python 的安装路径对于设置环境变量或排查问题非常重要。本文将介绍两种方法，帮助你找到 Python 的安装路径：一种是通过命令提…...

编程日记 2025/9/7 0:20:02

图形库 EasyX - EasyX 初识（EasyX 概述、EasyX 下载与安装、打开一个窗口、打开一个彩色窗口、绘制简易图形、输出文字）

一、EasyX 概述 EasyX 是一款专为 C 开发者设计的轻量级图形库，主要面向 Windows 平台，它有如下特点 EasyX 的 API 设计简洁直观，易学易用，绘图效果所见即所得二、EasyX 下载与安装 1、EasyX 下载官方网址：https…...

编程日记 2025/9/7 16:00:13

《深度探秘：SQL助力经典Apriori算法实现》

在数据的广袤世界里，隐藏着无数有价值的信息，等待着我们去挖掘和发现。关联规则挖掘算法，作为数据挖掘领域的关键技术，能够从海量数据中找出事物之间潜在的关联关系，为商业决策、学术研究等诸多领域提供有力支撑。其中…...

编程日记 2025/9/5 21:57:24

AVR128单片机红外遥控8*8LED点阵屏显示

1）将接收到的红外解码信号用LCD液晶显示屏显示。 2）将接收到的5种红外解码信号分别控制88的液晶点阵屏MATRIX-88-GREEN (颜色可以自定)进行不同的显示：整行从上到下、从下到上轮流显示；整列从左到右、从右到左轮流显示&#xff1b…...

编程日记 2025/9/1 22:38:24

前端Uniapp接入UviewPlus详细教程！！！

相信大家在引入UviewPlusUI时遇到很头疼的问题，那就是明明自己是按照官网教程一步一步的走，为什么到处都是bug呢？今天我一定要把这个让人头疼的问题解决了！ 1.查看插件市场重点： 我们打开Dcloud插件市场搜素uviewPl…...

编程日记 2025/9/5 9:57:47

【c++深入系列】：类与对象详解（中）

🔥 本文专栏：c 🌸作者主页：努力努力再努力wz 💪 今日博客励志语录： 不是因为看到希望才坚持，而是坚持了才能看到希望那么上一篇博客我讲解了什么是类和对象以及类和对象是怎么定义的&#xff0…...

编程日记 2025/9/4 17:16:26

【Linux】远程登录时，使用图形界面报错：MoTTY X11 proxy: Unsupported authorisation protocol

1、问题描述使用 MobaXterm 远程登录Ubuntu后，使用sudo权限运行图形界面程序报错： MoTTY X11 proxy: Unsupported authorisation protocol (gpartedbin:10518): Gtk-WARNING **: 22:01:34.377: cannot open display: localhost:10.02、查看SSH配置修改 SSH 服务端配置，…...

编程日记 2025/9/3 13:02:22

作用域与上下文：JavaScript魔法森林探秘

在JavaScript的魔法森林里，作用域和上下文是两位神秘的守护者，它们掌控着代码的逻辑流向和变量的生杀大权。今天，就让我们一起踏入这片神奇的土地，揭开全局作用域、函数作用域和闭包的神秘面纱，看它们如何影响我们的代…...

编程日记 2025/9/4 17:17:52

虚拟电商-话费充值业务（五）充值成功逻辑和网络异常重试逻辑

一、网络异常重试逻辑编写如果在对接供应商的过程中出现了网络异常，我们需要做一个补偿机制，在任务类型枚举类：TaskTypeEnum中有一种业务状态码是针对远程调用失败的步骤一：在对接供应商的方法：SupplierServiceImp…...

编程日记 2025/8/28 20:48:19

42.评论日记

怎么看待算命？ 我能算到你今晚睡觉前会上一次厕所。你可以选择相信我算的内容，也可以不信。你也可以有感觉要上厕所的时候不去拉兜里。也可以选择相信，早早的拿好纸做准备。你今晚可能不止上一次，也可能今晚没吃没喝早早…...

编程日记 2025/9/5 15:27:57

MTK-GMS版本国内WIFI受限问题

MTK-GMS版本国内WIFI受限问题解决文章目录问题参考资料解决方案方案一修改配置坑点方案二直接修改属性问题最近负责ROOM 产品，出现WIFI受限显示，但是网络是通畅的。 GMS 版本，在国外或者国内翻墙网络不会出现WIFI受限显示问题&#…...

编程日记 2025/9/6 13:28:41

C# System.Text.Json 中 JsonConverter 使用详解

总目录前言在 C# 开发中，System.Text.Json 是一个高性能的 JSON 处理库，广泛用于序列化和反序列化对象。当默认的序列化行为无法满足需求时，JsonConverter 提供了强大的自定义能力。本文将详细讲解 JsonConverter 的使用方法，帮…...

编程日记 2025/9/5 10:37:11

Leetcode 857 -- 贪心 | 数学

题目描述雇佣 K 名工人的最低成本思路参考官方题解和这里。代码1（正确） class Solution { public:double mincostToHireWorkers(vector<int>& quality, vector<int>& wage, int k) {int n wage.size();double res 0, totalq …...

编程日记 2025/9/7 15:16:41

基于 SpringBoot 的社区维修平台

收藏关注不迷路！！ 🌟文末获取源码数据库🌟 感兴趣的可以先收藏起来，还有大家在毕设选题（免费咨询指导选题），项目以及论文编写等相关问题都可以给我留言咨询，希望帮助更多…...

编程日记 2025/9/2 23:22:25

maven项目添加第三方JAR包

项目开发过程中，不可避免的需要用到一些maven库（公共库、司库等）中没有的冷门jar包依赖，这时，可以将这些第三方JAR包安装到本地maven仓库中，实现项目依赖的一致性。具体步骤如下： 1、下载jar包 …...

编程日记 2025/9/1 10:20:22

C#：接口（interface)

目录接口的核心是什么？ 1. 什么是接口（Interface），为什么要用它？ 2. 如何定义和使用接口？ 3.什么是引用接口？ 如何“引用接口”？ “引用接口”的关键点 4. 接口与抽象类的区…...

编程日记 2025/9/2 22:52:38

c#和c++脚本解释器科学运算

说明： 我希望用c#和c写一个脚本解释器，用于科学运算效果图： step1: c# C:\Users\wangrusheng\RiderProjects\WinFormsApp3\WinFormsApp3\Form1.cs using System; using System.Collections.Generic; using System.Data; using System.Tex…...

编程日记 2025/8/28 20:48:00

2025年嵌入式大厂春招高频面试真题及解析

以下是 2025 年嵌入式大厂春招高频面试真题及解析，结合真题分类和核心知识点整理：一、‌C/C++编程基础‌ ‌1.1 指针与内存‌ ‌野指针的成因及避免方法‌（未初始化、释放后未置空）‌ malloc与calloc的区别（后者自动初始化为0）‌ ‌指针与数组的区别‌（内存分配方…...

编程日记 2025/9/3 16:04:26

【C++】nlohmann::json 配置加载技术实践：从基础到高级应用

一、nlohmann::json 库概况与核心特性 nlohmann::json 是 C 社区最受欢迎的 JSON 库之一，其设计理念简洁即美，通过单头文件实现完整的 JSON 解析、序列化和操作功能。 1.1 基本特性 nlohmann::json是一个现代C编写的开源JSON库，采用MIT协议…...

编程日记 2025/9/3 5:48:25

ngx_regex_init

定义在 src\core\ngx_regex.c void ngx_regex_init(void) { #if !(NGX_PCRE2)pcre_malloc ngx_regex_malloc;pcre_free ngx_regex_free; #endif } NGX_PCRE21 #if !(NGX_PCRE2) 就为假条件不成立 ngx_regex_init 函数就成了空实现 NGX_PCRE2 被定义，则表示 Ngin…...

编程日记 2025/8/29 21:50:56

【前端扫盲】postman介绍及使用

Postman 是一款专为 API 开发与测试设计的全流程协作工具，程序员可通过它高效完成接口调试、自动化测试、文档管理等工作。以下是针对程序员的核心功能介绍和应用场景说明： 一、核心功能亮点接口请求构建与调试支持所有 HTTP 方法（GET/POS…...

编程日记 2025/9/3 8:05:20

Lua中os模块函数使用详解

目录 os.clock()os.date([format [, time]])os.difftime(t2, t1)os.execute(command)os.exit([code [, close]])os.getenv(varname)os.remove(filename)os.rename(oldname, newname)os.setlocale(locale [, category])os.time([table])os.tmpname()总结以下是 Lua 中 os 模块的…...

编程日记 2025/9/7 14:11:52

量子计算与经典计算的拉锯战：一场关于计算未来的辩论

在计算科学领域，一场关于未来的激烈辩论正在上演。2025年3月，D-Wave量子公司的研究人员在《Science》杂志上发表了一项突破性成果，声称他们的量子退火处理器在几分钟内解决了一个经典超级计算机需要数百万年才能完成的复杂现实问题。这一声明…...

编程日记 2025/9/4 0:42:22

MySQL 基础入门

写在前面关于MySQL的下载安装和其图形化软件Navicat的下载安装,网上已经有了很多的教程,这里就不再赘述了,本文主要是介绍了关于MySQL数据库的基础知识。 MySQL数据库 MySQL数据库基础 MySQL数据库概念 MySQL 数据库： 是一个关系型数据库管理系统。支持SQL语…...

编程日记 2025/9/5 4:27:55

GPT模型搭建

GPT模型搭建 1. 章节介绍本章节聚焦于从0搭建GPT模型，通过事先准备的基础代码，引导学习者逐步构建模型。旨在让程序员、软件架构师和工程师等掌握GPT模型搭建的核心流程，理解其关键组件与技术细节，为实际应用和面试做好准备。 …...

编程日记 2025/9/1 11:25:04

BUUCTF-web刷题篇(8)

17.EasyCalcS 查看源码，发现有段代码有php文件，即calc.php 经过代码审计之后应该要访问calc.php文件，打开后： <?php error_reporting(0); if(!isset($_GET[num])){show_source(__FILE__); }else{$str $_GET[num];$blackli…...

编程日记 2025/9/3 6:19:44

AI SEO内容优化指南：如何打造AI平台青睐的高质量内容

AI SEO内容优化指南：如何打造AI平台青睐的高质量内容在生成式AI平台（如DeepSeek、Kimi、豆包、腾讯元宝等）主导的搜索新时代，内容优化已成为企业抢占流量入口的核心策略。本文将从内容创作、分发到效果维护全链路，解…...

编程日记 2025/8/30 16:10:50

无需预对齐即可消除批次效应，东京大学团队开发深度学习框架STAIG，揭示肿瘤微环境中的详细基因信息

生物组织是由多种类型细胞构成的复杂网络，这些细胞通过特定的空间配置执行重要功能。近年来，10x Visium、Slide-seq、Stereo-seq 和 STARmap 等空间转录组学 (ST) 技术的进步，使得生物学家们能够在空间结构内绘制基因数据，从而各类…...

编程日记 2025/9/7 9:48:10

B2B2C多用户商城系统：打造新零售电商生态的创新解决方案

在当今数字化时代，电商行业正以前所未有的速度蓬勃发展，而新零售作为电商与传统零售的深度融合，正逐渐成为市场的新宠。为了满足这一变革带来的多元化需求，B2B2C多用户商城系统应运而生，为商家和消费者搭建了一个高效、…...

编程日记 2025/8/30 5:19:13

走向多模态AI之路（二）：多模态 AI 如何工作？

目录前言一、跨模态对齐（Cross-modal Alignment）：AI 如何理解不同模态的关系二、多模态融合（Multimodal Fusion）：AI 如何整合不同模态的信息三、多模态生成（Multimodal Generation）…...

编程日记 2025/9/3 8:45:56

MCP 实战：实现server端，并在cline调用

本文动手实现一个简单的MCP服务端的编写，并通过MCP Server 实现成绩查询的调用。一、配置环境安装mcp和uv, mcp要求python版本 Python >3.10; pip install mcppip install uv 二、编写并启用服务端 # get_score.py from mcp.server.fastmcp import…...

编程日记 2025/9/7 4:38:20

C#游戏开发【第18天】 | 深入理解队列(Queue)与栈(Stack)：从基础到任务队列实战

Langchain系列文章目录 01-玩转LangChain：从模型调用到Prompt模板与输出解析的完整指南 02-玩转 LangChain Memory 模块：四种记忆类型详解及应用场景全覆盖 03-全面掌握 LangChain：从核心链条构建到动态任务分配的实战指南 04-玩转 LangChai…...

编程日记 2025/9/5 3:54:12

2.5路径问题专题：LeetCode 64. 最小路径和

动态规划解决最小路径和问题 1. 题目链接 LeetCode 64. 最小路径和 2. 题目描述给定一个包含非负整数的 m x n 网格 grid，从网格的左上角出发，每次只能向右或向下移动一步，最终到达右下角。要求找到一条路径，使得路径上的数字…...

编程日记 2025/9/4 16:17:10

文章目录

1、数据集准备

2、网络搭建

3、训练网络

4、测试神经网络

5、进行预测

6、完整代码

相关文章：