当前位置：首页 > news >正文

扩散模型 Diffusion Model 整体流程详解

news 来源：原创 2025/9/9 20:17:21

🧠 Diffusion Model 思路、疑问和代码

文章目录

🧠 Diffusion Model 思路、疑问和代码
- 🔄 一、核心思想：从噪声到图像
- 📦 二、正向过程：加噪
- 🧠 三、反向过程：学习去噪
- - 🎯 目标
  - 🤖 学什么？
  - 🔁 Trick：从 $x_t$ 推出 $x_0$ ，再推出 $x_{t-1}$
  - ❓为什么不直接从 $x_t$ 算 $x_{t-1}$ ？
- 🔁 反向采样公式估计，引入 $x_0$ ，用可解的 $q(x_{t-1} \mid x_t, x_0)$
- - 🤔 常见问题解析
- 🏋️‍♀️ 模型训练
- 🎨 推理 / 采样阶段
- 🧩 Diffusion 模型模板代码
- - 1. 初始化和必要的导入
  - 2. 定义 Beta Schedule 和相关函数
  - 3. 定义 Diffusion 模型（UNet）
  - 4. 扩散过程和去噪过程
  - - 正向扩散过程：从 $x_0$ 到 $x_t$
    - 反向扩散过程：从 $x_T$ 到 $x_0$
  - 5. 损失函数（训练时）
  - 6. 数据加载和预处理
  - 7. 训练循环
  - 8. 采样（生成图像）
  - 9. 显示图像

🔄 一、核心思想：从噪声到图像

扩散模型是一种生成模型，目标是从纯高斯噪声一步步生成真实图像。

它包含两个阶段：

阶段	方向	名称	做了什么
正向	$x_0 \to x_T$	Forward / Diffusion	不断加噪，让图像变成随机噪声
反向	$x_T \to x_0$	Reverse / Denoising	学习去噪，还原出原始图像

📦 二、正向过程：加噪

我们从原图 $x_0$ 出发，在每个时刻 $t$ 加入一点噪声，最终得到 $x_T$ ，一个近似高斯噪声的图像：
$x_t = \sqrt{\bar{\alpha}_t} \cdot x_0 + \sqrt{1 - \bar{\alpha}_t} \cdot \epsilon, \quad \epsilon \sim \mathcal{N}(0, I)$

$\bar{\alpha}_{t}=\prod_{i=1}^{t} \alpha_{i},$ 其中 $\alpha_{i}=1-\beta_{i}$ ( $β_i$ 是第 $i$ 步加的噪声强度), 从第 1 步到第 t 步累计保留的图像信息量
$\to T$ ，图像越来越模糊；
这个过程是可闭式计算的，无需一步步执行，一次公式就能生成 $x_t$ ✅

🧠 三、反向过程：学习去噪

🎯 目标

从 $x_T \sim \mathcal{N}(0, I)$ 出发，逐步去噪还原出 $x_0$ 。

🤖 学什么？

我们训练一个神经网络 $\epsilon_\theta(x_t, t)$ 来预测=预测加噪时用的 $\epsilon$ 。

🔁 Trick：从 $x_t$ 推出 $x_0$ ，再推出 $x_{t-1}$

从正向公式：
$x_t = \sqrt{\bar{\alpha}_t} x_0 + \sqrt{1 - \bar{\alpha}_t} \cdot \epsilon$

可以反解出：
$x_0 = \frac{1}{\sqrt{\bar{\alpha}_t}} \left( x_t - \sqrt{1 - \bar{\alpha}_t} \cdot \epsilon_\theta(x_t, t) \right)$

✅ 有了 $\epsilon_\theta$ ，就能估计 $x_0$ ，接着继续计算 $x_{t-1}$ 。

❓为什么不直接从 $x_t$ 算 $x_{t-1}$ ？

虽然正向有：
$x_t = f(x_{t-1}) + \text{noise}$
但反向是概率分布，不是函数。因为：

多个 $x_{t-1}$ 可能加上不同噪声后变成同一个 $x_t$
所以 $q(x_{t-1} | x_t)$ 是个复杂分布，没法显式表示

我们没有办法得到 $q(x_{t-1})$ 或 $q(x_t)$ 的明确表达式，因为它们涉及从 $x_0$ 积分过来的所有路径：
$q(x_t) = \int q(x_t \mid x_{t-1}) q(x_{t-1}) dx_{t-1}$
但 $q(x_{t-1})$ 并不是一个简单的分布！因为它本身是从一系列有噪声扰动的步骤中一步步卷积出来的复杂分布，然后 $q(x_{t-2})$ 还要再由 $q(x_{t-3})$ 推来……最终都依赖于 $q(x_0)$ ，也就是原始数据分布。但！💥 我们根本不知道 $q(x_0)$ 是什么！

因此，我们只能通过 $x_0$ 估计它的均值和方差。

🔁 反向采样公式估计，引入 $x_0$ ，用可解的 $q(x_{t-1} \mid x_t, x_0)$

利用贝叶斯公式：
$p\left(\boldsymbol{x}_{t-1} \mid \boldsymbol{x}_{t}, x_{0}\right)=\frac{p\left(\boldsymbol{x}_{t} \mid \boldsymbol{x}_{t-1}\right) p\left(\boldsymbol{x}_{t-1} \mid x_{0}\right)}{p\left(\boldsymbol{x}_{t} \mid \boldsymbol{x}_{0}\right)}$
式子中每一项都是可解的高斯分布，所以我们可以用条件高斯乘积公式，得到：
$p_\theta(x_{t-1} | x_t) = \mathcal{N}(\mu_\theta(x_t, t), \sigma_t^2 I)$
其中：

均值：
$\mu_\theta = \frac{1}{\sqrt{\alpha_t}} \left( x_t - \frac{1 - \alpha_t}{\sqrt{1 - \bar{\alpha}_t}} \cdot \epsilon_\theta(x_t, t) \right)$
方差：

选择：方差 $\sigma_t^2$ 设为常数（不训练），实验发现两种选择效果相似：
- $\sigma_t^2 = \beta_t$ （对应数据初始为高斯分布）
- $\sigma_t^2 = \frac{1 - \bar{\alpha}_{t-1}}{1 - \bar{\alpha}_t} \cdot \beta_t$ （对应数据初始为单点分布）

🤔 常见问题解析

Q1：为啥不直接训练一个学 $x_{t-1}$ 的模型？

空间太大，不容易收敛；
没法直接监督 $x_{t-1}$ ，但能监督 $\epsilon$

Q2：为什么不直接用预测的 $x_0$ 当作最终的生成结果？

预测的 $x_0$ 是近似值；
多个 $x_t$ 推出的 $x_0$ 不一致；
扩散模型本质是一步步净化，不能一步到位。

Q3：为什么用 UNet 预测噪声 ϵ，而不是直接预测真实反向均值?

因为噪声 ϵ 的分布固定，预测更容易，训练更稳定；
通过数学推导（式10），发现可以改写为预测噪声ϵ的形式，计算更简单

🏋️‍♀️ 模型训练

训练时优化：
$\mathcal{L}_{\text{simple}} = \mathbb{E}_{x_0, t, \epsilon} \left[ \left\| \epsilon - \epsilon_\theta(x_t, t) \right\|^2 \right]$

流程如下：

从真实图像 $x_0$ 采样 $t$ ，加噪得 $x_t$
用网络预测噪声 $\epsilon_\theta(x_t, t)$
用MSE计算损失，与真实 $\epsilon$ 对比

🎨 推理 / 采样阶段

从高斯噪声 $x_T$ 开始，按如下公式逐步采样直到 $x_0$ ：
$x_{t-1} = \mu_\theta(x_t, t) + \sigma_t \cdot z, \quad z \sim \mathcal{N}(0, I)$
每步逻辑：

先预测噪声 $\epsilon_\theta$
再估计 $x_0$ ，推导 $\mu_\theta$
加入随机噪声 $z$ 得到 $x_{t-1}$
不断重复，最终得到生成图像！

🧩 Diffusion 模型模板代码

参考pytorch代码：GitHub - chunyu-li/ddpm: 扩散模型的简易 PyTorch 实现

1. 初始化和必要的导入

import torch
import torch.nn as nn
import torch.nn.functional as F
import matplotlib.pyplot as plt
from torch.utils.data import DataLoader
import torchvision
from torchvision import transforms
import numpy as np
import random

2. 定义 Beta Schedule 和相关函数

# 线性 beta schedule（控制每步噪声的大小）
def linear_beta_schedule(timesteps, start=0.0001, end=0.02):return torch.linspace(start, end, timesteps)# 获取累积的 alpha 值
def get_alphas(betas):return 1.0 - betas# 获取累积 alpha 的乘积
def get_alphas_cumprod(alphas):return torch.cumprod(alphas, axis=0)# 计算反向噪声的标准差
def get_posterior_variance(alphas_cumprod, alphas_cumprod_prev, betas):return betas * (1.0 - alphas_cumprod_prev) / (1.0 - alphas_cumprod)

3. 定义 Diffusion 模型（UNet）

class SimpleUnet(nn.Module):def __init__(self):super(SimpleUnet, self).__init__()# 这里定义一个简单的卷积网络作为示例，可以替换成更复杂的UNetself.conv1 = nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1)self.conv2 = nn.Conv2d(64, 128, kernel_size=3, stride=1, padding=1)self.fc1 = nn.Linear(128 * 64 * 64, 256)self.fc2 = nn.Linear(256, 3 * 64 * 64)def forward(self, x, t):x = F.relu(self.conv1(x))x = F.relu(self.conv2(x))x = x.view(x.size(0), -1)  # Flatten for fully connected layersx = F.relu(self.fc1(x))x = self.fc2(x)return x.view(x.size(0), 3, 64, 64)  # Reshape back to image shape

4. 扩散过程和去噪过程

正向扩散过程：从 $x_0$ 到 $x_t$

def forward_diffusion_sample(x_0, t, betas, alphas_cumprod):noise = torch.randn_like(x_0)sqrt_alphas_cumprod_t = alphas_cumprod[t].view(-1, 1, 1, 1)  # 广播至批次维度sqrt_one_minus_alphas_cumprod_t = torch.sqrt(1.0 - alphas_cumprod[t]).view(-1, 1, 1, 1)x_t = sqrt_alphas_cumprod_t * x_0 + sqrt_one_minus_alphas_cumprod_t * noisereturn x_t, noise

反向扩散过程：从 $x_T$ 到 $x_0$

def sample_timestep(x_t, t, model, alphas_cumprod, betas):# 模型预测噪声epsilon_pred = model(x_t, t)# 计算当前时刻的均值和标准差sqrt_alphas_cumprod_t = alphas_cumprod[t].view(-1, 1, 1, 1)sqrt_one_minus_alphas_cumprod_t = torch.sqrt(1.0 - alphas_cumprod[t]).view(-1, 1, 1, 1)posterior_variance_t = betas[t].view(-1, 1, 1, 1)# 计算预测的x_0x_0_pred = (x_t - sqrt_one_minus_alphas_cumprod_t * epsilon_pred) / sqrt_alphas_cumprod_t# 反向采样noise = torch.randn_like(x_t) if t > 0 else torch.zeros_like(x_t)x_t_minus_1 = sqrt_alphas_cumprod[t - 1] * x_0_pred + sqrt_one_minus_alphas_cumprod[t - 1] * noisereturn x_t_minus_1

5. 损失函数（训练时）

def get_loss(model, x_0, t, betas, alphas_cumprod):x_t, noise = forward_diffusion_sample(x_0, t, betas, alphas_cumprod)noise_pred = model(x_t, t)return F.mse_loss(noise, noise_pred)  # MSE 损失

6. 数据加载和预处理

def load_transformed_dataset(img_size=64, batch_size=128):data_transforms = [transforms.Resize((img_size, img_size)),transforms.RandomHorizontalFlip(),transforms.ToTensor(),transforms.Lambda(lambda t: (t * 2) - 1),  # [0,1] -> [-1,1]]data_transform = transforms.Compose(data_transforms)train = torchvision.datasets.ImageFolder(root="./stanford_cars/cars_train", transform=data_transform)test = torchvision.datasets.ImageFolder(root="./stanford_cars/cars_test", transform=data_transform)dataset = torch.utils.data.ConcatDataset([train, test])return DataLoader(dataset, batch_size=batch_size, shuffle=True, drop_last=True)

7. 训练循环

if __name__ == "__main__":# 初始化model = SimpleUnet()T = 300  # 扩散步数betas = linear_beta_schedule(T)alphas = get_alphas(betas)alphas_cumprod = get_alphas_cumprod(alphas)BATCH_SIZE = 128epochs = 100dataloader = load_transformed_dataset(batch_size=BATCH_SIZE)device = "cuda" if torch.cuda.is_available() else "cpu"model.to(device)optimizer = torch.optim.Adam(model.parameters(), lr=0.001)for epoch in range(epochs):for batch_idx, (batch, _) in enumerate(dataloader):optimizer.zero_grad()batch = batch.to(device)t = torch.randint(0, T, (BATCH_SIZE,), device=device).long()loss = get_loss(model, batch, t, betas, alphas_cumprod)loss.backward()optimizer.step()if batch_idx % 10 == 0:print(f"Epoch [{epoch+1}/{epochs}], Step [{batch_idx+1}/{len(dataloader)}], Loss: {loss.item()}")

8. 采样（生成图像）

def generate_samples(model, T=300):# 从噪声开始x_t = torch.randn((BATCH_SIZE, 3, 64, 64)).to(device)for t in reversed(range(T)):x_t = sample_timestep(x_t, t, model, alphas_cumprod, betas)return x_t

9. 显示图像

def show_tensor_image(image):image = image.squeeze().cpu().numpy().transpose(1, 2, 0)image = (image + 1.0) / 2.0  # [-1, 1] -> [0, 1]plt.imshow(image)plt.axis('off')plt.show()

x_t = sample_timestep(x_t, t, model, alphas_cumprod, betas)

return x_t


### 9. 显示图像```python
def show_tensor_image(image):image = image.squeeze().cpu().numpy().transpose(1, 2, 0)image = (image + 1.0) / 2.0  # [-1, 1] -> [0, 1]plt.imshow(image)plt.axis('off')plt.show()

扩散模型 Diffusion Model 整体流程详解

🧠 Diffusion Model 思路、疑问和代码文章目录 🧠 Diffusion Model 思路、疑问和代码🔄 一、核心思想：从噪声到图像📦 二、正向过程：加噪🧠 三、反向过程：学习去噪🎯 目…...

编程日记 2025/9/9 20:17:21

[Spark]深入解密Spark SQL源码：Catalyst框架如何优雅地解析你的SQL

本文内容组织形式总结具体例子执行语句解析层优化层物理计划层执行层猜你喜欢PS 总结先写个总结，接下来会分别产出各个部分的源码解析，Spark SQL主要分为以下五个执行部分。具体例子接下来举个具体的例子来说明执行语句 SELECT name, age FR…...

编程日记 2025/9/9 13:26:45

【数据结构_7】栈和队列（上）

一、概念栈和队列，也是基于顺序表和链表实现的栈是一种特殊的线性表，其只允许在固定的一段进行插入和删除元素操作。遵循后进先出的原则此处所见到的栈，本质上就是一个顺序表/链表，但是，实在顺序表/链表的基础…...

编程日记 2025/9/8 22:54:20

Linux中的cat命令常见用法

在 Linux 中，cat 命令是 concatenate（连接）的缩写，意思是“连接”或“串联”。基本功能 cat 命令的主要功能是用于查看、合并和创建文件。它会将一个或多个文件的内容输出到标准输出设备（通常是终端屏幕&#xff09…...

编程日记 2025/9/9 6:54:50

css - 实现三角形 div 容器，用css画一个三角形（提供示例源码）简单粗暴几行代码搞定！

效果图如下图所示，让一个 div 变成三角形，并且可随意更改大小， 本文提供了可运行示例源码，直接复制即可。实现源码建议创建一个 demo.html 文件，一键复制代码运行。 <style> .div{width: 0px;height: 0px…...

编程日记 2025/9/4 20:24:49

springboot 项目 jmeter简单测试流程

测试内容为主机地址随机数 package com.hainiu.example;import lombok.extern.slf4j.Slf4j; import org.springframework.web.bind.annotation.RequestMapping; import org.springframework.web.bind.annotation.RequestMethod; import org.springframework.web.bind.annotat…...

编程日记 2025/9/8 16:57:24

设计模式实践：模板方法、观察者与策略模式详解

目录 1 模板方法1.1 模板方法基本概念1.2 实验1.2.1 未使用模板方法实现代码1.2.2 使用模板方法的代码 2 观察者模式2.1 观察者模式基本概念2.2 实验 3 策略模式3.1 策略模式基本概念3.2 实验 1 模板方法 1.1 模板方法基本概念定义：一个操作中的算法的骨架 &…...

编程日记 2025/9/4 23:03:20

Google的AI模型Gemini和Gemini网络协议

粉丝私信问我：gemini如何访问？ "Gemini如何访问"需明确区分两种完全不同的技术体系：Google的AI模型Gemini和Gemini网络协议。以下是两者的访问方式详解： 一、访问Google的Gemini AI模型 1. 通过Web应用地址&#xf…...

编程日记 2025/9/5 20:59:02

HTTP实现心跳模块

HTTP实现心跳模块使用轻量级的cHTTP库cpp-httplib重现实现HTTP心跳模块头文件HttplibHeartbeat.h #ifndef HTTPLIB_HEARTBEAT_H #define HTTPLIB_HEARTBEAT_H#include <string> #include <thread> #include <atomic> #include <chrono> #include …...

编程日记 2025/9/4 14:34:40

基于web的民宿信息系统(源码+lw+部署文档+讲解)，源码可白嫖!

摘要随着信息时代的来临，民宿过去的民宿信息方式的缺点逐渐暴露，对过去的民宿信息的缺点进行分析，采取计算机方式构建民宿信息系统。本文通过阅读相关文献，研究国内外相关技术，提出了一种民宿信息管理、民宿信息管理…...

编程日记 2025/9/7 3:54:31

使用OpenSceneGraph (osg)实现一个星系漫游

简介使用OpenSceneGraph (osg)实现了一个太阳系漫游的程序，具有以下特点： 1.通过按键控制飞行器前进后退、空间姿态； 2.星系渲染； 3.背景星空渲染； 效果提供了一张超大的星空背景图代码示例 int main(int a…...

编程日记 2025/9/7 11:46:37

笔试专题（九）

文章目录十字爆破（暴力）题解代码比那名居的桃子（滑动窗口/前缀和）题解代码分组（暴力枚举优化二分）题解代码十字爆破（暴力） 题目链接题解 1. 暴力预处理 2. 如果单纯的暴…...

编程日记 2025/9/7 18:11:31

sklearn决策树待更新

注意：sklearn中所有的决策树模型包括回归决策树实现的是CART决策树算法，在官方文档中有介绍。sklearn中的决策树模型最终得到的树结构都是二叉树，因为CART算法生成的就是二叉树。 DecisionTreeClassifier类如果待预测样本有多个类别具有相同…...

编程日记 2025/9/4 16:55:03

eino v0.3.21 重磅发布！节点中断控制+空值映射支持，AI应用开发再添神器！

CloudWeGo/eino v0.3.21 作为最新补丁版本，聚焦流程控制与数据映射两大核心场景，为AI应用与微服务开发者提供更灵活的调试能力与容错设计！ 1. 节点中断控制（Feat: Node Interrupt） • 功能亮点：新增 node …...

编程日记 2025/9/7 15:22:52

力扣每日打卡 50. Pow(x, n) (中等)

[TOC](力扣 50. Pow(x, n) 中等) 前言这是刷算法题的第十一天，用到的语言是JS 题目：力扣 50. Pow(x, n) (中等) 一、题目内容实现 pow(x, n) ，即计算 x 的整数 n 次幂函数（即，xn ）。示例 1&#xff1…...

编程日记 2025/9/9 14:15:42

Mac M1管理多个Node.js版本

目录 1. 使用 nvm (Node Version Manager) 1.1.安装 nvm 1.2.安装Node.js版本 1.3.查看已安装的node版本列表 1.4.使用特定版本的Node.js 1.5.查看当前使用的版本 2. 使用 fnm (Fast Node Manager) 2.1.安装 fnm 2.2.安装Node.js版本 2.3.查看已安装的版本 2.4.使用…...

编程日记 2025/9/8 2:45:36

arm_math.h、arm_const_structs.h 和 arm_common_tables.h

在 FOC（Field-Oriented Control，磁场定向控制） 中，arm_math.h、arm_const_structs.h 和 arm_common_tables.h 是 CMSIS-DSP 库的核心组件，用于实现高效的数学运算、预定义结构和查表操作。以下是它们在 FOC 控…...

编程日记 2025/9/8 13:37:02

每天五分钟深度学习：非线性激活函数的导数

本文重点本文探讨了神经网络中几种常见非线性激活函数（Sigmoid、Tanh、ReLU、Leaky ReLU、ELU、Softmax）的导数特性。通过对各激活函数导数的数学推导与实际应用分析，揭示了不同激活函数在梯度传播、收敛速度及模型表达能力方面的差异。研究发现，ReLU及其变体在计算效率与…...

编程日记 2025/9/5 10:45:56

OpenHarmony5.0.2 USB摄像头适配

开发环境 OpenHarmony5.0.2 RK3568 USB摄像头遇到问题编译后插上USB摄像头后打开相机无图像解决思路 5.0.2版本是支持USB摄像头的，需要修改默认的板载相机配置即可。修改代码 1、修改配配置文件地址：vendor/hihope/rk3568/hdf_config/uhdf…...

编程日记 2025/8/30 14:54:27

vue: router基础用法

router基础用法 1.安装router2.配置router3.路由编程1.编程式导航2.声明式导航 1.安装router 在node环境下，直接运行 npm install router42.配置router 创建文件夹并命名为router 在router文件夹中创建index.js index.js示例配置如下： import { creat…...

编程日记 2025/9/4 16:30:04

IDE中使用Spring Data Redis

步骤一：导入Spring Data Redis的maven坐标 <dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-data-redis</artifactId></dependency> 步骤二：配置Redis数据源步骤三&…...

编程日记 2025/9/1 1:43:23

【计网】网络交换技术之报文交换（复习自用，了解，重要3）

复习自用的，处理得比较草率，复习的同学或者想看基础的同学可以看看，大佬的话可以不用浪费时间在我的水文上了另外两种交换技术可以直接点击链接访问相关笔记： 电路交换分组交换一、报文交换的定义报文交换（Me…...

编程日记 2025/9/8 6:48:03

GitLab 17.x 配置 https

文章目录使用外部 nginx 参考：https://docs.gitlab.com/omnibus/settings/nginx.html 使用内置 nginx 参考：https://docs.gitlab.com/omnibus/settings/ssl/index.html#configure-https-manually // 使用自己手工申请证书 $ mkdir /etc/gitlab/ssl $ m…...

编程日记 2025/9/8 22:21:56

中间件--ClickHouse-1--基础介绍（列式存储，MPP架构，分布式计算，SQL支持，向量化执行，亿万级数据秒级查询）

1、概述 ClickHouse是一个用于联机分析(OLAP)的列式数据库管理系统(DBMS)。它由俄罗斯的互联网巨头Yandex为解决其内部数据分析需求而开发，并于2016年开源。专为大规模数据分析，实时数据分析和复杂查询设计，具有高性能、实时数据和可扩展性等…...

编程日记 2025/9/1 16:32:00

【编写Node接口；接口动态获取VUE文件并异步加载, 并渲染impoort插件使用】

编写Node接口；接口动态获取VUE文件并异步加载, 并渲染impoort插件使用； vue3-sfc-loader主要特征： 编写Node接口：Vue2项目使用：Vue3项目使用：（页面按需加载插件、图片等）主要使用&am…...

编程日记 2025/9/7 14:07:08

vue入门：template 和 JSX

temlplate 和 jsx 最终渲染时都是创建 dom 节点 template 和 JSX 混合使用 <template><div><span>Message: {{ msg }}</span><br/><VNodes :vnodes"getJSXSpan()"/><VNodes :vnodes"getAnchoredHeading(4)"/>…...

编程日记 2025/9/2 20:02:38

[Dify] Dify 本地部署及连接 Ollama 模型全流程指南

在构建私有化智能应用时，Dify 作为一款开源的大模型应用开发平台，具备强大的插件体系和可扩展能力。本文将详细介绍如何在本地环境中部署 Dify，并成功连接本地的 Ollama 模型，解决实际部署过程中常见的问题与错误。一、本地部署 Dify 步骤详解 1. 安装 Docker 环境（以 W…...

编程日记 2025/9/5 7:48:00

基于PyQt5的Jupyter Notebook转Python工具

一、项目背景与核心价值在数据科学领域，Jupyter Notebook因其交互特性广受欢迎，但在生产环境中通常需要将其转换为标准Python文件。本文介绍一款基于PyQt5开发的桌面级转换工具，具有以下核心价值：可视化操作：提供友好的GUI界面，告别命令行操作批量处理：支持目录递归…...

编程日记 2025/9/5 0:25:10

从自然语言到 JSON 数据交互：探索 MCP 协议的自动化任务实现

好的！以下是基于我们讨论的关于 MCP 协议、JSON 数据交互以及自然语言到 JSON 转换的实现过程的总结，格式化为一篇 CSDN 风格的博客记录。这篇文章将记录你的发现，适合分享给技术社区。从自然语言到 JSON 数据交互：探索 MCP 协议…...

编程日记 2025/8/29 15:25:51

n8n 本地部署及实践应用，实现零成本自动化运营 Telegram 频道（保证好使）

n8n 本地部署及实践应用，实现零成本自动化运营 Telegram 频道（保证好使） 简介 n8n 介绍一、高度可定制性二、丰富的连接器生态三、自托管部署（本地部署） 四、社区驱动 n8n 的部署一、前期准备二、部署步…...

编程日记 2025/9/5 21:47:49

嵌入式学习(37)-STM32串口发送中断的实现

一、概述项目中需要用到发送中断，所以了解了发送中断的一些知识。二、应用状态寄存器USART_SR的复位值为0x00C0H, 也就是第七位TXE和第六位TC复位值为1，而TXE1,表明发送数据寄存器为空， TC1表明发送已完成。 USART_ITConfig(USART1, USA…...

编程日记 2025/9/5 22:52:56

Android envsetup与Python venv使用指南

Android envsetup 和 Python venv 是两种完全不同的环境配置工具，分别服务于不同的开发场景。以下是对它们的详细解释及使用方法： 1. Android envsetup 用途： Android envsetup 是 Android 源码开发中的环境配置脚本（envsetup.sh…...

编程日记 2025/9/9 2:31:29

安卓关机和重启源码流程

// systemui关机 frameworks/base/packages/SystemUI/src/com/android/systemui/globalactions/GlobalActionsComponent.java Overridepublic void shutdown() {try {mBarService.shutdown();} catch (RemoteException e) {}}frameworks/base/services/core/java/com/android…...

编程日记 2025/9/5 3:08:45