当前位置：首页 > news >正文

R4打卡——pytorch实现LSTM预测火灾

news 来源：原创 2025/8/17 21:07:59

🍨 本文为🔗365天深度学习训练营中的学习记录博客

🍖 原作者：K同学啊

1.检查GPU

import torch.nn.functional as F
import numpy  as np
import pandas as pd
import torch
from torch    import nndata = pd.read_csv("data/woodpine2.csv")data#设置GPU训练
device=torch.device("cuda" if torch.cuda.is_available() else "cpu")
device

2.查看数据

import matplotlib.pyplot as plt
import seaborn as snsplt.rcParams['savefig.dpi'] = 500 #图片像素
plt.rcParams['figure.dpi']  = 500 #分辨率fig, ax =plt.subplots(1,3,constrained_layout=True, figsize=(14, 3))sns.lineplot(data=data["Tem1"], ax=ax[0])
sns.lineplot(data=data["CO 1"], ax=ax[1])
sns.lineplot(data=data["Soot 1"], ax=ax[2])
plt.show()dataFrame = data.iloc[:,1:]
dataFrame

3.划分数据集

from sklearn.preprocessing import MinMaxScalerdataFrame = data.iloc[:,1:].copy()
sc  = MinMaxScaler(feature_range=(0, 1)) #将数据归一化，范围是0到1for i in ['CO 1', 'Soot 1', 'Tem1']:dataFrame[i] = sc.fit_transform(dataFrame[i].values.reshape(-1, 1))dataFrame.shapewidth_X = 8
width_y = 1width_X = 8
width_y = 1##取前8个时间段的Tem1、CO 1、Soot 1为X，第9个时间段的Tem1为y。
X = []
y = []in_start = 0for _, _ in data.iterrows():in_end  = in_start + width_Xout_end = in_end   + width_yif out_end < len(dataFrame):X_ = np.array(dataFrame.iloc[in_start:in_end , ])y_ = np.array(dataFrame.iloc[in_end  :out_end, 0])X.append(X_)y.append(y_)in_start += 1X = np.array(X)
y = np.array(y).reshape(-1,1,1)X.shape, y.shapeX_train = torch.tensor(np.array(X[:5000]), dtype=torch.float32).to(device)
y_train = torch.tensor(np.array(y[:5000]), dtype=torch.float32)X_test  = torch.tensor(np.array(X[5000:]), dtype=torch.float32).to(device)
y_test  = torch.tensor(np.array(y[5000:]), dtype=torch.float32)
X_train.shape, y_train.shapefrom torch.utils.data import TensorDataset, DataLoadertrain_dl = DataLoader(TensorDataset(X_train, y_train),batch_size=64, shuffle=False)test_dl  = DataLoader(TensorDataset(X_test, y_test),batch_size=64, shuffle=False)

4.创建模型与编译训练

class model_lstm(nn.Module):def __init__(self):super(model_lstm, self).__init__()self.lstm0 = nn.LSTM(input_size=3 ,hidden_size=320, num_layers=1, batch_first=True)self.lstm1 = nn.LSTM(input_size=320 ,hidden_size=320, num_layers=1, batch_first=True)self.fc0   = nn.Linear(320, 1)def forward(self, x):out, hidden1 = self.lstm0(x) out, _ = self.lstm1(out, hidden1) out    = self.fc0(out) return out[:, -1:, :]   #取1个预测值,否则经过lstm会得到8*1个预测model = model_lstm()
model

5.编译及训练模型

# 训练循环
import copy
def train(train_dl, model, loss_fn, opt, lr_scheduler=None):size        = len(train_dl.dataset)  num_batches = len(train_dl)   train_loss  = 0  # 初始化训练损失和正确率for x, y in train_dl:  x, y = x.to(device), y.to(device)# 计算预测误差pred = model(x)          # 网络输出loss = loss_fn(pred, y)  # 计算网络输出和真实值之间的差距# 反向传播opt.zero_grad()  # grad属性归零loss.backward()  # 反向传播opt.step()       # 每一步自动更新# 记录losstrain_loss += loss.item()if lr_scheduler is not None:lr_scheduler.step()print("learning rate = {:.5f}".format(opt.param_groups[0]['lr']), end="  ")train_loss /= num_batchesreturn train_lossdef test (dataloader, model, loss_fn):size        = len(dataloader.dataset)  # 测试集的大小num_batches = len(dataloader)          # 批次数目test_loss   = 0# 当不进行训练时，停止梯度更新，节省计算内存消耗with torch.no_grad():for x, y in dataloader:x, y = x.to(device), y.to(device)# 计算lossy_pred = model(x)loss        = loss_fn(y_pred, y)test_loss += loss.item()test_loss /= num_batchesreturn test_loss#训练模型
model = model_lstm()
model = model.to(device)
loss_fn    = nn.MSELoss() # 创建损失函数
learn_rate = 1e-1   # 学习率
opt        = torch.optim.SGD(model.parameters(),lr=learn_rate,weight_decay=1e-4)
epochs     = 50
train_loss = []
test_loss  = []
lr_scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(opt,epochs, last_epoch=-1) for epoch in range(epochs):model.train()epoch_train_loss = train(train_dl, model, loss_fn, opt, lr_scheduler)model.eval()epoch_test_loss = test(test_dl, model, loss_fn)train_loss.append(epoch_train_loss)test_loss.append(epoch_test_loss)template = ('Epoch:{:2d}, Train_loss:{:.5f}, Test_loss:{:.5f}')print(template.format(epoch+1, epoch_train_loss,  epoch_test_loss))print("="*20, 'Done', "="*20)

6.结果可视化

import matplotlib.pyplot as plt
from datetime import datetime
current_time = datetime.now() # 获取当前时间plt.figure(figsize=(5, 3),dpi=120)plt.plot(train_loss    , label='LSTM Training Loss')
plt.plot(test_loss, label='LSTM Validation Loss')plt.title('Training and Validation Loss')
plt.xlabel(current_time) # 打卡请带上时间戳，否则代码截图无效
plt.legend()
plt.show()# 将模型输出移至CPU后再转换为NumPy数组
predicted_y_lstm = sc.inverse_transform(model(X_test).cpu().detach().numpy().reshape(-1,1))
y_test_1 = sc.inverse_transform(y_test.reshape(-1,1))
y_test_one = [i[0] for i in y_test_1]
predicted_y_lstm_one = [i[0] for i in predicted_y_lstm]plt.figure(figsize=(5, 3),dpi=120)
# 画出真实数据和预测数据的对比曲线
plt.plot(y_test_one[:2000], color='red', label='real_temp')
plt.plot(predicted_y_lstm_one[:2000], color='blue', label='prediction')plt.title('Title')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()

7.模型评估

from sklearn import metrics# 确保预测值和真实值维度匹配
predicted_y_lstm = predicted_y_lstm.squeeze()  # 压缩到一维，例如从 (100, 1, 1) 变为 (100,)
y_test = y_test.squeeze()                       # 同理处理真实值# 计算指标
RMSE_lstm = metrics.mean_squared_error(predicted_y_lstm, y_test)**0.5
R2_lstm = metrics.r2_score(predicted_y_lstm, y_test)print('均方根误差: %.5f' % RMSE_lstm)
print('R2: %.5f' % R2_lstm)

总结：

1. 背景与目标

通过实现一个基于LSTM（长短期记忆网络）的深度学习模型，对时间序列数据进行预测。具体任务是从给定的数据集中提取特征（Tem1, CO 1, Soot 1），并利用前8个时间段的数据预测第9个时间段的目标变量（Tem1）。整个过程涵盖了数据预处理、模型构建、训练、评估和结果可视化等关键步骤。

2. 代码流程概述

（1）检查GPU

使用 torch.device 检查是否有可用的GPU资源，并设置为默认设备。
GPU加速可以显著提升模型训练效率，尤其是在处理大规模数据时。

（2）查看数据

数据集包含三列：Tem1（目标变量）、CO 1 和 Soot 1。
使用 seaborn 和 matplotlib 对数据进行可视化，观察各特征的时间序列趋势。
数据预处理包括归一化操作，将所有特征值缩放到 [0, 1] 范围内，以便模型更好地收敛。

（3）划分数据集

将数据划分为输入特征 X 和目标变量 y：
- 输入 X 包含连续的8个时间步的特征值。
- 输出 y 是第9个时间步的目标值。
数据集进一步划分为训练集和测试集，并转化为 PyTorch 张量格式，方便后续模型训练。

（4）创建模型

定义了一个两层 LSTM 网络模型：
- 第一层 LSTM 的隐藏单元数为320，接收3个特征作为输入。
- 第二层 LSTM 进一步提取时间序列特征。
- 最后通过全连接层输出单个预测值。
模型的设计考虑了时间序列数据的特点，能够捕捉长期依赖关系。

（5）编译与训练模型

使用均方误差（MSE）作为损失函数，随机梯度下降（SGD）作为优化器。
训练过程中，采用余弦退火学习率调度器动态调整学习率。
每个 epoch 后分别计算训练集和测试集的损失，并记录结果以供后续分析。

（6）结果可视化

绘制了训练集和测试集的损失曲线，直观地展示了模型的收敛情况。
对比了真实值与预测值的时间序列曲线，验证了模型的预测能力。
使用反归一化操作将预测结果还原到原始数据范围，便于解释。

（7）模型评估

使用均方根误差（RMSE）和决定系数（R²）评估模型性能：
- RMSE 衡量预测值与真实值之间的偏差。
- R² 反映模型对数据变化的拟合程度。
结果表明，模型在测试集上具有一定的预测能力，但仍存在改进空间。

3. 代码亮点

数据预处理：通过归一化处理和滑动窗口方法，有效地构造了适合LSTM模型的输入数据。
模型设计：采用了双层LSTM结构，能够更好地捕捉时间序列中的复杂模式。
动态学习率：引入余弦退火学习率调度器，提升了模型的训练效果。
结果分析：结合可视化和定量指标，全面评估了模型的性能。

R4打卡——pytorch实现LSTM预测火灾

🍨 本文为🔗365天深度学习训练营中的学习记录博客 🍖 原作者：K同学啊 1.检查GPU import torch.nn.functional as F import numpy as np import pandas as pd import torch from torch import nndata pd.read_csv("da…...

编程日记 2025/8/17 21:07:59

【数字图像处理】图像增强

图像增强——频率域分析卷积定理函数卷积的傅里叶变换是函数傅里叶变换的乘积，即：一个域中的卷积相当于另一个域中的乘积 F(x)为傅里叶变换傅里叶傅里叶级数：任何周期函数都可以用不同频率的正弦函数和余弦函数构成的无穷级数来表示。正…...

编程日记 2025/8/17 21:39:13

Windows平台用vistual studio 2017打包制作C++动态库

1. 创建库项目打开 Visual Studio 2017，选择文件 → 新建 → 项目。选择 Visual C → Windows 桌面 → 动态链接库 (DLL) 或静态库 (LIB)。动态库 (DLL)：生成 .dll 和 .lib（导出符号表）。静态库 (LIB)：生成 .lib&…...

编程日记 2025/8/17 20:21:41

QT日历控件重写美化

效果图先放一个效果图以供大家参考，大家可以根据自己需要的效果来调整自己的控件，日历控件实现了自定义日历选择框，设置了表头颜色，设置日历当天重要事件提醒功能。设置表头样式 setVerticalHeaderFormat(QCalendarWidget::NoV…...

编程日记 2025/8/17 18:17:33

单细胞分析读取处理大型数十万细胞的数据集的优化

单细胞分析读取处理大型数十万细胞的数据集的优化背景简介有朋友反映用自己的笔记本电脑在分析比较大的单细胞数据集的时候，比如细胞数量有十万个以上甚至几十万个的时候，可能自己的电脑的内存32G或64G都不够用，一般来说，做生…...

编程日记 2025/8/17 21:26:37

HTTP 3.0 协议的特点

HTTP/3 是互联网传输协议的一次重要升级，相较于 HTTP/2，它引入了多项显著改进和新特性。基于 QUIC 协议： HTTP/3 采用了 QUIC（Quick UDP Internet Connections）作为底层传输协议，QUIC 基于 UDP&#xff0…...

编程日记 2025/8/17 21:36:24

电子电器架构 --- 下一代汽车电子/电气（E/E）架构

我是穿拖鞋的汉子，魔都中坚持长期主义的汽车电子工程师。老规矩，分享一段喜欢的文字，避免自己成为高知识低文化的工程师： 周末洗了一个澡，换了一身衣服，出了门却不知道去哪儿，不知道去找谁&am…...

编程日记 2025/8/17 21:36:06

08软件测试需求分析案例-删除用户

删除用户是后台管理菜单的一个功能模块，只有admin才有删除用户的权限。不可删除admin。 1.1 通读文档通读需求规格说明书是提取信息，提出问题，输出具有逻辑、规则、流程的业务步骤。信息：此功能应为用户提供确认删除的功能。…...

编程日记 2025/8/17 1:56:26

await 在多线程，子线程中的使用

await 在多线程，子线程中的使用 await self.send_reply(user, user, user, auto_content, reply) 这行代码是在一个异步函数里调用类的实例方法 send_reply 代码含义 1. await 关键字在 Python 的异步编程里，await 关键字的作用是暂停当前异步函数的执行，直到 await 后…...

编程日记 2025/8/17 21:30:03

NLP高频面试题（四十六）——Transformer 架构中的位置编码及其演化详解

引言 Transformer 模型（Vaswani 等人，2017）在序列建模中取得了革命性突破，利用自注意力机制实现了并行的序列处理。然而，Transformer 本身对序列的顺序信息不敏感：输入序列元素在自注意力中是无排列的（Permutation-invariant）。换言之，Transformer 缺乏像 RNN 那样的…...

编程日记 2025/8/17 21:09:55

C++笔记-list

list即是我们之前学的链表，这篇主要还是讲解list的底层实现，前面会讲一些list区别于前面string和vector的一些接口以及它们的注意事项。一.list的基本使用和之前的string，vector一样，有很多之前见过的一些接口，经过…...

编程日记 2025/8/17 20:19:28

机器学习 | 细说Deep Q-Network（DQN）

文章目录 📚传统Q学习的局限性📚DQN介绍🐇核心思想🐇关键技术🐇DQN的工作流程⭐️流程分步讲解🔄 整体流程循环小结 🐇DQN的局限性及改进方向 👀参考视频&博客什么是 DQN (Rein…...

编程日记 2025/8/18 12:11:31

【SpringBoot+Vue自学笔记】003 SpringBoot Controll

跟着这位老师学习的：https://www.bilibili.com/video/BV1nV4y1s7ZN?vd_sourceaf46ae3e8740f44ad87ced5536fc1a45 这段话的意思其实是：Spring Boot 简化了传统 Web 项目的搭建流程，让你少折腾配置，直接开搞业务逻辑。 &#x1f52…...

编程日记 2025/8/17 20:37:40

Sentinel源码—4.FlowSlot实现流控的原理一

大纲 1.FlowSlot根据流控规则对请求进行限流 2.FlowSlot实现流控规则的快速失败效果的原理 3.FlowSlot实现流控规则中排队等待效果的原理 4.FlowSlot实现流控规则中Warm Up效果的原理 1.FlowSlot根据流控规则对请求进行限流 (1)流控规则FlowRule的配置Demo (2)注册流控监…...

编程日记 2025/8/17 21:41:14

跟康师傅学Java-基础语法

跟康师傅学Java-基础SE 一、Java语言概述 1. 基本概念什么是Java？干什么的？前端是服务员，java做后台的，服务器，好比餐馆的厨师！ Java之父：詹姆斯.高斯林(James Gosling) 软件：一系列按照特定顺序组织的计算机数据和指令的集合。分为系统软件和应用软件。程序…...

编程日记 2025/8/17 20:04:43

Java语言实现递归调用算法

1. 递归调用原理递归是一种编程技巧，其中函数直接或间接地调用自身。递归的核心思想是将一个复杂问题分解为更小的子问题，直到问题变得足够简单可以直接解决。递归通常包含两个部分： 1. 基础情况（Base Case）&#xff…...

编程日记 2025/8/17 20:39:43

【数据结构_10】二叉树（1）

一、树树是一种非线性的数据结构，是由n个有限节点组成一个具有层次关系的集合。树的每个节点能够延伸出多个子节点，但每个子节点只能由一个父节点。树形结构中，子树之间不能有交集，否则就不是树形结构。二、树的表示形式 1…...

编程日记 2025/8/17 20:52:09

1.智能指针使用场景与优势 void Func() { int* array1 new int[10]; int* array2 new int[10]; try { int len, time; cin >> len >> time; cout << Divide(len, time) << endl; } catch (...) { cout << "delete []" << arr…...

编程日记 2025/8/17 18:17:28

RISC-V简介

RISC-V简介 1. RISC-V RISC-V（发音为“riskfive”）是一个基于精简指令集（RISC）原则的全新开源指令集架构（ISA）。其中的字母“V”包含两层意思，一是这是Berkeley从RISCI开始设计的第五代指令集…...

编程日记 2025/8/17 19:52:44

Google Test 与 Google Mock：C++ 测试与模拟的完美结合

Google Test 与 Google Mock：C 测试与模拟的完美结合摘要本文深入解析 Google Test（GTest）和 Google Mock（GMock）的核心功能与使用方法，探讨两者在 C 项目中的联合应用及集成策略。通过详细的功能介绍、…...

编程日记 2025/8/17 20:37:28

c语言数据结构----------二叉排序树

#include <stdio.h> #include <malloc.h>//定义二叉排序树 typedef struct BSTnode {int key; //节点值int keyNull; //便于地址传递struct BSTnode *lchild;struct BSTnode *rchild; } BSTnode;//往二叉排序树插入结点 int BSTInsert(BSTnode *T, int k) {if (…...

编程日记 2025/8/17 21:04:33

Sysstat学习

Sysstat（System Statistics）是一个功能强大的开源工具集，用于监控 Linux 系统的性能和资源使用情况，特别适用于 Ubuntu 系统。它包含多个工具，如 sar、iostat、mpstat 和 pidstat，帮助系统管理员实时或历史…...

编程日记 2025/8/17 21:04:22

智能体开发范式革命：Cangjie Magic的颠覆性创新与行业重塑

开篇：一场静悄悄的技术革命 2025年春季，人工智能领域发生了一场意义深远却鲜为人知的变革。仓颉社区推出的Cangjie Magic智能体开发平台，正以润物细无声的方式重塑着AI应用的构建范式。这并非简单的工具迭代，而是一次从底层逻辑到顶层设计的全面革新。本文将带领读者深入探…...

编程日记 2025/8/17 20:18:05

k8s 下 java 服务出现 OOM 后获取 dump 文件

文章目录背景解决第 1 步：通过 Dockerfile 挂载 NFS 盘第 2 步：修改 dump 路径为 NFS 盘路径第 3 步：OOM dump 验证参考背景 😂 背景：项目部署在RainBond（k8s）环境下，容器出现 OOM 异常后，k8s 会自动进行滚动更新。恰恰因为滚动更新，会导致原来的容器被删除。这…...

编程日记 2025/8/17 1:47:24

16位海明码解码电路设计教程

## 1. 海明码基本原理 ### 1.1 什么是海明码海明码(Hamming Code)是一种能够检测并纠正单比特错误的纠错码，由理查德海明(Richard Hamming)于1950年发明。它通过添加几个校验位(奇偶校验位)到原始数据中，使得数据在传输过程中发生单比特错误时能够被检测…...

编程日记 2025/8/17 20:51:15

九、数据库day01--认识

文章目录一、认识数据库1.数据库分类关系型数据库核⼼要素示例 2. SQL 语⾔3. MySQL 数据库介绍4. 数据库连接⼯具 Navicat连接数据库操作步骤总结提示：以下是本篇文章正文内容，下面案例可供参考一、认识数据库说明: 数据库是专⻔⽤来存储数据的软…...

编程日记 2025/8/17 19:57:27

2.深入剖析 Rust+Axum 类型安全路由系统

摘要详细解读 RustAxum 路由系统的关键设计原理，涵盖基于 Rust 类型系统的路由匹配机制、动态路径参数与正则表达式验证以及嵌套路由与模块化组织等多种特性。一、引言在现代 Web 开发中，路由系统是构建 Web 应用的核心组件之一，它负责…...

编程日记 2025/8/17 19:53:17

深度学习从入门到精通 day_02

1. 自动微分自动微分模块torch.autograd负责自动计算张量操作的梯度，具有自动求导功能。自动微分模块是构成神经网络训练的必要模块，可以实现网络权重参数的更新，使得反向传播算法的实现变得简单而高效。 1.1 基础概念 1. 张量 &#xff1a…...

编程日记 2025/8/17 20:59:16

Selenium 实现自动化分页处理与信息提取

Selenium 实现自动化分页处理与信息提取在 Web 自动化测试或数据抓取场景中，分页处理是一个常见的需求。通过 Selenium，我们可以实现对多页面内容的自动遍历，并从中提取所需的信息。本文将详细介绍如何利用 Selenium 进行自动化分页处理和信…...

编程日记 2025/8/17 20:54:51

【系统搭建】DPDK实现两虚拟机基于testpmd和l2fwd的收发包

testpmd与l2fwd的配合构建一个高性能的虚拟网络测试环境。l2fwd服务工作在数据链路层，使用MAC地址寻址，很多基于DPDK的策略实现可以基于l2fwd进行开发。一、拓扑结构示意 ------------------- 虚拟化层网络 ------------------- | 虚拟机1 …...

编程日记 2025/8/17 18:17:35

简单接口工具（ApiCraft-Web）

ApiCraft-Web 项目介绍 ApiCraft-Web 是一个轻量级的 API 测试工具，提供了简洁直观的界面，帮助开发者快速测试和调试 HTTP 接口。功能特点支持多种 HTTP 请求方法（GET、POST、PUT、DELETE）可配置请求参数（Query …...

编程日记 2025/8/17 18:17:42

C语言数据类型取值范围

32位C语言整型数据类型取值范围 64位C语言整型数据类型取值范围 C语言标准数据类型保证的取值范围在编写程序时如果要方便移植，我们应该关注的是图2-11的取值范围。摘录自《CSAPP》。...

编程日记 2025/8/17 15:57:05

【机器学习】大数据时代，模型训练慢如牛？解锁Spark MLlib与分布式策略

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 2025/8/17 20:51:59

合成数据赋能AI：从生成到闭环的全景图谱

目录合成数据赋能AI：从生成到闭环的全景图谱 🎯 项目目标 📄 白皮书 / PPT 大纲结构一、合成数据概述（What & Why） 二、合成数据的核心生成技术（How） 三、合成数据适配任务&#xf…...

编程日记 2025/8/17 20:40:16

CS144 Lab0实战记录：搭建网络编程基础

文章目录 1 实验概述与背景2 ByteStream的设计与实现2.1 字节流抽象概述2.2 实现思路2.3 核心数据结构2.4 Writer实现细节2.5 Reader实现细节 3 WebGet应用实现 1 实验概述与背景 Stanford大学的CS144课程是计算机网络领域最著名的课程之一，其实验设计巧妙地引导学…...

编程日记 2025/8/17 20:26:44

杂记-LeetCode中部分题思路详解与笔记-HOT100篇-其三

时光荏苒啊，没想到这么快就到了四月份... 这个坑好久没写了，现在我们重启一下。我看了一下之前的笔记，似乎是停留在了链表部分且HOT100中可以说最重要的链表题之一：LRU缓存居然没有写，真是岂有此理，让我…...

编程日记 2025/8/17 18:17:32

【python画图】：从入门到精通绘制完美柱状图

目录 Python数据可视化：从入门到精通绘制完美柱状图一、基础篇：快速绘制柱状图1.1 使用Matplotlib基础绘制1.2 使用Pandas快速绘图二、进阶篇：专业级柱状图定制2.1 多系列柱状图2.2 堆叠柱状图2.3 水平柱状图三、专业参数速查表Matplotlib …...

编程日记 2025/8/17 21:17:00

医疗设备预测性维护的合规性挑战与标准化路径研究

摘要本研究从医疗设备全生命周期管理视角，探讨预测性维护技术面临的特殊合规性挑战及其标准化解决方案。通过分析全球12个主要医疗市场的监管差异，提出基于ISO 23510的通用合规框架，并验证其在三类典型医疗设备（生命支持类、影像…...

编程日记 2025/8/17 20:49:30

使用 XWPFDocument 生成表格时固定列宽度

一、XWPFDocument XWPFTable个性化属性 1.初始默认写法 XWPFTable table document.createTable(n, m); //在文档中创建一个n行m列的表格 table.setWidth("100%"); // 表格占页面100%宽度// 通过getRow获取行进行自定义设置 XWPFTableRow row table.getRow(0); XW…...

编程日记 2025/8/17 21:01:16