计算神经网络中梯度的核心机制 - 反向传播(backpropagation)算法(1)

计算神经网络中梯度的核心机制 - 反向传播(backpropagation)算法(1)

flyfish

链式法则在深度学习中的主要应用是在反向传播(backpropagation)算法中。
从简单的开始 ,文本说的就是链式法则

R \mathbb{R} R

  • 英文:The set of real numbers
  • 解释:符号 R \mathbb{R} R 表示所有实数的集合,包括所有正数、负数和零。在英语中,这个符号称为 “the set of real numbers” 或简称 “the reals”。
  • 读作:实数集
  • 含义:符号 R \mathbb{R} R 表示所有实数的集合。在数学中,这个符号用来指代从负无穷到正无穷的所有实数。

f ∘ g f \circ g fg

  • 读作 f f f 复合 g g g
  • 含义:符号 ∘ \circ 表示函数的复合。复合函数 f ∘ g f \circ g fg 表示先应用函数 g g g,然后将 g g g 的输出作为函数 f f f 的输入。形式上,这可以写作:
    ( f ∘ g ) ( x ) = f ( g ( x ) ) (f \circ g)(x) = f(g(x)) (fg)(x)=f(g(x))

例子

假设我们有两个函数 g ( x ) = 2 x + 3 g(x) = 2x + 3 g(x)=2x+3 f ( u ) = u 3 f(u) = u^3 f(u)=u3,复合函数 f ∘ g f \circ g fg 表示为:
( f ∘ g ) ( x ) = f ( g ( x ) ) = f ( 2 x + 3 ) = ( 2 x + 3 ) 3 (f \circ g)(x) = f(g(x)) = f(2x + 3) = (2x + 3)^3 (fg)(x)=f(g(x))=f(2x+3)=(2x+3)3

箭头符号的意义

  • f : A → B f: A \to B f:AB 表示函数 f f f 将集合 A A A 中的每个元素映射到集合 B B B 中的一个元素。
  • x ↦ f ( x ) x \mapsto f(x) xf(x) 表示 x x x 经过函数 f f f 的映射得到 f ( x ) f(x) f(x)

例子

  1. 简单映射
    f : R → R f: \mathbb{R} \to \mathbb{R} f:RR 表示一个从实数集合到实数集合的函数。具体的映射可以是:
    f ( x ) = x 2 f(x) = x^2 f(x)=x2
    这里, f f f 将每个实数 x x x 映射到它的平方 x 2 x^2 x2
  2. 复合函数的映射
    如果有两个函数 g g g f f f
  • g : R → R g: \mathbb{R} \to \mathbb{R} g:RR
  • f : R → R f: \mathbb{R} \to \mathbb{R} f:RR并且 g ( x ) = 2 x + 3 g(x) = 2x + 3 g(x)=2x+3 f ( u ) = u 3 f(u) = u^3 f(u)=u3,那么复合函数 f ∘ g f \circ g fg 可以表示为:
    ( f ∘ g ) ( x ) = f ( g ( x ) ) (f \circ g)(x) = f(g(x)) (fg)(x)=f(g(x))
    具体的映射是:
    g : x ↦ 2 x + 3 g: x \mapsto 2x + 3 g:x2x+3
    f : u ↦ u 3 f: u \mapsto u^3 f:uu3
    结合起来:
    ( f ∘ g ) : x ↦ ( 2 x + 3 ) 3 (f \circ g): x \mapsto (2x + 3)^3 (fg):x(2x+3)3

函数的映射关系

在数学中,函数的定义和使用广泛应用于各种映射关系中。箭头符号帮助我们清晰地描述这些关系。更具体地:

  • 箭头 → \to 用于描述集合之间的映射关系。
  • 箭头 ↦ \mapsto 用于描述具体的元素如何被映射。

复合函数的表示

复合函数的映射关系可以通过箭头符号更直观地表示:

  1. g : A → B g: A \to B g:AB
  2. f : B → C f: B \to C f:BC
  3. 复合函数 f ∘ g f \circ g fg 的映射关系为 f ∘ g : A → C f \circ g: A \to C fg:AC
    假设 g g g x x x 映射到 u u u,即 g : x ↦ u g: x \mapsto u g:xu,并且 f f f u u u 映射到 y y y,即 f : u ↦ y f: u \mapsto y f:uy。那么复合函数 f ∘ g f \circ g fg x x x 直接映射到 y y y,即:
    ( f ∘ g ) : x ↦ f ( g ( x ) ) (f \circ g): x \mapsto f(g(x)) (fg):xf(g(x))

复合函数的概念

如果我们有两个函数:

  • g : A → B g: A \to B g:AB
  • f : B → C f: B \to C f:BC
    其中,函数 g g g 将集合 A A A 中的元素映射到集合 B B B,而函数 f f f 将集合 B B B 中的元素映射到集合 C C C。那么,复合函数 f ∘ g f \circ g fg 将集合 A A A 中的元素直接映射到集合 C C C,即:
    ( f ∘ g ) ( x ) = f ( g ( x ) ) (f \circ g)(x) = f(g(x)) (fg)(x)=f(g(x))

例子

  1. 简单的复合函数
    g ( x ) = x 2 g(x) = x^2 g(x)=x2 f ( u ) = sin ⁡ ( u ) f(u) = \sin(u) f(u)=sin(u)。复合函数 ( f ∘ g ) ( x ) (f \circ g)(x) (fg)(x) 表示为:
    ( f ∘ g ) ( x ) = f ( g ( x ) ) = sin ⁡ ( x 2 ) (f \circ g)(x) = f(g(x)) = \sin(x^2) (fg)(x)=f(g(x))=sin(x2)
    在这个例子中,先计算内部函数 g ( x ) = x 2 g(x) = x^2 g(x)=x2,然后将结果代入到外部函数 f ( u ) = sin ⁡ ( u ) f(u) = \sin(u) f(u)=sin(u)
  2. 其他例子
    g ( x ) = 2 x + 3 g(x) = 2x + 3 g(x)=2x+3 f ( u ) = u 3 f(u) = u^3 f(u)=u3。复合函数 ( f ∘ g ) ( x ) (f \circ g)(x) (fg)(x) 表示为:
    ( f ∘ g ) ( x ) = f ( g ( x ) ) = ( 2 x + 3 ) 3 (f \circ g)(x) = f(g(x)) = (2x + 3)^3 (fg)(x)=f(g(x))=(2x+3)3

假设我们有两个函数 g ( x ) g(x) g(x) f ( u ) f(u) f(u)

  1. 先绘制 g ( x ) g(x) g(x) 的图形。例如, g ( x ) = x 2 g(x) = x^2 g(x)=x2 是一个抛物线。
  2. 然后将 g ( x ) g(x) g(x) 的输出代入 f ( u ) f(u) f(u),绘制 f ( g ( x ) ) f(g(x)) f(g(x)) 的图形。例如, f ( u ) = sin ⁡ ( u ) f(u) = \sin(u) f(u)=sin(u),将 u = x 2 u = x^2 u=x2 代入,得到 sin ⁡ ( x 2 ) \sin(x^2) sin(x2) 的图形。
    在这里插入图片描述
import numpy as np
import matplotlib.pyplot as plt# 定义两个函数
def g(x):return x**2def f(u):return np.sin(u)# 生成x的值
x = np.linspace(-2, 2, 400)
y_g = g(x)
y_f = f(y_g)# 初始化图形
fig, (ax1, ax2, ax3) = plt.subplots(3, 1, figsize=(8, 12))# 绘制函数 g(x)
ax1.plot(x, y_g, label=r'$g(x) = x^2$', color='blue')
ax1.set_title('Function $g(x)$')
ax1.set_xlabel('$x$')
ax1.set_ylabel('$g(x)$')
ax1.legend()# 绘制函数 f(u)
u = np.linspace(0, 4, 400)
ax2.plot(u, f(u), label=r'$f(u) = \sin(u)$', color='green')
ax2.set_title('Function $f(u)$')
ax2.set_xlabel('$u$')
ax2.set_ylabel('$f(u)$')
ax2.legend()# 绘制复合函数 h(x) = f(g(x))
ax3.plot(x, y_f, label=r'$h(x) = \sin(x^2)$', color='red')
ax3.set_title('Composite Function $h(x) = f(g(x))$')
ax3.set_xlabel('$x$')
ax3.set_ylabel('$h(x)$')
ax3.legend()# 调整子图之间的间距
plt.subplots_adjust(hspace=0.5)# 显示图形
plt.show()

链式法则(Chain Rule)是微积分中一个重要的求导法则,它用于求复合函数的导数。复合函数是指一个函数的输入是另一个函数的输出,形式上可以写作 y = f ( g ( x ) ) y = f(g(x)) y=f(g(x))。链式法则告诉我们如何求这种复合函数的导数。

如果我们有两个函数 f f f g g g,其中 y = f ( u ) y = f(u) y=f(u) u = g ( x ) u = g(x) u=g(x),那么根据链式法则,复合函数 y = f ( g ( x ) ) y = f(g(x)) y=f(g(x)) x x x 的导数可以表示为:
d y d x = d y d u ⋅ d u d x \frac{dy}{dx} = \frac{dy}{du} \cdot \frac{du}{dx} dxdy=dudydxdu

用更直观的方式理解,链式法则表明:

  1. 首先求出内部函数 u = g ( x ) u = g(x) u=g(x) x x x 的导数,即 d u d x \frac{du}{dx} dxdu
  2. 然后求出外部函数 y = f ( u ) y = f(u) y=f(u) u u u 的导数,即 d y d u \frac{dy}{du} dudy
  3. 最后将这两个导数相乘,得到复合函数 y = f ( g ( x ) ) y = f(g(x)) y=f(g(x)) x x x 的导数。

例子

假设有函数 y = sin ⁡ ( x 2 ) y = \sin(x^2) y=sin(x2),我们希望求 y y y x x x 的导数。

  1. 首先,我们将 y = sin ⁡ ( x 2 ) y = \sin(x^2) y=sin(x2) 看作两个函数的复合,即 y = sin ⁡ ( u ) y = \sin(u) y=sin(u) u = x 2 u = x^2 u=x2
  2. 对内部函数 u = x 2 u = x^2 u=x2 求导: d u d x = 2 x \frac{du}{dx} = 2x dxdu=2x
  3. 对外部函数 y = sin ⁡ ( u ) y = \sin(u) y=sin(u) 求导: d y d u = cos ⁡ ( u ) \frac{dy}{du} = \cos(u) dudy=cos(u)
  4. 将这两个结果相乘: d y d x = d y d u ⋅ d u d x = cos ⁡ ( x 2 ) ⋅ 2 x \frac{dy}{dx} = \frac{dy}{du} \cdot \frac{du}{dx} = \cos(x^2) \cdot 2x dxdy=dudydxdu=cos(x2)2x
    所以, y = sin ⁡ ( x 2 ) y = \sin(x^2) y=sin(x2) x x x 的导数为:
    d y d x = 2 x cos ⁡ ( x 2 ) \frac{dy}{dx} = 2x \cos(x^2) dxdy=2xcos(x2)

微分符号 d d d 的含义

  1. 导数的定义
    导数表示函数在某一点的变化率。对于函数 y = f ( x ) y = f(x) y=f(x),它在 x x x 处的导数定义为: d y d x = lim ⁡ Δ x → 0 Δ y Δ x \frac{dy}{dx} = \lim_{\Delta x \to 0} \frac{\Delta y}{\Delta x} dxdy=limΔx0ΔxΔy这里, Δ y \Delta y Δy Δ x \Delta x Δx 分别表示 y y y x x x 的增量。当这些增量趋近于零时,我们用 d y dy dy d x dx dx 来表示这些非常小的变化量。
  2. 微分表示法
    微分符号 d d d 用于表示一个函数的微小变化。例如, d x dx dx 表示变量 x x x 的一个非常小的变化量。同样地, d y dy dy 表示函数 y y y 的一个非常小的变化量。如果 y = f ( x ) y = f(x) y=f(x),那么 d y dy dy 表示 y y y x x x 的微小变化,可以表示为: d y = f ′ ( x ) ⋅ d x dy = f'(x) \cdot dx dy=f(x)dx这里, f ′ ( x ) f'(x) f(x) 是函数 f ( x ) f(x) f(x) 的导数,表示 x x x 处的变化率。

链式法则中的 d d d

在链式法则中, d d d 表示不同变量的微小变化。例如:

  • d u du du 表示变量 u u u 的微小变化量。

  • d x dx dx 表示变量 x x x 的微小变化量。

  • d y dy dy 表示函数 y y y 的微小变化量。
    链式法则告诉我们,当我们有复合函数 y = f ( g ( x ) ) y = f(g(x)) y=f(g(x)) 时, y y y x x x 的变化可以分解为 y y y u u u 的变化以及 u u u x x x 的变化:
    d y d x = d y d u ⋅ d u d x \frac{dy}{dx} = \frac{dy}{du} \cdot \frac{du}{dx} dxdy=dudydxdu
    这里,每个 d d d 都表示相应变量的微小变化。例如:

  • d y d x \frac{dy}{dx} dxdy 表示 y y y x x x 的变化率。

  • d y d u \frac{dy}{du} dudy 表示 y y y u u u 的变化率。

  • d u d x \frac{du}{dx} dxdu 表示 u u u x x x 的变化率。
    通过这样分解,我们可以更容易地计算复合函数的导数。

基于极限和增量来理解链式法则

  1. 定义复合函数和导数
  • y = f ( u ) y = f(u) y=f(u),其中 u = g ( x ) u = g(x) u=g(x)
  • 我们需要求 y = f ( g ( x ) ) y = f(g(x)) y=f(g(x)) x x x 的导数。
  1. 增量表示
  • Δ x \Delta x Δx x x x 的一个非常小的增量。
  • 相应的, u u u 有一个非常小的增量 Δ u \Delta u Δu,其中 Δ u = g ( x + Δ x ) − g ( x ) \Delta u = g(x + \Delta x) - g(x) Δu=g(x+Δx)g(x)
  • y y y 的增量表示为 Δ y = f ( g ( x + Δ x ) ) − f ( g ( x ) ) \Delta y = f(g(x + \Delta x)) - f(g(x)) Δy=f(g(x+Δx))f(g(x))
  1. 导数的定义 d y d x = lim ⁡ Δ x → 0 Δ y Δ x \frac{dy}{dx} = \lim_{\Delta x \to 0} \frac{\Delta y}{\Delta x} dxdy=limΔx0ΔxΔy
  2. 应用链式法则的思想 Δ y = f ( g ( x + Δ x ) ) − f ( g ( x ) ) \Delta y = f(g(x + \Delta x)) - f(g(x)) Δy=f(g(x+Δx))f(g(x))可以表示为: Δ y Δ x = f ( g ( x + Δ x ) ) − f ( g ( x ) ) Δ x \frac{\Delta y}{\Delta x} = \frac{f(g(x + \Delta x)) - f(g(x))}{\Delta x} ΔxΔy=Δxf(g(x+Δx))f(g(x))
  3. 拆分增量
    由于 u = g ( x ) u = g(x) u=g(x),我们可以引入 Δ u \Delta u Δu Δ y Δ x = f ( g ( x + Δ x ) ) − f ( g ( x ) ) g ( x + Δ x ) − g ( x ) ⋅ g ( x + Δ x ) − g ( x ) Δ x \frac{\Delta y}{\Delta x} = \frac{f(g(x + \Delta x)) - f(g(x))}{g(x + \Delta x) - g(x)} \cdot \frac{g(x + \Delta x) - g(x)}{\Delta x} ΔxΔy=g(x+Δx)g(x)f(g(x+Δx))f(g(x))Δxg(x+Δx)g(x)
  4. 极限过程
    Δ x → 0 \Delta x \to 0 Δx0,我们有 Δ u → 0 \Delta u \to 0 Δu0,因此: d y d x = lim ⁡ Δ x → 0 ( f ( g ( x + Δ x ) ) − f ( g ( x ) ) g ( x + Δ x ) − g ( x ) ⋅ g ( x + Δ x ) − g ( x ) Δ x ) \frac{dy}{dx} = \lim_{\Delta x \to 0} \left( \frac{f(g(x + \Delta x)) - f(g(x))}{g(x + \Delta x) - g(x)} \cdot \frac{g(x + \Delta x) - g(x)}{\Delta x} \right) dxdy=Δx0lim(g(x+Δx)g(x)f(g(x+Δx))f(g(x))Δxg(x+Δx)g(x))根据导数的定义,我们有: d y d x = ( lim ⁡ Δ u → 0 Δ y Δ u ) ⋅ ( lim ⁡ Δ x → 0 Δ u Δ x ) \frac{dy}{dx} = \left( \lim_{\Delta u \to 0} \frac{\Delta y}{\Delta u} \right) \cdot \left( \lim_{\Delta x \to 0} \frac{\Delta u}{\Delta x} \right) dxdy=(Δu0limΔuΔy)(Δx0limΔxΔu)
  5. 导数表示 d y d x = d y d u ⋅ d u d x \frac{dy}{dx} = \frac{dy}{du} \cdot \frac{du}{dx} dxdy=dudydxdu其中, d y d u = lim ⁡ Δ u → 0 Δ y Δ u \frac{dy}{du} = \lim_{\Delta u \to 0} \frac{\Delta y}{\Delta u} dudy=Δu0limΔuΔy d u d x = lim ⁡ Δ x → 0 Δ u Δ x \frac{du}{dx} = \lim_{\Delta x \to 0} \frac{\Delta u}{\Delta x} dxdu=Δx0limΔxΔu
    因此复合函数的导数可以表示为外层函数的导数乘以内层函数的导数。

可视化

  • g(x):定义了内层函数 sin ⁡ ( x ) \sin(x) sin(x)
  • f(u):定义了外层函数 exp ⁡ ( u ) \exp(u) exp(u)
  • g_prime(x) 和 f_prime(u):定义了对应的导数。
  • h(x):复合函数 e sin ⁡ ( x ) e^{\sin(x)} esin(x)
  • h_prime(x):复合函数的导数,使用链式法则 f ′ ( g ( x ) ) ⋅ g ′ ( x ) f'(g(x)) \cdot g'(x) f(g(x))g(x)

在这里插入图片描述

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.animation as animation# 定义两个函数及其导数
def g(x):return np.sin(x)def f(u):return np.exp(u)def g_prime(x):return np.cos(x)def f_prime(u):return np.exp(u)# 复合函数及其导数
def h(x):return f(g(x))def h_prime(x):return f_prime(g(x)) * g_prime(x)# 生成x的值
x = np.linspace(0, 2 * np.pi, 400)
y_g = g(x)
y_f = f(y_g)
y_h = h(x)# 初始化图形
fig, (ax1, ax2, ax3) = plt.subplots(3, 1, figsize=(8, 12))# 绘制函数 g(x)
ax1.plot(x, y_g, label=r'$g(x) = \sin(x)$', color='blue')
ax1.set_title('Function $g(x)$')
ax1.set_xlabel('$x$')
ax1.set_ylabel('$g(x)$')
ax1.legend()# 绘制函数 f(u)
u = np.linspace(-1, 1, 400)
ax2.plot(u, f(u), label=r'$f(u) = e^{u}$', color='green')
ax2.set_title('Function $f(u)$')
ax2.set_xlabel('$u$')
ax2.set_ylabel('$f(u)$')
ax2.legend()# 绘制复合函数 h(x) = f(g(x))
ax3.plot(x, y_h, label=r'$h(x) = e^{\sin(x)}$', color='red')
ax3.set_title('Composite Function $h(x) = f(g(x))$')
ax3.set_xlabel('$x$')
ax3.set_ylabel('$h(x)$')
ax3.legend()plt.subplots_adjust(hspace=0.5)# 初始化点和切线
point1, = ax1.plot([], [], 'ro')  # 点
tangent_line1, = ax1.plot([], [], 'r--')  # 切线point2, = ax2.plot([], [], 'ro')  # 点
tangent_line2, = ax2.plot([], [], 'r--')  # 切线point3, = ax3.plot([], [], 'ro')  # 点
tangent_line3, = ax3.plot([], [], 'r--')  # 切线def init():point1.set_data([], [])tangent_line1.set_data([], [])point2.set_data([], [])tangent_line2.set_data([], [])point3.set_data([], [])tangent_line3.set_data([], [])return point1, tangent_line1, point2, tangent_line2, point3, tangent_line3def animate(i):x0 = i * 2 * np.pi / 100  # 从 0 开始,步长为 2π / 100y0_g = g(x0)y0_h = h(x0)# 绘制 g(x) 的点和切线slope_g = g_prime(x0)point1.set_data([x0], [y0_g])tangent_x1 = np.array([x0 - 0.5, x0 + 0.5])tangent_y1 = y0_g + slope_g * (tangent_x1 - x0)tangent_line1.set_data(tangent_x1, tangent_y1)# 绘制 f(g(x)) 的点和切线u0 = y0_gy0_f = f(u0)slope_f = f_prime(u0)point2.set_data([u0], [y0_f])tangent_x2 = np.array([u0 - 0.5, u0 + 0.5])tangent_y2 = y0_f + slope_f * (tangent_x2 - u0)tangent_line2.set_data(tangent_x2, tangent_y2)# 绘制 h(x) = f(g(x)) 的点和切线slope_h = h_prime(x0)point3.set_data([x0], [y0_h])tangent_x3 = np.array([x0 - 0.5, x0 + 0.5])tangent_y3 = y0_h + slope_h * (tangent_x3 - x0)tangent_line3.set_data(tangent_x3, tangent_y3)return point1, tangent_line1, point2, tangent_line2, point3, tangent_line3ani = animation.FuncAnimation(fig, animate, frames=100, init_func=init, blit=True)# 保存为gif
ani.save('chain_rule_animation.gif', writer='imagemagick')# 显示动画
plt.show()

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/bicheng/37884.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

pandas数据分析(2)

列 执行df.columns获取DataFrame列信息: 如果在构造DataFrame时没有提供列名,那么pandas会用 从0开始的数字为列编号。我们也可以为列命名,和为索引命名类似: 同样也可以重命名列名: 使用df.drop删除列: 删…

springboot解析自定义yml文件

背景 公司产品微服务架构下有十几个模块,几乎大部分模块都要连接redis。每次在客户那里部署应用,都要改十几遍配置,太痛苦了。当然可以用nacos配置中心的功能,配置公共参数。不过我是喜欢在应用级别上解决问题,因为并不…

华为RH2288H V2服务器,远程端口安装Linux操作系统

1、管理口 每台服务器的管理口不一样的,假如我的管理IP地址为:192.168.111.201 使用网线,将管理口和自己电脑连接起来,自己ip地址设置成和管理ip同一网段。 使用 ie 浏览器,如果是Edge,必须在Internet Exp…

如何配置Redis + Rdis在IDEA中的使用

文章目录 Step1. 下载zipStep2. 修改环境变量Step3. 启动Redis服务端Step4. 启动Redis客户端Step5. IDEA中链接Redis Step1. 下载zip 下载 Redis-x64-xxx.zip压缩包,解压到 E 盘后,将文件夹重新命名为 redis 下载地址:Redis下载地址 Step2…

Go 语言切片遍历地址会发生改变吗?

引言:今天面试的时候,面试官问了一道学 Go 语言的同学都会的简单代码,是关于 Go 语言 for 循环问题的,他询问了一个点,循环中共享变量的地址会发生改变吗? 相信听到这个问题的你,第一反应肯定是…

Webpack: 深入理解图像加载原理与最佳实践

概述 图形图像资源是当代 Web 应用的最常用、实惠的内容、装饰元素之一,但在 Webpack 出现之前对图像资源的处理复杂度特别高,需要借助一系列工具(甚至 Photoshop)完成压缩、雪碧图、hash、部署等操作。 而在 Webpack 中,图像以及其它多媒体…

基于MongoDB的电影影评分析

项目源码及资料 项目介绍 1、从豆瓣网爬取Top10的电影数据 爬取网址: https://movie.douban.com/top250 1.1 爬取Top10的影视信息 mv_data [] i 0 for x in soup.select(.item):i 1mv_name re.search(>([^<])<, str(x.select(.info > .hd > a > .tit…

【动态规划】2306. 公司命名

本文涉及知识点 动态规划汇总 LeetCode 2306. 公司命名 给你一个字符串数组 ideas 表示在公司命名过程中使用的名字列表。公司命名流程如下&#xff1a; 从 ideas 中选择 2 个 不同 名字&#xff0c;称为 ideaA 和 ideaB 。 交换 ideaA 和 ideaB 的首字母。 如果得到的两个新…

Python 面试【★★★★★】

欢迎莅临我的博客 &#x1f49d;&#x1f49d;&#x1f49d;&#xff0c;很高兴能够在这里和您见面&#xff01;希望您在这里可以感受到一份轻松愉快的氛围&#xff0c;不仅可以获得有趣的内容和知识&#xff0c;也可以畅所欲言、分享您的想法和见解。 推荐:「stormsha的主页」…

大数据可视化实验(七):Python数据可视化

目录 一、实验目的... 1 二、实验环境... 1 三、实验内容... 1 1&#xff09;绘制带颜色的柱状图。.. 1 2&#xff09;绘制堆叠柱状图。.. 3 3&#xff09;绘制数学函数曲线图。.. 4 4&#xff09;使用seaborn绘制组合图形。... 5 5&#xff09;使用Boken绘制多个三角形…

63.ThreadLocal原理

JDK8中ThreadLocal的设计 每个Thread维护一个ThreadLocalMap,这个map的key是ThreadLocal实例本身,value才是真正要存储的值Object。 Thread -> ThreadLocalMap -> <ThreadLocal实例对象, 变量副本> jdk早期设计 ThreadLocal -> ThreadLocalMap -> <T…

vmware安装debian11

安装vmware16 下载镜像 https://repo.huaweicloud.com/debian-cd/ https://repo.huaweicloud.com/debian-cd/11.7.0/amd64/iso-dvd/ 安装 安装完成之后重启&#xff0c;输入账号密码进入&#xff0c;安装ssh服务器即可使用

ManicTime(屏幕时间统计工具) 专业版值得购买吗

ManicTime 是 Windows 平台上&#xff0c;一款支持跟踪、标记用户在每个软件上所花时间的工具&#xff0c;它能自动归类生成时间使用报表&#xff0c;帮助用户分析及改善工作效率。 ManicTime 不仅会在后台记录、统计所有窗口的使用时间&#xff0c;还能自动截图存档到本地&a…

设计模式 - 原型模式,就该这样学!

目录 开始 为什么要引入原型模式 原型模式概述 原型模式代码实现&#xff08;浅拷贝&#xff09; 浅拷贝和深拷贝的区别 原型模式代码实现&#xff08;深拷贝&#xff09; 方式一&#xff1a;直接 copy 方式二&#xff1a;序列化和反序列化&#xff08;推荐&#xff09…

LeetCode 1527, 54,114

目录 1527. 患某种疾病的患者题目链接表要求知识点思路代码 54. 螺旋矩阵题目链接标签思路代码 114. 二叉树展开为链表题目链接标签前序遍历思路代码 前驱思路代码 1527. 患某种疾病的患者 题目链接 1527. 患某种疾病的患者 表 表Patients的字段为patient_id、patient_name…

C++ | Leetcode C++题解之第205题同构字符串

题目&#xff1a; 题解&#xff1a; class Solution { public:bool isIsomorphic(string s, string t) {unordered_map<char, char> s2t;unordered_map<char, char> t2s;int len s.length();for (int i 0; i < len; i) {char x s[i], y t[i];if ((s2t.coun…

Webpack: 7 款常用的性能分析工具

概述 Webpack 最大的优势在于它的功能非常强大、全面&#xff0c;加之繁荣活跃的组件生态&#xff0c;已经足够应对几乎所有 Web 构建需求&#xff0c;包括&#xff1a;SPA、MPA、SSR、桌面应用、Node 程序、WebAssemsbly、PWA、微前端等等&#xff0c;所以即使在近几年工程化…

Python | Leetcode Python题解之第205题同构字符串

题目&#xff1a; 题解&#xff1a; class Solution:def isIsomorphic(self, s: str, t: str) -> bool:dicts Counter(s)dictt Counter(t) if list(dicts.values()) ! list(dictt.values()):return Falsefor i in range(len(s)):inds list(dicts.keys()).index(s…

C#语言编写的仅有8KB大小的简易贪吃蛇开源游戏

前言 今天大姚给大家分享一款由C#语言编写的仅有8KB大小的简易贪吃蛇开源游戏&#xff1a;SeeSharpSnake。 项目特点 该仓库中的项目文件和脚本可以用多种不同的配置构建相同的游戏&#xff0c;每个配置生成的输出大小也不同。 项目源码运行 F5 运行 SeeSharpSnake项目&…

E4A视频APP源码电视盒子Coolpoint酷点电视4.5版后端苹果cms

电视盒子酷点TV版4.5影视APP源码后端对接苹果CMS&#xff0c;此版带会员功能,对接的是 如意验证1.71版苹果cms后端APP 电视TV4.5版,会员功能带注册邀请,绑定邮箱,邮箱找回密码,修改新密码,卡密充值,签到,积分兑换会员&#xff1b; 自带10个解析线路,有电视直播功能,首页滚动公…