【数学建模】—【Python库】—【Numpy】—【学习】

目录

​编辑

1. NumPy安装

2. ndarray对象

1. 创建ndarray

1.从列表或元组创建：

2.使用内置函数创建：

2. ndarray属性

3. 数组运算

1. 基本运算

2. 数学函数

3.统计函数

4. 数组索引与切片

1. 一维数组索引与切片

 2.多维数组索引与切片

5. 数组形状操作

1. 改变数组形状

 2. 数组转置

6. 数组拼接与分割

1. 数组拼接

2. 数组分割 

7. 广播机制

8. 常用函数

1. 数组生成函数

 2.数学运算函数

9. 高级运算

1. 矩阵运算

2.统计运算

10. 实践案例

1. 数据分析案例

2. 数值计算案例

11. NumPy与其他库的结合

12. NumPy高级功能

1. 线性代数

2. 随机数生成

3. FFT（快速傅里叶变换）

13. NumPy性能优化

1. 向量化操作

2. 避免不必要的复制

​编辑14. 总结

NumPy综合总结

1. 简介

2. 安装与导入

3. ndarray对象

4. 数组运算

5. 数组索引与切片

6. 数组形状操作

7. 数组拼接与分割

8. 广播机制

9. 常用函数

10. 高级运算

11. 实践案例

12. NumPy与其他库的结合

13. NumPy高级功能

14. NumPy性能优化

结论

 专栏：数学建模学习笔记

pycharm专业版免费激活教程见资源

python相关库的安装：pandas,numpy,matplotlib，statsmodels

总篇：【数学建模】—【新手小白到国奖选手】—【学习路线】

本篇属于第一卷——Numpy学习笔记

NumPy（Numerical Python）是Python编程语言的一个库，支持大规模的多维数组与矩阵运算，此外还提供了大量的数学函数库。NumPy在科学计算和数据分析领域有着广泛的应用。其核心是一个高效的多维数组对象，称为ndarray。

1. NumPy安装

要使用NumPy库，首先需要安装它。可以通过pip来安装：

pip install numpy

安装完成后，可以通过以下方式导入NumPy库：

import numpy as np

2. ndarray对象

NumPy的核心是ndarray对象，它是一个多维数组。它和Python的列表类似，但提供了更高效的存储和运算功能。

1. 创建ndarray

可以通过多种方式创建ndarray对象：

1.从列表或元组创建：

import numpy as np# 从列表创建
a = np.array([1, 2, 3])
print(a)  # 输出：[1 2 3]# 从嵌套列表创建
b = np.array([[1, 2, 3], [4, 5, 6]])
print(b)  # 输出：
# [[1 2 3]
#  [4 5 6]]

2.使用内置函数创建：

import numpy as np# 创建全零数组
zeros_array = np.zeros((2, 3))
print(zeros_array)  # 输出：
# [[0. 0. 0.]
#  [0. 0. 0.]]# 创建全一数组
ones_array = np.ones((2, 3))
print(ones_array)  # 输出：
# [[1. 1. 1.]
#  [1. 1. 1.]]# 创建一个值为5的数组
full_array = np.full((2, 3), 5)
print(full_array)  # 输出：
# [[5 5 5]
#  [5 5 5]]# 创建单位矩阵
eye_array = np.eye(3)
print(eye_array)  # 输出：
# [[1. 0. 0.]
#  [0. 1. 0.]
#  [0. 0. 1.]]# 创建随机数组
random_array = np.random.random((2, 3))
print(random_array)  # 输出（示例）：
#[[0.55827818 0.41537687 0.41252448]
# [0.10251325 0.7435904  0.69922825]]

2. ndarray属性

ndarray对象有许多属性，用于描述数组的形状、维度、数据类型等：

import numpy as npa = np.array([[1, 2, 3], [4, 5, 6]])print("数组维度：", a.ndim)  # 输出：数组维度： 2
print("数组形状：", a.shape)  # 输出：数组形状： (2, 3)
print("数组大小：", a.size)  # 输出：数组大小： 6
print("数组数据类型：", a.dtype)  # 输出：数组数据类型： int32
print("数组元素大小：", a.itemsize)  # 输出：数组元素大小： 4
print("数组数据缓冲区：", a.data)  # 输出：数组数据缓冲区： <memory at 0x000001F49D4336B0>

3. 数组运算

NumPy提供了丰富的数组运算功能，可以对ndarray对象进行数学运算、逻辑运算、统计运算等。

1. 基本运算

可以对数组进行元素级别的运算：

import numpy as npa = np.array([1, 2, 3])
b = np.array([4, 5, 6])# 加法
print(a + b)  # 输出：[5 7 9]# 减法
print(a - b)  # 输出：[-3 -3 -3]# 乘法
print(a * b)  # 输出：[ 4 10 18]# 除法
print(a / b)  # 输出：[0.25 0.4  0.5 ]

 

2. 数学函数

NumPy提供了大量的数学函数，可以对数组进行逐元素的计算：

import numpy as npa = np.array([0, np.pi / 2, np.pi])# 三角函数
print(np.sin(a))  # 输出：[0.000000e+00 1.000000e+00 1.224647e-16]
print(np.cos(a))  # 输出：[ 1.000000e+00  6.123234e-17 -1.000000e+00]
print(np.tan(a))  # 输出：[ 0.00000000e+00  1.63312394e+16 -1.22464680e-16]# 指数和对数
print(np.exp(a))  # 输出：[ 1.          4.48168907 23.14069263]
print(np.log(a))  # 输出：[-inf  0.         1.14472989]（注：0的对数为负无穷）
print(np.log10(a))  # 输出：[-inf  0.          0.49714987]（注：0的对数为负无穷）

 

在使用NumPy计算数组中元素的对数时，当数组中包含零元素时，会出现“divide by zero encountered in log”或“divide by zero encountered in log10”这样的警告。这是因为对数函数在零值处无定义，对数为负无穷（-inf）。

这些警告是由零值引起的，它们在对数运算中会导致无穷大的结果。这在NumPy中是一个正常的行为，提醒你注意输入数据中的零值。

如果你想避免这些警告，可以在计算对数之前，处理数组中的零值。你可以将零值替换为一个非常小的正数，例如 np.finfo(float).eps（浮点数的最小可表示正数），以避免这些警告。以下是一个示例代码：确保在替换零值之前，数组已经正确更新。

import numpy as npa = np.array([0, 1, 3])
# 替换数组中的零值为非常小的正数
a = np.where(a == 0, np.finfo(float).eps, a)print(np.log(a))    # 输出不会包含负无穷
print(np.log10(a))  # 输出不会包含负无穷

确保代码执行顺序正确，即先替换零值再计算对数。这段代码首先将数组 a 中的零值替换为 np.finfo(float).eps，然后计算 a 的自然对数和常用对数，这样就不会再出现除以零的警告了。

3.统计函数

NumPy提供了多种统计函数，可以对数组进行统计运算：

import numpy as npa = np.array([[1, 2, 3], [4, 5, 6]])# 最小值
print(np.min(a))  # 输出：1# 最大值
print(np.max(a))  # 输出：6# 和
print(np.sum(a))  # 输出：21# 均值
print(np.mean(a))  # 输出：3.5# 标准差
print(np.std(a))  # 输出：1.707825127659933# 中位数
print(np.median(a))  # 输出：3.5# 累积和
print(np.cumsum(a))  # 输出：[ 1  3  6 10 15 21]

4. 数组索引与切片

NumPy提供了强大的数组索引与切片功能，可以方便地访问和修改数组元素。

1. 一维数组索引与切片

import numpy as npa = np.array([0, 1, 2, 3, 4, 5])# 索引
print(a[0])  # 输出：0  输出第一个元素
print(a[-1])  # 输出：5  输出最后一个元素# 切片
print(a[1:3])  # 输出：[1 2]  输出第二个到第三个元素
print(a[:3])  # 输出：[0 1 2]  输出前三个元素
print(a[3:])  # 输出：[3 4 5]  输出第三个到最后一个元素
print(a[::2])  # 输出：[0 2 4]  每隔一个元素输出一个元素

 2.多维数组索引与切片

import numpy as npa = np.array([[0, 1, 2], [3, 4, 5], [6, 7, 8]])# 索引
print(a[0, 0])  # 输出：0  输出第一行第一列的元素
print(a[1, -1])  # 输出：5  输出第二行最后一个元素# 切片
print(a[:2, 1:3])  # 输出：
# [[1 2]
#  [4 5]]  输出第一行到第二行，第二列到第三列的元素print(a[::2, ::2])  # 输出：
# [[0 2]
#  [6 8]]  每隔一行一列输出一个元素

5. 数组形状操作

NumPy提供了多种函数来改变数组的形状。

1. 改变数组形状

import numpy as npa = np.array([[1, 2, 3], [4, 5, 6]])# 改变形状
print(a.reshape(3, 2))  # 输出：
# [[1 2]
#  [3 4]
#  [5 6]]print(a.flatten())  # 将数组展平成一维  输出：[1 2 3 4 5 6]

 2. 数组转置

import numpy as npa = np.array([[1, 2, 3], [4, 5, 6]])# 转置
print(a.T)  # 输出：
# [[1 4]
#  [2 5]
#  [3 6]]

6. 数组拼接与分割

NumPy提供了拼接与分割数组的函数。

1. 数组拼接

import numpy as npa = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6]])# 垂直拼接
print(np.vstack((a, b)))  # 输出：
# [[1 2]
#  [3 4]
#  [5 6]]# 水平拼接
print(np.hstack((a, b.T)))  # 输出：
# [[1 2 5]
#  [3 4 6]]

2. 数组分割 

import numpy as npa = np.array([[1, 2, 3], [4, 5, 6]])# 水平分割
print(np.hsplit(a, 3))  # 输出：[array([[1], [4]]), array([[2], [5]]), array([[3], [6]])]# 垂直分割
print(np.vsplit(a, 2))  # 输出：[array([[1, 2, 3]]), array([[4, 5, 6]])]

7. 广播机制

NumPy的广播机制允许不同形状的数组进行算术运算。广播的规则是：

  1. 如果数组的维度不同，将维度较小的数组进行扩展，直到两个数组的维度相同。
  2. 如果两个数组在某个维度上的长度不同，但其中一个长度为1，则可以进行运算。
  3. 如果两个数组在任何一个维度上的长度都不相同且都不为1，则无法进行广播。
import numpy as npa = np.array([1, 2, 3])
b = np.array([[0], [1], [2]])# 广播机制
print(a + b)  # 输出：
# [[1 2 3]
#  [2 3 4]
#  [3 4 5]]

8. 常用函数

NumPy提供了许多常用函数，以下列出一些常用函数的示例。

1. 数组生成函数

import numpy as np# 创建全零数组
print(np.zeros((2, 3)))  # 输出：
# [[0. 0. 0.]
#  [0. 0. 0.]]# 创建全一数组
print(np.ones((2, 3)))  # 输出：
# [[1. 1. 1.]
#  [1. 1. 1.]]# 创建指定值数组
print(np.full((2, 3), 5))  # 输出：
# [[5 5 5]
#  [5 5 5]]# 创建单位矩阵
print(np.eye(3))  # 输出：
# [[1. 0. 0.]
#  [0. 1. 0.]
#  [0. 0. 1.]]# 创建随机数组
print(np.random.random((2, 3)))  # 输出（示例）：
# [[0.97601061 0.54150051 0.71578887]#[0.44954629 0.74204514 0.63492767]]# 创建等差数组
print(np.arange(0, 10, 2))  # 输出：[0 2 4 6 8]# 创建等比数组
print(np.linspace(0, 1, 5))  # 输出：[0.   0.25 0.5  0.75 1.  ]

 

 2.数学运算函数

import numpy as npa = np.array([1, 2, 3, 4])# 求和
print(np.sum(a))  # 输出：10# 求乘积
print(np.prod(a))  # 输出：24# 求累积和
print(np.cumsum(a))  # 输出：[ 1  3  6 10]# 求累积乘积
print(np.cumprod(a))  # 输出：[ 1  2  6 24]

9. 高级运算

1. 矩阵运算

NumPy提供了丰富的矩阵运算函数。

import numpy as npa = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])# 矩阵乘法
print(np.dot(a, b))  # 输出：
# [[19 22]
#  [43 50]]# 矩阵行列式
print(np.linalg.det(a))  # 输出：-2.0000000000000004# 矩阵逆
print(np.linalg.inv(a))  # 输出：
# [[-2.   1. ]
#  [ 1.5 -0.5]]# 矩阵特征值
print(np.linalg.eig(a))  # 输出：（特征值，特征向量）
# EigResult(eigenvalues=array([-0.37228132,  5.37228132]), #eigenvectors=array([[-0.82456484, -0.41597356],#      [ 0.56576746, -0.90937671]]))

 

2.统计运算

NumPy提供了多种统计运算函数。

import numpy as npa = np.array([[1, 2, 3], [4, 5, 6]])# 均值
print(np.mean(a))  # 输出：3.5# 中位数
print(np.median(a))  # 输出：3.5# 方差
print(np.var(a))  # 输出：2.9166666666666665# 标准差
print(np.std(a))  # 输出：1.707825127659933# 最小值
print(np.min(a))  # 输出：1# 最大值
print(np.max(a))  # 输出：6# 百分位数
print(np.percentile(a, 50))  # 输出：3.5

10. 实践案例

1. 数据分析案例

以下是一个简单的数据分析案例，展示如何使用NumPy进行数据处理和分析。

import numpy as np# 生成模拟数据
data = np.random.randn(1000)# 计算均值和标准差
mean = np.mean(data)
std_dev = np.std(data)print(f"均值: {mean}, 标准差: {std_dev}")  # 示例输出：均值: -0.015971063944354425, 标准差: 0.9670869531250885
# 计算数据的直方图
hist, bin_edges = np.histogram(data, bins=10)
print(hist)  # 示例输出：[  4   8  53 101 227 251 204 111  34   7]
print(bin_edges)  # 示例输出：[-3.42803477 -2.79654529 -2.16505581 -1.53356634 -0.90207686 -0.27058738
#  0.36090209  0.99239157  1.62388104  2.25537052  2.88686   ]

2. 数值计算案例

以下是一个简单的数值计算案例，展示如何使用NumPy进行数值计算。

import numpy as np# 定义函数
def f(x):return x**2 - 4*x + 4# 生成数据
x = np.linspace(-10, 10, 100)# 计算函数值
y = f(x)print(y)  
"""
示例输出：
[1.44000000e+02 1.39192327e+02 1.34466279e+02 1.29821855e+021.25259055e+02 1.20777880e+02 1.16378329e+02 1.12060402e+021.07824100e+02 1.03669421e+02 9.95963677e+01 9.56049383e+019.16951331e+01 8.78669524e+01 8.41203959e+01 8.04554637e+017.68721559e+01 7.33704724e+01 6.99504132e+01 6.66119784e+016.33551678e+01 6.01799816e+01 5.70864198e+01 5.40744822e+015.11441690e+01 4.82954801e+01 4.55284155e+01 4.28429752e+014.02391593e+01 3.77169677e+01 3.52764004e+01 3.29174574e+013.06401388e+01 2.84444444e+01 2.63303745e+01 2.42979288e+012.23471074e+01 2.04779104e+01 1.86903377e+01 1.69843893e+011.53600653e+01 1.38173656e+01 1.23562902e+01 1.09768391e+019.67901235e+00 8.46280992e+00 7.32823181e+00 6.27527803e+005.30394858e+00 4.41424344e+00 3.60616264e+00 2.87970615e+002.23487399e+00 1.67166616e+00 1.19008264e+00 7.90123457e-014.71788593e-01 2.35078053e-01 7.99918376e-02 6.52994592e-031.46923783e-02 1.04479135e-01 2.75890215e-01 5.28925620e-018.63585348e-01 1.27986940e+00 1.77777778e+00 2.35731048e+003.01846750e+00 3.76124885e+00 4.58565453e+00 5.49168452e+006.47933884e+00 7.54861749e+00 8.69952046e+00 9.93204775e+001.12461994e+01 1.26419753e+01 1.41193756e+01 1.56784002e+011.73190491e+01 1.90413223e+01 2.08452199e+01 2.27307418e+012.46978880e+01 2.67466585e+01 2.88770534e+01 3.10890725e+013.33827160e+01 3.57579839e+01 3.82148760e+01 4.07533925e+014.33735333e+01 4.60752984e+01 4.88586879e+01 5.17237017e+015.46703398e+01 5.76986022e+01 6.08084889e+01 6.40000000e+01]
"""

11. NumPy与其他库的结合

NumPy通常与其他库结合使用，如Pandas、Matplotlib、SciPy等。以下是一个简单的示例，展示如何结合NumPy和Matplotlib进行数据可视化。

import numpy as np
import matplotlib.pyplot as plt# 生成数据
x = np.linspace(0, 10, 100)
y = np.sin(x)# 绘制数据
plt.plot(x, y)
plt.xlabel('x')
plt.ylabel('sin(x)')
plt.title('Sin(x) Function')
plt.show()

运行结果： 一幅展示sin(x)函数的折线图，其中x轴表示从0到10的均匀分布的数据，y轴表示sin(x)的值。 

 

12. NumPy高级功能

1. 线性代数

NumPy提供了丰富的线性代数功能，可以进行矩阵乘法、矩阵分解、特征值计算等。

import numpy as npa = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])# 矩阵乘法
print(np.dot(a, b))  # 输出：
# [[19 22]
#  [43 50]]# 矩阵行列式
print(np.linalg.det(a))  # 输出：-2.0000000000000004# 矩阵逆
print(np.linalg.inv(a))  # 输出：
# [[-2.   1. ]
#  [ 1.5 -0.5]]# 矩阵特征值
print(np.linalg.eig(a))  # 输出：（特征值，特征向量）
# (array([-0.37228132,  5.37228132]), 
#  array([[-0.82456484, -0.41597356],
#         [ 0.56576746, -0.90937671]]))

2. 随机数生成

NumPy提供了丰富的随机数生成功能，可以生成各种分布的随机数。

import numpy as np# 生成均匀分布的随机数
print(np.random.rand(2, 3))  # 输出（示例）：
# [[0.2177449  0.71579651 0.40282945]
#  [0.00823481 0.2378211  0.22714768]]# 生成标准正态分布的随机数
print(np.random.randn(2, 3))  # 输出（示例）：
# [[-0.02638322 -0.29821612 -0.57163728]
#  [ 0.023793   -0.03624107  0.5007041 ]]# 生成指定区间的随机整数
print(np.random.randint(0, 10, size=(2, 3)))  # 输出（示例）：
# [[9 0 6]
#  [4 5 5]]
# 生成指定分布的随机数
print(np.random.normal(loc=0, scale=1, size=(2, 3)))  # 输出（示例）：
#[[-0.05426652  0.00228263 -0.27759785]#[-0.47845462  2.04304079 -0.84451445]]

3. FFT（快速傅里叶变换）

NumPy提供了快速傅里叶变换功能，可以对数组进行快速傅里叶变换。

import numpy as npa = np.array([0, 1, 2, 3])# 快速傅里叶变换
print(np.fft.fft(a))  # 输出：
# [ 6.+0.j -2.+2.j -2.+0.j -2.-2.j]# 逆快速傅里叶变换
print(np.fft.ifft(a))  # 输出：
# [ 1.5+0.j -0.5+0.5j -0.5+0.j -0.5-0.5j]

13. NumPy性能优化

NumPy通过其底层实现，已经大大优化了性能，但在实际应用中仍有许多技巧可以进一步提升性能。

1. 向量化操作

尽量使用向量化操作代替显式的Python循环，以提高性能。

import numpy as npa = np.arange(1000000)# 使用向量化操作
result = a * 2
print(result[:10])  # 输出：[ 0  2  4  6  8 10 12 14 16 18]

2. 避免不必要的复制

在操作大数组时，尽量避免不必要的数组复制操作，以减少内存使用和提高性能。

import numpy as npa = np.arange(1000000)# 避免不必要的复制
b = a[:500000]
print(b[:10])  # 输出：[0 1 2 3 4 5 6 7 8 9]

14. 总结

NumPy综合总结

本文通过详细的讲解和丰富的代码示例，全面介绍了NumPy库的基础知识、常用功能和高级应用，为初学者提供了深入理解和灵活使用NumPy的指南。

1. 简介

NumPy（Numerical Python）是Python编程语言的一个库，专门用于大规模的多维数组与矩阵运算。NumPy是科学计算和数据分析的重要工具，其核心是高效的多维数组对象ndarray。

2. 安装与导入

通过pip可以轻松安装NumPy库，导入方式为 import numpy as np。

3. ndarray对象

ndarray对象是NumPy的核心，可以通过列表、元组或内置函数创建。ndarray具有多种属性，如维度、形状、大小、数据类型等，方便用户对数组进行描述和操作。

4. 数组运算

NumPy提供了丰富的运算功能，包括基本运算、数学函数和统计函数。用户可以对数组进行元素级别的加减乘除运算，使用三角函数、指数和对数函数进行复杂计算，还可以进行求和、均值、标准差等统计运算。

5. 数组索引与切片

NumPy的索引与切片功能强大，可以方便地访问和修改数组元素。支持一维和多维数组的索引和切片操作，使得数据操作更加灵活。

6. 数组形状操作

NumPy提供了改变数组形状的多种函数，如reshape、flatten和转置函数，使得用户可以轻松调整数组的结构以满足不同的计算需求。

7. 数组拼接与分割

NumPy支持数组的拼接与分割操作，用户可以使用vstack和hstack进行垂直和水平拼接，使用hsplit和vsplit进行数组分割。

8. 广播机制

广播机制允许不同形状的数组进行算术运算，极大地方便了数组的操作和计算。理解广播机制的规则有助于更有效地使用NumPy进行数组运算。

9. 常用函数

NumPy提供了多种常用函数，如创建全零数组、全一数组、单位矩阵、随机数组，以及生成等差和等比数组的函数。这些函数简化了数组的生成过程。

10. 高级运算

NumPy的高级运算功能包括矩阵运算和统计运算，支持矩阵乘法、行列式、矩阵逆和特征值计算，提供了丰富的统计函数，如均值、中位数、方差和标准差等。

11. 实践案例

本文通过数据分析和数值计算的实际案例，展示了如何使用NumPy进行数据处理和分析，以及进行数值计算，帮助读者将理论知识应用于实践。

12. NumPy与其他库的结合

NumPy通常与Pandas、Matplotlib、SciPy等库结合使用。本文展示了如何结合NumPy和Matplotlib进行数据可视化，进一步扩展了NumPy的应用范围。

13. NumPy高级功能

NumPy提供了线性代数、随机数生成和快速傅里叶变换等高级功能，使得其在科学计算和工程应用中更加得心应手。

14. NumPy性能优化

通过向量化操作和避免不必要的复制，用户可以进一步优化NumPy的性能，提升代码运行效率。

结论

NumPy作为Python科学计算的基础库，提供了强大的数组处理能力和丰富的数学函数，广泛应用于数据分析、科学计算、工程应用等领域。通过本篇详细的介绍和示例，读者可以全面掌握NumPy的使用方法，并在实际项目中灵活应用，从而大幅提升计算效率和编程体验。

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/diannao/34852.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

如何在 CentOS 上卸载 Nginx？

如何在 CentOS 上卸载 Nginx？

本章教程，主要介绍如何彻底卸载删除nginx 一、停止nginx服务 sudo systemctl stop nginx二、卸载nginx服务 sudo yum remove nginx三、查找nginx相关文件 sudo find / -name *nginx*将nginx相关文件进行删除 四、删除nginx相关文件 这里是常见的一些nginx相关文件 s
阅读更多...
机器学习/pytorch笔记:time2vec

机器学习/pytorch笔记:time2vec

1 概念部分 对于给定的标量时间概念 t&#xff0c;Time2Vec 的表示 t2v(t)是一个大小为 k1的向量&#xff0c;定义如下&#xff1a; 其中&#xff0c;t2v(t)[i]是 t2v(t)的第 i 个元素&#xff0c;F是一个周期性激活函数&#xff0c;ω和 ϕ是可学习的参数。 以下是个人理解&am…
阅读更多...
Shark！一个基于遗传算法的自动因子挖掘平台

Shark！一个基于遗传算法的自动因子挖掘平台

DolphinDB 推出的 CPU-GPU 异构计算平台 Shark&#xff0c;将 DolphinDB 上的复杂指标计算能力无缝切换到 GPU 算力平台&#xff0c;大幅提升了计算性能。Shark 最新版本给开发者提供了两个主要功能&#xff1a;因子挖掘和因子计算。通过使用遗传算法&#xff0c;因子挖掘功能能…
阅读更多...
编程哲学——抽象

编程哲学——抽象

主要参考资料: App Image Format: https://docs.espressif.com/projects/esp-idf/zh_CN/release-v4.4/esp32s3/api-reference/system/app_image_format.html# 目录 简介抽象&#xff1a;从现实到模型类和对象&#xff1a;现实与模型的映射封装&#xff1a;隐藏复杂性继承&#…
阅读更多...
年薪超过30万的网工，需要具备什么技能？

年薪超过30万的网工，需要具备什么技能？

网工是一个各行各业都需要的职业&#xff0c;工作内容属性决定了它不会只在某一方面专精&#xff0c;需要掌握网络维护、设计、部署、运维、网络安全等技能。 那么&#xff0c;网络工程师的技术水平体现在哪些方面&#xff1f;今天就跟你唠唠这个。 01 先来测测你的网络设计能力…
阅读更多...
Flutter 像素编辑器#05 | 缩放与平移

Flutter 像素编辑器#05 | 缩放与平移

theme: cyanosis 本系列&#xff0c;将通过 Flutter 实现一个全平台的像素编辑器应用。源码见开源项目 【pix_editor】。在前三篇中&#xff0c;我们已经完成了一个简易的图像编辑器&#xff0c;并且简单引入了图层的概念&#xff0c;支持切换图层显示不同的像素画面。 《Flutt…
阅读更多...
Docker - Oracle Database 23ai Free

Docker - Oracle Database 23ai Free

博文目录 文章目录 说明命令NavicatSYSTEMPDBADMIN 扩展公共用户本地用户 说明 Oracle 官方镜像仓库 Database 23ai Free | Oracle Docker 官方没有提供 Oracle Database 相关镜像, 但是 Oracle 官方镜像仓库有提供, 打开上面的链接, 选择 Database, 选择合适的版本, 如 enter…
阅读更多...
Elasticsearch：使用 Llamaindex 的 RAG 与 Elastic 和 Llama3

Elasticsearch：使用 Llamaindex 的 RAG 与 Elastic 和 Llama3

这篇文章是对之前的文章 “使用 Llama 3 开源和 Elastic 构建 RAG” 的一个补充。我们可以在本地部署 Elasticsearch&#xff0c;并进行展示。我们将一步一步地来进行配置并展示。你还可以参考我之前的另外一篇文章 “Elasticsearch&#xff1a;使用在本地计算机上运行的 LLM 以…
阅读更多...
Android frida 实战： 分析全民K歌的判断逻辑

Android frida 实战： 分析全民K歌的判断逻辑

本篇进入 Android frida 实战&#xff0c;旨在分析学习全民K歌这个 app 演唱页面的判断逻辑。 版本&#xff1a;8.22.38.278 此 app 为腾讯推出的面向国内的社交娱乐类应用软件&#xff0c;主要功能是提供用户唱歌、录制和分享自己演唱的歌曲。当非 vip 用户演唱某 vip 歌曲等功…
阅读更多...
三元前驱体废水回收镍钴工艺：环保与经济效益的双重胜利

三元前驱体废水回收镍钴工艺：环保与经济效益的双重胜利

在全球新能源产业迅猛发展的背景下&#xff0c;锂离子电池作为绿色能源的核心组件&#xff0c;其需求量激增&#xff0c;带动了上游材料市场&#xff0c;尤其是三元前驱体材料的蓬勃发展。然而&#xff0c;伴随着行业的快速扩张&#xff0c;三元前驱体生产过程中产生的含镍钴废…
阅读更多...
Qt开发 | Qmake与CMake | Qt窗口基类 | VS Qt项目与QtCreator项目相互转化 | Qt架构 | Qt学习方法

Qt开发 | Qmake与CMake | Qt窗口基类 | VS Qt项目与QtCreator项目相互转化 | Qt架构 | Qt学习方法

文章目录 一、Qmake与CMake介绍1.Qmake2.CMake3.使用qmake还是cmake&#xff1f; 二、Qt3个窗口基类的区别三、vs qt与QtCreator项目相互转化方法1.QtCreator项目转VS Qt2.VS Qt项目转QtCreator项目 四、Qt架构介绍与学习方法详解 一、Qmake与CMake介绍 Qmake和CMake都是构建系…
阅读更多...
干货分享 | TSMaster 中不同总线报文消息过滤的操作方式

干货分享 | TSMaster 中不同总线报文消息过滤的操作方式

TSMaster软件平台支持对不同总线&#xff08;CAN、LIN、FlexRay&#xff09;报文和信号的过滤&#xff0c;包括全局接收过滤、数据流过滤、窗口过滤、字符串过滤、可编程过滤&#xff0c;针对不同的总线信号过滤器的使用方法基本相同。今天重点和大家分享一下关于TSMaster中报文…
阅读更多...
全国首场以AI数字内容风控为主题的大会正式官宣，首批演讲嘉宾和议题揭晓！

全国首场以AI数字内容风控为主题的大会正式官宣，首批演讲嘉宾和议题揭晓！

曾经我们感叹的“AI迎来了iPhone时刻”&#xff0c;如今已变成“iPhone迎来了AI时刻”。前段时间&#xff0c;苹果全球开发者大会的召开&#xff0c;以及闻声而起的资本市场&#xff0c;无一不再次佐证了AI的无穷想象。 从OpenAI直播演示GPT-4o和谷歌的I/O开发者大会2024&…
阅读更多...
Unity踩坑记录

Unity踩坑记录

1. 如果同时在父物体和子物体上挂载BoxCollider&#xff0c;那么当使用&#xff1a; private void OnTriggerEnter2D(Collider2D collision){if (collision.CompareTag("CardGroup")){_intersectCardGroups.Add(collision.GetComponent<CardGroup>());}} 来判…
阅读更多...
【linux学习十七】文件服务管理

【linux学习十七】文件服务管理

一、FTP FTP server:FTP(File Transfer Protocol,文件传输协议 )是 TCP/IP 协议组中的协议之一 软件包&#xff1a;vsftpd/安装 yum -y install vsftpd//准备文件 touch /var/ftp/abc.txt //注释:FTP服务器的主目录:“/var/ftp/”&#xff0c;是FTP程序分享内容的本机目录…
阅读更多...
数据库 复习题

数据库 复习题

有一个关系模式&#xff1a;工程关系&#xff08;工程号&#xff0c;工程名称&#xff0c;职工号&#xff0c;姓名&#xff0c;聘期&#xff0c;职务&#xff0c;小时工资率&#xff0c;工时&#xff09;&#xff0c;公司按照工时和小时工资率支付工资&#xff0c;小时工资率由…
阅读更多...
【大数据】—二手车用户数据可视化分析案例

【大数据】—二手车用户数据可视化分析案例

项目背景 在当今的大数据时代&#xff0c;数据可视化扮演着至关重要的角色。随着信息的爆炸式增长&#xff0c;我们面临着前所未有的数据挑战。这些数据可能来自社交媒体、商业交易、科学研究、医疗记录等各个领域&#xff0c;它们庞大而复杂&#xff0c;难以通过传统的数据处…
阅读更多...
MySQL数据库（二）：数据库基本操作

MySQL数据库（二）：数据库基本操作

MySQL是一种流行的关系型数据库管理系统&#xff0c;广泛用于Web应用和各种数据存储需求。通过本次介绍&#xff0c;您将学习如何进行MySQL数据库的基本操作&#xff0c;包括创建数据库和表、插入和查询数据、更新和删除记录。这些基础知识将为您打下坚实的数据库操作基础。 目…
阅读更多...
2023国家最高科学技术奖薛其坤院士：科学家的幸福感来自于哪里

2023国家最高科学技术奖薛其坤院士：科学家的幸福感来自于哪里

内容来源&#xff1a;量子前哨&#xff08;ID&#xff1a;Qforepost&#xff09; 文丨浪味仙 排版丨沛贤 深度好文&#xff1a;2000字丨8分钟阅读 6 月 24 日&#xff0c;2023 年度国家最高科学技术奖在京揭晓&#xff0c;薛其坤院士荣获中国科技界崇高荣誉&#xff0c;这不…
阅读更多...
【软件下载】Camtasia Studio 2024详细安装教程视频

【软件下载】Camtasia Studio 2024详细安装教程视频

习惯上来说Camtasia Studio是一款简单易用的高清录屏和视频编辑软件&#xff0c;拥有录制屏幕和配音、视频的剪辑和过场动画片、添加说明字幕和水印、制作视频封面和菜单、视频压缩和播放。不得不说Camtasia是一款屏幕录制和视频剪辑软件&#xff0c;教授课程&#xff0c;培训他…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023