Pytorch各种Dropout层应用于详解

目录

torch框架Dropout functions详解

dropout

用途

用法

使用技巧

参数

数学理论公式

代码示例

alpha_dropout

用途

用法

使用技巧

参数

数学理论公式

代码示例 

feature_alpha_dropout

用途

用法

使用技巧

参数

数学理论

代码示例

dropout1d

用途

用法

使用技巧

参数

数学理论

代码示例

dropout2d

用途

用法

使用技巧

参数

数学理论

代码示例

dropout3d

用途

用法

使用技巧

参数

数学理论

代码示例

总结

torch框架Dropout functions详解

dropout

torch.nn.functional.dropout 是 PyTorch 深度学习框架中的一个功能模块，主要用于在训练神经网络时防止过拟合。这个函数通过随机地将输入张量中的某些元素置零来实现正则化效果。

用途

  1. 防止过拟合：在训练过程中，dropout 可以减少对特定神经元的依赖，从而增强模型的泛化能力。
  2. 模型正则化：作为一种正则化技术，可以提高模型对噪声的鲁棒性。

用法

基本用法如下：

output = torch.nn.functional.dropout(input, p=0.5, training=True, inplace=False)

其中：

  • input：输入数据
  • p：零化元素的概率
  • training：是否在训练模式下应用 dropout
  • inplace：是否原地执行此操作

使用技巧

  1. 选择合适的 p 值：p 值太大可能导致信息丢失，太小则可能效果不明显。
  2. 训练和测试阶段的差异：确保在训练阶段启用 dropout，在测试或评估阶段关闭。
  3. inplace 参数的使用：只在确保不影响后续计算的情况下使用 inplace 操作。

参数

  • p（float）：元素被零化的概率，默认值为 0.5。
  • training（bool）：如果为 True，则应用 dropout，默认为 True。
  • inplace（bool）：如果设置为 True，则原地修改数据，默认为 False。

数学理论公式

公式：Y=X*M

其中：

  • Y：输出数据
  • X：输入数据
  • M：由伯努利分布生成的掩码，其中 M 中的元素独立且等概率地为 0 或 1/(1-p)​。

代码示例

import torch
import torch.nn.functional as F# 输入数据
input = torch.randn(5)# 应用 dropout
output = F.dropout(input, p=0.5, training=True)print(output)  # 输出结果可能类似于 tensor([ 0.0000, -0.0000, -1.8468, 0.0000, -0.0000])

在这个例子中，我们首先定义了一个随机的输入张量 input。接着，我们应用 torch.nn.functional.dropout 函数，并设置 dropout 概率为 0.5。由于 training 参数设置为 True，函数将随机地将一些元素置零。输出结果会显示一些元素为零，而其他元素的值会增加以保持总体激活水平。 

alpha_dropout

torch.nn.functional.alpha_dropout 是 PyTorch 中的一个功能模块，专门用于应用 alpha dropout。Alpha dropout 是一种特殊的 dropout 方法，它不仅随机地将输入张量中的一些元素置零，而且还保持了输入数据的平均值和方差。这种方法特别适用于自归一化的神经网络，如基于 Scaled Exponential Linear Units (SELU) 的网络。

用途

  1. 维持自归一化属性：对于使用 SELU 激活函数的网络，alpha dropout 可以保持输入数据的平均值和方差，有助于维持网络的自归一化属性。
  2. 减少过拟合：和传统的 dropout 一样，alpha dropout 可以减少模型对训练数据的过度拟合。

用法

output = torch.nn.functional.alpha_dropout(input, p=0.5, training=False, inplace=False)

其中：

  • input：输入数据
  • p：元素被零化的概率
  • training：是否在训练模式下应用 alpha dropout
  • inplace：是否原地执行此操作

使用技巧

  1. 适用于 SELU 激活函数的网络：在使用 SELU 激活函数的网络中使用 alpha dropout 可以获得最佳效果。
  2. 训练与测试阶段的差异：确保在训练阶段启用 alpha dropout，在测试或评估阶段关闭。

参数

  • p（float）：元素被零化的概率，默认值为 0.5。
  • training（bool）：如果为 True，则应用 alpha dropout，默认为 False。
  • inplace（bool）：如果设置为 True，则原地修改数据，默认为 False。

数学理论公式

 Y=\begin{Bmatrix} {\alpha }'\cdot M+\alpha , IF \ training\\ X, otherwise \end{Bmatrix}

其中：

  • Y：输出数据
  • X：输入数据
  • M：一个掩码，其中元素独立且等概率地为 0 或 1。
  • α 和 α′：预定义的常数，用于保持输入的平均值和方差。

代码示例 

import torch
import torch.nn.functional as F# 输入数据
input = torch.randn(5)# 应用 alpha dropout
output = F.alpha_dropout(input, p=0.5, training=True)print(output)  # 输出结果可能类似于 tensor([-1.7580,  0.0000,  0.0000, -0.6776,  1.3564])

在这个例子中，我们首先定义了一个随机的输入张量 input。接着，我们应用 torch.nn.functional.alpha_dropout 函数，并设置 dropout 概率为 0.5。由于 training 参数设置为 True，函数将根据 alpha dropout 的规则随机地将一些元素置零并调整其他元素的值。

feature_alpha_dropout

 

torch.nn.functional.feature_alpha_dropout 是 PyTorch 中的一个特殊的 dropout 函数，它专门用于随机屏蔽输入张量的整个通道。这种方法在深度学习中尤其适用于保持卷积网络中特征映射（feature maps）的结构完整性。与传统的 dropout 不同，它将激活值设置为 SELU（Scaled Exponential Linear Unit）激活函数的负饱和值，而不是简单地置零。

用途

  1. 维持特征映射的完整性：通过屏蔽整个特征映射，而不是单个激活值，帮助保持特征的结构。
  2. 适用于 SELU 激活的网络：特别适合于使用 SELU 激活函数的网络，因为它保持了激活值的负饱和状态。

用法

output = torch.nn.functional.feature_alpha_dropout(input, p=0.5, training=True, inplace=False)

其中：

  • input：输入张量
  • p：通道被零化的概率
  • training：是否在训练模式下应用 feature alpha dropout
  • inplace：是否原地执行此操作

使用技巧

  1. 适用于具有 SELU 激活的网络：这种 dropout 形式特别适合于使用 SELU 激活函数的网络。
  2. 注意训练和测试阶段的差异：确保在训练阶段启用 feature alpha dropout，在测试或评估阶段关闭。

参数

  • p（float）：通道被零化的概率，默认为 0.5。
  • training（bool）：如果为 True，则应用 feature alpha dropout，默认为 True。
  • inplace（bool）：如果设置为 True，则原地修改数据，默认为 False。

数学理论

与传统 dropout 相比，feature alpha dropout 不仅仅是将激活值简单地置零。相反，它将被屏蔽的激活值设置为 SELU 激活函数的负饱和值，同时保持输入数据的均值和方差。这是通过对每个通道独立应用伯努利分布来实现的，每个通道被屏蔽的概率为 p。

代码示例

 

import torch
import torch.nn.functional as F# 输入数据
input = torch.randn(1, 3, 4, 4)  # 假设是一个具有 3 个通道的特征映射# 应用 feature alpha dropout
output = F.feature_alpha_dropout(input, p=0.5, training=True)print(output)  # 输出结果会显示部分通道的激活值被设置为 SELU 的负饱和值

在这个例子中，我们首先定义了一个具有 3 个通道的随机输入张量 input，其形状为 (1, 3, 4, 4)，表示有 1 个样本，3 个通道，每个通道是一个 4x4 的特征映射。然后，我们应用 torch.nn.functional.feature_alpha_dropout 函数，并设置 dropout 概率为 0.5。由于 training 参数设置为 True，函数将随机地选择一些通道并将它们的激活值设置为 SELU 激活函数的负饱和值，而保留其他通道不变。

这种处理方式有助于在训练使用 SELU 激活函数的卷积网络时，保持特征映射的完整性，并减少过拟合。它是一种更精细的正则化方法，特别适用于深度学习中的图像处理和其他需要保持空间结构的应用。

dropout1d

torch.nn.functional.dropout1d 是 PyTorch 中的一个函数，专门用于在一维数据上应用 dropout。它的主要作用是随机将输入张量的整个通道置零。这种方法在处理一维特征映射（例如，在卷积神经网络中处理时间序列数据或一维信号）时特别有用。

用途

  1. 防止一维数据过拟合：通过随机地屏蔽整个通道，dropout1d 减少了模型对单个通道的依赖，从而增强了模型的泛化能力。
  2. 适用于一维特征映射：特别适用于处理一维数据，如时间序列或一维信号。

用法

output = torch.nn.functional.dropout1d(input, p=0.5, training=True, inplace=False)

其中：

  • input：输入张量
  • p：通道被零化的概率
  • training：是否在训练模式下应用 dropout1d
  • inplace：是否原地执行此操作

使用技巧

  1. 选择合适的 p 值：p 值太大可能导致信息丢失，太小则可能效果不明显。
  2. 训练和测试阶段的差异：确保在训练阶段启用 dropout1d，在测试或评估阶段关闭。
  3. 一维数据结构：确保输入数据的结构符合一维特征映射的形式。

参数

  • p（float）：通道被零化的概率，默认为 0.5。
  • training（bool）：如果为 True，则应用 dropout1d，默认为 True。
  • inplace（bool）：如果设置为 True，则原地修改数据，默认为 False。

数学理论

与传统的 dropout 相似，dropout1d 函数在每次前向传播时，都会根据伯努利分布以概率 p 随机选择一些通道并将它们置零。不同之处在于，dropout1d 是对整个一维通道进行操作，而不是单个元素。

代码示例

 

import torch
import torch.nn.functional as F# 输入数据
input = torch.randn(1,3, 10) # 假设是一个具有 3 个通道的一维特征映射，每个通道有 10 个元素output = F.dropout1d(input, p=0.5, training=True)print(output) # 输出结果可能显示一些通道被完全置零

在这个例子中，我们首先定义了一个随机的一维输入张量 `input`，其形状为 `(1, 3, 10)`，表示有 1 个样本，3 个通道，每个通道有 10 个元素。然后，我们应用 `torch.nn.functional.dropout1d` 函数，并设置 dropout 概率为 0.5。由于 `training` 参数设置为 True，函数将在每次前向传播时随机地选择一些通道并将它们完全置零。这种处理方式有助于在训练一维数据时减少过拟合，尤其适用于处理如音频、时间序列或任何一维信号数据的场景。通过随机地屏蔽整个通道，它鼓励模型学习到更加鲁棒的特征表示。

dropout2d

torch.nn.functional.dropout2d 是 PyTorch 中的一个函数，专用于在二维数据上应用 dropout。这个函数的主要作用是在每次前向传播时，随机将输入张量的整个二维通道（即二维特征映射）置零。这在处理具有空间特征的数据，如图像数据，在卷积神经网络中尤为有用。

用途

  1. 防止二维数据过拟合：通过随机地屏蔽整个通道，dropout2d 减少了模型对单个通道的依赖，从而增强了模型的泛化能力。
  2. 适用于图像处理：特别适用于图像数据等二维特征映射的处理。

用法

output = torch.nn.functional.dropout2d(input, p=0.5, training=True, inplace=False)

其中：

  • input：输入张量
  • p：通道被零化的概率
  • training：是否在训练模式下应用 dropout2d
  • inplace：是否原地执行此操作

使用技巧

  1. 选择合适的 p 值：p 值太大可能导致信息丢失，太小则可能效果不明显。
  2. 训练和测试阶段的差异：确保在训练阶段启用 dropout2d，在测试或评估阶段关闭。
  3. 二维数据结构：确保输入数据的结构符合二维特征映射的形式。

参数

  • p（float）：通道被零化的概率，默认为 0.5。
  • training（bool）：如果为 True，则应用 dropout2d，默认为 True。
  • inplace（bool）：如果设置为 True，则原地修改数据，默认为 False。

数学理论

dropout2d 函数在每次前向传播时，都会根据伯努利分布以概率 p 随机选择一些通道并将它们置零。不同之处在于，dropout2d 是对整个二维通道进行操作，而不是单个元素。

代码示例

import torch
import torch.nn.functional as F# 输入数据
input = torch.randn(1, 3, 8, 8)  # 假设是一个具有 3 个通道的二维特征映射，每个通道是一个 8x8 的图像# 应用 dropout2d
output = F.dropout2d(input, p=0.5, training=True)print(output)  # 输出结果可能显示一些通道被完全置零

在这个例子中，我们首先定义了一个随机的二维输入张量 input，其形状为 (1, 3, 8, 8)，表示有 1 个样本，3 个通道，每个通道是一个 8x8 的图像（或二维特征映射）。然后，我们应用了 torch.nn.functional.dropout2d 函数，并设置了 dropout 概率为 0.5。由于 training 参数设置为 True，函数将在每次前向传播时随机地选择一些通道并将它们完全置零。这种处理方式有助于在训练图像或其他二维数据时减少过拟合，尤其适用于卷积神经网络中的图像识别、图像分类等场景。通过随机地屏蔽整个通道，它鼓励模型学习到更加鲁棒的特征表示，从而提高模型在新数据上的泛化能力。

dropout3d

torch.nn.functional.dropout3d 是 PyTorch 中的一个函数，用于在三维数据上应用 dropout。这个函数的主要作用是在每次前向传播时，随机将输入张量的整个三维通道（即三维特征映射）置零。这在处理具有三维空间特征的数据，如三维图像或体积数据，在卷积神经网络中尤为有用。

用途

  1. 防止三维数据过拟合：通过随机地屏蔽整个通道，dropout3d 减少了模型对单个通道的依赖，从而增强了模型的泛化能力。
  2. 适用于三维特征映射：特别适用于处理三维数据，如体积医学图像或三维时间序列。

用法

output = torch.nn.functional.dropout3d(input, p=0.5, training=True, inplace=False)

其中：

  • input：输入张量
  • p：通道被零化的概率
  • training：是否在训练模式下应用 dropout3d
  • inplace：是否原地执行此操作

使用技巧

  1. 选择合适的 p 值：p 值太大可能导致信息丢失，太小则可能效果不明显。
  2. 训练和测试阶段的差异：确保在训练阶段启用 dropout3d，在测试或评估阶段关闭。
  3. 三维数据结构：确保输入数据的结构符合三维特征映射的形式。

参数

  • p（float）：通道被零化的概率，默认为 0.5。
  • training（bool）：如果为 True，则应用 dropout3d，默认为 True。
  • inplace（bool）：如果设置为 True，则原地修改数据，默认为 False。

数学理论

dropout3d 函数在每次前向传播时，都会根据伯努利分布以概率 p 随机选择一些通道并将它们置零。不同之处在于，dropout3d 是对整个三维通道进行操作，而不是单个元素。

代码示例

import torch
import torch.nn.functional as F# 输入数据
input = torch.randn(1, 3, 8, 8, 8)  # 假设是一个具有 3 个通道的三维特征映射，每个通道是一个 8x8x8 的体积数据# 应用 dropout3d
output = F.dropout3d(input, p=0.5, training=True)print(output)  # 输出结果可能显示一些通道被完全置零

在这个例子中，我们首先定义了一个随机的三维输入张量 input，其形状为 (1, 3, 8, 8, 8)，表示有 1 个样本，3 个通道，每个通道是一个 8x8x8 的体积数据。然后，我们应用了 torch.nn.functional.dropout3d 函数，并设置了 dropout 概率为 0.5。由于 training 参数设置为 True，函数将在每次前向传播时随机地选择一些通道并将它们完全置零。这种处理方式有助于在训练涉及三维空间数据的模型时减少过拟合，尤其适用于处理体积医学图像、三维扫描数据或任何涉及三维结构的场景。通过随机地屏蔽整个通道，它鼓励模型学习到更加鲁棒的三维特征表示，从而提高模型在新数据上的泛化能力和性能。在实践中，这种方法可以显著提高三维数据处理任务的准确性和可靠性。

总结

本文解析了 PyTorch 框架中的几种关键的 dropout 函数，包括 dropout、alpha_dropout、feature_alpha_dropout、dropout1d、dropout2d 和 dropout3d。每种方法都针对不同的数据维度和网络特点，提供了有效的过拟合防止和模型正则化策略。

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/news/629350.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

Spring 整合Shiro鉴权授权

Spring 整合Shiro鉴权授权

一、什么是Shiro shiro是apache的一个开源框架，是一个权限管理的框架，实现 用户认证、用户授权。spring中有spring security ，是一个权限框架，它和spring依赖过于紧密，没有shiro使用简单。 shiro不依赖于spring&#…
阅读更多...
SQL实践：利用tag检索文件的多种情况讨论（二）

SQL实践：利用tag检索文件的多种情况讨论（二）

在上一篇文章SQL实践：利用tag检索文件的多种情况讨论中，我们介绍了在使用外键的方式为数据关联tag后，如何筛选： 如何筛选包含某一个tag的数据如何筛选包含且只包含某一个tag的数据如何筛选包含多个指定tag的数据 这篇文章主要是…
阅读更多...
Linux 网口配置文件及网络服务

Linux 网口配置文件及网络服务

本篇记录Linux 的网卡配置以及网络服务的相关配置，期望在了解的网卡的配置内容的基础上，对网络问题能进行配置文件的排查。网络问题是非常复杂的，本篇不涉及抓包和网络的其他问题排查。 一、网络配置文件 网络配置文件有很多，常见…
阅读更多...
eNSP学习——终端直连三层网关设备进行通信

eNSP学习——终端直连三层网关设备进行通信

VLAN 配置 一 . 功能简介 将设备中的某些接口定义为一个单独的区域，将指定接口加入到指定 VLAN 中之后，接口就可以转发 指定 VLAN 报文。从而实现 VLAN 内的主机可以直接通信，而 VLAN 间的主机不能直接互通，将广播报文 …
阅读更多...
element-ui tree树形结构全选、取消全选，展开收起

element-ui tree树形结构全选、取消全选，展开收起

控制树形结构全选、取消全选&#xff0c;展开收起 <template><div><!-- 添加 ref"tree" 属性--><el-tree:data"data"show-checkboxdefault-expand-allnode-key"id"ref"tree"highlight-current:props"defa…
阅读更多...
【LeetCode】18. 四数之和（中等）——代码随想录算法训练营Day07

【LeetCode】18. 四数之和（中等）——代码随想录算法训练营Day07

题目链接&#xff1a;18. 四数之和 题目描述 给你一个由 n 个整数组成的数组 nums &#xff0c;和一个目标值 target 。请你找出并返回满足下述全部条件且不重复的四元组 [nums[a], nums[b], nums[c], nums[d]] &#xff08;若两个四元组元素一一对应&#xff0c;则认为两个四…
阅读更多...
深入底层了解Python字典和集合，一眼看穿他们的本质！

深入底层了解Python字典和集合，一眼看穿他们的本质！

Python中的字典&#xff08;dict&#xff09;和集合&#xff08;set&#xff09;是两个强大且常用的数据结构&#xff0c;它们在处理数据和解决问题时发挥着重要作用。深入了解这两种数据结构的底层实现和用法将有助于编写更高效、灵活和可读性强的代码。 Python字典&#xff…
阅读更多...
vue element 修改dialog 关闭按钮颜色

vue element 修改dialog 关闭按钮颜色

.el-dialog__headerbtn .el-dialog__close, .el-dialog__headerbtn:focus .el-dialog__close, .el-dialog__headerbtn:hover .el-dialog__close {color: white; }
阅读更多...
详解SpringCloud微服务技术栈：Feign远程调用、最佳实践、错误排查

详解SpringCloud微服务技术栈：Feign远程调用、最佳实践、错误排查

&#x1f468;‍&#x1f393;作者简介&#xff1a;一位大四、研0学生&#xff0c;正在努力准备大四暑假的实习 &#x1f30c;上期文章&#xff1a;详解SpringCloud微服务技术栈&#xff1a;Nacos配置管理 &#x1f4da;订阅专栏&#xff1a;微服务技术全家桶 希望文章对你们有…
阅读更多...
Python src/pyaudio/device_api.c:9:10: fatal error: portaudio.h: 没有那个文件或目录

Python src/pyaudio/device_api.c:9:10: fatal error: portaudio.h: 没有那个文件或目录

在安装Pyaudio的时候报错&#xff0c;portaudio.h: 没有那个文件或目录&#xff0c;解决办法如下&#xff1a; sudo apt-get install libasound-dev portaudio19-dev libportaudio2 libportaudiocpp0 安装Pyaudio pip install PyAudio -i https://mirrors.bfsu.edu.cn/pypi/…
阅读更多...
积木游戏

积木游戏

题目描述 小云和小吉在玩积木游戏&#xff0c;他们手上有很多积木&#xff0c;每个积木上面都有一个字母。 现在他们把所有的积木都排在一条队列上&#xff0c;队列有一个完美值&#xff0c;这个完美值就是积木队列上的字母组成的字符串的字典序&#xff0c;字典序越大完美值…
阅读更多...
MyBatis - DAO 接口（Mapper.xml）支持方法重载吗？

MyBatis - DAO 接口（Mapper.xml）支持方法重载吗？

方法重载&#xff08;Method Overloading&#xff09;是指在同一个类中定义多个方法&#xff0c;它们具有相同的方法名但参数列表不同。 Dao 在 MyBatis 的 DAO 层接口中&#xff0c;是允许方法重载的。 在 DAO 层接口中&#xff0c;可以根据不同的需求和条件定义多个方法&am…
阅读更多...
蓝桥杯青少年创意编程大赛：激发少儿编程潜能，培养未来科技之星

蓝桥杯青少年创意编程大赛：激发少儿编程潜能，培养未来科技之星

随着科技的飞速发展&#xff0c;编程已经成为了当今世界的一项重要技能。为了培养更多的编程人才&#xff0c;蓝桥杯官网显示&#xff0c;蓝桥杯青少年创意编程大赛应运而生。作为国内有影响力的少儿编程赛事之一&#xff0c;蓝桥杯青少年创意编程大赛旨在激发青少年对编程的兴…
阅读更多...
​Portkey AI网关：一个用来连接多种人工智能模型的开源工具

​Portkey AI网关：一个用来连接多种人工智能模型的开源工具

简介 它允许开发者通过一个简单的API接口来访问超过100种不同的大语言模型。包括OpenAI、Anthropic、Mistral、LLama2、Anyscale、Google Gemini等。安装体积只有45kb&#xff0c;处理速度提升了9.9倍&#xff0c;可以在多个不同的AI模型中来回切换。可以根据自己的需要进行灵…
阅读更多...
找不到mfc100.dll的解决方法，怎么修复mfc100.dll文件

找不到mfc100.dll的解决方法，怎么修复mfc100.dll文件

当我们在使用电脑时&#xff0c;时常可能会遇到各类系统提示的错误信息。"找不到mfc100.dll" 就是这些错误之一&#xff0c;该错误提示会妨碍我们执行一些应用程序或特定代码。为了帮助读者克服这个技术障碍&#xff0c;本篇文章将详尽阐明导致该问题的根本原因&…
阅读更多...
【Flutter 问题系列第 80 篇】TextField 输入框组件限制可输入的最大长度后，输入的内容中包含表情符号时，获取输入的内容数还是会超出限制的问题

【Flutter 问题系列第 80 篇】TextField 输入框组件限制可输入的最大长度后，输入的内容中包含表情符号时，获取输入的内容数还是会超出限制的问题

这是【Flutter 问题系列第 80 篇】&#xff0c;如果觉得有用的话&#xff0c;欢迎关注专栏。 博文当前所用 Flutter SDK&#xff1a;3.10.5、Dart SDK&#xff1a;3.0.5 一&#xff1a;问题描述 在输入用户名称、简介等内容时&#xff0c;一般我们都会限制输入框内最大可输入…
阅读更多...
The Feast and the Bus

The Feast and the Bus

JebTrains的员工正在庆祝一年中的第256天&#xff01;JebTrains有 n 名员工和 k 个团队。每个员工都是某个&#xff08;恰好是一个&#xff09;团队的成员。所有队伍的编号从 1 到 k。您将得到一个数字数组 t1、t2、…、tn&#xff0c;其中ti是第i个员工的团队编号。 JebTrains…
阅读更多...
FFMPEG解码实时流，支持cpu、gpu解码

FFMPEG解码实时流，支持cpu、gpu解码

官网下载的ffmpeg目前只能下载到X64版本的库&#xff0c;具体编译请参考windows编译ffmpeg源码&#xff08;32位库&#xff09;_windows 32位ffmpeg动态库-CSDN博客 直接上代码 int VideoDecodeModule::Open(std::string strUrl) {AVFormatContext *pFormatCtx nullptr;AVCo…
阅读更多...
Python 学习笔记——一认识Python

Python 学习笔记——一认识Python

Python 简介 Python 是一种解释型、面向对象、动态数据类型的高级程序设计语言。 Python 由 Guido van Rossum 于 1989 年底发明&#xff0c;第一个公开发行版发行于 1991 年。 像 Perl 语言一样, Python 源代码同样遵循 GPL(GNU General Public License) 协议。 Python 特点 1…
阅读更多...
华为机试真题实战应用【赛题代码篇】-阿里巴巴找黄金宝箱(IV)(附Java、C++和python代码)

华为机试真题实战应用【赛题代码篇】-阿里巴巴找黄金宝箱(IV)(附Java、C++和python代码)

目录 题目描述 输入描述 输出描述 样例 思路解析 思路1 思路2
阅读更多...
最新文章

Copyright @ 2022~2023