多层感知机的从零实现与softmax的从零实现(真·0000零基础)

今天再读zh.d2l书(4.2. 多层感知机的从零开始实现 — 动手学深度学习 2.0.0 documentation),

看了关于多层感知机的从零实现与softmax的从零实现

目录

mlp从零实现,

点击“paddle”的代码

点击“torch”的代码

训练 

参数解释

   - `loss`:

参数说明:

softmax从零实现

一些工具

torch的矩阵乘法matmul

张量.numel返回张量元素数 

zip

isinstance(a,b)判断a是否是b类

 反向传播  张量.backward()

绘制动画

损失函数的定义

定义accuracy

定义精度(net模型,data_iter数据集)

定义的Accumulator(2)

定义net

定义训练函数

定义updater()

训练

使用训好的net预测 


mlp从零实现

点击“paddle”的代码

里面用到paddle库,可以方便的实现一些神经网络的东西

从paddle引入nn模块,

import warnings
from d2l import paddle as d2lwarnings.filterwarnings("ignore")
import paddle
from paddle import nnbatch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)

比如nn.linear(),可以构造线性层

nn.CrossEntropyLoss(),可以快速构造交叉熵损失函数


#初始化参数
num_inputs, num_outputs, num_hiddens = 784, 10, 256W1 = paddle.randn([num_inputs, num_hiddens]) * 0.01
W1.stop_gradient = False
b1 = paddle.zeros([num_hiddens])
b1.stop_gradient = False
W2 = paddle.randn([num_hiddens, num_outputs]) * 0.01
W2.stop_gradient = False
b2 = paddle.zeros([num_outputs])
b2.stop_gradient = Falseparams = [W1, b1, W2, b2]
#损失函数
loss = nn.CrossEntropyLoss(reduction='none')

(其实是没注意点错了才发现) 

点击“torch”的代码

就是是从torch引入nn

import torch
from torch import nn
from d2l import torch as d2lbatch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)

训练 

num_epochs, lr = 10, 0.1
updater = torch.optim.SGD(params, lr=lr)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, updater)
参数解释


1. `num_epochs`: 这个变量表示神经网络训练的轮数(或称为“纪元”)。每一轮遍历整个数据集一次就叫做一个epoch。例如,设置`num_epochs = 10`意味着网络将会被训练10次完整的迭代。
2. `lr`: 这是学习率(Learning Rate)的缩写。它决定了在每一步更新时权重更新的幅度。较小的学习率会导致更慢的收敛速度,但可能找到更好的局部最小值;较大的学习率可能会导致错过最优解或者在最优解附近震荡。这里设置了两个不同的学习率:`0.1` 和 `0.01`,可能是为了在不同阶段进行超参数调整。
3. `updater`: 这是一个函数或对象,用于执行权重的更新操作。

在这个例子中,它是通过调用`torch.optim.SGD(params, lr=lr)`创建的SGD优化器实例。

这里的`params`指的是需要优化的模型的参数集合,

num_inputs, num_outputs, num_hiddens = 784, 10, 256W1 = nn.Parameter(torch.randn(num_inputs, num_hiddens, requires_grad=True) * 0.01)
b1 = nn.Parameter(torch.zeros(num_hiddens, requires_grad=True))
W2 = nn.Parameter(torch.randn(num_hiddens, num_outputs, requires_grad=True) * 0.01)
b2 = nn.Parameter(torch.zeros(num_outputs, requires_grad=True))params = [W1, b1, W2, b2]

而`lr`则是之前定义的学习率。


4. `d21.train_ch3(net, train_iter, test_iter, loss, num_epochs, updater)`: 这行代码调用了某个模块(假设为`d21`)中的一个方法`train_ch3`来开始训练过程。这个方法的参数包括:
   - `net`: 需要训练的网络模型。

def net(X):X = X.reshape((-1, num_inputs))H = relu(X@W1 + b1)  # 这里“@”代表矩阵乘法return (H@W2 + b2)


   - `train_iter`: 训练数据的迭代器,用于逐批次地获取训练样本。
   - `test_iter`: 测试数据的迭代器,用于评估模型在未见过的数据上的性能。

这里从库里自动调的,batch size 为256 的迭代器


batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)


   - `loss`:

用于计算损失值的函数或类,通常用来衡量预测与真实标签之间的差距。

这里从torch.nn直接取的交叉熵损失,没有传入具体参数,只是设置none

loss = nn.CrossEntropyLoss(reduction='none')
参数说明:

在PyTorch中,nn.CrossEntropyLoss是一个损失函数,用于测量分类任务的预测值与真实值之间的差距。 

  • reduction: 这个参数决定了如何处理输出损失张量。它有三个可选的值:

    • 'none': 不应用任何缩减。返回的损失与每个输入元素相对应。
    • 'mean': 返回损失的平均值。
    • 'sum': 返回所有损失的求和。

loss = nn.CrossEntropyLoss(reduction='none')reduction='none'表示损失函数会返回一个与输入同样大小的损失张量,而不是将所有损失值缩减为一个单一的数值。这意味着每个输入样本都会有一个对应的损失值,这对于需要单独处理每个样本的损失(例如在自定义的损失计算中)非常有用。

例如,如果有一个批量大小为N的输入和一个对应的标签,nn.CrossEntropyLoss(reduction='none')将会返回一个长度为N的损失张量,其中每个元素都是对应输入样本的交叉熵损失。这样, 可以根据需要进一步处理这些损失值,例如进行加权平均或者选择性地更新模型参数。

  

d2l提供的接口——

num_epochs, lr = 10, 0.1
updater = torch.optim.SGD(params, lr=lr)
d2l.train_ch3(
net, train_iter, test_iter, loss, num_epochs, updater)

train_iter, test_iter,loss,updater以及其内的params都是torch.nn调用的

其余是自定义的,net函数以及一些数字变量

softmax从零实现

一些工具

torch的矩阵乘法matmul

就是矩阵乘法AB

张量.numel返回张量元素数 

在PyTorch中,`.numel()` 是一个Tensor(张量)的方法,用于返回该张量的元素数量。这里的 "y" 应该是一个Tensor对象,它可能代表了一个标签或类别的向量。
具体来说,`.numel()` 方法会计算张量中所有元素的个数,不考虑张量的形状或维度。例如,对于一个形状为 `(3, 4)` 的二维张量,`.numel()` 会返回 \(3 \times 4 = 12\),表示这个张量总共有12个元素。
在你的代码片段中,`y.numel()` 可能被用来获取类别总数,这在某些情况下是需要的,比如计算某个统计量时需要知道总的样本数。
 

zip

list1 = [1, 2, 3]
list2 = ['a', 'b', 'c']
zipped = zip(list1, list2)
print(list(zipped))  # 输出: [(1, 'a'), (2, 'b'), (3, 'c')]

isinstance(a,b)判断a是否是b类

在Python中,isinstance() 是一个内置函数,用于检查一个对象是否是一个特定类型的实例,或者是其子类的实例。它的基本语法如下:

python

isinstance(object, classinfo)

其中:

  • object 是要检查的对象;
  • classinfo 可以是一个类,也可以是一个类型(tuple),比如 (int, str)

isinstance() 会根据 classinfo 参数来判断 object 是否为指定的数据类型。如果是,则返回 True;否则返回 False

 反向传播  张量.backward()

Q:反向传播函数需要自己写吗?还是每次只要.backward就行了?

A:在PyTorch中,通常不需要自己手动编写反向传播函数。PyTorch的自动微分(autograd)系统已经为大多数常见的数学运算提供了内置的反向传播函数。当你使用PyTorch的张量(tensor)进行操作时,这些操作会被记录在一个计算图中,PyTorch能够自动地计算并应用链式法则来执行反向传播。

因此,对于大多数情况,你只需要在计算完损失函数之后调用 .backward() 方法,PyTorch就会自动处理反向传播过程。

import torch# 假设有一些输入数据和标签
x = torch.randn(5, requires_grad=True)
y = torch.randn(5)# 定义一个线性模型
linear_model = torch.nn.Linear(5, 1)# 计算模型的输出
predictions = linear_model(x)# 定义损失函数
loss = torch.nn.functional.mse_loss(predictions, y)# 反向传播
loss.backward()# 现在可以访问模型的梯度
print(linear_model.weight.grad)
print(linear_model.bias.grad)

backward()看似只是一行代码,没有任何赋值,实际上是update的迭代更新需要访问梯度,backward求出了梯度的值存储在哪里以便直接访问了 。

.backward() 方法被调用来计算损失函数关于模型参数的梯度。这些梯度是自动累积在参数的 .grad 属性中的。然后,优化器(updater)使用这些梯度来更新模型的参数。

下面是详细的过程:

  1. l.mean().backward() 或 l.sum().backward():这行代码计算了损失函数 l 关于模型参数的梯度,并将这些梯度保存在每个参数的 .grad 属性中。

  2. updater.zero_grad():在调用 .backward() 之前,这行代码清除了过往的梯度。这是必须的,因为默认情况下,梯度是累积的(即每次调用 .backward() 时,梯度会加到之前的梯度上)。

  3. updater.step():这行代码使用计算出的梯度来更新模型的参数。这是优化器的一个方法,它执行了实际的参数更新步骤。

在 updater.step() 调用之后,模型的参数就被更新了,这是 .backward() 的结果被使用的地方。这个过程在训练循环的每次迭代中都会发生,因此模型的参数会在每个批次的数据处理后逐渐改进。

总结一下,.backward() 的结果是用来更新模型参数的,这个更新是通过优化器的 step() 方法实现的。在代码中没有直接显示使用 .backward() 的结果,因为这是通过优化器内部机制隐式完成的。

绘制动画

这里先不详细看,使用了animate类

class Animator:  #@save"""在动画中绘制数据"""def __init__(self, xlabel=None, ylabel=None, legend=None, xlim=None,ylim=None, xscale='linear', yscale='linear',fmts=('-', 'm--', 'g-.', 'r:'), nrows=1, ncols=1,figsize=(3.5, 2.5)):# 增量地绘制多条线if legend is None:legend = []d2l.use_svg_display()self.fig, self.axes = d2l.plt.subplots(nrows, ncols, figsize=figsize)if nrows * ncols == 1:self.axes = [self.axes, ]# 使用lambda函数捕获参数self.config_axes = lambda: d2l.set_axes(self.axes[0], xlabel, ylabel, xlim, ylim, xscale, yscale, legend)self.X, self.Y, self.fmts = None, None, fmtsdef add(self, x, y):# 向图表中添加多个数据点if not hasattr(y, "__len__"):y = [y]n = len(y)if not hasattr(x, "__len__"):x = [x] * nif not self.X:self.X = [[] for _ in range(n)]if not self.Y:self.Y = [[] for _ in range(n)]for i, (a, b) in enumerate(zip(x, y)):if a is not None and b is not None:self.X[i].append(a)self.Y[i].append(b)self.axes[0].cla()for x, y, fmt in zip(self.X, self.Y, self.fmts):self.axes[0].plot(x, y, fmt)self.config_axes()display.display(self.fig)display.clear_output(wait=True)def train_ch3(net, train_iter, test_iter, loss, num_epochs, updater):  #@save"""训练模型(定义见第3章)"""animator = Animator(xlabel='epoch', xlim=[1, num_epochs], ylim=[0.3, 0.9],legend=['train loss', 'train acc', 'test acc'])for epoch in range(num_epochs):train_metrics = train_epoch_ch3(net, train_iter, loss, updater)test_acc = evaluate_accuracy(net, test_iter)animator.add(epoch + 1, train_metrics + (test_acc,))train_loss, train_acc = train_metricsassert train_loss < 0.5, train_lossassert train_acc <= 1 and train_acc > 0.7, train_accassert test_acc <= 1 and test_acc > 0.7, test_acc

损失函数的定义

def cross_entropy(y_hat, y):return - torch.log(y_hat[range(len(y_hat)), y])cross_entropy(y_hat, y)

就是一个有着两个输入的函数

(预测值,真实值)

定义accuracy

def accuracy(y_hat, y):  #@save"""计算预测正确的数量"""if len(y_hat.shape) > 1 and y_hat.shape[1] > 1:y_hat = y_hat.argmax(axis=1)cmp = y_hat.type(y.dtype) == yreturn float(cmp.type(y.dtype).sum())

就是一个有着两个输入的函数

(预测值,真实值)

定义精度(net模型,data_iter数据集)

同样,对于任意数据迭代器data_iter可访问的数据集, 我们可以评估在任意模型net的精度。

MXNETPYTORCHTENSORFLOWPADDLE

def evaluate_accuracy(net, data_iter):  #@save"""计算在指定数据集上模型的精度"""if isinstance(net, torch.nn.Module):net.eval()  # 将模型设置为评估模式metric = Accumulator(2)  # 正确预测数、预测总数with torch.no_grad():for X, y in data_iter:metric.add(accuracy(net(X), y), y.numel())return metric[0] / metric[1]

data_iter是二元元祖(输入特征X,输出类别y)构成的可迭代列表,每个元祖是一个样本。

定义的Accumulator(2)

这里定义一个实用程序类Accumulator,用于对多个变量进行累加。 在上面的evaluate_accuracy函数中, 我们在Accumulator实例中创建了2个变量, 分别用于存储正确预测的数量和预测的总数量。 当我们遍历数据集时,两者都将随着时间的推移而累加。

class Accumulator:  #@save"""在n个变量上累加"""def __init__(self, n):self.data = [0.0] * ndef add(self, *args):self.data = [a + float(b) for a, b in zip(self.data, args)]def reset(self):self.data = [0.0] * len(self.data)def __getitem__(self, idx):return self.data[idx]

解释:

metric.add(accuracy(net(X), y), y.numel())这里accuracy(net(X), y), y.numel()都是args

不妨设某次迭代前metric的值为(x1,x2)

迭代的传入的args为(acc,y.numel)

则经过metric.add(accuracy(net(X), y), y.numel())之后,metric变成了(x1+acc,x2+y.numel)

而metric初值为(0,0)

所以最后metric为(所有样本acc之和,所有样本的特征数之和(特征数*样本数))

定义net

def net(X):return softmax(torch.matmul(X.reshape((-1, W.shape[0])), W) + b)

输入是torch张量,输出也是

定义训练函数

def train_epoch_ch3(net, train_iter, loss, updater):  #@save"""训练模型一个迭代周期(定义见第3章)"""# 将模型设置为训练模式if isinstance(net, torch.nn.Module):net.train()# 训练损失总和、训练准确度总和、样本数metric = Accumulator(3)for X, y in train_iter:# 计算梯度并更新参数y_hat = net(X)l = loss(y_hat, y)if isinstance(updater, torch.optim.Optimizer):# 使用PyTorch内置的优化器和损失函数updater.zero_grad()l.mean().backward()updater.step()else:# 使用定制的优化器和损失函数l.sum().backward()updater(X.shape[0])metric.add(float(l.sum()), accuracy(y_hat, y), y.numel())# 返回训练损失和训练精度return metric[0] / metric[2], metric[1] / metric[2]

解释 

def train_epoch_ch3(net, train_iter, loss, updater):  #@save"""训练模型一个迭代周期(定义见第3章)"""
  • 定义一个名为 train_epoch_ch3 的函数,它接受四个参数:net(神经网络模型)、train_iter(训练数据迭代器)、loss(损失函数)和 updater(优化器或自定义更新规则)。
  • 使用 #@save 注释标记该函数,这可能是一个特殊的标记,用于保存或记录函数定义。

 

    # 将模型设置为训练模式if isinstance(net, torch.nn.Module):net.train()
  • 检查 net 是否是 torch.nn.Module 类的一个实例(即是否是一个PyTorch模型)。
  • 如果是,调用 net.train() 方法将模型设置为训练模式。在训练模式下,某些层(如Dropout和BatchNorm)的行为会有所不同。

 

    # 训练损失总和、训练准确度总和、样本数metric = Accumulator(3)
  • 初始化一个名为 metric 的 Accumulator 实例,用于累积训练损失总和、训练准确度总和和样本数。Accumulator 可能是一个自定义的类,用于简化统计数据的累积。

 

    for X, y in train_iter:
  • 遍历 train_iter 迭代器,每次迭代获取一个批量数据 X 和对应的标签 y

 

        # 计算梯度并更新参数y_hat = net(X)
  • 使用模型 net 对输入数据 X 进行前向传播,得到预测结果 y_hat

 

        l = loss(y_hat, y)
  • 使用损失函数 loss 计算 y_hat 和真实标签 y 之间的损失 l

 

        if isinstance(updater, torch.optim.Optimizer):
  • 检查 updater 是否是 torch.optim.Optimizer 类的一个实例,即是否是一个PyTorch内置的优化器。

 

            # 使用PyTorch内置的优化器和损失函数updater.zero_grad()
  • 如果 updater 是内置优化器,调用 updater.zero_grad() 清除模型参数的梯度

 

            l.mean().backward()
  • 计算损失 l 的平均值,并调用 .backward() 方法进行反向传播,计算梯度

 

            updater.step()
  • 调用 updater.step() 更新模型的参数。

 

        else:# 使用定制的优化器和损失函数l.sum().backward()
  • 如果 updater 不是内置优化器,则计算损失 l 的总和,并调用 .backward() 方法进行反向传播。

 

            updater(X.shape[0])
  • 调用自定义的 updater 函数,可能传入批量大小的参数 X.shape[0](有多少个样本就是几),用于更新模型参数。

        metric.add(float(l.sum()), accuracy(y_hat, y), y.numel())
  • 使用 metric.add() 方法累积当前批量的损失总和、准确度和样本数。accuracy(y_hat, y) 可能是一个计算准确度的自定义函数,而 y.numel() 返回标签张量中的元素数量。

 

    # 返回训练损失和训练精度return metric[0] / metric[2], metric[1] / metric[2]
  • 计算并返回整个迭代周期的平均训练损失(总损失除以样本数)和平均训练精度(总准确度除以样本数)。

定义updater()

lr = 0.1def updater(batch_size):return d2l.sgd([W, b], lr, batch_size)

这里是使用了d2l现成的()

训练

num_epochs = 10
train_ch3(net, train_iter, test_iter, cross_entropy, num_epochs, updater)

使用训好的net预测 

def predict_ch3(net, test_iter, n=6):  #@save"""预测标签(定义见第3章)"""for X, y in test_iter:breaktrues = d2l.get_fashion_mnist_labels(y)preds = d2l.get_fashion_mnist_labels(net(X).argmax(axis=1))titles = [true +'\n' + pred for true, pred in zip(trues, preds)]d2l.show_images(X[0:n].reshape((n, 28, 28)), 1, n, titles=titles[0:n])predict_ch3(net, test_iter)

解释 

def predict_ch3(net, test_iter, n=6):  #@save"""预测标签(定义见第3章)"""
  • 定义一个名为 predict_ch3 的函数,它接受三个参数:net(神经网络模型)、test_iter(测试数据迭代器)和 n(默认值为6,表示要显示的图像数量)。

    for X, y in test_iter:break
  • 遍历 test_iter 迭代器以获取测试数据集的第一个批次的数据 X(图像)和标签 y,然后立即退出循环。

这里是想展示一下第一个X,y的预测效果,所以就拿了第一批的样本(第一批,也有很多,就像后面的图上。)

    trues = d2l.get_fashion_mnist_labels(y)
  • 调用 d2l.get_fashion_mnist_labels 函数(假设这是一个自定义函数,用于将标签索引转换为可读的标签字符串),并将真实标签 y 作为输入,获取真实标签的字符串表示。

 

    preds = d2l.get_fashion_mnist_labels(net(X).argmax(axis=1))
  • 使用神经网络 net 对输入数据 X 进行预测,得到预测结果。.argmax(axis=1) 用于获取每个样本预测结果中的最大值索引(即预测的类别)。然后,使用 d2l.get_fashion_mnist_labels 函数将预测的类别索引转换为可读的标签字符串。

 

    titles = [true +'\n' + pred for true, pred in zip(trues, preds)]
  • 创建一个标题列表 titles,其中每个标题由真实标签和预测标签组成,中间用换行符分隔。

 

    d2l.show_images(X[0:n].reshape((n, 28, 28)), 1, n, titles=titles[0:n])
  • 调用 d2l.show_images 函数(假设这也是一个自定义函数,用于显示图像)来显示前 n 张图像。X[0:n].reshape((n, 28, 28)) 将前 n 张图像的数据重塑为适合显示的形状(每张图像是28x28像素)。1 表示图像的行数,n 表示列数,titles=titles[0:n] 将之前创建的标题与图像一起显示。

就是画图和显示

predict_ch3(net, test_iter)
  • 调用 predict_ch3 函数,传入模型 net 和测试数据迭代器 test_iter,执行预测并显示结果。

这个函数的作用是使用给定的神经网络模型对测试数据集的前 n 张图像进行预测,并将预测结果与真实标签一起显示出来。

画的图——

 (2024年10月27日终于知道为什么当时从CNN开始看看不懂了,基础的都在这里讲了。。。)

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/883364.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

DataSophon集成ApacheImpala的过程

注意: 本次安装操作系统环境为Anolis8.9(Centos7和Centos8应该也一样) DataSophon版本为DDP-1.2.1 整合的安装包我放网盘了: 通过网盘分享的文件&#xff1a;impala-4.4.1.tar.gz等2个文件 链接: https://pan.baidu.com/s/18KfkO_BEFa5gVcc16I-Yew?pwdza4k 提取码: za4k 1…

C#与C++交互开发系列(十二):托管和非托管内存管理策略

前言 在进行C#与C互操作开发时&#xff0c;内存管理是一个非常重要的环节。由于C#采用托管内存管理&#xff08;由垃圾回收机制GC控制&#xff09;&#xff0c;而C则使用手动内存管理&#xff08;需要开发者负责分配和释放内存&#xff09;&#xff0c;因此跨语言调用时&#…

光耦的应用

什么是光耦 光耦是一种实现信号隔离的元器件&#xff0c;通常用于各部分电路之间&#xff0c;使其不互相受到影响。 工作原理 光耦是由一个发光二极管和一个光敏三极管封装而成的。其使用原理为&#xff1a; 当发光二极管有信号输入时&#xff0c;则会被点亮&#xff0c;此时…

PHP-FPM 性能配置优化

4 核 8 G 服务器大约可以开启 500 个 PHP-FPM&#xff0c;极限吞吐量在 580 qps &#xff08;Query Per Second 每秒查询数&#xff09;左右。 Nginx php-fpm 是怎么工作的&#xff1f; php-fpm 全称是 PHP FastCGI Process Manager 的简称&#xff0c;从名字可得知&#xff…

基于SSM的“众优”大学生家教平台的设计与实现

前言 对于当今社会的人们来说&#xff0c;互联网技术是必不可少的&#xff0c;随着经济和技术的不断发展&#xff0c;计算机已经深入到各个领域。“众优”大学生家教平台将人们的时间需求与计算机技术结合起来&#xff0c;架起一座桥梁&#xff0c;使用在线查看“众优”大学生…

设计模式讲解

设计原则 单一职责原则 > 一个对象应该只包含单一的职责&#xff0c;并且该职责被完整地封装在一个类中 > //一个人类 public class People {/*** 人类会编程*/public void coding(){System.out.println("int mian() {");System.out.println(" print…

直播系统源码技术搭建部署流程及配置步骤

系统环境要求 PHP版本&#xff1a;5.6、7.3 Mysql版本&#xff1a;5.6&#xff0c;5.7需要关闭严格模式 Nginx&#xff1a;任何版本 Redis&#xff1a;需要给所有PHP版本安装Redis扩展&#xff0c;不需要设置Redis密码 最好使用面板安装&#xff1a;宝塔面板 - 简单好用的…

Android——事件冲突处理

当我们给列表的item设置了点击事件后&#xff0c;又给item中的按钮设置了点击事件&#xff0c;此时item的点击事件会失效。 解决 给item的布局xml中设置以下属性 android:descendantFocusability"blocksDescendants"<LinearLayout xmlns:android"http://sc…

HT7181 16.8V,14A高效升压转换器

1、特征 输入电压范围:2.7V-16V 输出电压范围:最高16.8V 固定开关频率:360kHz 可编程峰值电流:14A 高转换效率: 94% (VIN 7.2V, VOUT9.3V, IOUT1.5A) 90% (VIN 7.2V, VOUT9.3V, IOUT 7A) 93% (VIN 7.2V, VOUT12V, IOUT 1.5A) 90% (VIN 7.2V, VOUT12V, IOUT 5.5A) 90% (VIN …

220V降12V1A恒流点灯WT5112

220V降12V1A恒流点灯WT5112 芯片特点 高精度恒流输出&#xff1a;WT5112 是一款适用于非隔离降压型恒流 LED 驱动芯片。在 220V 降 12V、1A 恒流点灯应用中&#xff0c;它能够提供高精度的恒流输出。其恒流精度通常可以达到 3% - 5% 左右&#xff0c;这对于 LED 灯的稳定发光非…

安卓基础001

前言 也是好久没有更新博客了,最近实习也是需要学习一些知识哈哈哈哈哈哈为了更好的发展嘛,咱们从客户端开始,过程可能有点像写前端,不喜勿喷,希望在学习的过程中也可以给大家带来一些简单得帮助吧....... tips:这里跳过安卓studio安装,大家可自行寻找教程 写的不详细,只是为了…

从“摸黑”到“透视”:AORO A23热成像防爆手机如何改变工业检测?

在工业检测领域&#xff0c;传统的检测手段常因效率低下、精度不足和潜在的安全风险而受到诟病。随着科技的不断进步&#xff0c;一种新兴的检测技术——红外热成像技术&#xff0c;正逐渐在该领域崭露头角。近期&#xff0c;小编对一款集成红外热成像技术的AORO A23防爆手机进…

君正 T31 型号芯片架构模块介绍

文章目录 1. 核心模块2. 存储模块3. 安全模块4. 图像和视频处理5. 输入输出接口6. 其他支持模块 T31 型号 MCU 结构图&#xff1a; T31 集成了高性能 CPU、多功能图像处理单元、丰富的输入输出接口以及多种安全保护机制&#xff0c;适合用于视频监控、智能家居、工业控制等高性…

改进YOLOv8系列:引入低照度图像增强网络Retinexformer | 优化低光照目标检测那题

改进YOLOv8系列:引入低照度图像增强网络Retinexformer | 优化低光照目标检测那题 🚀论文研究概括🚀加入到网络中的理论研究🚀需要修改的代码1 🍀🍀Retinexformer 代码2🍀🍀tasks里引用🚀创建yaml文件🚀测试是否创建成功前言:这篇论文提出了一种用于低光图像…

设计模式06-结构型模式1(适配器/桥接/组合模式/Java)

#1024程序员节&#xff5c;征文# 4.1 适配器模式 结构型模式&#xff08;Structural Pattern&#xff09;的主要目的就是将不同的类和对象组合在一起&#xff0c;形成更大或者更复杂的结构体。结构性模式的分类&#xff1a; ​ 类结构型模式关心类的组合&#xff0c;由多个类…

项目部署 —— 前端、后端

一、 前端 ● 二号标题 在命令框里输入 npm run build 打包成功&#xff1a; 项目就会出现一个 dist 文件夹 将Linux的nginx文件夹中&#xff0c;重命名为 news 二、 后端 ● 通过maven打包后端程序 最终会在项目中生成一个 target 文件夹&#xff0c;将 news-1.0-SNAPSHOT.…

Python爬虫,初识xpath(1)

xpath解析 抓取主页面当中所有壁纸的链接地址 xpath是专门针对xml而创建的表达式语言&#xff0c;可以直接从xml中提取表达式数据&#xff1b;也可以取html取数据&#xff1b;html是xml的子集。 1.按照lxml安装包 在python终端输入 pip install lxml from lxml import etre…

【element-tiptap】如何实现查找替换功能?

这是一个稍微复杂的功能了&#xff0c;因为 element-tiptap 中没有查找替换功能&#xff0c;需要从零开始开发。但是&#xff0c;在万能的github上有一个开源的库&#xff0c;我们可以借用一下 tiptap-search-and-replace 不过这个库是没有UI的&#xff0c;只有一个扩展的方法。…

【Linux】线程池详解及其基本架构与单例模式实现

目录 1.关于线程池的基本理论 1.1.线程池是什么&#xff1f; 1.2.线程池的应用场景&#xff1a; 2.线程池的基本架构 2.1.线程容器 2.2.任务队列 2.3.线程函数&#xff08;HandlerTask&#xff09; 2.4.线程唤醒机制 3.添加单例模式 3.1.单例模式是什么&…

【 thinkphp8 】00006 启动 内、外置服务器

前言&#xff1a;哈喽&#xff0c;大家好&#xff0c;今天给大家分享一篇文章&#xff01;并提供具体代码帮助大家深入理解&#xff0c;彻底掌握&#xff01;创作不易&#xff0c;如果能帮助到大家或者给大家一些灵感和启发&#xff0c;欢迎收藏关注哦 &#x1f495; 目录 【 t…