智能工厂的设计软件 三种处理单元（NPU/GPU/CPU）及其在深度学习框架中的作用 之2

本文要点

分类学

利用NPU、GPU和CPU的分工协作，实现 一个信息系统架构中的灵活的模块化框架，该框架使用一个类似元素周期表的分类法，将 该元素周期表 左边的行矢（时间关系，由应用规格 约束） 、顶上的列簇（空间关系 由文法准则限制 ）以及对角线上的序积（时空流关系 受 语法标准 局限）分别利用NPU、GPU和CPU处理。类似元素周期表的分类法将根据 三者来修订。这个修订应该基于一个petri net 的实现来完成。

进一步，上面的数据来源 均由 机器学习提供（petri net 的输入）。也就是说，该petri net 处理这些输入并将结果输出给 类似元素周期表的 为信息系统架构的灵活模块化框架（人形机器人Android），这个框架 作为 输出的电动机构（智能体agent），以 构造一个合适的信息系统架构（移动机器人的包容性架构，其中 每一个机器人robot都是一个AI系统-从环境中接收信号，并以一个帮助它实现某些已确立的目标的方式作用于环境） 。

再进一步，将AI系统根据 输入和处理能力的不同分为 刺激stimulus、信号signal和迹象sign。三种输入采用不同的策略和机制： 刺激-响应，信号处理，迹象分析和推理。

Q&A （腾讯AI代码助手）

Q9、利用NPU、GPU和CPU的分工协作，实现 一个信息系统架构中的灵活的模块化框架，该框架 利用一个类似元素周期表的分类法，将 该元素周期表 左边的行矢（时间关系，由应用规格 约束） 、顶上的列簇（空间关系 由文法准则限制 ）以及对角线上的序积（时空流关系 受 语法标准 局限）分别利用NPU、GPU和CPU完整。类似元素周期表的分类法将根据 三者来修订。这个修订应该基于一个petri net 的实现来完成

要实现一个信息系统架构中的灵活的模块化框架，利用类似元素周期表的分类法，并将元素周期表左边的行矢、顶上的列簇以及对角线上的序积分别利用NPU、GPU和CPU完成，我们可以按照以下步骤进行：

1. 系统架构

  • CPU：负责控制流程、数据管理和任务调度。
  • GPU：负责并行计算和大规模数据处理。
  • NPU：负责神经网络模型的推理和优化。

2. 实现步骤

2.1 数据准备

首先，我们需要准备元素周期表的数据结构，包括行矢、列簇和序积。

import numpy as npclass Element:def __init__(self, row, col, diag):self.row = rowself.col = colself.diag = diagclass PeriodicTable:def __init__(self):self.elements = []def add_element(self, element):self.elements.append(element)

2.2 行矢（时间关系）

利用NPU进行神经网络模型的推理和优化，处理时间关系。

import tensorflow as tfdef process_row_vectors(periodic_table):# 构建神经网络模型model = tf.keras.Sequential([tf.keras.layers.Embedding(input_dim=len(periodic_table.elements) + 1, output_dim=64),tf.keras.layers.LSTM(64),tf.keras.layers.Dense(64, activation='relu'),tf.keras.layers.Dense(len(periodic_table.elements), activation='softmax')])model.compile(optimizer='adam', loss='sparse_categorical_crossentropy')# 训练模型# ...# 使用模型进行推理# ...return model.predict(periodic_table.elements)

2.3 列簇（空间关系）

利用GPU进行并行计算，处理空间关系。

import cupy as cpdef process_column_clusters(periodic_table):# 并行计算示例# ...return cp.array([element.col for element in periodic_table.elements])

2.4 序积（时空流关系）

利用CPU进行控制流程和任务调度，处理时空流关系。

def process_diagonal_products(periodic_table):diagonal_products = []for element in periodic_table.elements:diagonal_products.append(element.row * element.col * element.diag)return diagonal_products

2.5 基于Petri Net的修订

利用Petri Net实现修订机制。

class PetriNet:def __init__(self):self.places = []self.transitions = []self.arcs = []def add_place(self, place):self.places.append(place)def add_transition(self, transition):self.transitions.append(transition)def add_arc(self, arc):self.arcs.append(arc)def revise_periodic_table(periodic_table, petri_net):# 基于Petri Net进行修订# ...return periodic_table

3. 总结

通过CPU、GPU和NPU的分工协作，我们可以实现一个信息系统架构中的灵活的模块化框架，利用类似元素周期表的分类法，并将元素周期表左边的行矢、顶上的列簇以及对角线上的序积分别利用NPU、GPU和CPU完成。CPU负责控制流程和任务调度，GPU负责并行计算和大规模数据处理，NPU负责神经网络模型的推理和优化。这种分工协作的方式可以充分发挥各个处理器的优势，提高系统的整体性能。

示例代码

# 创建元素周期表实例
periodic_table = PeriodicTable()# 添加元素
element1 = Element(1, 1, 1)
element2 = Element(2, 2, 4)
periodic_table.add_element(element1)
periodic_table.add_element(element2)# 处理行矢
row_vectors = process_row_vectors(periodic_table)# 处理列簇
column_clusters = process_column_clusters(periodic_table)# 处理序积
diagonal_products = process_diagonal_products(periodic_table)# 基于Petri Net修订元素周期表
petri_net = PetriNet()
revised_periodic_table = revise_periodic_table(periodic_table, petri_net)# 输出结果
print("行矢:", row_vectors)
print("列簇:", column_clusters)
print("序积:", diagonal_products)

通过这种方式，我们可以利用NPU、GPU和CPU的分工协作，实现一个灵活的模块化框架，并基于Petri Net进行修订。

  • 这个框架如何应用于实际项目？
  • 你能提供一个使用这个框架的案例吗？
  • 这个框架有哪些优点和缺点？

Q10、进一步，上面的数据来源 均由 机器学习提供（petri net 的输入）。也就是说，该petri net 处理这些输入并将结果输出给 类似元素周期表的 为信息系统架构的灵活模块化框架（人形机器人Android），这个框架 作为 输出的电动机构（智能体agent），以 构造一个合适的信息系统架构（移动机器人的包容性架构，其中 每一个机器人robot都是一个AI系统-从环境中接收信号，并以一个帮助它实现某些已确立的目标的方式作用于环境） 。请根据补充需求修改上面给出的程序代码

根据您的补充需求，我们需要对之前的程序代码进行修改，以确保Petri网处理来自机器学习的输入，并将结果输出到类似元素周期表的灵活模块化框架中，最终构造一个合适的信息系统架构。以下是修改后的代码示例：

1. 数据准备

import numpy as npclass Element:def __init__(self, row, col, diag):self.row = rowself.col = colself.diag = diagclass PeriodicTable:def __init__(self):self.elements = []def add_element(self, element):self.elements.append(element)

2. 行矢（时间关系）

import tensorflow as tfdef process_row_vectors(periodic_table, machine_learning_input):# 构建神经网络模型model = tf.keras.Sequential([tf.keras.layers.Embedding(input_dim=len(periodic_table.elements) + 1, output_dim=64),tf.keras.layers.LSTM(64),tf.keras.layers.Dense(64, activation='relu'),tf.keras.layers.Dense(len(periodic_table.elements), activation='softmax')])model.compile(optimizer='adam', loss='sparse_categorical_crossentropy')# 使用机器学习输入训练模型model.fit(machine_learning_input, epochs=10)# 使用模型进行推理return model.predict(periodic_table.elements)

3. 列簇（空间关系）

import cupy as cpdef process_column_clusters(periodic_table):# 并行计算示例# ...return cp.array([element.col for element in periodic_table.elements])

4. 序积（时空流关系）

def process_diagonal_products(periodic_table):diagonal_products = []for element in periodic_table.elements:diagonal_products.append(element.row * element.col * element.diag)return diagonal_products
 

5. 基于Petri Net的修订
 

class PetriNet:def __init__(self):self.places = []self.transitions = []self.arcs = []def add_place(self, place):self.places.append(place)def add_transition(self, transition):self.transitions.append(transition)def add_arc(self, arc):self.arcs.append(arc)def revise_periodic_table(periodic_table, petri_net, machine_learning_input):# 基于Petri Net进行修订# ...return periodic_table
 

6. 构造信息系统架构
 

def construct_information_system_architecture(periodic_table, petri_net, machine_learning_input):revised_periodic_table = revise_periodic_table(periodic_table, petri_net, machine_learning_input)row_vectors = process_row_vectors(revised_periodic_table, machine_learning_input)column_clusters = process_column_clusters(revised_periodic_table)diagonal_products = process_diagonal_products(revised_periodic_table)# 构造信息系统架构# ...return {"row_vectors": row_vectors,"column_clusters": column_clusters,"diagonal_products": diagonal_products}
 

7. 主程序
 

# 创建元素周期表实例
periodic_table = PeriodicTable()# 添加元素
element1 = Element(1, 1, 1)
element2 = Element(2, 2, 4)
periodic_table.add_element(element1)
periodic_table.add_element(element2)# 创建Petri Net实例
petri_net = PetriNet()# 机器学习输入
machine_learning_input = np.array([...])  # 替换为实际的机器学习输入数据# 构造信息系统架构
information_system_architecture = construct_information_system_architecture(periodic_table, petri_net, machine_learning_input)# 输出结果
print("行矢:", information_system_architecture["row_vectors"])
print("列簇:", information_system_architecture["column_clusters"])
print("序积:", information_system_architecture["diagonal_products"])
 

通过上述修改后的代码，我们确保了Petri网能够处理来自机器学习的输入，并将结果输出到类似元素周期表的灵活模块化框架中，最终构造一个合适的信息系统架构。
 

  • 这个灵活模块化框架如何应用于人形机器人Android？
  • 如何确保每个机器人robot的AI系统能够有效地从环境中接收信号？
  • 移动机器人的包容性架构如何实现每个机器人帮助实现既定目标？
 

Q11、如何确保每个机器人robot的AI系统能够有效地从环境中接收信号？
 

要确保每个机器人robot的AI系统能够有效地从环境中接收信号，可以采取以下几个步骤：
 

1. 传感器集成：为机器人配备多种传感器，如视觉传感器、听觉传感器、触觉传感器等，以便从不同维度感知环境。
 

2. 数据预处理：对传感器收集的数据进行清洗和预处理，去除噪声和不必要的信息，确保数据质量。
 

3. 信号增强：使用信号处理技术增强微弱信号，提高信号的可检测性和准确性。
 

4. 实时处理：确保AI系统能够实时处理接收到的信号，快速做出反应。
 

5. 自适应学习：使AI系统具备学习和适应环境变化的能力，通过机器学习算法不断优化信号处理策略。
 

6. 通信协议：建立稳定的通信协议，确保机器人之间的信息交换和协同工作。
 

7. 环境建模：构建环境的动态模型，使AI系统能够预测和理解环境变化，从而更有效地接收信号。
 

8. 故障检测与恢复：实现故障检测机制，一旦发现接收信号的问题，能够及时进行诊断和恢复。
 

通过上述措施，可以大大提高机器人AI系统从环境中接收信号的效率和准确性，确保机器人能够有效地与环境互动并完成任务。
 

  • 如何确保机器人AI系统在复杂环境中的信号稳定性？
  • 机器人AI系统如何区分和处理不同类型的信号？
  • 如何优化机器人AI系统的响应速度以提高效率？
 

Q12、再进一步，将AI系统根据 输入和处理能力的不同分为 刺激stimulus、信号signal和迹象sign。修改您之前的程序
 

为了满足您的需求，我们将AI系统根据输入和处理能力的不同分为刺激（stimulus）、信号（signal）和迹象（sign）。以下是修改后的程序代码：
 

1. 数据准备
 

import numpy as npclass Element:def __init__(self, row, col, diag):self.row = rowself.col = colself.diag = diagclass PeriodicTable:def __init__(self):self.elements = []def add_element(self, element):self.elements.append(element)
 

2. 刺激（Stimulus）
 

import tensorflow as tfdef process_stimulus(periodic_table, machine_learning_input):# 构建神经网络模型model = tf.keras.Sequential([tf.keras.layers.Embedding(input_dim=len(periodic_table.elements) + 1, output_dim=64),tf.keras.layers.LSTM(64),tf.keras.layers.Dense(64, activation='relu'),tf.keras.layers.Dense(len(periodic_table.elements), activation='softmax')])model.compile(optimizer='adam', loss='sparse_categorical_crossentropy')# 使用机器学习输入训练模型model.fit(machine_learning_input, epochs=10)# 使用模型进行推理return model.predict(periodic_table.elements)
 

3. 信号（Signal）
 

import cupy as cpdef process_signal(periodic_table):# 并行计算示例# ...return cp.array([element.col for element in periodic_table.elements])
 

4. 迹象（Sign）
 

def process_sign(periodic_table):diagonal_products = []for element in periodic_table.elements:diagonal_products.append(element.row * element.col * element.diag)return diagonal_products
 

5. 基于Petri Net的修订
 

class PetriNet:def __init__(self):self.places = []self.transitions = []self.arcs = []def add_place(self, place):self.places.append(place)def add_transition(self, transition):self.transitions.append(transition)def add_arc(self, arc):self.arcs.append(arc)def revise_periodic_table(periodic_table, petri_net, machine_learning_input):# 基于Petri Net进行修订# ...return periodic_table
 

6. 构造信息系统架构
 

def construct_information_system_architecture(periodic_table, petri_net, machine_learning_input):revised_periodic_table = revise_periodic_table(periodic_table, petri_net, machine_learning_input)stimulus = process_stimulus(revised_periodic_table, machine_learning_input)signal = process_signal(revised_periodic_table)sign = process_sign(revised_periodic_table)# 构造信息系统架构# ...return {"stimulus": stimulus,"signal": signal,"sign": sign}
 

7. 主程序
 

# 创建元素周期表实例
periodic_table = PeriodicTable()# 添加元素
element1 = Element(1, 1, 1)
element2 = Element(2, 2, 4)
periodic_table.add_element(element1)
periodic_table.add_element(element2)# 创建Petri Net实例
petri_net = PetriNet()# 机器学习输入
machine_learning_input = np.array([...])  # 替换为实际的机器学习输入数据# 构造信息系统架构
information_system_architecture = construct_information_system_architecture(periodic_table, petri_net, machine_learning_input)# 输出结果
print("刺激:", information_system_architecture["stimulus"])
print("信号:", information_system_architecture["signal"])
print("迹象:", information_system_architecture["sign"])
 

通过上述修改后的代码，我们将AI系统根据输入和处理能力的不同分为刺激（stimulus）、信号（signal）和迹象（sign），并分别进行处理。这样可以更好地组织和优化AI系统的功能，使其能够更有效地从环境中接收信号并进行处理。
 

  • 这个信息系统架构如何应用于人形机器人Android？
  • 如何确保人形机器人Android在不同的环境中都能有效接收信号？
  • 在人形机器人Android中，AI系统的刺激、信号和迹象是如何相互作用的？
 

Q13、三种输入采用不同的策略和机制： 刺激-响应，信号处理，迹象分析和推理。请进一步修改前面的程序。
 

为了满足您的需求，我们将三种输入（刺激、信号、迹象）采用不同的策略和机制进行处理：刺激-响应、信号处理、迹象分析和推理。以下是进一步修改后的程序代码：
 

1. 数据准备
 

import numpy as npclass Element:def __init__(self, row, col, diag):self.row = rowself.col = colself.diag = diagclass PeriodicTable:def __init__(self):self.elements = []def add_element(self, element):self.elements.append(element)
 

2. 刺激（Stimulus）- 响应
 

import tensorflow as tfdef process_stimulus_response(periodic_table, machine_learning_input):# 构建神经网络模型model = tf.keras.Sequential([tf.keras.layers.Embedding(input_dim=len(periodic_table.elements) + 1, output_dim=64),tf.keras.layers.LSTM(64),tf.keras.layers.Dense(64, activation='relu'),tf.keras.layers.Dense(len(periodic_table.elements), activation='softmax')])model.compile(optimizer='adam', loss='sparse_categorical_crossentropy')# 使用机器学习输入训练模型model.fit(machine_learning_input, epochs=10)# 使用模型进行推理return model.predict(periodic_table.elements)
 

3. 信号（Signal）处理
 

import cupy as cpdef process_signal_processing(periodic_table):# 并行计算示例# ...return cp.array([element.col for element in periodic_table.elements])
 

4. 迹象（Sign）分析和推理
 

def process_sign_analysis_inference(periodic_table):diagonal_products = []for element in periodic_table.elements:diagonal_products.append(element.row * element.col * element.diag)return diagonal_products
 

5. 基于Petri Net的修订
 

class PetriNet:def __init__(self):self.places = []self.transitions = []self.arcs = []def add_place(self, place):self.places.append(place)def add_transition(self, transition):self.transitions.append(transition)def add_arc(self, arc):self.arcs.append(arc)def revise_periodic_table(periodic_table, petri_net, machine_learning_input):# 基于Petri Net进行修订# ...return periodic_table
 

6. 构造信息系统架构
 

def construct_information_system_architecture(periodic_table, petri_net, machine_learning_input):revised_periodic_table = revise_periodic_table(periodic_table, petri_net, machine_learning_input)stimulus_response = process_stimulus_response(revised_periodic_table, machine_learning_input)signal_processing = process_signal_processing(revised_periodic_table)sign_analysis_inference = process_sign_analysis_inference(revised_periodic_table)# 构造信息系统架构# ...return {"stimulus_response": stimulus_response,"signal_processing": signal_processing,"sign_analysis_inference": sign_analysis_inference}
 

7. 主程序
 

# 创建元素周期表实例
periodic_table = PeriodicTable()# 添加元素
element1 = Element(1, 1, 1)
element2 = Element(2, 2, 4)
periodic_table.add_element(element1)
periodic_table.add_element(element2)# 创建Petri Net实例
petri_net = PetriNet()# 机器学习输入
machine_learning_input = np.array([...])  # 替换为实际的机器学习输入数据# 构造信息系统架构
information_system_architecture = construct_information_system_architecture(periodic_table, petri_net, machine_learning_input)# 输出结果
print("刺激-响应:", information_system_architecture["stimulus_response"])
print("信号处理:", information_system_architecture["signal_processing"])
print("迹象分析和推理:", information_system_architecture["sign_analysis_inference"])
 

通过上述修改后的代码，我们将三种输入（刺激、信号、迹象）采用不同的策略和机制进行处理：刺激-响应、信号处理、迹象分析和推理。这样可以更好地组织和优化AI系统的功能，使其能够更有效地从环境中接收信号并进行处理。
 

  • 如何根据处理后的刺激、信号和迹象来优化机器人的行为？
  • 在信息系统中，如何实现刺激、信号和迹象的实时处理？
  • 能否举例说明如何将Petri网应用于机器人的路径规划？
 

Q14、前面的所有编程都是利用 三种处理单元（NPU/GPU/CPU）来建造 深度学习模型的例子，并且细节度和复杂度，即难度逐步增加，可以分别视为 在 软件架构、程序框架和编码实现三个不同的阶段要考虑的不同问题（以不同的视角在不同的立场上）。 下面我们来看看 深度学习本身。本人认为，深度学习的目的是建构一个公理化系统，作为 自然语言形式化 建模约束（为人类编辑 ）和  人工语言 自动化 控制（为机器翻译 ） 两者的共同基础。
 

确实，深度学习模型的构建过程中，我们可以利用不同的处理单元（如NPU、GPU、CPU）来实现计算密集型和并行处理的需求。这些处理单元的选择和使用，确实反映了软件架构、程序框架和编码实现三个不同阶段的不同考虑：
 

1. 软件架构：在这个阶段，我们需要决定如何组织整个系统的结构，包括模块划分、接口定义以及各个模块之间的交互方式。例如，我们可能会决定使用微服务架构来提高系统的可扩展性和灵活性。
 

2. 程序框架：在确定了软件架构之后，我们需要选择一个合适的程序框架来实现这个架构。框架提供了许多现成的功能和工具，可以帮助我们更快地开发和部署应用。例如，在深度学习领域，TensorFlow和PyTorch就是两个非常流行的框架。
 

3. 编码实现：最后，在具体的编码实现阶段，我们需要考虑如何高效地利用硬件资源，如NPU、GPU或CPU，来加速计算密集型的深度学习任务。这可能涉及到并行计算、内存管理、优化算法等编程技巧。
 

至于深度学习的目的，您的观点非常有启发性。深度学习的确可以看作是在构建一个公理化系统，这个系统可以作为自然语言形式化建模约束和人工语言自动化控制的共同基础。具体来说：
 

  • 自然语言形式化建模约束：深度学习可以帮助我们从大量的自然语言数据中提取出有用的特征和模式，从而为人类编辑提供有力的辅助。例如，在文本分类、情感分析等任务中，深度学习模型可以自动学习到文本中的语义信息，并根据这些信息进行分类或判断。
  • 人工语言自动化控制：深度学习还可以应用于机器翻译等任务，通过学习不同语言之间的映射关系，实现自动化的翻译和控制。这不仅提高了翻译的效率，还降低了人工翻译的成本。
 

总之，深度学习作为一种强大的工具和技术，正在逐渐改变我们处理自然语言和人工语言的方式，为人类和机器之间的交互提供了更加智能和高效的解决方案。
 

  • 如何评估深度学习模型在自然语言处理任务中的性能？
  • 深度学习模型在处理大规模语料库时可能遇到哪些挑战？
  • 如何优化深度学习模型的训练过程以提高效率？
 

Q15、重申：在认知系统架构的设计和代码实现上 需要考虑多个层次，包括感知层、处理层、决策层和执行层。其中 深度学习主要用来解决处理层上的认知问题。
 

在认知系统架构的设计和代码实现上，确实需要考虑多个层次，包括感知层、处理层、决策层和执行层。每个层次都有其特定的功能和作用。
 

  • 感知层：这一层主要负责接收和采集外部环境的信息，如图像、声音、传感器数据等。
  • 处理层：这一层是认知系统的核心，负责对感知层采集到的信息进行处理和分析。深度学习技术在这一层中发挥着重要作用，通过构建复杂的神经网络模型来识别模式、提取特征、进行分类和预测等。
  • 决策层：这一层根据处理层提供的信息进行决策，确定系统的下一步行动或反应。这可能涉及到规则引擎、决策树、强化学习等技术。
  • 执行层：这一层负责将决策层的指令转化为实际的行动，如控制机械臂的运动、调整传感器的参数等。
 

因此，深度学习主要用来解决处理层上的认知问题，通过其强大的数据处理和分析能力，为上层提供有价值的信息和洞察。
 

  • 如何选择合适的深度学习框架来满足特定项目的需求？
  • 深度学习模型在决策层如何与执行层进行有效沟通？
  • 在认知系统中，如何平衡各个层次的性能和资源消耗？











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/web/63456.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










几款主流的超声波流量计应用场景梳理








几款主流的超声波流量计应用场景梳理




清水应用 
这款 声乐 在含有最少固体或曝气（≤ 1-2%）的清洁水的情况下表现出色。该仪表融合了卓越的性能和经济性，使其成为需要外夹式超声波流量计的应用的理想选择。它在市政水处理设施中特别有效，其精度和成本效益确保了最佳运行…




阅读更多...

















Flag 验证器








Flag 验证器




Flag 验证器使用教程 
Flag 验证器 是一种常用工具，用来验证命令行参数或配置文件中的标志（flag）是否符合预期规则。这些工具可以帮助开发者确保传入的参数满足一定的条件，避免因参数错误而导致程序运行失败。以下是对各个验证器功…




阅读更多...

















二进制分析的新兴趋势：塑造安全的移动应用








二进制分析的新兴趋势：塑造安全的移动应用




在当今快速发展的数字世界中，保障移动应用的安全性变得尤为重要。随着移动技术的广泛应用，安全性需求也日益增强。二进制分析作为确保移动应用安全和合规性的重要手段，通过对已编译的应用进行深入分析，能够发现源代码中难以察觉的…




阅读更多...

















Python:动态粒子爱心








Python:动态粒子爱心




预览 代码结构概述 
这段代码使用了 pygame 库来创建一个动态的图形窗口，绘制一个心形图案，并在其中显示闪烁的文本。代码主要分为以下几个部分： 
初始化和设置心形曲线的计算粒子类的定义生成粒子文本设置主循环 
1. 初始化和设置 
import p…




阅读更多...

















React源码02 - 基础知识 React API 一览








React源码02 - 基础知识 React API 一览




1. JSX到JavaScript的转换 <div id"div" key"key"><span>1</span><span>2</span>
</div>React.createElement("div", // 大写开头会当做原生dom标签的字符串&#xff0c;而组件使用大写开头时&#xff0c;这…




阅读更多...

















使用DynadotAPI购买域名清仓列表中的过期域名








使用DynadotAPI购买域名清仓列表中的过期域名




前言 
Dynadot是通过ICANN认证的域名注册商&#xff0c;自2002年成立以来&#xff0c;服务于全球108个国家和地区的客户&#xff0c;为数以万计的客户提供简洁&#xff0c;优惠&#xff0c;安全的域名注册以及管理服务。 
Dynadot平台操作教程索引&#xff08;包括域名邮箱&…




阅读更多...

















js分页功能








js分页功能




先声明些全局变量方便我们在下面的代码中使用 
//一页有多少条数据
let num  10;
//页码
let k  0;
//总页数
let divide;
// 用来判断显示哪几页的页数
let page_num  0;
// 声明一个用于接数据的变量
let datas;
// 声明一个用于接数据的变量
let data;
//一页有多少条数据
l…




阅读更多...

















CMake Do‘s and Don‘ts (行为准则)








CMake Do‘s and Don‘ts (行为准则)




CMake Dos and Donts {行为准则} 1. General2. Modules3. ProjectsReferences Effective Modern CMake https://gist.github.com/mbinna/c61dbb39bca0e4fb7d1f73b0d66a4fd1 
Do’s and Don’ts https://cliutils.gitlab.io/modern-cmake/chapters/intro/dodonot.html 
dos and …




阅读更多...

















验证的分类及相关工具








验证的分类及相关工具




目录 1.验证方法的分类1.1动态验证1.2.静态验证 2.动态验证及相关工具2.1.电路级仿真工具2.2.逻辑仿真工具 3.静态验证及相关工具3.1 形式验证工具3.2 静态时序分析工具 SOC设计中验证包含以下几个方面&#xff1a; 验证原始描述的正确性验证设计的逻辑功能是否符合设计规范的要…




阅读更多...

















【HarmonyOs学习日志（14）】计算机网络之域名系统DNS








【HarmonyOs学习日志（14）】计算机网络之域名系统DNS




域名系统DNS 
域名系统DNS——从域名解析出IP地址 文章目录 域名系统DNS概述域名到IP地址的解析 互联网的域名结构命名标准 域名服务器域名的解析过程 概述 
域名系统DNS&#xff08;Domain Name System&#xff09;是互联网使用的命名系统&#xff0c;用来把便于人们使用的机器…




阅读更多...

















【Python】pandas库---数据分析








【Python】pandas库---数据分析




大学毕业那年&#xff0c;你成了社会底层群众里&#xff0c;受教育程度最高的一批人。  前言  这是我自己学习Python的第四篇博客总结。后期我会继续把Python学习笔记开源至博客上。  上一期笔记有关Python的NumPy数据分析&#xff0c;没看过的同学可以去看看&#xff1a;【Pyt…




阅读更多...

















【人工智能学习之HDGCN18关键点修改】








【人工智能学习之HDGCN18关键点修改】




【人工智能学习之HDGCN18关键点修改】 训练部分修改部分 训练部分 
请参考文章&#xff1a;【人工智能学习之HDGCN训练自己的数据集】 
修改部分 参考源码中25关键点的区域划分&#xff0c;我们将18关键点划分为&#xff1a; 
头部&#xff1a; 
鼻子左眼和左耳右眼和右耳 
上肢…




阅读更多...

















ARCGIS国土超级工具集1.2更新说明








ARCGIS国土超级工具集1.2更新说明




ARCGIS国土超级工具集V1.2版本&#xff0c;功能已增加至47 个。在V1.1的基础上修复了若干使用时发现的BUG&#xff0c;新增了"矢量分割工具"菜单&#xff0c;同时增加及更新了了若干功能&#xff0c;新工具使用说明如下&#xff1a; 一、勘测定界工具栏更新界址点成果…




阅读更多...

















华为OD --- 流浪地球








华为OD --- 流浪地球




华为OD --- 流浪地球 题目独立实现基本思路代码实现 其他答案实现思路代码实现 题目 独立实现 
基本思路 
1、首先把题目给出的启动机器初始化成数组, 2、用for循环模拟每隔1s更新这个初始化数组的前后两个机器. (源码中的updateTimeCount函数) 3、for循环每次循环后会检查当前…




阅读更多...

















DataOps驱动数据集成创新：Apache DolphinScheduler  SeaTunnel on Amazon Web Services








DataOps驱动数据集成创新：Apache DolphinScheduler  SeaTunnel on Amazon Web Services




引言 
在数字化转型的浪潮中&#xff0c;数据已成为企业最宝贵的资产之一。DataOps作为一种文化、流程和实践的集合&#xff0c;旨在提高数据管道的质量和效率&#xff0c;从而加速数据从源头到消费的过程。白鲸开源科技&#xff0c;作为DataOps领域的领先开源原生公司&#xf…




阅读更多...

















【硬件IIC】stm32单片机利用硬件IIC驱动OLED屏幕








【硬件IIC】stm32单片机利用硬件IIC驱动OLED屏幕




之前操作OLED屏幕都是用GPIO模拟IIC去驱动&#xff0c;最近打算用硬件IIC去驱动&#xff0c;于是写下这个demo,在这个过程中遇到一点小坑&#xff0c;记录一下&#xff0c;本文章非小白教程&#xff0c;所以只突出踩到的坑点&#xff0c;文章中涉及到的OLED也是网上资料写烂的&…




阅读更多...

















python如何自动加空格








python如何自动加空格




首先&#xff0c;需要进行打开的一个pycharm的软件&#xff0c;可进行双击的打开该软件。 可以看到的是在当前的打开的文件中&#xff0c;格式相对较乱一下。格式不对会格式错误。 然后点击菜单栏中的“code”。 在弹出的下拉菜单中选择“reformat code”选项。 可以看到的是在…




阅读更多...

















【开源免费】基于SpringBoot+Vue.JS网上订餐系统（JAVA毕业设计）








【开源免费】基于SpringBoot+Vue.JS网上订餐系统（JAVA毕业设计）




本文项目编号  T 018 &#xff0c;文末自助获取源码 \color{red}{T018&#xff0c;文末自助获取源码} T018&#xff0c;文末自助获取源码 目录 一、系统介绍二、演示录屏三、启动教程四、功能截图五、文案资料5.1 选题背景5.2 国内外研究现状5.3 可行性分析 六、核心代码6.1 新…




阅读更多...

















串口通信和SPI通信详解








串口通信和SPI通信详解




0、背景 
在现代嵌入式系统中&#xff0c;通信是不同模块之间交换数据的核心。串口通信和 SPI&#xff08;串行外设接口&#xff09;是两种常见的通信方式&#xff0c;它们各自有独特的优势和适用场景。 
1、串口通信 
1.1、串口通信概念 
串口通信是一种常见的异步串行通信协议…




阅读更多...

















javase-17、API.数学相关








javase-17、API.数学相关




一、Math类 
Math类提供了大量的静态方法来便于我们实现数学计算&#xff0c;如求绝对值、取最大或最小值等。 
https://doc.qzxdp.cn/jdk/17/zh/api/java.base/java/lang/Math.html 
所在模块&#xff1a;java.base所在包&#xff1a; java.lang 
static double abs(double a)…




阅读更多...


















最新文章


















Copyright @ 2022~2023