使用Scipy优化梯度下降问题

news2024/10/5 23:28:00

目    录

问题重述

附加问题

步骤实施

1.查看Scipy官网SciPy，找到优化有关的模块（Optimize）

2.研究多种优化策略，选择最符合代码的方案进行优化

3.minimize函数参数及其返回值

4.代码展示

5.结果展示

6.进一步优化

6.1对如下函数方法进行优化

6.2基准测试

6.3 发现

测试文件附录

任务清单

问题重述

在二维平面有n个点，如何画一条直线，使得所有点到该直线距离之和最短

如果能找到，请给出其损失函数

附加问题

1.使用Scipy优化上述问题

2.主代码中不得出现任何循环语法，出现一个扣10分

步骤实施

1.查看Scipy官网SciPy，找到优化有关的模块（Optimize）

2.研究多种优化策略，选择最符合代码的方案进行优化

优化方法
名称特点应用场景
Scalar Functions Optimization用于最小化或最大化单个标量函数的，通常用于解决一维问题目标函数只返回一个标量（单个值）
Local (Multivariate) Optimization适用于多变量问题，需要梯度函数，不过会自动寻找梯度更新目标值在参数空间中找到局部最小值或最大值
Global Optimization寻找函数的全局最小值或最大值，包含多个局部最值在计算条件允许的条件下可以得到全局最优解

优化方法
序号名称使用方法适用条件
1Nelder-MeadNelder-Mead单纯形法适用于一般的非线性问题
2PowellPowell方法适合多维非约束优化的方法
3CG共轭梯度法（Conjugate Gradient）适用于二次优化问题或大规模问题
4BFGS拟牛顿BFGS算法适用于大多数非线性优化问题的常用方法，尤其是当梯度信息可用时
5Newton-CG牛顿共轭梯度法适用于大多数非线性优化问题，但相对于BFGS需要更多的内存
6L-BFGS-B限制内存BFGS算法适用于大规模问题，因为它限制了内存使用
7TNC截断牛顿法适用于大多数非线性优化问题，并且能够处理约束条件
8COBYLA约束优化适用于具有约束条件的问题
9SLSQP顺序最小二乘法适用于具有约束条件的问题，并且能够处理线性和非线性约束
10trust-constr信任区域约束优化方法适用于有约束条件的问题，并且可以处理线性和非线性约束
11dogleg信任域Dogleg方法适用于具有约束条件的问题
12trust-ncg信任区域牛顿共轭梯度法适用于约束优化问题
13trust-krylov信任区域Krylov子空间法适用于约束优化问题
14trust-exact精确信任区域方法适用于约束优化问题

 此问题我们需要求最小值，所以我们采用minimize函数，并选择常用的BFGS策略

3.minimize函数参数及其返回值

原型如下：

scipy.optimize.minimize(fun, x0, args=(), method=None, jac=None, hess=None, hessp=None, bounds=None, constraints=(), tol=None, callback=None, options=None)

挑五个主要的参数讲

1.fun：需要最小化的目标函数

这个函数应该接受一个输入向量，返回一个标量（单个值），表示损失函数的值。

2.x0：起始参数的初始猜测值

通常是一个数组或列表，表示参数的初始估计。

3.args：传递给目标函数的额外参数的元组

如果目标函数需要额外的参数，可以将它们作为元组传递给args参数。

4.method：选择优化方法的字符串

这是一个可选参数，如果未指定，默认使用'Nelder-Mead'方法。可以选择其他方法，

5.jac：表示目标函数的梯度（导数）的函数

如果提供了梯度函数，通常可以加速优化过程。如果不提供，优化算法会尝试数值估计梯度。

所以我们在优化代码的时候，

可以将 calcLoseFunction函数作为fun，

而k,b两个参数打成列表作为x0，

将XData,YData组成元组传递给arg

method选择BFGS

最后jac选择不写，便于对比两者速度差异

其返回值说明如下

1.x：优化的参数值。这是一个数组，包含找到的最优参数。

2.fun：最小化目标函数的最小值（损失函数的最小值）。

3.success：一个布尔值，表示优化是否成功收敛到最小值。

4.message：一个字符串，描述优化的终止消息。

5.nit：迭代次数，表示优化算法运行的迭代次数。

6.nfev：函数调用次数，表示评估目标函数的次数。

7.njev：梯度计算次数，表示计算目标函数梯度的次数（如果提供了梯度函数）。

8.hess_inv：Hessian矩阵的逆矩阵（如果提供了Hessian信息）。

9.jac：目标函数的梯度值。

4.代码展示

import numpy #发现直接用List就行了
import random
import matplotlib.pyplot as plt
from scipy.optimize import minimize
from commonTools import *
# random.random()
# random.randint(start,stop)
#################全局数据定义区
# 数组大小
listSize=10
# 定义学习率 取尽量小0.001
learningRate=0.0001
#定义初始直线的 斜率k 和 截距b 45° 1单位距离
# 现在设置 k=0.5 检验程序
k,b=0.5,1
initialParams=[k,b]
#定义迭代次数
bfsNums=9999
#################全局数据定义区END
# 生成随机数
def generateRandomInteger(start, end):
    # [1-100]
    return random.randint(start, end)

# 打印本次随机生成的X,Y 便于快速粘贴复现
def printXYArray(XData,YData):
    # 打印X
    print("[", ",".join([str(i) for i in XData]), "]")
    # 打印Y
    print("[", ",".join([str(i) for i in YData]), "]")

#调用公共模块进行打印 便于快速查看粘贴
def printXYData(XData,YData):
    loc=locals()
    printArray(XData,loc)
    printArray(YData,loc)
# 最小二乘法定义损失函数 并计算
#参考链接：https://blog.csdn.net/zy_505775013/article/details/88683460
# 求最小二乘法的最小值 最终结果应当是在learningRate一定情况下  这个最小的sum
def calcLoseFunction(params,XData,YData):
    k, b = params
    sum=0
    for i in range(0,listSize):
        # 使用偏离值的平方进行累和
        sum+=(YData[i]-(k*XData[i]+b))**2
    return sum

#梯度下降法
def calcGradientCorrection(b, k, XData, YData, learningRate, bfsNums):
    for i in range(0, bfsNums):
        sumk, sumb = 0, 0
        for j in range(0, listSize):
            # 定义预测值Y'
            normalNum = k * XData[j] + b
            # 计算逆梯度累和
            sumk += -(2 / listSize) * (normalNum - YData[j]) * XData[j]
            sumb += -(2 / listSize) * (normalNum - YData[j])
        # 在逆梯度的方向上进行下一步搜索
        k += learningRate * sumk
        b += learningRate * sumb
    return k, b

# 随机生成横坐标
XData=[generateRandomInteger(1,100) for i in range(listSize) ]
# 随机生成纵坐标
YData=[XData[i]+generateRandomInteger(-10,10) for i in range(listSize) ]
# 纯随机生成 但是可视化效果不直观
# YData=[generateRandomInteger(1,100) for i in range(listSize) ]
# 死值替换区
# XData=testArrayX
# YData=testArrayY

print("初始选取k={},b={}的情况下的损失函数值为sum={}".format(k,b,calcLoseFunction(initialParams,XData,YData)))
# 对k,b进行梯度修正
# k,b=calcGradientCorrection(b,k,XData,YData,learningRate,bfsNums)
#使用Scipy进行求解
result = minimize(calcLoseFunction, initialParams, args=(XData, YData), method='BFGS')
resultk,resultb=result.x
print("修正后：k={},b={},最小损失sum={},最小二乘法损失sums={}".format(resultk,resultb,result.fun,calcLoseFunction([resultk,resultb],XData,YData)))
print("调试数组")
printXYArray(XData,YData)

#画图
plt.plot(XData, YData, 'b.')
plt.plot(XData, resultk*numpy.array(XData)+resultb, 'r')
plt.show()
print("END")

5.结果展示

6.进一步优化

两个目标

1.优化损失函数中的for循环

2.对使用Scipy优化前后的代码进行基准测试，比较运行速度

6.1对如下函数方法进行优化
def calcLoseFunction(params,XData,YData):
    k, b = params
    sum=0
    for i in range(0,listSize):
        # 使用偏离值的平方进行累和
        sum+=(YData[i]-(k*XData[i]+b))**2
    return sum

使用numpy，优化后如下：

def calcLoseFunction(params,XData,YData):
    XData,YData=np.array(XData),np.array(YData)
    k, b = params
    sum=np.sum((YData - (k * XData + b))**2)
    return sum

无for优化后代码如下：

import numpy as np
import random
import matplotlib.pyplot as plt
from scipy.optimize import minimize
from commonTools import *

#################全局数据定义区
# 数组大小
listSize=10
#定义初始直线的 斜率k 和 截距b 45° 1单位距离
# 现在设置 k=0.5 检验程序
k,b=0.5,1
initialParams=[k,b]
#################全局数据定义区END
# 生成随机数
def generateRandomInteger(start, end):
    return random.randint(start, end)

#调用公共模块进行打印 便于快速查看粘贴
def printXYData(XData,YData):
    loc=locals()
    printArray(XData,loc)
    printArray(YData,loc)

# 最小二乘法定义损失函数 并计算
def calcLoseFunction(params,XData,YData):
    XData,YData=np.array(XData),np.array(YData)
    k, b = params
    sum=np.sum((YData - (k * XData + b))**2)
    return sum

# 随机生成横坐标
XData=[generateRandomInteger(1,100) for i in range(listSize) ]
# 随机生成纵坐标
YData=[XData[i]+generateRandomInteger(-10,10) for i in range(listSize) ]
# 纯随机生成 但是可视化效果不直观
# YData=[generateRandomInteger(1,100) for i in range(listSize) ]
# 死值替换区
# XData=[ 49,74,62,54,20,14,27,74,23,50 ]
# YData=[ 47,65,56,57,21,21,32,81,27,46 ]

print("初始选取k={},b={}的情况下的损失函数值为sum={}".format(k,b,calcLoseFunction(initialParams,XData,YData)))

#使用Scipy进行求解
result = minimize(calcLoseFunction, initialParams, args=(XData, YData), method='BFGS')
resultk,resultb=result.x
print("修正后：k={},b={},最小损失sum={},最小二乘法损失sums={}".format(resultk,resultb,result.fun,calcLoseFunction([resultk,resultb],XData,YData)))
print("调试数组")
printXYData(XData,YData)

#画图
plt.plot(XData, YData, 'b.')
plt.plot(XData, resultk*np.array(XData)+resultb, 'r')
plt.show()
print("END")

其中公共模块commonTools.py 代码如下：

#########导包区

#########说明
#1.想要在公共模块区域使用变量列表 必须传进来 因为彼此的变量作用域不同


#########公共变量定义区
#这个locals应该是被引入的界面传进来，而不是从这拿
# loc=locals()

#########函数书写区
#1.获取变量名称
def getVariableName(variable,loc):
    for k,v in loc.items():
        if loc[k] is variable:
            return k

#附带的打印变量名
def printValue(object,loc):
    print("变量{}的值是{}".format(getVariableName(object,loc),object))

# 2.组装列表为字符串
def mergeInSign(dataList,sign):
    # print(str(sign).join([str(i) for i in dataList]))
    return str(sign).join([str(i) for i in dataList])

# 3.打印一个列表
def printArray(dataArray,loc):
    print("列表{}的内容是：".format(getVariableName(dataArray,loc)),\
          "[", ",".join([str(i) for i in dataArray]), "]"\
          )

原先的代码如下：

import numpy #发现直接用List就行了
import random
import matplotlib.pyplot as plt
# random.random()
# random.randint(start,stop)
#################全局数据定义区
# 数组大小
listSize=10
# 定义学习率 取尽量小0.001
learningRate=0.0001
#定义初始直线的 斜率k 和 截距b 45° 1单位距离
# 现在设置 k=0.5 检验程序
k,b=0.5,1
#定义迭代次数
bfsNums=9999
#################全局数据定义区END
# 生成随机数
def generateRandomInteger(start, end):
    # [1-100]
    return random.randint(start, end)
 
# 打印本次随机生成的X,Y 便于快速粘贴复现
def printXYArray(XData,YData):
    # 打印X
    print("[", ",".join([str(i) for i in XData]), "]")
    # 打印Y
    print("[", ",".join([str(i) for i in YData]), "]")
 
# 最小二乘法定义损失函数 并计算
#参考链接：https://blog.csdn.net/zy_505775013/article/details/88683460
# 求最小二乘法的最小值 最终结果应当是在learningRate一定情况下  这个最小的sum
def calcLoseFunction(k,b,XData,YData):
    sum=0
    for i in range(0,listSize):
        # 使用偏离值的平方进行累和
        sum+=(YData[i]-(k*XData[i]+b))**2
    return sum
 
#梯度下降法
def calcGradientCorrection(b, k, XData, YData, learningRate, bfsNums):
    for i in range(0, bfsNums):
        sumk, sumb = 0, 0
        for j in range(0, listSize):
            # 定义预测值Y'
            normalNum = k * XData[j] + b
            # 计算逆梯度累和  注意这里求偏导应当是两倍 不知道为什么写成1了
            # 求MSE的偏导
            sumk += -(2 / listSize) * (normalNum - YData[j]) * XData[j]
            sumb += -(2 / listSize) * (normalNum - YData[j])
        # 在逆梯度的方向上进行下一步搜索
        k += learningRate * sumk
        b += learningRate * sumb
    return k, b
 
# 随机生成横坐标
XData=[generateRandomInteger(1,100) for i in range(listSize) ]
# 随机生成纵坐标
YData=[XData[i]+generateRandomInteger(-10,10) for i in range(listSize) ]
# 纯随机生成 但是可视化效果不直观
# YData=[generateRandomInteger(1,100) for i in range(listSize) ]
# 死值替换区
# XData=testArrayX
# YData=testArrayY
 
print("初始选取k={},b={}的情况下的损失函数值为sum={}".format(k,b,calcLoseFunction(k,b,XData,YData)))
# 对k,b进行梯度修正
k,b=calcGradientCorrection(b,k,XData,YData,learningRate,bfsNums)
print("修正后：k={},b={},最小损失sum={}".format(k,b,calcLoseFunction(k,b, XData, YData)))
print("调试数组")
printXYArray(XData,YData)
 
#画图
plt.plot(XData, YData, 'b.')
plt.plot(XData, k*numpy.array(XData)+b, 'r')
plt.show()
print("END")

 到此，使用scipy并对for循环进行优化已经完成，下面我们使用程序对比优化后时间效率上有没有改进。

6.2基准测试

我们将先后代码的画图部分都注释

目录结构如下：

 test.py代码如下：

import os       #执行调用
import time     #记录时间
DEBUG=False
execFileName="old.py" if DEBUG else "new.py"

if __name__=="__main__":
    startTime = time.time()
    os.system("python {}".format(execFileName))
    endTime = time.time()
    print("文件：{}执行耗时：{}ms".format(execFileName,endTime-startTime))

DEBUG为False

DEBUG为True

额，调用minimize函数在时间上不如自己写的梯度下降。。。。。

多次随机测试后发现结果依旧如此，可能是因为scipy引入了其他策略，导致了执行时间变长

6.3 发现

使用scipy在某种程度上可能能优化执行效率，但是在部分情况下可能耗时会略长于基本实现

测试文件附录

commonTools.py

#########导包区

#########说明
#1.想要在公共模块区域使用变量列表 必须传进来 因为彼此的变量作用域不同


#########公共变量定义区
#这个locals应该是被引入的界面传进来，而不是从这拿
# loc=locals()

#########函数书写区
#1.获取变量名称
def getVariableName(variable,loc):
    for k,v in loc.items():
        if loc[k] is variable:
            return k

#附带的打印变量名
def printValue(object,loc):
    print("变量{}的值是{}".format(getVariableName(object,loc),object))

# 2.组装列表为字符串
def mergeInSign(dataList,sign):
    # print(str(sign).join([str(i) for i in dataList]))
    return str(sign).join([str(i) for i in dataList])

# 3.打印一个列表
def printArray(dataArray,loc):
    print("列表{}的内容是：".format(getVariableName(dataArray,loc)),\
          "[", ",".join([str(i) for i in dataArray]), "]"\
          )

test.py

import os       #执行调用
import time     #记录时间
DEBUG=True
execFileName="old.py" if DEBUG else "new.py"

if __name__=="__main__":
    startTime = time.time()
    os.system("python {}".format(execFileName))
    endTime = time.time()
    print("文件：{}执行耗时：{}ms".format(execFileName,endTime-startTime))

new.py

import numpy as np
import random
import matplotlib.pyplot as plt
from scipy.optimize import minimize
from commonTools import *

#################全局数据定义区
# 数组大小
listSize=10
#定义初始直线的 斜率k 和 截距b 45° 1单位距离
# 现在设置 k=0.5 检验程序
k,b=0.5,1
initialParams=[k,b]
#################全局数据定义区END
# 生成随机数
def generateRandomInteger(start, end):
    return random.randint(start, end)

#调用公共模块进行打印 便于快速查看粘贴
def printXYData(XData,YData):
    loc=locals()
    printArray(XData,loc)
    printArray(YData,loc)

# 最小二乘法定义损失函数 并计算
def calcLoseFunction(params,XData,YData):
    XData,YData=np.array(XData),np.array(YData)
    k, b = params
    sum=np.sum((YData - (k * XData + b))**2)
    return sum

# # 随机生成横坐标
# XData=[generateRandomInteger(1,100) for i in range(listSize) ]
# # 随机生成纵坐标
# YData=[XData[i]+generateRandomInteger(-10,10) for i in range(listSize) ]
# 纯随机生成 但是可视化效果不直观
# YData=[generateRandomInteger(1,100) for i in range(listSize) ]
# 死值替换区
XData=[ 49,74,62,54,20,14,27,74,23,50 ]
YData=[ 47,65,56,57,21,21,32,81,27,46 ]

print("初始选取k={},b={}的情况下的损失函数值为sum={}".format(k,b,calcLoseFunction(initialParams,XData,YData)))

#使用Scipy进行求解
result = minimize(calcLoseFunction, initialParams, args=(XData, YData), method='BFGS')
resultk,resultb=result.x
print("修正后：k={},b={},最小损失sum={},最小二乘法损失sums={}".format(resultk,resultb,result.fun,calcLoseFunction([resultk,resultb],XData,YData)))
print("调试数组")
printXYData(XData,YData)

#画图
# plt.plot(XData, YData, 'b.')
# plt.plot(XData, resultk*np.array(XData)+resultb, 'r')
# plt.show()
print("END")

old.py 

import numpy  # 发现直接用List就行了
import random
import matplotlib.pyplot as plt
from commonTools import *
# random.random()
# random.randint(start,stop)
#################全局数据定义区
# 数组大小
listSize = 10
# 定义学习率 取尽量小0.001
learningRate = 0.0001
# 定义初始直线的 斜率k 和 截距b 45° 1单位距离
# 现在设置 k=0.5 检验程序
k, b = 0.5, 1
# 定义迭代次数
bfsNums = 9999


#################全局数据定义区END
# 生成随机数
def generateRandomInteger(start, end):
    # [1-100]
    return random.randint(start, end)

# 打印本次随机生成的X,Y 便于快速粘贴复现
def printXYArray(XData, YData):
    # 打印X
    print("[", ",".join([str(i) for i in XData]), "]")
    # 打印Y
    print("[", ",".join([str(i) for i in YData]), "]")


# 最小二乘法定义损失函数 并计算
# 参考链接：https://blog.csdn.net/zy_505775013/article/details/88683460
# 求最小二乘法的最小值 最终结果应当是在learningRate一定情况下  这个最小的sum
def calcLoseFunction(k, b, XData, YData):
    sum = 0
    for i in range(0, listSize):
        # 使用偏离值的平方进行累和
        sum += (YData[i] - (k * XData[i] + b)) ** 2
    return sum


# 梯度下降法
def calcGradientCorrection(b, k, XData, YData, learningRate, bfsNums):
    for i in range(0, bfsNums):
        sumk, sumb = 0, 0
        for j in range(0, listSize):
            # 定义预测值Y'
            normalNum = k * XData[j] + b
            # 计算逆梯度累和  注意这里求偏导应当是两倍 不知道为什么写成1了
            # 求MSE的偏导
            sumk += -(2 / listSize) * (normalNum - YData[j]) * XData[j]
            sumb += -(2 / listSize) * (normalNum - YData[j])
        # 在逆梯度的方向上进行下一步搜索
        k += learningRate * sumk
        b += learningRate * sumb
    return k, b


# 随机生成横坐标
XData = [generateRandomInteger(1, 100) for i in range(listSize)]
# 随机生成纵坐标
YData = [XData[i] + generateRandomInteger(-10, 10) for i in range(listSize)]
# 纯随机生成 但是可视化效果不直观
# YData=[generateRandomInteger(1,100) for i in range(listSize) ]
# 死值替换区
# XData=[ 49,74,62,54,20,14,27,74,23,50 ]
# YData=[ 47,65,56,57,21,21,32,81,27,46 ]

print("初始选取k={},b={}的情况下的损失函数值为sum={}".format(k, b, calcLoseFunction(k, b, XData, YData)))
# 对k,b进行梯度修正
k, b = calcGradientCorrection(b, k, XData, YData, learningRate, bfsNums)
print("修正后：k={},b={},最小损失sum={}".format(k, b, calcLoseFunction(k, b, XData, YData)))
print("调试数组")
printXYArray(XData, YData)

# 画图
# plt.plot(XData, YData, 'b.')
# plt.plot(XData, k * numpy.array(XData) + b, 'r')
# plt.show()
print("END")

任务清单

1.算法程序不使用任何for循环（已完成）

2.使用scipy对原先的代码进行优化（已完成）

3.对优化前后代码进行基准测试（已完成）

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.coloradmin.cn/o/1063306.html

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，一经查实，立即删除！

相关文章

数字孪生、AR和VR如何改进数据中心设计

数字孪生、AR和VR如何改进数据中心设计

数据中心基础设施管理(DCIM)已存在多年，它在许多数据中心被广泛使用，但还没有普遍使用，由于两个因素，这种情况正在改变：数字化的概念正在普及，IT与运营技术(OT)系统(如建筑管理系统(BMS)和电源管理工具)的集…
阅读更多...
Leetcode 151. 反转字符串中的单词 JS版两种方法（内置API，双指针）有详细讲解 小白放心食用

Leetcode 151. 反转字符串中的单词 JS版两种方法（内置API，双指针）有详细讲解 小白放心食用

🎶Leetcode 151. 反转字符串中的单词 难度：中等 ✨题目描述： 给你一个字符串 s ，请你反转字符串中 单词 的顺序。 单词 是由非空格字符组成的字符串。s 中使用至少一个空格将字符串中的 单词 分隔开。 返回 单词 顺序颠倒且 …
阅读更多...
使用4090显卡部署 Qwen-14B-Chat-Int4

使用4090显卡部署 Qwen-14B-Chat-Int4

使用4090显卡部署 Qwen-14B-Chat-Int4 1. Qwen-Agent 概述2. Github 地址3. 创建虚拟环境4. 安装依赖项5. 快速使用6. 启动 web 演示7. 访问 Qwen 1. Qwen-Agent 概述 通义千问-14B（Qwen-14B） 是阿里云研发的通义千问大模型系列的140亿参数规模的模型。…
阅读更多...
cartographer(1)-运行

cartographer(1)-运行

1.下载数据集 #1.下载数据集： mkdir /home/tang/bagfiles#2.开始二维建图 cd /home/tang/carto_ws/cartographer_detailed_comments_ws/install_isolated/source install_isolated/setup.bash rospack profile #新装的包索引地址存在ros的环境里 roslaunch ca…
阅读更多...
【Python】读取显示pgm图像文件

【Python】读取显示pgm图像文件

文章目录 零. 前言一. pgm基本概念二. pgm基本信息读取三. pgm图像渲染四. 代码优化 零. 前言 这学期要学多媒体信息隐藏对抗，发现其中的图像数据集文件都是pgm文件形式的。虽然是图像文件，但是却不能直接通过图像查看器来打开，上网一搜&…
阅读更多...
【有限域除法】二元多项式除法电路原理及C语言实现

【有限域除法】二元多项式除法电路原理及C语言实现

二元多项式除法电路原理 例： g ( x ) = x 4 + x 2 + x + 1 g(x)=x^4 + x^2+x+1
阅读更多...
C语言-字符串与输入输出

C语言-字符串与输入输出

一、字符串 1、字符串简介 在 C 语言中，字符串实际上是使用空字符 \0 结尾的一维字符数组。因此，\0 是用于标记字符串的结束。 空字符（Null character）又称结束符，缩写 NUL，是一个数值为 0 的控制字符&…
阅读更多...
深入了解“注意力”和“变形金刚” -第1部分

深入了解“注意力”和“变形金刚” -第1部分

一、说明 这是一篇很长的文章，几乎讨论了人们需要了解的有关注意力机制的所有信息，包括自我注意、查询、键、值、多头注意力、屏蔽多头注意力和转换器，包括有关 BERT 和 GPT 的一些细节。因此，我将本文分为两部分。在本文中&#…
阅读更多...
【JavaEE】JUC(Java.util.concurrent)常见类

【JavaEE】JUC(Java.util.concurrent)常见类

文章目录 前言ReentrantLock原子类线程池信号量CountDownLatch相关面试题 前言 经过前面文章的学习我们大致了解了如何实现多线程编程和解决多线程编程中遇到的线程不安全问题，java.util.concurrent 是我们多线程编程的一个常用包，那么今天我将为大家分…
阅读更多...
消息驱动 —— SpringCloud Stream

消息驱动 —— SpringCloud Stream

Stream 简介 Spring Cloud Stream 是用于构建消息驱动的微服务应用程序的框架，提供了多种中间件的合理配置 Spring Cloud Stream 包含以下核心概念： Destination Binders：目标绑定器，目标指的是 Kafka 或者 RabbitMQ&#xff0…
阅读更多...
一款支持功能安全车规级 线性PMIC稳压器 NCV4274CDS50R4G 解决方案：高效率、更智能、强功能安全

一款支持功能安全车规级 线性PMIC稳压器 NCV4274CDS50R4G 解决方案：高效率、更智能、强功能安全

关于车规级芯片： 关于车规级芯片（Automotive Grade Chip），车规级芯片是专门用于汽车行业的芯片，具有高可靠性、高稳定性和低功耗等特点，以满足汽车电子系统的严格要求。这些芯片通常用于车载电子控制单元&…
阅读更多...
c++使用ifstream和ofstream报错：不允许使用不完整的类型

c++使用ifstream和ofstream报错：不允许使用不完整的类型

学习《C Primer》关于IO库的部分&#xff0c;输入284页的的代码&#xff0c;出现了报错&#xff1a; 不允许使用不完整的类型 原来的代码&#xff1a; #include <iostream> #include <vector> using namespace std;int main(int argc, char **argv) {ifstream in…
阅读更多...
如何搭建一个 websocket

如何搭建一个 websocket

环境: NodeJssocket.io 4.7.2 安装依赖 yarn add socket.io创建服务器 引入文件 特别注意: 涉及到 colors 的代码&#xff0c;请采取 console.log() 打印 // 基础老三样 import http from "http"; import fs from "fs"; import { Server } from &quo…
阅读更多...
分享几个优秀开源免费管理后台模版，建议收藏！

分享几个优秀开源免费管理后台模版，建议收藏！

大家好&#xff0c;我是 jonssonyan 今天和大家分享一些免费开源的后台管理页面&#xff0c;帮助大家快速搭建前端页面。为什么要用模板&#xff1f;道理很简单&#xff0c;原因是方便我们快速开发。我们不应该花太多的时间在页面调整上&#xff0c;而应该把精力放在核心逻辑和…
阅读更多...
关于滑块验证码的问题

关于滑块验证码的问题

这里写自定义目录标题 一、超级鹰二、图片验证模拟登录1、页面分析1.1、模拟用户正常登录流程1.2、识别图片里面的文字 2、代码实现 三、滑块模拟登录1、页面分析2、代码实现&#xff08;通过对比像素获取缺口位置&#xff09; 四、openCV1、简介2、代码3、案例 五、selenium 反…
阅读更多...
Vue中如何进行数据库操作与数据持久化

Vue中如何进行数据库操作与数据持久化

在Vue中进行数据库操作与数据持久化 Vue.js作为一个流行的JavaScript框架&#xff0c;通常用于构建前端应用程序&#xff0c;但它本身并不提供数据库操作或数据持久化的功能。数据库操作通常由后端服务器处理&#xff0c;而Vue负责呈现和交互。然而&#xff0c;您可以使用Vue与…
阅读更多...
P1-Python编辑器的选择和安装

P1-Python编辑器的选择和安装

1、Python编辑器的选择、安装及配置&#xff08;PyCharm、Jupyter&#xff09; PyCharm的安装&#xff1a; https://www.jetbrains.com/pycharm/PyCharm的配置&#xff1a; 1、创建新的项目 2、导入本地已有的Pytorch anaconda环境 配置环境中问题&#xff1a; https://bl…
阅读更多...
Kitchen Racks

Kitchen Racks

厨房置物架 完美&#xff01;&#xff01;&#xff01;
阅读更多...
【车载开发系列】S19/HEX/BIN文件解析

【车载开发系列】S19/HEX/BIN文件解析

【车载开发系列】S19/HEX/BIN文件解析 【车载开发系列】S19/HEX/BIN文件解析 【车载开发系列】S19/HEX/BIN文件解析一. 文件烧录原理二. 为什么要文件解析三. BIN格式文件1&#xff09;bin格式优点2&#xff09;bin格式缺点 四. S-record概述五. S19&#xff0c;MOT&#xff0c…
阅读更多...
ExoPlayer架构详解与源码分析（3）——Timeline

ExoPlayer架构详解与源码分析（3）——Timeline

系列文章目录 ExoPlayer架构详解与源码分析&#xff08;1&#xff09;——前言 ExoPlayer架构详解与源码分析&#xff08;2&#xff09;——Player 文章目录 系列文章目录前言Timeline单文件或者点播流媒体文件播放列表或者点播流列表有限可播的直播流无限可播的直播流有多个P…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023