TrustGeo代码理解（二）test.py

news2024/10/6 20:27:26

代码链接：https://github.com/ICDM-UESTC/TrustGeo

一、加载检查点（checkpoint）并进行测试

# -*- coding: utf-8 -*-

"""
    load checkpoint and then test
"""

该脚本的目的是加载之前训练过的模型的检查点，并使用测试数据集进行模型的性能评估。

二、导入各种模块和数据库

import torch.nn

from lib.utils import *
import argparse
import numpy as np
import random
from lib.model import *
import copy
import pandas as pd

脚本可能会涉及读取配置、加载模型、加载测试数据、执行测试、记录结果等操作。为了更详细的解释，需要查看 lib 文件夹中的 utils 和 model 模块的具体实现。

1、import torch.nn：导入 PyTorch 的神经网络模块。

2、from lib.utils import *：从 lib.utils 模块中导入所有内容，这可能包括一些工具函数或辅助函数，用于该脚本或项目的其他部分。

3、import argparse：导入 argparse 模块用于解析命令行参数。

4、import numpy as np：导入 NumPy 库，用于进行科学计算，特别是多维数组的处理。

5、import random：导入 random 模块，用于生成伪随机数。

6、from lib.model import *：从 lib.model 模块中导入所有内容，这可能包括定义神经网络模型的类等。

7、import copy：导入 copy 模块，用于复制对象，通常用于创建对象的深拷贝。

8、import pandas as pd：导入 Pandas 库，用于数据处理和分析，通常用于处理表格型数据。

二、参数初始化（通过命令行参数）

parser = argparse.ArgumentParser()
# parameters of initializing
parser.add_argument('--seed', type=int, default=2022, help='manual seed')
parser.add_argument('--model_name', type=str, default='TrustGeo')
parser.add_argument('--dataset', type=str, default='New_York', choices=["Shanghai", "New_York", "Los_Angeles"],
                    help='which dataset to use')

这部分代码的目的是通过命令行参数设置一些初始化的参数，例如随机数种子、模型名称和数据集名称。这使得在运行脚本时可以通过命令行参数来指定这些参数的值。

1、parser = argparse.ArgumentParser()：创建一个 argparse.ArgumentParser 对象，用于解析命令行参数。

2、# parameters of initializing：注释，表示接下来是初始化参数的部分。

3、parser.add_argument('--seed', type=int, default=2022, help='manual seed')：添加一个命令行参数，名称为 '--seed'，表示随机数种子，类型为整数，默认值为 2022，help 参数是在命令行中输入 --help 时显示的帮助信息。

4、parser.add_argument('--model_name', type=str, default='TrustGeo')：添加一个命令行参数，名称为 '--model_name'，表示模型的名称，类型为字符串，默认值为 'TrustGeo'。

5、parser.add_argument('--dataset', type=str, default='New_York', choices=["Shanghai", "New_York", "Los_Angeles"], help='which dataset to use')：添加一个命令行参数，名称为 '--dataset'，表示数据集的名称，类型为字符串，默认值为 'New_York'，choices 参数指定了可选的值为 ["Shanghai", "New_York", "Los_Angeles"]，用户只能从这三个值中选择。help 参数是在命令行中输入 --help 时显示的帮助信息。

三、训练过程参数设置

# parameters of training
parser.add_argument('--beta1', type=float, default=0.9)
parser.add_argument('--beta2', type=float, default=0.999)
parser.add_argument('--lambda1', type=float, default=7e-3)
parser.add_argument('--lr', type=float, default=5e-3)
parser.add_argument('--harved_epoch', type=int, default=5) 
parser.add_argument('--early_stop_epoch', type=int, default=50)
parser.add_argument('--saved_epoch', type=int, default=200) 
parser.add_argument('--load_epoch', type=int, default=5)

这部分代码的目的是设置一些训练过程中的超参数，例如优化器的动量参数、学习率、权重参数等。这些参数在训练过程中会影响模型的更新和收敛速度。

1、# parameters of training：注释，表示接下来是训练参数的部分。

2、parser.add_argument('--beta1', type=float, default=0.9)：添加一个命令行参数，名称为 '--beta1'，表示 Adam 优化器的第一个动量（momentum）参数，类型为浮点数，默认值为 0.9。

3、parser.add_argument('--beta2', type=float, default=0.999)：添加一个命令行参数，名称为 '--beta2'，表示 Adam 优化器的第二个动量参数，类型为浮点数，默认值为 0.999。

4、parser.add_argument('--lambda1', type=float, default=7e-3)：添加一个命令行参数，名称为 '--lambda1'，表示某个权重参数，类型为浮点数，默认值为 7e-3。

5、parser.add_argument('--lr', type=float, default=5e-3)：添加一个命令行参数，名称为 '--lr'，表示学习率，类型为浮点数，默认值为 5e-3。

6、parser.add_argument('--harved_epoch', type=int, default=5)：添加一个命令行参数，名称为 '--harved_epoch'，表示某个 epoch 的值，类型为整数，默认值为 5。

7、parser.add_argument('--early_stop_epoch', type=int, default=50)：添加一个命令行参数，名称为 '--early_stop_epoch'，表示早停（early stop）的 epoch 数，类型为整数，默认值为 50。

8、parser.add_argument('--saved_epoch', type=int, default=200)：  添加一个命令行参数，名称为 '--saved_epoch'，表示保存模型的 epoch 数，类型为整数，默认值为 200。

9、parser.add_argument('--load_epoch', type=int, default=5)：从指定 epoch 的模型参数加载模型。（比model.py多出来的）

四、模型参数设置

# parameters of model
parser.add_argument('--dim_in', type=int, default=30, choices=[51, 30], help="51 if Shanghai / 30 else")

opt = parser.parse_args()
print("Learning rate: ", opt.lr)
print("Dataset: ", opt.dataset)

这部分代码的目的是解析命令行参数，并打印出学习率和数据集名称。--dim_in 参数用于指定输入维度，可以选择是 51 或者 30。

1、# parameters of model：注释，表示接下来是训模型参数的部分。

2、parser.add_argument('--dim_in', type=int, default=30, choices=[51, 30], help="51 if Shanghai / 30 else")：添加一个命令行参数，名称为 '--dim_in'，表示输入的维度，类型为整数，默认值为 30。choices 参数指定了可选的值为 [51, 30]，用户只能从这两个值中选择。help 参数是在命令行中输入 --help 时显示的帮助信息。

3、opt = parser.parse_args()：使用 argparse 解析命令行参数，将结果存储在 opt 变量中。

4、print("Learning rate: ", opt.lr)：打印学习率，即 opt 对象中的 lr 属性。

5、print("Dataset: ", opt.dataset)：打印数据集名称，即 opt 对象中的 dataset 属性。

五、设置随机种子数

if opt.seed:
    print("Random Seed: ", opt.seed)
    random.seed(opt.seed)
    torch.manual_seed(opt.seed)
torch.set_printoptions(threshold=float('inf'))

这一部分的目的是确保在使用随机数的场景中，每次运行程序得到的随机结果是可复现的。通过设置相同的随机数种子，可以使得每次运行得到相同的随机数序列。

1、如果 opt 对象中的 seed 属性存在（不为 0 或 False 等假值），则执行以下操作：

  • 打印随机数种子的信息。
  • 使用 random 模块设置 Python 内建的随机数生成器的种子。
  • 使用 PyTorch 的 torch 模块设置随机数种子。

2、torch.set_printoptions(threshold=float('inf'))：设置 PyTorch 的打印选项，将打印的元素数量限制设置为无穷大，即不限制打印的元素数量。这样可以确保在打印张量时，所有元素都会被打印出来，而不会被省略。

六、过滤所有警告信息

warnings.filterwarnings('ignore')

过滤掉所有警告信息，将警告信息忽略。这通常用于在代码中避免显示一些不影响程序执行的警告信息，以保持输出的清晰。在某些情况下，警告信息可能是有用的，但如果明确知道这些警告对程序执行没有影响，可以选择忽略它们。

七、动态选择运行环境

device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
print("device:", device)
cuda = True if torch.cuda.is_available() else False
Tensor = torch.cuda.FloatTensor if cuda else torch.FloatTensor

这部分代码的目的是根据硬件环境动态选择运行模型的设备，并选择相应的 PyTorch 张量类型。如果有可用的 GPU，就使用 GPU 运行模型和 GPU 张量类型；否则，使用 CPU 运行模型和 CPU 张量类型。

1、device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')：创建一个 PyTorch 设备对象，表示运行模型的设备。如果 CUDA 可用（即有可用的 GPU），则使用 'cuda:0' 表示第一个 GPU，否则使用 'cpu' 表示 CPU。

2、print("device:", device)：打印设备的信息，即使用的是 GPU 还是 CPU。

3、cuda = True if torch.cuda.is_available() else False：根据 CUDA 是否可用设置一个布尔值，表示是否使用 GPU。如果 CUDA 可用，则 cuda 为 True，否则为 False。

4、Tensor = torch.cuda.FloatTensor if cuda else torch.FloatTensor：根据上一步得到的 cuda 布尔值选择使用 GPU 还是 CPU 上的 PyTorch 张量类型。如果 cuda 为 True，则 Tensor 被设置为 torch.cuda.FloatTensor，表示在 GPU 上的浮点数张量类型，否则设置为 torch.FloatTensor，表示在 CPU 上的浮点数张量类型。

八、加载数据（训练和测试）

'''load data'''
train_data = np.load("./datasets/{}/Clustering_s1234_lm70_train.npz".format(opt.dataset),
                     allow_pickle=True)
test_data = np.load("./datasets/{}/Clustering_s1234_lm70_test.npz".format(opt.dataset),
                    allow_pickle=True)
train_data, test_data = train_data["data"], test_data["data"]
print("data loaded.")

这部分代码的目的是加载训练集和测试集的数据，数据文件的路径根据 opt.dataset 的值确定（见四、模型参数设置）。加载后，训练集和测试集的数据存储在 train_data 和 test_data 变量中。

1、'''load data'''：这是一个注释，用于指示下面的代码块是用于加载数据的部分。

2、

train_data = np.load("./datasets/{}/Clustering_s1234_lm70_train.npz".format(opt.dataset), allow_pickle=True)：使用 NumPy 的 load 函数加载训练数据。数据文件的路径由字符串格式化方法确定，其中 {} 部分会被 opt.dataset 替代，即数据集的名称。文件名的其余部分指定了数据集的具体文件名和路径。allow_pickle=True 表示允许加载包含 Python 对象的文件。

3、test_data = np.load("./datasets/{}/Clustering_s1234_lm70_test.npz".format(opt.dataset),

allow_pickle=True)：使用相同的方式加载测试数据，文件名中指定了测试集的文件名和路径。

4、train_data, test_data = train_data["data"], test_data["data"]：从加载的数据中提取具体的数据部分。这里假设加载的数据文件中包含一个名为 "data" 的键，其对应的值是实际的数据。train_data 和 test_data 分别表示训练集和测试集的数据。

5、print("data loaded.")：打印提示信息，表示数据加载完成。

没有模型初始化、标准和优化器初始化

九、__main__函数

if __name__ == '__main__':
    train_data, test_data = get_data_generator(opt, train_data, test_data, normal=2)

    losses = [np.inf]

    checkpoint = torch.load(f"asset/model/{opt.dataset}_{opt.load_epoch}.pth")
    print(f"Load model asset/model/{opt.dataset}_{opt.load_epoch}.pth")
    model = eval("TrustGeo")(opt.dim_in)
    model.load_state_dict(checkpoint['model_state_dict'])
    if cuda:
        model.cuda() 

    # test
    total_mse, total_mae, test_num = 0, 0, 0
    dislist = []

    model.eval()
    distance_all = []  
    macs_list = []
    params_list = []

    with torch.no_grad():

        for i in range(len(test_data)):
            lm_X, lm_Y, tg_X, tg_Y, lm_delay, tg_delay, y_max, y_min = test_data[i]["lm_X"], test_data[i]["lm_Y"], \
                                                                           test_data[i][
                                                                               "tg_X"], test_data[i]["tg_Y"], \
                                                                           test_data[i][
                                                                               "lm_delay"], test_data[i]["tg_delay"], \
                                                                           test_data[i]["y_max"], test_data[i]["y_min"]

            y_pred_g, v_g, alpha_g, beta_g, y_pred_a, v_a, alpha_a, beta_a = model(Tensor(lm_X), Tensor(lm_Y), Tensor(tg_X),
                                                                                                                    Tensor(tg_Y), Tensor(lm_delay),Tensor(tg_delay))
            
            # fuse multi views
            y_pred_f, v_f, alpha_f, beta_f = fuse_nig(y_pred_g, v_g, alpha_g, beta_g, y_pred_a, v_a, alpha_a, beta_a)
               
            distance = dis_loss(Tensor(tg_Y), y_pred_f, y_max, y_min)
            for i in range(len(distance.cpu().detach().numpy())):
                dislist.append(distance.cpu().detach().numpy()[i])
                distance_all.append(distance.cpu().detach().numpy()[i])
                
            test_num += len(tg_Y)
            total_mse += (distance * distance).sum()
            total_mae += distance.sum()
            
        total_mse = total_mse / test_num
        total_mae = total_mae / test_num
    
        print("test: mse: {:.3f}  mae: {:.3f}".format(total_mse, total_mae))
        dislist_sorted = sorted(dislist)
        print('test median: {:.3f}'.format(dislist_sorted[int(len(dislist_sorted) / 2)]))

分为几个部分展开描述：

没有将配置文件写入日志文件、模型训练

（一）该脚本是否直接运行

if __name__ == '__main__':
    train_data, test_data = get_data_generator(opt, train_data, test_data, normal=2)

这是 Python 中常见的用法，表示如果该脚本是被直接运行而不是被导入为模块，那么以下的代码块将被执行。这通常用于将脚本既作为可执行程序又作为一个模块导入的情况。调用一个函数 get_data_generator。这里传递了一些参数，包括 opt、train_data、test_data 和 normal。get_data_generator的实现在utils.py文件

（二）初始化一些变量

losses = [np.inf]：初始化一些变量，包括保存训练过程中的损失值。

（三）加载预训练模型的检查点文件

    checkpoint = torch.load(f"asset/model/{opt.dataset}_{opt.load_epoch}.pth")
    print(f"Load model asset/model/{opt.dataset}_{opt.load_epoch}.pth")
    model = eval("TrustGeo")(opt.dim_in)
    model.load_state_dict(checkpoint['model_state_dict'])
    if cuda:
        model.cuda()

这段代码的目的是加载预训练模型的检查点文件，并将其参数应用于新创建的模型实例。这样，就可以在之后的代码中使用这个加载的模型进行推理或者继续训练。

1、checkpoint = torch.load(f"asset/model/{opt.dataset}_{opt.load_epoch}.pth"): 这一行代码使用 torch.load 函数加载保存在文件系统中的 PyTorch 模型检查点。opt.dataset 表示数据集名称，opt.load_epoch 表示加载的检查点的训练时期。加载后，checkpoint 将包含保存在检查点文件中的各种信息，例如模型的状态字典、优化器状态等。

2、print(f"Load model asset/model/{opt.dataset}_{opt.load_epoch}.pth"): 这一行代码简单地打印加载的模型文件的路径，以提供用户一些反馈。

3、model = eval("TrustGeo")(opt.dim_in): 这一行代码通过 eval 函数创建了一个新的模型实例。"TrustGeo" 是模型的类名，通过字符串动态地创建模型的实例。opt.dim_in 是模型的输入维度。这是因为在训练和保存模型时，可能没有保存模型的实例，而只保存了模型的参数，因此需要重新创建模型实例。

4、model.load_state_dict(checkpoint['model_state_dict']): 这一行代码将预训练模型的状态字典加载到新创建的模型实例中。checkpoint['model_state_dict'] 包含了预训练模型的参数。

5、这一行代码将模型移动到 GPU 上，如果 GPU 可用的话。这确保模型在进行推理或训练时利用 GPU 资源。

 （四）模型测试

这段代码主要用于在测试集上评估模型的性能，并且记录了一些性能指标和其他信息。

1、# test：这是一个注释，用于指示下面的代码块是用于测试模型的部分。

2、初始化一些变量（与训练时初始化的变量不一样）

    total_mse, total_mae, test_num = 0, 0, 0
    dislist = []

    model.eval()
    distance_all = []
    macs_list = []
    params_list = []

这段代码的目的是在测试阶段对每个测试样本进行模型预测，计算损失值，累加总体均方误差和平均绝对误差，并记录每个测试样本的具体损失值以及一些与模型复杂度相关的信息。这些信息可以用于评估模型在测试集上的性能，并分析模型的计算资源使用情况。

①total_mse, total_mae, test_num = 0, 0, 0： 初始化三个变量，分别用于累加均方误差（total_mse）、平均绝对误差（total_mae）以及测试样本的数量（test_num）。

②dislist = []: 初始化一个空列表 dislist，用于存储每个测试样本的损失值。

③model.eval(): 将模型设置为评估模式，这是因为在测试阶段不需要进行梯度计算，而且可能有一些与训练不同的行为，例如对于某些层的批量标准化。

④distance_all = []: 初始化一个空列表 distance_all，似乎是用于存储所有测试样本的损失值。

⑤macs_list = [] 和 params_list = []: 初始化两个空列表，用于存储每个测试样本对应的模型的浮点运算量（MACs）和参数数量。这些信息通常用于模型的计算资源分析。（比model.py多出来的）

3、with torch.no_grad()：进入无梯度计算的上下文，即下面的计算不会影响梯度。

（1）对于每个测试样本进行以下操作

        for i in range(len(test_data)):
            lm_X, lm_Y, tg_X, tg_Y, lm_delay, tg_delay, y_max, y_min = test_data[i]["lm_X"], test_data[i]["lm_Y"], \
                                                                           test_data[i][
                                                                               "tg_X"], test_data[i]["tg_Y"], \
                                                                           test_data[i][
                                                                               "lm_delay"], test_data[i]["tg_delay"], \
                                                                           test_data[i]["y_max"], test_data[i]["y_min"]

            y_pred_g, v_g, alpha_g, beta_g, y_pred_a, v_a, alpha_a, beta_a = model(Tensor(lm_X), Tensor(lm_Y), Tensor(tg_X),
                                                                                                                    Tensor(tg_Y), Tensor(lm_delay),Tensor(tg_delay))
            
            # fuse multi views
            y_pred_f, v_f, alpha_f, beta_f = fuse_nig(y_pred_g, v_g, alpha_g, beta_g, y_pred_a, v_a, alpha_a, beta_a)
               
            distance = dis_loss(Tensor(tg_Y), y_pred_f, y_max, y_min)
            for i in range(len(distance.cpu().detach().numpy())):
                dislist.append(distance.cpu().detach().numpy()[i])
                distance_all.append(distance.cpu().detach().numpy()[i])
                
            test_num += len(tg_Y)
            total_mse += (distance * distance).sum()
            total_mae += distance.sum()

①从测试数据中获取需要的输入和标签。

lm_X, lm_Y, tg_X, tg_Y, lm_delay, tg_delay, y_max, y_min = test_data[i]["lm_X"], test_data[i]["lm_Y"], \
                                                                           test_data[i][
                                                                               "tg_X"], test_data[i]["tg_Y"], \
                                                                           test_data[i][
                                                                               "lm_delay"], test_data[i]["tg_delay"], \
                                                                           test_data[i]["y_max"], test_data[i]["y_min"]

②使用模型进行前向传播，得到模型的输出。 

y_pred_g, v_g, alpha_g, beta_g, y_pred_a, v_a, alpha_a, beta_a = model(Tensor(lm_X), Tensor(lm_Y), Tensor(tg_X),Tensor(tg_Y), Tensor(lm_delay),Tensor(tg_delay))

model的实现在model.py文件 （class TrustGeo）

③融合多视图输出，得到最终的输出。与训练时一样

# fuse multi views
y_pred_f, v_f, alpha_f, beta_f = fuse_nig(y_pred_g, v_g, alpha_g, beta_g, y_pred_a, v_a, alpha_a, beta_a)

fuse_nig的实现在utils.py文件 

④计算距离损失，并将每个样本的距离值记录到列表中。

distance = dis_loss(Tensor(tg_Y), y_pred_f, y_max, y_min)
for i in range(len(distance.cpu().detach().numpy())):
    dislist.append(distance.cpu().detach().numpy()[i])
    distance_all.append(distance.cpu().detach().numpy()[i])

dis_loss的实现在utils.py文件

distance 是一个 PyTorch 张量（Tensor），通过 cpu().detach().numpy() 转换为 NumPy 数组，以便后续处理。

dislist.append(distance.cpu().detach().numpy()[i]): 将 distance 中的每个元素添加到列表 dislist 中。这个列表用于收集每个样本的损失值。

distance_all.append(distance.cpu().detach().numpy()[i]): 将 distance 中的每个元素添加到另一个列表 distance_all 中。这个列表用于在整个测试集上收集损失值。

⑤更新总MSE、总MAE和总测试样本数（test_num）。total_mse和total_mae计算方式与训练时不一样

test_num += len(tg_Y)
total_mse += (distance * distance).sum()
total_mae += distance.sum()

 test_num += len(tg_Y): 这一行代码用于累加测试样本的数量，len(tg_Y) 表示当前批次的测试样本数量，test_num 是一个用于存储总测试样本数量的变量。

total_mse += (distance * distance).sum(): 这一行代码计算并累加每个测试样本的均方误差。distance 是前面计算的模型预测和实际地理位置之间的损失。通过 (distance * distance).sum() 计算了每个样本的平方损失，然后将这些平方损失相加，得到总的均方误差。

total_mae += distance.sum(): 这一行代码计算并累加每个测试样本的平均绝对误差。distance 是前面计算的模型预测和实际地理位置之间的损失。通过 distance.sum() 计算了每个样本的绝对损失，然后将这些绝对损失相加，得到总的平均绝对误差。

这两个累加操作最终将整个测试集上的均方误差 (total_mse) 和平均绝对误差 (total_mae) 计算出来。这些指标用于评估模型在测试集上的性能，其中均方误差衡量了预测值与真实值之间的平方差，而平均绝对误差衡量了预测值与真实值之间的绝对差。

（2）计算平均MSE损失和平均 MAE。（总样本数在这里会使用到）

total_mse = total_mse / test_num
total_mae = total_mae / test_num

（3） print("test: mse: {:.4f} mae: {:.4f}".format(total_mse, total_mae))：打印平均MSE损失和平均 MAE。

（4）dislist_sorted = sorted(dislist)：对距离列表进行排序 训练没有

（5）print('test median:', dislist_sorted[int(len(dislist_sorted) / 2)])：打印测试样本距离的中值  

没有保存检查点

没有对模型性能进行监控和控制

没有将当前 epoch 的 MAE 添加到损失列表中

没有学习率减半 

没有早停（early stopping）机制

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/1307862.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

Visual Studio使用Web Deploy发布.NET Web应用到指定服务器的IIS中

Visual Studio使用Web Deploy发布.NET Web应用到指定服务器的IIS中

前言 今天要讲的是在Window 2008 R2版本的服务器下如何配置Web Deploy，和Visual Studio使用Web Deploy发布.NET Web应用到指定服务器的IIS中。 因为历史原因项目只能使用这个版本的服务器，当然使用其他服务器版本配置流程也是一样的。 Web Deploy介绍 …
阅读更多...
c语言结构体调用格式与对齐

c语言结构体调用格式与对齐

1.声明形式： struct 结构体名字 { 结构体成员 }结构体变量名； 2.赋值方法 3.结构体对齐： 1.起始偏移量：默认结构体第一个元素对齐0起始偏移量，第一个元素占一个字节，此时偏移量为1. 2.标准数&#xff…
阅读更多...
数据结构之Map/Set讲解+硬核源码剖析

数据结构之Map/Set讲解+硬核源码剖析

💕"活着是为了活着本身而活着"💕 作者：Mylvzi 文章主要内容：数据结构之Map/Set讲解硬核源码剖析 一.搜索树 1.概念 二叉搜索树又叫二叉排序树，他或者是一颗空树，或者是具有以下性质的树 若它…
阅读更多...
现代雷达车载应用——第2章 汽车雷达系统原理 2.4节

现代雷达车载应用——第2章 汽车雷达系统原理 2.4节

经典著作，值得一读，英文原版下载链接【免费】ModernRadarforAutomotiveApplications资源-CSDN文库。 2.4 雷达波形和信号处理 对于连续波雷达来说，波形决定了其基本信号处理流程以及一些关键功能。本节将以FMCW波形为例，讨论信号…
阅读更多...
【深度学习】Pytorch 系列教程（一）：PyTorch数据结构：1、Tensor（张量）及其维度（Dimensions）、数据类型（Data Types）

【深度学习】Pytorch 系列教程（一）：PyTorch数据结构：1、Tensor（张量）及其维度（Dimensions）、数据类型（Data Types）

文章目录 一、前言二、实验环境三、PyTorch数据结构0、分类1、Tensor（张量）1. 维度（Dimensions）0维（标量）1维（向量）2维（矩阵）3维张量 2. 数据类型&#xff08…
阅读更多...
预测性维护对制造企业设备管理的作用

预测性维护对制造企业设备管理的作用

制造企业设备管理和维护对于生产效率和成本控制至关重要。然而，传统的维护方法往往无法准确预测设备故障，导致生产中断和高额维修费用。为了应对这一挑战，越来越多的制造企业开始采用预测性维护技术。 预测性维护是通过传感器数据、机器学习和…
阅读更多...
06-React组件 Redux React-Redux

06-React组件 Redux React-Redux

React组件化（以Ant-Design为例） 组件化编程，只需要去安装好对应的组件，然后通过各式各样的组件引入，实现快速开发 我们这里学习的是 Ant-design （应该是这样），它有很多的组件供我们…
阅读更多...
ConcurrentHashMap并发

ConcurrentHashMap并发

ConcurrentHashMap 并发 概述 jdk1.7概述 ConcurrentHashMap我们通过名称也知道它也是一个HashMap, 但是它底层JDK1.7与1.8的实现原理并不相同 在1.7中它内部维护一个Segment[]的数组, 加载因子0.75, 在创建一个长度为2的小数组HashEntry[], 在0索引处创建 根据键的哈希值计…
阅读更多...
【强化学习-读书笔记】有限马尔可夫决策过程

【强化学习-读书笔记】有限马尔可夫决策过程

参考 Reinforcement Learning, Second Edition An Introduction By Richard S. Sutton and Andrew G. BartoMDP 是强化学习问题在数学上的理想化形式，因为在这个框架下我们可以进行精确的理论说明 智能体与环境的交互 智能体与环境交互，会得到轨迹&…
阅读更多...
【教3妹学编程-算法题】消除相邻近似相等字符

【教3妹学编程-算法题】消除相邻近似相等字符

插： 前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击跳转到网站。 坚持不懈，越努力越幸运，大家一起学习鸭~~~ 3妹：好冷啊， 冻得瑟瑟发抖啦 2…
阅读更多...
【开源软件】最好的开源软件-2023-第22名 Apache Iceberg

【开源软件】最好的开源软件-2023-第22名 Apache Iceberg

自我介绍 做一个简单介绍，酒架年近48 ，有20多年IT工作经历，目前在一家500强做企业架构．因为工作需要，另外也因为兴趣涉猎比较广，为了自己学习建立了三个博客，分别是【全球IT瞭望】，【…
阅读更多...
感知机（perceptron）

感知机（perceptron）

一、感知机 1、相关概念介绍 感知机（perceptron）是二分类的线性分类模型，属于监督学习算法。输入为实例的特征向量，输出为实例的类别（取1和-1）。 2、（单层）感知机存在的问题 感知机…
阅读更多...
C语言指针基础题(二)

C语言指针基础题(二)

目录 例题一题目解析及答案 例题二题目解析及答案 例题三题目解析及答案 例题四题目解析及答案 例题五题目解析及答案 感谢各位大佬对我的支持,如果我的文章对你有用,欢迎点击以下链接 🐒🐒🐒 个人主页 🥸🥸&#x1f…
阅读更多...
C++ Java 嵌入式选哪个，该走哪个方向？

C++ Java 嵌入式选哪个，该走哪个方向？

看一下最近几年的C Java 嵌入式薪资水平 图片来源：牛客2023校招春季与秋季白皮书 总结一下各届平均值，供大家参考，整体上薪资还是能反应一定的供需关系。 浅浅分析下： C领跑，整体波动不大，主要因为岗位较…
阅读更多...
C语言之基本数据类型和数

C语言之基本数据类型和数

目录 算数类型和基本数据类型 基数 基数转换 由八进制数、十六进制数、二进制数向十进制数转换 由十进制数向八进制数、十六进制数、二进制数转换 二进制和十六进制的基数转换 在学习基本数据类型之前我们先来学习数。 算数类型和基本数据类型 在前面的学习中我们可以使用…
阅读更多...
Redis生产实战-热key、大key解决方案、数据库与缓存最终一致性解决方案

Redis生产实战-热key、大key解决方案、数据库与缓存最终一致性解决方案

生产环境中热 key 处理 热 key 问题就是某一瞬间可能某条内容特别火爆，大量的请求去访问这个数据，那么这样的 key 就是热 key，往往这样的 key 也是存储在了一个 redis 节点中，对该节点压力很大 那么对于热 key 的处理就是通过热…
阅读更多...
Source Tree回滚 重置 贮藏操作

Source Tree回滚 重置 贮藏操作

回滚提交 source tree的回滚提交: 在执行该操作时将会对history中提交的指定节点直接进行回滚,将该节点执行的提交操作撤销(如当前节点是提交文件,执行回滚提交时将会删除该文件,如果当前节点的前面的节点对该节点内容进行修改后,执行回滚提交时需要执行冲突解决),同时生成一次…
阅读更多...
【Axure高保真原型】能增删改的树形表格

【Axure高保真原型】能增删改的树形表格

今天和大家分享能增删改的树形表格的原型模板，包括展开、折叠、增加、修改、删除表格内容，那这个原型模板是通过中继器制作的，所以使用简单，只需要填写中继器表格，即可自动生成对应的树形表格。这个模板最高支持6级树形…
阅读更多...
Prompt提示优化工具

Prompt提示优化工具

在大模型使用过程中，Prompt尤为重要。一个好的Prompt可以解决很多的问题。那么如何撰写一个完美的Prompt？ 下面汇总了一些Prompt工具，可以辅助日常Prompt的编写。 欢迎关注公众号 1. prompt perfect 可以自动优化已有的提示，比较多个模型的输出，运行智能体等。 https:…
阅读更多...
操作系统复习资料【简答题】

操作系统复习资料【简答题】

分页和分段管理有何区别？ 分页和分段都采用离散分配的方式，且都要通过地址映射机构来实现地址的转换，这是他们的共同点； 对于他们的不同点有三： 第一，从功能上看，也是信息的物理化单位&#…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023