PyTorch深度学习入门-2

news2025/1/20 10:59:30

PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】_哔哩哔哩_bilibili

一、神经网络的基本骨架 --nn.Module

Neutral network

torch.nn — PyTorch 2.2 documentation

*
import torch
from torch import nn

class xiaofan(nn.Module):
    def __init__(self):
        super().__init__()

    def forward(self,input):
        output = input + 1
        return output

Xiaofan = xiaofan()
x=torch.tensor(1.0)
output = Xiaofan(x)
print(output)

# 搭建神经网络
class Xiaofan(nn.Module):
    def __init__(self):
        super(Xiaofan,self).__init__()
        self.relu1=ReLU()

    def forward(self,input):
        output=self.relu1(input)
        return output
xiaofan=Xiaofan()

Python中，类是对象的模板，而实例是根据类创建的具体对象。

变量xiaofan就代表了这个Xiaofan类的实例，你可以通过这个变量来访问实例的属性和方法。

 新项目创建时要注意环境的选择

ctrl + p 查看函数所需参数

使用tensorboard可视化时，如果路径里哟空格要加上双引号以免报错

二、卷积层（Convolution Layers）

  图像处理中，卷积是一种数学操作，常用于图像的滤波、特征提取和图像增强等任务。卷积操作可以看作是两个函数之间的一种数学运算，用于描述一个函数与另一个函数的重叠部分。

  1. 图像滤波：通过应用不同的卷积核（也称为滤波器）对图像进行滤波，可以实现图像的模糊、锐化、边缘检测等效果。例如，高斯滤波器用于模糊图像，而Sobel、Prewitt等滤波器用于边缘检测。

  2. 特征提取：卷积神经网络（CNN）是一种深度学习模型，广泛应用于图像分类、物体检测和图像分割等任务。CNN中的卷积层通过学习不同的卷积核，可以有效地提取图像中的特征。

  3. 图像增强：通过设计特定的卷积核，可以增强图像的某些特性，如增强边缘、增加图像的对比度等。

torch.nn.functional.conv2d — PyTorch 2.2 documentation

1.卷积核

卷积核是卷积神经网络（Convolutional Neural Network，CNN）中的一个重要概念，也称为滤波器（filter）或卷积矩阵（convolution matrix）。它是CNN中用于提取图像特征的关键组件。

卷积核可以理解为一个小型的矩阵，通常是二维的，其大小可以根据具体任务和网络设计进行定义。卷积核中的每个元素（权重）表示了对应位置上的像素与输出特征图对应位置上的连接权重。通过将卷积核与输入图像进行卷积操作，可以在不同位置提取局部特征并生成对应的输出特征图。

在卷积操作中，卷积核滑动（或移动）到输入图像的每个位置，并与输入图像对应的局部区域进行逐元素相乘，然后将所有相乘的结果相加，得到输出特征图中对应位置的值。这个过程可以看作是对局部像素进行加权求和，从而捕捉到输入图像的局部特征。

2. input

  • minibatch：表示每次训练时输入的样本数量。例如，如果一个minibatch包含64个样本，则minibatch的值为64。

  • in_channels：表示输入张量的通道数，也即输入图像的颜色通道数。对于彩色图像，通常有3个通道（红色、绿色和蓝色），所以in_channels为3；对于灰度图像，通常只有1个通道。

  • iH：表示输入图像的高度（Height）。

  • iW：表示输入图像的宽度（Width）。

假设我们有一个minibatch包含32个样本，每个样本是一个彩色图像，图像的尺寸是224x224，那么输入张量的形状可以表示为：

[ (32, 3, 224, 224) ]

这意味着这个输入张量包含32个样本，每个样本有3个颜色通道，图像的高度和宽度分别为224个像素。

3.stride (步幅) 

指卷积核在对输入进行卷积操作时每次移动的步长。具体来说，stride决定了在进行卷积操作时，卷积核在水平和垂直方向上移动的距离。

stride可以是一个单独的数值，也可以是一个包含两个元素的元组（sH，sW），分别表示在垂直方向（Height）和水平方向（Width）上的步幅。例如，如果stride为2，则在进行卷积操作时，卷积核每次水平和垂直方向上移动两个像素。

设置不同的stride值会影响到卷积操作后输出的特征图的大小。一般来说，较大的stride值会导致输出特征图尺寸减小，而较小的stride值会导致输出特征图尺寸保持较大。

默认情况下，stride通常设置为1，这意味着卷积核在对输入进行卷积操作时每次水平和垂直方向上移动一个像素。这样可以确保输出特征图具有与输入特征图相似的空间尺寸。

代码实现：

输入格式不符合

使用torch.reshape函数进行格式修改

import torch
import torch.nn.functional as F
input=torch.tensor([[1,2,0,3,1],
                    [0,1,2,3,1],
                    [1,2,1,0,0],
                    [5,2,3,1,1],
                    [2,1,0,1,1]])

kernel=torch.tensor([[1,2,1],
                     [0,1,0],
                     [2,1,0]])

input = torch.reshape(input,(1,1,5,5))
kernel = torch.reshape(kernel,(1,1,3,3))

print(input.shape)
print(kernel.shape)

output = F.conv2d(input,kernel,stride=1)
output2=F.conv2d(input,kernel,stride=2)
print (output)
print(output2)

测试：

4.padding（填充）

padding（填充）是一种在输入数据周围添加额外值（通常是0）的技术。padding可以用于卷积神经网络（CNN）中的卷积操作，以及其他一些涉及边缘数据的操作中。在PyTorch中，padding可以通过卷积层的参数进行设置。

在给定的情况下，对于padding参数，可以有三种不同的设置方式：

  1. 字符串 {‘valid’, ‘same’}：这两个字符串分别表示“有效填充”和“相同填充”。

    • padding='valid'：表示有效填充，即不进行填充操作。在这种情况下，输入数据的周围不会进行额外的填充，卷积操作会尽可能多地覆盖输入数据，输出尺寸会受到卷积核大小和步幅的影响而变化。

    • padding='same'：表示相同填充，即填充输入数据以使输出具有与输入相同的形状。在这种情况下，会自动计算所需的填充量，以确保卷积操作后输出的尺寸与输入相同。但需要注意的是，这种模式下不支持除了步幅为1之外的其他步幅值。

  2. 单个数字：表示在每个维度上应用相同的填充量。

  3. 元组 (padH, padW)：表示在高度和宽度维度上分别应用不同的填充量。

使用padding的目的通常是确保在卷积操作中能够处理边缘像素，并且控制卷积后输出的尺寸。填充可以帮助保留输入数据的空间信息，减少边缘效应对模型性能的影响。

output3=F.conv2d(input,kernel,stride=1,padding=1)
print(output3)

三、Pooling layers (池化层）

池化层（Pooling Layer）是深度学习神经网络中的一种常用层，通常用于减少特征图的尺寸，从而降低模型的复杂度并提高计算效率。池化层通过在局部区域上进行聚合操作来减少特征图的空间尺寸，从而保留主要特征并减少计算量。

常见的池化操作包括最大池化（Max Pooling）和平均池化（Average Pooling）。在最大池化中，每个池化窗口内的最大值被保留，而在平均池化中，每个池化窗口内的平均值被计算并保留。

池化层的主要作用包括：

  1. 降维： 池化层可以通过降低特征图的空间维度来降低模型的计算复杂度，从而加快训练速度和推理速度。

  2. 不变性： 池化层可以增加模型对输入的平移、缩放和旋转等变换的不变性，从而提高模型的泛化能力。

  3. 减少过拟合： 池化层可以通过降低特征图的维度和参数数量来减少模型的过拟合风险，从而提高模型的泛化能力。

池化层通常与卷积层交替使用，构成深度神经网络的基本结构。在卷积神经网络（CNN）中，池化层通常位于卷积层之后，用于逐渐减少特征图的空间尺寸，并逐渐提取更高级别的特征。

1.ceil_mode

ceil_mode 参数是一个布尔值，用于确定计算输出形状时是使用向下取整（floor）还是向上取整（ceil）的方式。当 ceil_mode 设置为 True 时，会使用向上取整来计算输出形状，而当设置为 False（默认值）时，则使用向下取整。


  • N: 表示输入的样本数量（batch size）。在一个批次（batch）中可能有多个样本，N 就代表了批次中样本的数量。
  • C: 表示输入特征图的通道数（channels）。通道数即特征图的深度，每个通道包含了一种特征的响应图。
  • Hin: 表示输入特征图的高度（height）。
  • Win: 表示输入特征图的宽度（width）。

代码实现：

input = torch.tensdor([[1,2,0,3,1],
                       [0,1,2,3,1],
                       [1,2,1,0,0],
                       [5,2,3,1,1],
                       [2,1,0,1,1]])
input = torch.reshape(input,(-1,1,5,5))

reshape中参数的设定：

1.将 N 设置为 -1 ， PyTorch 会根据其他维度的大小自动推断批量大小。

具体来说，你的 input 张量原本是一个形状为 (5, 5) 的二维张量，然后你将其调整为一个四维张量，其中第一个维度（批量维度）的大小由 -1 来表示，PyTorch 将根据其他维度的大小自动推断该维度的大小。

在这种情况下，PyTorch 将会根据输入张量中的元素数量以及其他维度的大小来确定批量大小。因为输入张量中共有 25 个元素（5 * 5），而其他维度的大小已经被指定为 (1, 5, 5)，所以 PyTorch 会自动计算出批量大小为 1。因此，最终的形状将是 (1, 1, 5, 5)。

总之，将 N 设置为 -1 的意思是让 PyTorch 自动推断批量大小，以保持张量的总元素数量不变。

2.将C设置为1：

深度学习中，特别是在使用卷积神经网络 (CNN) 进行图像处理任务时，通常将输入张量的每个通道视为一张图像。因此，如果你将一个输入张量的通道数设置为 3，那么可以将其理解为输入数据由三张图像组成。

通常情况下，这三张图像可以表示为彩色图像的不同通道（例如红、绿、蓝），或者是不同的特征图，每个特征图对应网络学习到的不同特征。

因此，你可以将输入张量的通道数视为输入数据包含的图像数量，每个通道代表其中的一张图像。

import torch
from torch import nn
from torch.nn import MaxPool2d

input = torch.tensor([[1,2,0,3,1],
                       [0,1,2,3,1],
                       [1,2,1,0,0],
                       [5,2,3,1,1],
                       [2,1,0,1,1]])
input = torch.reshape(input,(-1,1,5,5))

class Xiaofan(nn.Module):
    def __init__(self):
        super().__init__()
        self.maxpool1=MaxPool2d(kernel_size=3,ceil_mode=True)

    def forward(self,input):
        output=self.maxpool1(input)
        return output

xiaofan=Xiaofan()
output=xiaofan(input)
print(output)

四、非线性激活

激活函数:

在神经网络中，激活函数通常被应用于神经元的输出，用于将神经元的输入转换为输出。它的作用是引入非线性映射，从而使得神经网络可以学习和表示复杂的非线性关系，例如分类、回归等任务。


1.ReLU（修正线性单元）

它的作用是将输入的每个元素与0比较，如果大于0，则输出原始值，否则输出0。换句话说，ReLU函数将负数部分截断为0，保留正数部分不变。

import torch
from torch import nn
from torch.nn import ReLU

input=torch.tensor([[1,-0.5],
                   [-1,3]])

# 搭建神经网络
class Xiaofan(nn.Module):
    def __init__(self):
        super(Xiaofan,self).__init__()
        self.relu1=ReLU()

    def forward(self,input):
        output=self.relu1(input)
        return output

xiaofan=Xiaofan()
output=xiaofan(input)
print(output)

测试结果：

2.Sigmoid

它的作用是将输入的每个元素进行逐元素的操作，将其压缩到[0, 1]的范围内。这使得Sigmoid函数特别适用于将输出解释为概率值的情况，因为它可以将任何实数映射到[0, 1]范围内的概率值。

dataset = torchvision.datasets.CIFAR10("../data", train=False,download=True,transform=ToTensor())

dataloader = DataLoader(dataset, batch_size=64)

import torch
import torchvision
from torch import nn
from torch.nn import Sigmoid
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
from torchvision.transforms import ToTensor
from torchvision.utils import make_grid

dataset = torchvision.datasets.CIFAR10("../data", train=False,download=True,transform=ToTensor())
dataloader = DataLoader(dataset, batch_size=64)

# 搭建神经网络
class Xiaofan(nn.Module):
    def __init__(self):
        super(Xiaofan, self).__init__()
        self.sigmoid = Sigmoid()

    def forward(self, input):
        output = self.sigmoid(input)
        return output
# 创建实例（神经网络模型的对象）
xiaofan = Xiaofan()

writer = SummaryWriter("log_sig")

step = 0
for data in dataloader:
    imgs, targets = data
    writer.add_image("input", make_grid(imgs), global_step=step)
    output = xiaofan(imgs)
    writer.add_image("output", make_grid(output), step)
    step += 1

writer.close()

五、线性层（Linear Layers）

、

*flatten函数

import torch
import torchvision.datasets
from torch import nn
from torch.nn import Linear
from torch.utils.data import DataLoader
from torchvision.transforms import ToTensor

dataset=torchvision.datasets.CIFAR10("../data",train=False,download=True,transform=ToTensor())
dataloader=DataLoader(dataset,batch_size=64)

class XiaoFan(nn.Module):
    def __init__(self):
        super(XiaoFan,self).__init__()
        self.linear=Linear(196608,10)

    def forward(self,x):
        output=self.linear(x)
        return output


# 创建实例（神经网络模型的对象）
xiaofan=XiaoFan()

for data in dataloader:
    # 对数据加载器进行迭代，每次迭代返回一个批次的数据
    # data包含一个批次的数据，这里让imgs设为一个批次的图像数据，target设置为对应的标签数据
    imgs,target=data
    print(imgs.shape)
    # output=torch.reshape(imgs,(1,1,1,-1))
    output=torch.flatten(imgs)
    print(output.shape)

    output=xiaofan(output)
    print(output.shape)

测试结果：

六、搭建小实战和Sequential的使用

Conv2d-dilation

part1

self.conv1=Conv2d(3,32,5,padding=2)

part-3

和part-1计算相同 padding取2

Flatten

import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten,Linear



class XiaoFan(nn.Module):
    def __init__(self):
        super(XiaoFan,self).__init__()
        self.conv1=Conv2d(3,32,5,padding=2)
        self.maxpool1=MaxPool2d(2)
        self.conv2=Conv2d(32,32,5,padding=2)
        self.maxpool2=MaxPool2d(2)
        self.conv3=Conv2d(32,64,5,padding=2)
        self.maxpool3=MaxPool2d(2)
        self.flatten = Flatten()
        self.linear1=Linear(1024,64)
        self.linear2 = Linear(64, 10)


    def forward(self,x):
        x=self.conv1(x)
        x=self.maxpool1(x)
        x=self.conv2(x)
        x=self.maxpool2(x)
        x=self.conv3(x)
        x=self.maxpool3(x)
        x=self.flatten(x)
        x=self.linear1(x)
        x=self.linear2(x)
        return x

xiaofan=XiaoFan()
print(xiaofan)

  1. 首先，输入数据经过一系列的卷积层和池化层，通过这些层的处理，图像的特征逐渐被提取和压缩。

  2. 然后，经过最后一个池化层后的特征图被展平成一维向量，以便输入到线性层中。

  3. 最后，在神经网络的末端，通常会连接全连接层，全连接层的作用是将前面层提取到的特征进行组合和映射，以便对输入数据进行分类或回归等任务。这些全连接层可以看作是一个特征提取器和分类器的组合，它们将前面层的高维特征映射到最终输出所需要的低维空间。self.linear1的输入维度是1024，输出维度是64，self.linear2的输入维度是64，输出维度是10。输出是一个包含10个值的向量，每个值表示输入图片属于对应类别的概率。换句话说，神经网络会给出输入图片属于每个可能类别的可能性大小。

input=torch.ones((64,3,32,32))
output=xiaofan(input)
print(output.shape)

使用sequential简化代码
import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential


class XiaoFan(nn.Module):
    def __init__(self):
        super(XiaoFan,self).__init__()
        self.model=Sequential(
            Conv2d(3, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 64, 5, padding=2),
            MaxPool2d(2),
            Flatten(),
            Linear(1024, 64),
            Linear(64, 10)
        )


    def forward(self,x):
        x=self.model(x)
        return x

xiaofan=XiaoFan()
print(xiaofan)
input=torch.ones((64,3,32,32))
output=xiaofan(input)
print(output.shape)

可视化：

完整代码：

import torch
from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential
from torch.utils.tensorboard import SummaryWriter


class XiaoFan(nn.Module):
    def __init__(self):
        super(XiaoFan,self).__init__()
        self.model=Sequential(
            Conv2d(3, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 64, 5, padding=2),
            MaxPool2d(2),
            Flatten(),
            Linear(1024, 64),
            Linear(64, 10)
        )


    def forward(self,x):
        x=self.model(x)
        return x

xiaofan=XiaoFan()
print(xiaofan)
input=torch.ones((64,3,32,32))
output=xiaofan(input)
print(output.shape)

writer=SummaryWriter("../log_seq")
writer.add_graph(xiaofan,input)
writer.close()

 

​​​​​​​

注意有空格的部分加上双引号 

 

路漫漫其修远兮，吾将上下而求索。

 :)

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/1602650.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

1997-2022年各省技术市场发展水平数据（原始数据+计算过程+计算结果）

1997-2022年各省技术市场发展水平数据（原始数据+计算过程+计算结果）

1997-2022年各省技术市场发展水平数据（原始数据计算过程计算结果） 1、时间：2000-2022年 2、来源：国家统计局、统计年鉴 3、范围：30省 4、指标：技术市场成交额、国内生产总值、技术市场发展水平 5、计算…
阅读更多...
Git回滚版本并push到远端master

Git回滚版本并push到远端master

1、查看日志 git log 2、还原最近的版本 () --git reset --hard commit-id 如：git reset --hard d84da14bf2743683eca7a015f56114faaa344f42 3、覆盖分支版本 git push -f origin dev 回滚本地master完成后，将回滚后的代码push到远端master&#xf…
阅读更多...
VIT论文阅读

VIT论文阅读

论文地址：https://arxiv.org/pdf/2010.11929.pdf VIT论文阅读 摘要INTRODUCTION结论RELATEDWORKMETHOD1.VISIONTRANSFORMER(VIT)整体流程消融实验HEAD TYPE AND CLASSTOKENpoisitional embedding 整体过程公式Inductive biasHybrid Architecture 2.FINE-TUNINGANDH…
阅读更多...
Nginx第1篇-安装和简单配置

Nginx第1篇-安装和简单配置

Nginx可以做什么 可以做静态HTTP服务器做负载均衡做正向代理做反向代理 正向代理和反向代理 正向代理： 是一个位于客户端和目标服务器之间的服务器(代理服务器)，为了从目标服务器取得内容，客户端向代理服务器发送一个请求并指定目标&…
阅读更多...
Scala 02——Scala OOP

Scala 02——Scala OOP

文章目录 Scala 02——Scala OOP前序类1. 类的基本结构2. 普通类和数据类的区别 继承1. extends2. override 抽象类抽象类的特点 单例对象1. 定义2. 场景3. 方法3.1 方法定义3.2 方法调用 特质1. 抽象类和特质的区别2. 强制混入语法3. 静态混入和动态混入 内部类Java和Scala内部…
阅读更多...
单链表的应用

单链表的应用

文章目录 目录1. 单链表经典算法OJ题目1.1 [移除链表元素](https://leetcode.cn/problems/remove-linked-list-elements/description/)1.2 [链表的中间节点](https://leetcode.cn/problems/middle-of-the-linked-list/description/)1.3 [反转链表](https://leetcode.cn/problem…
阅读更多...
【八股】Redisson分布式锁

【八股】Redisson分布式锁

Redisson分布式锁 主要了解了Redisson分布式锁实现的三个功能： 1.可重入 -> 防止死锁 2.可重试（i.e. 非阻塞获取锁） 3.自动续约 1. 可重入 原理： 利用Redis的Hash结构，记录了使用当前锁的线程id和重用次数&#…
阅读更多...
C++初级----list（STL）

C++初级----list（STL）

1、 list介绍 1.1、 list介绍 1.list是可以在常数范围内在任意位置进行插入和删除的序列式容器，并且该容器可以前后双向迭代。 1. list的底层是双向链表结构，双向链表中每个元素存储在互不相关的独立节点中，在节点中通过指针指向 其前一…
阅读更多...
git 分支-变基

git 分支-变基

在git中，将一个分支的更改集成到另一个分支有两种主要方式：合并（merge）和变基（rebase）。在本节中，将学习什么是变基，如何执行变基操作，为什么它是一个非常强大的工具&…
阅读更多...
Web 题记

Web 题记

[极客大挑战 2019]LoveSQL 看到这种就肯定先想到万能密码，试试，得到了用户名和密码 总结了一些万能密码： or 11 oror admin admin-- admin or 44-- admin or 11-- admin888 "or "a""a admin or 22# a having 11# a havin…
阅读更多...
vue2知识点1 ———— (vue指令，vue的响应式基础)

vue2知识点1 ———— (vue指令，vue的响应式基础)

vue2的知识点，更多前端知识在主页，还有其他知识会持续更新 Vue 指令 Vue指令是Vue.js中的一个重要概念，用于向DOM元素添加特定行为或功能。Vue指令以v-开头，例如v-bind、v-if、v-for等。 v-bind 动态绑定属性 用法&#xff1a…
阅读更多...
Linux sort/uniq/wc

Linux sort/uniq/wc

文章目录 1. sort 排序将线程ID从大到小排序 2.uniq 临近去重3.wc word cnt 统计 1. sort 排序 将线程ID从大到小排序 grep -v是反向筛选，利用USER，排除掉首行 awk是打印第1 2列 sort -n是代码以数值大小做排序，不加的话会以字符排序。 -k是…
阅读更多...
数通HCIE考试分享：考前心态很重要，心情放松好过一次练习

数通HCIE考试分享：考前心态很重要，心情放松好过一次练习

誉天数通HCIE晚班火热预约中！真机实验考前辅导备考资料，名师保驾护航，助你稳定通关！识别二维码，即可获取免费试听名额！ 备考阶段 我是去年10月底完成了笔试考试，在笔试之前就将PY的课程过了一遍…
阅读更多...
白话transformer（六）编码器与解码器

白话transformer（六）编码器与解码器

B 站视频：https://www.bilibili.com/video/BV1fE421T7tR/?vd_source9e18a9285284a1fa191d507ae548fa01 白话transformer（六） 1、前言 今天我们将探讨Transformer模型中的两个核心组件：编码器和解码器。我们将通过一个具体的任务…
阅读更多...
【数据分析】AHP层次分析法

【数据分析】AHP层次分析法

博主总结：根据每个方案x各准则因素权重累加结果 对比来选择目标。数据主观性强 简介 AHP层次分析法是一种解决多目标复杂问题的定性和定量相结合进行计算决策权重的研究方法。该方法将定量分析与定性分析结合起来，用决策者的经验判断各衡量目标之间能…
阅读更多...
微软开源 WizardLM-2，70B优于GPT4-0613，7B持平阿里最新的Qwen1.5-32B

微软开源 WizardLM-2，70B优于GPT4-0613，7B持平阿里最新的Qwen1.5-32B

当地时间4月15号，微软发布了新一代大语言模型 WizardLM-2，新家族包括三个尖端型号:WizardLM-2 8x22B, WizardLM-2 70B，和WizardLM-2 7B，作为下一代最先进的大型语言模型，它在复杂聊天、多语言、推理和代理方面的性能有…
阅读更多...
为什么还有人再问鸿蒙开发有必要学吗？

为什么还有人再问鸿蒙开发有必要学吗？

前言 学习鸿蒙开发，这事儿真的挺有必要的。鸿蒙操作系统，它厉害就厉害在高性能、可扩展，还特智能。现在智能设备和物联网火得不行，鸿蒙就是要成为这个时代的领头羊。它可不是来跟安卓抢饭碗的，它的眼光可远了&#xf…
阅读更多...
4/17 FreeRTOS_day2

4/17 FreeRTOS_day2

1.总结串口的发送和接收功能使用到的函数 端口发送数据 HAL_StatusTypeDef HAL_UART_Transmit( UART_HandleTypeDef *huart, const uint8_t *pData, uint16_t Size, uint32_t Timeout ) UART_HandleTypeDef *huart：指定要使用的串口 const uint8_t *pData&#…
阅读更多...
【STM32】嵌入式实验二 GPIO 实验 （前三个设计）

【STM32】嵌入式实验二 GPIO 实验 （前三个设计）

1． 按键亮灯 设计 GPIO 实验项目 1，功能：当按键 KB1 按下时，实验板上全彩发光二极管周边 的发光二极管全亮，当按键 KB2 按下时跑马灯 D0 闪亮。 实验要求基于寄存器的GPIO配置，所以需要手动操作寄存器来配…
阅读更多...
Spring5深入浅出篇:Spring动态代理详解

Spring5深入浅出篇:Spring动态代理详解

Spring5深入浅出篇:Spring动态代理详解 很多粉丝私信我这个Spring5的课程在哪看,这边是在B站免费观看欢迎大家投币支持一下. 视频地址 Spring动态代理详解 这篇主要介绍MethodBeforeAdvice,MethodInterceptor俩者在动态代理中起到的作用,并且详解俩者区别 额外功能的详解 Met…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023