【嵌入式】智能系统优化：【C++】驱动的【机器学习】与【数据挖掘】技术

news2025/1/19 3:19:21

ecde6503e5cb4996a0ff258b3d1ffc28.png

目录

一、嵌入式系统简介

二、C++在嵌入式系统中的优势

三、机器学习在嵌入式系统中的挑战

四、C++实现机器学习模型的基本步骤

五、实例分析：使用C++在嵌入式系统中实现手写数字识别

1. 数据准备

2. 模型训练与压缩

3. 模型部署

六、优化与分析

1. 模型优化

模型量化

模型剪枝

2. 系统优化

内存管理

计算资源分配

电源管理

七、性能评估与优化策略

1. 性能评估指标

2. 性能优化策略

八、实际应用案例 -嵌入式图像分类系统

概述

步骤

1. 数据准备

2. 模型部署

3. 实时推理

九、总结与展望

63748e72dc314943857316f3b1f6a386.gif#pic_center

随着物联网（IoT）和智能设备的普及，嵌入式系统变得越来越重要。而随着人工智能（AI）和机器学习（ML）技术的发展，将这些技术应用于嵌入式系统中可以实现许多智能应用，如智能家居、自动驾驶和工业自动化等。然而，由于嵌入式系统的资源有限，将AI和ML应用到嵌入式系统中面临许多挑战。

一、嵌入式系统简介

a75256bf614b4ba68d12d5f6ad533168.png

嵌入式系统是一种专用计算机系统，通常嵌入到大型系统中，执行特定任务。典型的嵌入式系统包括微控制器（MCU）、单板计算机（SBC）和专用AI加速器。嵌入式系统的主要特点包括：

  • 资源受限：CPU、内存和存储资源较少。
  • 实时性要求：需要在严格的时间限制内完成任务。
  • 专用性强：专为特定任务或设备设计。

二、C++在嵌入式系统中的优势

C++因其高效性和面向对象的特性，在嵌入式系统中得到了广泛应用。其优势包括：

  • 高性能：C++的编译后代码执行效率高，适合资源受限的嵌入式系统。
  • 面向对象：便于代码模块化和重用。
  • 丰富的库支持：标准库和第三方库丰富，便于实现复杂功能。

三、机器学习在嵌入式系统中的挑战

将机器学习模型部署到嵌入式系统中需要克服多种挑战：

  • 模型压缩：减少模型的大小和计算复杂度。
  • 实时性：确保模型推理的实时响应。
  • 资源管理：优化内存和计算资源的使用。

四、C++实现机器学习模型的基本步骤

  1. 数据准备：获取并预处理数据。
  2. 模型训练：在PC或服务器上训练模型。
  3. 模型压缩：使用量化、剪枝等技术压缩模型。
  4. 模型部署：将模型移植到嵌入式系统中。
  5. 实时推理：在嵌入式设备上进行实时推理。

五、实例分析：使用C++在嵌入式系统中实现手写数字识别

以下实例将展示如何在嵌入式系统中使用C++和TensorFlow Lite实现手写数字识别。

c1e2a01d6f8549498683cd2f261d7e47.png

1. 数据准备

我们使用MNIST数据集进行手写数字识别。首先，需要将数据集转换为适合嵌入式系统使用的格式。

#include <fstream>
#include <vector>
#include <iostream>

void read_mnist(const std::string &filename, std::vector<std::vector<uint8_t>> &images) {
    std::ifstream file(filename, std::ios::binary);
    if (file.is_open()) {
        int magic_number = 0;
        int number_of_images = 0;
        int rows = 0;
        int cols = 0;

        file.read((char*)&magic_number, sizeof(magic_number));
        magic_number = __builtin_bswap32(magic_number);
        file.read((char*)&number_of_images, sizeof(number_of_images));
        number_of_images = __builtin_bswap32(number_of_images);
        file.read((char*)&rows, sizeof(rows));
        rows = __builtin_bswap32(rows);
        file.read((char*)&cols, sizeof(cols));
        cols = __builtin_bswap32(cols);

        for (int i = 0; i < number_of_images; ++i) {
            std::vector<uint8_t> image(rows * cols);
            file.read((char*)image.data(), rows * cols);
            images.push_back(image);
        }
    }
}

2. 模型训练与压缩

在PC上使用Python和TensorFlow训练一个简单的卷积神经网络（CNN）模型，并将其转换为适合嵌入式系统的格式。

import tensorflow as tf
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Conv2D, Flatten
import numpy as np

# 加载数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# 构建模型
model = Sequential([
    Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1)),
    Flatten(),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')
])

# 编译和训练模型
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(x_train, y_train, epochs=5)

# 模型量化
converter = tf.lite.TFLiteConverter.from_keras_model(model)
converter.optimizations = [tf.lite.Optimize.DEFAULT]
tflite_model = converter.convert()

# 保存模型
with open('model.tflite', 'wb') as f:
    f.write(tflite_model)

3. 模型部署

使用TensorFlow Lite将模型部署到嵌入式系统中，并进行推理。

#include "tensorflow/lite/c/common.h"
#include "tensorflow/lite/kernels/register.h"
#include "tensorflow/lite/model.h"
#include "tensorflow/lite/interpreter.h"
#include "tensorflow/lite/kernels/register.h"
#include "tensorflow/lite/kernels/register_ref.h"
#include <vector>
#include <iostream>

void run_inference(const std::vector<uint8_t> &input_image) {
    // 加载模型
    const char* model_path = "model.tflite";
    auto model = tflite::FlatBufferModel::BuildFromFile(model_path);
    tflite::ops::builtin::BuiltinOpResolver resolver;
    std::unique_ptr<tflite::Interpreter> interpreter;
    tflite::InterpreterBuilder(*model, resolver)(&interpreter);

    // 分配张量
    interpreter->AllocateTensors();
    int input = interpreter->inputs()[0];
    uint8_t* input_data = interpreter->typed_tensor<uint8_t>(input);

    // 将图像数据复制到输入张量
    std::copy(input_image.begin(), input_image.end(), input_data);

    // 运行推理
    interpreter->Invoke();

    // 获取输出
    int output = interpreter->outputs()[0];
    float* output_data = interpreter->typed_tensor<float>(output);

    // 打印结果
    for (int i = 0; i < 10; ++i) {
        std::cout << "Probability of " << i << ": " << output_data[i] << std::endl;
    }
}

六、优化与分析

在实际应用中，我们需要不断优化模型和系统，以满足嵌入式设备的资源限制和性能需求。以下是一些常见的优化策略和分析方法。

1. 模型优化

模型优化可以通过多种方式进行，包括量化、剪枝和知识蒸馏。

模型量化

模型量化可以显著减少模型的大小和计算量，提高推理速度。

# 模型量化
converter = tf.lite.TFLiteConverter.from_keras_model(model)
converter.optimizations = [tf.lite.Optimize.DEFAULT]
quantized_model = converter.convert()

# 保存量化后的模型
with open('quantized_model.tflite', 'wb') as f:
    f.write(quantized_model)

模型剪枝

模型剪枝可以通过删除不重要的权重来减少模型的大小。

import tensorflow_model_optimization as tfmot

# 定义剪枝参数
pruning_params = {
    'pruning_schedule': tfmot.sparsity.keras.PolynomialDecay(initial_sparsity=0.50,
                                                             final_sparsity=0.90,
                                                             begin_step=0,
                                                             end_step=1000)
}

# 使用剪枝API
model_for_pruning = tfmot.sparsity.keras.prune_low_magnitude(model, **pruning_params)

# 编译模型
model_for_pruning.compile(optimizer='adam',
                          loss='sparse_categorical_crossentropy',
                          metrics=['accuracy'])

# 训练模型
model_for_pruning.fit(x_train, y_train, epochs=2, validation_data=(x_test, y_test))

# 删除剪枝标记并保存模型
model_for_export = tfmot.sparsity.keras.strip_pruning(model_for_pruning)
model_for_export.save('pruned_model.h5')

2. 系统优化

在嵌入式系统中，除了优化模型外，还需要优化系统的各个方面，包括内存管理、计算资源分配和电源管理。

内存管理

在嵌入式系统中，内存资源通常非常有限，因此高效的内存管理是至关重要的。

// 示例代码：高效内存管理
#include <vector>
#include <iostream>

// 使用内存池管理动态内存分配
class MemoryPool {
public:
    MemoryPool(size_t size) : size_(size), memory_(new char[size]), offset_(0) {}

    ~MemoryPool() {
        delete[] memory_;
    }

    void* allocate(size_t size) {
        if (offset_ + size > size_) {
            throw std::bad_alloc();
        }
        void* ptr = memory_ + offset_;
        offset_ += size;
        return ptr;
    }

    void deallocate(void* ptr, size_t size) {
        // 简单实现，不做实际操作
    }

private:
    size_t size_;
    char* memory_;
    size_t offset_;
};

// 示例使用
int main() {
    MemoryPool pool(1024);

    int* a = static_cast<int*>(pool.allocate(sizeof(int) * 10));
    for (int i = 0; i < 10; ++i) {
        a[i] = i;
        std::cout << a[i] << " ";
    }
    std::cout << std::endl;

    pool.deallocate(a, sizeof(int) * 10);

    return 0;
}

计算资源分配

在多核嵌入式系统中，可以使用并行计算来提高模型推理的速度。

// 示例代码：多线程并行计算
#include <thread>
#include <vector>
#include <iostream>

void process_data(int id, const std::vector<int>& data) {
    for (auto val : data) {
        std::cout << "Thread " << id << ": " << val << std::endl;
    }
}

int main() {
    std::vector<int> data = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10};

    std::thread t1(process_data, 1, std::ref(data));
    std::thread t2(process_data, 2, std::ref(data));

    t1.join();
    t2.join();

    return 0;
}

电源管理

在电池供电的嵌入式系统中，电源管理至关重要。可以通过动态电压和频率调节（DVFS）来降低功耗。

// 示例代码：电源管理（伪代码）
#include <iostream>

void adjust_frequency(int level) {
    // 根据需要调整CPU频率
    std::cout << "Adjusting CPU frequency to level: " << level << std::endl;
}

int main() {
    int workload = 50; // 示例工作负载

    if (workload < 20) {
        adjust_frequency(1); // 低频率
    } else if (workload < 70) {
        adjust_frequency(2); // 中等频率
    } else {
        adjust_frequency(3); // 高频率
    }

    return 0;
}

七、性能评估与优化策略

评估和优化模型在嵌入式系统上的性能是确保系统能够满足实际应用需求的重要步骤。

1. 性能评估指标

  • 推理时间：模型从输入到输出的时间。
  • 内存使用：模型运行时的内存占用。
  • 能耗：模型运行时的功耗。

2. 性能优化策略

  • 使用硬件加速：利用硬件平台的AI加速器。
  • 优化编译器：使用针对特定硬件优化的编译器和库，如TensorFlow Lite Micro。
  • 并行处理：在多核系统中使用并行计算提高推理速度。

八、实际应用案例 -嵌入式图像分类系统

4df95d93e16647e78fff05e95b201ece.png

构建一个嵌入式图像分类系统，使用Raspberry Pi和TensorFlow Lite进行实时图像分类。

概述

在本案例中，我们将使用Raspberry Pi和TensorFlow Lite部署一个手写数字识别模型。本文将详细展示如何在嵌入式系统中实现图像分类的每一步，包括数据准备、模型部署和实时推理。

步骤

  1. 数据准备：获取MNIST数据集并转换为适合嵌入式系统使用的格式。
  2. 模型训练与量化：使用预训练的TensorFlow Lite模型。
  3. 模型部署：将模型部署到Raspberry Pi上。
  4. 实时推理：在Raspberry Pi上进行实时图像分类。

1. 数据准备

在C++中读取MNIST数据集，并将其格式化为适合模型输入的形式。

#include <iostream>
#include <fstream>
#include <vector>

void read_mnist(const std::string &filename, std::vector<std::vector<uint8_t>> &images) {
    std::ifstream file(filename, std::ios::binary);
    if (file.is_open()) {
        int magic_number = 0;
        int number_of_images = 0;
        int rows = 0;
        int cols = 0;

        file.read((char*)&magic_number, sizeof(magic_number));
        magic_number = __builtin_bswap32(magic_number);
        file.read((char*)&number_of_images, sizeof(number_of_images));
        number_of_images = __builtin_bswap32(number_of_images);
        file.read((char*)&rows, sizeof(rows));
        rows = __builtin_bswap32(rows);
        file.read((char*)&cols, sizeof(cols));
        cols = __builtin_bswap32(cols);

        for (int i = 0; i < number_of_images; ++i) {
            std::vector<uint8_t> image(rows * cols);
            file.read((char*)image.data(), rows * cols);
            images.push_back(image);
        }
    }
}

int main() {
    std::vector<std::vector<uint8_t>> images;
    read_mnist("train-images-idx3-ubyte", images);

    std::cout << "Read " << images.size() << " images." << std::endl;
    return 0;
}

2. 模型部署

使用TensorFlow Lite的C++ API将量化后的模型部署到Raspberry Pi上。

#include "tensorflow/lite/c/common.h"
#include "tensorflow/lite/kernels/register.h"
#include "tensorflow/lite/model.h"
#include "tensorflow/lite/interpreter.h"
#include <vector>
#include <iostream>
#include <memory>

void run_inference(const std::vector<uint8_t> &input_image) {
    // 加载模型
    const char* model_path = "model.tflite";
    auto model = tflite::FlatBufferModel::BuildFromFile(model_path);
    tflite::ops::builtin::BuiltinOpResolver resolver;
    std::unique_ptr<tflite::Interpreter> interpreter;
    tflite::InterpreterBuilder(*model, resolver)(&interpreter);

    // 分配张量
    interpreter->AllocateTensors();
    int input = interpreter->inputs()[0];
    uint8_t* input_data = interpreter->typed_tensor<uint8_t>(input);

    // 将图像数据复制到输入张量
    std::copy(input_image.begin(), input_image.end(), input_data);

    // 运行推理
    interpreter->Invoke();

    // 获取输出
    int output = interpreter->outputs()[0];
    float* output_data = interpreter->typed_tensor<float>(output);

    // 打印结果
    for (int i = 0; i < 10; ++i) {
        std::cout << "Probability of " << i << ": " << output_data[i] << std::endl;
    }
}

int main() {
    std::vector<uint8_t> image_data(28 * 28); // 假设我们有一个28x28的灰度图像数据
    // 在此处加载图像数据
    run_inference(image_data);
    return 0;
}

 

3. 实时推理

在Raspberry Pi上进行实时推理，需要处理实时获取的图像数据并进行推理。

#include <opencv2/opencv.hpp>
#include <iostream>
#include <vector>
#include "tensorflow/lite/interpreter.h"
#include "tensorflow/lite/kernels/register.h"
#include "tensorflow/lite/model.h"

void preprocess_image(const cv::Mat &image, std::vector<uint8_t> &output_image) {
    cv::Mat resized_image;
    cv::resize(image, resized_image, cv::Size(28, 28));
    cv::cvtColor(resized_image, resized_image, cv::COLOR_BGR2GRAY);

    output_image.assign(resized_image.data, resized_image.data + resized_image.total());
}

void classify_image(const std::vector<uint8_t> &image_data) {
    const char* model_path = "model.tflite";
    auto model = tflite::FlatBufferModel::BuildFromFile(model_path);
    tflite::ops::builtin::BuiltinOpResolver resolver;
    std::unique_ptr<tflite::Interpreter> interpreter;
    tflite::InterpreterBuilder(*model, resolver)(&interpreter);

    interpreter->AllocateTensors();
    int input_index = interpreter->inputs()[0];
    uint8_t* input_data = interpreter->typed_tensor<uint8_t>(input_index);

    std::copy(image_data.begin(), image_data.end(), input_data);
    interpreter->Invoke();

    int output_index = interpreter->outputs()[0];
    float* output_data = interpreter->typed_tensor<float>(output_index);

    for (int i = 0; i < 10; ++i) {
        std::cout << "Class " << i << ": " << output_data[i] << std::endl;
    }
}

int main() {
    cv::VideoCapture cap(0);
    if (!cap.isOpened()) {
        std::cerr << "Error opening video stream" << std::endl;
        return -1;
    }

    while (true) {
        cv::Mat frame;
        cap >> frame;
        if (frame.empty()) {
            break;
        }

        std::vector<uint8_t> image_data;
        preprocess_image(frame, image_data);
        classify_image(image_data);

        cv::imshow("Frame", frame);
        if (cv::waitKey(10) == 27) {
            break;
        }
    }

    cap.release();
    cv::destroyAllWindows();
    return 0;
}

九、总结与展望

在嵌入式系统中使用C++进行机器学习和数据挖掘，包括数据准备、模型训练与压缩、模型部署以及实时推理。未来，随着硬件和算法的不断进步，嵌入式机器学习将会有更加广阔的应用前景，推动物联网、智能制造和智能家居等领域的创新发展。

d6f8de9bc53d443f9b9584c9760c1871.png

 

 

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/1801953.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

Windows UAC权限详解以及因为权限不对等引发的若干问题排查

Windows UAC权限详解以及因为权限不对等引发的若干问题排查

目录 1、什么是UAC&#xff1f; 2、微软为什么要设计UAC&#xff1f; 3、标准用户权限与管理员权限 4、程序到底以哪种权限运行&#xff1f;与哪些因素有关&#xff1f; 4.1、给程序设置以管理员权限运行的属性 4.2、当前登录用户的类型 5、案例1 - 无法在企业微信聊天框…
阅读更多...
力扣爆刷第148天之贪心算法五连刷（区间合并）

力扣爆刷第148天之贪心算法五连刷（区间合并）

力扣爆刷第148天之贪心算法五连刷&#xff08;区间合并&#xff09; 文章目录 力扣爆刷第148天之贪心算法五连刷&#xff08;区间合并&#xff09;一、406. 根据身高重建队列二、452. 用最少数量的箭引爆气球三、435. 无重叠区间四、763. 划分字母区间五、56. 合并区间六、738.…
阅读更多...
【Threejs进阶教程-优化篇】3. 卡顿与内存管理(二)

【Threejs进阶教程-优化篇】3. 卡顿与内存管理(二)

贴图纹理材质光影对内存性能的影响 学习ThreeJS的捷径烘培模型简介如何优化烘培模型贴图处理贴图质量切换 为什么光源要限制数量阴影质量的影响阴影本身也可以理解为是一种贴图 学习ThreeJS的捷径 本段内容会写在0篇以外所有的&#xff0c;本人所编写的Threejs教程中 对&…
阅读更多...
贪心算法学习二

贪心算法学习二

例题一 解法&#xff08;贪⼼&#xff09;&#xff1a; 贪⼼策略&#xff1a; 由于只能交易⼀次&#xff0c;所以对于某⼀个位置 i &#xff0c;要想获得最⼤利润&#xff0c;仅需知道前⾯所有元素的最⼩ 值。然后在最⼩值的位置「买⼊」股票&#xff0c;在当前位置「卖出」…
阅读更多...
数据挖掘--引论

数据挖掘--引论

数据挖掘--引论 数据挖掘--认识数据 数据挖掘--数据预处理 数据挖掘--数据仓库与联机分析处理 数据挖掘--挖掘频繁模式、关联和相关性&#xff1a;基本概念和方法 数据挖掘--分类 数据挖掘--聚类分析&#xff1a;基本概念和方法 1.2什么是数据挖掘 数据挖掘是从大量数据…
阅读更多...
武汉理工大学 云计算与服务计算 期末复习

武汉理工大学 云计算与服务计算 期末复习

云计算与的定义 长定义是&#xff1a;“云计算是一种商业计算模型。它将计算任务分布在大量计算机构成的资源池上&#xff0c;使各种应用系统能够根据需要获取计算力、存储空间和信息服务。” 短定义是&#xff1a;“云计算是通过网络按需提供可动态伸缩的廉价计算服务。 云计…
阅读更多...
Pytorch语义分割（1）-----加载数据

Pytorch语义分割（1）-----加载数据

一、数据标注 &#xff08;1&#xff09;使用labelme来进行分割标注&#xff0c;标注完之后会得到一个json&#xff0c;数据格式如下&#xff1a; 二、获取数据信息 读取json文件来得到标签信息&#xff0c;读取jpg文件获取图像。在语义分割中用到的数据无非就是原始图片&…
阅读更多...
Redis-sentinel（哨兵模式）的搭建步骤及相关知识

Redis-sentinel（哨兵模式）的搭建步骤及相关知识

1、什么是redis-sentinel&#xff0c;和redis主从复制相比&#xff0c;它具有什么优势 1.1、redis主从复制 Redis主从复制是一种用于数据冗余和可伸缩性的机制&#xff0c;它将一台Redis服务器的数据复制到其他Redis服务器。在这种模式下&#xff0c;数据会实时地从一个主节点…
阅读更多...
SwiftUI六组合复杂用户界面

SwiftUI六组合复杂用户界面

代码下载 应用的首页是一个纵向滚动的地标类别列表&#xff0c;每一个类别内部是一个横向滑动列表。随后将构建应用的页面导航&#xff0c;这个过程中可以学习到如果组合各种视图&#xff0c;并让它们适配不同的设备尺寸和设备方向。 下载起步项目并跟着本篇教程一步步实践&a…
阅读更多...
wx 生命周期

wx 生命周期

以下内容你不需要立马完全弄明白&#xff0c;不过以后它会有帮助。 下图说明了页面 Page 实例的生命周期。
阅读更多...
记录jenkins pipeline ,git+maven+sonarqube+打包镜像上传到阿里云镜像仓库

记录jenkins pipeline ,git+maven+sonarqube+打包镜像上传到阿里云镜像仓库

1、阶段视图&#xff1a; 2、准备工作 所需工具与插件 jdk&#xff1a;可以存在多版本 maven&#xff1a;可以存在多版本 sonar-scanner 凭证令牌 gitlab&#xff1a;credentialsId sonarqube:配置在sonarqube208服务中 3、jenkinsfile pipeline {agent anystages {stage(从…
阅读更多...
Visual Studio Code 怎么恢复默认布置

Visual Studio Code 怎么恢复默认布置

保存&#xff0c;然后重启
阅读更多...
GSS7000卫星导航模拟器结合RTKLIB 接收NTRIP网络RTCM数据以输出RS232

GSS7000卫星导航模拟器结合RTKLIB 接收NTRIP网络RTCM数据以输出RS232

本文聚焦&#xff0c;使用GSS7000仿真GNSS NTRIP&#xff0c;利用开源工具RTKLIB 作为NTRIP Client 接受GSS7000仿真的RTCM数据&#xff0c; 并通过STRSVR将收到的RTCM数据通过USB-RS232数据线吐出&#xff0c;并转给DUT&#xff0c;让其获得RTK -FIXED 固定解。 废话不多说&a…
阅读更多...
微信小程序 导航navigation-bar

微信小程序 导航navigation-bar

属性类型默认值必填说明最低版本titlestring否导航条标题2.9.0loadingbooleanfalse否是否在导航条显示 loading 加载提示2.9.0front-colorstring否导航条前景颜色值&#xff0c;包括按钮、标题、状态栏的颜色&#xff0c;仅支持 #ffffff 和 #0000002.9.0background-colorstring…
阅读更多...
如何提高网站收录？

如何提高网站收录？

GSI服务就是专门干这个的&#xff0c;这个服务用的是光算科技自己研发的GPC爬虫池系统。这个系统通过建立一个庞大的站群和复杂的链接结构&#xff0c;来吸引谷歌的爬虫。这样一来&#xff0c;你的网站就能更频繁地被谷歌的爬虫访问&#xff0c;从而提高被收录的机会。 说到效…
阅读更多...
Python语言读取图像

Python语言读取图像

import cv2 import numpy as np width 640 # 图像宽度height 480 # 图像高度channels 3 # 颜色通道数imgEmpty np.empty((height, width, channels), np.uint8) # 创建空白数组imgBlack np.zeros((height, width, channels), np.uint8) # 创建黑色图像 RGB0imgWhite …
阅读更多...
全自动饲料机械成套设备：养殖好帮手

全自动饲料机械成套设备：养殖好帮手

全自动饲料机械成套设备是一套能够自动完成饲料生产全过程的机械设备。从原料的粉碎、混合、制粒&#xff0c;到成品的包装、储存&#xff0c;再到生产过程的监控与管理&#xff0c;全部实现自动化操作。减轻了人工劳动强度&#xff0c;提高了生产效率&#xff0c;同时也保证了…
阅读更多...
指针在C/C++中的魔力：一级指针与二级指针

指针在C/C++中的魔力：一级指针与二级指针

什么是指针&#xff1f; 指针是一个变量&#xff0c;它的值是另一个变量的地址。在C/C中&#xff0c;指针是一个强大的工具&#xff0c;可以让我们直接操作内存地址。指针的主要用途包括动态内存分配、数组和字符串处理、函数参数传递等。 一级指针 一级指针&#xff08;也称为…
阅读更多...
Prometheus+Altermanager实现钉钉告警

Prometheus+Altermanager实现钉钉告警

PrometheusAltermanager实现钉钉告警 Prometheus和Altermanager的安装这里就不赘述了&#xff0c;我之前的文章有写到 不记得的小伙伴可以去看看Prometheus和Altermanager的安装使用 直接开始上操作 下载钉钉并打开&#xff0c;先创建一个接收告警信息的钉钉群 添加一个自定…
阅读更多...
数据结构【二叉树——堆】

数据结构【二叉树——堆】

二叉树——堆 1.二叉树的概念与性质二叉树的概念特殊的二叉树 2.二叉树的性质3.二叉树的存储结构顺序结构链式结构 4.堆堆的概念堆接口的实现&#xff08;默认为大堆&#xff09;堆的结构堆的初始化堆的销毁栈的插入堆的删除取堆顶数据堆的元素个数堆的判空 完整代码Heap.hHeap…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023