Pytorch实现自然风光图像场景分类识别(含训练代码和数据集)

news2024/9/25 3:24:15

Pytorch实现自然风光图像场景分类识别(含训练代码和数据集)

目录

Pytorch实现自然风光图像场景分类识别(含训练代码和数据集)

1. 前言

2. 自然风光图像场景分类数据集

（1）自然风光图像场景分类数据集

（2）自定义数据集

3. 自然风光图像场景分类模型训练

（1）项目安装

（2）准备Train和Test数据

（3）配置文件：​config.yaml​

（4）开始训练

（5）可视化训练过程

（6）一些优化建议

（7） 一些运行错误处理方法：

4. 自然风光图像场景分类模型测试效果

5.项目源码下载

1. 前言

本项目将基于深度学习Pytorch，搭建一个自然风图像场景分类识别的训练和测试项目，实现一个简单的自然风光场景图像识别系统。项目收集了6种类场景图像，包含建筑物、森林，冰川，山、海和街道六个场景，总数约17000张图片数据；项目骨干网络支持常见的CNN模型，如MobileNet, resnet[18,34,50]，也支持Transformer的模型，如MobileVit，Vit_L_16,Vit_B_16等模型，用户也可以自定义其他模型，进行训练和测试。

模型input size准确率
mobilenet_v2224×22493.3667
resnet18224×22493.8333
MobileVit256×25692.1333
Vit_B_16224×22493.4333

【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/141747025

2. 自然风光图像场景分类数据集

（1）自然风光图像场景分类数据集

项目收集了自然风光场景图像数据集，该数据集包含：建筑物、森林，冰川，山、海和街道六个场景，原始数据最初由英特尔在https://datahack.analyticsvidhya.com上发布，以举办图像分类挑战赛；总数约25,000张图片，分为三个子集，其中训练集Train14000张图片，验证集Val约3000张图片和测试集Test7000张图片，但测试集并没有标注类别；

建筑物

森林

冰川

山

海

街道

（2）自定义数据集

如果需要新增类别数据，或者需要自定数据集进行训练，可以如下进行处理：

  • Train和Test数据集，要求相同类别的图片，放在同一个文件夹下；且子目录文件夹命名为类别名称，如

460884152265435080de79b3f34d9f0f.png​

  • 类别文件：一行一个列表：​class_name.txt​ 
     (最后一行,请多回车一行)
A
B
C
D
  • 修改配置文件的数据路径：​config.yaml​
train_data: # 可添加多个数据集
  - 'data/dataset/train1' 
  - 'data/dataset/train2'
test_data: 'data/dataset/test'
class_name: 'data/dataset/class_name.txt'
...
...

3. 自然风光图像场景分类模型训练

本项目以自然风光场景图像数据集为训练和测试样本，你也可以根据自己的需要增加和较少类别，进行训练。

（1）项目安装

整套工程基本框架结构如下：

.
├── classifier           # 训练模型相关工具
├── configs              # 训练配置文件
├── data                 # 训练数据
├── libs           
├── demo.py              # 模型推理demo
├── README.md            # 项目工程说明文档
├── requirements.txt     # 项目相关依赖包
└── train.py             # 训练文件

   项目依赖python包请参考requirements.txt，使用pip安装即可：

numpy==1.16.3
matplotlib==3.1.0
Pillow==6.0.0
easydict==1.9
opencv-contrib-python==4.5.2.52
opencv-python==4.5.1.48
pandas==1.1.5
PyYAML==5.3.1
scikit-image==0.17.2
scikit-learn==0.24.0
scipy==1.5.4
seaborn==0.11.2
tensorboard==2.5.0
tensorboardX==2.1
torch==1.7.1+cu110
torchvision==0.8.2+cu110
tqdm==4.55.1
xmltodict==0.12.0
basetrainer
pybaseutils==0.6.5

 项目安装教程请参考（初学者入门，麻烦先看完下面教程，配置好开发环境）：

  • 项目开发使用教程和常见问题和解决方法
  • 视频教程：1 手把手教你安装CUDA和cuDNN(1)
  • 视频教程：2 手把手教你安装CUDA和cuDNN(2)
  • 视频教程：3 如何用Anaconda创建pycharm环境
  • 视频教程：4 如何在pycharm中使用Anaconda创建的python环境

（2）准备Train和Test数据

下载数据集，Train和Test数据集，要求相同类别的图片，放在同一个文件夹下；且子目录文件夹命名为类别名称。

数据增强方式主要采用： 随机裁剪，随机翻转，随机旋转，颜色变换等处理方式

import numbers
import random
import PIL.Image as Image
import numpy as np
from torchvision import transforms


def image_transform(input_size, rgb_mean=[0.5, 0.5, 0.5], rgb_std=[0.5, 0.5, 0.5], trans_type="train"):
    """
    不推荐使用：RandomResizedCrop(input_size), # bug:目标容易被crop掉
    :param input_size: [w,h]
    :param rgb_mean:
    :param rgb_std:
    :param trans_type:
    :return::
    """
    if trans_type == "train":
        transform = transforms.Compose([
            transforms.Resize([int(128 * input_size[1] / 112), int(128 * input_size[0] / 112)]),
            transforms.RandomHorizontalFlip(),  # 随机左右翻转
            # transforms.RandomVerticalFlip(), # 随机上下翻转
            transforms.ColorJitter(brightness=0.5, contrast=0.5, saturation=0.5, hue=0.1),
            transforms.RandomRotation(degrees=5),
            transforms.RandomCrop([input_size[1], input_size[0]]),
            transforms.ToTensor(),
            transforms.Normalize(mean=rgb_mean, std=rgb_std),
        ])
    elif trans_type == "val" or trans_type == "test":
        transform = transforms.Compose([
            transforms.Resize([input_size[1], input_size[0]]),
            # transforms.CenterCrop([input_size[1], input_size[0]]),
            # transforms.Resize(input_size),
            transforms.ToTensor(),
            transforms.Normalize(mean=rgb_mean, std=rgb_std),
        ])
    else:
        raise Exception("transform_type ERROR:{}".format(trans_type))
    return transform

修改配置文件数据路径：​config.yaml​

# 训练数据集，可支持多个数据集
train_data:
  - 'path/to/Natural/dataset/train'
# 测试数据集
test_data: 'path/to/Natural/dataset/val'
# 类别文件
class_name: 'path/to/class_name.txt'

（3）配置文件：​config.yaml​

  • 骨干网络(backbone)支持CNN模型，如MobileNet, resnet[18,34,50]，也支持transformer的模型，如MobileVit，Vit_L_16,Vit_B_16等模型，用户也可以自定义模型，进行模型训练和测试。
  • 训练参数可以通过(configs/config.yaml)配置文件进行设置

 配置文件：​config.yaml​说明如下：

# 训练数据集，可支持多个数据集
train_data:
  - 'path/to/Natural/dataset/train'
# 测试数据集
test_data: 'path/to/Natural/dataset/val'
# 类别文件
class_name: 'path/to/class_name.txt'
train_transform: "train"       # 训练使用的数据增强方法
test_transform: "val"          # 测试使用的数据增强方法
work_dir: "work_space/"        # 保存输出模型的目录
net_type: "mobilenet_v2"       # 骨干网络,支持：resnet18/50,mobilenet_v2,googlenet,inception_v3,mobilevit，vit_l_16,vit_b_16
width_mult: 1.0
input_size: [ 224,224 ]        # 模型输入大小
rgb_mean: [ 0.5, 0.5, 0.5 ]    # for normalize inputs to [-1, 1],Sequence of means for each channel.
rgb_std: [ 0.5, 0.5, 0.5 ]     # for normalize,Sequence of standard deviations for each channel.
batch_size: 32
lr: 0.01                       # 初始学习率
optim_type: "SGD"              # 选择优化器，SGD,Adam
loss_type: "CrossEntropyLoss"  # 选择损失函数：支持CrossEntropyLoss,LabelSmoothing
momentum: 0.9                  # SGD momentum
num_epochs: 100                # 训练循环次数
num_warn_up: 3                 # warn-up次数
num_workers: 8                 # 加载数据工作进程数
weight_decay: 0.0005           # weight_decay，默认5e-4
scheduler: "multi-step"        # 学习率调整策略
milestones: [ 20,50,80 ]       # 下调学习率方式
gpu_id: [ 0 ]                  # GPU ID
log_freq: 50                   # LOG打印频率
progress: True                 # 是否显示进度条
pretrained: False              # 是否使用pretrained模型
finetune: False                # 是否进行finetune

参数类型参考值说明
train_datastr, list-训练数据文件，可支持多个文件
test_datastr, list-测试数据文件，可支持多个文件
class_namestr-类别文件
work_dirstrwork_space训练输出工作空间
net_typestrresnet18 
骨干网络,支持：resnet18/50,mobilenet_v2,googlenet,inception_v3,mobilevit，vit_l_16,vit_b_16
input_sizelist[128,128]模型输入大小[W,H]
batch_sizeint32batch size
lrfloat0.1初始学习率大小
optim_typestrSGD优化器，{SGD,Adam}
loss_typestrCELoss损失函数
schedulerstrmulti-step学习率调整策略，{multi-step,cosine}
milestoneslist[30,80,100]降低学习率的节点，仅仅scheduler=multi-step有效
momentumfloat0.9SGD动量因子
num_epochsint120循环训练的次数
num_warn_upint3warn_up的次数
num_workersint12DataLoader开启线程数
weight_decayfloat5e-4权重衰减系数
gpu_idlist[ 0 ]指定训练的GPU卡号，可指定多个
log_freqin20显示LOG信息的频率
finetunestrmodel.pthfinetune的模型
progressboolTrue是否显示进度条
distributedboolFalse是否使用分布式训练

（4）开始训练

整套训练代码非常简单操作，用户只需要将相同类别的数据放在同一个目录下，并填写好对应的数据路径，即可开始训练了。

python train.py -c configs/config.yaml

训练完成后，在自然风光图像场景分类数据集上，训练集的Accuracy在98%左右，验证集的Accuracy在93%左右，下表给出mobilenet_v2, resnet18，MobileVit和Vit_B_16等常用模型验证集的准确率：

模型input size准确率
mobilenet_v2224×22493.3667
resnet18224×22493.8333
MobileVit256×25692.1333
Vit_B_16224×22493.4333

（5）可视化训练过程

训练过程可视化工具是使用Tensorboard，使用方法，可参考这里：项目开发使用教程和常见问题和解决方法
在终端输入：

# 基本方法
tensorboard --logdir=path/to/log/
# 例如
tensorboard --logdir=work_space/mobilevit_1.0_256_256_LabelSmooth_20240829_183703_3889/log

可视化效果 

（6）一些优化建议

如果想进一步提高准确率，可以尝试：

  1. 最重要的： 清洗数据集，原始数据大部分都是通过网上爬取的，存在部分错误的图片，尽管鄙人已经清洗一部分了，但还是建议你，训练前，再次清洗数据集，不然会影响模型的识别的准确率。
  2. 使用不同backbone模型，比如resnet50或者更深，参数量更大的模型
  3. 增加数据增强： 已经支持： 随机裁剪，随机翻转，随机旋转，颜色变换等数据增强方式，可以尝试诸如mixup，CutMix等更复杂的数据增强方式
  4. 样本均衡： 建议进行样本均衡处理，避免长尾问题
  5. 调超参： 比如学习率调整策略，优化器（SGD,Adam等）
  6. 损失函数： 目前训练代码已经支持：交叉熵，LabelSmoothing，可以尝试FocalLoss等损失函数

（7） 一些运行错误处理方法：

  • 项目不要出现含有中文字符的目录文件或路径，否则会出现很多异常！！！！！！！！

  • cannot import name 'load_state_dict_from_url' 

由于一些版本升级，会导致部分接口函数不能使用，请确保版本对应

torch==1.7.1

torchvision==0.8.2

或者将对应python文件将

from torchvision.models.resnet import model_urls, load_state_dict_from_url

修改为：

from torch.hub import load_state_dict_from_url
model_urls = {
    'mobilenet_v2': 'https://download.pytorch.org/models/mobilenet_v2-b0353104.pth',
    'resnet18': 'https://download.pytorch.org/models/resnet18-5c106cde.pth',
    'resnet34': 'https://download.pytorch.org/models/resnet34-333f7ec4.pth',
    'resnet50': 'https://download.pytorch.org/models/resnet50-19c8e357.pth',
    'resnet101': 'https://download.pytorch.org/models/resnet101-5d3b4d8f.pth',
    'resnet152': 'https://download.pytorch.org/models/resnet152-b121ed2d.pth',
    'resnext50_32x4d': 'https://download.pytorch.org/models/resnext50_32x4d-7cdf4587.pth',
    'resnext101_32x8d': 'https://download.pytorch.org/models/resnext101_32x8d-8ba56ff5.pth',
    'wide_resnet50_2': 'https://download.pytorch.org/models/wide_resnet50_2-95faca4d.pth',
    'wide_resnet101_2': 'https://download.pytorch.org/models/wide_resnet101_2-32ee1156.pth',
}

4. 自然风光图像场景分类模型测试效果

 demo.py文件用于推理和测试模型的效果，填写好配置文件，模型文件以及测试图片即可运行测试了

def get_parser():
    # 配置文件
    config_file = "work_space/mobilenet_v2_1.0_224_224_LabelSmooth_20240828_090042_9751/config.yaml"
    # 模型文件
    model_file = "work_space/mobilenet_v2_1.0_224_224_LabelSmooth_20240828_090042_9751/model/latest_model_119_92.6333.pth"
    # 待测试图片目录
    image_dir = "data/test_images"
    parser = argparse.ArgumentParser(description="Inference Argument")
    parser.add_argument("-c", "--config_file", help="configs file", default=config_file, type=str)
    parser.add_argument("-m", "--model_file", help="model_file", default=model_file, type=str)
    parser.add_argument("--device", help="cuda device id", default="cuda:0", type=str)
    parser.add_argument("--image_dir", help="image file or directory", default=image_dir, type=str)
    return parser
#!/usr/bin/env bash
# Usage:
# python demo.py  -c "path/to/config.yaml" -m "path/to/model.pth" --image_dir "path/to/image_dir"

python demo.py -c work_space/mobilenet_v2_1.0_224_224_LabelSmooth_20240828_090042_9751/config.yaml -m work_space/mobilenet_v2_1.0_224_224_LabelSmooth_20240828_090042_9751/model/latest_model_119_92.6333.pth --image_dir data/test_images

运行测试结果： 

pred_index:['冰川'],pred_score:[0.9146847]

pred_index:['山'],pred_score:[0.7039213]

pred_index:['建筑物'],pred_score:[0.92356795]

 pred_index:['森林'],pred_score:[0.91926664]

​

5.项目源码下载

 【源码下载】Pytorch实现自然风光图像场景分类识别(含训练代码和数据集)

整套项目源码内容包含：

  • 自然风光图像场景分类数据集: 数据集包含：建筑物、森林，冰川，山、海和街道六个场景，总数约25,000张图片，分为三个子集，其中训练集Train14000张图片，验证集Val约3000张图片和测试集Test7000张图片，但测试集并没有标注类别；
  • 项目支持自定义数据集进行训练
  • 项目骨干网络支持常见的CNN模型，如MobileNet, resnet[18,34,50]，也支持Transformer的模型，如MobileVit，Vit_L_16,Vit_B_16等模型，用户也可以自定义其他模型，进行训练和测试
  • 项目提供已经训练好的模型，无需重新训练，即可运行demo.py测试图片

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/2093367.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

震惊！更换GPU会改变LLM的行为

震惊！更换GPU会改变LLM的行为

文章目录 新发现前言1. Why this article ?2. Setup the experimentation3. The experiment results：A100/A10/30904. Why is it different?5. Why do the calculation differ depending on the GPU ?结论 新发现 最近在做RAG相关的工作，偶然间发现&a…
阅读更多...
swift自定义数据集微调Qwen-7B大模型，转换模型后使用ollama跑起来

swift自定义数据集微调Qwen-7B大模型，转换模型后使用ollama跑起来

前文：swift微调Qwen-7B大模型-CSDN博客 我详细介绍了swift如何进行微调，但数据集均来自魔搭社区，如何想训练自定义数据集，实际上也很简单。 一、自定义数据集微调 export MKL_THREADING_LAYERGNU \ CUDA_VISIBLE_DEVICES0,1,2…
阅读更多...
STM32：TIM定时中断配置的最全库函数讲解笔记

STM32：TIM定时中断配置的最全库函数讲解笔记

声明：本博客为哔哩哔哩up主江协科技 “STM32入门教程”的听课笔记，仅供学习、参考使用，不得用作其他用途，违者必究。如有版权问题，请联系作者修改。 目录 一、综述 二、TIM库 初始化 2.1、TIM_DeInit 恢复缺省值 …
阅读更多...
经典文献阅读之--ParkingE2E(基于摄像头的端到端停车网络：从图像到规划)

经典文献阅读之--ParkingE2E(基于摄像头的端到端停车网络：从图像到规划)

0. 简介 自动泊车是智能驾驶领域的一项关键任务。传统泊车算法通常采用基于规则的方案来实现。然而，由于算法设计的复杂性，这些方法在复杂的泊车场景中效果欠佳。相比之下，基于神经网络的方法往往比基于规则的方法更加直观且功能多样。通过收…
阅读更多...
中国的铁路订票系统在世界上属于什么水平？

中国的铁路订票系统在世界上属于什么水平？

每到节假日，中国的铁路订票系统总会成为人们热议的焦点。无论是“抢票大战”还是“秒杀特价票”，这一系统似乎总是牵动着亿万乘客的心。那么，中国的铁路订票系统到底有多强大？在全球范围内，它处于什么水平？…
阅读更多...
Java_ElasticSearch(ES)——分布式搜索引擎

Java_ElasticSearch(ES)——分布式搜索引擎

介绍： Elasticsearch是一个开源的分布式搜索和分析引擎，最初由Elastic公司开发。它构建在Apache Lucene搜索引擎库之上，提供了一个强大的全文搜索和分析引擎， 它结合kibana、Logstash、Beats，是一整套技术栈&#xff0…
阅读更多...
C语言——简单的do while循环找100~999之间的水仙花数(所有的三位水仙花数)

C语言——简单的do while循环找100~999之间的水仙花数(所有的三位水仙花数)

这道题的关键是如何把这个三位数的个位、十位、百位表示出来 这里用到了 / &#xff08;整除&#xff09;和 % &#xff08;取余&#xff09;这两个运算符 #include<stdio.h> int main() { int num 100; do { int a; int b; int …
阅读更多...
手把手教你：用sentence-transformers库进行文本嵌入

手把手教你：用sentence-transformers库进行文本嵌入

在 Python 中使用 sentence-transformers 库进行实操&#xff0c;你可以按照以下步骤进行&#xff1a; 1. 安装 sentence-transformers 库 首先&#xff0c;确保你已经安装了 sentence-transformers。如果没有&#xff0c;可以通过 pip 安装&#xff1a; pip install sentenc…
阅读更多...
图像去噪评论：从经典到最先进的方法

图像去噪评论：从经典到最先进的方法

系列文章目录 文章目录 系列文章目录前言摘要1 引言1.1.噪声抑制 2. 空间域过滤2.1.局部滤波器2.2.非局部滤波器 3.变换域滤波3.1.阈值3.1.1. 通用阈值3.1.2. VISUShrink3.1.3.SURE收缩3.1.4.BayesShrink3.1.5.概率收缩3.1.6.SURELET3.1.7.Neigh Shrink Sure&#xff08;NSS&am…
阅读更多...
十一头像红旗怎么弄的?3个方法轻松教会你!

十一头像红旗怎么弄的?3个方法轻松教会你!

国庆佳节渐行渐至&#xff0c;朋友圈里早已掀起了一股更换国庆主题头像的热潮&#xff01;那些五彩斑斓、光彩夺目的渐变国旗头像&#xff0c;既美观又富有节日气氛。如果你也想加入这个行列&#xff0c;那么如何动手制作呢&#xff1f;别担心&#xff0c;接下来我将为你介绍三…
阅读更多...
求解组合优化问题的具有递归特征的无监督图神经网络

求解组合优化问题的具有递归特征的无监督图神经网络

文章目录 ABSTRACT1 Introduction2 Related Work3 QRF-GNN方法4 数值实验4.1 MAX-CUTABSTRACT 介绍了一种名为QRF-GNN的新型算法，有效解决具有二次无约束二进制优化（QUBO）表述的组合问题。依赖无监督学习，从最小化的QUBO放松导出的损失函数。该架构的关键组成部分是中间GNN…
阅读更多...
服务端之Node的QQ邮件发送功能、授权码申请流程、邮箱、createTransport、sendMail

服务端之Node的QQ邮件发送功能、授权码申请流程、邮箱、createTransport、sendMail

MENU 前言邮箱授权码的申请流程Node连续发送邮件失败的原因 前言 1、代码段的主要功能是通过nodemailer模块从一个QQ邮箱发送电子邮件。 2、代码段实现从QQ邮箱1283077926qq.com发送一封邮件到2506562048qq.com&#xff0c;邮件主题为“微信公众号推广”&#xff0c;正文为“亲…
阅读更多...
Docker私有镜像仓库Harbor安装并推拉镜像

Docker私有镜像仓库Harbor安装并推拉镜像

1.环境信息 前置要求&#xff1a; linux&#xff1a;Oracle Linux Server release 7.9 docker&#xff1a;26.1.4 安装&#xff1a; docker-compose: Docker Compose version v2.29.2 harbor&#xff1a;v2.11.1 2.下载安装说明 docker-compose下载&#xff1a; https://githu…
阅读更多...
Vue(八) localStorage、组件的自定义事件、Todo案例修改

Vue(八) localStorage、组件的自定义事件、Todo案例修改

文章目录 一、浏览器本地存储1. 相关API2. Todo案例中的应用 二、组件的自定义事件1. 回顾props传值方式2. 绑定自定义事件&#xff08;1&#xff09;方式一&#xff1a;v-on或&#xff08;2&#xff09;方式二&#xff1a; ref 3. 解绑自定义事件4. 注意点总结 三、Todo案例采…
阅读更多...
【机器学习】在 scikit-learn 中，有哪些特征编码方法？分布详细举例列出

【机器学习】在 scikit-learn 中，有哪些特征编码方法？分布详细举例列出

一、在scikit-learn中&#xff0c;有多种特征编码方法可以用来处理分类数据&#xff0c;以下是一些常见的编码方法及其示例&#xff1a; One-Hot Encoding (独热编码): 使用 OneHotEncoder 类将分类特征转换为二进制向量。例如&#xff0c;对于颜色特征 [red, blue, green]&…
阅读更多...
day01项目概述、环境搭建

day01项目概述、环境搭建

1 软件开发整体介绍 软件开发流程 角色分工 软件环境 2 苍穹外卖项目介绍 项目介绍 产品原型 技术选型 3 开发环境搭建 前端环境搭建 注意&#xff1a; - Nginx目录必须放在没有中文的目录中才能正常运行 - 当前Nginx的配置文件中已经配置了反向代理&#xff0c;通过此配置…
阅读更多...
面试SQL题的水到底有多深？一文带你揭晓

面试SQL题的水到底有多深？一文带你揭晓

不谋万世者&#xff0c;不足谋一时&#xff1b;不谋全局者&#xff0c;不足谋一域 目录 0 面试现状 1 面试SQL题目的难度及特点 1.1 题目场景化 1.2 题目算法化 1.3 方法多元化 2 破局之道 3 总结 数字化建设通关指南 主要内容&#xff1a; &#xff08;1&#xff09;SQL进阶实…
阅读更多...
ChatTTS 长音频合成和本地部署2种方式，让你的“儿童绘本”发声的实战教程（文末有福利）

ChatTTS 长音频合成和本地部署2种方式，让你的“儿童绘本”发声的实战教程（文末有福利）

接上文&#xff08;GLM-4-Flash 大模型 API 免费了&#xff0c;手把手构建“儿童绘本”应用实战&#xff08;附源码&#xff09;&#xff09;&#xff0c;老牛同学通过 GLM-4-Flash 文生文和 CogView-3 文生图大模型&#xff0c;和大家一起编写了一个图文并茂的儿童绘本应用&am…
阅读更多...
Claude3.5 Sonnet模型评测（附使用方法）

Claude3.5 Sonnet模型评测（附使用方法）

随着模型的发展&#xff0c;之前大家常用的鉴别模型能力的测试已经有很多过时现象&#xff0c;比如经典的喝水测试&#xff0c;目前国内的先进模型也已经可以答对&#xff0c;我们需要更复杂的问题来测试模型能力&#xff0c;最近有研究人员发现&#xff0c;大模型不会比较浮点…
阅读更多...
操作符详细解析

操作符详细解析

操作符详解 文章目录 操作符详解1.操作符分类2.算数操作符3.移位操作符3.1整型二进制的表示3.1.1整数二进制的种类3.1.2二进制原码反码补码的表示 3.2移位运算符使用规则3.2.1正数的左移运算符 3.2.2负数的左移运算符3.2.3右移操作符3.2.3.1右移运算符的两种形式&#xff1a;3.…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023