二、PyTorch气温预测项目实战

news2024/11/25 20:28:58

一、数据集预处理

1，数据集介绍

训练数据集：temps.csv免费下载链接
数据集主要包括348条样本，共8个自变量，1个因变量

自变量因变量
year：年actual：当天的真实最高温度
month：月
day：日
week：星期
temp_1：昨天的最高温度值
temp_2：前天的最高温度值
average：在历史中，每年这一天的平均最高温度值
friend：朋友猜测的可能值，凑热闹的

在这里插入图片描述

2，数据集整理格式

Ⅰ 导包

import numpy as np
import pandas as pd 
import matplotlib.pyplot as plt
import torch
import torch.optim as optim
import datetime

Ⅱ 读入数据集并查看前10条

dataset = pd.read_csv('temps.csv')
print(dataset.shape) # (348, 9)
dataset.head(10)

在这里插入图片描述

Ⅲ 获取年月日信息转换为datetime格式并查看前10条

dates存放预测气温的具体年月日信息

years = dataset['year'] # 获取数据集中的year列
months = dataset['month'] # 获取数据集中的month列
days = dataset['day'] # 获取数据集中的day列

# datetime格式
dates = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day)) for year, month, day in zip(years, months, days)]
dates[:10]
"""
['2016-1-1',
 '2016-1-2',
 '2016-1-3',
 '2016-1-4',
 '2016-1-5',
 '2016-1-6',
 '2016-1-7',
 '2016-1-8',
 '2016-1-9',
 '2016-1-10']
"""

dates = [datetime.datetime.strptime(date, '%Y-%m-%d') for date in dates]
dates[:10]
"""
[datetime.datetime(2016, 1, 1, 0, 0),
 datetime.datetime(2016, 1, 2, 0, 0),
 datetime.datetime(2016, 1, 3, 0, 0),
 datetime.datetime(2016, 1, 4, 0, 0),
 datetime.datetime(2016, 1, 5, 0, 0),
 datetime.datetime(2016, 1, 6, 0, 0),
 datetime.datetime(2016, 1, 7, 0, 0),
 datetime.datetime(2016, 1, 8, 0, 0),
 datetime.datetime(2016, 1, 9, 0, 0),
 datetime.datetime(2016, 1, 10, 0, 0)]
"""

Ⅳ X轴为dates，Y轴为不同天所预测的气温

plt.subplots(nrows=2, ncols=2, figsize = (20,20)) 2行，2列，图像大小20*20
fig.autofmt_xdate(rotation = 0) X轴的字体旋转角度，也就是dates所对应的年月日信息显示旋转角度，这里是0°，如：2016-01等，水平显示

ax1.plot(dates, dataset['actual']) X轴为dates(年月日)，Y轴为actual(实际的真实温度值)
ax1.set_xlabel(''); ax1.set_ylabel('Temperature'); ax1.set_title('Actual Max Temp') X轴标签为空，Y轴标签为Temperature，整体标题为Actual Max Temp
其他的同理

plt.tight_layout(pad=1, h_pad=1, w_pad=1)
pad：图形边和子图的边之间进行填充
h_pad，w_pad：相邻子图的边之间的填充(高度/宽度)

# 准备画图
# 指定默认风格
plt.style.use('fivethirtyeight')

# 设置布局
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(nrows=2, ncols=2, figsize = (20,20))# 2行 2列 画布大小为20*20
fig.autofmt_xdate(rotation = 0) # X轴的字体旋转角度，也就是dates所对应的信息显示旋转角度，这里是0°，水平显示

# 标签值
ax1.plot(dates, dataset['actual'])
ax1.set_xlabel(''); ax1.set_ylabel('Temperature'); ax1.set_title('Actual Max Temp')

# 昨天
ax2.plot(dates, dataset['temp_1'])
ax2.set_xlabel(''); ax2.set_ylabel('Temperature'); ax2.set_title('Previous Max Temp')

# 前天
ax3.plot(dates, dataset['temp_2'])
ax3.set_xlabel('Date'); ax3.set_ylabel('Temperature'); ax3.set_title('Two Days Prior Max Temp')

# 朋友预测
ax4.plot(dates, dataset['friend'])
ax4.set_xlabel('Date'); ax4.set_ylabel('Temperature'); ax4.set_title('Friend Estimate')

plt.tight_layout(pad=1, h_pad=1, w_pad=1)

在这里插入图片描述

Ⅴ 对非数字特征进行one-hot编码

数据集中的week特征，并不是数字，故通过one-hot编码进行转换
在这里插入图片描述
此时，labels为actual这一列特征，也就是最终的实际结果；dataset则将actual这一列特征给删除
最终再将dataset数据集转化为array格式

# 标签
labels = np.array(dataset['actual'])

# 在特征中去掉标签
dataset= dataset.drop('actual', axis = 1)

# 名字单独保存一下，以备后患
dataset_list = list(dataset.columns)

# 转换成合适的格式
dataset = np.array(dataset)

dataset.shape # (348, 14)

Ⅵ 标准化

因为数据集中month有的为1，而其他的像temp_1等特征为45之类的大小，相差很大，故需要通过标准进行处理一下，sklearn中有专门的预处理模块preprocessing
对数据集做完标准化可以使后续预测结果收敛速度更快一些，收敛的损失值也会相对更小一些。
StandardScaler会保证每个特征的平均值为0,方差为1

from sklearn import preprocessing
input_dataset = preprocessing.StandardScaler().fit_transform(dataset)

input_dataset[0]
"""
array([ 0.        , -1.5678393 , -1.65682171, -1.48452388, -1.49443549,
       -1.3470703 , -1.98891668,  2.44131112, -0.40482045, -0.40961596,
       -0.40482045, -0.40482045, -0.41913682, -0.40482045])
"""

到此为止，数据集的预处理已经完成，接下来开始进行加载数据集、模型搭建以及后续的训练模型等操作。
最终处理完之后的数据集为input_dataset

Ⅶ 完整代码

import numpy as np
import pandas as pd 
import matplotlib.pyplot as plt
import torch
import torch.optim as optim
import datetime
from sklearn import preprocessing


dataset = pd.read_csv('temps.csv')
#print(dataset.shape)
#dataset.head(10)

years = dataset['year']
months = dataset['month']
days = dataset['day']

# datetime格式
dates = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day)) for year, month, day in zip(years, months, days)]
#dates[:10]

dates = [datetime.datetime.strptime(date, '%Y-%m-%d') for date in dates]
#dates[:10]


# 准备画图
# 指定默认风格
plt.style.use('fivethirtyeight')

# 设置布局
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(nrows=2, ncols=2, figsize = (20,20))# 2行 2列 画布大小为20*20
fig.autofmt_xdate(rotation = 0)

# 标签值
ax1.plot(dates, dataset['actual'])
ax1.set_xlabel(''); ax1.set_ylabel('Temperature'); ax1.set_title('Actual Max Temp')

# 昨天
ax2.plot(dates, dataset['temp_1'])
ax2.set_xlabel(''); ax2.set_ylabel('Temperature'); ax2.set_title('Previous Max Temp')

# 前天
ax3.plot(dates, dataset['temp_2'])
ax3.set_xlabel('Date'); ax3.set_ylabel('Temperature'); ax3.set_title('Two Days Prior Max Temp')

# 朋友预测
ax4.plot(dates, dataset['friend'])
ax4.set_xlabel('Date'); ax4.set_ylabel('Temperature'); ax4.set_title('Friend Estimate')

plt.tight_layout(pad=1, h_pad=1, w_pad=1)


#dataset

# 独热编码
dataset = pd.get_dummies(dataset)
#dataset.head(5)

# 标签
labels = np.array(dataset['actual'])
# 在特征中去掉标签
dataset= dataset.drop('actual', axis = 1)
# 名字单独保存一下，以备后患
dataset_list = list(dataset.columns)
# 转换成合适的格式
dataset = np.array(dataset)
#dataset.shape


input_dataset = preprocessing.StandardScaler().fit_transform(dataset)
#input_dataset[0]

二、搭建网络模型步骤

1，加载数据集

因为此时数据集input_dataset为array格式，而PyTorch训练所使用的数据类型为tensor，故需要进行转换
labels上述已经进行了定义，为actual实际的气温，也就是最终的正确结果y值

x = torch.tensor(input_dataset,dtype=float)
y = torch.tensor(labels,dtype=float)

2，网络模型搭建

2.1 常规方法

这里以一个具有两层隐藏层网络为例进行模型搭建
这里插入我自己的理解：
在这里插入图片描述

x = torch.tensor(input_dataset, dtype = float)

y = torch.tensor(labels, dtype = float)

# 权重参数初始化
weights = torch.randn((14, 128), dtype = float, requires_grad = True) 
biases = torch.randn(128, dtype = float, requires_grad = True) 
weights2 = torch.randn((128, 1), dtype = float, requires_grad = True) 
biases2 = torch.randn(1, dtype = float, requires_grad = True) 

learning_rate = 0.001 
losses = []

for i in range(1000):
    # 计算隐层
    hidden = x.mm(weights) + biases
    # 加入激活函数
    hidden = torch.relu(hidden)
    # 预测结果
    predictions = hidden.mm(weights2) + biases2
    # 通计算损失
    loss = torch.mean((predictions - y) ** 2) 
    losses.append(loss.data.numpy())
    
    # 打印损失值
    if i % 100 == 0:
        print('loss:', loss)
    #返向传播计算
    loss.backward()
    
    #更新参数
    weights.data.add_(- learning_rate * weights.grad.data)  
    biases.data.add_(- learning_rate * biases.grad.data)
    weights2.data.add_(- learning_rate * weights2.grad.data)
    biases2.data.add_(- learning_rate * biases2.grad.data)
    
    # 每次迭代都得记得清空
    weights.grad.data.zero_()
    biases.grad.data.zero_()
    weights2.grad.data.zero_()
    biases2.grad.data.zero_()

#predictions.shape

2.2 简便方法

input_size = input_dataset.shape[1]
hidden_size = 128
output_size = 1
batch_size = 16
my_nn = torch.nn.Sequential(
    torch.nn.Linear(input_size, hidden_size),
    torch.nn.Sigmoid(),
    torch.nn.Linear(hidden_size, output_size),
)
cost = torch.nn.MSELoss(reduction='mean')
optimizer = torch.optim.Adam(my_nn.parameters(), lr = 0.001)

# 训练网络
losses = []
for i in range(1000):
    batch_loss = []
    # MINI-Batch方法来进行训练
    for start in range(0, len(input_dataset), batch_size):
        end = start + batch_size if start + batch_size < len(input_dataset) else len(input_dataset)
        xx = torch.tensor(input_dataset[start:end], dtype = torch.float, requires_grad = True)
        yy = torch.tensor(labels[start:end], dtype = torch.float, requires_grad = True)
        prediction = my_nn(xx)
        loss = cost(prediction, yy)
        optimizer.zero_grad()
        loss.backward(retain_graph=True)
        optimizer.step()
        batch_loss.append(loss.data.numpy())
    
    # 打印损失
    if i % 100==0:
        losses.append(np.mean(batch_loss))
        print(i, np.mean(batch_loss))

三、模型预测结果

x = torch.tensor(input_dataset, dtype = torch.float)
predict = my_nn(x).data.numpy()


# 转换日期格式
dates = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day)) for year, month, day in zip(years, months, days)]
dates = [datetime.datetime.strptime(date, '%Y-%m-%d') for date in dates]

# 创建一个表格来存日期和其对应的标签数值
true_data = pd.DataFrame(data = {'date': dates, 'actual': labels})

# 同理，再创建一个来存日期和其对应的模型预测值
months = dataset[:, dataset_list .index('month')]
days = dataset[:, dataset_list .index('day')]
years = dataset[:, dataset_list .index('year')]

test_dates = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day)) for year, month, day in zip(years, months, days)]

test_dates = [datetime.datetime.strptime(date, '%Y-%m-%d') for date in test_dates]

predictions_data = pd.DataFrame(data = {'date': test_dates, 'prediction': predict.reshape(-1)})

四、绘图展示

# 真实值
plt.plot(true_data['date'], true_data['actual'], 'b-', label = 'actual')

# 预测值
plt.plot(predictions_data['date'], predictions_data['prediction'], 'ro', label = 'prediction')
plt.xticks(rotation = 30); 
plt.legend()

# 图名
plt.xlabel('Date'); plt.ylabel('Maximum Temperature (F)'); plt.title('Actual and Predicted Values');

在这里插入图片描述

五、完整代码

1，数据集预处理、网络模型搭建、模型训练

import numpy as np
import pandas as pd 
import matplotlib.pyplot as plt
import torch
import torch.optim as optim
import datetime
from sklearn import preprocessing


dataset = pd.read_csv('temps.csv')
#print(dataset.shape)
#dataset.head(10)

years = dataset['year']
months = dataset['month']
days = dataset['day']

# datetime格式
dates = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day)) for year, month, day in zip(years, months, days)]
#dates[:10]

dates = [datetime.datetime.strptime(date, '%Y-%m-%d') for date in dates]
#dates[:10]


# 准备画图
# 指定默认风格
plt.style.use('fivethirtyeight')

# 设置布局
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(nrows=2, ncols=2, figsize = (20,20))# 2行 2列 画布大小为20*20
fig.autofmt_xdate(rotation = 0)

# 标签值
ax1.plot(dates, dataset['actual'])
ax1.set_xlabel(''); ax1.set_ylabel('Temperature'); ax1.set_title('Actual Max Temp')

# 昨天
ax2.plot(dates, dataset['temp_1'])
ax2.set_xlabel(''); ax2.set_ylabel('Temperature'); ax2.set_title('Previous Max Temp')

# 前天
ax3.plot(dates, dataset['temp_2'])
ax3.set_xlabel('Date'); ax3.set_ylabel('Temperature'); ax3.set_title('Two Days Prior Max Temp')

# 朋友预测
ax4.plot(dates, dataset['friend'])
ax4.set_xlabel('Date'); ax4.set_ylabel('Temperature'); ax4.set_title('Friend Estimate')

plt.tight_layout(pad=1, h_pad=1, w_pad=1)


#dataset

# 独热编码
dataset = pd.get_dummies(dataset)
#dataset.head(5)

# 标签
labels = np.array(dataset['actual'])
# 在特征中去掉标签
dataset= dataset.drop('actual', axis = 1)
# 名字单独保存一下，以备后患
dataset_list = list(dataset.columns)
# 转换成合适的格式
dataset = np.array(dataset)
#dataset.shape


input_dataset = preprocessing.StandardScaler().fit_transform(dataset)
#input_dataset[0]


# 模型搭建
input_size = input_dataset.shape[1]
hidden_size = 128
output_size = 1
batch_size = 16
my_nn = torch.nn.Sequential(
    torch.nn.Linear(input_size, hidden_size),
    torch.nn.Sigmoid(),
    torch.nn.Linear(hidden_size, output_size),
)
cost = torch.nn.MSELoss(reduction='mean')
optimizer = torch.optim.Adam(my_nn.parameters(), lr = 0.001)

# 训练网络
losses = []
for i in range(1000):
    batch_loss = []
    # MINI-Batch方法来进行训练
    for start in range(0, len(input_dataset), batch_size):
        end = start + batch_size if start + batch_size < len(input_dataset) else len(input_dataset)
        xx = torch.tensor(input_dataset[start:end], dtype = torch.float, requires_grad = True)
        yy = torch.tensor(labels[start:end], dtype = torch.float, requires_grad = True)
        prediction = my_nn(xx)
        loss = cost(prediction, yy)
        optimizer.zero_grad()
        loss.backward(retain_graph=True)
        optimizer.step()
        batch_loss.append(loss.data.numpy())
    
    # 打印损失
    if i % 100==0:
        losses.append(np.mean(batch_loss))
        print(i, np.mean(batch_loss))

2，模型预测、预测结果展示

# 模型预测
x = torch.tensor(input_dataset, dtype = torch.float)
predict = my_nn(x).data.numpy()

# 转换日期格式
dates = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day)) for year, month, day in zip(years, months, days)]
dates = [datetime.datetime.strptime(date, '%Y-%m-%d') for date in dates]

# 创建一个表格来存日期和其对应的标签数值
true_data = pd.DataFrame(data = {'date': dates, 'actual': labels})

# 同理，再创建一个来存日期和其对应的模型预测值
months = dataset[:, dataset_list .index('month')]
days = dataset[:, dataset_list .index('day')]
years = dataset[:, dataset_list .index('year')]

test_dates = [str(int(year)) + '-' + str(int(month)) + '-' + str(int(day)) for year, month, day in zip(years, months, days)]

test_dates = [datetime.datetime.strptime(date, '%Y-%m-%d') for date in test_dates]

predictions_data = pd.DataFrame(data = {'date': test_dates, 'prediction': predict.reshape(-1)}) 


#绘图展示
# 真实值
plt.plot(true_data['date'], true_data['actual'], 'b-', label = 'actual')

# 预测值
plt.plot(predictions_data['date'], predictions_data['prediction'], 'ro', label = 'prediction')
plt.xticks(rotation = 30); 
plt.legend()

# 图名
plt.xlabel('Date'); plt.ylabel('Maximum Temperature (F)'); plt.title('Actual and Predicted Values');

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/662921.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

SCADA系统的三种架构

SCADA系统的三种架构

在工业自动化中&#xff0c;当需要使用各种设备时&#xff0c;有必要了解其中设计的架构。设备以各种方式相互通信 - 通过硬件或通信在现场和控制室之间共享数据。哪个环节进入哪个连接&#xff0c;是定义和解决所必需的&#xff0c;一旦我们了解了架构&#xff0c;那么我们就可…
阅读更多...
血压计语音IC方案，低功耗语音芯片NV080C-SOP8

血压计语音IC方案，低功耗语音芯片NV080C-SOP8

​近年来&#xff0c;随着智能化的发展&#xff0c;我们看到越来越多的医疗设备被智能化并应用到人们的生活中。这其中&#xff0c;血压计是其中之一&#xff0c;这是一种简单而普遍的医疗测量设备&#xff0c;用来测试人体的血压指数&#xff0c;它在生活中应用十分广泛。如今…
阅读更多...
学Java其实不难，零基础小白如何快速学会Java？

学Java其实不难，零基础小白如何快速学会Java？

去年的时候有个学弟刚跟好程序员说想转行&#xff0c;但是目前又比较迷茫&#xff0c;不知道该从事啥行业&#xff1f;跟小源说了下具体情况&#xff0c;小源也跟他分享了下相关的it行业规划&#xff0c;最后他学了一段时间的Java&#xff0c;成功找到一份Java的工作&#xff0…
阅读更多...
Doo Prime 德璞资本：选择MT4外汇交易系统进行投资有哪些理由？

Doo Prime 德璞资本：选择MT4外汇交易系统进行投资有哪些理由？

目前&#xff0c;只要你在做外汇交易&#xff0c;你就必须使用计算机或手机软件。目前网上有很多不同的交易软件&#xff0c;让投资者不知道如何选择。如果你正在从事或者听说过外汇保证金交易&#xff0c;那你可能多多少少有听过「MT4」这个词。但MT4到底是什么&#xff1f;为…
阅读更多...
1-Single Thread

1-Single Thread

单线程执行模式 案例-1 背景 模拟3个人频繁地经过同一个只能容许一个人经过的门 。 &#xff08;模拟三个线程调用同一个对象的方法&#xff09; 当人通过门的时候&#xff0c;这个程序会在计数器中&#xff0c;递增通过的人数。另外&#xff0c; 还会记录通过的人的 “ 姓名与…
阅读更多...
一篇文章带你了解Redis持久化机制（RDB、AOF）

一篇文章带你了解Redis持久化机制（RDB、AOF）

目录 一、简介 什么是持久化&#xff1f; 为什么要持久化&#xff1f; 两种实现方式 二、RDB详解 2.1、介绍 2.2、save指令前后对比 2.3、save指令相关配置 一些设置 RDB快照条件 2.4、RDB第一种方式&#xff1a;手动save 2.5、RDB第二种方式&#xff1a;后台执行&…
阅读更多...
加壳与脱壳，打造铁壁铜墙的Android应用防护境地

加壳与脱壳，打造铁壁铜墙的Android应用防护境地

加壳和脱壳是什么&#xff1f; Android逆向加壳和脱壳是与Android应用程序安全相关的概念。 逆向加壳&#xff08;Reverse Engineering with Packing&#xff09;&#xff1a;逆向加壳是指在给定的Android应用程序中&#xff0c;通过添加一个或多个防护层或加密算法来增加应用…
阅读更多...
AI2:仅凭开源数据，可达ChatGPT 83%表现

AI2:仅凭开源数据，可达ChatGPT 83%表现

夕小瑶科技说 原创 作者 | Python ChatGPT强大的性能让人爱不释手&#xff0c;ChatGPT迟迟不开源让人恨得牙根痒痒。那仅通过开源数据&#xff0c;能够取得怎样的效果呢&#xff1f;近期&#xff0c;AI2的一篇论文显示&#xff0c;最好的65B规模的模型能够达到ChatGPT表现的8…
阅读更多...
设计一个feed流系统

设计一个feed流系统

什么是feed流系统 移动互联网时代&#xff0c;Feed流产品是非常常见的&#xff0c;如朋友圈、微博、抖音等&#xff0c;除此之外&#xff0c;很多App的都会有一个模块&#xff0c;要么叫动态&#xff0c;要么叫消息广场&#xff0c;这些也是Feed流产品。只要大拇指不停地往下划…
阅读更多...
【机器学习】十大算法之一 “决策树”

【机器学习】十大算法之一 “决策树”

作者主页&#xff1a;爱笑的男孩。的博客_CSDN博客-深度学习,活动,python领域博主爱笑的男孩。擅长深度学习,活动,python,等方面的知识,爱笑的男孩。关注算法,python,计算机视觉,图像处理,深度学习,pytorch,神经网络,opencv领域.https://blog.csdn.net/Code_and516?typeblog个…
阅读更多...
截至目前最强的70亿参数大语言模型：开源可商用的RedPajam 7B完全版发布！

截至目前最强的70亿参数大语言模型：开源可商用的RedPajam 7B完全版发布！

RedPajama模型是TOGETHER发布的一个开源可商用的大模型。2023年6月6日&#xff0c;TOGETHER在官方宣布该模型完成训练&#xff0c;经过测试&#xff0c;该模型目前超过所有7B规模的大模型&#xff0c;比LLaMA-7B和Falcon-7B的效果还要好&#xff01; TOGETHER公司是一家由豪华管…
阅读更多...
HDMI之HDCP

HDMI之HDCP

概述 HDCP 1.4第1阶段 HDCP 1.4第2阶段 只有REPEATER设备，此阶段才会出现。 HDCP 1.4第3阶段 本文以Repeater为例，连接方式Source[Tx]=>[Rx]Repeater[Tx]=>[Rx]Sink。讲解一下HDCP1.4的通信过程。 设置SCDC 设置TMDS Configuration Rx W A8 20 00 Rx W A8 20 R …
阅读更多...
云安全与云渗透

云安全与云渗透

一、引言 随着技术的进步&#xff0c;云计算已成为信息技术领域的主流趋势。企业和个人都在利用云服务实现数据存储和处理的便利&#xff0c;但同时也带来了一系列的安全问题。对于这些问题&#xff0c;我们需要深入理解云安全和云渗透的重要性。本文将详细探讨这两个主题。 …
阅读更多...
Leetcode之哈希查找

Leetcode之哈希查找

1. 哈希查找 本质上就是个搜索&#xff0c;但是可以将在一个集合中查找一个元素的时间复杂度降低到O(1)。python中常用的有以下方式&#xff1a; setdict数组模拟 2. 相关算法题 2.1. Leetcode 771 宝石与石头 题目链接题目描述 给你一个字符串 jewels 代表石头中宝石的类…
阅读更多...
Java 图片渲染到前端，向前端一次返回多张Base64图片

Java 图片渲染到前端，向前端一次返回多张Base64图片

文章目录 前言图片渲染到前端向前端一次返回多张Base64图片 前言 当我们从服务器读取的图片链接返回给前端&#xff0c;前端可以很轻松的下载和展示&#xff0c;但是对于临时文件&#xff0c;我们不需要保存到服务器&#xff0c;比如PPT转图片&#xff0c;PDF转图片等等&#…
阅读更多...
数据结构--》从线性表说起，掌握常用基础算法

数据结构--》从线性表说起，掌握常用基础算法

目录 初识线性表 线性表的基本操作 顺序表的定义 顺序表的基本操作 单链表的定义 单链表的基本操作 双链表的介绍 循环链表的介绍 静态链表的介绍 初识线性表 线性表是具有相同数据类型的 n (n0) 个数据元素的有限序列&#xff0c;其中n为表长&#xff0c;当n0时线性…
阅读更多...
mysql 将date字段默认值设置为CURRENT_DATE

mysql 将date字段默认值设置为CURRENT_DATE

我们是否可以在mysql中&#xff0c;将Date字段的默认值设置为CURRENT_DATE&#xff08;当前日期&#xff09;&#xff1f; 答案是8.0之前不可以&#xff0c;8.0.13之后可以。 比如在5.7版本中使用如下sql创建表&#xff0c;将会提示语法错误: CREATE TABLE t_order (id bigi…
阅读更多...
CentOS 7远程登录jupyter lab

CentOS 7远程登录jupyter lab

使用cat /etc/redhat-release看到操作系统是CentOS Linux 7.6&#xff0c;使用uname -r看到内核是3.10.0-957.el7.x86_64。 python3 --version看一下python的版本&#xff0c;pip3 --version看一下pip的版本&#xff0c;这是我CentOS 7默认安装好的。 pip3 install jupyterla…
阅读更多...
ASEMI代理光宝高速光耦LTV-M601参数，LTV-M601图片

ASEMI代理光宝高速光耦LTV-M601参数，LTV-M601图片

编辑-Z LTV-M601参数描述&#xff1a; 型号&#xff1a;LTV-M601 平均正向输入电流IF&#xff1a;20mA 反向输入电压VR&#xff1a;5V 功耗PI&#xff1a;40mW 输出集电极电流IO&#xff1a;50mA 输出集电极电压VO&#xff1a;7V 输出集电极功耗Po&#xff1a;85mW 电…
阅读更多...
【C++从入门到放弃】stack和queue的深度剖析及空间适配器的介绍

【C++从入门到放弃】stack和queue的深度剖析及空间适配器的介绍

&#x1f9d1;‍&#x1f4bb;作者&#xff1a; 情话0.0 &#x1f4dd;专栏&#xff1a;《C从入门到放弃》 &#x1f466;个人简介&#xff1a;一名双非编程菜鸟&#xff0c;在这里分享自己的编程学习笔记&#xff0c;欢迎大家的指正与点赞&#xff0c;谢谢&#xff01; stack…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023