飞桨（paddlepaddle ）入门图像分类最强指南

2024-02-29 20:40
文章标签 入门 图像 分类 指南 最强 飞桨 paddlepaddle

本文主要是介绍飞桨（paddlepaddle ）入门图像分类最强指南，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

飞桨完成入门图像分类最强指南

    • 零基础白话图像分类
      • 什么是图像分类
      • 什么是数据如何处理数据
      • 什么是模型什么是神经网络
      • 训练模型
      • 训练轮数：
      • 总结
      • 作者简介

项目传送门

零基础白话图像分类

课程传送门『领航团图像分类课程』
全流程白话解析传送门

什么是图像分类

图像分类是基于深度学习的cv分类任务。
核心是从给定的分类集合中给图像分配一个标签的任务。
实际上我们的任务是分析一个输入图像并返回一个图像分类的标签。
标签总是来自预定义的可能类别集。

说白了就是经过学习以后的模型可以划分图像的类别
就像刚出生的婴儿识别猫狗一样，也是后天大量数据学习得到的。

import paddle
print("paddle当前版本 " + paddle.__version__)

paddle当前版本 2.0.0

什么是数据如何处理数据

  • 什么是数据（以图为例）
    数据可以分为训练集、验证集和测试集 一般比例为6:2:2
    训练集就是给既定的模型喂数据（给孩子看大量的猫狗图片）
    验证集就是问大街上单独的一个猫或狗的数据然后对错误的进行纠正以便以下次更好的训练
    测试集就是当孩子熟悉了有关的特征以后自然的报出猫或狗

个人理解：训练集类似于平时学习的知识；验证集是周考月考，便于调整学习状态等；而测试集就是期末考试检验模型真实的水平

  • 数据如何处理（以图为例）
    根据不同的图我们要对模型进行设计，这里的数据就需要做归一化处理，图像是多大的，几通道等等
    在paddle中可以通过继承paddle.io.Dataset修改里面的__getitem__、__init__、__len__进行调整
    也可以直接导入官方已经处理好的数据集可以直接进行使用。
# 框架处理好的数据集查看
print('视觉相关数据集：', paddle.vision.datasets.__all__)
print('自然语言相关数据集：', paddle.text.datasets.__all__)

视觉相关数据集： ['DatasetFolder', 'ImageFolder', 'MNIST', 'FashionMNIST', 'Flowers', 'Cifar10', 'Cifar100', 'VOC2012']
自然语言相关数据集： ['Conll05st', 'Imdb', 'Imikolov', 'Movielens', 'UCIHousing', 'WMT14', 'WMT16']

from paddle.vision.transforms import ToTensor  # 导入ToTensor 用ToTensor将数据格式转为paddle Tensortrain_dataset = paddle.vision.datasets.MNIST(mode='train', transform=ToTensor())
print(train_dataset[0])  # 查看数据（paddle Tensor 大小为1,28,28）

(Tensor(shape=[1, 28, 28], dtype=float32, place=CPUPlace, stop_gradient=True,[[[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.01176471, 0.07058824, 0.07058824, 0.07058824, 0.49411768, 0.53333336, 0.68627453, 0.10196079, 0.65098041, 1., 0.96862751, 0.49803925, 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.11764707, 0.14117648, 0.36862746, 0.60392159, 0.66666669, 0.99215692, 0.99215692, 0.99215692, 0.99215692, 0.99215692, 0.88235301, 0.67450982, 0.99215692, 0.94901967, 0.76470596, 0.25098041, 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0.19215688, 0.93333340, 0.99215692, 0.99215692, 0.99215692, 0.99215692, 0.99215692, 0.99215692, 0.99215692, 0.99215692, 0.98431379, 0.36470589, 0.32156864, 0.32156864, 0.21960786, 0.15294118, 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0.07058824, 0.85882360, 0.99215692, 0.99215692, 0.99215692, 0.99215692, 0.99215692, 0.77647066, 0.71372551, 0.96862751, 0.94509810, 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.31372550, 0.61176473, 0.41960788, 0.99215692, 0.99215692, 0.80392164, 0.04313726, 0., 0.16862746, 0.60392159, 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0., 0.05490196, 0.00392157, 0.60392159, 0.99215692, 0.35294119, 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.54509807, 0.99215692, 0.74509805, 0.00784314, 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.04313726, 0.74509805, 0.99215692, 0.27450982, 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.13725491, 0.94509810, 0.88235301, 0.62745100, 0.42352945, 0.00392157, 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.31764707, 0.94117653, 0.99215692, 0.99215692, 0.46666670, 0.09803922, 0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.17647059, 0.72941178, 0.99215692, 0.99215692, 0.58823532, 0.10588236, 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.06274510, 0.36470589, 0.98823535, 0.99215692, 0.73333335, 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.97647065, 0.99215692, 0.97647065, 0.25098041, 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.18039216, 0.50980395, 0.71764708, 0.99215692, 0.99215692, 0.81176478, 0.00784314, 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.15294118, 0.58039218, 0.89803928, 0.99215692, 0.99215692, 0.99215692, 0.98039222, 0.71372551, 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.09411766, 0.44705886, 0.86666673, 0.99215692, 0.99215692, 0.99215692, 0.99215692, 0.78823537, 0.30588236, 0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0.09019608, 0.25882354, 0.83529419, 0.99215692, 0.99215692, 0.99215692, 0.99215692, 0.77647066, 0.31764707, 0.00784314, 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0.07058824, 0.67058825, 0.85882360, 0.99215692, 0.99215692, 0.99215692, 0.99215692, 0.76470596, 0.31372550, 0.03529412, 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0.21568629, 0.67450982, 0.88627458, 0.99215692, 0.99215692, 0.99215692, 0.99215692, 0.95686281, 0.52156866, 0.04313726, 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0.53333336, 0.99215692, 0.99215692, 0.99215692, 0.83137262, 0.52941179, 0.51764709, 0.06274510, 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.],[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.]]]), array([5]))

# 此处没有导入图就做一个解析
from paddle.io import Dataset  # 导入Datasrt库class MyDataset(Dataset):"""步骤一：继承paddle.io.Dataset类"""def __init__(self, mode='train'):"""步骤二：实现构造函数，定义数据读取方式，划分训练和测试数据集"""self.data = []with open(f'{mode}.txt') as f:  # 读取数据文档for line in f.readlines():  # 循环读取的数据info = line.strip().split('\t')  # 对信息进行切块if len(info) > 0:  # 对有效信息进行判断self.data.append([info[0].strip(), info[1].strip()])   # 处理完的数据分别放入列表def __getitem__(self, index):"""步骤三：实现__getitem__方法，定义指定index时如何获取数据，并返回单条数据（训练数据，对应的标签）"""image_file, label = self.data[index]  # 解压listimg = Image.open(image_file)  #  读取图片img = img.resize((100, 100), Image.ANTIALIAS)  # 大小归一化img = np.array(img).astype('float32')  # 数据处理img = img.transpose((2, 0, 1))     #读出来的图像是rgb,rgb,rbg..., 转置为 rrr...,ggg...,bbb...img = img/255.0  # 灰度处理return img, np.array(label, dtype='int64')  # 导出def __len__(self):"""步骤四：实现__len__方法，返回数据集总数目"""return len(self.data)train_dataset = FoodDataset(mode='train_data')  # 实例化训练的数据提供器
print('train大小：', train_dataset.__len__())  # 查看数据大小

上面的数据处理做了一个解析，没有用实际的图大家理解一下，基本上的注释都有。
__init__、：对数据列表文件进行读取并划分训练和测试数据集
__getitem__：对划分好的文件数据进行处理并读取图片，对图片做归一化处理
__len__：查看图片数量

以上数据就不具体举例了

什么是模型什么是神经网络

  • 模型
    模型简单说可以理解为函数，里面大量的数据和参数组成了认知模式.
  • 神经网络
  • 线性神经网络 （感知机、DNN）
    类似于一元函数，模拟人脑神经元的反应。

    如上图单层的网络构成就是简单的感知机。


如上图由多层线性网络构成就是DNN。

实际上线性神经网络只有3层，输入层、隐藏层 、输出层 ，也就是中间的统称为隐藏层

『领航团图像分类课程』书写数字识别花式解析使用3个案例对线性进行了解析（主要是使用了3种办法解决了手写数字识别）

# 单层神经网络构建
model=paddle.nn.Linear(in_features=2, out_features=1)  # 单层线性网络（2个输入一个输出对应上方感知机）
paddle.summary(model, (2,))

---------------------------------------------------------------------------Layer (type)       Input Shape          Output Shape         Param #    
===========================================================================Linear-1            [[2]]                 [1]                 3       
===========================================================================
Total params: 3
Trainable params: 3
Non-trainable params: 0
---------------------------------------------------------------------------
Input size (MB): 0.00
Forward/backward pass size (MB): 0.00
Params size (MB): 0.00
Estimated Total Size (MB): 0.00
---------------------------------------------------------------------------{'total_params': 3, 'trainable_params': 3}

# DNN神经网络构建（继承法）
import paddle.nn.functional as Fclass MLPModel(paddle.nn.Layer):  # 继承paddle.nn.Layer类def __init__(self):super(MLPModel, self).__init__()self.flatten=paddle.nn.Flatten()  # 数据拉直self.hidden=paddle.nn.Linear(in_features=784,out_features=128)  # 线性输入784输出128self.output=paddle.nn.Linear(in_features=128,out_features=10)  # 线性输入128输出10def forward(self, x):x=self.flatten(x)  #  拉直x=self.hidden(x)  # 经过隐藏层（线性层1）x=F.relu(x) # 经过激活层x=self.output(x)  # 经过输出层return xmodel=paddle.Model(MLPModel())  # 实例化模型
model.summary((1, 28, 28))

---------------------------------------------------------------------------Layer (type)       Input Shape          Output Shape         Param #    
===========================================================================Flatten-4       [[1, 28, 28]]           [1, 784]              0       Linear-6          [[1, 784]]            [1, 128]           100,480    Linear-7          [[1, 128]]            [1, 10]             1,290     
===========================================================================
Total params: 101,770
Trainable params: 101,770
Non-trainable params: 0
---------------------------------------------------------------------------
Input size (MB): 0.00
Forward/backward pass size (MB): 0.01
Params size (MB): 0.39
Estimated Total Size (MB): 0.40
---------------------------------------------------------------------------{'total_params': 101770, 'trainable_params': 101770}

# DNN神经网络构建（高阶函数法）
linear=paddle.nn.Sequential(paddle.nn.Flatten(),#将[1,28,28]形状的图片数据改变形状为[1,784]paddle.nn.Linear(784,128),paddle.nn.Linear(128,10))
model=paddle.Model(linear)
model.summary((1, 28, 28))

---------------------------------------------------------------------------Layer (type)       Input Shape          Output Shape         Param #    
===========================================================================Flatten-6       [[1, 28, 28]]           [1, 784]              0       Linear-8          [[1, 784]]            [1, 128]           100,480    Linear-9          [[1, 128]]            [1, 10]             1,290     
===========================================================================
Total params: 101,770
Trainable params: 101,770
Non-trainable params: 0
---------------------------------------------------------------------------
Input size (MB): 0.00
Forward/backward pass size (MB): 0.01
Params size (MB): 0.39
Estimated Total Size (MB): 0.40
---------------------------------------------------------------------------{'total_params': 101770, 'trainable_params': 101770}

上一层的输出等于本层的输入

  • 卷积神经网络

卷积网络通过一系列方法，成功将数据量庞大的图像识别问题不断降维，最终使其能够被训练

最经典的卷积神经网络就是CNN神经网络

『领航团图像分类课程』卷积神经网络解析项目近几年经典卷积网络解析（内含卷积网络计算图解）

在这里插入图片描述

# 卷积神经网络（高级api版）
import paddle.nn as nn
network = nn.Sequential(nn.Conv2D(in_channels=1, out_channels=6, kernel_size=3, stride=1, padding=1),  # 卷积nn.ReLU(),  # 激活函数nn.MaxPool2D(kernel_size=2, stride=2),  # 最大池化nn.Conv2D(in_channels=6, out_channels=16, kernel_size=5, stride=1, padding=0),nn.ReLU(),nn.MaxPool2D(kernel_size=2, stride=2),nn.Flatten(),nn.Linear(in_features=400, out_features=120),  # 400 = 5x5x16，输入形状为32x32， 输入形状为28x28时调整为256nn.Linear(in_features=120, out_features=84),nn.Linear(in_features=84, out_features=10)
)
paddle.summary(network, (1, 1, 28, 28))

---------------------------------------------------------------------------Layer (type)       Input Shape          Output Shape         Param #    
===========================================================================Conv2D-3       [[1, 1, 28, 28]]      [1, 6, 28, 28]          60       ReLU-3        [[1, 6, 28, 28]]      [1, 6, 28, 28]           0       MaxPool2D-3     [[1, 6, 28, 28]]      [1, 6, 14, 14]           0       Conv2D-4       [[1, 6, 14, 14]]     [1, 16, 10, 10]         2,416     ReLU-4       [[1, 16, 10, 10]]     [1, 16, 10, 10]           0       MaxPool2D-4    [[1, 16, 10, 10]]      [1, 16, 5, 5]            0       Flatten-3      [[1, 16, 5, 5]]          [1, 400]              0       Linear-4          [[1, 400]]            [1, 120]           48,120     Linear-5          [[1, 120]]            [1, 84]            10,164     Linear-6          [[1, 84]]             [1, 10]              850      
===========================================================================
Total params: 61,610
Trainable params: 61,610
Non-trainable params: 0
---------------------------------------------------------------------------
Input size (MB): 0.00
Forward/backward pass size (MB): 0.11
Params size (MB): 0.24
Estimated Total Size (MB): 0.35
---------------------------------------------------------------------------{'total_params': 61610, 'trainable_params': 61610}

# 卷积神经网络（CNN）（继承法）
class AlexNetModel(paddle.nn.Layer):def __init__(self):super(AlexNetModel, self).__init__()self.conv_pool1 = paddle.nn.Sequential(  paddle.nn.Conv2D(in_channels=1, out_channels=6, kernel_size=3, stride=1, padding=1),     paddle.nn.ReLU(),       paddle.nn.MaxPool2D(kernel_size=2, stride=2)) self.conv_pool2 = paddle.nn.Sequential(paddle.nn.Conv2D(in_channels=6, out_channels=16, kernel_size=5, stride=1, padding=0), paddle.nn.ReLU(),       paddle.nn.MaxPool2D(kernel_size=2, stride=2))    self.linear1 = paddle.nn.Linear(400, 120)self.linear2 = paddle.nn.Linear(120, 84)self.linear3 = paddle.nn.Linear(84, 10)self.flatten=paddle.nn.Flatten()def forward(self, x):  # 前向传播x = self.conv_pool1(x)x = self.conv_pool2(x)x = self.flatten(x)x = self.linear1(x)x = self.linear2(x)x = self.linear3(x)return xmodel = AlexNetModel()
paddle.summary(model,(1, 1, 28, 28))

---------------------------------------------------------------------------Layer (type)       Input Shape          Output Shape         Param #    
===========================================================================Conv2D-1       [[1, 1, 28, 28]]      [1, 6, 28, 28]          60       ReLU-1        [[1, 6, 28, 28]]      [1, 6, 28, 28]           0       MaxPool2D-1     [[1, 6, 28, 28]]      [1, 6, 14, 14]           0       Conv2D-2       [[1, 6, 14, 14]]     [1, 16, 10, 10]         2,416     ReLU-2       [[1, 16, 10, 10]]     [1, 16, 10, 10]           0       MaxPool2D-2    [[1, 16, 10, 10]]      [1, 16, 5, 5]            0       Flatten-1      [[1, 16, 5, 5]]          [1, 400]              0       Linear-1          [[1, 400]]            [1, 120]           48,120     Linear-2          [[1, 120]]            [1, 84]            10,164     Linear-3          [[1, 84]]             [1, 10]              850      
===========================================================================
Total params: 61,610
Trainable params: 61,610
Non-trainable params: 0
---------------------------------------------------------------------------
Input size (MB): 0.00
Forward/backward pass size (MB): 0.11
Params size (MB): 0.24
Estimated Total Size (MB): 0.35
---------------------------------------------------------------------------{'total_params': 61610, 'trainable_params': 61610}

训练模型

以上就把数据和模型 进行了处理，那么怎么样进行反馈训练结果呢？
这里就出现了一个值叫Loss，通过其进行反馈就可以获得好坏的内容

为了判断学习的好坏，已经效率等，引入了梯度 的概念
在这里插入图片描述

# 随机梯度下降算法的优化器（优化器可以自己调整）
sgd_optimizer=paddle.optimizer.SGD(learning_rate=0.001, parameters=model.parameters())
# loss计算
mse_loss=paddle.nn.MSELoss()

训练轮数：

我们问什么要有训练轮数呢？
不同Epoch的训练，其实用的是同一个训练集的数据。假设第1个Epoch和第10个Epoch虽然用的都是训练集的60000图片，但是对模型的权重更新值却是完全不同的。因为不同Epoch的模型处于代价函数空间上的不同位置，模型的训练代越靠后，越接近谷底，其代价越小。

相对应很多数据我们学习的时候不是很理解，多学习几轮就会 发现一些新的特征，通过特征可以提高成绩~

model.prepare(paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters()),paddle.nn.CrossEntropyLoss(),   # 交叉熵损失函数。线性模型+该损失函数，即softmax分类器。paddle.metric.Accuracy(topk=(1,2)))
model.fit(train_dataset, # 训练数据集val_dataset,  # 测试数据集epochs=2, # 训练的总轮次batch_size=64, # 训练使用的批大小verbose=1)  # 日志展示形式model.evaluate(test_dataset,batch_size=64,verbose=1)  # 评估

总结

我们从数据处理到模型构建然后训练都做了一站式解析，具体的案例可以查看有关链接。
深度学习远不如此，让我们一起携手继续学习
以后我们会涉及，鲁棒性、拟合、过拟合、数据增广等一些列专业的内容，让我们一起加油！

作者简介

作者：三岁
经历：自学python，现在混迹于paddle社区，希望和大家一起从基础走起，一起学习Paddle
csdn地址：https://blog.csdn.net/weixin_45623093/article/list/3
我在AI Studio上获得钻石等级，点亮7个徽章，来互关呀~ https://aistudio.baidu.com/aistudio/personalcenter/thirdview/284366

传说中的飞桨社区最差代码人，让我们一起努力！
记住：三岁出品必是精品 （不要脸系列）

这篇关于飞桨（paddlepaddle ）入门图像分类最强指南的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/760005。

相关文章

C++必修：模版的入门到实践

C++必修：模版的入门到实践

✨✨ 欢迎大家来到贝蒂大讲堂✨✨ 🎈🎈养成好习惯，先赞后看哦~🎈🎈 所属专栏：C++学习 贝蒂的主页：Betty’s blog 1. 泛型编程 首先让我们来思考一个问题，如何实现一个交换函数？ void swap(int& x, int& y){int tmp = x;x = y;y = tmp;} 相信大家很快就能写出上面这段代码，但是如果要求这个交换函数支持字符型
阅读更多...
零基础STM32单片机编程入门(一)初识STM32单片机

零基础STM32单片机编程入门(一)初识STM32单片机

文章目录 一.概要二.单片机型号命名规则三.STM32F103系统架构四.STM32F103C8T6单片机启动流程五.STM32F103C8T6单片机主要外设资源六.编程过程中芯片数据手册的作用1.单片机外设资源情况2.STM32单片机内部框图3.STM32单片机管脚图4.STM32单片机每个管脚可配功能5.单片机功耗数据6.FALSH编程时间，擦写次数7.I/O高低电平电压表格8.外设接口
阅读更多...
ps基础入门

ps基础入门

1.基础      1.1新建文件      1.2创建指定形状      1.4移动工具          1.41移动画布中的任意元素          1.42移动画布          1.43修改画布大小          1.44修改图像大小      1.5框选工具      1.6矩形工具      1.7图层          1.71图层颜色修改          1
阅读更多...
C++入门01

C++入门01

1、.h和.cpp 源文件 (.cpp)源文件是C++程序的实际实现代码文件，其中包含了具体的函数和类的定义、实现以及其他相关的代码。主要特点如下：实现代码: 源文件中包含了函数、类的具体实现代码，用于实现程序的功能。编译单元: 源文件通常是一个编译单元，即单独编译的基本单位。每个源文件都会经过编译器的处理，生成对应的目标文件。包含头文件: 源文件可以通过#include指令引入头文件，以使
阅读更多...
雨量传感器的分类和选型建议

雨量传感器的分类和选型建议

物理原理分类 机械降雨量计（雨量桶）：最早使用的降雨量传感器，通过漏斗收集雨水并记录。主要用于长期降雨统计，故障率较低。电容式降雨量传感器：基于两个电极之间的电容变化来计算降雨量。当降雨时，水滴堵住电极空间，改变电容值，从而计算降雨量。超声波式降雨量传感器：利用超声波的反射来计算降雨量。适用于大降雨量的场合。激光雷达式降雨量传感器：利用激光技术测量雨滴的速度、大小和形状等参数，并计算降雨量。主
阅读更多...
LVGL快速入门笔记

LVGL快速入门笔记

目录 一、基础知识 1. 基础对象（lv_obj） 2. 基础对象的大小(size) 3. 基础对象的位置(position) 3.1 直接设置方式 3.2 参照父对象对齐 3.3 获取位置 4. 基础对象的盒子模型(border-box) 5. 基础对象的样式(styles) 5.1 样式的状态和部分 5.1.1 对象可以处于以下状态States的组合： 5.1.2 对象
阅读更多...
气象站的种类和应用范围可以根据不同的分类标准进行详细的划分和描述

气象站的种类和应用范围可以根据不同的分类标准进行详细的划分和描述

气象站的种类和应用范围可以根据不同的分类标准进行详细的划分和描述。以下是从不同角度对气象站的种类和应用范围的介绍： 一、气象站的种类 根据用途和安装环境分类： 农业气象站：专为农业生产服务，监测土壤温度、湿度等参数，为农业生产提供科学依据。交通气象站：用于公路、铁路、机场等交通场所的气象监测，提供实时气象数据以支持交通运营和调度。林业气象站：监测林区风速、湿度、温度等气象要素，为林区保护和
阅读更多...
C语言入门系列：探秘二级指针与多级指针的奇妙世界

C语言入门系列：探秘二级指针与多级指针的奇妙世界

文章目录 一，指针的回忆杀1，指针的概念2，指针的声明和赋值3，指针的使用3.1 直接给指针变量赋值3.2 通过*运算符读写指针指向的内存3.2.1 读3.2.2 写 二，二级指针详解1，定义2，示例说明3，二级指针与一级指针、普通变量的关系3.1，与一级指针的关系3.2，与普通变量的关系,示例说明 4，二级指针的常见用途5，二级指针扩展到多级指针 小结 C语言的学习之旅中，二级
阅读更多...
打造坚固的SSH防护网：端口敲门入门指南

打造坚固的SSH防护网：端口敲门入门指南

欢迎来到我的博客，代码的世界里，每一行都是一个故事 🎏：你只管努力，剩下的交给时间 🏠 ：小破站 打造坚固的SSH防护网：端口敲门入门指南 前言什么是端口敲门端口敲门的优点1. 增强安全性2. 动态防火墙规则3. 隐匿服务4. 改善日志管理5. 灵活性和兼容性6. 低资源消耗7. 防御暴力破解和扫描8. 便于合法用户访问9. 适用于不同类型的服务 端口敲
阅读更多...
好书推荐《深度学习入门 基于Python的理论与实现》

好书推荐《深度学习入门 基于Python的理论与实现》

如果你对Python有一定的了解，想对深度学习的基本概念和工作原理有一个透彻的理解，想利用Python编写出简单的深度学习程序，那么这本书绝对是最佳的入门教程，理由如下：     （1）撰写者是一名日本普通的AI工作者，主要记录了他在深度学习中的笔记，这本书站在学习者的角度考虑，秉承“解剖”深度学习的底层技术，不使用任何现有的深度学习框架、尽可能仅使用基本的数学知识和Python库。从零创建一个
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2