AlexNet，LeNet-5，ResNet，VGG-19，VGG-16模型

模型

    • AlexNet
        • 导入必要的库：
        • 加载类别名称：
        • 创建标签映射字典：
        • 加载图像数据和对应的标签：
        • 构建AlexNet模型：
        • 编译模型：
        • 训练模型：
    • LeNet-5
        • 导入必要的库：
        • 加载类别名称：
        • 创建标签映射字典：
        • 加载图像数据和对应的标签：
        • 构建LeNet模型：
        • 编译模型：
    • ResNet
        • 导入必要的库：
        • 加载类别名称：
        • 创建标签映射字典：
        • 加载图像数据和对应的标签：
        • 使用ResNet50模型进行迁移学习
        • 冻结预训练模型的权重：
        • 编译模型：
        • 训练模型：
    • VGG-19
        • 导入必要的库：
        • 加载类别名称
        • 创建标签映射字典：
        • 加载图像数据和对应的标签：
        • 使用VGG-19模型进行迁移学习
        • 冻结预训练模型的权重：
        • 编译模型：
        • 训练模型：
    • VGG-16
        • 导入必要的库：
        • 加载类别名称
        • 创建标签映射字典：
        • 加载图像数据和对应的标签：
        • 使用VGG-16模型进行迁移学习
        • 冻结预训练模型的权重：
        • 编译模型：
        • 训练模型：

本篇博客的图像和标签数据集就是之前自己训练的
博客地址：
https://blog.csdn.net/2301_76794217/article/details/139215356?spm=1001.2014.3001.5502
数据集地址：
https://download.csdn.net/download/2301_76794217/89359353?spm=1001.2101.3001.9500

AlexNet

提出时间：2012年
主要贡献：AlexNet是第一个在ImageNet竞赛中取得显著成绩的深度卷积神经网络，它引入了许多后来被广泛采用的技术，如局部响应归一化（LRN）、ReLU激活函数、使用GPU进行并行计算等。
结构特点：AlexNet包含5个卷积层、3个全连接层和两个用于防止过拟合的dropout层。它使用了大量的数据增强技术，包括随机裁剪、随机缩放、随机水平翻转等。
大小：大约2500万个参数 层数：5层卷积层，3层全连接层 特点：使用ReLU激活函数、LRN层、重叠池化、多尺度特征提取等

导入必要的库：

os：用于操作文件和目录。
cv2：OpenCV库，用于图像处理。
numpy：用于数值计算。
tensorflow：用于构建和训练深度学习模型。
tensorflow.keras.layers：Keras层，用于构建神经网络。
tensorflow.keras.models：Keras模型，用于创建模型架构。

import os
import cv2
import numpy as np
import tensorflow as tf
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout, ZeroPadding2D
from tensorflow.keras.models import Sequential
加载类别名称：

打开classes.txt文件，读取其中的类别名称，并存储在classes列表中。

with open('99/classes.txt', 'r') as f:classes = f.read().splitlines()
创建标签映射字典：

label_mapping字典将数字标签映射到对应的情绪名称。

label_mapping = {'0': 'sad','1': 'happy','2': 'amazed','3': 'anger'
}
加载图像数据和对应的标签：

遍历image_folder中的所有图像文件。
读取图像，将其调整为AlexNet所需的输入大小（227x227像素），并将其添加到X_train列表。
读取与图像对应的标签文件（.txt格式），提取标签索引，将其映射到情绪名称，然后转换为数字标签，并添加到y_train列表。
将X_train和y_train转换为NumPy数组，并对图像数据进行归一化处理。

image_folder = '561'
label_folder = '99'X_train = []
y_train = []for image_file in os.listdir(image_folder):image_path = os.path.join(image_folder, image_file)image = cv2.imread(image_path)if image is not None:image = cv2.resize(image, (227, 227))  # AlexNet输入图像大小为227x227X_train.append(image)label_file = os.path.join(label_folder, image_file.replace('.jpg', '.txt'))with open(label_file, 'r') as f:label_index = f.readline().strip().split()[0]  # 只取第一个数字作为标签索引label_name = label_mapping[label_index]label = classes.index(label_name)y_train.append(label)X_train = np.array(X_train) / 255.0  # 归一化图像数据
y_train = np.array(y_train)
构建AlexNet模型：

使用Keras的Sequential模型，按照AlexNet的结构添加层。
模型包括卷积层（Conv2D）、最大池化层（MaxPooling2D）、全连接层（Dense）、dropout层（Dropout）等。
输出层使用softmax激活函数，因为这是一个多分类问题。

model = Sequential()
model.add(ZeroPadding2D((1, 1), input_shape=(227, 227, 3)))
model.add(Conv2D(96, (11, 11), strides=(4, 4), activation='relu'))
model.add(MaxPooling2D((3, 3), strides=(2, 2)))
model.add(ZeroPadding2D((1, 1)))
model.add(Conv2D(256, (5, 5), activation='relu'))
model.add(MaxPooling2D((3, 3), strides=(2, 2)))
model.add(ZeroPadding2D((1, 1)))
model.add(Conv2D(384, (3, 3), activation='relu'))
model.add(ZeroPadding2D((1, 1)))
model.add(Conv2D(384, (3, 3), activation='relu'))
model.add(ZeroPadding2D((1, 1)))
model.add(Conv2D(256, (3, 3), activation='relu'))
model.add(MaxPooling2D((3, 3), strides=(2, 2)))
model.add(Flatten())
model.add(Dense(4096, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(4096, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(len(classes), activation='softmax'))
编译模型：

使用Adam优化器、稀疏分类交叉熵损失函数（因为标签是整数），并监控准确率。

model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
训练模型：

使用fit方法训练模型，指定训练数据、迭代次数（epochs）、批量大小（batch_size）。

model.fit(X_train, y_train, epochs=20, batch_size=32)

在这里插入图片描述

LeNet-5

提出时间：1998年 主要贡献：LeNet-5是由Yann
LeCun提出的，它是第一个在实际中使用的卷积神经网络，主要用于手写数字识别。LeNet-5的设计非常简单，但它在当时的技术条件下取得了很好的效果。
结构特点：LeNet-5包含两个卷积层、两个池化层、三个全连接层和两个输出层。它的设计非常紧凑，只包含6万个参数，这使得它可以在当时的硬件条件下运行。
大小：大约6万个参数 层数：2层卷积层，3层全连接层 特点：非常早期的卷积神经网络，用于手写数字识别，结构简单，参数少。

导入必要的库：

os：用于操作文件和目录。
cv2：OpenCV库，用于图像处理。
numpy：用于数值计算。
tensorflow：用于构建和训练深度学习模型。

import os
import cv2
import numpy as np
import tensorflow as tf
加载类别名称：

打开classes.txt文件，读取其中的类别名称，并存储在classes列表中。

with open('99/classes.txt', 'r') as f:classes = f.read().splitlines()
创建标签映射字典：

label_mapping字典将数字标签映射到对应的情绪名称。

label_mapping = {'0': 'sad','1': 'happy','2': 'amazed','3': 'anger'
}
加载图像数据和对应的标签：

构建LeNet模型：遍历image_folder中的所有图像文件。
读取图像，并将其添加到X_train列表。
读取与图像对应的标签文件（.txt格式），提取标签索引，将其映射到情绪名称，然后转换为数字标签，并添加到y_train列表。
将X_train和y_train转换为NumPy数组。

#加载图像数据和对应的标签
image_folder = '561'
label_folder = '99'X_train = []
y_train = []for image_file in os.listdir(image_folder):image_path = os.path.join(image_folder, image_file)image = cv2.imread(image_path)if image is not None:X_train.append(image)label_file = os.path.join(label_folder, image_file.replace('.jpg', '.txt'))with open(label_file, 'r') as f:label_index = f.readline().strip().split()[0]  # 只取第一个数字作为标签索引label_name = label_mapping[label_index]label = classes.index(label_name)y_train.append(label)X_train = np.array(X_train)
y_train = np.array(y_train)
构建LeNet模型：

使用Keras的Sequential模型，按照LeNet的结构添加层。
模型包括卷积层（Conv2D）、最大池化层（MaxPooling2D）、全连接层（Dense）等。
输出层使用softmax激活函数，因为这是一个多分类问题。

model = tf.keras.Sequential([tf.keras.layers.Conv2D(6, (5, 5), activation='relu', input_shape=(X_train.shape[1:])),tf.keras.layers.MaxPooling2D((2, 2)),tf.keras.layers.Conv2D(16, (5, 5), activation='relu'),tf.keras.layers.MaxPooling2D((2, 2)),tf.keras.layers.Flatten(),tf.keras.layers.Dense(120, activation='relu'),tf.keras.layers.Dense(84, activation='relu'),tf.keras.layers.Dense(len(classes), activation='softmax')
])
编译模型：

使用Adam优化器、稀疏分类交叉熵损失函数（因为标签是整数），并监控准确率。

model.fit(X_train, y_train, epochs=20, batch_size=32)

在这里插入图片描述

ResNet

提出时间：2015年 主要贡献：ResNet是第一个引入残差学习的深度网络，它通过引入残差块（Residual
Block）来解决深层网络训练困难的问题，这些残差块包含一个恒等连接，使得网络可以更稳定地训练更深层次的网络。
结构特点：ResNet包含多个残差块，每个残差块包含一个或多个卷积层，这些卷积层可以有不同的大小和数量。ResNet的层数通常比其他网络更深，如ResNet-50、ResNet-101、ResNet-152等。

大小：大约2500万个参数 层数：50层，包括17个残差块 特点：引入了残差学习，可以构建更深层次的网络，解决梯度消失和梯度爆炸问题。

导入必要的库：

os：用于操作文件和目录。
cv2：OpenCV库，用于图像处理。
numpy：用于数值计算。
tensorflow：用于构建和训练深度学习模型。
tensorflow.keras.applications：包含预训练的模型，如ResNet50。
tensorflow.keras.layers：Keras层，用于构建神经网络。
tensorflow.keras.models：Keras模型，用于创建模型架构。

import os
import cv2
import numpy as np
import tensorflow as tf
from tensorflow.keras.applications import ResNet50
from tensorflow.keras.layers import Dense, GlobalAveragePooling2D
from tensorflow.keras.models import Model
加载类别名称：

打开classes.txt文件，读取其中的类别名称，并存储在classes列表中。

with open('99/classes.txt', 'r') as f:classes = f.read().splitlines()
创建标签映射字典：

label_mapping字典将数字标签映射到对应的情绪名称。

label_mapping = {'0': 'sad','1': 'happy','2': 'amazed','3': 'anger'
}
加载图像数据和对应的标签：

遍历image_folder中的所有图像文件。
读取图像，并将其调整为ResNet50所需的输入大小（224x224像素），并将其添加到X_train列表。
读取与图像对应的标签文件（.txt格式），提取标签索引，将其映射到情绪名称，然后转换为数字标签，并添加到y_train列表。

image_folder = '561'
label_folder = '99'X_train = []
y_train = []for image_file in os.listdir(image_folder):image_path = os.path.join(image_folder, image_file)image = cv2.imread(image_path)if image is not None:X_train.append(cv2.resize(image, (224, 224)))  # Resize images to (224, 224)label_file = os.path.join(label_folder, image_file.replace('.jpg', '.txt'))with open(label_file, 'r') as f:label_index = f.readline().strip().split()[0]  # 只取第一个数字作为标签索引label_name = label_mapping[label_index]label = classes.index(label_name)y_train.append(label)X_train = np.array(X_train)
y_train = np.array(y_train)
使用ResNet50模型进行迁移学习

加载预训练的ResNet50模型，但不包括顶部的全连接层。
添加一个全局平均池化层（GlobalAveragePooling2D）和一个全连接层（Dense），用于输出预测。
创建一个新的模型，将ResNet50的输出连接到新的全连接层。

base_model = ResNet50(weights='imagenet', include_top=False)
x = base_model.output
x = GlobalAveragePooling2D()(x)
output = Dense(len(classes), activation='softmax')(x)
model = Model(inputs=base_model.input, outputs=output)
冻结预训练模型的权重：

通过设置base_model.layers中的每个层的trainable属性为False，可以冻结预训练模型的权重，只训练新添加的全连接层。

for layer in base_model.layers:
layer.trainable = False
编译模型：

使用Adam优化器、稀疏分类交叉熵损失函数（因为标签是整数），并监控准确率。

model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
训练模型：

使用fit方法训练模型，指定训练数据、迭代次数（epochs）、批量大小（batch_size）。

model.fit(X_train, y_train, epochs=20, batch_size=32)

在这里插入图片描述

VGG-19

提出时间：2014年 主要贡献：VGG-16和VGG-19是由牛津大学的Karen Simonyan和Andrew
Zisserman提出的，它们通过使用非常小的3x3卷积核和大量重复的卷积层来构建深度网络，这使得它们在ImageNet竞赛中取得了很好的成绩。
结构特点：VGG-16包含16个卷积层和3个全连接层，而VGG-19包含19个卷积层和3个全连接层。VGG-16和VGG-19的卷积层都是使用3x3的卷积核，层与层之间使用2x2的最大池化层。

大小：大约1.38亿/1.45亿个参数 层数：16/19层卷积层，3层全连接层
特点：使用小尺寸的3x3卷积核和重复的卷积层，可以提取更丰富的特征。

导入必要的库：

os：用于操作文件和目录。
cv2：OpenCV库，用于图像处理。
numpy：用于数值计算。
tensorflow：用于构建和训练深度学习模型。
tensorflow.keras.applications：包含预训练的模型，如VGG19。
tensorflow.keras.layers：Keras层，用于构建神经网络。
tensorflow.keras.models：Keras模型，用于创建模型架构。

import os
import cv2
import numpy as np
import tensorflow as tf
from tensorflow.keras.applications import VGG19
from tensorflow.keras.layers import Dense, GlobalAveragePooling2D
from tensorflow.keras.models import Model
加载类别名称

打开classes.txt文件，读取其中的类别名称，并存储在classes列表中。

with open('99/classes.txt', 'r') as f:classes = f.read().splitlines()
创建标签映射字典：

label_mapping字典将数字标签映射到对应的情绪名称。

abel_mapping = {'0': 'sad','1': 'happy','2': 'amazed','3': 'anger'
}
加载图像数据和对应的标签：

遍历image_folder中的所有图像文件。
读取图像，并将其调整为VGG-19所需的输入大小（224x224像素），并将其添加到X_train列表。
读取与图像对应的标签文件（.txt格式），提取标签索引，将其映射到情绪名称，然后转换为数字标签，并添加到y_train列表。
将X_train和y_train转换为NumPy数组。

image_folder = '561'
label_folder = '99'X_train = []
y_train = []for image_file in os.listdir(image_folder):image_path = os.path.join(image_folder, image_file)image = cv2.imread(image_path)if image is not None:X_train.append(cv2.resize(image, (224, 224)))  # Resize images to (224, 224)label_file = os.path.join(label_folder, image_file.replace('.jpg', '.txt'))with open(label_file, 'r') as f:label_index = f.readline().strip().split()[0]  # 只取第一个数字作为标签索引label_name = label_mapping[label_index]label = classes.index(label_name)y_train.append(label)X_train = np.array(X_train)
y_train = np.array(y_train)
使用VGG-19模型进行迁移学习

加载预训练的VGG-19模型，但不包括顶部的全连接层。
添加一个全局平均池化层（GlobalAveragePooling2D）和一个全连接层（Dense），用于输出预测。
创建一个新的模型，将VGG-19的输出连接到新的全连接层。

base_model = VGG19(weights='imagenet', include_top=False, input_shape=(224, 224, 3))
x = base_model.output
x = GlobalAveragePooling2D()(x)
output = Dense(len(classes), activation='softmax')(x)
model = Model(inputs=base_model.input, outputs=output)
冻结预训练模型的权重：

通过设置base_model.layers中的每个层的trainable属性为False，可以冻结预训练模型的权重，只训练新添加的全连接层。

for layer in base_model.layers:layer.trainable = False
编译模型：

使用Adam优化器、稀疏分类交叉熵损失函数（因为标签是整数），并监控准确率。

model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
训练模型：
model.fit(X_train, y_train, epochs=20, batch_size=32)

在这里插入图片描述

VGG-16

导入必要的库：

os：用于操作文件和目录。
cv2：OpenCV库，用于图像处理。
numpy：用于数值计算。
tensorflow：用于构建和训练深度学习模型。
tensorflow.keras.applications：包含预训练的模型。
tensorflow.keras.layers：Keras层，用于构建神经网络。
tensorflow.keras.models：Keras模型，用于创建模型架构。

import os
import cv2
import numpy as np
import tensorflow as tf
from tensorflow.keras.applications import VGG19
from tensorflow.keras.layers import Dense, GlobalAveragePooling2D
from tensorflow.keras.models import Model
加载类别名称

打开classes.txt文件，读取其中的类别名称，并存储在classes列表中。

with open('99/classes.txt', 'r') as f:classes = f.read().splitlines()
创建标签映射字典：

label_mapping字典将数字标签映射到对应的情绪名称。

abel_mapping = {'0': 'sad','1': 'happy','2': 'amazed','3': 'anger'
}
加载图像数据和对应的标签：

遍历image_folder中的所有图像文件。
读取图像，并将其调整为VGG-16所需的输入大小（224x224像素），并将其添加到X_train列表。
读取与图像对应的标签文件（.txt格式），提取标签索引，将其映射到情绪名称，然后转换为数字标签，并添加到y_train列表。
将X_train和y_train转换为NumPy数组。

image_folder = '561'
label_folder = '99'X_train = []
y_train = []for image_file in os.listdir(image_folder):image_path = os.path.join(image_folder, image_file)image = cv2.imread(image_path)if image is not None:X_train.append(cv2.resize(image, (224, 224)))  # Resize images to (224, 224)label_file = os.path.join(label_folder, image_file.replace('.jpg', '.txt'))with open(label_file, 'r') as f:label_index = f.readline().strip().split()[0]  # 只取第一个数字作为标签索引label_name = label_mapping[label_index]label = classes.index(label_name)y_train.append(label)X_train = np.array(X_train)
y_train = np.array(y_train)
使用VGG-16模型进行迁移学习

加载预训练的VGG-16模型，但不包括顶部的全连接层。
添加一个全局平均池化层（GlobalAveragePooling2D）和一个全连接层（Dense），用于输出预测。
创建一个新的模型，将VGG-16的输出连接到新的全连接层。

base_model = VGG16(weights='imagenet', include_top=False, input_shape=(224, 224, 3))
x = base_model.output
x = GlobalAveragePooling2D()(x)
output = Dense(len(classes), activation='softmax')(x)
model = Model(inputs=base_model.input, outputs=output)
冻结预训练模型的权重：

通过设置base_model.layers中的每个层的trainable属性为False，可以冻结预训练模型的权重，只训练新添加的全连接层。

for layer in base_model.layers:
layer.trainable = False
编译模型：

使用Adam优化器、稀疏分类交叉熵损失函数（因为标签是整数），并监控准确率。

训练模型：
model.fit(X_train, y_train, epochs=20, batch_size=32)

在这里插入图片描述

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.rhkb.cn/news/336418.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Hadoop概览以及编译hadoop说明

Hadoop概览以及编译hadoop说明

一、Hadoop概述 Hadoop 是一个用于跨计算机集群存储和处理大型数据集的软件框架。它旨在处理大数据，即传统数据库无法有效管理的极其庞大和复杂的数据集。Hadoop不是传统意义上的数据仓库，因为它们的用途不同，架构也不同。Hadoop 是一个跨分布…
阅读更多...
在Visual Studio Code和Visual Studio 2022下配置Clang-Format，格式化成Google C++ Style

在Visual Studio Code和Visual Studio 2022下配置Clang-Format，格式化成Google C++ Style

项目开发要求好的编写代码格式规范，常用的是根据Google C Style Guide 网上查了很多博文，都不太一样有的也跑不起来，通过尝试之后，自己可算折腾好了，整理一下过程 背景： 编译器主要有三部分：前…
阅读更多...
Django 里如何使用 sqlite (操作步骤)

Django 里如何使用 sqlite (操作步骤)

在 settings.py 里，已经设定好 sqlite 了 DATABASES {default: {ENGINE: django.db.backends.sqlite3,NAME: BASE_DIR / db.sqlite3,} }必须得设置好app # 在 settings.py 里INSTALLED_APPS [django.contrib.admin,django.contrib.auth,django.contrib.contentt…
阅读更多...
科技产业园3D探秘：未来科技之城的奇幻之旅

科技产业园3D探秘：未来科技之城的奇幻之旅

在数字时代的浪潮中，科技产业园区成为了推动城市经济发展、科技创新的重要引擎。 当我们打开科技产业园的3D可视化模型，仿佛穿越时空，来到了一个充满奇幻色彩的科技世界。在这里，高楼大厦鳞次栉比，绿色植被点缀其间&am…
阅读更多...
React（四）memo、useCallback、useMemo Hook

React（四）memo、useCallback、useMemo Hook

目录 (一)memo API 1.先想一个情景 2.用法 (1)props传入普通数据类型的情况 (2)props传入对象的情况 (3)props传入函数的情况 (4)使用自定义比较函数 3.什么时候使用memo？ (二)useMemo Hook 1.用法 2.useMemo实现组件记忆化 3.useMemo实现函数记忆化 …
阅读更多...
记录jenkins中解决sqlite3报错的问题

记录jenkins中解决sqlite3报错的问题

参考博客python系列--Python3 No module named _sqlite3错误 - 知乎 安装sqlite3 2.1 下载sqlite3安装包 官网地址SQLite Download Page 下载安装包:wget https://www.sqlite.org/2024/sqlite-autoconf-3460000.tar.gz 2.2 上传服务器并进行安装 解压：tar -xv…
阅读更多...
【运维】Linux 端口管理实用指南，扫描端口占用

【运维】Linux 端口管理实用指南，扫描端口占用

在 Linux 系统中，你可以使用以下几种方法来查看当前被占用的端口，并检查 7860 到 7870 之间的端口： 推荐命令： sudo lsof -i :7860-7870方法一：使用 netstat 命令 sudo netstat -tuln | grep :78[6-7][0-9]这个命令…
阅读更多...
618手把手教你捡漏服务器

618手把手教你捡漏服务器

618最全捡漏攻略 捡漏规则1、新人优惠⭐⭐⭐2、教育优惠⭐⭐3、回馈活动⭐️ ECS价格对比新人优惠💝京东云 50/年百度云 60.69/年阿里云 82/年腾讯云 99/年 回馈活动🎁阿里云 教育优惠🏫阿里云腾讯云 hi，好久不见各位，…
阅读更多...
Spring Security整合Gitee第三方登录

Spring Security整合Gitee第三方登录

文章目录 学习链接环境准备1. 搭建基本web应用引入依赖ThirdApp启动类创建index页面application.yml配置访问测试 2. 引入security引入依赖ProjectConfig访问测试 第三方认证简介注册gitee客户端实现1引入依赖application.yml配置文件创建index.html页面启动类InfoControllerPr…
阅读更多...
SheetJS V0.17.5 导入 Excel 异常修复 Invalid HTML:could not find＜table＞

SheetJS V0.17.5 导入 Excel 异常修复 Invalid HTML:could not find＜table＞

导入 Excel 提示错误&#xff1a;Invalid HTML:could not find<table> 检查源代码 发现 table 属性有回车符 Overview: https://docs.sheetjs.com/docs/ Source: https://git.sheetjs.com/sheetjs/sheetjs/issues The public-facing websites of SheetJS: sheetjs.com…
阅读更多...
postman教程-7-文件上传接口

postman教程-7-文件上传接口

领取资料&#xff0c;咨询答疑&#xff0c;请➕wei: June__Go 上一小节我们学习了postman发送get请求的方法&#xff0c;本小节我们讲解一下postman文件上传接口的请求方法。 postman文件上传的方式大概有两种&#xff0c;一种是form-data类型上传文件&#xff0c;一种是bin…
阅读更多...
redis数据类型之Hash，Bitmaps

redis数据类型之Hash，Bitmaps

华子目录 Hash结构图相关命令hexists key fieldhmset key field1 value1 [field2 value2...]hscan key cursor [MATCH pattern] [COUNT count] Bitmaps位图相关命令setbit1. **命令描述**2. **语法**3. **参数限制**4. **内存分配与性能**5. **应用实例**6. **其他相关命令**7.…
阅读更多...
stm32学习-CubeIDE使用技巧

stm32学习-CubeIDE使用技巧

1.hex文件生成 右键工程 2.仿真调试 3.常用快捷键 作用快捷键代码提示alt/代码注释/反注释ctrl/ 4.项目复制 复制项目&#xff0c;将ioc文件名改为项目名即可图形化编辑
阅读更多...
元宇宙三维互动展厅让体验者进入一个充满奇幻与创意的数字世界

元宇宙三维互动展厅让体验者进入一个充满奇幻与创意的数字世界

元宇宙数字产品展厅搭建编辑器凭借强大的三维可视化互动功能&#xff0c;为用户带来前所未有的沉浸式数字展览体验。 在元宇宙数字产品展厅搭建编辑器中&#xff0c;用户可以轻松打造逼真的三维展览环境&#xff0c;通过VR虚拟现实技术&#xff0c;仿佛置身于一个充满奇幻与创意…
阅读更多...
爬虫案例（读书网）

爬虫案例（读书网）

一.我们还是使用简单的bs4库和lxml&#xff0c;使用xpath&#xff1a; 导入下面的库&#xff1a; import requests from bs4 import BeautifulSoup from lxml import etree 我们可以看见它的div和每个书的div框架&#xff0c;这样会观察会快速提高我们的简单爬取能力。 二.实…
阅读更多...
LabVIEW机器设备的振动监测

LabVIEW机器设备的振动监测

振动监测是工业和机械维护中重要的一部分&#xff0c;通过检测和分析机械振动&#xff0c;提前发现潜在故障&#xff0c;确保设备的可靠运行。LabVIEW是一种强大的图形化编程环境&#xff0c;非常适合用于振动监测系统的开发和实施。以下从多个角度详细介绍LabVIEW在振动监测中…
阅读更多...
拷贝构造、移动构造、拷贝赋值、移动赋值

拷贝构造、移动构造、拷贝赋值、移动赋值

最近在学习C的拷贝构造函数时发现一个问题&#xff1a;在函数中返回局部的类对象时&#xff0c;并没有调用拷贝构造函数。针对这个问题&#xff0c;查阅了一些资料&#xff0c;这里记录整理一下。 调用拷贝构造函数的三种情况&#xff1a; ① 用一个类去初始化另一个对象时&a…
阅读更多...
重学java 51.Collections集合工具类、泛型

重学java 51.Collections集合工具类、泛型

"我已不在地坛&#xff0c;地坛在我" —— 《想念地坛》 24.5.28 一、Collections集合工具类 1.概述:集合工具类 2.特点: a.构造私有 b.方法都是静态的 3.使用:类名直接调用 4.方法: static <T> boolean addAll(collection<? super T>c,T... el…
阅读更多...
民国漫画杂志《时代漫画》第17期.PDF

民国漫画杂志《时代漫画》第17期.PDF

时代漫画17.PDF: https://url03.ctfile.com/f/1779803-1248612629-85326d?p9586 (访问密码: 9586) 《时代漫画》的杂志在1934年诞生了&#xff0c;截止1937年6月战争来临被迫停刊共发行了39期。 ps:资源来源网络&#xff01;
阅读更多...
LVM、磁盘配额

LVM、磁盘配额

LVM与磁盘配额 一、LVM LVM(逻辑卷管理)&#xff1a;是Linux系统下对硬盘分区的管理机制。 LVM机制适合于管理管理大存储设备。可以动态对硬盘进行扩容。 逻辑上的磁盘&#xff0c;概念上的磁盘&#xff0c;文件系统创建之后不考虑底层的物理磁盘。 若干个磁盘分区或者物理…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023