基于深度学习CNN算法的花卉分类识别系统01--带数据集-pyqt5UI界面-全套源码

文章目录

  • 基于深度学习算法的花卉分类识别系统
  • 一、项目摘要
  • 二、项目运行效果
  • 三、项目文件介绍
  • 四、项目环境配置
    • 1、项目环境库
    • 2、环境配置视频教程
  • 五、项目系统架构
  • 六、项目构建流程
    • 1、数据集
    • 2、算法网络Mobilenet
    • 3、网络模型训练
    • 4、训练好的模型预测
    • 5、UI界面设计-pyqt5
    • 6、项目相关评价指标
  • 七、项目论文报告
  • 八、版权说明及获取方式
    • 1、项目获取方式
    • 2、项目版权说明及定制服务

各位同学大家好，本次给大家分享的项目为：

基于深度学习算法的花卉分类识别系统

一、项目摘要

花卉识别是计算机视觉中的一个重要应用，在园艺、农业和植物保护等领域具有广泛的潜在价值。本文的基于深度学习的花卉识别系统，采用MobileNet模型结合PyTorch框架实现。数据集由网络采集的16类花卉图像组成，共计15740张，其中训练集和验证集按8:2的比例划分。为了提高模型的泛化能力，本文对数据进行了多种增强操作，包括随机裁剪、水平翻转及标准化处理。

在训练过程中，采用AdamW优化器和交叉熵损失函数，并设置了合适的学习率及超参数，通过100个Epoch进行模型训练和验证。实验结果显示，验证集的最高准确率达到了93%，平均分类准确率为98%。为了用户体验，本文还基于PyQt5设计了用户交互界面，使用户能够便捷地上传图像并查看花卉识别结果以及相关植物信息。

二、项目运行效果

运行效果视频：
https://www.bilibili.com/video/BV1hE22YgEvk

运行效果截图：

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

三、项目文件介绍

在这里插入图片描述在这里插入图片描述

四、项目环境配置

1、项目环境库

python=3.8 pytorch pyqt5 opencv matplotlib 等

2、环境配置视频教程

1）anaconda下载安装教程
2）pycharm下载安装教程
3）项目环境库安装步骤教程
在这里插入图片描述

五、项目系统架构

在这里插入图片描述
花卉识别系统的整体架构分为四个主要模块：

1. 数据输入模块：负责接收用户输入的花卉图像。

2. 图像预处理模块：对输入的图像进行标准化处理，包括调整图像大小、归一化等，以确保与训练模型的输入要求一致。

3. 深度学习模型模块：通过预训练的MobileNet模型对预处理后的图像进行识别和分类，输出花卉的种类标签。

4. 用户交互模块：通过PyQt5构建图形用户界面，使用户能够便捷地上传图像，查看识别结果，并获得相应的花卉信息。

系统的整体工作流程如下：首先，用户通过用户界面选择要识别的花卉图片，随后系统对图像进行预处理，接着将处理后的图像输入到深度学习模型中进行分类，最后在用户界面上显示识别结果及花卉相关的简介。

六、项目构建流程

1、数据集

数据集文件夹：all_data

在这里插入图片描述
在这里插入图片描述

概述：

本文使用的数据集由16类不同花卉的图像组成，总计15740张。

在这里插入图片描述

数据集格式及命令统一代码：to_rgb.py
(对数据集中的图像统一成rgb格式并进行统一规范命名）

在这里插入图片描述

2、算法网络Mobilenet

概述：
Mobilenet是专为移动设备和嵌入式系统设计的轻量化卷积神经网络。其主要特点在于采用了深度可分离卷积（Depthwise Separable Convolution）来减少计算量和参数数量，从而在资源受限的环境下实现高效的图像分类和识别。
在这里插入图片描述

算法代码为：models文件夹下的mobilenet.py

在这里插入图片描述

"""mobilenet in pytorch[1] Andrew G. Howard, Menglong Zhu, Bo Chen, Dmitry Kalenichenko, Weijun Wang, Tobias Weyand, Marco Andreetto, Hartwig AdamMobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applicationshttps://arxiv.org/abs/1704.04861
"""import torch
import torch.nn as nnclass DepthSeperabelConv2d(nn.Module):def __init__(self, input_channels, output_channels, kernel_size, **kwargs):super().__init__()self.depthwise = nn.Sequential(nn.Conv2d(input_channels,input_channels,kernel_size,groups=input_channels,**kwargs),nn.BatchNorm2d(input_channels),nn.ReLU(inplace=True))self.pointwise = nn.Sequential(nn.Conv2d(input_channels, output_channels, 1),nn.BatchNorm2d(output_channels),nn.ReLU(inplace=True))def forward(self, x):x = self.depthwise(x)x = self.pointwise(x)return xclass BasicConv2d(nn.Module):def __init__(self, input_channels, output_channels, kernel_size, **kwargs):super().__init__()self.conv = nn.Conv2d(input_channels, output_channels, kernel_size, **kwargs)self.bn = nn.BatchNorm2d(output_channels)self.relu = nn.ReLU(inplace=True)def forward(self, x):x = self.conv(x)x = self.bn(x)x = self.relu(x)return xclass MobileNet(nn.Module):def __init__(self, width_multiplier=1, class_num=16):super().__init__()alpha = width_multiplierself.stem = nn.Sequential(BasicConv2d(3, int(32 * alpha), 3, padding=1, bias=False),DepthSeperabelConv2d(int(32 * alpha),int(64 * alpha),3,padding=1,bias=False))#downsampleself.conv1 = nn.Sequential(DepthSeperabelConv2d(int(64 * alpha),int(128 * alpha),3,stride=2,padding=1,bias=False),DepthSeperabelConv2d(int(128 * alpha),int(128 * alpha),3,padding=1,bias=False))#downsampleself.conv2 = nn.Sequential(DepthSeperabelConv2d(int(128 * alpha),int(256 * alpha),3,stride=2,padding=1,bias=False),DepthSeperabelConv2d(int(256 * alpha),int(256 * alpha),3,padding=1,bias=False))#downsampleself.conv3 = nn.Sequential(DepthSeperabelConv2d(int(256 * alpha),int(512 * alpha),3,stride=2,padding=1,bias=False),DepthSeperabelConv2d(int(512 * alpha),int(512 * alpha),3,padding=1,bias=False),DepthSeperabelConv2d(int(512 * alpha),int(512 * alpha),3,padding=1,bias=False),DepthSeperabelConv2d(int(512 * alpha),int(512 * alpha),3,padding=1,bias=False),DepthSeperabelConv2d(int(512 * alpha),int(512 * alpha),3,padding=1,bias=False),DepthSeperabelConv2d(int(512 * alpha),int(512 * alpha),3,padding=1,bias=False))#downsampleself.conv4 = nn.Sequential(DepthSeperabelConv2d(int(512 * alpha),int(1024 * alpha),3,stride=2,padding=1,bias=False),DepthSeperabelConv2d(int(1024 * alpha),int(1024 * alpha),3,padding=1,bias=False))self.fc = nn.Linear(int(1024 * alpha), class_num)self.avg = nn.AdaptiveAvgPool2d(1)def forward(self, x):x = self.stem(x)x = self.conv1(x)x = self.conv2(x)x = self.conv3(x)x = self.conv4(x)x = self.avg(x)x = x.view(x.size(0), -1)x = self.fc(x)return xdef mobilenet(alpha=1, class_num=16):return MobileNet(alpha, class_num)

3、网络模型训练

训练代码为:train.py

  • 图像尺寸：输入图像大小设置为224×224，以适应MobileNet网络的输入层要求。

  • 批量大小（Batch-size）：设置为16，既可以保证模型能够充分学习数据特征，又能在有限的计算资源下保持较高的训练效率。

  • 学习率（Learning Rate）：初始学习率设为0.0001，并使用AdamW优化器，该优化器在保持学习率稳定的同时，能够通过权重衰减减少模型过拟合的风险。

  • 损失函数：采用交叉熵损失函数（CrossEntropyLoss），适合多类别分类任务。

  • Epoch设置：训练总共进行100个Epoch，以确保模型能够充分学习到数据特征，并利用早停策略保存最优模型。

在这里插入图片描述

import os
import argparseimport torch
import torch.optim as optim
import matplotlib.pyplot as plt
from torch.utils.tensorboard import SummaryWriter
from torchvision import transformsfrom my_dataset import MyDataSet
from models.mobilenet import mobilenet as create_model
from utils import read_split_data, train_one_epoch, evaluatedef draw(train, val, ca):plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']plt.rcParams['axes.unicode_minus'] = Falseplt.cla() # 清空之前绘图数据plt.title('精确度曲线图' if ca == "acc" else '损失值曲线图')plt.plot(train, label='train_{}'.format(ca))plt.plot(val, label='val_{}'.format(ca))plt.legend()plt.grid()plt.savefig('精确度曲线图' if ca == "acc" else '损失值曲线图')# plt.show()def main(args):device = torch.device(args.device if torch.cuda.is_available() else "cpu")if os.path.exists("./weights") is False:os.makedirs("./weights")tb_writer = SummaryWriter()train_images_path, train_images_label, val_images_path, val_images_label = read_split_data(args.data_path)img_size = 224data_transform = {"train": transforms.Compose([transforms.RandomResizedCrop(img_size),transforms.RandomHorizontalFlip(),transforms.ToTensor(),transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])]),"val": transforms.Compose([transforms.Resize(int(img_size * 1.143)),transforms.CenterCrop(img_size),transforms.ToTensor(),transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])])}# 实例化训练数据集train_dataset = MyDataSet(images_path=train_images_path,images_class=train_images_label,transform=data_transform["train"])# 实例化验证数据集val_dataset = MyDataSet(images_path=val_images_path,images_class=val_images_label,transform=data_transform["val"])batch_size = args.batch_sizenw = min([os.cpu_count(), batch_size if batch_size > 1 else 0, 8])  # number of workersprint('Using {} dataloader workers every process'.format(nw))train_loader = torch.utils.data.DataLoader(train_dataset,batch_size=batch_size,shuffle=True,pin_memory=True,num_workers=nw,collate_fn=train_dataset.collate_fn)val_loader = torch.utils.data.DataLoader(val_dataset,batch_size=batch_size,shuffle=False,pin_memory=True,num_workers=nw,collate_fn=val_dataset.collate_fn)model = create_model(class_num=16).to(device)if args.weights != "":assert os.path.exists(args.weights), "weights file: '{}' not exist.".format(args.weights)model.load_state_dict(torch.load(args.weights, map_location=device))if args.freeze_layers:for name, para in model.named_parameters():# 除head外，其他权重全部冻结if "head" not in name:para.requires_grad_(False)else:print("training {}".format(name))pg = [p for p in model.parameters() if p.requires_grad]optimizer = optim.AdamW(pg, lr=args.lr, weight_decay=5E-2)for epoch in range(args.epochs):# traintrain_loss, train_acc = train_one_epoch(model=model,optimizer=optimizer,data_loader=train_loader,device=device,epoch=epoch)# validateval_loss, val_acc = evaluate(model=model,data_loader=val_loader,device=device,epoch=epoch)train_acc_list.append(train_acc)train_loss_list.append(train_loss)val_acc_list.append(val_acc)val_loss_list.append(val_loss)tags = ["train_loss", "train_acc", "val_loss", "val_acc", "learning_rate"]tb_writer.add_scalar(tags[0], train_loss, epoch)tb_writer.add_scalar(tags[1], train_acc, epoch)tb_writer.add_scalar(tags[2], val_loss, epoch)tb_writer.add_scalar(tags[3], val_acc, epoch)tb_writer.add_scalar(tags[4], optimizer.param_groups[0]["lr"], epoch)if val_loss == min(val_loss_list):print('save-best-epoch:{}'.format(epoch))with open('loss.txt', 'w') as fb:fb.write(str(train_loss) + ',' + str(train_acc) + ',' + str(val_loss) + ',' + str(val_acc))torch.save(model.state_dict(), "./weights/flower-best-epoch.pth")if __name__ == '__main__':parser = argparse.ArgumentParser()parser.add_argument('--num_classes', type=int, default=16)parser.add_argument('--epochs', type=int, default=100)parser.add_argument('--batch-size', type=int, default=16)parser.add_argument('--lr', type=float, default=0.0001)# 数据集所在根目录parser.add_argument('--data-path', type=str,default="all_data")# 预训练权重路径，如果不想载入就设置为空字符parser.add_argument('--weights', type=str, default='',help='initial weights path')# 是否冻结权重parser.add_argument('--freeze-layers', type=bool, default=False)parser.add_argument('--device', default='cuda:0', help='device id (i.e. 0 or 0,1 or cpu)')opt = parser.parse_args()train_loss_list = []train_acc_list = []val_loss_list = []val_acc_list = []main(opt)draw(train_acc_list, val_acc_list, 'acc')draw(train_loss_list, val_loss_list, 'loss')

开始训练：

在all_data中准备好数据集，并设置好超参数后，即可开始运行train.py

成功运行效果展示：

1）会生成dataset.png数据集分布柱状图

2）pycharm下方实时显示相关训练日志

在这里插入图片描述

等待所有epoch训练完成后代码会自动停止，并在weights文件夹下生成训练好的模型pth文件，并生成准确率和损失值曲线图。

在这里插入图片描述

在这里插入图片描述

4、训练好的模型预测

无界面预测代码为：predict.py

在这里插入图片描述

import os
import jsonimport torch
from PIL import Image
from torchvision import transforms
import matplotlib.pyplot as pltfrom models.mobilenet import mobilenet  as create_modeldef main(img_path):import osos.environ['KMP_DUPLICATE_LIB_OK'] = 'TRUE'device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")img_size = 224data_transform = transforms.Compose([transforms.Resize(int(img_size * 1.143)),transforms.CenterCrop(img_size),transforms.ToTensor(),transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])])assert os.path.exists(img_path), "file: '{}' dose not exist.".format(img_path)img = Image.open(img_path)plt.imshow(img)# [N, C, H, W]img = data_transform(img)# expand batch dimensionimg = torch.unsqueeze(img, dim=0)# read class_indictjson_path = './class_indices.json'assert os.path.exists(json_path), "file: '{}' dose not exist.".format(json_path)json_file = open(json_path, "r")class_indict = json.load(json_file)# create model  创建模型网络model = create_model(class_num=len(os.listdir('all_data'))).to(device)# load model weights  加载模型model_weight_path = "weights/flower-best-epoch.pth"model.load_state_dict(torch.load(model_weight_path, map_location=device))model.eval()#调用模型进行检测with torch.no_grad():# predict classoutput = torch.squeeze(model(img.to(device))).cpu()predict = torch.softmax(output, dim=0)predict_cla = torch.argmax(predict).numpy()for i in range(len(predict)):print("class: {:10}   prob: {:.3}".format(class_indict[str(i)],predict[i].numpy()))# 返回检测结果和准确率res = class_indict[str(list(predict.numpy()).index(max(predict.numpy())))]num= "%.2f" % (max(predict.numpy()) * 100) + "%"print(res,num)return res,numif __name__ == '__main__':img_path = r"all_data\向日葵\2.png"main(img_path)

使用方法：
1）设置好训练好的模型权重路径
2）设置好要预测的图像的路径
直接右键运行即可，成功运行后会在pycharm下方生成预测结果数据

在这里插入图片描述

5、UI界面设计-pyqt5

两款UI样式界面，自由选择

样式1：纯色背景界面，可自由更改界面背景颜色

在这里插入图片描述

样式2：背景图像界面

在这里插入图片描述

对应代码文件：
1）ui.py 和 ui2.py
用于设置界面中控件的属性样式和显示的文本内容，可自行修改界面背景色及界面文本内容

在这里插入图片描述
在这里插入图片描述

2）主界面.py 和 主界面2.py
用于设置界面中的相关按钮及动态的交互功能

在这里插入图片描述

3）inf.py 相关介绍及展示信息文本，可自行修改介绍信息

在这里插入图片描述

6、项目相关评价指标

1、准确率曲线图（训练后自动生成）
在这里插入图片描述

2、损失值曲线图（训练后自动生成）
在这里插入图片描述

3、混淆矩阵图
在这里插入图片描述

生成方式：训练完模型后，运行confusion_matrix.py文件，设置好使用的模型权重文件后，直接右键运行即可，等待模型进行预测生成

在这里插入图片描述

以上为本项目完整的构建实现流程步骤，更加详细的项目讲解视频如下：
https://www.bilibili.com/video/BV1Kt22YPEb2
（对程序使用，项目中各个文件作用，算法网络结构，所有程序代码等进行的细致讲解，时长1小时）

七、项目论文报告

本项目有配套的论文报告（1w字左右），部分截图如下：

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

八、版权说明及获取方式

1、项目获取方式

1）项目全套文件代码获取地址：
项目全套代码地址：https://yuanlitui.com/a/acg
2）项目配套论文报告获取地址：
项目配套报告：https://yuanlitui.com/a/ac4

2、项目版权说明及定制服务

本项目由本人 Smaller-孔 设计并开发
可提供服务如下：
1）项目功能及界面定制改进服务
如添加用户登录注册、语音播报、语音输入等系统功能，设计Web端界面，添加mysql数据库，替换数据集、算法、及算法改进对比等服务
2）售后服务：
获取项目后，按照配置视频进行配置，配置过程中出现问题可添加我咨询答疑，配置好后后续因产品自身代码问题无法正常使用，提供1月内免费售后（因使用者对代码或环境进行调整导致程序无法正常运行需有偿售后），项目文件中售后服务文档获取本人联系方式，提供后续售后及相关定制服务。
3）深度学习CV领域的毕设项目，项目及技术1v1辅导，开发等

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/477553.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

HarmonyOs鸿蒙开发实战(20)=＞一文学会基础使用组件导航Navigation

HarmonyOs鸿蒙开发实战(20)=＞一文学会基础使用组件导航Navigation

敲黑板，以下是重点技巧。文章末尾有实战项目效果截图及代码截图可参考 1.概要 Navigation是路由导航的根视图容器Navigation组件主要包含​导航页（NavBar）和子页（NavDestination），导航页不存在页面栈中&am…
阅读更多...
tcpdump抓包 wireShark

tcpdump抓包 wireShark

TCPdump抓包工具介绍 TCPdump，全称dump the traffic on anetwork，是一个运行在linux平台可以根据使用者需求对网络上传输的数据包进行捕获的抓包工具。 tcpdump可以支持的功能: 1、在Linux平台将网络中传输的数据包全部捕获过来进行分析 2、支持网络层…
阅读更多...
已阻止加载“http://localhost:8086/xxx.js”的模块，它使用了不允许的 MIME 类型 (“text/plain”)。

已阻止加载“http://localhost:8086/xxx.js”的模块，它使用了不允许的 MIME 类型 (“text/plain”)。

记录今天解决的一个小bug 在终端启动8080端口号监听后，打开网址http://localhost:8080，发现不能正确加载页面，打开检查-控制台，出现如下警告：已阻止加载“http://localhost:8086/xxx.js”的模块，它使用了不…
阅读更多...
使用 helm 部署 gitlab

使用 helm 部署 gitlab

一、下载 Gitlab chart 进入 artifacthub 官网 选择你想要的版本（我选择的chart版本是 8.4.0 , gitlab 版本是17.4.0 ） 进入到控制台，添加helm仓库 如果你想不改任何配置，你可以执行安装命令，等待安装即可helm instal…
阅读更多...
若依-一个请求中返回多个表的信息

若依-一个请求中返回多个表的信息

背景 主表是点位表关联子表 需要知道对应 合作商的信息关联子表 需要直到对应 区域的信息关联子表 需要直到对应 设备数量 实现的方案 关联实体相关的标签
阅读更多...
C++注释

C++注释

目录 1. 什么是注释 2. 语法 2.1 单行注释 2.2 多行注释 2.3 示例 3. 注释源代码的方法 3.1 使用多行注释 3.2 使用预处理器指令 #if #endif 3.3 使用条件判断语句 if (false) 4. 不能用宏定义，组成注释 5 // \ 会将源代码中的下一行也被当作注释中的一部…
阅读更多...
使用itextpdf进行pdf模版填充中文文本时部分字不显示问题

使用itextpdf进行pdf模版填充中文文本时部分字不显示问题

在网上找了很多种办法 都解决不了; 最后发现是文本域字体设置出了问题; 在这不展示其他的代码 只展示重要代码; 1 引入扩展包 <dependency><groupId>com.itextpdf</groupId><artifactId>itext-asian</artifactId><version>5.2.0</v…
阅读更多...
web——sqliabs靶场——第十三关——报错注入+布尔盲注

web——sqliabs靶场——第十三关——报错注入+布尔盲注

发现是单引号加括号闭合的 尝试联合注入 发现不太行&#xff0c;那尝试报错注入。 测试报错注入 unameadmin) and updatexml(1,0x7e,3) -- &passwdadmin&submitSubmit 爆数据库 unameadmin) and updatexml(1,concat(0x7e,database(),0x7e),3) -- &passwdadmin&a…
阅读更多...
QT如何共享文件+拷贝文件

QT如何共享文件+拷贝文件

QString sharedFolderPathImg "\\\\" IP "/profileImage/"; // 更换为你的共享文件夹路径QDir dirImg(sharedFolderPathImg);dirImg.setFilter(QDir::NoDotAndDotDot | QDir::AllEntries);QVector<QString> curFileEntryArrayImg dirImg.entryList…
阅读更多...
跟《经济学人》学英文：2024年11月23日这期 Why British MPs should vote for assisted dying

跟《经济学人》学英文：2024年11月23日这期 Why British MPs should vote for assisted dying

Why British MPs should vote for assisted dying A long-awaited liberal reform is in jeopardy in jeopardy&#xff1a;在危险中 jeopardy&#xff1a;美 [ˈdʒepərdi] 危险&#xff1b;危机&#xff1b;风险&#xff1b; 原文&#xff1a; THIS NEWSPAPER believes …
阅读更多...
【es6进阶】vue3中的数据劫持的最新实现方案的proxy的详解

【es6进阶】vue3中的数据劫持的最新实现方案的proxy的详解

vuejs中实现数据的劫持,v2中使用的是Object.defineProperty()来实现的&#xff0c;在大版本v3中彻底重写了这部分&#xff0c;使用了proxy这个数据代理的方式&#xff0c;来修复了v2中对数组和对象的劫持的遗留问题。 proxy是什么 Proxy 用于修改某些操作的默认行为&#xff0…
阅读更多...
D73【 python 接口自动化学习】- python 基础之正则表达式

D73【 python 接口自动化学习】- python 基础之正则表达式

day73 正则表达式-元字符匹配 学习日期&#xff1a;20241119 学习目标&#xff1a;正则表达式--133 正则表达式-元字符匹配 学习笔记&#xff1a; 元字符匹配 数量匹配 实践操作 总结 字符串的r标记表示&#xff0c;字符串内转移字符无效&#xff0c;作为普通字符使用正则…
阅读更多...
Python浪漫之画明亮的月亮

Python浪漫之画明亮的月亮

目录 1、效果展示 2、完整版代码 1、效果展示 2、完整版代码 import turtledef draw_moon():# 设置画布turtle.bgcolor("black") # 背景颜色为黑色turtle.speed(10) # 设置绘制速度# 绘制月亮的外圈turtle.penup()turtle.goto(0, -100) # 移动到起始…
阅读更多...
微信小程序包之加农炮游戏

微信小程序包之加农炮游戏

微信小程序 - 气球射击游戏 项目简介 这是一个简单有趣的微信小程序射击游戏。玩家通过控制屏幕底部的加农炮&#xff0c;射击从上方降落的蓝色气球。游戏考验玩家的反应能力和瞄准技巧。 游戏规则 点击屏幕任意位置发射炮弹大炮会自动对准点击位置击中气球获得10分如果气球触…
阅读更多...
autogen+ollama+litellm实现本地部署多代理智能体

autogen+ollama+litellm实现本地部署多代理智能体

autogen 是一个专门为大语言模型 (LLMs) 驱动的自治代理 (autonomous agents) 设计的 Python 库，由 Microsoft 开发和维护。它通过高度模块化和可扩展的架构，支持用户快速构建和运行多代理系统，这些代理可以在没有明确人类干预的情况下协作完成复杂任务。AutoGen 支持以最少…
阅读更多...
分公司如何纳税

分公司如何纳税

分公司不进行纳税由总公司汇总纳税“子公司具有法人资格&#xff0c;依法独立承担民事责任;分公司不具有法人资格&#xff0c;其民事责任由公司承担。”企业设立分支机构&#xff0c;使其不具有法人资格&#xff0c;且不实行独立核算&#xff0c;则可由总公司汇总缴纳企业所得税…
阅读更多...
HashMap源码详解

HashMap源码详解

提醒你一下&#xff0c;用电脑或者平板看&#xff0c;手机屏幕小&#xff0c;图片会看不清楚&#xff0c;源码不方便看 基础前置 看该篇文章之前先看看这篇基础文章 HashMap底层原理-CSDN博客 先来看HashMap里面的一些参数。 1.DEFAULT_INITIAL_CAPACITY 默认的数组初…
阅读更多...
09 —— Webpack搭建开发环境

09 —— Webpack搭建开发环境

搭建开发环境 —— 使用webpack-dev-server 启动Web服务&#xff0c;自动检测代码变化&#xff0c;有变化后会自动重新打包&#xff0c;热更新到网页&#xff08;代码变化后&#xff0c;直接替换变化的代码&#xff0c;自动更新网页&#xff0c;不用手动刷新网页&#xff09; …
阅读更多...
动态反馈控制器（DFC）和 服务率控制器（SRC）；服务率和到达率简单理解

动态反馈控制器（DFC）和 服务率控制器（SRC）；服务率和到达率简单理解

目录 服务率和到达率简单理解 服务率 到达率 排队论中的应用 论文解析：队列等待成本动态感知控制模型 动态反馈和队列等待成本意识： 服务速率调整算法： 动态反馈控制器（DFC）和 服务率控制器（SRC） SRC公式4的原理 算力资源分配系统中的调整消耗 举例说明 服务…
阅读更多...
九、FOC原理详解

九、FOC原理详解

1、FOC简介 FOC&#xff08;field-oriented control&#xff09;为磁场定向控制&#xff0c;又称为矢量控制&#xff08;vectorcontrol&#xff09;&#xff0c;是目前无刷直流电机&#xff08;BLDC&#xff09;和永磁同步电机&#xff08;PMSM&#xff09;高效控制的最佳选择…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023