主頁 > 後端開發 > 基于Pytorch的MNIST手寫資料集的RNN與CNN實作

基于Pytorch的MNIST手寫資料集的RNN與CNN實作

2020-10-27 19:17:35 後端開發

基于Pytorch的MNIST手寫資料集的RNN與CNN實作

LSTM處理手寫資料集（分類問題）
LSTM通過sin預測cos（回歸問題）

pytorch輸入引數格式

input_size – 輸入的特征維度，即詞嵌入里是one-hot的長度，一個單詞的長度是300，則input_size為300，輸入影像的寬為28，則input_size為28

hidden_size – 隱狀態的特征維度，可以自行設定

num_layers – 層數（和時序展開要區分開），一般為1或者2

bias – 如果為False，那么LSTM將不會使用 b i h , b h h b_{ih},b_{hh} bih?,bhh?，默認為True，

batch_first – 如果為True，那么輸入和輸出Tensor的形狀為 (batch, time_step, input_size)，否則 (time_step batch, input_size)

dropout – 如果非零的話，將會在RNN的輸出上加個dropout，最后一層除外，

bidirectional – 如果為True，將會變成一個雙向RNN，默認為False，

time_step:長度為一句話的長度，一句話包含的單詞數量，
batch_size:分批次送入rnn的數量
以下代碼來自lstm

lstm輸入是input, (h_0, c_0)
input (time_step, batch, input_size) 如果設定了batch_first，則batch為第一維，

(h_0, c_0) 隱層狀態
h0 shape：(num_layers * num_directions, batch, hidden_size) 
c0 shape：(num_layers * num_directions, batch, hidden_size)

lstm輸出是output, (h_n, c_n)
output (time_step, batch, hidden_size * num_directions) 包含每一個時刻的輸出特征，如果設定了batch_first，則batch為第一維
(h_n, c_n) 隱層狀態 
h_n shape: (num_layers * num_directions, batch, hidden_size)
c_n shape: (num_layers * num_directions, batch, hidden_size)

在一些檔案中，time_step和seq_len都表示時間步

class RNN(nn.Module):
    def __init__(self):
        super(RNN, self).__init__()

        self.rnn = nn.LSTM(         
            input_size=INPUT_SIZE,
            hidden_size=64,        
            num_layers=1,          
            batch_first=True,     #(batch, time_step, input_size)
        )

        self.out = nn.Linear(64, 10)  #Linear(num_layer*hidden_size,分類的個數)

    def forward(self, x):
        # x shape (batch, time_step, input_size)
        # r_out shape (batch, time_step, output_size)
        # h_n shape (n_layers, batch, hidden_size)
        # h_c shape (n_layers, batch, hidden_size)
        r_out, (h_n, h_c) = self.rnn(x, None)   # 初始狀態為None
        out = self.out(r_out[:, -1, :])
        return out

其中 out = self.out(r_out[:, -1, :])這一句是取time_step為最后時刻的輸出作為linera層的輸入，因為輸入一個xt和ht-1會產生一個r_out和(h_n, h_c)，產生的hn會繼續送入rnn的輸入繼續產生下一個r_out，所以需要取最后時刻的輸出作為輸入

完整代碼整理后發布
CNN實作手寫資料集代碼如下

import torch
import torch.nn
from torch import nn
from torch.utils.data import Dataset
from torch.utils.data import DataLoader
import numpy as np
import matplotlib.pyplot as plt
from torchvision import datasets,transforms
import torch.optim as optim
import torch.nn.functional as F



BATCH_SIZE=512
EPOCHS=20
DEVICE=torch.device("cuda" if torch.cuda.is_available() else "cpu")


transform=transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307,), (0.3081,))
])
train_data=datasets.MNIST(root='./mnist',download=True,train=True,transform=transform)
test_data=datasets.MNIST(root='./mnist',download=True,train=False,transform=transform)

train_loader=DataLoader(train_data,batch_size=BATCH_SIZE,shuffle=True)
test_loader=DataLoader(test_data,batch_size=BATCH_SIZE,shuffle=True)







class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Sequential(
            nn.Conv2d(in_channels=1, out_channels=10, kernel_size=5),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2)

        )
        self.conv2 = nn.Sequential(
            nn.Conv2d(in_channels=10, out_channels=20, kernel_size=3),
            nn.ReLU(),
            nn.MaxPool2d(2)
        )
        self.out = nn.Linear(20 * 5 * 5, 10)

    def forward(self, x):
        x = self.conv1(x)
        x = self.conv2(x)
        x = x.view(x.size(0), -1)
        output = self.out(x)
        return output


model = Net()  # 實體化網路net，再送入gpu訓練
optimizer = optim.Adam(model.parameters())
criterion = nn.CrossEntropyLoss()


def train(model, device, train_loader, optimizer, epoch, criterion):
    model.train()
    for batch_idx, (data, target) in enumerate(train_loader):

        output = model(data)

        # loss=criterion(output,target)

        optimizer.zero_grad()
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()

        if (batch_idx + 1) % 30 == 0:  # train_loader的長度為train_loader.dataset的長度除以batch_size
            print('Train Epoch:{} [{}/{} ({:.0f}%)]\tLoss:{:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset), 100. * batch_idx / len(train_loader),
                loss.item()
            ))


def test(model, device, test_loader):
    model.eval()
    test_loss = 0
    test_corr = 0
    with torch.no_grad():
        for img, label in test_loader:
            output = model(img)
            test_loss += criterion(output, label)
            pred = output.max(1, keepdim=True)[1]
            test_corr += pred.eq(label.view_as(pred)).sum().item()

        print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
            test_loss, test_corr, len(test_loader.dataset), 100. * (test_corr / len(test_loader.dataset))
        ))


for epoch in range(1, EPOCHS + 1):
    train(model, DEVICE, train_loader, optimizer, epoch, criterion)
    test(model, DEVICE, test_loader)

訓練結果如下
Train Epoch:1 [14848/60000 (25%)] Loss:0.809119
Train Epoch:1 [30208/60000 (50%)] Loss:0.332066
Train Epoch:1 [45568/60000 (75%)] Loss:0.248601

Test set: Average loss: 3.3879, Accuracy: 9515/10000 (95%)

Train Epoch:2 [14848/60000 (25%)] Loss:0.200926
Train Epoch:2 [30208/60000 (50%)] Loss:0.167642
Train Epoch:2 [45568/60000 (75%)] Loss:0.129635

Test set: Average loss: 1.9960, Accuracy: 9700/10000 (97%)

Train Epoch:3 [14848/60000 (25%)] Loss:0.097073
Train Epoch:3 [30208/60000 (50%)] Loss:0.078300
Train Epoch:3 [45568/60000 (75%)] Loss:0.095262

Test set: Average loss: 1.5412, Accuracy: 9764/10000 (98%)

Train Epoch:4 [14848/60000 (25%)] Loss:0.067570
Train Epoch:4 [30208/60000 (50%)] Loss:0.091387
Train Epoch:4 [45568/60000 (75%)] Loss:0.058170

Test set: Average loss: 1.3722, Accuracy: 9795/10000 (98%)

Train Epoch:5 [14848/60000 (25%)] Loss:0.081385
Train Epoch:5 [30208/60000 (50%)] Loss:0.069488
Train Epoch:5 [45568/60000 (75%)] Loss:0.108909

Test set: Average loss: 1.1676, Accuracy: 9818/10000 (98%)

Train Epoch:6 [14848/60000 (25%)] Loss:0.060494
Train Epoch:6 [30208/60000 (50%)] Loss:0.070833
Train Epoch:6 [45568/60000 (75%)] Loss:0.085588

Test set: Average loss: 1.0887, Accuracy: 9833/10000 (98%)

Train Epoch:7 [14848/60000 (25%)] Loss:0.067081
Train Epoch:7 [30208/60000 (50%)] Loss:0.082414
Train Epoch:7 [45568/60000 (75%)] Loss:0.045014

Test set: Average loss: 1.0601, Accuracy: 9837/10000 (98%)

Train Epoch:8 [14848/60000 (25%)] Loss:0.062390
Train Epoch:8 [30208/60000 (50%)] Loss:0.048241
Train Epoch:8 [45568/60000 (75%)] Loss:0.042879

Test set: Average loss: 0.9528, Accuracy: 9836/10000 (98%)

Train Epoch:9 [14848/60000 (25%)] Loss:0.048539
Train Epoch:9 [30208/60000 (50%)] Loss:0.055073
Train Epoch:9 [45568/60000 (75%)] Loss:0.055796

Test set: Average loss: 0.8623, Accuracy: 9866/10000 (99%)

Train Epoch:10 [14848/60000 (25%)] Loss:0.051431
Train Epoch:10 [30208/60000 (50%)] Loss:0.045435
Train Epoch:10 [45568/60000 (75%)] Loss:0.075674

Test set: Average loss: 0.7783, Accuracy: 9874/10000 (99%)

Train Epoch:11 [14848/60000 (25%)] Loss:0.028392
Train Epoch:11 [30208/60000 (50%)] Loss:0.049267
Train Epoch:11 [45568/60000 (75%)] Loss:0.042472

Test set: Average loss: 0.8189, Accuracy: 9875/10000 (99%)

Train Epoch:12 [14848/60000 (25%)] Loss:0.058731
Train Epoch:12 [30208/60000 (50%)] Loss:0.025470
Train Epoch:12 [45568/60000 (75%)] Loss:0.029647

Test set: Average loss: 0.7829, Accuracy: 9871/10000 (99%)

Train Epoch:13 [14848/60000 (25%)] Loss:0.052567
Train Epoch:13 [30208/60000 (50%)] Loss:0.028609
Train Epoch:13 [45568/60000 (75%)] Loss:0.020649

Test set: Average loss: 0.7527, Accuracy: 9872/10000 (99%)

Train Epoch:14 [14848/60000 (25%)] Loss:0.039200
Train Epoch:14 [30208/60000 (50%)] Loss:0.019106
Train Epoch:14 [45568/60000 (75%)] Loss:0.067107

Test set: Average loss: 0.7386, Accuracy: 9886/10000 (99%)

Train Epoch:15 [14848/60000 (25%)] Loss:0.038181
Train Epoch:15 [30208/60000 (50%)] Loss:0.022419
Train Epoch:15 [45568/60000 (75%)] Loss:0.016036

Test set: Average loss: 0.7954, Accuracy: 9862/10000 (99%)

Train Epoch:16 [14848/60000 (25%)] Loss:0.018675
Train Epoch:16 [30208/60000 (50%)] Loss:0.039494
Train Epoch:16 [45568/60000 (75%)] Loss:0.017992

Test set: Average loss: 0.8029, Accuracy: 9859/10000 (99%)

Train Epoch:17 [14848/60000 (25%)] Loss:0.019442
Train Epoch:17 [30208/60000 (50%)] Loss:0.014947
Train Epoch:17 [45568/60000 (75%)] Loss:0.024432

Test set: Average loss: 0.6863, Accuracy: 9874/10000 (99%)

Train Epoch:18 [14848/60000 (25%)] Loss:0.013267
Train Epoch:18 [30208/60000 (50%)] Loss:0.022075
Train Epoch:18 [45568/60000 (75%)] Loss:0.024906

Test set: Average loss: 0.6707, Accuracy: 9887/10000 (99%)

Train Epoch:19 [14848/60000 (25%)] Loss:0.031900
Train Epoch:19 [30208/60000 (50%)] Loss:0.014791
Train Epoch:19 [45568/60000 (75%)] Loss:0.037303

Test set: Average loss: 0.7329, Accuracy: 9878/10000 (99%)

Train Epoch:20 [14848/60000 (25%)] Loss:0.030795
Train Epoch:20 [30208/60000 (50%)] Loss:0.016112
Train Epoch:20 [45568/60000 (75%)] Loss:0.020148

Test set: Average loss: 0.6894, Accuracy: 9884/10000 (99%)

RNN代碼如下

import torch
import numpy
import torch.nn as nn
import matplotlib.pyplot as plt
import torch.optim as optim
import torch.nn.functional as F
from torch.utils.data import DataLoader,Dataset
from torchvision import datasets,transforms

BATCH_SIZE=512
INPUT_SIZE=28
TIME_STEP=28
HIDDEN_SIZE=32
NUM_LAYER=1
EPOCHS=20

transform=transforms.Compose([
        transforms.ToTensor(),
        transforms.Normalize((0.1307,),(0.3081,))

])

train_data=datasets.MNIST(root='.\mnist',download=True,train=True,transform=transform)
test_data=datasets.MNIST(root='.\mnist',download=True,train=False,transform=transform)

train_loader=DataLoader(dataset=train_data,shuffle=True,batch_size=BATCH_SIZE)
test_loader=DataLoader(dataset=test_data,shuffle=True,batch_size=BATCH_SIZE)
h_n=None

class NET(nn.Module):
    def __init__(self):
        super(NET,self).__init__()
        self.rnn=nn.LSTM(input_size=INPUT_SIZE,hidden_size=HIDDEN_SIZE,num_layers=NUM_LAYER,batch_first=True)
        self.out=nn.Linear(NUM_LAYER*HIDDEN_SIZE,10)

    def forward(self,x):
        #x_shape(batch_size,time_step,input_size)
        #r_out_shape(batch_size,time_step,output_size)
        #h_n_shape(num_layer*hidden_size,batch_size,hidden_size)
        r_out,(h_n,h_c)=self.rnn(x,None)
        output=self.out(r_out[:,-1,:])
        return output
net=NET()
print(net)

optimizer=optim.Adam(net.parameters())
criterion=nn.CrossEntropyLoss()

def train(net,epoch,train_loader):
    net.train()
    for batch_idx,(data,label) in enumerate(train_loader):
        data=data.view(-1,28,28)
        output=net(data)
        optimizer.zero_grad()
        loss=criterion(output,label)
        loss.backward()
        optimizer.step()

        if (batch_idx+1)%30==0:
            print('Train Epoch:{} [{}/{}]({:.0f})%\tLOSS:{:.6f}'.format(
                epoch,
                batch_idx*len(data),
                len(train_loader.dataset),
                100.*(batch_idx*len(data)/len(train_loader.dataset)),
                loss.item()
            ))

def test(net,test_loader):
    net.eval()
    test_loss=0
    test_correct=0
    with torch.no_grad():
        for data,label in test_loader:
            data=data.view(-1,28,28)
            output=net(data)
            test_loss+=criterion(output,label)
            pred=output.max(1,keepdim=True)[1]
            test_correct+=pred.eq(label.view_as(pred)).sum().item()
        test_loss=test_loss/len(test_loader.dataset)
        print("\nTest set:Average loss:{:.5f},Accuracy:{}/{}({:.0f}%)\n".format(
            test_loss,test_correct,len(test_loader.dataset),100.*(test_correct/len(test_loader.dataset))
        ))

for epoch in range(1,EPOCHS+1):
    train(net=net,train_loader=train_loader,epoch=epoch)
    test(net=net,test_loader=test_loader)

測驗結果如下：
Train Epoch:1 14848/60000% LOSS:2.203524
Train Epoch:1 30208/60000% LOSS:1.798758
Train Epoch:1 45568/60000% LOSS:1.489452

Test set:Average loss:0.00231,Accuracy:6584/10000(66%)
Train Epoch:2 14848/60000% LOSS:0.899769
Train Epoch:2 30208/60000% LOSS:0.805880
Train Epoch:2 45568/60000% LOSS:0.606137

Test set:Average loss:0.00103,Accuracy:8584/10000(86%)
Train Epoch:3 14848/60000% LOSS:0.446443
Train Epoch:3 30208/60000% LOSS:0.391045
Train Epoch:3 45568/60000% LOSS:0.406176

Test set:Average loss:0.00064,Accuracy:9125/10000(91%)
Train Epoch:4 14848/60000% LOSS:0.353174
Train Epoch:4 30208/60000% LOSS:0.272244
Train Epoch:4 45568/60000% LOSS:0.343986

Test set:Average loss:0.00047,Accuracy:9339/10000(93%)
Train Epoch:5 14848/60000% LOSS:0.200243
Train Epoch:5 30208/60000% LOSS:0.195071
Train Epoch:5 45568/60000% LOSS:0.213462

Test set:Average loss:0.00044,Accuracy:9376/10000(94%)
Train Epoch:6 14848/60000% LOSS:0.197920
Train Epoch:6 30208/60000% LOSS:0.205575
Train Epoch:6 45568/60000% LOSS:0.170409

Test set:Average loss:0.00034,Accuracy:9525/10000(95%)
Train Epoch:7 14848/60000% LOSS:0.211715
Train Epoch:7 30208/60000% LOSS:0.166500
Train Epoch:7 45568/60000% LOSS:0.126960

Test set:Average loss:0.00031,Accuracy:9559/10000(96%)
Train Epoch:8 14848/60000% LOSS:0.125349
Train Epoch:8 30208/60000% LOSS:0.116293
Train Epoch:8 45568/60000% LOSS:0.178416

Test set:Average loss:0.00029,Accuracy:9592/10000(96%)
Train Epoch:9 14848/60000% LOSS:0.141461
Train Epoch:9 30208/60000% LOSS:0.164373
Train Epoch:9 45568/60000% LOSS:0.146364

Test set:Average loss:0.00027,Accuracy:9626/10000(96%)
Train Epoch:10 14848/60000% LOSS:0.121087
Train Epoch:10 30208/60000% LOSS:0.132021
Train Epoch:10 45568/60000% LOSS:0.118700

Test set:Average loss:0.00026,Accuracy:9632/10000(96%)
Train Epoch:11 14848/60000% LOSS:0.161801
Train Epoch:11 30208/60000% LOSS:0.167275
Train Epoch:11 45568/60000% LOSS:0.116637

Test set:Average loss:0.00026,Accuracy:9633/10000(96%)
Train Epoch:12 14848/60000% LOSS:0.125100
Train Epoch:12 30208/60000% LOSS:0.087668
Train Epoch:12 45568/60000% LOSS:0.087067

Test set:Average loss:0.00023,Accuracy:9673/10000(97%)
Train Epoch:13 14848/60000% LOSS:0.104275
Train Epoch:13 30208/60000% LOSS:0.049023
Train Epoch:13 45568/60000% LOSS:0.083864

Test set:Average loss:0.00023,Accuracy:9672/10000(97%)
Train Epoch:14 14848/60000% LOSS:0.064737
Train Epoch:14 30208/60000% LOSS:0.116962
Train Epoch:14 45568/60000% LOSS:0.134746

Test set:Average loss:0.00023,Accuracy:9673/10000(97%)
Train Epoch:15 14848/60000% LOSS:0.125909
Train Epoch:15 30208/60000% LOSS:0.081128
Train Epoch:15 45568/60000% LOSS:0.086529

Test set:Average loss:0.00021,Accuracy:9704/10000(97%)
Train Epoch:16 14848/60000% LOSS:0.152240
Train Epoch:16 30208/60000% LOSS:0.076676
Train Epoch:16 45568/60000% LOSS:0.103419

Test set:Average loss:0.00020,Accuracy:9721/10000(97%)
Train Epoch:17 14848/60000% LOSS:0.077082
Train Epoch:17 30208/60000% LOSS:0.070063
Train Epoch:17 45568/60000% LOSS:0.099703

Test set:Average loss:0.00020,Accuracy:9722/10000(97%)
Train Epoch:18 14848/60000% LOSS:0.042793
Train Epoch:18 30208/60000% LOSS:0.055832
Train Epoch:18 45568/60000% LOSS:0.076663

Test set:Average loss:0.00019,Accuracy:9728/10000(97%)
Train Epoch:19 14848/60000% LOSS:0.081578
Train Epoch:19 30208/60000% LOSS:0.112749
Train Epoch:19 45568/60000% LOSS:0.091129

Test set:Average loss:0.00020,Accuracy:9712/10000(97%)
Train Epoch:20 14848/60000% LOSS:0.094860
Train Epoch:20 30208/60000% LOSS:0.079394
Train Epoch:20 45568/60000% LOSS:0.081650

Test set:Average loss:0.00020,Accuracy:9721/10000(97%)

Process finished with exit code 0

可見在Mnist資料集上的訓練，cnn的正確率略高于rnn

轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/194014.html

標籤：python

上一篇：計算機的基礎知識和python介紹和解釋器的安裝

下一篇：5.5 萬首唐詩、26 萬首宋詩、2.1 萬首宋詞 Python助力中華古典文集資料庫

標籤雲
其他(157675) Python(38076) JavaScript(25376) Java(17977) C(15215) 區塊鏈(8255) C＃(7972) AI(7469) 爪哇(7425) MySQL(7132) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5869) 数组(5741) R(5409) Linux(5327) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4554) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2429) ASP.NET(2402) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) 功能(1967) .NET技术(1958) Web開發(1951) python-3.x(1918) HtmlCss(1915) 弹簧靴(1913) C++(1909) xml(1889) PostgreSQL(1872) .NETCore(1853) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • 【C++】Microsoft C++、C 和匯編程式檔案

    ......

    uj5u.com 2020-09-10 00:57:23 more
  • 例外宣告

    相比于斷言適用于排除邏輯上不可能存在的狀態，例外通常是用于邏輯上可能發生的錯誤。 例外宣告 Item 1：當函式不可能拋出例外或不能接受拋出例外時，使用noexcept 理由 如果不打算拋出例外的話，程式就會認為無法處理這種錯誤，并且應當盡早終止，如此可以有效地阻止例外的傳播與擴散。 示例 //不可 ......

    uj5u.com 2020-09-10 00:57:27 more
  • Codeforces 1400E Clear the Multiset(貪心 + 分治)

    鏈接：https://codeforces.com/problemset/problem/1400/E 來源：Codeforces 思路：給你一個陣列，現在你可以進行兩種操作，操作1：將一段沒有 0 的區間進行減一的操作，操作2：將 i 位置上的元素歸零。最終問：將這個陣列的全部元素歸零后操作的最少 ......

    uj5u.com 2020-09-10 00:57:30 more
  • UVA11610 【Reverse Prime】

    本人看到此題沒有翻譯，就附帶了一個自己的翻譯版本 思考 這一題，它的第一個要求是找出所有 $7$ 位反向質數及其質因數的個數。 我們應該需要質數篩篩選1~$10^{7}$的所有數，這里就不慢慢介紹了。但是，重讀題，我們突然發現反向質數都是 $7$ 位，而將它反過來后的數字卻是 $6$ 位數，這就說明 ......

    uj5u.com 2020-09-10 00:57:36 more
  • 統計區間素數數量

    1 #pragma GCC optimize(2) 2 #include <bits/stdc++.h> 3 using namespace std; 4 bool isprime[1000000010]; 5 vector<int> prime; 6 inline int getlist(int ......

    uj5u.com 2020-09-10 00:57:47 more
  • C/C++編程筆記：C++中的 const 變數詳解，教你正確認識const用法

    1、C中的const 1、區域const變數存放在堆疊區中，會分配記憶體（也就是說可以通過地址間接修改變數的值）。測驗代碼如下： 運行結果： 2、全域const變數存放在只讀資料段（不能通過地址修改，會發生寫入錯誤）， 默認為外部聯編，可以給其他源檔案使用（需要用extern關鍵字修飾） 運行結果： ......

    uj5u.com 2020-09-10 00:58:04 more
  • 【C++犯錯記錄】VS2019 MFC添加資源不懂如何修改資源宏ID

    1. 首先在資源視圖中，添加資源 2. 點擊新添加的資源，復制自動生成的ID 3. 在解決方案資源管理器中找到Resource.h檔案，編輯，使用整個專案搜索和替換的方式快速替換 宏宣告 4. Ctrl+Shift+F 全域搜索，點擊查找全部，然后逐個替換 5. 為什么使用搜索替換而不使用屬性視窗直 ......

    uj5u.com 2020-09-10 00:59:11 more
  • 【C++犯錯記錄】VS2019 MFC不懂的批量添加資源

    1. 打開資源頭檔案Resource.h，在其中預先定義好宏 ID（不清楚其實ID值應該設定多少，可以先新建一個相同的資源項，再在這個資源的ID值的基礎上遞增即可） 2. 在資源視圖中選中專案資源，按F7編輯資源檔案，按 ID 型別 相對路徑的形式添加 資源。（別忘了先把檔案拷貝到專案中的res檔案 ......

    uj5u.com 2020-09-10 01:00:19 more
  • C/C++編程筆記：關于C++的參考型別，專供新手入門使用

    今天要講的是C++中我最喜歡的一個用法——參考，也叫別名。 參考就是給一個變數名取一個變數名，方便我們間接地使用這個變數。我們可以給一個變數創建N個參考，這N + 1個變數共享了同一塊記憶體區域。(參考型別的變數會占用記憶體空間，占用的記憶體空間的大小和指標型別的大小是相同的。雖然參考是一個物件的別名，但 ......

    uj5u.com 2020-09-10 01:00:22 more
  • 【C/C++編程筆記】從頭開始學習C ++：初學者完整指南

    眾所周知，C ++的學習曲線陡峭，但是花時間學習這種語言將為您的職業帶來奇跡，并使您與其他開發人員區分開。您會更輕松地學習新語言，形成真正的解決問題的技能，并在編程的基礎上打下堅實的基礎。 C ++將幫助您養成良好的編程習慣（即清晰一致的編碼風格，在撰寫代碼時注釋代碼，并限制類內部的可見性），并且由 ......

    uj5u.com 2020-09-10 01:00:41 more
最新发布
  • Rust中的智能指標:Box<T> Rc<T> Arc<T> Cell<T> RefCell<T> Weak

    Rust中的智能指標是什么 智能指標（smart pointers）是一類資料結構，是擁有資料所有權和額外功能的指標。是指標的進一步發展 指標（pointer）是一個包含記憶體地址的變數的通用概念。這個地址參考，或 ” 指向”（points at）一些其 他資料 。參考以 & 符號為標志并借用了他們所 ......

    uj5u.com 2023-04-20 07:24:10 more
  • Java的值傳遞和參考傳遞

    值傳遞不會改變本身，參考傳遞（如果傳遞的值需要實體化到堆里）如果發生修改了會改變本身。 1.基本資料型別都是值傳遞 package com.example.basic; public class Test { public static void main(String[] args) { int ......

    uj5u.com 2023-04-20 07:24:04 more
  • [2]SpinalHDL教程——Scala簡單入門

    第一個 Scala 程式 shell里面輸入 $ scala scala> 1 + 1 res0: Int = 2 scala> println("Hello World!") Hello World! 檔案形式 object HelloWorld { /* 這是我的第一個 Scala 程式 * 以 ......

    uj5u.com 2023-04-20 07:23:58 more
  • 理解函式指標和回呼函式

    理解 函式指標 指向函式的指標。比如： 理解函式指標的偽代碼 void (*p)(int type, char *data); // 定義一個函式指標p void func(int type, char *data); // 宣告一個函式func p = func; // 將指標p指向函式func ......

    uj5u.com 2023-04-20 07:23:52 more
  • Django筆記二十五之資料庫函式之日期函式

    本文首發于公眾號：Hunter后端 原文鏈接：Django筆記二十五之資料庫函式之日期函式 日期函式主要介紹兩個大類，Extract() 和 Trunc() Extract() 函式作用是提取日期，比如我們可以提取一個日期欄位的年份，月份，日等資料 Trunc() 的作用則是截取，比如 2022-0 ......

    uj5u.com 2023-04-20 07:23:45 more
  • 一天吃透JVM面試八股文

    什么是JVM？ JVM，全稱Java Virtual Machine（Java虛擬機），是通過在實際的計算機上仿真模擬各種計算機功能來實作的。由一套位元組碼指令集、一組暫存器、一個堆疊、一個垃圾回收堆和一個存盤方法域等組成。JVM屏蔽了與作業系統平臺相關的資訊，使得Java程式只需要生成在Java虛擬機 ......

    uj5u.com 2023-04-20 07:23:31 more
  • 使用Java接入小程式訂閱訊息！

    更新完微信服務號的模板訊息之后，我又趕緊把微信小程式的訂閱訊息給實作了！之前我一直以為微信小程式也是要企業才能申請，沒想到小程式個人就能申請。 訊息推送平臺🔥推送下發【郵件】【短信】【微信服務號】【微信小程式】【企業微信】【釘釘】等訊息型別。 https://gitee.com/zhongfuch ......

    uj5u.com 2023-04-20 07:22:59 more
  • java -- 緩沖流、轉換流、序列化流

    緩沖流 緩沖流, 也叫高效流, 按照資料型別分類： 位元組緩沖流：BufferedInputStream，BufferedOutputStream 字符緩沖流：BufferedReader，BufferedWriter 緩沖流的基本原理，是在創建流物件時，會創建一個內置的默認大小的緩沖區陣列，通過緩沖 ......

    uj5u.com 2023-04-20 07:22:49 more
  • Java-SpringBoot-Range請求頭設定實作視頻分段傳輸

    老實說，人太懶了，現在基本都不喜歡寫筆記了，但是網上有關Range請求頭的文章都太水了 下面是抄的一段StackOverflow的代碼...自己大修改過的，寫的注釋挺全的，應該直接看得懂，就不解釋了 寫的不好...只是希望能給視頻網站開發的新手一點點幫助吧. 業務場景：視頻分段傳輸、視頻多段傳輸（理 ......

    uj5u.com 2023-04-20 07:22:42 more
  • Windows 10開發教程_編程入門自學教程_菜鳥教程-免費教程分享

    教程簡介 Windows 10開發入門教程 - 從簡單的步驟了解Windows 10開發，從基本到高級概念，包括簡介，UWP，第一個應用程式，商店，XAML控制元件，資料系結，XAML性能，自適應設計，自適應UI，自適應代碼，檔案管理，SQLite資料庫，應用程式到應用程式通信，應用程式本地化，應用程式 ......

    uj5u.com 2023-04-20 07:22:35 more

Copyright © 2010-2020 有解無憂