当前位置： 首页 > article >正文

深度学习中通道数的理解

article 2026/4/21 17:17:17

目录

一、通道（Channels）的作用

1. 表示输入数据的多样性

2. 提取多层次特征

3. 信息融合与交互

4. 控制模型的复杂度

5. 支持多任务学习

6. 实际应用中的通道设计

7. 总结

二、案例一

1. 输入图像的通道（RGB）

2. 输出特征图的通道

3. 32个通道中存放了什么？

4. 为什么需要32个通道？

5. 后续层的通道数

6. 实际例子

7. 总结

三、案例二：

1. 下采样和上采样的作用

2. 下采样丢失的特征

3. 上采样时信息的来源

4. FPN+PAN中的信息流动

5. 为什么不会丢失太多特征？

6. 实际例子

7. 总结

四、案例三

1. ResUnit的基本结构

2. 重复ResUnit的作用

3. 为什么不需要改变尺寸和通道数？

4. ResUnit在YOLOv5中的应用

5. 与其他模块的配合

6. 总结

一、通道（Channels）的作用

        在深度学习中，通道（Channels）是卷积神经网络（CNN）中的一个核心概念，它在数据的表示和特征提取中起着至关重要的作用。通道的作用可以从输入数据、特征提取和模型设计等多个角度来理解。以下是通道的主要作用：

1. 表示输入数据的多样性

  • 对于输入数据（如图像），通道数通常表示数据的颜色空间或特征维度。

    • 灰度图像：1个通道（仅亮度信息）。

    • RGB图像：3个通道（红、绿、蓝）。

    • 多光谱图像：可能有更多通道（如红外、深度等）。

  • 通道数决定了输入数据的维度，每个通道可以表示不同的信息（如颜色、深度、温度等）。

2. 提取多层次特征

  • 在卷积层中，每个卷积核会生成一个输出通道，这些通道代表了网络从输入数据中提取的不同特征。

    • 低级特征：在浅层卷积中，通道通常对应简单的特征，如边缘、颜色、纹理等。

    • 中级特征：在中间层，通道可能对应更复杂的特征，如形状、物体部分等。

    • 高级特征：在深层，通道可能对应抽象的特征，如物体的整体结构或语义信息。

  • 通过增加通道数，网络可以提取更多样化的特征，从而提高模型的表达能力。

3. 信息融合与交互

  • 在多通道特征图中，不同通道之间可以通过后续的卷积操作进行信息融合。

    • 例如，1x1卷积可以用于调整通道数或跨通道的信息交互。

    • 这种信息融合机制可以帮助网络更好地理解输入数据的全局信息。

  • 在注意力机制（如SENet、CBAM）中，通道注意力模块可以动态调整不同通道的重要性，从而增强有用特征并抑制无用特征。

4. 控制模型的复杂度

  • 通道数直接影响模型的参数数量和计算复杂度。

    • 更多的通道数意味着更多的参数和更高的计算成本。

    • 通过合理设计通道数，可以在模型性能和计算效率之间取得平衡。

  • 例如，深度可分离卷积（Depthwise Separable Convolution）通过减少通道间的计算量来降低模型复杂度。

5. 支持多任务学习

  • 在多任务学习中，不同的通道可以用于提取不同任务所需的特征。

    • 例如，在目标检测任务中，某些通道可能用于分类，而另一些通道可能用于定位。

  • 这种设计可以提高模型的泛化能力，并减少对多个独立模型的需求。

6. 实际应用中的通道设计

  • 在经典的CNN架构中（如VGG、ResNet、YOLO等），通道数会随着网络的加深而逐渐增加。

    • 例如，VGG16的第一层卷积使用64个通道，而最后一层卷积使用512个通道。

  • 在目标检测任务中，通道数的设计会影响模型对小目标或复杂场景的检测能力。

  • 在图像分割任务中，通道数通常与类别数相关（如语义分割中的类别通道）。

7. 总结

通道在深度学习中的作用可以概括为以下几点：

  • 表示输入数据的多样性（如颜色、深度等）。

  • 提取多层次特征（从低级到高级）。

  • 支持信息融合与交互（如跨通道的特征组合）。

  • 控制模型的复杂度（平衡性能与效率）。

  • 支持多任务学习（如分类、检测、分割等）。

通过合理设计通道数，可以显著提升模型的性能和效率。

二、案例一

        这个案例是我在学习时候不理解的一个地方，下面是对这个问题的一些解答：如果是32个通道数，那除了RGB三色的通道外，其余的通道放了什么东西？

        在深度学习中，卷积层的输出通道数（例如32个通道）并不是直接对应输入图像的RGB三色通道，而是通过卷积操作提取的特征图。这些特征图代表了网络从输入数据中学习到的不同特征。下面详细解释这些通道中存放的内容：

1. 输入图像的通道（RGB）

  • 对于RGB图像，输入数据有3个通道（红、绿、蓝）。

  • 在第一个卷积层中，每个卷积核的深度必须与输入通道数一致（即3）。卷积核会在整个输入图像上滑动，计算加权和，生成一个输出特征图。

2. 输出特征图的通道

  • 假设第一个卷积层有32个卷积核，那么它会生成32个输出通道。

  • 每个卷积核会提取输入图像中的某种特定特征（如边缘、纹理、颜色等），并将这些特征映射到输出特征图中。

  • 因此，32个通道中的每一个都对应一个卷积核提取的特征。

3. 32个通道中存放了什么？

  • 低级特征：在浅层卷积中，32个通道通常对应一些简单的特征，例如：

    • 边缘（水平、垂直、对角线等）。

    • 颜色变化（如从亮到暗的过渡）。

    • 简单的纹理（如斑点、条纹等）。

  • 特征图的可视化：如果将32个通道中的每一个单独可视化，可能会看到一些模糊的图案，这些图案反映了卷积核提取的特征。

    • 例如，某些通道可能对水平边缘敏感，而另一些通道可能对垂直边缘敏感。

    • 还有一些通道可能对特定颜色或纹理敏感。

4. 为什么需要32个通道？

  • 特征多样性：32个通道意味着网络可以从输入图像中提取32种不同的特征。这些特征组合起来可以帮助网络更好地理解图像内容。

  • 层次化特征提取：随着网络加深，这些低级特征会逐渐组合成更复杂的高级特征（如形状、物体部分等）。

  • 提高模型表达能力：更多的通道数可以增强模型的表达能力，使其能够更好地拟合训练数据。

5. 后续层的通道数

  • 在后续的卷积层中，输入通道数不再是3，而是前一层的输出通道数（例如32）。

  • 每个卷积核的深度会与输入通道数一致（例如32），并在所有输入通道上进行卷积操作，生成一个新的输出特征图。

  • 随着网络加深，通道数通常会逐渐增加（如64、128、256等），以提取更复杂的特征。

6. 实际例子

  • 假设输入是一张RGB图像（3个通道），经过第一个卷积层（32个卷积核）后，输出特征图有32个通道。

  • 这些通道中的每一个都对应一个卷积核提取的特征。例如：

    • 通道1：检测水平边缘。

    • 通道2：检测垂直边缘。

    • 通道3：检测红色区域。

    • 通道4：检测纹理变化。

    • 其他通道：检测其他低级特征。

  • 这些特征图会作为下一层的输入，进一步提取更高级的特征。

7. 总结

  • 32个通道中存放的是卷积核从输入图像中提取的32种不同的低级特征。

  • 这些特征并不是人为设计的，而是通过训练过程自动学习到的。

  • 随着网络加深，这些低级特征会逐渐组合成更复杂的高级特征，最终帮助网络完成分类任务。

三、案例二：

        我的问题是：在多通道中，如果遇到上采样或者下采样，例如FPN+PAN中，那是不是得丢失很多特征，如果先下采样，再上采样，那么下采样丢失的特征，上采样时候信息是从哪来的？

        在多通道特征图中，上采样（Upsampling）和下采样（Downsampling）是常见的操作，尤其是在特征金字塔网络（FPN）和路径聚合网络（PAN）等结构中。我提到的“下采样丢失的特征，上采样时信息从哪来”是理解这些网络设计的关键。下面详细解释这个问题：

1. 下采样和上采样的作用

  • 下采样（Downsampling）：

    • 通过池化（Pooling）或步幅卷积（Strided Convolution）实现。

    • 目的是降低特征图的分辨率，同时增加感受野（Receptive Field），从而捕捉更全局的特征。

    • 下采样会丢失一些细节信息（如小目标或精细纹理）。

  • 上采样（Upsampling）：

    • 通过插值（如双线性插值）或转置卷积（Transposed Convolution）实现。

    • 目的是恢复特征图的分辨率，从而更好地定位目标或生成高分辨率输出。

    • 上采样本身并不能恢复下采样丢失的细节信息，因此需要借助其他机制（如跳跃连接）。

2. 下采样丢失的特征

  • 下采样会丢失一些空间细节信息（如小目标、边缘等），因为这些信息在高分辨率特征图中更容易捕捉。

  • 丢失的特征主要包括：

    • 小目标的精确位置。

    • 精细的纹理或边缘。

    • 高频信息（如噪声或细节）。

3. 上采样时信息的来源

  • 上采样本身并不能恢复下采样丢失的细节信息，因此需要借助其他机制来补充这些信息。常见的机制包括：

    • 跳跃连接（Skip Connections）：

      • 将浅层的高分辨率特征图与深层的低分辨率特征图融合。

      • 浅层特征图保留了更多的细节信息，而深层特征图提供了更全局的语义信息。

      • 例如，在FPN中，上采样后的特征图会与对应层的下采样特征图相加或拼接。

    • 特征金字塔（Feature Pyramid）：

      • 通过多尺度特征融合，将不同分辨率的特征图结合起来。

      • 例如，FPN通过自上而下（Top-Down）路径和横向连接（Lateral Connections）将高层语义信息与低层细节信息融合。

    • 路径聚合网络（PAN）：

      • 在FPN的基础上，增加自下而上（Bottom-Up）路径，进一步强化多尺度特征的融合。

      • PAN通过双向路径（自上而下和自下而上）将不同层级的特征信息进行更充分的交互。

4. FPN+PAN中的信息流动

  • FPN（Feature Pyramid Network）：

    • 通过自上而下路径将高层语义信息传递到低层。

    • 通过横向连接将浅层的细节信息与深层的语义信息融合。

  • PAN（Path Aggregation Network）：

    • 在FPN的基础上，增加自下而上路径，将低层的细节信息传递到高层。

    • 通过双向路径（自上而下和自下而上）实现更充分的多尺度特征融合。

  • 信息补充机制：

    • 上采样时，丢失的细节信息通过跳跃连接从浅层特征图中补充。

    • 下采样时，丢失的全局信息通过深层特征图中补充。

5. 为什么不会丢失太多特征？

  • 跳跃连接：通过将浅层的高分辨率特征图与深层的低分辨率特征图融合，可以保留更多的细节信息。

  • 多尺度特征融合：通过FPN和PAN等结构，将不同分辨率的特征图结合起来，确保每个尺度的特征都能被充分利用。

  • 特征复用：在FPN+PAN中，特征信息会通过双向路径多次传递和融合，从而减少信息丢失。

6. 实际例子

  • 以目标检测任务为例：

    • 下采样后的特征图丢失了小目标的细节信息。

    • 上采样时，通过跳跃连接从浅层特征图中补充这些细节信息。

    • 最终的多尺度特征图既包含高层的语义信息，又包含低层的细节信息，从而提高了检测性能。

7. 总结

  • 下采样会丢失一些细节信息，但通过跳跃连接和多尺度特征融合（如FPN+PAN），这些信息可以在上采样时得到补充。

  • 上采样本身并不能恢复丢失的细节信息，而是依赖浅层特征图中的细节信息。

  • FPN+PAN等结构通过双向路径和特征复用，最大限度地减少了信息丢失，从而提高了模型的性能。

四、案例三

        问题：在yolov5等目标检测模型中，ResUnit重复很多遍，但是没有改变尺寸和通道数，这个作用是什么？

        在YOLOv5等目标检测模型中，ResUnit（或称为残差单元，Residual Unit）是构建深层网络的核心组件之一。ResUnit重复多次而不改变尺寸和通道数，这种设计的主要目的是增强模型的表达能力，同时缓解深层网络中的梯度消失问题。下面详细解释这种设计的作用：

1. ResUnit的基本结构

  • ResUnit基于残差网络（ResNet）的思想，其核心是残差连接（Skip Connection）。

  • 一个典型的ResUnit包括：

    • 一个或多个卷积层（通常是3x3卷积）。

    • 一个跳跃连接，将输入直接加到卷积层的输出上。

  • 数学形式为：

    Output=F(x)+xOutput=F(x)+x

    其中，F(x)F(x)是卷积层的输出，xx是输入。

2. 重复ResUnit的作用

  • 增强特征提取能力：

    • 每个ResUnit都可以看作是一个特征提取模块。

    • 通过重复多个ResUnit，网络可以逐步提取更复杂、更抽象的特征。

    • 这种设计使得网络能够更好地捕捉目标的细节和上下文信息。

  • 缓解梯度消失问题：

    • 在深层网络中，梯度消失是一个常见问题，导致模型难以训练。

    • 残差连接通过将输入直接传递到输出，确保了梯度能够有效地反向传播，从而缓解了梯度消失问题。

  • 保持特征的一致性：

    • 不改变尺寸和通道数的设计使得每个ResUnit的输出可以直接作为下一个ResUnit的输入。

    • 这种一致性简化了网络结构，同时减少了参数数量和计算复杂度。

3. 为什么不需要改变尺寸和通道数？

  • 尺寸不变：

    • 在目标检测任务中，特征图的尺寸通常通过下采样（如步幅卷积或池化）来调整。

    • ResUnit的主要作用是提取特征，而不是改变特征图的尺寸。

  • 通道数不变：

    • 保持通道数不变可以减少参数数量和计算复杂度。

    • 如果需要改变通道数，通常会在ResUnit之外的其他模块（如FPN或PAN）中实现。

4. ResUnit在YOLOv5中的应用

  • 在YOLOv5中，ResUnit通常用于Backbone部分（如CSPDarknet53）。

  • 通过重复多个ResUnit，YOLOv5能够提取丰富的特征，从而支持后续的目标检测任务。

  • 具体来说：

    • 每个ResUnit提取的特征会被传递到下一个ResUnit，逐步增强特征的表达能力。

    • 最终，这些特征会被用于生成多尺度的特征图（通过FPN或PAN），从而检测不同大小的目标。

5. 与其他模块的配合

  • FPN（Feature Pyramid Network）：

    • ResUnit提取的特征会被传递到FPN中，生成多尺度的特征图。

  • PAN（Path Aggregation Network）：

    • ResUnit提取的特征会通过PAN进一步融合，增强多尺度特征的表达能力。

  • Head（检测头）：

    • ResUnit提取的特征最终会被用于分类和回归任务，生成目标的类别和边界框。

6. 总结

  • ResUnit重复多次而不改变尺寸和通道数，主要是为了增强模型的表达能力，同时缓解梯度消失问题。

  • 这种设计使得网络能够逐步提取更复杂、更抽象的特征，从而提高目标检测的性能。

  • 在YOLOv5中，ResUnit与FPN、PAN等模块配合，共同实现了高效的目标检测。

相关文章：

深度学习中通道数的理解

目录 一、通道（Channels）的作用 1. 表示输入数据的多样性 2. 提取多层次特征 3. 信息融合与交互 4. 控制模型的复杂度 5. 支持多任务学习 6. 实际应用中的通道设计 7. 总结 二、案例一 1. 输入图像的通道（RGB） 2. 输出特…...

编程日记 2026/2/6 3:07:56

2025寒假天梯赛训练5

L1-3 敲笨钟 - 2025寒假天梯赛训练5 思路&#xff1a;一般ex的模拟题&#xff0c;主要是找好空格的位置进行修改替换。 #include <bits/stdc.h> using namespace std; #define int long long #define endl "\n" #define sz(x) (int)x.size() #define e empla…...

编程日记 2026/4/15 22:58:59

PowerBI 矩阵 列标题分组显示(两行列标题)

先看效果 数据表如下&#xff1a; 我们在powerbi里新建一个矩阵&#xff0c;然后如图加入字段&#xff1a; 我们就会得到这样的矩阵&#xff1a; 我们在“可视化”->“列”&#xff0c;上双击&#xff0c;输入空格&#xff0c;就能消除左上角的"类别"两字 同理修…...

编程日记 2026/4/21 5:54:09

服务器部署DeepSeek，通过Ollama+open-webui部署

1. 安装ollama 1.1. linux 安装 Ollama是目前常用的AI模式部署的第三方工具&#xff0c;能一键部署deepSeek Ollama官方网址https://ollama.com/ 选择Download下载对应的服务版本 服务器选择Linux&#xff0c;下面是下载代码 curl -fsSL https://ollama.com/install.…...

编程日记 2026/4/21 5:58:05

PVE 磁盘管理详解：从 Windows 到 Linux 的思维转换（文末附资源）

Proxmox VE&#xff08;PVE&#xff09;是一款基于 Debian Linux 的虚拟化平台&#xff0c;其文件系统管理与 Windows 差异较大&#xff0c;尤其是磁盘和文件夹的设计逻辑。本文将以通俗易懂的方式&#xff0c;详解 PVE 中磁盘管理的核心操作&#xff0c;并对比 Windows 帮助大…...

编程日记 2026/4/14 2:29:38

Ubuntu 连接 air pods

&#xff11;&#xff0e; sudo vim /etc/bluetooth/main.conf , 修改蓝牙模式为blder &#xff12;&#xff0e;sudo /etc/init.d/bluetooth restart, 重启蓝牙&#xff0c;即可连接成功...

编程日记 2026/4/20 5:59:30

【LeetCode Hot100 矩阵】矩阵置零、螺旋矩阵、旋转图像、搜索二维矩阵II

矩阵 1. 矩阵置零&#xff08;Set Matrix Zeroes&#xff09;解题思路步骤&#xff1a; 代码实现 2. 螺旋矩阵&#xff08;Spiral Matrix&#xff09;解题思路具体步骤&#xff1a; 代码实现 3. 旋转矩阵 90 度解决思路代码实现 5. 搜索二维矩阵中的目标值解决思路代码实现 1. …...

编程日记 2026/4/18 20:11:00

民用无人驾驶航空器操控员考试

1. 注册 民用无人驾驶航空器综合管理平台 (caac.gov.cn) 2. 选择 操控员资质 3. 安全操控理论培训 -> 在线视频培训 学习完后选择 【在线考试】 共 50道 单项 选择题&#xff0c;每选项3个&#xff0c;80分及格。 4. 查看 我的合格证 证书有效期2年...

编程日记 2026/4/21 5:57:25

TCP可靠传输的ARQ协议

基本知识 ARQ&#xff08;Automatic Repeat-reQuest&#xff09;协议主要包含&#xff1a;停等ARQ协议、连续ARQ协议&#xff0c;其中连续ARQ协议是为了解决停等ARQ协议信道利用率低的问题&#xff0c;目前传统的连续ARQ协议有回退N帧ARQ协议、选择性重传ARQ协议。 注意&#…...

编程日记 2026/4/19 13:29:26

秋招春招投递记录——2024

公司链接待办截止日期已完成状态携程集团&#xff08;上海&#xff09;https://campus.ctrip.com/campus-recruitment/简历挂微众银行&#xff08;武汉&#xff09;https://campus.webank.com/campus-recruitment/webankhr/测评腾讯云智&#xff08;重庆&#xff09;https://jo…...

编程日记 2026/4/21 9:26:57

前端与后端的对接事宜、注意事项

前端与后端的对接事宜、注意事项 一、对接核心流程（完整生命周期） #mermaid-svg-6yzij6OD8DKqiMLD {font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}#mermaid-svg-6yzij6OD8DKqiMLD .error-icon{fill:#552222;}#mermaid-svg-6yzi…...

编程日记 2025/11/10 2:01:33

002 第一个python程序

编程语言 编程语言可以做的事情&#xff1a; 网站开发、软件 、游戏、APP、 小程序、 爬虫、 数据分析、脚本 第一个python程序 找到IDE图标pycharm 新建项目 选择项目路径 创建目录 新建python文件 输入代码 运行程序查看结果 print 介绍 print : 输出内容…...

编程日记 2026/4/21 5:54:01

频率自适应扩张卷积（FADC）详解及代码复现

背景介绍 在介绍频率自适应扩张卷积（FADC）之前，我们需要了解卷积神经网络（CNN）在处理复杂图像任务时面临的挑战。CNN的成功主要依赖于其多层结构和卷积层的设计，这些设计可以有效地捕捉图像的局部特征。然而，随着网络层数的增加，感受野的大小也随之增加，这可能导致一…...

编程日记 2026/4/20 11:37:25

解锁机器学习核心算法 | 决策树：机器学习中高效分类的利器

引言 前面几篇文章我们学习了机器学习的核心算法线性回归和逻辑回归。这篇文章我们继续学习机器学习的经典算法——决策树&#xff08;Decision Tree&#xff09; 一、决策树算法简介 决策树算法是一种典型的分类方法&#xff0c;也是一种逼近离散函数值的方法。它的核心思想…...

编程日记 2026/4/21 5:55:49

数据结构——顺序表与链表

目录 前言 一线性表 二顺序表 1实现 2相关面试题 2.1移除元素 2.2删除有序数组中的重复项 3.3合并两个有序数组 3问题 三链表 1链表的分类 1.1单向或者双向 1.2带头或者不带头 1.3循环或者非循环 2实现 2.1尾插与头插 2.2尾删与头删 2.3pos前插入节点与删除…...

编程日记 2026/4/21 5:59:29

在 Python 中使用 Ollama API

文章目录 一、环境准备二、使用方法1.简单对话2.流式响应3.结构化输出4.自定义客户端4.1 同步客户端4.2 异步客户端4.3 同步 & 异步客户端不同调用次数耗时对比测试 三、常用的ollama API 接口聊天生成本地模型列表显示模型信息创建模型复制模型删除模型拉取模型推送模型生…...

编程日记 2026/4/21 5:56:15

BGP配置华为——RR反射器配置

实验拓扑 与之前实验同理将loop0作为routerID使用&#xff0c;且R1和R2上用loop1接口用于模拟用户其他网段 实验要求 1&#xff0c;在AS100内运行OSPF协议 2.配置路由反射器&#xff0c;使得从R1进入的数据能够反射到全局网络 3.在R1和R2上分别宣告自己的loop1口网段用于观…...

编程日记 2026/4/21 5:59:04

一.AI大模型开发-初识机器学习

机器学习基本概念 前言 本文主要介绍了深度学习基础&#xff0c;包括机器学习、深度学习的概念&#xff0c;机器学习的两种典型任务分类任务和回归任务&#xff0c;机器学习中的基础名词解释以及模型训练的基本流程等。 一.认识机器学习 1.人工智能和机器学习 人工智能&am…...

编程日记 2026/4/21 5:55:45

力扣做题记录 （二叉树）

二叉树 打算先来了解二叉树基础&#xff0c;都是简单题&#xff0c;目的是熟悉代码格式和解题基础思路。 1、二叉树最大深度 二叉树最大深度 方法一、深度搜索 直接用原函数做递归&#xff0c;比较简单 /*** Definition for a binary tree node.* struct TreeNode {* …...

编程日记 2026/4/21 5:55:30

国内情智机器人：从“通情达理”到温暖陪伴的跨越

近年来，随着人工智能技术的飞速发展，情智机器人（具备情感智能的机器人）逐渐成为国内研究和应用的热点领域。从情感计算的基础研究到人形机器人的实际应用，国内在这一领域取得了显著进展，展现出巨大的发展潜力。情智机器人不仅能够理解人类的情感，还能以温暖的方式提供陪…...

编程日记 2026/4/15 12:45:49

Unity中如何判断URL是否为RTSP或RTMP流

技术背景 如何在Unity中判断一个字符串URL是否是RTSP或RTMP流。首先&#xff0c;RTSP通常以“rtsp://”开头&#xff0c;而RTMP则是“rtmp://”或者有时是“rtmps://”用于安全连接。 接下来&#xff0c;如何在C#中进行字符串的检查。最简单的方法应该是检查URL是否以这些协议…...

编程日记 2026/4/5 9:33:22

前端里的this指向问题

目录 1.代码输出结果 2.代码输出结果 3.代码输出结果 4.代码输出结果 5.代码输出结果 6.代码输出结果 7.代码输出结果 8.代码输出结果 9.代码输出结果 10.代码输出结果 11.代码输出结果 12.代码输出结果 13.代码输出结果 14.代码输出结果 总结 1.代码输出结果 f…...

编程日记 2026/4/8 0:19:33

deepseek与gpt，核心原理对比

DeepSeek与GPT作为AI大模型，在自然语言处理等领域展现出强大的能力，它们的核心原理对比主要体现在模型架构、训练策略、资源效率以及应用场景优化等方面。 一、模型架构 DeepSeek 混合专家（MoE）框架：DeepSeek采用了混合专家框架，其内部包含多个“专家”子模块，每个子模…...

编程日记 2026/4/18 11:35:18

提示工程实现数据质量评估

提示工程实现数据质量评估 我准备先查看数据集的基本信息和内容，从完整性、准确性、一致性等方面评价数据质量，再依据数据规模、质量和潜在价值等因素进行定价。 import pandas as pd# 读取文件 excel_file = pd.ExcelFile(/mnt/a-极速-脑筋-98.xls)# 获取所有表名 sheet_n…...

编程日记 2026/3/29 5:10:49

[NKU]C++基础课（二）--- externC、强制类型转换、类与对象、面向对象程序设计语言、对象创建和使用、类的定义、封装

一、extern "C" &#xff08;没看懂&#xff09; extern "C" 是 C 语言中的一个特性&#xff0c;用于在 C 代码中声明使用 C 语言链接的变量或函数。这样做的目的主要是为了实现 C 代码与 C 代码之间的互操作性。 C 支持函数重载&#xff0c;而 C 不支持&…...

编程日记 2026/2/23 16:58:40

黑马Redis详细笔记（实战篇---短信登录）

目录 一.短信登录 1.1 导入项目 1.2 Session 实现短信登录 1.3 集群的 Session 共享问题 1.4 基于 Redis 实现共享 Session 登录 一.短信登录 1.1 导入项目 数据库准备 -- 创建用户表 CREATE TABLE user (id BIGINT AUTO_INCREMENT PRIMARY KEY COMMENT 用户ID,phone …...

编程日记 2026/4/21 5:55:49

什么是计算机总线？

计算机总线 文章目录 计算机总线1、总线的分类2、总线的组成3、总线的工作原理4、总线的性能指标 计算机总线是计算机各功能部件之间进行信息传输的公共通道&#xff0c;就像城市中的交通干线&#xff0c;负责连接计算机系统的各个组成部分&#xff0c;实现它们之间的数据、地址…...

编程日记 2026/4/21 7:42:16

ASP.NET配置文件多种方式读取

ASP.NET Core项⽬默认的配置⽂件是appsettings.json&#xff0c;创建项⽬时就会⾃动⽣成这个⽂ 件&#xff0c;我们可以将⼀些配置信息存放在这个配置⽂件中&#xff0c;这样做的好处是当我们修改配置⽂件 时&#xff0c;不在需要重启应⽤&#xff0c;可以实现热更新。 {"…...

编程日记 2026/2/6 6:13:50

基于N-gram模型的中文文本分析系统设计与实现

前言 在数字化人文研究快速发展的背景下&#xff0c;中文古典文本的量化分析面临着独特的挑战。古典文献中繁简异体字共存、语义单元边界模糊、意象隐喻密集等特征&#xff0c;使得传统的词频统计方法难以准确捕捉其深层语言规律。现有文本分析工具多面向现代汉语设计&#xff…...

编程日记 2026/4/21 5:55:30

零基础购买阿里云服务器，XShell连接云服务器

目录 1.环境搭建方式 2. 使用云服务器 3.使用终端软件登录到Linux 4.使用XShell登录主机 5.连接失败的原因&#xff1a; 下一篇更新&#xff1a;Linux的基础指令以及如何Linux的环境搭建 1.环境搭建方式 主要有四种: 1.直接安装在物理机上&#xff0c;虽然Linux有图形化…...

编程日记 2026/4/21 5:55:18