第R9周：阿尔兹海默症诊断（优化特征选择版）
- 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
- 🍖 原作者：K同学啊
文章目录
- 1、导入数据
- 2、数据处理
- 2.1 患病占比
- 2.2 相关性分析
- 2.3 年龄与患病探究
- 3、特征选择
- 4、构建数据集
- 4.1 数据集划分与标准化
- 4.2 构建加载
- 5、构建模型
- 6、模型训练
- 6.1 构建训练函数
- 6.2 构建测试函数
- 6.3 设置超参数
- 7、模型训练
- 8、模型评估
- 8.1 结果图
- 8.2 混淆矩阵
电脑环境：
语言环境：Python 3.8.0
深度学习：torch 2.5.1+cu124
1、导入数据
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import torch
import torch.nn as nn
from torch.utils.data import DataLoader, TensorDatasetplt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False
data_df = pd.read_csv('alzheimers_disease_data.csv')
data_df.head()
# 标签中文化
data_df.rename(columns={"Age": "年龄", "Gender": "性别", "Ethnicity": "种族", "EducationLevel": "教育水平", "BMI": "身体质量指数 (BMI)", "Smoking": "吸烟状况", "AlcoholConsumption": "酒精摄入量", "PhysicalActivity": "体育活动时间", "DietQuality": "饮食质量评分", "SleepQuality": "睡眠质量评分", "FamilyHistoryAlzheimers": "家族阿尔兹海默症病史", "CardiovascularDisease": "心血管疾病", "Diabetes": "糖尿病", "Depression": "抑郁病史", "HeadInjury": "头部受伤", "Hypertension": "高血压", "SystolicBP": "收缩压", "DiastolicBP": "舒张压", "CholesterolTotal": "胆固醇总量", "CholesterolLDL": "低密度脂蛋白胆固醇", "CholesterolHDL": "高密度脂蛋白胆固醇", "CholesterolTriglycerides": "甘油三酯", "MMSE": "简易精神状况检查得分", "FunctionalAssessment": "功能评估得分", "MemoryComplaints": "记忆抱怨", "BehavioralProblems": "行为问题", "ADL": "日常生活活动得分", "Confusion": "混乱与定向障碍", "Disorientation": "迷失方向", "PersonalityChanges": "人格变化", "DifficultyCompletingTasks": "完成任务困难", "Forgetfulness": "健忘", "Diagnosis": "诊断状态", "DoctorInCharge": "主治医生"},inplace=True)
data_df.columns
2、数据处理
data_df.isnull().sum()
0
PatientID 0
年龄 0
性别 0
种族 0
教育水平 0
身体质量指数 (BMI) 0
吸烟状况 0
酒精摄入量 0
体育活动时间 0
饮食质量评分 0
睡眠质量评分 0
家族阿尔兹海默症病史 0
心血管疾病 0
糖尿病 0
抑郁病史 0
头部受伤 0
高血压 0
收缩压 0
舒张压 0
胆固醇总量 0
低密度脂蛋白胆固醇 0
高密度脂蛋白胆固醇 0
甘油三酯 0
简易精神状况检查得分 0
功能评估得分 0
记忆抱怨 0
行为问题 0
日常生活活动得分 0
混乱与定向障碍 0
迷失方向 0
人格变化 0
完成任务困难 0
健忘 0
诊断状态 0
主治医生 0dtype: int64
from sklearn.preprocessing import LabelEncoder# 创建LabelEncoder 实例
label_encoder = LabelEncoder()# 对非数值型列进行标签编码
data_df['主治医生'] = label_encoder.fit_transform(data_df['主治医生'])data_df.head()
PatientID 年龄 性别 种族 教育水平 身体质量指数 (BMI) 吸烟状况 酒精摄入量 体育活动时间 饮食质量评分 ... 记忆抱怨 行为问题 日常生活活动得分 混乱与定向障碍 迷失方向 人格变化 完成任务困难 健忘 诊断状态 主治医生
0 4751 73 0 0 2 22.927749 0 13.297218 6.327112 1.347214 ... 0 0 1.725883 0 0 0 1 0 0 0
1 4752 89 0 0 0 26.827681 0 4.542524 7.619885 0.518767 ... 0 0 2.592424 0 0 0 0 1 0 0
2 4753 73 0 3 1 17.795882 0 19.555085 7.844988 1.826335 ... 0 0 7.119548 0 1 0 1 0 0 0
3 4754 74 1 0 1 33.800817 1 12.209266 8.428001 7.435604 ... 0 1 6.481226 0 0 0 0 0 0 0
4 4755 89 0 0 0 20.716974 0 18.454356 6.310461 0.795498 ... 0 0 0.014691 0 0 1 1 0 0 0
5 rows × 35 columns
2.1 患病占比
# 计算是否患病，人数
counts = data_df["诊断状态"].value_counts()
# 计算百分比
sizes = counts / counts.sum() * 100# 绘制环形图
fig, ax = plt. subplots()
wedges, texts, autotexts = ax.pie(sizes, labels=sizes.index, autopct='%1.2ff%%', startangle=90, wedgeprops=dict(width=0.3))
plt.title("患病占比(1患病，Q没有患病)")
plt.show()
2.2 相关性分析
plt.figure(figsize=(40,35))
sns.heatmap(data_df.corr(), annot=True, fmt=".2f")
plt.show( )
2.3 年龄与患病探究
data_df['年龄'].min(), data_df['年龄'].max()
代码输出
(60, 90)
# 计算每一个年龄段患病人数
age_bins = range(60, 91)
grouped = data_df.groupby('年龄').agg({'诊断状态':['sum', 'size']})
grouped.columns=['患病','总人数']
grouped['不患病'] = grouped['总人数'] - grouped['患病'] #计算不患病的
# 设置绘图风格
sns.set(style="whitegrid")
plt.figure(figsize=(12, 5))
# 获取x轴标签（即年龄）
x = grouped.index.astype(str) # 将年龄转换为字符串格式便于显示
# 画图
plt.bar(x, grouped ["不患病"], 0.35, label="不患病", color='skyblue')
plt.bar(x,grouped["患病"], 0.35, label="患病", color='salmon')
# 设置标题
plt.title('患病年龄分布')
plt. xlabel("年龄")
plt.ylabel('人数')
plt.legend()
# 展示
plt.tight_layout()
plt.show()
3、特征选择
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import classification_reportdata = data_df.copy()
X = data_df.iloc[:, 1:-2]
y = data_df.iloc[:, -2]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 标准化
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)
# 模型创建
tree = DecisionTreeClassifier()
tree.fit(X_train, y_train)
pred = tree.predict(X_test)
reporter = classification_report(y_test, pred)
print(reporter)
代码输出
precision recall f1-score support0 0.93 0.92 0.93 2771 0.86 0.87 0.87 153accuracy 0.90 430macro avg 0.90 0.90 0.90 430
weighted avg 0.90 0.90 0.90 430
# 特征展示
feature_importances = tree.feature_importances_
features_rf = pd.DataFrame({'特征':X.columns, '重要度': feature_importances})
features_rf.sort_values(by='重要度', ascending=False, inplace=True)
plt.figure(figsize=(20,10))
sns.barplot(x='重要度', y='特征', data=features_rf)
plt.xlabel('重要度')
plt.ylabel('特征')
plt.title('随机森林特征图')
plt.show()
from sklearn.feature_selection import RFE# 使用 RFE 来选择特征
rfe_selector = RFE(estimator=tree, n_features_to_select=20)
rfe_selector.fit(X, y)
X_new = rfe_selector.transform(X)
feature_names = np.array(X.columns)
selected_feature_names = feature_names[rfe_selector. support_]
print(selected_feature_names)
代码输出
['年龄' '种族' '身体质量指数 (BMI)' '酒精摄入量' '体育活动时间' '饮食质量评分' '睡眠质量评分' '心血管疾病' '糖尿病''收缩压' '舒张压' '胆固醇总量' '低密度脂蛋白胆固醇' '高密度脂蛋白胆固醇' '甘油三酯' '简易精神状况检查得分' '功能评估得分''记忆抱怨' '行为问题' '日常生活活动得分']
4、构建数据集
4.1 数据集划分与标准化
feature_selection =['年龄','种族', '教育水平', '身体质量指数 (BMI)', '酒精摄入量', '体育活动时间', '饮食质量评分', '睡眠质量评分', '心血管疾病','收缩压', '舒张压' ,'胆固醇总量' ,'低密度脂蛋白胆固醇' ,'高密度脂蛋白胆固醇', '甘油三酯', '简易精神状况检查得分', '功能评估得分','记忆抱怨' ,'行为问题', '日常生活活动得分']
X = data_df[feature_selection]# 标准化，标准化其实对应连续性数据，分类数据不适合，由于特征中只有种族是分类数
sc = StandardScaler()
X = sc.fit_transform(X)X = torch.tensor(np.array(X), dtype=torch.float32)
y = torch.tensor(np.array(y), dtype=torch.long)
# 再次讲行特征诜择
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
X_train.shape, y_train.shape
代码输出
(torch.Size([1719, 20]), torch.Size([1719]))
4.2 构建加载
batch_size = 32
train_dl = DataLoader(TensorDataset(X_train, y_train),batch_size=batch_size,shuffle=True)
test_dl = DataLoader(TensorDataset(X_test, y_test),batch_size=batch_size,shuffle=False)
5、构建模型
class Rnn_Model(nn.Module):def __init__(self):super().__init__()self.rnn = nn.RNN(input_size=20, hidden_size=200, num_layers=1, batch_first=True)self.fc1 = nn.Linear(200, 50)self.fc2 = nn.Linear(50, 2)def forward(self, x):x, hidden1 = self.rnn(x)x = self.fc1(x)x = self.fc2(x)return xdevice = 'cpu'
model = Rnn_Model().to(device)
model
6、模型训练
6.1 构建训练函数
# 训练循环
def train(dataloader, model, loss_fn, optimizer):size = len(dataloader.dataset) # 训练集的大小num_batches = len(dataloader) # 批次数目, (size/batch_size，向上取整)train_loss, train_acc = 0, 0 # 初始化训练损失和正确率for X, y in dataloader: # 获取图片及其标签X, y = X.to(device), y.to(device)# 计算预测误差pred = model(X) # 网络输出loss = loss_fn(pred, y) # 计算网络输出和真实值之间的差距，targets为真实值，计算二者差值即为损失# 反向传播optimizer.zero_grad() # grad属性归零loss.backward() # 反向传播optimizer.step() # 每一步自动更新# 记录acc与losstrain_acc += (pred.argmax(1) == y).type(torch.float).sum().item()train_loss += loss.item()train_acc /= sizetrain_loss /= num_batchesreturn train_acc, train_loss
6.2 构建测试函数
def test (dataloader, model, loss_fn):size = len(dataloader.dataset) # 测试集的大小num_batches = len(dataloader) # 批次数目, (size/batch_size，向上取整)test_loss, test_acc = 0, 0# 当不进行训练时，停止梯度更新，节省计算内存消耗with torch.no_grad():for imgs, target in dataloader:imgs, target = imgs.to(device), target.to(device)# 计算losstarget_pred = model(imgs)loss = loss_fn(target_pred, target)test_loss += loss.item()test_acc += (target_pred.argmax(1) == target).type(torch.float).sum().item()test_acc /= sizetest_loss /= num_batchesreturn test_acc, test_loss
6.3 设置超参数
loss_fn = nn.CrossEntropyLoss() # 创建损失函数
learn_rate = 1e-4
opt = torch.optim.Adam(model.parameters(), lr= learn_rate)
7、模型训练
epochs = 50train_loss = []
train_acc = []
test_loss = []
test_acc = []for epoch in range(epochs):model.train()epoch_train_acc, epoch_train_loss = train(train_dl, model, loss_fn, opt)model.eval()epoch_test_acc, epoch_test_loss = test(test_dl, model, loss_fn)train_acc.append(epoch_train_acc)train_loss.append(epoch_train_loss)test_acc.append(epoch_test_acc)test_loss.append(epoch_test_loss)# 获取当前的学习率lr = opt.state_dict()['param_groups'][0]['lr']template = ('Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%, Test_loss:{:.3f}, Lr:{:.2E}')print(template.format(epoch+1, epoch_train_acc*100, epoch_train_loss,epoch_test_acc*100, epoch_test_loss, lr))print('Done')
模型输出
Epoch: 1, Train_acc:64.1%, Train_loss:0.655, Test_acc:66.0%, Test_loss:0.611, Lr:1.00E-04
Epoch: 2, Train_acc:67.9%, Train_loss:0.583, Test_acc:70.5%, Test_loss:0.560, Lr:1.00E-04
Epoch: 3, Train_acc:75.6%, Train_loss:0.530, Test_acc:75.3%, Test_loss:0.512, Lr:1.00E-04
Epoch: 4, Train_acc:78.5%, Train_loss:0.481, Test_acc:80.7%, Test_loss:0.463, Lr:1.00E-04
Epoch: 5, Train_acc:82.1%, Train_loss:0.435, Test_acc:81.9%, Test_loss:0.426, Lr:1.00E-04
Epoch: 6, Train_acc:83.3%, Train_loss:0.410, Test_acc:84.4%, Test_loss:0.407, Lr:1.00E-04
Epoch: 7, Train_acc:83.5%, Train_loss:0.390, Test_acc:84.4%, Test_loss:0.398, Lr:1.00E-04
Epoch: 8, Train_acc:84.1%, Train_loss:0.381, Test_acc:84.2%, Test_loss:0.394, Lr:1.00E-04
Epoch: 9, Train_acc:84.0%, Train_loss:0.377, Test_acc:84.0%, Test_loss:0.395, Lr:1.00E-04
Epoch:10, Train_acc:84.6%, Train_loss:0.378, Test_acc:83.7%, Test_loss:0.396, Lr:1.00E-04
Epoch:11, Train_acc:84.2%, Train_loss:0.372, Test_acc:85.1%, Test_loss:0.400, Lr:1.00E-04
Epoch:12, Train_acc:84.7%, Train_loss:0.373, Test_acc:84.2%, Test_loss:0.396, Lr:1.00E-04
Epoch:13, Train_acc:85.0%, Train_loss:0.372, Test_acc:84.4%, Test_loss:0.395, Lr:1.00E-04
Epoch:14, Train_acc:84.5%, Train_loss:0.372, Test_acc:84.4%, Test_loss:0.398, Lr:1.00E-04
Epoch:15, Train_acc:84.5%, Train_loss:0.373, Test_acc:83.7%, Test_loss:0.398, Lr:1.00E-04
Epoch:16, Train_acc:84.6%, Train_loss:0.374, Test_acc:83.5%, Test_loss:0.397, Lr:1.00E-04
Epoch:17, Train_acc:84.9%, Train_loss:0.372, Test_acc:83.7%, Test_loss:0.395, Lr:1.00E-04
Epoch:18, Train_acc:84.8%, Train_loss:0.370, Test_acc:84.7%, Test_loss:0.395, Lr:1.00E-04
Epoch:19, Train_acc:84.8%, Train_loss:0.371, Test_acc:84.0%, Test_loss:0.398, Lr:1.00E-04
Epoch:20, Train_acc:84.9%, Train_loss:0.371, Test_acc:83.7%, Test_loss:0.400, Lr:1.00E-04
Epoch:21, Train_acc:84.8%, Train_loss:0.371, Test_acc:84.7%, Test_loss:0.398, Lr:1.00E-04
Epoch:22, Train_acc:85.0%, Train_loss:0.371, Test_acc:84.2%, Test_loss:0.398, Lr:1.00E-04
Epoch:23, Train_acc:84.7%, Train_loss:0.371, Test_acc:84.4%, Test_loss:0.397, Lr:1.00E-04
Epoch:24, Train_acc:85.2%, Train_loss:0.371, Test_acc:84.2%, Test_loss:0.398, Lr:1.00E-04
Epoch:25, Train_acc:84.6%, Train_loss:0.371, Test_acc:84.4%, Test_loss:0.396, Lr:1.00E-04
Epoch:26, Train_acc:84.6%, Train_loss:0.374, Test_acc:84.4%, Test_loss:0.395, Lr:1.00E-04
Epoch:27, Train_acc:84.8%, Train_loss:0.370, Test_acc:84.0%, Test_loss:0.395, Lr:1.00E-04
Epoch:28, Train_acc:85.2%, Train_loss:0.368, Test_acc:84.2%, Test_loss:0.394, Lr:1.00E-04
Epoch:29, Train_acc:85.0%, Train_loss:0.372, Test_acc:82.8%, Test_loss:0.395, Lr:1.00E-04
Epoch:30, Train_acc:84.8%, Train_loss:0.371, Test_acc:83.5%, Test_loss:0.399, Lr:1.00E-04
Epoch:31, Train_acc:84.9%, Train_loss:0.369, Test_acc:84.0%, Test_loss:0.401, Lr:1.00E-04
Epoch:32, Train_acc:84.9%, Train_loss:0.372, Test_acc:84.7%, Test_loss:0.398, Lr:1.00E-04
Epoch:33, Train_acc:84.6%, Train_loss:0.372, Test_acc:84.0%, Test_loss:0.397, Lr:1.00E-04
Epoch:34, Train_acc:85.1%, Train_loss:0.369, Test_acc:84.7%, Test_loss:0.396, Lr:1.00E-04
Epoch:35, Train_acc:84.8%, Train_loss:0.371, Test_acc:84.2%, Test_loss:0.396, Lr:1.00E-04
Epoch:36, Train_acc:84.7%, Train_loss:0.372, Test_acc:84.0%, Test_loss:0.394, Lr:1.00E-04
Epoch:37, Train_acc:84.5%, Train_loss:0.367, Test_acc:84.2%, Test_loss:0.396, Lr:1.00E-04
Epoch:38, Train_acc:84.6%, Train_loss:0.374, Test_acc:84.2%, Test_loss:0.396, Lr:1.00E-04
Epoch:39, Train_acc:85.2%, Train_loss:0.368, Test_acc:84.2%, Test_loss:0.401, Lr:1.00E-04
Epoch:40, Train_acc:84.4%, Train_loss:0.373, Test_acc:84.4%, Test_loss:0.393, Lr:1.00E-04
Epoch:41, Train_acc:84.9%, Train_loss:0.369, Test_acc:83.7%, Test_loss:0.396, Lr:1.00E-04
Epoch:42, Train_acc:84.6%, Train_loss:0.368, Test_acc:84.0%, Test_loss:0.396, Lr:1.00E-04
Epoch:43, Train_acc:84.6%, Train_loss:0.372, Test_acc:83.7%, Test_loss:0.399, Lr:1.00E-04
Epoch:44, Train_acc:85.7%, Train_loss:0.369, Test_acc:84.0%, Test_loss:0.403, Lr:1.00E-04
Epoch:45, Train_acc:85.7%, Train_loss:0.372, Test_acc:84.0%, Test_loss:0.401, Lr:1.00E-04
Epoch:46, Train_acc:84.9%, Train_loss:0.371, Test_acc:83.7%, Test_loss:0.400, Lr:1.00E-04
Epoch:47, Train_acc:85.0%, Train_loss:0.368, Test_acc:83.7%, Test_loss:0.403, Lr:1.00E-04
Epoch:48, Train_acc:84.9%, Train_loss:0.371, Test_acc:84.4%, Test_loss:0.399, Lr:1.00E-04
Epoch:49, Train_acc:85.2%, Train_loss:0.371, Test_acc:84.2%, Test_loss:0.401, Lr:1.00E-04
Epoch:50, Train_acc:85.2%, Train_loss:0.372, Test_acc:84.0%, Test_loss:0.400, Lr:1.00E-04
Done
8、模型评估
8.1 结果图
import matplotlib.pyplot as plt
#隐藏警告
import warnings
warnings.filterwarnings("ignore") #忽略警告信息
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
plt.rcParams['figure.dpi'] = 100 #分辨率from datetime import datetime
current_time = datetime.now()epochs_range = range(epochs)plt.figure(figsize=(12, 3))
plt.subplot(1, 2, 1)plt.plot(epochs_range, train_acc, label='Training Accuracy')
plt.plot(epochs_range, test_acc, label='Test Accuracy')
plt.legend(loc='lower right')
plt.title('Training Accuracy')
plt.xlabel(current_time)plt.subplot(1, 2, 2)
plt.plot(epochs_range, train_loss, label='Training Loss')
plt.plot(epochs_range, test_loss, label='Test Loss')
plt.legend(loc='upper right')
plt.title('Training=Loss')
plt.show()
8.2 混淆矩阵
from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplaypred = model(X_test.to(device)).argmax(1).cpu().numpy()# 计算混淆矩阵
cm = confusion_matrix(y_test, pred)plt.figure(figsize=(6,5))
sns.heatmap(cm, annot=True, fmt='d', cmap='Blues')# 标题
plt.title('Confusion Matrix', fontsize=12)
plt.xlabel('Predicted Label', fontsize=12)
plt.ylabel('True Labels', fontsize=10)# 调整布局防止重叠
plt.tight_layout()# 显示图形
plt.show()
相关文章：
第R9周：阿尔兹海默症诊断（优化特征选择版）
🍨 本文为🔗365天深度学习训练营 中的学习记录博客🍖 原作者：K同学啊 文章目录 1、导入数据2、数据处理2.1 患病占比2.2 相关性分析2.3 年龄与患病探究 3、特征选择4、构建数据集4.1 数据集划分与标准化4.2 构建加载 5、构建模型6…...
19726 星际旅行
19726 星际旅行 ⭐️难度：困难 🌟考点：Dijkstra、省赛、最短路问题、期望、2024 📖 📚 import java.util.*;public class Main {static int N 1005;static ArrayList<Integer>[] g new ArrayList[N]; // …...
DeepSeek大模型应用开发新模式
DeepSeek大模型应用全景技术架构 DeepSeek大模型 VS 主流大模型 DeepSeek大模型系统提示词 VS 主流大模型 DeepSeek大模型迭代版本 DeepSeek专业化模型分类 DeepSeek大模型部署所需显存资源 DeepSeek不同参数模型及应用场景 DeepSeek大模型安装部署技术选型...
代码随想录动态规划05
74.一和零 视频讲解：动态规划之背包问题，装满这个背包最多用多少个物品？| LeetCode：474.一和零_哔哩哔哩_bilibili 代码随想录 给你一个二进制字符串数组 strs 和两个整数 m 和 n 。 请你找出并返回 strs 的最大子集的大小&#…...
Next.js 深度解析：全栈React框架的架构哲学与实践精髓
Next.js 作为 React 生态中最流行的全栈框架，已经超越了简单的SSR工具，发展成为完整的Web开发解决方案。以下从八个维度进行深度剖析： 一、核心架构设计 双引擎驱动模型 页面路由系统：基于文件系统的约定式路由渲染引擎ÿ…...
Node.js Express 处理静态资源
目录 1. 什么是静态资源？ 2. 安装 Express 3. 目录结构 4. 创建 server.js 5. 创建 public/index.html 6. 创建 public/style.css 7. 创建 public/script.js 8. 运行服务器 9. 结语 1. 什么是静态资源？ 静态资源指的是 HTML、CSS、JavaScript、…...
2025企业级项目设计三叉戟：权限控制+错误监控+工程化提效实战指南
一、权限系统设计：动态路由与按钮级控制的终极方案 1. 权限系统架构设计痛点 路由权限滞后：传统方案需页面加载后动态计算路由表，导致首屏白屏时间增加30%按钮颗粒度不足：基于角色的权限控制（RBAC）无法满…...
DeepSeek-V3新版本DeepSeek-V3-0324
中国人工智能初创公司深度求索（DeepSeek）2025年3月24日深夜低调上线了DeepSeek-V3的新版本DeepSeek-V3-0324，参数量为6850亿，在代码、数学、推理等多个方面的能力再次显著提升，甚至代码能力追平美国Anthropic公司大模型…...
108回回目设计
由于108回完整目录篇幅极长，我将以分卷缩略核心回目详解形式呈现，既保证完整性，又避免信息过载。以下是凝练后的完整框架与部分代表性回目： 第一卷：京口草鞋摊的野望（1-36回） 核心矛盾…...
探索：如何构建一个自我的AI辅助的开发环境？
构建支持AI的开发辅助环境并实现全流程自动化，需要整合开发工具链、AI模型服务和自动化流水线。以下是分步实施指南，包含关键技术栈和架构设计： 一、开发环境基础架构 1. 工具链集成平台 #mermaid-svg-RFSaibQJwVEcW9fT {font-family:"…...
国产RISC-V车规芯片当前现状分析——从市场与技术角度出发
摘要 随着汽车产业的智能化、电动化转型加速，车规级芯片的战略地位日益凸显。RISC-V指令集凭借其开源、灵活、低功耗等优势，成为国产车规芯片的重要发展方向。本文从市场与技术两个维度出发，深入分析国产RISC-V车规芯片的现状。通过梳理国内…...
华为eNSP-配置静态路由与静态路由备份
一、静态路由介绍 静态路由是指用户或网络管理员手工配置的路由信息。当网络拓扑结构或者链路状态发生改变时，需要网络管理人员手工修改静态路由信息。相比于动态路由协议，静态路由无需频繁地交换各自的路由表，配置简单，比较适合…...
数据分析中，文件解析库解析内容样式调整（openpyxl 、tabulate）
CSV文件：使用Python标准库中的csv模块，通过简单的文本解析来读取数据。 Excel文件：使用专门的库（如openpyxl、xlrd）来解析复杂的文件格式，或者使用pandas库来简化读取过程。 openpyxl openpyxl 是一个 Pyt…...
时尚界正在试图用AI，创造更多冲击力
数字艺术正以深度融合的方式，在时尚、游戏、影视等行业实现跨界合作，催生了多样化的商业模式，为创作者和品牌带来更多机会，数字艺术更是突破了传统艺术的限制，以趣味触达用户，尤其吸引了年轻一代的消费群体…...
ai画图comfyUI 精准定位gligen。允许指定图像中多个对象的位置和大小
基础功能下，outpainting是内容填充，拉近拉远镜头，自动填充旁边物体。嵌入模型也需要单独下载，演示完示例后推荐模型站有更直观效果介绍和用法。选中精确定位。看一眼坐标，直接默认出一张图。然后修改定位，和…...
Python @property 装饰器深度使用教程
一、基础概念与核心原理 1. 装饰器本质 property 是 Python 内置的属性管理装饰器，它将类方法转换为类属性访问接口。其核心价值在于： 封装性：隐藏属性操作的具体实现可维护性：在不改变外部接口的前提下修改内部逻辑安全…...
#VCS# 关于 +incdir+xxx 编译选项的注意点
前段时间，工作中遇到百思不得其解的坑。 按照以往的理解，没有找到任何可能问题点。今天总结下来。 学习目标： +incdir+ 是 VCS 编译器中用于指定 包含文件(include files) 搜索路径的重要选项，主要用于指定 `include 指令的搜索目录。 一 基本功能 作用：添加 Verilog/S…...
DeepSeek 助力 Vue3 开发：打造丝滑的表格（Table）之添加行拖拽排序功能示例7，TableView16_07 列拖拽排序示例
前言：哈喽，大家好，今天给大家分享一篇文章！并提供具体代码帮助大家深入理解，彻底掌握！创作不易，如果能帮助到大家或者给大家一些灵感和启发，欢迎收藏+关注哦 💕 目录 DeepSeek 助力 Vue3 开发：打造丝滑的表格（Table）之添加行拖拽排序功能示例7，TableView16_07 列…...
JAVA学习-练习试用Java实现“实现一个Hadoop程序，对大数据集中的文本数据进行自然语言处理和关键词筛选”
问题： 使用java语言，实现一个Hadoop程序，对大数据集中的文本数据进行自然语言处理和关键词筛选。 解答思路： 使用Java语言和Hadoop实现自然语言处理和关键词筛选，你需要创建一个MapReduce程序。以下是一个简单的示例&…...
使用idea开发spark程序
新建scala 项目 创建lib目录 将spark jars/ 路径下所有jar 复制到 lib目录 添加依赖 创建scala 程序 package sparkimport org.apache.spark.{SparkConf, SparkContext}object WordCount {def main(args: Array[String]): Unit {val conf new SparkConf().setAppName(&q…...
看懂roslunch输出
自编了一个demo 第一步：创建功能包 cd ~/catkin_ws/src catkin_create_pkg param_demo roscpp第二步：写 main.cpp 创建文件：param_demo/src/param_node.cpp #include <ros/ros.h> #include <string>int main(int argc, char*…...
洛谷题单1-B2005 字符三角形-python-流程图重构
题目描述 给定一个字符，用它构造一个底边长 5 5 5 个字符，高 3 3 3 个字符的等腰字符三角形。 输入格式 输入只有一行，包含一个字符。 输出格式 该字符构成的等腰三角形，底边长 5 5 5 个字符，高 3 3 3 个字符…...
学习日记0327
A cross-domain knowledge tracing model based on graph optimal transport 我们使用gnn来学习这些节点的特征。在此基础上，我们使用显式分布距离度量对齐来自两个不同域的特征向量，旨在最小化域差异，实现最大的跨域知识转移。 AEGOT-CDKT…...
CSS学习笔记6——网页布局
目录 一、元素的浮动属性、清除浮动 清除浮动的其他方法 1、使用空标签清除浮动影响 2、使用overflow属性清除浮动 3、使用伪元素清除浮动影响 原理 overflow属性 二、元素的定位 1、相对定位 2、绝对定位 编辑 3、固定定位 z-index层叠等级属性 一、元素的浮动…...
dubbo http流量接入dubbo后端服务
简介 dubbo协议是基于TCP的二进制私有协议，更适合作为后端微服务间的高效RPC通信协议，也导致dubbo协议对于前端流量接入不是很友好。在dubo框架中，有两种方式可以解决这个问题： 多协议发布【推荐】，为dubbo协议服务暴…...
线程同步——互斥锁
线程同步——互斥锁 目录 一、基本概念 二、打印成对出现的字母 三、生产者消费者（有限缓冲问题） 3.1 基本概念 3.2 代码实现 一、基本概念 互斥锁是一种用于控制对共享资源访问的同步机制。它确保在同一时间内，只有一个线程可以访问被…...
机试题——村落基站建设
题目描述 假设村落以二叉树的形状分布，我们需要选择在哪些村落建设基站。如果某个村落建设了基站，那么它和它相邻的村落（包括本节点、父节点和子节点）也会有信号覆盖。目标是计算出最少需要建设的基站数。 输入描述 输入为一个…...
C#实现HTTP服务器：处理文件上传---解析MultipartFormDataContent
完整项目托管地址：https://github.com/sometiny/http HTTP还有重要的一块：文件上传。 这篇文章将详细讲解下，前面实现了同一个链接处理多个请求，为了方便，我们独立写了一个HTTP基类，专门处理HTTP请求。 ht…...
leetcoed0044. 通配符匹配 hard
1 题目：通配符匹配 官方难度：难 给你一个输入字符串 (s) 和一个字符模式 ( p ) ，请你实现一个支持 ‘?’ 和 ‘*’ 匹配规则的通配符匹配： ‘?’ 可以匹配任何单个字符。 ‘*’ 可以匹配任意字符序列（包括空字符序…...
蓝桥杯嵌入式第十二届程序设计题
一、题目概览 设计一个小型停车计费系统 二、分模块实现 1、LCD void disp_proc() {if(view0){char text[30];sprintf(text," Data");LCD_DisplayStringLine(Line2,(uint8_t *)text);sprintf(text," CNBR:%d ",Cnum);LCD_DisplayStri…...