- 博客(271)
- 收藏
- 关注
RSS订阅原创 vue 常用api
创建的状态只在其顶层是响应式的，对所有深层的对象不会做任何处理，避免了对每一个内部属性做响应式所带来的性能成本，这使得属性的访问变得更快，可提升性能。作用：创建一个浅层响应式对象，只会使对象的最顶层属性变成响应式的，对象内部的嵌套属性则不会变成响应式的。只将对象的顶层属性设置为只读，对象内部的嵌套属性仍然是可变的。特点：对象的顶层属性是响应式的，但嵌套对象的属性不是。特点：只跟踪引用值的变化，不关心值内部的属性变化。返回的对象不再是响应式的，不会触发视图更新。作用：用于获取一个响应式对象的原始对象，
2024-07-11 02:56:07
700
1
原创 vue 插槽 【slot】
数据在组件的自身，但根据数据生成的结构需要组件的使用者来决定。Category 这个标签里面的ul 会传到slot 里面。组件中，但使用数据所遍历出来的结构由。
2024-07-11 02:43:57
402
原创 Vue 数据通信
子 => 父。注意区分好：原生事件、自定义事件。原生事件：事件名是特定的（clickmosueenter等等）事件对象$event: 是包含事件相关信息的对象（pageXpageYtargetkeyCode自定义事件：事件名是任意名称事件对象$event: 是调用emit时所提供的数据，可以是任意类型！！！示例：父组件：<template><h3>父组件</h3><h4 v-show="toy">子给的玩具：{{ toy }}</h4>
2024-07-11 02:33:44
636
原创 vue 搭建 pinia
作用：简单来说（有了一个新的存储数据和方法的空间）中的数据，需要经过处理后再使用时，可以使用。此时开发者工具中已经有了。的实体，每个组件都可以。
2024-07-11 01:32:27
462
原创 vue 路由传参数
作用：控制路由跳转时操作浏览器历史记录的模式。作用：将特定的路径，重新定向到已有路由。浏览器的历史记录有两种写入方式：分别为。参数时，需要提前在规则中占位。的对象写法，必须使用。路由的props配置。
2024-07-11 00:49:26
291
原创 vue 路由
缺点：后期项目上线，需要服务端配合处理路径问题，否则刷新会有。通过点击导航，视觉效果上“消失” 了的路由组件，默认是被。Home.vue 也就是简单的弄了一张图片而已。优点：兼容性更好，因为不需要服务器端处理路径。这一节最重要的,路由组件 index.ts。About.vue 简单的显示主键。一句话说完,就是用来,跳转页面的。作用：可以简化路由跳转及传参）。然后是主页组件:App.vue。components 代码。文件夹，一般组件通常存放在。New.vue 新闻组件。掉的，需要的时候再去。
2024-07-11 00:41:03
538
原创 vue 自定义(hook)--(模块化)
什么是hook？—— 本质是一个函数，把setup函数中使用的进行了封装，类似于vue2.x中的mixin。自定义hook的优势：复用代码, 让setup中的逻辑更清楚易懂。
2024-07-10 17:17:48
189
原创 vue 生命周期
会在合适的时机，调用特定的函数，从而让开发者有机会在特定阶段运行自己的代码，这些特定的函数统称为：生命周期钩子。组件实例在创建时要经历一系列的初始化步骤，在此过程中。，每个阶段都有两个钩子，一前一后。
2024-07-10 17:14:44
238
原创 vue 生命周期
会在合适的时机，调用特定的函数，从而让开发者有机会在特定阶段运行自己的代码，这些特定的函数统称为：生命周期钩子。组件实例在创建时要经历一系列的初始化步骤，在此过程中。，每个阶段都有两个钩子，一前一后。
2024-07-10 16:55:19
199
原创 Vue 标签的 ref 属性 ＜h2 ref=“title2“＞前端＜/h2＞
作用：用于注册模板引用。用在普通DOM标签上，获取的是DOM节点。用在组件标签上，获取的是组件实例对象。
2024-07-10 16:28:53
285
原创 PyInstaller exe文件报错
可以将spec文件中的console=True改为console=False，再使用pyinstaller main.spec打包生成exe，这样就没有黑窗口。1.当时打包的 有这个文件main.spec 打开它找到hiddenimports ,填上差的包。3,在当前命令行下执行pyinstaller main.spec打包生成exe。2, 删除build和dist。
2024-07-02 19:36:01
230
原创 Nacos作为服务注册中心演示
记得也要运行我们建立了3个module,(1) 第一个服务提供者cloudalibaba-provider-payment9001(2) 第二个服务提供者cloudalibaba-provider-payment9002(3) 一个消费者cloudalibaba-consumer-nacos-order83阿里bb做的很好里面自己就有负载均衡然后实现了,一个人消费,两个服务提供者交替的提供服务。
2024-06-07 01:55:35
157
原创 SpringCloud Sleuth 分布式请求链路跟踪
当微服务多了,需要一些东西来 管理和查看一些 微服务和架构.这里就需要用上这个Spring Cloud Sleuth提供了一套完整的服务跟踪的解决方案。
2024-06-04 02:10:29
292
原创 springCloud Stream 消息驱动
它的作用是:因为在很多的消息队列的平台和应用,如果都去学习,和接收很麻烦. 就总结了一个Stream来管理,就方便很多.屏蔽底层消息中间件的差异,降低切换成本，统一消息的编程模型比如说 有两个处理消息队列的 A 和B需要整合的A 和 B 不单独处理A和B。
2024-06-04 01:22:57
239
原创 边界框转化
在目标检测中，我们通常使用边界框（bounding box）来描述对象的空间位置。边界框是矩形的，由矩形。一种常用的边界框表示方法是。
2024-04-09 20:10:31
233
原创 常用的图像增广方法
左右翻转图像通常不会改变对象的类别。这是最早且最广泛使用的图像增广方法之一。接下来，我们使用transforms模块来创建RandomFlipLeftRight实例，这样就各有50%的几率使图像向左或向右翻转。2. 上下翻转图像3. 图像进行随机裁剪4. 改变颜色。
2024-04-09 19:40:35
304
原创 稠密连接网络（DenseNet）
DenseNet的核心思想是改进网络中特征的传递方式，通过在每个层之间建立直接的连接（即稠密连接），来提高信息流动和梯度传播的效率，从而解决深度神经网络中的梯度消失和梯度爆炸问题。
2024-04-02 12:29:42
296
原创 残差网络（ResNet）
残差网络的核心思想是：每个附加层都应该更容易地包含原始函数作为其元素之一。于是，残差块（residual blocks）便诞生了，这个设计对如何建立深层神经网络产生了深远的影响。即随着网络层数的增加，网络的性能反而不再提升，甚至下降。残差块通过引入“残差学习”（residual learning）来缓解这一问题，使得网络能够更容易地学习到深层特征。残差块的输入不仅传递到卷积层等操作中，还通过一个跳跃连接（也称为快捷连接）直接传递到后面的层。
2024-04-02 11:22:13
310
原创 批量规范化（batch normalization）
一种流行且有效的技术，可持续加速深层网络的收敛速度。批量规范化应用于单个可选层（也可以应用到所有层），其原理如下：在每次训练迭代中，我们首先规范化输入，即通过减去其均值并除以其标准差，其中两者均基于当前小批量处理。接下来，我们应用比例系数和比例偏移。正是由于这个基于批量统计的标准化，才有了批量规范化的名称。在模型训练过程中，批量规范化利用小批量的均值和标准差，不断调整神经网络的中间输出，使整个神经网络各层的中间输出值更加稳定。
2024-04-02 10:21:23
250
原创 GoogLeNet
中间的两条路径在输入上执行1x1卷积减少通道数，从而降低模型的复杂性。第四条路径使用3x3最大汇聚层，然后使用1x1卷积层来改变通道数。这四条路径都使用合适的填充来使输入与输出的高和宽一致，最后我们将每条线路的输出在通道维度上连结，并构成Inception块的输出。GoogLeNet一共使用9个Inception块和全局平均汇聚层的堆叠来生成其估计值。第一个模块类似于AlexNet和LeNet，Inception块的组合从VGG继承，全局平均汇聚层避免了在最后使用全连接层。
2024-04-01 21:12:17
208
原创 网络中的网络（NiN）
NiN的想法是在每个像素位置（针对每个高度和宽度）应用一个全连接层。果我们将权重连接到每个空间位置，我们可以将其视为1x1卷积层，或作为在每个像素位置上独立作用的全连接层。从另一个角度看，即将空间维度中的每个像素视为单个样本，将通道维度视为不同特征。其卷积核的大小为1×1。这种卷积层的主要作用是改变输入特征图的通道数，同时保留空间信息不变。1×1卷积层在网络中通常用于增加或减少通道数、调整网络的深度、以及进行特征融合或分离。
2024-04-01 20:53:53
341
原创 使用块的网络（VGG）
VGG神经网络连接有几个VGG块（在vgg_block函数中定义）。其中有超参数变量conv_arch。该变量指定了每个VGG块里卷积层个数和输出通道数。而一个VGG块与之类似，由一系列卷积层组成，后面再加上用于空间下采样的最大汇聚层。VGG网络可以分为两部分：第一部分主要由卷积层和汇聚层组成，第二部分由全连接层组成。1.带填充以保持分辨率的卷积层；2.非线性激活函数，如ReLU；3.汇聚层，如最大汇聚层。
2024-04-01 19:55:22
274
原创 深度卷积神经网络（AlexNet）
AlexNet由八层组成：五个卷积层、两个全连接隐藏层和一个全连接输出层。AlexNet使用ReLU而不是sigmoid作为其激活函数。# 这里使用一个11*11的更大窗口来捕捉对象。# 同时，步幅为4，以减少输出的高度和宽度。# 另外，输出通道的数目远大于LeNet# 减小卷积窗口，使用填充为2来使得输入与输出的高和宽一致，且增大输出通道数# 使用三个连续的卷积层和较小的卷积窗口。# 除了最后的卷积层，输出通道的数量进一步增加。# 在前两个卷积层之后，汇聚层不用于减少输入的高度和宽度。
2024-04-01 17:13:36
353
原创 神经网络汇聚层
汇聚窗口从输入张量的左上角开始，从左往右、从上往下的在输入张量内滑动。在汇聚窗口到达的每个位置，它计算该窗口中输入子张量的最大值或平均值。计算最大值或平均值是取决于使用了最大汇聚层还是平均汇聚层。可以设定一个任意大小的矩形汇聚窗口，并分别设定填充和步幅的高度和宽。
2024-04-01 16:25:17
393
原创 LeNet卷积神经网络
它是最早发布的卷积神经网络之一网络层的结构：我们对原始模型做了一点小改动，去掉了最后一层的高斯激活。除此之外，这个网络与最初的LeNet-5一致。
2024-04-01 15:39:07
331
原创 多输入多输出通道
由于我们通常使用小卷积核，因此对于任何单个卷积，我们可能只会丢失几个像素。也可以设置上下和左右走的步长分别是什么，设置stride=(3, 4)时，意味着卷积核在输入数据的宽度（横向）上每次移动3个像素，在高度（纵向）上每次移动4个像素。卷积失去了卷积层的特有能力——在高度和宽度维度上，识别相邻元素间相互作用的能力。就是将之前的大的图片,定义一个核函数,然后经过移动并运算将图片变小了.也就是将图像压缩提取整合特征值.在计算互相关时，卷积窗口从输入张量的左上角开始，向下、向右滑动。比如我下面移动两步。
2024-03-31 19:37:50
321
原创 pytorch 层和块
'''建立了线性层 输入20,输出256Relu函数激活,线性层 输入256,输出10'''X = torch.rand(2, 20) # 随机2x20的矩阵net(X)一般来说 都要定义# 用模型参数声明层。这里，我们声明两个全连接的层# 调用MLP的父类Module的构造函数来执行必要的初始化。# 在类实例化时也可以指定其他函数参数self.hidden = nn.Linear(20, 256) # 隐藏层self.out = nn.Linear(256, 10) # 输出层。
2024-03-30 21:21:36
552
原创 softmax理解
softmax函数能够将未规范化的预测变换为非负数并且总和为1，同时让模型保持 可导的性质。为了完成这一目标，我们首先对每个未规范化的预测求幂，这样可以确保输出非负。为了确保最终输出的概率值总和为1，我们再让每个求幂后的结果除以它们的总和。
2024-03-28 17:12:56
238
原创 jupyter notebook和jupyter lab 找不到虚拟环境
【代码】jupyter notebook和jupyter lab 找不到虚拟环境。
2024-03-23 14:15:09
292
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人