代码DD

public class ThreadTest {
 // 定义变量,用于检测线程调度的先后次序
 private int j;

 public static void main(String args[]) {
  ThreadTest tt = new ThreadTest();
  Inc inc = tt.new Inc();
  Dec dec = tt.new Dec();
  // 循环两次,每次启动2个线程,总共有4个线程
  for (int i = 0; i < 2; i++) {
   Thread t = new Thread(inc);
   t.start();
   t = new Thread(dec);
   t.start();
  }
 }

 // synchronized 线程同步 同一时间内只能执行这个类中的一个方法
 private synchronized void inc() {
  j++;
  System.out.println(Thread.currentThread().getName() + "-inc:" + j);
 }

 private synchronized void dec() {
  j--;
  System.out.println(Thread.currentThread().getName() + "-dec:" + j);
 }

 // 实现Runnable接口 java中有2中方法实现线程 1、扩展java.lang.Thread类
 // 2、实现java.lang.Runnable接口
 class Inc implements Runnable {
  public void run() {
   for (int i = 0; i < 10; i++) {
    inc();
   }
  }
 }

 class Dec implements Runnable {
  public void run() {
   for (int i = 0; i < 10; i++) {
    dec();
   }
  }
 }

}

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
资源包主要包含以下内容: ASP项目源码:每个资源包中都包含完整的ASP项目源码,这些源码采用了经典的ASP技术开发,结构清晰、注释详细,帮助用户轻松理解整个项目的逻辑和实现方式。通过这些源码,用户可以学习到ASP的基本语法、服务器端脚本编写方法、数据库操作、用户权限管理等关键技术。 数据库设计文件:为了方便用户更好地理解系统的后台逻辑,每个项目中都附带了完整的数据库设计文件。这些文件通常包括数据库结构图、数据表设计文档,以及示例数据SQL脚本。用户可以通过这些文件快速搭建项目所需的数据库环境,并了解各个数据表之间的关系和作用。 详细的开发文档:每个资源包都附有详细的开发文档,文档内容包括项目背景介绍、功能模块说明、系统流程图、用户界面设计以及关键代码解析等。这些文档为用户提供了深入的学习材料,使得即便是从零开始的开发者也能逐步掌握项目开发的全过程。 项目演示与使用指南:为帮助用户更好地理解和使用这些ASP项目,每个资源包中都包含项目的演示文件和使用指南。演示文件通常以视频或图文形式展示项目的主要功能和操作流程,使用指南则详细说明了如何配置开发环境、部署项目以及常见问题的解决方法。 毕业设计参考:对于正在准备毕业设计的学生来说,这些资源包是绝佳的参考材料。每个项目不仅功能完善、结构清晰,还符合常见的毕业设计要求和标准。通过这些项目,学生可以学习到如何从零开始构建一个完整的Web系统,并积累丰富的项目经验。
以下是一个基于PyTorch实现的DDPM模型的训练代码示例: ```python import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader from torchvision.datasets import CIFAR10 from torchvision.transforms import Compose, RandomCrop, ToTensor # 构建数据集 transform = Compose([RandomCrop(32, padding=4), ToTensor()]) train_data = CIFAR10(root='./data', train=True, transform=transform, download=True) train_loader = DataLoader(train_data, batch_size=128, shuffle=True, num_workers=4) # 构建模型 class DDPM(nn.Module): def __init__(self): super(DDPM, self).__init__() self.conv1 = nn.Conv2d(3, 128, kernel_size=3, padding=1) self.conv2 = nn.Conv2d(128, 128, kernel_size=3, padding=1) self.conv3 = nn.Conv2d(128, 128, kernel_size=3, padding=1) self.conv4 = nn.Conv2d(128, 128, kernel_size=3, padding=1) self.conv5 = nn.Conv2d(128, 3, kernel_size=3, padding=1) def forward(self, x): h = nn.functional.relu(self.conv1(x)) h = nn.functional.relu(self.conv2(h)) h = nn.functional.relu(self.conv3(h)) h = nn.functional.relu(self.conv4(h)) return self.conv5(h) # 构建优化器和损失函数 model = DDPM() optimizer = optim.Adam(model.parameters(), lr=1e-4) criterion = nn.MSELoss() # 开始训练 for epoch in range(100): for i, (x, _) in enumerate(train_loader): optimizer.zero_grad() x = x.cuda() loss = criterion(model(x), x) loss.backward() optimizer.step() if i % 100 == 0: print(f"Epoch {epoch}, Iteration {i}, Loss {loss.item()}") ``` 这段代码中,我们使用了一个简单的DDPM模型,将其应用于CIFAR10数据集的训练中。我们使用了Adam优化器和均方误差损失函数进行训练。训练过程中,我们每100个iteration输出一次当前的loss。你可以根据实际情况修改模型结构,调整超参数等。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值