第4章 BP神经网络

最新推荐文章于 2024-07-25 14:29:46 发布
最新推荐文章于 2024-07-25 14:29:46 发布
阅读量1.9k 收藏 10
点赞数
文章标签： 神经网络 深度学习 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_56512537/article/details/120341044
版权

BP神经网络

1.BP神经网络介绍及发展背景

从前面介绍的感知器学习规则来看，其权值的调整 取决于期望输出与实际输出之差： $ {\Delta w_i = \eta(t-y)x_i}$

但是对于各个隐藏层的节点来说，不存在已知的期望输出，因而该学习规则不能用于隐藏层的权值调整。

BP 算法的基本思想是，学习过程由信号的正向传播和误差的反向传播两个过程组成。
正向传播时，把样本的特征从输入层进行输入，信号经过各个隐藏层逐层处理后，最后从 输出层传出。对于网络的实际输出与期望输出之间的误差，把误差信号从最后一层逐层反传，从而获得各个层的误差学习信号，再根据误差学习信号来修正各个层神经元的权值。

2.代价函数

cost或loss表示

最简单常见的一个代价函数是均方差（Mean-Square Error, MSE）代价函数，也称为二次代价函数：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-3Qvy6oS3-1631831470720)(attachment:image-3.png)]

3.梯度下降法

3.1 梯度下降法介绍

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-skjkJR9P-1631831470723)(attachment:image-4.png)]

3.2 梯度下降法二维例子

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-OjXJ1qwg-1631831470724)(attachment:image-5.png)]
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-OMio5kVl-1631831470725)(attachment:image-6.png)]

3.3 梯度下降法三维例子

4.Delta学习规则

5.常用激活函数讲解

5.1 Sigmoid函数

5.2 Tanh函数

5.3 Softsign函数

5.4 ReLU函数

6.BP网络模型和公式推导

6.1 BP网络模型

6.2 BP算法推导

6.3 BP算法推导补充说明

7.BP算法推导结论总结

8.梯度消失与梯度爆炸

8.1 梯度消失

8.2 梯度爆炸

如果学习信号乘以一个大于 1 的数，那么δ就会变大。学习信号从输出层一层一层向前反向传播的时候，每传播一层学习信号就会变大一点，经过多层传播后，学习信号就会接近于无穷大，从而使得权值调整接近于无穷大。接近于无穷大那就意味着该层的参数，处于 一种极不稳定的状态，那么网络就不能正常工作了。学习信号随着网络传播逐渐增大的问题也被称为梯度爆炸（Exploding Gradient）的问题。

8.3 使用ReLU函数解决梯度消失和梯度爆炸的问题

导数为 1 是一个很好的特性，不会使得学习信号越来越小，也不会让学习信号越来越大，可以让学习信号比较稳定地从后向前传 播。解决了梯度消失和梯度爆炸的问题，同时计算方便，可以加速网络的训练。 ReLU 函数还有一个优点，它是一个非线性的激活函数，可以用来处理非线性问题

在神经网络 中，信号是冗余的，也就是说其实网络最后在做预测的时候并不需要从前面传过来的所有的信号，实际上只需要一部分的信号，网络就可以进行预测。并且使用部分信号来进行预测与使用全部信号来进行预测得到的结果相差不大

9.使用BP神经网络解决异或问题

10.分类模型评估方法

10.1 准确率/精确率/召回率/F1值

  1. 准确率(accuracy) = 所有预测正确的结果除以所有结果。TP+TN/TP+TN+FP+FN

  2. [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-MlSy45YK-1631831470726)(attachment:image-7.png)]

  3. 召回率(recall) = TP/(TP + FN) 描述的是模型对于正例–恐怖分子的召回能力，找出恐怖分子的能力

  4. 精确率(precision) = TP/(TP + FP) 描述的是模型对于正例-恐怖分子的判断能力，找的是否精准。

  5. 在实际应用中，最理想的情况是精确率和召回率都比较高，不过一般来说，很难得到精确率和召回率都很高的结果。很多时候是提高了精确率，召回率就会降低；提高召回率，精确率 就会降低。
    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-9LMeVbyX-1631831470727)(attachment:image-8.png)]

  6. F1 值综合了 P 和 R 的结果，可用于综合评价分类结果的质量。准确率，召回率，精确率，F1 值都是在 0-1 之间，并且都是越大越好。

10.2 混淆矩阵

11.独热编码

12.BP神经网络完成手写数字识别

从最基层实现一个BP神经网络的算法，函数都需要自己构造，代码如下

13.Sklearn 手写数字识别

利用sklearn包调用封装好的函数来实现相同的分类，使用 scikit-learn 模块。scikit-learn 是一个常用的 python 模型，里面封装了大量机器学习算法，其中就包括 BP 神经网络。代码如下

#BP神经网络解决异或问题
import numpy as np
import matplotlib.pyplot as plt

#输入数据
X = np.array([[0,0],
              [0,1],
              [1,0],
              [1,1]])

#标签
T = np.array([[0],
              [1],
              [1],
              [0]])

#定义一个2层的神经网络：2-10-1
#输入层2个神经元，隐藏层10个神经元，输出层1个神经元
#输入层到隐藏层的权值初始化，2行10列
W1 = np.random.random([2,10])
#隐藏层到输出层的权值初始化，10行1列
W2 = np.random.random([10,1])
#初始化偏置值，偏置值的初始化一般可以取0，或者一个比较小的常数，如0.1
#隐藏层的10个神经元偏置
b1 = np.zeros([10])
#输出层的一个神经元偏置
b2 = np.zeros([1])
#学习率设置
lr = 0.1
#定义训练周期数
epochs = 100001
#定义测试周期数
test = 5000

#定义sigmoid函数
def sigmoid(x):
    return 1/(1+np.exp(-x))

#定义sigmoid 函数导数
def dsigmoid(x):
    return x*(1-x)

#更新权值和偏置值
def update():
    global X,T,W1,W2,lr,b1,b2
    
    #隐藏层输出
    L1 = sigmoid(np.dot(X,W1)+b1)
    #输出层输出
    L2 = sigmoid(np.dot(L1,W2)+b2)
    
    #求输出层的学习信号
    delta_L2 = (T - L2)*dsigmoid(L2)
    #隐藏层的学习信号
    delta_L1 = delta_L2.dot(W2.T)*dsigmoid(L1)
    
    #求隐藏层到输出层的权值改变
    #由于一次计算了多个样本，所以需要求平均
    delta_W2 = lr*L1.T.dot(delta_L2)/X.shape[0]
    #输入层到隐藏层的权值改变
    #由于一次计算了多个样本，所以需要求平均
    delta_W1 = lr * X.T.dot(delta_L1)/X.shape[0]
    
    #更新均值
    W2 = W2+delta_W2
    W1 = W1+delta_W1
    
    #改变偏置值
    #由于一次计算了多个样本，所以需要求平均
    b2 = b2 + lr*np.mean(delta_L2,axis=0)
    b1 = b1 + lr*np.mean(delta_L1,axis=0)
    
#定义空list用与保存loss
loss = []
#训练模型
for i in range(epochs):
    #更新权值
    update()
    #每训练5000次计算一次loss值
    if i%test == 0:
        #隐藏层输出
        L1 = sigmoid(np.dot(X,W1)+b1)
        #输入层输出
        L2 = sigmoid(np.dot(L1,W2)+b2)
        #计算loss值
        print('epochs:',i,'loss',np.mean(np.square(T-L2)/2))
        #保存loss值
        loss.append(np.mean(np.square(T-L2)/2))
        
#画图训练周期数与loss的关系图
plt.plot(range(0,epochs,test),loss)
plt.xlabel('epochs')
plt.ylabel('loss')
plt.show()

#隐藏层输出
L1 = sigmoid(np.dot(X,W1)+b1)
#输出层输出
L2 = sigmoid(np.dot(L1,W2)+ b2)
print('output:')
print(L2)

#因为最终的分类只有0和1，所以我们可以把大于等于0.5的归为1类，
#小于0.5的值归为0类
def predict(x):
    if x>=0.5:
        return 1
    else:
        return 0
    
# map 会根据提供的函数对指定序列做映射
#相当于依次把L2中的值放到predict函数中计算
#然后打印出结果
print('predict:')
for i in map(predict,L2):
    print(i)

运行结果：

运行结果

#4.12 BP神经网络完成手写数字识别(片段1)--了解数据的相关信息
from sklearn.datasets import load_digits
import matplotlib.pyplot as plt

#载入手写数字数据
digits = load_digits()
#打印数据集的shape,行表示数据集个数，列表示每个数据的特征数
print('data shape:',digits.data.shape)
#打印数据标签的shape,数据标签的值为0-9
print('target shape:',digits.target.shape)
#准备显示第0张图片，图片为灰度图
plt.imshow(digits.images[0],cmap='gray')
#显示图片
plt.show()

运行结果：
在这里插入图片描述

#4.12 BP神经网络完成手写数字识别(片段2)

#导入numpy科学计算库
import numpy as np
#载入画图工具包
import matplotlib.pyplot as plt
#导入手写数字数据集
from sklearn.datasets import load_digits
#用于标签二值化处理，把标签转成独热编码one-hot的格式
from sklearn.preprocessing import LabelBinarizer
#用于把数据集拆分为训练集和测试集
from sklearn.model_selection import train_test_split
#用于评估分类结果
from sklearn.metrics import classification_report,confusion_matrix

#定义sigmoid函数
def sigmoid(x):
    return 1/(1+np.exp(-x))

#定义sigmoid函数的导数
def dsigmoid(x):
    return x*(1-x)

#定义神经网络分类
class NeuralNetwork:
    #初始化网络，定义网络结构
    #假设传入(64,100,10),说明定义：
    #输入层64个神经元，隐藏层100个神经元，输出层10个神经元
    def __init__(self,layers):
        #权值的初始化，范围-1到1
        self.W1 = np.random.random([layers[0],layers[1]])*2-1
        self.W2 = np.random.random([layers[1],layers[2]])*2-1
        #初始化偏置值
        self.b1 = np.zeros([layers[1]])
        self.b2 = np.zeros([layers[2]])
        #定义空list用于保存accuracy
        self.accuracy = []
        #定义空list用于保存loss
        self.loss = []
    #训练模型
    #X为数据输出
    #T为数据对应的标签
    #lr学习率
    #steps训练次数
    #batch批次大小
    #使用批量随机梯度下降法，每次随机抽取一个批次的数据进行训练
    def train(self,X,T,lr=0.1,steps=20000,test=5000,batch=50):
        #进行steps+1次训练
        for n in range(steps+1):
            #随机选取一个批次数据
            index = np.random.randint(0,X.shape[0],batch)
            x = X[index]
            #计算隐藏层输出
            L1 = sigmoid(np.dot(x,self.W1)+self.b1)
            #计算输出层输出
            L2 = sigmoid(np.dot(L1,self.W2)+self.b2)
            #求输出层的学习信号
            delta_L2 = (T[index]-L2)*dsigmoid(L2)
            #求隐藏层的学习信号
            delta_L1 = delta_L2.dot(self.W2.T)*dsigmoid(L1)
            #求隐藏层到输出层的权值改变
            #由于一次计算了多个样本，所以需要求平均
            self.W2 +=lr*L1.T.dot(delta_L2)/x.shape[0]
            #求输出层到隐藏层的权值改变
            #由于一次计算了多个样本，所以需要求平均
            self.W1 += lr*x.T.dot(delta_L1)/x.shape[0]
            #改变偏置值
            self.b2 = self.b2 + lr*np.mean(delta_L2,axis=0)
            self.b1 = self.b1 + lr*np.mean(delta_L1,axis=0)
            
            #每训练5000次预测一次准确率
            if n%test==0:
                #预测测试集的预测结果
                Y2 = self.predict(X_test)
                #取得预测结果最大的所在的索引
                #例如最大值所在的索引是3，那么预测结果就是3
                predictions = np.argmax(Y2,axis=1)
                #计算准确率
                #np.equal(predictions,y_test)判断预测结果和真实标签是否相等，相等返回True,
                #不相等返回False
                #np.equal(predictions,y_test)执行后得到一个包含多个True和False的列表
                #然后用np.mean对列表求平均True为1，False为0。
                #例如一共有10个结果，9个True,一个False,平均后的结果为0.9，即预测的准确率为90%
                acc = np.mean(np.equal(predictions,y_test))
                #计算loss
                l = np.mean(np.square(y_test-predictions)/2)
                #保存准确率
                self.accuracy.append(acc)
                #保存loss值
                self.loss.append(l)
                #打印训练次数，准确率和loss
                print('step:%d accuracy:%.3f loss:%.3f'%(n,acc,l))
    #模型预测结果
    def predict(self,x):
        L1 = sigmoid(np.dot(x,self.W1)+self.b1)   #隐层输出
        L2 = sigmoid(np.dot(L1,self.W2)+self.b2)  #输出层输出
        return L2
    
#程序从这里开始运行
#定义训练次数
steps = 30001
#定义测试周期数
test = 3000
#载入数据
digits = load_digits()
#得到数据
X = digits.data
#得到标签
y = digits.target
#输入数据归一化，有助于加快训练速度
#X中原来的数值范围是0-255之间，归一化后变成0-1之间
X -= X.min()
X /= X.max()-X.min()
#分割数据1/4为测试数据，3/4为训练数据
#有1347个训练数据，450个测试数据
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.25)



#创建网络，输入层64个神经元，隐藏层100个神经元，输出层10个神经元
nm = NeuralNetwork([64,100,10])
#标签转化为独热编码one-hot的格式
labels_train = LabelBinarizer().fit_transform(y_train)
#开始训练
print('Start training')
nm.train(X_train,labels_train,steps = steps,test=test)

#预测测试数据
predictions = nm.predict(X_test)
predictions = np.argmax(predictions,axis=1)
#对比测试数据的真实标签与网络预测结果，得到准确率，召回率和F1值
print(classification_report(y_test,predictions))
#对于测试数据的真实标签与网络预测结果，得到混淆矩阵
print(confusion_matrix(y_test,predictions))

#训练次数与loss的关系图
plt.plot(range(0,steps+1,test),nm.loss)
plt.xlabel('steps')
plt.ylabel('loss')
plt.show()


# 训练次数与 accuracy 的关系图
plt.plot(range(0,steps+1,test),nm.accuracy)
plt.xlabel('steps')
plt.ylabel('accuracy')
plt.show()

运行结果：
在这里插入图片描述

BP网络完成手写数字识别(使用scikit-learn中的神经网络算法)
#载入BP神经网络
from sklearn.neural_network import MLPClassifier
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report
import matplotlib.pyplot as plt
#载入数据
digits = load_digits()
#数据
x_data = digits.data
#标签
y_data = digits.target
#在X中原来的数值范围是0-225之间，归一化后变为0-1之间
x_data -= x_data.min()
x_data/=x_data.max()-x_data.min()
#分割数据1/4为测试数据，3/4为训练数据
#有1347个训练数据，450个测试数据
x_train,x_test,y_train,y_test = train_test_split(x_data,y_data,test_size=0.25)
#定义神经网络模型，模型输入神经元个数和输出神经元个数不需要设置
#hidden_layer_sizes用于设置隐藏层结构：
#比如(50)表示有1个隐藏层，隐藏层神经元个数为50
#比如(100,20)表示有2个隐藏层，第1个隐藏层有100个神经元，第2个隐藏层有20个神经元
#比如(100,20,10)表示3个隐藏层，神经元个数分别为100,20,10
#max_iter设置训练次数
mlp = MLPClassifier(hidden_layer_sizes=(100,20),max_iter=500)
#fit传入训练集数据开始训练模型
mlp.fit(x_train,y_train)
#predict用于模型预测
predictions = mlp.predict(x_test)
#标签数据和模型预测数据进行对比，计算分类评估指标
print(classification_report(y_test,predictions))

运行结果：
在这里插入图片描述

T.S.G
关注
  • 0
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
第6章 BP神经网络.zip
05-26
本章主要深入探讨BP神经网络的理论基础、结构、学习算法以及实际应用。 一、BP神经网络的基础理论 BP神经网络的核心思想来源于生物神经元的工作原理，通过模拟人脑神经元之间的连接与信息传递来实现复杂问题的求解...
基于双隐含层BP神经网络的预测
05-08
**基于双隐含层BP神经网络的预测** BP（Backpropagation）神经网络是一种广泛应用的人工神经网络模型，尤其在预测任务中表现出色。它的核心在于反向传播算法，通过不断调整权重和偏置来最小化损失函数，从而提高...
BP神经网络预测matlab代码讲解与实现步骤
热门推荐
CJ-leaf的博客
12-07 21万+
文章目录1. BP神经网络的简介和结构参数1.1 BP神经网络的结构组成1.2 BP神经网络训练界面的参数解读2. 实现BP网络的步骤3. matlab代码编写4. BP代码运行结果4.1 预测值和真实值的误差计算（MAE、MSE、MRSE）4.2 BP网络训练的性能分析图像5. 结语6. MATLAB代码 1. BP神经网络的简介和结构参数 神经网络是机器学习中一种常见的数学模型，通过构建类似于大脑神经突触联接的结构，来进行信息处理。在应用神经网络的过程中，处理信息的单元一般分为三类：输入单元、输出单元和
一、最简单的神经网络--Bp神经网络
weixin_40432828的博客
09-04 20万+
        在之前的文章中，有提到过，所谓的 AI 技术，本质上是一种数据处理处理技术，它的强大来自于两方面：1.互联网的发展带来的海量数据信息  2.计算机深度学习算法的快速发展。 所以说 AI 其实并没有什么神秘，只是在算法上更为复杂。要想理解这一点，我们要从一个问题说起：找数据的规律...         如果你是一名上过大学的人，有几个数学上的方法你应该不太陌生：线性拟合，多项式拟合...
BP神经网络通俗教程（matlab实现方法）
tangbiubiu的博客
09-05 5万+
BP神经网络通俗教程（matlab实现方法） 黑色字体可看可不看，是帮助理解所用 红色字体是比较重要的部分，必看 BP神经网络是什么 BP（Back-propagation，反向传播）神经网络是最传统的神经网络。当下的各种神经网络的模型都可以看做是BP神经网络的变种（虽然变动很大…）。 这东西是干什么用的呢？ 我们在现实中要处理的一切问题映射到数学上只分为两类，可归纳的问题与不可归纳的问题。首先什么是不可归纳的问题，举个例子，你不能用一套完美的数学公式去表达所有的质数 ， 因为目前的研究表明，还没有什么方法
BP神经网络预测实例（matlab代码，神经网络工具箱）
人工智能方向，计算机视觉
02-16 13万+
目录辛烷值的预测matlab代码实现工具箱实现 参考学习b站： 数学建模学习交流 bp神经网络预测matlab代码实现过程 辛烷值的预测 【改编】辛烷值是汽油最重要的品质指标，传统的实验室检测方法存在样品用量大，测试周期长和费用高等问题，不适用于生产控制，特别是在线测试。近年发展起来的近红外光谱分析方法（NIR），作为一种快速分析方法，已广泛应用于农业、制药、生物化工、石油产品等领域。其优越性是无损检测、低成本、无污染，能在线分析，更适合于生产和控制的需要。实验采集得到50组汽油样品（辛烷值已通过其他方法测
神经网络——Python实现BP神经网络算法（理论+例子+程序）
Linyun2tt的博客
11-27 7万+
一、基于BP算法的多层感知器模型 采用BP算法的多层感知器是至今为止应用最广泛的神经网络，在多层感知器的应用中，以图3-15所示的单隐层网络的应用最为普遍。一般习惯将单隐层前馈网称为三层感知器，所谓三层包括了输入层、隐层和输出层。 算法最终结果采用梯度下降法，具体详细过程此处就省略了！ 二、BP算法的程序实现流程 三、标准BP算法的改进——增加动量项 标准BP算法在调整权值时，只按t时刻误差的梯度降方向调整，而没有考虑t时刻以前的梯度方向，从而常使训练过程发生振荡，收敛缓慢。为了提
西瓜书研读——第五章 神经网络：BP神经网络
小白不白
10-06 2550
主要教材为西瓜书，结合南瓜书，统计学习方法，B站视频整理~ 力求以最朴素、最简洁的语言讲清算法原理 原理讲解，公式推导，课后习题，实践代码应有尽有，欢迎订阅
神经网络入门必备——BP神经网络
Krisit的博客
02-08 1万+
介绍BP神经网络的原理和实际用法
第四章.神经网络—BP神经网络
weixin_45116749的博客
02-24 1247
第四章.神经网络—BP神经网络
BP神经网络原理与如何实现BP神经网络
dbat
11-20 1772
BP（back propagation）神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，由Rumelhart和McClelland为首的科学家于1986年提出。它是应用最广泛的神经网络模型之一，能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。
第1章 BP神经网络的数据分类.zip_BP神经网络_bp网络分类_神经网络分类_第1章 BP神经网络的数据分类
07-14
BP神经网络，全称为Backpropagation Neural Network，是人工神经网络的一种典型模型，尤其在解决非线性问题和复杂模式识别任务中应用广泛。本章将深入探讨如何利用BP神经网络进行数据分类。 数据分类是机器学习领域...
遗传算法优化BP神经网络,遗传算法优化bp神经网络matlab代码,matlab
09-10
在“遗传算法优化BP神经网络”这个压缩包中，可能包含了MATLAB代码示例，用于演示如何将遗传算法与BP神经网络结合，以解决特定的优化问题。这些代码通常会包括网络结构定义、遗传算法参数设置、训练和测试流程等部分...
神经网络第4讲 前馈神经网络-BP神经网络.doc
03-30
神经网络第4讲 前馈神经网络-BP神经网络 本资源摘要信息对应的知识点包括： 1. 神经网络结构：反向传播网络（Back-Propagation Network，简称 BP 网络）是一种多层前馈神经网络，输出是连续函数，神经元的变换函数...
神经网络与注意力机制的权重学习对比：公式探索
最新发布
认知计算_茂森的博客
07-25 1178
在探讨神经网络与注意力机制的权重学习时，一个核心差异在于它们如何处理输入数据的权重。神经网络通常通过反向传播算法学习权重，而注意力机制则通过学习数据的“重要性”权重来增强模型的性能。这里，我们重点探讨注意力机制中的关键公式及其推导。
深度学习：目标检测的革命者
2401_85761003的博客
07-23 932
深度学习已经成为目标检测领域的重要驱动力，它通过强大的特征提取能力和端到端的学习方式，极大地提高了检测的准确性和效率。随着技术的不断进步，我们有理由相信深度学习将在目标检测中发挥更大的作用，推动相关行业的快速发展。注意：本文中的代码示例仅供参考，实际使用时请根据你的项目情况进行调整。如果你有任何问题或需要进一步的帮助，请随时联系我们。
小目标检测：深度学习中的微观挑战
2401_85341950的博客
07-23 573
在计算机视觉领域，小目标检测是一个具有挑战性的任务。小目标由于其在图像中占据的像素较少，常常难以被准确识别和定位。这一问题在交通监控、卫星图像分析、医学成像等领域尤为突出。本文将探讨小目标检测面临的主要挑战，并讨论一些流行的解决方案和代码示例，以帮助读者更好地理解这一领域的技术难点。
【深度学习】大模型GLM-4-9B Chat ，微调与部署(3) TensorRT-LLM、TensorRT量化加速、Triton部署
q742971636的博客
07-25 1854
TensorRT-LLM官方目前说在v0.12.0版本才会支持GLM-4-9B Chat ，下面以v0.10.0的魔改来做GLM-4-9B Chat的量化部署。本文目标就是加速GLM-4-9B Chat，看看能多快。A100卡。
BP神经网络Matlab实现详解与实战应用
本文是一系列关于考拉BP神经网络在Matlab中的实现学习教程，由论坛超级版主akjuan整理，旨在帮助初学者理解和掌握BP神经网络的基本概念、特点及其在实际应用中的注意事项。以下是五个核心部分的概要： 1. **基础...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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