麦当劳 APP sign 参数学习

抓包详情
在这里插入图片描述
在这里插入图片描述

“communityQrcode”: “https://menu-img.mcd.cn/store/prod/store/communityQrcode/1950345_1.png”,
“deliveryFeeCode”: “7030”,
“duration”: null,
“deliveryTime”: null,
“estimatedDeliveryTime”: null,
“hotTagCodes”: [“breakfast”, “wifi”, “24h”, “mcCafe”, “mds”, “DT”, “gm”],
“businessHours”: null,
“dayparts”: [{
“daypartCode”: 1,
“daypartName”: “早餐”,
“startTime”: “05:00:00”,
“endTime”: “10:29:59”,
“daypartFlag”: false
}, {
“daypartCode”: 4,
“daypartName”: “下午茶”,
“startTime”: “14:30:00”,
“endTime”: “16:59:59”,
“daypartFlag”: false
}, {
“daypartCode”: 5,
“daypartName”: “夜市”,
“startTime”: “17:00:00”,
“endTime”: “04:59:59”,
“daypartFlag”: false
}, {
“daypartCode”: 8,
“daypartName”: “午餐”,
“startTime”: “10:30:00”,
“endTime”: “14:29:59”,
“daypartFlag”: true
}],
“startTime”: “00:00”,
“endTime”: “23:59”,
“businessStatus”: 1,
“beCode”: null,
“beType”: null,
“isActive”: true,
“tags”: [{
“label”: “距离最近”,
“value”: “nearest”
}],
“businessStartDay”: “2015-12-31”,
“newStore”: 0,

全国麦当劳 门店开关量对比

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
生成麦当劳头像可以使用 AI 技术中的 GAN(生成对抗网络)模型,让计算机自动生成麦当劳头像图像。 具体实现步骤如下: 1. 准备数据:收集大量麦当劳头像照片作为训练数据集。 2. 构建生成器和判别器:使用深度学习框架,设计生成器和判别器。 3. 训练模型:将麦当劳头像照片作为输入,训练生成器和判别器的参数,使生成器能够生成逼真的麦当劳头像照片。 4. 生成头像:使用训练好的生成器模型,输入随机噪声向量,即可生成新的麦当劳头像照片。 下面是一个使用 PyTorch 实现 GAN 模型生成麦当劳头像的示例代码: ```python # 导入相关库 import torch import torch.nn as nn import torchvision import torchvision.transforms as transforms import matplotlib.pyplot as plt import numpy as np # 定义超参数 num_epochs = 200 batch_size = 100 learning_rate = 0.0002 # 准备数据 transform = transforms.Compose([ transforms.Resize(64), transforms.CenterCrop(64), transforms.ToTensor(), transforms.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]) ]) train_dataset = torchvision.datasets.ImageFolder(root='./data', transform=transform) train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=batch_size, shuffle=True) # 定义生成器 class Generator(nn.Module): def __init__(self): super(Generator, self).__init__() self.fc1 = nn.Linear(100, 256) self.fc2 = nn.Linear(256, 512) self.fc3 = nn.Linear(512, 1024) self.fc4 = nn.Linear(1024, 64*64*3) def forward(self, x): x = nn.functional.leaky_relu(self.fc1(x), 0.2) x = nn.functional.leaky_relu(self.fc2(x), 0.2) x = nn.functional.leaky_relu(self.fc3(x), 0.2) x = torch.tanh(self.fc4(x)) return x.view(-1, 3, 64, 64) # 定义判别器 class Discriminator(nn.Module): def __init__(self): super(Discriminator, self).__init__() self.conv1 = nn.Conv2d(3, 64, kernel_size=4, stride=2, padding=1) self.conv2 = nn.Conv2d(64, 128, kernel_size=4, stride=2, padding=1) self.conv3 = nn.Conv2d(128, 256, kernel_size=4, stride=2, padding=1) self.conv4 = nn.Conv2d(256, 512, kernel_size=4, stride=2, padding=1) self.fc1 = nn.Linear(512*4*4, 1) def forward(self, x): x = nn.functional.leaky_relu(self.conv1(x), 0.2) x = nn.functional.leaky_relu(self.conv2(x), 0.2) x = nn.functional.leaky_relu(self.conv3(x), 0.2) x = nn.functional.leaky_relu(self.conv4(x), 0.2) x = x.view(-1, 512*4*4) x = torch.sigmoid(self.fc1(x)) return x # 初始化生成器和判别器 generator = Generator() discriminator = Discriminator() # 定义损失函数和优化器 criterion = nn.BCELoss() optimizer_G = torch.optim.Adam(generator.parameters(), lr=learning_rate) optimizer_D = torch.optim.Adam(discriminator.parameters(), lr=learning_rate) # 开始训练 for epoch in range(num_epochs): for i, (images, _) in enumerate(train_loader): # 定义标签 real_labels = torch.ones(images.size(0), 1) fake_labels = torch.zeros(images.size(0), 1) # 训练判别器 discriminator.zero_grad() real_outputs = discriminator(images) real_loss = criterion(real_outputs, real_labels) real_loss.backward() z = torch.randn(batch_size, 100) fake_images = generator(z) fake_outputs = discriminator(fake_images.detach()) fake_loss = criterion(fake_outputs, fake_labels) fake_loss.backward() d_loss = real_loss + fake_loss optimizer_D.step() # 训练生成器 generator.zero_grad() outputs = discriminator(fake_images) g_loss = criterion(outputs, real_labels) g_loss.backward() optimizer_G.step() # 输出损失 if (i+1) % 100 == 0: print('Epoch [{}/{}], Step [{}/{}], D_loss: {:.4f}, G_loss: {:.4f}' .format(epoch+1, num_epochs, i+1, len(train_loader), d_loss.item(), g_loss.item())) # 保存生成的图片 fake_images = generator(torch.randn(1, 100)).detach().numpy().squeeze().transpose((1,2,0)) plt.imsave('result/epoch_{}.png'.format(epoch+1), (fake_images + 1) / 2) ``` 在上述代码中,我们使用了 PyTorch 框架,定义了生成器和判别器模型,并使用 Adma 优化器训练模型。在训练过程中,我们还输出了每一轮的损失和生成的图片,最终可以得到一系列逼真的麦当劳头像照片。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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