- 博客(65)
- 收藏
- 关注
RSS订阅原创 工作日志（3）
本文摘要： 工业视觉检测训练工程标准化模板解析，提出三层架构设计：实验配置层(exp.yaml)、资源调度层(scheduler.json)和定制代码层(customized/*.py)。详细拆解了数据预处理、模型训练、评估部署全流程，重点说明：1)YAML文件作为训练总控；2)LabelMe数据解析与业务规则处理；3)工业场景特有的kill率可视化分析；4)集群调度配置要点。提供从训练到ONNX导出的完整SOP，包含常见报错解决方案，强调通过smrun提交任务避免资源问题，最终产出包含模型权重、评估日志和
2026-04-20 18:24:38
414
原创 工作日志（2）
本文介绍了作者在新公司使用集群训练环境的实践经验。首先说明了集群训练的基本概念和优势，然后详细讲解了集群连接的配置步骤，包括密钥管理和远程工具使用。重点介绍了schedctl工具的使用方法，包括节点状态查询、任务创建与管理（支持指定GPU型号和数量）、日志查看、容器调试等核心功能，并提供了从基础验证到模型训练、环境调试的完整操作案例。最后总结了常用的schedctl命令速查表，为读者提供了实用的集群操作指南。文章内容源于实际工作场景，具有较强的实操参考价值。
2026-04-16 18:24:17
350
原创 工作日志（1）
Docker是一个轻量级容器化技术，可将应用与环境打包成镜像（Image），容器（Container）则是镜像的运行实例，提供完全隔离的虚拟环境。常用命令包括查看版本、运行容器、管理镜像等。通过目录挂载实现本地与容器文件同步，容器内需重新安装依赖包。相比Conda仅隔离Python包，Docker隔离整个操作系统和环境。关键规则：Docker命令在主机终端执行，Python/pip等命令在容器内执行。本文记录了首次搭建Docker环境并运行Python代码的实践过程，包括容器创建、依赖安装和脚本执行等步骤。
2026-04-14 20:18:50
313
原创 AI 模型工程落地完整流程（通用版）
本文系统介绍了YOLO模型从训练到部署的全流程优化方案。首先通过模型优化（轻量化重构、知识蒸馏、剪枝、量化）解决原生模型"大、慢、耗资源"问题；然后进行ONNX格式转换实现跨框架兼容；再根据硬件选型适配不同推理引擎（ONNXRuntime、TensorRT等）；最后详细解析了YOLO推理全流程，包括预处理、模型推理和后处理。针对不同部署场景提供了Python/ONNXRuntime、C++/TensorRT、RKNN板端等多种方案，并给出性能优化建议。整个流程兼顾精度与效率，为工业级目标
2026-03-06 22:19:34
442
原创 yolov8分割网络精讲
本文介绍了YOLOv8分割网络的核心原理与实践应用。作为单阶段实例分割方法，YOLOv8-seg在检测框架基础上创新性地采用Mask Prototypes机制：通过32个可学习的原型掩码和动态系数预测，实现高效的掩码生成。相比传统两阶段方法，在保持精度的同时显著提升速度。文章详细解析了网络架构、损失函数设计，并提供了训练调参建议，包括输入尺寸选择、模型量化等优化策略，特别针对小目标分割提出了改进方案。通过Ultralytics库可快速实现模型训练和部署，适用于实时分割场景。
2026-03-05 22:58:33
624
原创 YOLOv7 + YOLO11网络知识补充
本文对比分析了YOLOv5、v7和v8的核心架构与技术特点。在Backbone方面，v5采用CSPDarknet+SPP轻量化设计，v7使用ELAN+MP1/2实现精细特征融合，v8改进为C2f模块平衡精度与速度。Neck模块均采用FPN+PAN框架，但特征融合方式从v5的CSP发展到v7的ELAN-W和v8的C2f。Head模块演进明显：v5为耦合锚框头，v7通过重参数化和辅助头优化锚框检测，v8则转向无锚框设计。损失函数方面，v7引入OTA-SIM提升正样本选择精度。总体来看，YOLO系列从v5的轻量化
2026-02-10 13:42:49
719
原创 深度学习之目标检测yolo算法Ⅴ-YOLOv8
YOLOv8目标检测算法解析与实践 本文深入剖析了YOLOv8目标检测算法的核心原理与实现细节。作为YOLOv5的升级版本，YOLOv8通过C2f模块替代C3模块、采用Anchor-Free解耦头和任务对齐学习(TAL)等创新设计，显著提升了检测精度。文章详细解析了YOLOv8的网络架构，包括Backbone中的C2f和SPPF模块、Neck部分的FPN+PAN结构，以及Head部分的解耦输出设计。重点探讨了推理阶段的Tensor解码流程、正样本选择机制和损失函数组成（CIoULoss+DFLLoss+BC
2026-02-03 22:21:27
1280
原创 瑞芯微RV1106G3板端部署
本文详细介绍了将YOLOv5模型部署到瑞芯微RV1106开发板的完整流程。主要内容包括：1) 将训练好的best.pt模型转换为ONNX格式；2) 通过RKNN工具链将ONNX模型转换为RV1106专用的RKNN格式；3) 在板端部署和运行模型；4) 添加详细的耗时统计功能，对模型推理各环节进行性能分析；5) 解决交叉编译环境配置问题。文章提供了完整的命令操作流程和关键代码实现，特别针对RV1106平台的特殊处理进行了说明，为嵌入式AI模型部署提供了实用参考。
2026-02-03 22:21:02
547
原创 ⭐深度学习之目标检测yolo算法Ⅳ-YOLOv5（2）
本文总结了YOLOv5模型优化实践中的关键方法和案例。首先介绍了模型构建流程：通过yaml文件定义网络结构，common.py提供基础模块，parse_model方法解析配置并构建模型。重点阐述了三个优化方向：1）注意力机制添加，需考虑位置选择和计算量；2）模型结构调整，如根据目标尺寸选择不同输出头配置；3）实际案例演示，包括减少冗余输出头、添加CA注意力模块以及新增160x160输出头的完整流程。特别强调了锚框适配、特征层选择和拼接操作中的注意事项，为YOLOv5模型优化提供了实用指导。
2026-01-20 12:03:27
611
原创 ⭐深度学习之目标检测yolo算法Ⅲ-YOLOv5（1）
本文系统总结了YOLOv5的核心知识点：1. 网络架构演进：从YOLOv1到v5的改进历程，重点解析v5的Backbone-Neck-Head结构；2. 关键技术优化：包括CIoU损失函数、Focal Loss、Mosaic数据增强等创新点；3. 参数配置详解：训练/验证/推理全流程参数说明及调优建议；4. 性能优化方案：针对遮挡目标和小目标检测的工业级解决方案；5. 完整推理流程：提供从模型加载到结果可视化的完整代码实现。文章深入浅出地剖析了YOLOv5的理论基础和实践要点，特别强调工业场景下的应用技巧，
2026-01-20 12:02:50
898
原创 深度学习之目标检测yolo算法Ⅱ(v4)
摘要：本文系统梳理了YOLOv4的核心改进，重点分析了其在网络结构、训练策略和损失函数方面的创新。YOLOv4采用CSPDarknet53骨干网络结合SPP+PANet的颈部结构，通过Mosaic数据增强和CIoU损失函数优化，在COCO数据集上mAP@0.5比v3提升10%。文章详细解析了SPP模块的多尺度池化机制和PANet的双向特征融合策略，并对比了与YOLOv3的主要差异，包括Mish激活函数、同步批量归一化等关键技术改进。全文为理解YOLOv4的工程优化思路提供了完整框架，并附有原始论文链接供深入
2026-01-13 12:08:10
746
原创 深度学习之目标检测yolo算法Ⅰ(v1-v3)
YOLO系列目标检测算法演进综述 摘要：本文系统梳理了YOLO系列目标检测算法的发展历程。YOLOv1首次提出单阶段检测思想，将图像划分为7×7网格直接预测目标位置和类别，实现了45FPS的实时检测。YOLOv2引入锚框机制和Darknet-19骨干网络，通过K-means聚类优化锚框尺寸，显著提升定位精度。YOLOv3进一步升级为Darknet-53骨干网络，采用三尺度特征金字塔(13×13/26×26/52×52)检测不同尺寸目标，并改用多标签分类。三个版本的核心差异体现在：v1无锚框直接回归，v2引入
2026-01-13 12:07:23
892
原创 深度学习网络笔记Ⅴ(Transformer源码详解)
本文深入解析了Transformer架构的核心源码实现，包括位置编码、注意力机制、编解码模块等关键组件。重点剖析了多头注意力、前馈网络等模块的代码实现，详细说明了掩码生成机制和残差连接设计。同时总结了现代Transformer的优化方向，如相对位置编码、稀疏注意力、低秩分解等技术，以及工程化方面的训练加速和推理优化。文章通过代码级分析揭示了Transformer处理序列数据的内在机制，并梳理了架构优化的最新趋势，为深入理解Transformer提供了系统性的参考。
2026-01-07 20:01:51
1123
原创 深度学习网络笔记Ⅳ（Transformer + VIT）
本文系统梳理了Transformer和ViT的核心知识体系。首先解析了Transformer的基础架构、训练过程（自回归预测+反向传播）和关键组件（注意力机制、位置编码等）。随后详细介绍了ViT模型，包括其将图像分割为Patch序列的核心思想、Encoder架构及训练策略（大规模预训练+微调）。文章对比了两者的共性与差异，指出Transformer是通用序列建模工具，而ViT是其视觉专用版本。最后讨论了推理部署阶段的优化技术，如Batch推理、多线程处理和ONNX中间件转换。全文构建了从理论原理到工程实践的
2026-01-07 20:01:05
1147
原创 深度学习之目标检测(1)
本文系统阐述了目标检测的基础实现原理及RCNN方法。核心思路是将目标检测分解为分类和回归任务：通过IoU交并比划分正负样本（1:3比例），使用先验框作为基准进行边界框回归。训练阶段采用迁移学习+SVM分类器，回归模型预测4个偏移量；推理阶段通过分类概率筛选候选框，利用回归偏移量解码预测框位置，最后用非极大值抑制(NMS)去除重复框。文章详细解析了RCNN的实现流程，包括样本划分、模型训练、推理解码等关键步骤，并强调了不同阶段阈值的应用，为理解目标检测基础原理提供了清晰框架。
2026-01-01 18:36:18
937
原创 深度学习网络笔记Ⅲ(注意力机制)
本文系统介绍了Transformer架构及其核心的注意力机制。首先分析了RNN处理序列数据的局限性（如梯度消失问题），以及LSTM/GRU等改进方案的不足。重点阐述了注意力机制的创新之处：通过动态权重分配直接建立长距离依赖关系，摒弃了传统循环结构。详细解析了自注意力机制的原理与数学表达（Q/K/V向量计算），并介绍了多头注意力通过并行子空间增强特征表达能力。最后提供了自注意力、交叉注意力和多头注意力的PyTorch实现代码，展示了从理论到实践的全过程。Transformer的革命性在于其纯注意力机制实现了高
2026-01-01 18:35:36
942
原创 深度学习之常用归一化（Normalization）
本文介绍了深度学习中常用的几种归一化方法，包括Batch Normalization(BN)、Layer Normalization(LN)、Instance Normalization(IN)、Group Normalization(GN)和Spectral Normalization(SN)。这些方法的核心差异在于归一化的维度选择：BN按通道跨样本归一化，适用于大batch CNN；LN按样本跨通道归一化，适合NLP任务；IN单样本单通道归一化，用于风格迁移；GN单样本分组通道归一化，适合小batch场
2025-12-28 15:20:30
1093
原创 深度学习网络笔记Ⅲ(轻量级网络)
轻量化网络技术综述 本文系统介绍了轻量化神经网络的设计原理与典型架构。轻量化网络的核心目标是在保证精度的前提下，通过减少计算量和参数量，实现移动端/嵌入式设备的高效部署。文章重点分析了MobileNet和ShuffleNet两大轻量化网络系列： MobileNet系列：采用深度可分离卷积技术，通过V1的分离卷积、V2的逆残差结构到V3的NAS搜索与注意力机制，逐步提升精度与效率； ShuffleNet系列：通过分组卷积与通道洗牌技术，从V1的分组信息交流发展到V2的四项高效设计原则，显著提高计算效率； 文章
2025-12-28 15:19:59
1055
原创 深度学习网络笔记Ⅱ(常见网络分类1)
本文系统总结了深度神经网络的设计与实践要点。首先回顾了神经网络的基本流程（前向传播、损失计算、反向传播和参数更新），重点分析了激活函数和损失函数的选取原则。随后详细解析了经典网络结构（LeNet-5、AlexNet、GoogleNet、VGG、ResNet、DenseNet）的核心设计思想，包括残差连接、密集块等创新技术。文章还提出了完整的训练架构构建方案，涵盖冻结训练、断点续训、类别平衡、指标可视化等8个关键环节，并提供了基于PyTorch的实现示例。最后探讨了特征融合的两种主要方式（Add和Concat
2025-12-24 21:47:52
862
原创 深度学习网络笔记Ⅰ(CNN)
本文系统梳理了卷积神经网络(CNN)的核心概念与技术要点。首先区分了AI、ML、DL的层级关系，重点阐述了CNN的四大分类维度：数据类型适配、网络结构特征、学习方式和任务目标。详细解析了标准卷积的计算原理，并对比分析了五种改进卷积：空间可分离卷积(参数减少K²→2K)、分组卷积(参数减少至1/G)、深度可分离卷积(极致轻量化)、空洞卷积(扩大感受野不增参)和转置卷积(可学习上采样)。通过数学公式和PyTorch代码示例，量化展示了各卷积在参数数量、计算量和感受野方面的优化效果，同时指出其适用场景与局限性。最
2025-12-24 21:47:45
953
原创 c++ 精学笔记记录Ⅲ
本文总结了C++中批量处理任务的核心知识点，主要包括循环结构、数组和vector容器的使用。重点讲解了for循环的continue/break用法、while循环实现Shell命令处理、栈区/堆区数组的区别，以及vector容器的动态扩容特性。详细介绍了vector的初始化、增删改查操作、迭代器遍历等核心功能，并通过Base16编码转换和简易缓存数据库两个案例进行实践演示。文章强调vector作为现代C++推荐的动态数组实现，相比传统数组具有自动内存管理和边界检查等优势，是开发中应重点掌握的容器类型。
2025-12-18 11:17:39
787
原创 PyTorch学习笔记Ⅰ
本文介绍了PyTorch基础使用流程，包括环境配置、模型构建、训练推理等核心环节。首先讲解了PyTorch的安装方法，包括远程GPU服务器和本地conda环境的配置。然后详细阐述了三种模型构建方式：自定义细粒度搭建、Sequential串行搭建和迁移学习复用。接着通过MNIST手写数字识别案例，完整展示了数据加载、预处理、模型训练与验证的全流程。最后介绍了两种数据获取方式：ImageFolder自动分类和自定义Dataset实现，并提供了工程化模板代码。文章还包含了模型推理的完整实现，涵盖单张和批量处理功能
2025-12-18 11:16:49
759
2
原创 视觉opencv学习笔记Ⅴ-数据增强(2)
本文总结了多种视觉数据增强方法，主要分为三类：1）像素变换类（BGR转灰度、直方图均衡化、亮度调整、锐化等）；2）图像融合类（MixUp、Mosaic、目标粘贴）；3）局部增强类（滑动裁剪、复制粘贴、金字塔缩放、目标裁剪放大）。每种方法都提供了核心代码实现、参数说明和适用场景分析，重点强调了目标检测任务中标签坐标的转换处理。这些增强技术能有效提升模型泛化能力，特别适用于小样本工业场景。
2025-12-15 17:51:25
771
原创 视觉opencv学习笔记Ⅴ-数据增强(1)
本文总结了计算机视觉中常用的数据预处理和数据增强技术。主要内容包括： 标签格式转换：详细对比了YOLO、VOC、COCO三种主流标注格式的特点和转换方法，提供了工业级转换代码实现，支持格式互转并统一为YOLO格式。 文件匹配存储：实现了图片与标签文件的精确配对，确保数据预处理时图片和标注一一对应。 几何变换增强方法： Letterbox填充：保持图像比例的同时填充至固定尺寸 图像翻转：支持水平、垂直和双向翻转 随机平移：在限定范围内随机平移图像和目标框 图像旋转：实现带最小包围盒计算的精确旋转 透视变换：模
2025-12-15 16:26:12
1269
原创 c++ 精学笔记记录Ⅱ
本文系统总结了C++中常见数据类型及其使用方法。首先介绍了bool类型及其逻辑运算符的短路特性，详细分析了位运算符的二进制操作。其次深入探讨string类型的SSO优化存储机制，演示了size/capacity/substr等常用方法。然后对比了C++11前后枚举类型的改进，强调enum class的类型安全性。接着讲解了main函数的参数传递机制和环境变量访问。最后通过日志系统案例，展示了switch分支、枚举应用和宏定义技巧。全文结合代码实例，为C++学习者提供了数据类型使用的全面参考，重点突出了现代C
2025-12-09 18:14:33
906
原创 Ⅳ人工智能机器学习之监督学习的概述
本文系统介绍了机器学习的基本概念和核心方法。首先从Arthur Samuel和Tom Mitchell的定义出发，阐述了机器学习是通过经验提升任务性能的研究领域。重点分析了监督学习和无监督学习：监督学习包括回归（连续输出）和分类（离散输出），需要标注数据；无监督学习则通过聚类、降维等方法挖掘无标注数据的结构。文章详细讲解了监督学习的完整流程，包括数据探索、预处理、模型选择（线性回归、逻辑回归等）、损失函数设计、参数优化和评估指标。特别阐述了代价函数的作用，回归问题使用均方误差(MSE)，分类问题采用交叉熵(
2025-12-07 17:39:39
660
原创 c++ 精学笔记记录Ⅰ
本文介绍了C++编程基础知识和编译过程。主要内容包括：1.程序编译基础知识，详细说明源文件(.h/.cpp)与目标文件(.obj/.exe)的关系及编译流程（预处理→编译→汇编→链接→执行）；2.变量相关概念，涵盖变量本质、内存地址、算术运算、作用域和生命周期；3.常量类型，区分运行时常量(const)和编译时常量(constexpr)；4.auto关键字用法及其类型推导特性；5.通过YUV与RGB颜色空间转换案例演示实际应用。文章以技术笔记形式呈现，适合C++初学者理解基础概念。
2025-12-03 22:56:19
1003
原创 视觉opencv学习笔记Ⅳ
本文摘要：本文系统介绍了计算机视觉中的三大核心技术：1）模板匹配原理与实现，包括6种经典匹配方法及OpenCV实现；2）图像几何变换（平移、缩放、旋转、翻转、仿射和透视变换）的应用场景与代码实现；3）轮廓检测技术，详细解析了轮廓与边缘的区别、检测流程、特征分析（面积/周长/外接形状）及常用性质。特别指出模板匹配的局限性（对变换敏感）、几何变换在数据增强中的应用选择，以及轮廓逼近优化等实用技巧，为图像处理任务提供了全面的技术参考。
2025-12-02 11:03:22
939
原创 视觉opencv学习笔记Ⅲ
本文摘要：文章系统介绍了图像处理中的核心技术与方法。首先回顾了图像梯度处理流程，包括灰度转换、平滑滤波和二值化等预处理步骤。重点讲解了三种梯度滤波器(Sobel、Scharr、Laplacian)的原理和实现，以及Canny边缘检测的四步流程。随后详细阐述了图像金字塔技术，包括高斯金字塔的下采样和拉普拉斯金字塔的残差重建，并给出了图像融合的完整实现代码。最后介绍了直方图均衡化技术及其在对比度增强中的应用，展示了CLAHE算法的实际效果。全文通过大量代码示例，全面覆盖了从底层特征提取到高层语义理解
2025-11-29 17:16:10
1033
原创 视觉opencv学习笔记Ⅱ
本文系统介绍了图像处理中的颜色空间转换、阈值处理、形态学操作及噪声处理方法。详细讲解了BGR与HSV/Gray的转换方法，五种阈值处理技术及其适用场景。在形态学部分，阐述了腐蚀、膨胀等基本操作及其组合应用。针对不同噪声类型（高斯、椒盐等），对比分析了均值模糊、高斯模糊、中值模糊等去噪方法的优缺点及参数选择策略，并给出了工程实践建议。最后提供了图像处理的标准流程：灰度化→平滑处理→二值化→形态学操作，为实际应用提供了系统指导。
2025-11-27 15:57:32
1026
原创 视觉opencv学习笔记Ⅰ
本文摘要介绍了OpenCV在图像处理中的几个核心应用：1）图像读取与灰度转换方法，包括普通平均法和基于人类视觉感知的加权转换；2）视频处理基础知识，如帧率、分辨率概念及抽帧实现；3）基本绘图函数（线条、矩形、圆形和文字）；4）图像resize的插值方法（最近邻和双线性）；5）图像混合(mixup)的数据增强技术，通过加权融合两张图片来提升模型泛化能力。文中提供了完整的代码示例，包括摄像头读取、图像混合批量处理等功能实现。这些技术可广泛应用于计算机视觉领域的预处理和增强任务。
2025-11-26 19:12:25
222
原创 Ⅲ人工智能核心优化器之7种常见的梯度下降算法
本文是笔者总结的常见的7种梯度下降算法，包括比较常用的Adam算法和SGD算法，供自己学习记录，希望能给大伙学习带来帮助！！！
2025-11-18 19:23:40
881
原创 Ⅰ人工智能学习的核心概念概述+线性回归(1)
本文系统介绍了人工智能领域的核心概念和技术。首先阐释了人工智能（AI）、机器学习（ML）和深度学习（DL）的定义及相互关系：AI是让机器具备人类智能，ML通过数据学习规律而非编程，DL则是ML的高级形式，通过多层神经网络自动提取特征。
2025-11-14 16:53:16
680
原创 python中numpy库学习笔记(2)
本文系统介绍了NumPy库中常用的数组操作函数，主要分为四大类：1）统计计算函数（mean、median、sum等）；2）形状改变但值不变的函数（reshape、transpose等）；3）形状不变但值改变的函数（数学运算、逻辑运算等）；4）既改变形状又改变值的函数（聚合、筛选、拼接等）。文章详细说明了每类函数的用法、参数及应用场景，并对比了相关函数的区别（如tile与repeat、stack与concatenate等）。
2025-11-10 22:23:01
902
原创 Ⅱ人工智能学习之深度学习(deep-learning)概述
神经网络(Standard NN)：多个神经元组成的网络体系称之为神经网络，理解为多块乐高积木拼接到一起形成的成品就是我们神经网络所需要结果。，神经网络应运而生，多个神经元组成大小结构不一的神经网络，随着x特征越多其组成的y的集合越多其神经网络的性能越好。1.结构化数据：数据的数据库或数据列，意味着数据的每个特征值都有清晰的定义。神经网络的功能：只要提供足够多的特征(x)和结构(y)的数据即。，多个特征相互影响组成的“部分神经网络”的半成品，即上图中的。(训练需要大量时间)海量数据的产生，以及算力的提升。
2025-11-10 11:44:22
657
原创 python中numpy库学习笔记(1)
本文系统讲解了NumPy在深度学习中的核心应用，重点包括：1）数组创建方法（np.array()、np.random等）及其在初始化权重、生成噪声数据等场景的应用；2）数组属性的关键作用（shape、dtype等）在数据维度校验中的应用；3）多维数组索引与切片机制，包括基础切片、布尔索引和整数数组索引；4）广播机制的判定标准与应用场景。通过具体代码示例（如权重初始化、缺失值处理等），详细展示了NumPy在深度学习数据处理中的实践方法，为后续模型实现奠定基础。
2025-11-09 18:03:07
1006
原创 python基础之 类
本文系统讲解了Python面向对象编程的核心概念，重点阐述了类的三大特性（封装、继承、多态）及其应用。通过银行账户实例演示了类的基本结构，包括属性、方法的分类（实例方法、类方法、静态方法）。详细解析了继承的实现方式（单继承/多继承）和MRO顺序，推荐使用super()调用父类方法。介绍了组合继承和Mixin类的设计模式，以及多态的接口统一特性。此外，还深入讲解了动态绑定属性和方法的原理，运算符重载的实现，以及各类魔法函数的应用场景，包括初始化/销毁、字符串表示、容器操作、属性访问和上下文管理等。
2025-11-05 20:04:27
707
原创 python基础之迭代器、生成器、文件处理和模块等
本文系统总结了Python中迭代器、生成器、装饰器、文件操作、异常处理及常用模块的核心知识。主要内容包括：1. 迭代器与生成器：通过__iter__和__next__实现数据惰性计算，节省内存；生成器使用yield暂停执行，适合处理大数据流；2. 装饰器与闭包：基于闭包实现函数增强，在不修改原函数前提下添加功能（如日志、计时）；3. 文件与异常处理：规范化的文件操作流程（open-with-close），结合try-except处理IO错误；4. 常用模块：random，os、re等
2025-11-01 10:48:47
865
原创 python基础之高阶函数
高阶函数是指满足以下条件之一的函数：1）参数是另一个函数；2）返回值是另一个函数。常见的高阶函数包括reduce、filter、sorted等。reduce用于序列元素累积运算，filter用于筛选元素，sorted用于排序。lambda匿名函数常与这些高阶函数配合使用，简化代码。map函数则用于对可迭代对象中的每个元素应用指定函数，返回迭代器。这些高阶函数使Python代码更简洁高效，适合处理批量数据操作。
2025-10-26 17:56:59
417
空空如也
android去除所有WLAN相关功能
2024-01-30
TA创建的收藏夹 TA关注的收藏夹
TA关注的人