StarPrayers.的博客

本文介绍了如何利用训练好的CIFAR10模型进行单图预测。主要包括：1）重新定义与原训练一致的Prayer网络结构；2）对输入图像进行标准化预处理（32x32 RGB转Tensor）；3）调整输入维度适配批量推理；4）加载训练模型进行无梯度预测；5）输出10类别的预测分数及最可能类别索引。整个过程实现了从离线训练模型到实时预测工具的转化，最终输出结果需对照CIFAR10类别表解读。关键点在于确保推理环境与训练条件完全匹配，包括模型结构、输入尺寸和数据格式的一致性。

本文详细介绍了使用PyTorch实现CIFAR10图像分类任务的完整流程。主要内容包括：1）数据准备，使用torchvision加载和预处理CIFAR10数据集；2）模型定义，构建包含卷积层、池化层和全连接层的CNN网络；3）训练过程，包括损失函数、优化器设置，以及训练/测试循环的实现；4）结果评估，通过TensorBoard可视化训练损失和准确率曲线。文章提供了完整的代码实现和关键步骤说明，帮助读者理解深度学习图像分类任务的基本流程和实现方法。

该文章介绍了一个完整的旅行商问题(TSP)测试方案，主要包含以下内容： 测试框架采用分层验证： 先测试基础类(Point和Route) 再测试两种启发式算法(最近邻和最近插入) 测试用例设计： 简单"5点用例"：手动计算预期结果，便于调试 复杂"美国首府用例"：验证算法在大规模数据下的表现 核心功能： 结果对比功能：自动比较预期和实际结果 可视化输出：生成路径PDF图 异常处理：文件缺失时的容错机制 测试控制： 通过TEST_NI全局变量一键切换测试算法 使用深拷贝保

本文介绍了TSP项目中用于统计和显示算法运行时间的display_time装饰器。该装饰器在不修改算法函数代码的前提下，实现了运行时间统计、结果打印和属性注入三大功能：通过time.time()计算算法运行时间，保留6位小数；自动为返回的Route对象注入算法名和运行时间属性；打印算法执行结果。装饰器使用@wraps(func)保留原函数元信息，并返回包含Route对象和运行时间的元组，确保与原有代码兼容。这种设计简化了代码结构，避免了重复逻辑，提高了可维护性，同时支持后续可视化展示需求。

该系列文章详细讲解了旅行商问题(TSP)的两种贪心启发式算法实现。第一篇介绍TSP问题的点与路径核心类；第二篇重点阐述最近邻算法和最近插入算法，通过代码解析和步骤拆解展示算法实现；第三篇构建测试验证体系；第四篇开发时间统计与属性注入工具。两种算法各具特点：最近邻算法简单快速但易陷入局部最优；最近插入算法通过优化插入位置可获得更优解，但计算量稍大。文章还介绍了装饰器的应用，实现自动时间统计和属性注入，提升代码复用性。

该系列文章围绕旅行商问题(TSP)展开，分为四部分：1.定义核心类Point和Route，封装点坐标和路径操作；2.实现两种贪心算法(最近邻和最近插入算法)；3.构建测试验证体系；4.开发时间统计工具。其中重点介绍了Point类(坐标存储、距离计算等)和Route类(路径管理、可视化等)的实现细节，包括特殊方法如__eq__对环状路径等价性的判断。文章通过Python代码展示了如何为TSP问题构建基础数据结构，为后续算法实现奠定基础，同时强调了测试验证和性能分析的重要性。

Tensorboard是机器学习实验的可视化工具，支持PyTorch和TensorFlow。核心功能包括标量可视化（如损失值、准确率）、图像展示（输入/输出/中间层）、模型结构可视化等。使用流程：1)安装tensorboard库；2)通过SummaryWriter写入日志数据；3)启动服务查看结果。进阶用法包括多指标对比、特征图可视化、权重分布跟踪、高维数据降维等。需注意路径处理、端口占用等问题。该工具通过直观展示实验过程，帮助开发者优化模型，是机器学习工作流中的重要组件。

本文介绍了使用PySpark处理商品销售数据的基本操作。通过读取JSON格式的销售数据文件，实现了三个数据处理需求：1）按城市统计并降序排列总销售额；2）提取所有不重复的商品类别；3）筛选北京地区的商品类别并去重。代码展示了RDD的map、reduceByKey、filter、sortBy和distinct等核心算子的使用，包括数据清洗、类型转换和聚合计算等关键步骤。该案例为PySpark初学者提供了处理结构化数据的典型范例，涉及数据读取、转换、过滤和统计分析等常见场景。

本文介绍了使用PySpark实现单词计数的案例，重点讲解了map、flatMap和reduceByKey三个核心RDD转换算子。

所需1.2.

本文介绍了Python模块化开发实践，主要包含以下内容：1.创建my_utils包，包含__init__.py文件；2.开发字符串处理模块str_util.py，实现字符串反转(str_reverse)和切片(substr)功能；3.开发文件处理模块file_util.py，实现文件内容打印(print_file_info)和追加写入(append_to_file)功能；4.演示了模块的导入和使用方法。两个模块均包含测试代码，使用if name == 'main'保护测试逻辑。该案例展示了Python模块化

本案例实现了一个面向对象的电商销售数据分析系统，主要功能包括：1）使用Record类封装销售数据；2）通过抽象类设计文件读取框架，支持文本和JSON格式；3）合并1-2月数据后统计每日销售额；4）利用PyEcharts生成可视化柱状图。系统采用多态和模板方法设计模式，具有良好的扩展性，可轻松支持新数据格式。完整代码包含数据定义、文件读取和主业务逻辑三部分，最终输出交互式HTML图表展示每日销售趋势。