学习进度条08

本文总结了作者在第九周的学习成果,详细介绍了多种Android UI控件的应用,如EditText、CheckBox、RadioGroup、Spinner等,并记录了每天的学习时间和代码量。

                                

 

   

                                                                               第九周

  

  

  

      日期

         星期一

         星期二

              星期三

         星期四

           星期五

所花时间(包括上课)

    8:00-10:00

        (上课)

 

    13:00-13:15

      (站立会议)

    13:15-15:00

       (看视频)

    15:30-18:10

        (编程)

         13:00-13:15

          (站立会议)

         15:40-17:00

              (编程)

         17:00-18:30

              (讨论)

    13:00-13:15

      (站立会议)

   13:15-13:40

     (编程)

    16:40-18:00

       (看书)

     18:00-20:50

        (编程)

    

    13:00-13:15

       (站立会议)

    13:15-13:40

      (编程)

    16:30-18:00

       (讨论)

    18:30-23:30

        (编程)

 

代码量(行)

 

            0  

 

           115

 

               168

 

           158

 

            142

博客量(篇)

 

            0

 

             2

 

                2

 

            2

 

              3

了解到的知识点

 

①在手机屏幕中通过EditText控件实现文本框的效果

②在手机屏幕中通过CheckBox控件实现复选框的效果,并且在Android中,使用CheckBox控件需要在XML布局文件中定义

 

①在Android中,使用RadioGroup控件显示单选按钮

②在Android中,使用Spinner控件实现下拉列表框效果

③在Android中,使用AutoCompleteTextView控件自动输入文本

①在Android系统中,使用ProgressBar控件实现进度条效果

②在Android系统中,使用ImageView图片视图控件在屏幕中显示一幅图片

①使用Gallery控件可以实现类似QQ空间的照片效果

②在手机中怎么实现文件搜索功能

③虚拟机中时钟效果是使用AnalogClock实现的

 

 

 

转载于:https://www.cnblogs.com/niujunyan/p/5447364.html

### 实现 PyTorch 中深度学习训练进度条 在 PyTorch 深度学习项目中,`tqdm` 是一个非常流行的用于显示进度条的 Python 库。它不仅能够提供直观的视觉反馈来跟踪训练进程,还可以动态更新诸如损失函数值、准确率等重要指标的信息[^1]。 #### 安装 `tqdm` 如果环境中尚未安装 `tqdm` 或者其他必要的依赖项,则可以通过 pip 工具来进行安装: ```bash pip install tqdm torch torchvision ``` 这行命令会确保环境中有最新版本的 `tqdm` 和 PyTorch 及其配套组件[^2]。 #### 使用 `tqdm` 显示进度条 为了让训练过程更透明化,在遍历数据集时可以利用 `tqdm.tqdm()` 函数包裹迭代器对象(比如 DataLoader),从而创建带有进度指示功能的新迭代器。下面是一个简单的例子展示了如何结合 `train_loader` 来增强训练阶段的日志记录能力: ```python from tqdm import tqdm import torch for epoch in range(num_epochs): running_loss = 0.0 with tqdm(train_loader, unit="batch") as tepoch: for data, target in tepoch: # 将批次的数据移动到 GPU 上 (如果有可用的话) data, target = data.to(device), target.to(device) optimizer.zero_grad() output = model(data) loss = criterion(output, target) loss.backward() optimizer.step() running_loss += loss.item() * data.size(0) # 更新进度条描述符以反映当前状态 tepoch.set_description(f"Epoch {epoch}") tepoch.set_postfix(loss=loss.item()) ``` 上述代码片段实现了对每个 Epoch 内部所有 mini-batch 处理情况的实时监控,并且会在控制台输出类似如下形式的消息流: ``` Epoch 0: 100%|██████████| 600/600 [00:08<00:00, 73.45it/s, loss=2.3] ... ``` 这种做法有助于开发者及时发现潜在问题并调整超参数设置,进而提升最终模型性能[^3]。
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