神经网络的搭建与各层分析

为什么去西藏的人都会感觉很治愈

拉萨的老中医是这么说的

缺氧脑子短路，很多事想不起来，就会感觉很幸福

一、卷积层

解释：卷积层通过卷积操作对输入数据进行处理。它使用一组可学习的滤波器（也称为卷积核或特征检测器），将滤波器与输入数据进行逐元素的乘法累加操作，从而生成输出特征图。这种滤波器的操作类似于图像处理中的卷积操作，因此得名卷积层。

主要作用：

  1. 特征提取：卷积层通过滤波器的卷积操作，可以有效地提取输入数据中的局部特征。滤波器可以学习到不同的特征，例如边缘、纹理、形状等，这些特征对于图像识别和分类等任务非常重要。

  2. 参数共享：卷积层的滤波器在整个输入数据上共享参数。这意味着在不同位置上使用相同的滤波器，从而减少了需要学习的参数数量。这种参数共享的特性使得卷积层具有一定的平移不变性，即对于输入数据的平移操作具有不变性。

  3. 减少参数数量：相比全连接层（每个神经元与上一层的所有神经元相连），卷积层的参数数量较少。这是因为卷积层的滤波器在空间上共享参数，并且每个滤波器只与输入数据的局部区域进行卷积操作。这种参数共享和局部连接的方式大大减少了需要学习的参数数量，提高了模型的效率和泛化能力。

  4. 空间结构保持：卷积层在进行卷积操作时，保持了输入数据的空间结构。这意味着输出特征图的每个元素对应于输入数据的相应局部区域，从而保留了输入数据的空间信息。这对于图像处理任务非常重要，因为图像中的相邻像素之间存在一定的关联性。

使用示例：

 代码示例：

import torch
import torch.nn.functional as F

# 模拟图像
input = torch.tensor([[1, 2, 0, 3, 1],
                      [0, 1, 2, 3, 1],
                      [1, 2, 1, 0, 0],
                      [5, 2, 3, 1, 1],
                      [2, 1, 0, 1, 1]])
# 模拟卷积核
kernal = torch.tensor([[1, 2, 1],
                       [0, 1, 0],
                       [2, 1, 0]])

# 参数结构转化
input = torch.reshape(input, (1, 1, 5, 5))
kernal = torch.reshape(kernal, (1, 1, 3, 3))

print(input.shape)
print(kernal.shape)

# 输入经过卷积操作
output = F.conv2d(input, kernal, stride=2, padding=1)
print(output)

输出

torch.Size([1, 1, 5, 5])
torch.Size([1, 1, 3, 3])
tensor([[[[ 1,  4,  8],
          [ 7, 16,  8],
          [14,  9,  4]]]])

图片数据集经过卷积层输出：

import torch
import torchvision
from torch.utils.data import DataLoader
from torch.nn import Conv2d
from torch import nn
from torch.utils.tensorboard import SummaryWriter

# 加载数据集并加载到神经网络中
dataset = torchvision.datasets.CIFAR10("./cifar10", train=False, transform=torchvision.transforms.ToTensor(),
                                       download=False)
dataloader = DataLoader(dataset, batch_size=64)


class Lh(nn.Module):
    def __init__(self):
        super(Lh, self).__init__()
        self.conv1 = Conv2d(3, 6, 3, 1)

    def forward(self, x):
        x = self.conv1(x)
        return x


lh = Lh()

writer = SummaryWriter("logs")
step = 0
for data in dataloader:
    imgs, targets = data
    output = lh(imgs)
    writer.add_images("input", imgs, step)

    output = torch.reshape(output, (-1, 3, 30, 30))
    writer.add_images("output", output, step)

    step += 1

通过tensorboard展示

 二、最大池化层

解释：它将输入数据划分为不重叠的矩形区域（通常是2x2的窗口），然后在每个区域中选择最大值作为输出。这样，最大池化层通过取每个区域中的最大值来减少数据的维度。

主要作用：

  1. 特征减少：最大池化层可以减少输入数据的空间尺寸，从而降低了模型的计算复杂度。通过减少特征图的尺寸，最大池化层能够在保留重要特征的同时，减少需要处理的数据量，提高模型的效率。

  2. 平移不变性：最大池化层具有一定的平移不变性，即对于输入数据的平移操作具有不变性。这是因为在最大池化操作中，只选择每个区域中的最大值，而不考虑其位置信息。这种平移不变性使得神经网络对于输入数据的位置变化具有一定的鲁棒性。

  3. 特征提取：最大池化层可以帮助提取输入数据中的主要特征。通过选择每个区域中的最大值作为输出，最大池化层能够保留输入数据中的重要特征，并且对于噪声和不重要的细节具有一定的鲁棒性。

最大池化层在神经网络中起到了减少数据维度、提取关键特征和增强模型的鲁棒性等作用（简单来说就是把1080p的视频变成720p的）。它通常与卷积层交替使用，帮助神经网络有效地处理输入数据，提高模型的性能和泛化能力。

 使用示例：

import torch
from torch.nn import MaxPool2d
from torch import nn
import torchvision
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

dataset = torchvision.datasets.CIFAR10('./cifar10', train=False, transform=torchvision.transforms.ToTensor(),
                                       download=False)
dataloader = DataLoader(dataset, 64, False)

input = torch.tensor([[1, 2, 0, 3, 1],
                      [0, 1, 2, 3, 1],
                      [1, 2, 1, 0, 0],
                      [5, 2, 3, 1, 1],
                      [2, 1, 0, 1, 1]], dtype=torch.float32)

input = torch.reshape(input, (1, 1, 5, 5))


class Lh(nn.Module):
    def __init__(self):
        super(Lh, self).__init__()
        self.maxpool = MaxPool2d(kernel_size=3, ceil_mode=True)

    def forward(self, x):
        x = self.maxpool(x)
        return x


lh = Lh()

writer = SummaryWriter("logs")
step = 0
for data in dataloader:
    imgs, tagerts = data
    writer.add_images("input", imgs, step)
    output = lh(imgs)
    writer.add_images("output", output, step)
    step += 1

writer.close()

使用torchboard打卡

三、非线性激活函数

解释：神经网络的非线性激活函数是在神经网络的每个神经元上引入非线性变换的函数。它的作用是为神经网络引入非线性能力，从而使网络能够学习和表示更加复杂的函数关系。

主要作用：

  1. 引入非线性：线性变换的组合只能表示线性关系，而神经网络的层级结构和参数学习能力使其具备了更强大的函数逼近能力。非线性激活函数的引入打破了线性关系的限制，使得神经网络可以学习和表示非线性的函数关系，从而更好地适应复杂的数据模式。

  2. 增强模型的表达能力：非线性激活函数可以增强神经网络的表达能力，使其能够学习和表示更加复杂的特征和模式。通过引入非线性变换，激活函数可以对输入信号进行非线性映射，从而提取和表示更多种类的特征，帮助网络更好地理解输入数据。

  3. 解决分类问题的非线性可分性：在处理分类问题时，输入数据通常是非线性可分的。非线性激活函数可以帮助神经网络学习并表示类别之间的非线性边界，从而提高分类准确性。例如，常用的激活函数如ReLU、Sigmoid和Tanh等都是非线性的，它们可以帮助神经网络学习并表示复杂的决策边界。

  4. 缓解梯度消失问题：在深层神经网络中，反向传播算法需要通过链式法则计算梯度并更新参数。线性激活函数（如恒等映射）会导致梯度的乘积变得非常小，从而导致梯度消失问题。而非线性激活函数可以通过引入非线性变换，使得梯度能够在网络中传播并保持较大的幅度，从而缓解了梯度消失问题，有助于更好地训练深层网络。

 使用示例：

import torch
import torchvision.datasets
from torch import nn
from torch.nn import ReLU, Sigmoid
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

input = torch.tensor([[1, 2, 0, 3, 1],
                      [0, 1, 2, 3, 1],
                      [1, 2, 1, 0, 0],
                      [5, 2, 3, 1, 1],
                      [2, 1, 0, 1, 1]], dtype=torch.float32)

input = torch.reshape(input, (-1, 1, 5, 5))

dataset = torchvision.datasets.CIFAR10("./cifar10", False, transform=torchvision.transforms.ToTensor())
dataloader = DataLoader(dataset, 64)


class Lh(nn.Module):
    def __init__(self):
        super(Lh, self).__init__()
        self.relu1 = ReLU()
        self.sigmoid = Sigmoid()

    def forward(self, input):
        return self.sigmoid(input)


lh = Lh()

step = 0
writer = SummaryWriter("logs")

for data in dataloader:
    imgs, targets = data
    writer.add_images("input", imgs, step)
    output = lh(imgs)
    writer.add_images("output", output, step)
    step += 1

writer.close()

print("end")

使用torchboard打开

四、其它层与神经网络模型

查看pytorch的官方文档可以看到，神经网络中不同层及其使用

你可以创建自己的神经网络，然后自由搭配里面的网络层进行模型的训练。但是一般情况下我们不用手动去一层一层构建，因为官网提供了很多已经搭配好的神经网络模型，这些模型的训练效果都非常不错，我们只需要选择构建好的模型使用即可。

如 torchvision.models

五、神经网络搭建小实战

crfar10 model structure

根据上图，以input为 3@32 * 32为例，可更据公式计算pandding

代码示例：

from torch import nn
from torch.nn import Conv2d, MaxPool2d, Flatten, Linear, Sequential
import torch

class Lh(nn.Module):
    def __init__(self):
        super(Lh, self).__init__()
        self.model1 = Sequential(
            Conv2d(3, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 64, 5, padding=2),
            MaxPool2d(2),
            Flatten(),
            Linear(1024, 64),
            Linear(64, 10)
        )

    def forward(self, x):
        x = self.model1(x)
        return x

lh = Lh()
input = torch.ones((64,3,32,32))
print(input.shape)
output = lh(input)
print(output.shape)

可以使用tensorboard绘制神经网络流程图

writer = SummaryWriter('logs')
writer.add_graph(lh, input)
writer.close()

六、损失函数

损失函数用于衡量模型的预测输出与真实标签之间的差异，并且在训练过程中用于优化模型的参数。

常用的损失函数及其简单使用方法：

1. 均方误差损失（Mean Squared Error, MSE）：
均方误差损失函数用于回归问题，计算预测值与真实值之间的平均平方差。它可以通过torch.nn.MSELoss()来创建。

import torch
import torch.nn as nn

loss_fn = nn.MSELoss()

predictions = torch.tensor([0.5, 0.8, 1.2])
targets = torch.tensor([1.0, 1.0, 1.0])

loss = loss_fn(predictions, targets)
print(loss)

2. 交叉熵损失（Cross Entropy Loss）：
交叉熵损失函数常用于分类问题，特别是多分类问题。它计算预测概率分布与真实标签之间的交叉熵。在PyTorch中，可以使用torch.nn.CrossEntropyLoss()来创建交叉熵损失函数。

import torch
import torch.nn as nn

loss_fn = nn.CrossEntropyLoss()

predictions = torch.tensor([[0.2, 0.3, 0.5], [0.8, 0.1, 0.1]])
targets = torch.tensor([2, 0])  # 真实标签

loss = loss_fn(predictions, targets)
print(loss)

3. 二分类交叉熵损失（Binary Cross Entropy Loss）：
二分类交叉熵损失函数适用于二分类问题，计算预测概率与真实标签之间的交叉熵。在PyTorch中，可以使用torch.nn.BCELoss()来创建二分类交叉熵损失函数。

import torch
import torch.nn as nn

loss_fn = nn.BCELoss()

predictions = torch.tensor([0.2, 0.8])
targets = torch.tensor([0.0, 1.0])  # 真实标签

loss = loss_fn(predictions, targets)
print(loss)

将损失函数运用到前面的神经网络模型中：

import torchvision
from torch import nn
from torch.nn import Sequential, Conv2d, MaxPool2d, Flatten, Linear
from torch.utils.data import DataLoader

dataset = torchvision.datasets.CIFAR10('./cifar10', False, transform=torchvision.transforms.ToTensor())
dataloader = DataLoader(dataset, batch_size=64)

class Lh(nn.Module):
    def __init__(self):
        super(Lh, self).__init__()
        self.model1 = Sequential(
            Conv2d(3, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 64, 5, padding=2),
            MaxPool2d(2),
            Flatten(),
            Linear(1024, 64),
            Linear(64, 10)
        )

    def forward(self, x):
        x = self.model1(x)
        return x

loss = nn.CrossEntropyLoss()
lh=Lh()
for data in dataloader:
    imgs, targets = data
    outputs = lh(imgs)
    result_loss = loss(outputs, targets)
    result_loss.backward()
    print(result_loss)

七、优化器

优化器用于更新模型的参数以最小化损失函数。

常用的优化器及其简单使用方法：

1. 随机梯度下降（Stochastic Gradient Descent, SGD）：
随机梯度下降是最基本的优化算法之一，它通过计算损失函数关于参数的梯度来更新参数。在PyTorch中，可以使用torch.optim.SGD来创建SGD优化器。

import torch
import torch.optim as optim

model = MyModel()  # 自定义模型

optimizer = optim.SGD(model.parameters(), lr=0.01)

# 在训练循环中使用优化器
optimizer.zero_grad()  # 清零梯度
loss = compute_loss()  # 计算损失
loss.backward()  # 反向传播计算梯度
optimizer.step()  # 更新参数

2. Adam优化器：
Adam是一种自适应学习率优化算法，它结合了动量（momentum）和自适应学习率调整。在PyTorch中，可以使用torch.optim.Adam来创建Adam优化器。

import torch
import torch.optim as optim

model = MyModel()  # 自定义模型

optimizer = optim.Adam(model.parameters(), lr=0.001)

# 在训练循环中使用优化器
optimizer.zero_grad()  # 清零梯度
loss = compute_loss()  # 计算损失
loss.backward()  # 反向传播计算梯度
optimizer.step()  # 更新参数

3. 其他优化器：
PyTorch还提供了其他优化器，如Adagrad、RMSprop等。这些优化器都可以在torch.optim模块中找到，并使用类似的方式进行使用。

结合前面的神经网络模型代码示例：

import torchvision
from torch import nn
from torch.nn import Sequential, Conv2d, MaxPool2d, Flatten, Linear
from torch.utils.data import DataLoader
import torch


dataset = torchvision.datasets.CIFAR10('./cifar10', False, transform=torchvision.transforms.ToTensor())
dataloader = DataLoader(dataset, batch_size=64)


class Lh(nn.Module):
    def __init__(self):
        super(Lh, self).__init__()
        self.model1 = Sequential(
            Conv2d(3, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 32, 5, padding=2),
            MaxPool2d(2),
            Conv2d(32, 64, 5, padding=2),
            MaxPool2d(2),
            Flatten(),
            Linear(1024, 64),
            Linear(64, 10)
        )

    def forward(self, x):
        x = self.model1(x)
        return x

loss = nn.CrossEntropyLoss()
lh=Lh()
optis = torch.optim.SGD(lh.parameters(), lr=0.1)

for epoch in range(10):
    running_loss = 0
    for data in dataloader:
        imgs, targets = data
        outputs = lh(imgs)
        result_loss = loss(outputs, targets)

        optis.zero_grad()
        result_loss.backward() # 设置对应的梯度
        optis.step()
        running_loss += result_loss
    print(running_loss)

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/63031.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

Java on Azure Tooling 6月更新｜标准消费和专用计划及本地存储账户（Azurite）支持

Java on Azure Tooling 6月更新｜标准消费和专用计划及本地存储账户（Azurite）支持

作者：Jialuo Gan - Program Manager, Developer Division at Microsoft 排版：Alan Wang 大家好，欢迎阅读 Java on Azure 工具的六月更新。在本次更新中，我们将介绍 Azure Spring Apps 标准消费和专用计划支持以及本地存储账户&…
阅读更多...
AI 绘画Stable Diffusion 研究（四）sd文生图功能详解（上）

AI 绘画Stable Diffusion 研究（四）sd文生图功能详解（上）

大家好，我是风雨无阻。 通过前面几篇AI 绘画Stable Diffusion 研究系列的介绍，我们完成了Stable Diffusion整合包的安装、模型ControlNet1.1 安装、模型种类介绍与安装，相信看过教程的朋友们，手上已经有可以操作实践的Stable Diff…
阅读更多...
如何把非1024的采样数放入aac编码器

如何把非1024的采样数放入aac编码器

一. aac对数据规格要求 二、代码实现 1.初始化 2.填入数据 3.取数据 三.图解 一. aac对放入的采样数要求 我们知道aac每次接受的字节数是固定的，在之前的文章里有介绍libfdk_aac音频采样数和编码字节数注意 它支持的采样数和编码字节数分别是： fdk_aac …
阅读更多...
马斯克收购AI.com域名巩固xAI公司地位；如何评估大型语言模型的性能

马斯克收购AI.com域名巩固xAI公司地位；如何评估大型语言模型的性能

🦉 AI新闻 🚀 AI拍照小程序妙鸭相机上线商业工作站并邀请摄影师进行内测 摘要：AI拍照小程序妙鸭相机将上线面向商业端的工作站，并邀请摄影师进行模板设计的内测。妙鸭相机希望为行业提供更多生态产品，扩大行业规模&a…
阅读更多...
JavaScript的对象+内置对象(Math+Date日期+数组+字符串)

JavaScript的对象+内置对象(Math+Date日期+数组+字符串)

一.创建对象 对象是由属性和方法组成的 创建对象的三种方法: 1.利用字面量创建对象 var obj{uname : 张三疯 ,age : 18 ,sex : 男 ,sayHi : function(){console.log(hi~);}} 里面的属性或者方法采用键值对的形式多个属性或者方法用逗号隔开方法冒号后面跟的是一个匿名…
阅读更多...
大数据Flink（五十六）：Standalone伪分布环境（开发测试）

大数据Flink（五十六）：Standalone伪分布环境（开发测试）

文章目录 Standalone伪分布环境（开发测试） 一、架构图 二、环境准备 三、下载安装包</
阅读更多...
分布式任务调度平台——XXL-JOB

分布式任务调度平台——XXL-JOB

1、为什么需要任务调度平台 1.1、传统的定时任务实现方案不足 在Java中&#xff0c;传统的定时任务实现方案&#xff0c;比如Timer&#xff0c;Quartz等都或多或少存在一些问题&#xff1a; 不支持集群、不支持统计、没有管理平台、没有失败报警、没有监控等。在现在分布式的…
阅读更多...
约数个数和欧拉函数

约数个数和欧拉函数

1.约数个数 一个数等于它的质因子的c次方相乘&#xff0c;那么约数个数为所有的次数分别1再相乘。 2. 大概时间复杂度 1-n中&#xff0c;所有数的约数个数之和 3.int范围内约数最t多的数大概1600个左右 一个数的约数大概 根号n 的复杂度
阅读更多...
图像处理库（Opencv, Matplotlib, PIL）以及三者之间的转换

图像处理库（Opencv, Matplotlib, PIL）以及三者之间的转换

文章目录 1. Opencv2. Matplotlib3. PIL4. 三者的区别和相互转换5. Torchvision 中的相关转换库5.1 ToPILImage([mode])5.2 ToTensor5.3 PILToTensor 1. Opencv opencv的基本图像类型可以和numpy数组相互转化&#xff0c;因此可以直接调用torch.from_numpy(img) 将图像转换成t…
阅读更多...
第三章 图论 No.6负环之01分数规划与特殊建图方式

第三章 图论 No.6负环之01分数规划与特殊建图方式

文章目录 裸题&#xff1a;904. 虫洞01分数规划&#xff1a;361. 观光奶牛特殊建图与01分数规划trick&#xff1a;1165. 单词环 裸题&#xff1a;904. 虫洞 904. 虫洞 - AcWing题库 // 虫洞是负权且单向边&#xff0c;道路是正权且双向边&#xff0c;题目较裸&#xff0c;判…
阅读更多...
【SpringBoot学习笔记】02. yaml配置注入

【SpringBoot学习笔记】02. yaml配置注入

yaml配置注入 yaml基础语法 说明&#xff1a;语法要求严格&#xff01; 1、空格不能省略 2、以缩进来控制层级关系&#xff0c;只要是左边对齐的一列数据都是同一个层级的。 3、属性和值的大小写都是十分敏感的。 yaml注入配置文件 1、在springboot项目中的resources目录…
阅读更多...
32位M0核单片机XL32F003芯片特征和功能介绍

32位M0核单片机XL32F003芯片特征和功能介绍

XL32F003 系列微控制器采用高性能的 32 位 ARMCortex- M0 内核&#xff0c;宽电压工作范围的MCU。嵌入高达64 Kbytes flash和8 Kbytes SRAM存储器&#xff0c;最高工作频率32 MHz。包含多种不同封装类型多款产品。芯片集成多路I2C、SPI、 USART等通讯外设&#xff0c;1路12 bit…
阅读更多...
一招让你的Python爬虫事半功倍

一招让你的Python爬虫事半功倍

在Python爬虫的世界里&#xff0c;你是否也被网站的IP封锁问题困扰过&#xff1f;别担心&#xff0c;我来教你一个简单而又有效的爬虫ip设置方法&#xff0c;让你的爬虫畅行无阻&#xff01;快来跟我学&#xff0c;让你的Python爬虫事半功倍&#xff0c;轻松搞定IP封锁问题&…
阅读更多...
【高频面试题】微服务篇

【高频面试题】微服务篇

文章目录 Spring Cloud1.Spring Cloud 5大组件有哪些&#xff1f;2.服务注册和发现是什么意思&#xff1f;Spring Cloud 如何实现服务注册发现&#xff1f;3.负载均衡如何实现的 ?4.什么是服务雪崩&#xff0c;怎么解决这个问题&#xff1f;5.微服务是怎么监控的 业务相关6.项…
阅读更多...
【ASP.NET MVC】使用动软（三）（11）

【ASP.NET MVC】使用动软（三）（11）

一、问题 上文中提到&#xff0c;动软提供了数据库的基本操作功能&#xff0c;但是往往需要添加新的功能来解决实际问题&#xff0c;比如GetModel&#xff0c;通过id去查对象&#xff1a; 这个功能就需要进行改进&#xff1a;往往程序中获取的是实体的其他属性&#xff0c;比如…
阅读更多...
Spring 容器原始 Bean 是如何创建的？

Spring 容器原始 Bean 是如何创建的？

以下内容基于 Spring6.0.4。 这个话题其实非常庞大&#xff0c;我本来想从 getBean 方法讲起&#xff0c;但一想这样讲完估计很多小伙伴就懵了&#xff0c;所以我们还是一步一步来&#xff0c;今天我主要是想和小伙伴们讲讲 Spring 容器创建 Bean 最最核心的 createBeanInstan…
阅读更多...
浅谈智能低压电动机保护控制器的研发及其应用

浅谈智能低压电动机保护控制器的研发及其应用

安科瑞 华楠 摘 要&#xff1a;低压电动机保护控制器是整套工业生产自动化电动机拖动系统中的重要的核心器件&#xff0c;可以实现工业自动化生产过程中电动机远程系统监控与控制的智能化管理&#xff0c;帮助用户及 时了解电动机的运行状况&#xff0c;为电动机设备状态分析…
阅读更多...
宝塔Linux面板点击SSL闪退打不开？怎么解决？

宝塔Linux面板点击SSL闪退打不开？怎么解决？

宝塔Linux面板点击SSL证书闪退如何解决&#xff1f;旧版本的宝塔Linux面板确实存在这种情况&#xff0c;如何解决&#xff1f;升级你的宝塔Linux面板即可。新手站长分享宝塔面板SSL闪退的解决方法&#xff1a; 宝塔面板点击SSL证书闪退解决方法 问题&#xff1a;宝塔Linux面板…
阅读更多...
【数学建模学习（9）：模拟退火算法】

【数学建模学习（9）：模拟退火算法】

模拟退火算法(Simulated Annealing, SA)的思想借 鉴于固体的退火原理&#xff0c;当固体的温度很高的时候&#xff0c;内能比 较大&#xff0c;固体的内部粒子处于快速无序运动&#xff0c;当温度慢慢降 低的过程中&#xff0c;固体的内能减小&#xff0c;粒子的慢慢趋于有序&a…
阅读更多...
springBean生命周期解析

springBean生命周期解析

本文基于Spring5.3.7 参考&#xff1a; kykangyuky Spring中bean的生命周期 阿斌Java之路 SpringBean的生命周期&#xff0c; 杨开振 JavaEE互联网轻量级框架整合开发 黑马程序员 JavaEE企业级应用开发教程 马士兵 Spring源码讲解 一. SpringBean生命周期流程图 二. 示例代码 …
阅读更多...
最新文章

Copyright @ 2022~2023