• 算法特征
    ①. 统一看待线性运算与非线性运算; ②. 确定求导变量loss影响链路; ③. loss影响链路梯度逐级反向传播.
  • 算法推导
    Part Ⅰ
    以如下简单正向传播链为例, 引入线性运算与非线性运算符号,

    相关运算流程如下,
    $$
    \begin{equation*}
    \begin{split}
    &\text{linear operation } & I^{(l+1)} = W^{(l)}\cdot O^{(l)} + b^{(l)} \\
    &\text{non-linear operation }\quad & O^{(l+1)} = f^{(l+1)}(I^{(l+1)})
    \end{split}
    \end{equation*}
    $$
    其中, $O^{(l)}$、$I^{(l+1)}$、$O^{(l+1)}$分别为第$l$层输出(output)、第$l+1$层输入(input)、第$l+1$层输出, $W^{(l)}$、$b^{(l)}$、$f^{(l+1)}$分别为相关weight、bias及activation function. 对于线性运算, bias可合并至weight, 则
    $$
    \begin{equation*}
    \text{linear operation }\quad I^{(l+1)} = \tilde{W}^{(l)}\cdot \tilde{O}^{(l)} = g^{(l)}(\tilde{O}^{(l)})
    \end{equation*}
    $$
    其中, $\tilde{W}^{(l)} = [W^{(l)\mathrm{T}}, b^{(l)}]^\mathrm{T}$, $\tilde{O}^{(l)}=[O^{(l)\mathrm{T}},1]^\mathrm{T}$.
    对于上述简单正向传播链, 基础影响链路如下,

    $$
    \begin{equation*}
    \begin{split}
    &\tilde{O}^{(l)} &\quad\rightarrow\quad I^{(l+1)} \\
    &\tilde{W}^{(l)} &\quad\rightarrow\quad I^{(l+1)} \\
    &I^{(l+1)} &\quad\rightarrow\quad O^{(l+1)}
    \end{split}
    \end{equation*}
    $$
    根据链式法则, 影响链路起点由求导变量决定, 终点位于Loss处.
    Part Ⅱ
    现以如下神经网络为例, 加以阐述,

    其中, $(x_1, x_2)$为网络输入, $(y_1, y_2)$为网络输出. 统一处理其中线性运算与非线性运算, 并将该网络完全展开,

    现以$w_1^{(0)}$为例, 作为求导变量确定loss影响链路. $w_1^{(0)}$之loss影响链路(红色+绿色箭头)如下,

    拆解为基础影响链路, 如下,
    $$
    \begin{equation*}
    \begin{split}
    & w_1^{(0)} &\quad\rightarrow\quad I_1^{(1)} \\
    & I_1^{(1)} &\quad\rightarrow\quad O_1^{(1)} \\
    & O_1^{(1)} &\quad\rightarrow\quad I_1^{(2)} \\
    & O_1^{(1)} &\quad\rightarrow\quad I_2^{(2)} \\
    & I_1^{(2)} &\quad\rightarrow\quad y_1 \\
    & I_2^{(2)} &\quad\rightarrow\quad y_2 \\
    & y_1 &\quad\rightarrow\quad L \\
    & y_2 &\quad\rightarrow\quad L
    \end{split}
    \end{equation*}
    $$
    定义源(source)为存在多个下游分支的节点(如: $O_1^{(1)}$), 定义汇(sink)为存在多个上游分支的节点(如: $L$). 根据链式求导法则, 在影响链路上, 下游变量对源变量求导需要在源变量处求和, 汇变量对上游变量求导无需特殊处理, 即,

    $$
    \begin{equation*}
    \begin{split}
    &\text{source variable $x$: }\quad &\frac{\partial J(u(x), v(x))}{\partial x} &= \frac{\partial J(u(x), v(x))}{\partial u}\cdot\frac{\partial u}{\partial x} + \frac{\partial J(u(x), v(x))}{\partial v}\cdot\frac{\partial v}{\partial x} \\
    &\text{sink variable $J$: }\quad &\frac{\partial J(u(x), v(y))}{\partial x} &= \frac{\partial J(u(x), v(y))}{\partial u}\cdot\frac{\partial u}{\partial x}
    \end{split}
    \end{equation*}
    $$
    由此, 根据梯度沿影响链路的反向传播, 可确定loss对$w_1^{(0)}$之偏导,

    $$
    \begin{equation*}
    \frac{\partial L}{\partial w_1^{(0)}} = \left(\frac{\partial L}{\partial y_1}\cdot\frac{\partial y_1}{\partial I_1^{(2)}}\cdot\frac{\partial I_1^{(2)}}{\partial O_1^{(1)}} + \frac{\partial L}{\partial y_2}\cdot\frac{\partial y_2}{\partial I_2^{(2)}}\cdot\frac{\partial I_2^{(2)}}{\partial O_1^{(1)}}\right)\cdot\frac{\partial O_1^{(1)}}{\partial I_1^{(1)}}\cdot\frac{\partial I_1^{(1)}}{\partial w_1^{(0)}}
    \end{equation*}
    $$
    再以$b_2^{(1)}$为例, 作为求导变量确定loss影响链路. $b_2^{(1)}$之loss影响链路(红色+绿色箭头)如下,

    拆解为基础影响链路, 如下,
    $$
    \begin{equation*}
    \begin{split}
    & b_2^{(1)} &\quad\rightarrow\quad I_2^{(2)} \\
    & I_2^{(2)} &\quad\rightarrow\quad y_2 \\
    & y_2 &\quad\rightarrow\quad L
    \end{split}
    \end{equation*}
    $$
    同样, 根据梯度沿影响链的反向传播, 可确定loss对$b_2^{(1)}$之偏导,

    $$
    \begin{equation*}
    \frac{\partial L}{\partial b_2^{(1)}} = \frac{\partial L}{\partial y_2}\cdot\frac{\partial y_2}{\partial I_2^{(2)}}\cdot\frac{\partial I_2^{(2)}}{\partial b_2^{(1)}}
    \end{equation*}
    $$

  • 代码实现
    现以如下简单feed-forward网络为例进行算法实施,

    输入层为$(r, g, b)$, 输出层为$(x,y,lv)$且不取激活函数, 中间隐藏层取激活函数为双曲正切函数$\tanh$. 采用如下损失函数,
    $$
    \begin{equation*}
    L = \sum_i\frac{1}{2}(\bar{x}^{(i)}-x^{(i)})^2 + \frac{1}{2}(\bar{y}^{(i)} - y^{(i)})^2 + \frac{1}{2}(\bar{lv}^{(i)} - lv^{(i)})^2
    \end{equation*}
    $$
    其中, $i$为data序号, $(\bar{x}, \bar{y}, \bar{lv})$为相应观测值. 相关training data采用如下策略生成,

    $$
    \begin{equation*}
    \left\{
    \begin{split}
    x &= r + 2g + 3b \\
    y &= r^2 + 2g^2 + 3b^2 \\
    lv &= -3r - 4g - 5b
    \end{split}
    \right.
    \end{equation*}
    $$
    具体实现如下,

      1 # Back Propagation之实现
    2 # 优化器使用Adam
    3
    4 import numpy
    5 from matplotlib import pyplot as plt
    6
    7
    8 numpy.random.seed(1)
    9
    10
    11 # 生成training data
    12 def getData(n=100):
    13 rgbRange = (-1, 1)
    14 r = numpy.random.uniform(*rgbRange, (n, 1))
    15 g = numpy.random.uniform(*rgbRange, (n, 1))
    16 b = numpy.random.uniform(*rgbRange, (n, 1))
    17 x_ = r + 2 * g + 3 * b
    18 y_ = r ** 2 + 2 * g ** 2 + 3 * b ** 2
    19 lv_ = -3 * r - 4 * g - 5 * b
    20 RGB = numpy.hstack((r, g, b))
    21 XYLv_ = numpy.hstack((x_, y_, lv_))
    22 return RGB, XYLv_
    23
    24
    25 class BPEx(object):
    26
    27 def __init__(self, RGB, XYLv_):
    28 self.__RGB = RGB
    29 self.__XYLv_ = XYLv_
    30
    31 self.__rgb = None # (1, 3)
    32 self.__O0 = None # (1, 4)
    33 self.__W0 = None # (4, 5)
    34 self.__I1 = None # (1, 5)
    35 self.__O1 = None # (1, 6)
    36 self.__W1 = None # (6, 3)
    37 self.__I2 = None # (1, 3)
    38 self.__xylv_ = None # (1, 3)
    39 self.__L = None # scalar
    40
    41 self.__grad_W0_I1 = None # 基础影响链路(W0->I1)之梯度
    42 self.__grad_I1_O1 = None # 基础影响链路(I1->O1)之梯度
    43 self.__grad_O1_I2 = None # 基础影响链路(O1->I2)之梯度
    44 self.__grad_W1_I2 = None # 基础影响链路(W1->I2)之梯度
    45 self.__grad_I2_L = None # 基础影响链路(I2->Loss)之梯度
    46
    47 self.__gradList_W0_I1 = list()
    48 self.__gradList_I1_O1 = list()
    49 self.__gradList_O1_I2 = list()
    50 self.__gradList_W1_I2 = list()
    51 self.__gradList_I2_L = list()
    52
    53 self.__init_weights()
    54 self.__bpTag = False # 是否反向传播之标志
    55
    56
    57 def calc_xylv(self, rgb, W0=None, W1=None):
    58 '''
    59 默认在当前W0、W1之基础上进行预测, 实际使用需要配合优化器
    60 '''
    61 if W0 is not None:
    62 self.__W0 = W0
    63 if W1 is not None:
    64 self.__W1 = W1
    65
    66 self.__calc_xylv(numpy.array(rgb).reshape((1, 3)))
    67 xylv = self.__I2
    68 return xylv
    69
    70
    71 def get_W0W1(self):
    72 return self.__W0, self.__W1
    73
    74
    75 def calc_JVal(self, W):
    76 self.__bpTag = True
    77 self.__clr_gradList()
    78
    79 self.__W0 = W[:20, 0].reshape((4, 5))
    80 self.__W1 = W[20:, 0].reshape((6, 3))
    81
    82 JVal = 0
    83 for rgb, xylv_ in zip(self.__RGB, self.__XYLv_):
    84 self.__calc_xylv(rgb.reshape((1, 3)))
    85 self.__calc_loss(xylv_.reshape((1, 3)))
    86 JVal += self.__L
    87 self.__add_gradList()
    88
    89 self.__bpTag = False
    90 return JVal
    91
    92
    93 def calc_grad(self, W):
    94 '''
    95 此处W仅为统一调用接口
    96 '''
    97 grad_W0 = numpy.zeros(self.__W0.shape)
    98 grad_W1 = numpy.zeros(self.__W1.shape)
    99 for grad_W0_I1, grad_I1_O1, grad_O1_I2, grad_W1_I2, grad_I2_L in zip(self.__gradList_W0_I1,\
    100 self.__gradList_I1_O1, self.__gradList_O1_I2, self.__gradList_W1_I2, self.__gradList_I2_L):
    101 grad_W1_curr = grad_I2_L * grad_W1_I2
    102 grad_W1 += grad_W1_curr
    103
    104 term0 = numpy.sum(grad_I2_L.T * grad_O1_I2, axis=0) # (1, 5) source
    105 term1 = term0 * grad_I1_O1
    106 grad_W0_curr = term1 * grad_W0_I1
    107 grad_W0 += grad_W0_curr
    108
    109 grad = numpy.vstack((grad_W0.reshape((-1, 1)), grad_W1.reshape((-1, 1))))
    110 return grad
    111
    112
    113 def init_seed(self):
    114 n = self.__W0.size + self.__W1.size
    115 seed = numpy.random.uniform(-1, 1, (n, 1))
    116 return seed
    117
    118
    119 def __add_gradList(self):
    120 self.__gradList_W0_I1.append(self.__grad_W0_I1)
    121 self.__gradList_I1_O1.append(self.__grad_I1_O1)
    122 self.__gradList_O1_I2.append(self.__grad_O1_I2)
    123 self.__gradList_W1_I2.append(self.__grad_W1_I2)
    124 self.__gradList_I2_L.append(self.__grad_I2_L)
    125
    126
    127 def __clr_gradList(self):
    128 self.__gradList_W0_I1.clear()
    129 self.__gradList_I1_O1.clear()
    130 self.__gradList_O1_I2.clear()
    131 self.__gradList_W1_I2.clear()
    132 self.__gradList_I2_L.clear()
    133
    134
    135 def __init_weights(self):
    136 self.__W0 = numpy.zeros((4, 5))
    137 self.__W1 = numpy.zeros((6, 3))
    138
    139
    140 def __update_grad_by_calc_xylv(self):
    141 self.__grad_W0_I1 = numpy.tile(self.__O0.T, (1, 5))
    142 self.__grad_I1_O1 = 1 - self.__I1_tanh ** 2
    143 self.__grad_O1_I2 = self.__W1.T[:, :-1]
    144 self.__grad_W1_I2 = numpy.tile(self.__O1.T, (1, 3))
    145
    146
    147 def __calc_xylv(self, rgb):
    148 '''
    149 rgb: shape=(1, 3)之numpy array
    150 '''
    151 self.__rgb = rgb
    152 self.__O0 = numpy.hstack((self.__rgb, [[1]]))
    153 self.__I1 = numpy.matmul(self.__O0, self.__W0)
    154 self.__I1_tanh = numpy.tanh(self.__I1)
    155 self.__O1 = numpy.hstack((self.__I1_tanh, [[1]]))
    156 self.__I2 = numpy.matmul(self.__O1, self.__W1)
    157
    158 if self.__bpTag:
    159 self.__update_grad_by_calc_xylv()
    160
    161
    162 def __update_grad_by_calc_loss(self):
    163 self.__grad_I2_L = self.__I2 - self.__xylv_
    164
    165
    166 def __calc_loss(self, xylv_):
    167 '''
    168 xylv_: shape=(1, 3)之numpy array
    169 '''
    170 self.__xylv_ = xylv_
    171 self.__L = numpy.sum((self.__xylv_ - self.__I2) ** 2) / 2
    172
    173 if self.__bpTag:
    174 self.__update_grad_by_calc_loss()
    175
    176
    177 class Adam(object):
    178
    179 def __init__(self, _func, _grad, _seed):
    180 '''
    181 _func: 待优化目标函数
    182 _grad: 待优化目标函数之梯度
    183 _seed: 迭代起始点
    184 '''
    185 self.__func = _func
    186 self.__grad = _grad
    187 self.__seed = _seed
    188
    189 self.__xPath = list()
    190 self.__JPath = list()
    191
    192
    193 def get_solu(self, alpha=0.001, beta1=0.9, beta2=0.999, epsilon=1.e-8, zeta=1.e-6, maxIter=3000000):
    194 '''
    195 获取数值解,
    196 alpha: 步长参数
    197 beta1: 一阶矩指数衰减率
    198 beta2: 二阶矩指数衰减率
    199 epsilon: 足够小正数
    200 zeta: 收敛判据
    201 maxIter: 最大迭代次数
    202 '''
    203 self.__init_path()
    204
    205 x = self.__init_x()
    206 JVal = self.__calc_JVal(x)
    207 self.__add_path(x, JVal)
    208 grad = self.__calc_grad(x)
    209 m, v = numpy.zeros(x.shape), numpy.zeros(x.shape)
    210 for k in range(1, maxIter + 1):
    211 print("iterCnt: {:3d}, JVal: {}".format(k, JVal))
    212 if self.__converged1(grad, zeta):
    213 self.__print_MSG(x, JVal, k)
    214 return x, JVal, True
    215
    216 m = beta1 * m + (1 - beta1) * grad
    217 v = beta2 * v + (1 - beta2) * grad * grad
    218 m_ = m / (1 - beta1 ** k)
    219 v_ = v / (1 - beta2 ** k)
    220
    221 alpha_ = alpha / (numpy.sqrt(v_) + epsilon)
    222 d = -m_
    223 xNew = x + alpha_ * d
    224 JNew = self.__calc_JVal(xNew)
    225 self.__add_path(xNew, JNew)
    226 if self.__converged2(xNew - x, JNew - JVal, zeta ** 2):
    227 self.__print_MSG(xNew, JNew, k + 1)
    228 return xNew, JNew, True
    229
    230 gNew = self.__calc_grad(xNew)
    231 x, JVal, grad = xNew, JNew, gNew
    232 else:
    233 if self.__converged1(grad, zeta):
    234 self.__print_MSG(x, JVal, maxIter)
    235 return x, JVal, True
    236
    237 print("Adam not converged after {} steps!".format(maxIter))
    238 return x, JVal, False
    239
    240
    241 def get_path(self):
    242 return self.__xPath, self.__JPath
    243
    244
    245 def __converged1(self, grad, epsilon):
    246 if numpy.linalg.norm(grad, ord=numpy.inf) < epsilon:
    247 return True
    248 return False
    249
    250
    251 def __converged2(self, xDelta, JDelta, epsilon):
    252 val1 = numpy.linalg.norm(xDelta, ord=numpy.inf)
    253 val2 = numpy.abs(JDelta)
    254 if val1 < epsilon or val2 < epsilon:
    255 return True
    256 return False
    257
    258
    259 def __print_MSG(self, x, JVal, iterCnt):
    260 print("Iteration steps: {}".format(iterCnt))
    261 print("Solution:\n{}".format(x.flatten()))
    262 print("JVal: {}".format(JVal))
    263
    264
    265 def __calc_JVal(self, x):
    266 return self.__func(x)
    267
    268
    269 def __calc_grad(self, x):
    270 return self.__grad(x)
    271
    272
    273 def __init_x(self):
    274 return self.__seed
    275
    276
    277 def __init_path(self):
    278 self.__xPath.clear()
    279 self.__JPath.clear()
    280
    281
    282 def __add_path(self, x, JVal):
    283 self.__xPath.append(x)
    284 self.__JPath.append(JVal)
    285
    286
    287 class BPExPlot(object):
    288
    289 @staticmethod
    290 def plot_fig(adamObj):
    291 alpha = 0.001
    292 epoch = 50000
    293 x, JVal, tab = adamObj.get_solu(alpha=alpha, maxIter=epoch)
    294 xPath, JPath = adamObj.get_path()
    295
    296 fig = plt.figure(figsize=(6, 4))
    297 ax1 = fig.add_subplot(1, 1, 1)
    298
    299 ax1.plot(numpy.arange(len(JPath)), JPath, "k.", markersize=1)
    300 ax1.plot(0, JPath[0], "go", label="seed")
    301 ax1.plot(len(JPath)-1, JPath[-1], "r*", label="solution")
    302
    303 ax1.legend()
    304 ax1.set(xlabel="$epoch$", ylabel="$JVal$", title="solution-JVal = {:.5f}".format(JPath[-1]))
    305
    306 fig.tight_layout()
    307 # plt.show()
    308 fig.savefig("plot_fig.png", dpi=100)
    309
    310
    311
    312 if __name__ == "__main__":
    313 RGB, XYLv_ = getData(1000)
    314 bpObj = BPEx(RGB, XYLv_)
    315
    316 # rgb = (0.5, 0.6, 0.7)
    317 # xylv = bpObj.calc_xylv(rgb)
    318 # print(rgb)
    319 # print(xylv)
    320 # func = bpObj.calc_JVal
    321 # grad = bpObj.calc_grad
    322 # seed = bpObj.init_seed()
    323 # adamObj = Adam(func, grad, seed)
    324 # alpha = 0.1
    325 # epoch = 1000
    326 # adamObj.get_solu(alpha=alpha, maxIter=epoch)
    327 # xylv = bpObj.calc_xylv(rgb)
    328 # print(rgb)
    329 # print(xylv)
    330 # W0, W1 = bpObj.get_W0W1()
    331 # xylv = bpObj.calc_xylv(rgb, W0, W1)
    332 # print(rgb)
    333 # print(xylv)
    334
    335 func = bpObj.calc_JVal
    336 grad = bpObj.calc_grad
    337 seed = bpObj.init_seed()
    338 adamObj = Adam(func, grad, seed)
    339 BPExPlot.plot_fig(adamObj)
  • 结果展示

    可以看到, 在training data上总体loss随epoch增加逐渐降低.

  • 使用建议
    ①. 某层之output节点可能受多个该层之input节点影响(如: softmax激活函数), 此时input节点具备source特性;
    ②. 正向计算过程可确定基础影响链路之梯度, 反向传播过程可串联基础影响链路之梯度;
    ③. 初值的选取对非凸问题的优化比较重要, 权重初值尽量不取全0.
  • 参考文档
    ①. Rumelhart D E, Hinton G E, Williams R J. Learning internal representations by error propagation[R]. California Univ San Diego La Jolla Inst for Cognitive Science, 1985.
    ②. Adam (1) - Python实现

Back Propagation - Python实现的更多相关文章

  1. 标签传播算法(Label Propagation)及Python实现

    众所周知,机器学习可以大体分为三大类:监督学习.非监督学习和半监督学习.监督学习可以认为是我们有非常多的labeled标注数据来train一个模型,期待这个模型能学习到数据的分布,以期对未来没有见到的 ...

  2. [Python] 机器学习库资料汇总

    声明:以下内容转载自平行宇宙. Python在科学计算领域,有两个重要的扩展模块:Numpy和Scipy.其中Numpy是一个用python实现的科学计算包.包括: 一个强大的N维数组对象Array: ...

  3. 【转帖】Python在大数据分析及机器学习中的兵器谱

    Flask:Python系的轻量级Web框架. 1. 网页爬虫工具集 Scrapy 推荐大牛pluskid早年的一篇文章:<Scrapy 轻松定制网络爬虫> Beautiful Soup ...

  4. python数据挖掘领域工具包

    原文:http://qxde01.blog.163.com/blog/static/67335744201368101922991/ Python在科学计算领域,有两个重要的扩展模块:Numpy和Sc ...

  5. 一个 11 行 Python 代码实现的神经网络

    一个 11 行 Python 代码实现的神经网络 2015/12/02 · 实践项目 · 15 评论· 神经网络 分享到:18 本文由 伯乐在线 - 耶鲁怕冷 翻译,Namco 校稿.未经许可,禁止转 ...

  6. 大数据分析与机器学习领域Python兵器谱

    http://www.thebigdata.cn/JieJueFangAn/13317.html 曾经因为NLTK的缘故开始学习Python,之后渐渐成为我工作中的第一辅助脚本语言,虽然开发语言是C/ ...

  7. BP神经网络求解异或问题(Python实现)

    反向传播算法(Back Propagation)分二步进行,即正向传播和反向传播.这两个过程简述如下: 1.正向传播 输入的样本从输入层经过隐单元一层一层进行处理,传向输出层:在逐层处理的过程中.在输 ...

  8. python 第三方模块 转 https://github.com/masterpy/zwpy_lst

    Chardet,字符编码探测器,可以自动检测文本.网页.xml的编码. colorama,主要用来给文本添加各种颜色,并且非常简单易用. Prettytable,主要用于在终端或浏览器端构建格式化的输 ...

  9. Python 网页爬虫 & 文本处理 & 科学计算 & 机器学习 & 数据挖掘兵器谱(转)

    原文:http://www.52nlp.cn/python-网页爬虫-文本处理-科学计算-机器学习-数据挖掘 曾经因为NLTK的缘故开始学习Python,之后渐渐成为我工作中的第一辅助脚本语言,虽然开 ...

  10. [resource]Python机器学习库

    reference: http://qxde01.blog.163.com/blog/static/67335744201368101922991/ Python在科学计算领域,有两个重要的扩展模块: ...

随机推荐

  1. FineUI通过js事件条用后台方法实现弹窗

    一.html标签的onclick事件 <button type="button" class="btnUpdate" onclick="< ...

  2. while循环补充、for循环、range关键字、内置方法之整型、内置方法之浮点型、内置方法之字符串

    目录 一.while循环补充 (1).while+continue (2).while+else(了解) (3).死循环 二.for循环 range关键字 for+break for+continue ...

  3. 学习Java Day6

    今天学习了Java的输出,与C/C++不同,Java的输出形式有很多,有许多printf标识符表示的含义各不相同,而且数量众多,其中Java还有表示日期的转换符.

  4. ps抠图小技巧

    1.背景橡皮擦工具 适合分离单一背景. 中括号键可以调整大小. 2.调整边缘抠图(也叫选择并遮住) 适合扣毛发丝. 套索工具框选出大概: 点击选择并遮住后出来一个面板: 视图选择叠加,输出设置勾上净化 ...

  5. [IOI2013]robots 机器人

    题目传送门 思路 简单题,设函数 \(f_i\) 表示当时间为 \(i\) 时是否能够收拾好所有玩具,则 \(f_i\) 显然是单调的. 所以我们可以考虑二分. 设我们当前二分到 \(x\),我们先把 ...

  6. XMLHttpRequest、Ajax、Fetch与Axios

    1. 引言 XMLHttpRequest.Ajax.Fetch与Axios是网页前后端交互中常见到的名词 参考MDN:Ajax - Web 开发者指南 | MDN (mozilla.org) Ajax ...

  7. ModuleNotFoundError: No module named 'flask._compat'

    出现 "ModuleNotFoundError: No module named 'flask._compat'" 提示的解决办法: 参考 https://zhuanlan.zhi ...

  8. java学习日记20230302-字符

    JAVA字符 char c1 = 97 System.out.println(c1)// a 会输出97代表的字符(字符编码) 字符类型细节: 字符常量用单引号 java中允许使用\转义字符代表一个字 ...

  9. 2373. 矩阵中的局部最大值 (Easy)

    问题描述 2373. 矩阵中的局部最大值 (Easy) 给你一个大小为 n x n 的整数矩阵 grid . 生成一个大小为 (n - 2) x (n - 2) 的整数矩阵 maxLocal ,并满足 ...

  10. 05-python的输入与输出

    python输入(input)与输出(print) 一.输入(input) 在python3中,input会将接收到的用户输入自动存储为字符串类型 username = input('输入用户名:') ...