热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

TensorFlow使用Python自定义op和损失函数

TensorFlow使用Python自定义op和损失函数TensorFlow是静态图结构,即必须把所有的操作以及网络结构定义好(后来有了动态图功能,即EagerExecution)
TensorFlow使用Python自定义op和损失函数

TensorFlow是静态图结构,即必须把所有的操作以及网络结构定义好(后来有了动态图功能,即Eager Execution ),在没有用tf.Session().run接口填充值之前是没有实际值的。因此,在网络搭建的时候,是不能对tensor进行判值操作的,即不能插入if…else…之类的代码。这相较于numpy array,Tensorflow中对tensor的操作接口灵活性并没有那么高,为了扩展Tensorflow程序的灵活性,Tensorflow提供了tf.py_func接口。

如果使用tf.py_func调用了非TensorFlow原生的接口,使用第三方库定义某个功能时,很容易出现如下错误:

ValueError: No gradients provided for any variable, check your graph for ops that do not support gradients, between variables [“”, “”] and loss Tensor(“Mean:0”, shape=(), dtype=float32).

出现这个原因,本质上来说,就是我们利用第三方库自定义层,相关变量没有计算梯度!我们知道网络需要训练,每一层都需要定义计算前向和反向转播的,若采用TensorFlow自带的OP,是没有问题,因为Google以及实现前向和反向的过程。而采用第三方库时,只是实现了前向转播,而反向转播计算过程,我们是没有定义,所以就出现No gradients provided for any variable的错误!

如果你想想TensorFlow提供API一样,实现前向和反向转播的计算,可以参考两种方法:

(1)C++层自定义OP:基本流程:注册op,实现op,创建python接口,实现op梯度计算(如果不需要求导也可以直接pass掉,实现可以在python端也可以用py_func去包装其他python函数,也可以再写一个C++ op来专门计算梯度),测试等。这部分可以参考:

https://blog.csdn.net/u012436149/article/details/73737299 

https://www.zhihu.com/question/67352230 

https://zhuanlan.zhihu.com/p/34169502 

(2)Python层自定义OP:这个方法需要使用tf.py_func()调用第三方库实现前向计算过程,使用tf.RegisterGradient注册梯度反向传播函数实现反向转播计算过程。该方法是我比较推荐的,相比第一种方法,简单很多了,对于C++不是很熟悉的小朋友来说,在Python上自定义OP再好不过了!

目录

TensorFlow自定义op和Python损失函数

1.线性回归

1.1均方误差tf.reduce_mean(tf.square())

1.2 自定义均方误差

2. 出现No gradients provided for any variable的原因分析

3. 自定义损失函数

3.1@tf.RegisterGradient修饰器

3.2 gradient_override_map

3.3 自定义梯度反向传播函数

3.4 完整代码: 

4. 使用tf.RegisterGradient函数

4.1 tf.RegisterGradient()函数

4.2 完整的代码:

1.线性回归

先看一个线性回归的列子:https://www.cnblogs.com/selenaf/p/9102398.html

对于直线y=Wx+b,随机生成一些加入噪声的数据点,如下图所示。我们可以让TensorFlow建立线性回归模型,通过拟合这些数据去学习W和b的值。

《TensorFlow使用Python自定义op和损失函数》

1.1均方误差tf.reduce_mean(tf.square())

损失函数可以选择均方误差,可以直接调用TensorFlow的tf.reduce_mean(tf.square())实现均方差损失,这样完整的训练代码可如下实现:

#! /usr/bin/env python
# coding=utf-8
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
print(tf.__version__)
def gen_data(w,b,num_points):
'''
y=wx+b
:param w:
:param b:
:param num_points:
:return:
'''
vectors_set=[]
x_data=[]
y_data=[]
for i in range(num_points):
x1=np.random.normal(0.0,0.55) #横坐标,进行随机高斯处理化,以0为均值,以0.55为标准差
y1=x1*w+b+np.random.normal(0.0,0.03) #纵坐标,数据点在y1=x1*0.1+0.3上小范围浮动
vectors_set.append([x1,y1])
x_data=[v[0] for v in vectors_set]
y_data=[v[1] for v in vectors_set]
plt.scatter(x_data,y_data,c='r')
plt.show()
x_data=np.array(x_data,dtype=np.float32)
y_data=np.array(y_data,dtype=np.float32)
return x_data,y_data
def train_linear_regression(x_data,y_data,max_iterate):
'''
:param x_data:
:param y_data:
:param max_iterate: 最大迭代次数
:return:
'''
print("x_data.shape:{}".format(x_data.shape))
print("y_data.shape:{}:".format(y_data.shape))
# 定义线性回归模型
W = tf.Variable(tf.random_uniform([1], -1.0, 1.0), name='W') # 生成1维的W矩阵,取值是[-1,1]之间的随机数
b = tf.Variable(tf.zeros([1]), name='b') # 生成1维的b矩阵,初始值是0
y = W * x_data + b # 经过计算得出预估值y
# 定义计算图
graph = tf.get_default_graph()
# 定义均方误差
loss = tf.reduce_mean(tf.square(y - y_data), name='loss') # 以预估值y和实际值y_data之间的均方误差作为损失
# 定义优化器
optimizer = tf.train.GradientDescentOptimizer(0.1) # 采用梯度下降法来优化参数 学习率为0.5
train = optimizer.minimize(loss, name='train') # 训练的过程就是最小化这个误差值
# 训练
with tf.Session(graph=graph) as sess:
init = tf.global_variables_initializer()
sess.run(init)
for step in range(max_iterate): # 执行20次训练
_,pre_W,pre_b,pre_loss=sess.run([train,W,b,loss])
print("step:{},W={},b={},loss={}".format(step+1,pre_W,pre_b,pre_loss))
if __name__=='__main__':
w=0.1
b=0.3
num_points=1000
max_iterate=1000
x_data, y_data=gen_data(w, b, num_points)
train_linear_regression(x_data, y_data, max_iterate)

《TensorFlow使用Python自定义op和损失函数》

step:1,W=[0.33111742],b=[0.05976159],loss=0.10794320702552795
step:2,W=[0.31746817],b=[0.10756931],loss=0.07375720143318176
step:3,W=[0.3046297],b=[0.14581403],loss=0.05137966573238373
step:4,W=[0.29255316],b=[0.17640844],loss=0.03661665320396423
step:5,W=[0.28119272],b=[0.20088267],loss=0.02677750028669834
step:6,W=[0.2705055],b=[0.22046085],loss=0.020134398713707924
step:7,W=[0.2604512],b=[0.23612225],loss=0.015576418489217758
step:8,W=[0.25099206],b=[0.2486503],loss=0.01238801795989275
step:9,W=[0.24209262],b=[0.25867173],loss=0.010107231326401234
......
......
step:995,W=[0.10031797],b=[0.29867724],loss=0.0008959544938988984
step:996,W=[0.10031797],b=[0.29867724],loss=0.0008959544938988984
step:997,W=[0.10031797],b=[0.29867724],loss=0.0008959544938988984
step:998,W=[0.10031797],b=[0.29867724],loss=0.0008959544938988984
step:999,W=[0.10031797],b=[0.29867724],loss=0.0008959544938988984
step:1000,W=[0.10031797],b=[0.29867724],loss=0.0008959544938988984

通过迭代1000次,模型可以很好的拟合数据,并且学习到权值W=[0.10031797],b=[0.29867724],这与设定w=0.1 b=0.3的差异很小了

1.2 自定义均方误差

上面的训练代码,损失函数是直接调用TensorFlow的tf.reduce_mean(tf.square())实现均方差损失,现在问题来呢?我们可否不调用TensorFlow的 API接口,自己使用第三方的Python库自定义TensorFlow的损失函数,于是,我们尝试使用Python math库定义一个平方差square_loss:

def square_loss(array1,array2):
'''
使用math自定义平方损失函数:Square loss=(x-y)^2
:param array1: input x
:param array2: input y
:return:
'''
# loss=np.square(array1-array2)
square=[]
for a1,a2 in zip(array1,array2):
s=math.pow(a1-a2,2)
square.append(s)
loss=np.array(square,dtype=np.float32)
return loss

 说明:这里square_loss是使用math的Python包实现平方差,实质上一种更简单的方法,是使用Numpy执行loss=np.square(array1-array2)即可,这两种方式是等价,之所以没有用Numpy,那是因为TensorFlow的tensor变量很多都支持Nump的计算,很难体现出博客的用意:使用第三方的Python库自定义TensorFlow的损失函数。当然,实际开发,还是建议使用Numpy实现各种复杂的计算。

由于使用第三方的Python库实现的函数,这需要借助TF的tf.py_func中传入自定义的loss函数

tf.py_func的用法:请参考:https://www.tensorflow.org/api_docs/python/tf/py_func

tf.py_func( func,inp,Tout,stateful=True,name=None)前三个参数说明:

    第一个参数func,也是最重要的,是一个用户自定制的函数,输入numpy array,输出也是numpy array,在该函数中,可以自由使用np.操作。

   第二个参数inp,是func函数接收的输入,是一个列表

   第三个参数Tout,指定了func函数返回的numpy array转化成tensor后的格式,如果是返回个值,就是一个列表或元组;如果只有个返回值,就是一个单独的dtype类型(当然也可以用列表括起来)。

于是,我把训练的代码的loss定义如下:

# 定义均方误差
# loss = tf.reduce_mean(tf.square(y - y_data), name='loss') # 以预估值y和实际值y_data之间的均方误差作为损失
# loss = tf.reduce_mean(square_loss(y,y_data))
loss = tf.reduce_mean(tf.py_func(square_loss, inp=[y, y_data], Tout=tf.float32))

好了,定义完成,Run,终于出现了我想要说的错误:

ValueError: No gradients provided for any variable, check your graph for ops that do not support gradients, between variables [“”, “”] and loss Tensor(“Mean:0”, shape=(), dtype=float32). 

2. 出现No gradients provided for any variable的原因分析

出现这个原因,本质上来说,就是我们利用第三方库自定义的损失或者其他层,相关变量没有计算梯度!我们知道网络需要训练,每一层都需要定义和计算前向和反向转播的,若采用TensorFlow自带的OP,是没有问题,因为Google以及实现前向和反向的过程。而采用第三方库时,只是实现了前向转播,而反向转播计算过程,我们是没有定义,所以就出现No gradients provided for any variable的错误了!

3. 自定义损失函数

在自定义损失函数前,先介绍两个TensorFlow的函数tf.RegisterGradient和 tf.Graph.gradient_override_map

3.1@tf.RegisterGradient修饰器

@tf.RegisterGradient修饰符在定义一个新的 op 类型时使用。对于具有 m 个输入和 n 个输出的运算,梯度函数是一个采用原始的 Operation 和 n Tensor 对象(表示与 op 的每个输出相关的梯度),并返回 m Tensor 对象(表示相对于 op 的每个输入的部分梯度)的函数。

例如,假设该类型的”Sub”操作需要两个输入 x 和 y,并返回一个单一的输出 x – y,则以下梯度函数将被注册:

@tf.RegisterGradient("Sub")
def _sub_grad(unused_op, grad):
return grad, tf.negative(grad)

修饰符参数 op_type 是操作的字符串类型。这对应于定义操作的原始 OpDef. name 字段。 

参考:https://tensorflow.google.cn/api_docs/python/tf/RegisterGradient

3.2 gradient_override_map

 tf.Graph.gradient_override_map(op_type_map):返回一个覆盖梯度函数的上下文管理器,此管理器用于覆盖ops的梯度函数。通过这个管理器,我们可以针对自定义operation,使用自己的gradient函数。例如

# 先注册一个gradient函数
@tf.RegisterGradient("CustomSquare")
def _custom_square_grad(op, grad):
  # ...
with tf.Graph().as_default() as g:
  c = tf.constant(5.0)
  s_1 = tf.square(c) # 使用tf.square默认的gradient
  with g.gradient_override_map({"Sqaure": "CustomSquare"}):
    s_2 = tf.square(s_2): # 使用自定义的_custom_square_grad函数来计算s_2的梯度

3.3 自定义梯度反向传播函数

使用TensorFlow的修饰器@tf.RegisterGradient(“LossGradient”),定义一个平方差损失square_loss_grad函数的梯度计算过程:

平方差损失:《TensorFlow使用Python自定义op和损失函数》

对x求偏导:《TensorFlow使用Python自定义op和损失函数》

对 y求偏导:《TensorFlow使用Python自定义op和损失函数》

对应的Python代码如下: 


@tf.RegisterGradient("LossGradient")
def square_loss_grad(op, grad):
'''
使用修饰器,建立梯度反向传播函数。其中op.input包含输入值、输出值,grad包含上层传来的梯度
:param op:
:param grad:
:return:
'''
x = op.inputs[0]
y = op.inputs[1]
# 计算平方损失的梯度:loss=(x-y)^2
grad_x = 2 * grad * (x - y) # 对x求导:grad_x=2(x-y)
grad_y = tf.negative(2 * grad * (x - y)) # 对y求导:grad_y=-2(x-y)
return grad_x, grad_y

然后在调用square_loss时插入tf.get_default_graph().gradient_override_map({“PyFunc”: ‘LossGradient’}) 

def my_loss(y, y_data):
with tf.get_default_graph().gradient_override_map({"PyFunc": 'LossGradient'}):
loss=tf.py_func(square_loss, inp=[y, y_data], Tout=tf.float32)
return loss

 最后训练代码的loss修改如下:

# 定义均方误差
# loss = tf.reduce_mean(tf.square(y - y_data), name='loss') # 以预估值y和实际值y_data之间的均方误差作为损失
# loss = tf.reduce_mean(square_loss(y,y_data))
# loss = tf.reduce_mean(tf.py_func(square_loss, inp=[y, y_data], Tout=tf.float32))
loss=tf.reduce_mean(my_loss(y,y_data))

3.4 完整代码: 

#! /usr/bin/env python
# coding=utf-8
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
import math
print(tf.__version__)
def gen_data(w,b,num_points):
'''
y=wx+b
:param w:
:param b:
:param num_points:
:return:
'''
vectors_set=[]
x_data=[]
y_data=[]
for i in range(num_points):
x1=np.random.normal(0.0,0.55) #横坐标,进行随机高斯处理化,以0为均值,以0.55为标准差
y1=x1*w+b+np.random.normal(0.0,0.03) #纵坐标,数据点在y1=x1*0.1+0.3上小范围浮动
vectors_set.append([x1,y1])
x_data=[v[0] for v in vectors_set]
y_data=[v[1] for v in vectors_set]
plt.scatter(x_data,y_data,c='r')
plt.show()
x_data=np.array(x_data,dtype=np.float32)
y_data=np.array(y_data,dtype=np.float32)
return x_data,y_data
def square_loss(array1,array2):
'''
使用math自定义平方损失函数:Square loss=(x-y)^2
:param array1: input x
:param array2: input y
:return:
'''
# loss=np.square(array1-array2)
square=[]
for a1,a2 in zip(array1,array2):
s=math.pow(a1-a2,2)
square.append(s)
loss=np.array(square,dtype=np.float32)
return loss
@tf.RegisterGradient("LossGradient")
def square_loss_grad(op, grad):
'''
使用修饰器,建立梯度反向传播函数。其中op.input包含输入值、输出值,grad包含上层传来的梯度
:param op:
:param grad:
:return:
'''
x = op.inputs[0]
y = op.inputs[1]
# 计算平方损失的梯度:loss=(x-y)^2
grad_x = 2 * grad * (x - y) # 对x求导:grad_x=2(x-y)
grad_y = tf.negative(2 * grad * (x - y)) # 对y求导:grad_y=-2(x-y)
return grad_x, grad_y
def my_loss(y, y_data):
with tf.get_default_graph().gradient_override_map({"PyFunc": 'LossGradient'}):
loss=tf.py_func(square_loss, inp=[y, y_data], Tout=tf.float32)
return loss
def train_linear_regression(x_data,y_data,max_iterate):
'''
:param x_data:
:param y_data:
:param max_iterate: 最大迭代次数
:return:
'''
print("x_data.shape:{}".format(x_data.shape))
print("y_data.shape:{}:".format(y_data.shape))
# 定义线性回归模型
W = tf.Variable(tf.random_uniform([1], -1.0, 1.0), name='W') # 生成1维的W矩阵,取值是[-1,1]之间的随机数
b = tf.Variable(tf.zeros([1]), name='b') # 生成1维的b矩阵,初始值是0
y = W * x_data + b # 经过计算得出预估值y
# 定义计算图
graph = tf.get_default_graph()
# 定义均方误差
# loss = tf.reduce_mean(tf.square(y - y_data), name='loss') # 以预估值y和实际值y_data之间的均方误差作为损失
# loss = tf.reduce_mean(square_loss(y,y_data))
# loss = tf.reduce_mean(tf.py_func(square_loss, inp=[y, y_data], Tout=tf.float32))
loss=tf.reduce_mean(my_loss(y,y_data))
# 定义优化器
optimizer = tf.train.GradientDescentOptimizer(0.1) # 采用梯度下降法来优化参数 学习率为0.5
train = optimizer.minimize(loss, name='train') # 训练的过程就是最小化这个误差值
# 训练
with tf.Session(graph=graph) as sess:
init = tf.global_variables_initializer()
sess.run(init)
for step in range(max_iterate): # 执行20次训练
_,pre_W,pre_b,pre_loss=sess.run([train,W,b,loss])
print("step:{},W={},b={},loss={}".format(step+1,pre_W,pre_b,pre_loss))
if __name__=='__main__':
w=0.1
b=0.3
num_points=1000
max_iterate=1000
x_data, y_data=gen_data(w, b, num_points)
train_linear_regression(x_data, y_data, max_iterate)
4. 使用tf.RegisterGradient函数

4.1 tf.RegisterGradient()函数

当然也可以不使用装饰器,TensorFlow提供了tf.RegisterGradient()函数,可以直接调用梯度函数


def py_func_grad(func, inp, Tout, stateful=True, name=None, grad=None):
'''
Custom py_func with gradient support
:param func: 前向传播函数
:param inp: func函数的输入参数
:param Tout: func函数的输出参数
:param stateful:
:param name:
:param grad: 反向转播函数
:return:
'''
# Need to generate a unique name to avoid duplicates:
rnd_name = 'PyFuncGrad' + str(np.random.randint(0, 1E+8))
tf.RegisterGradient(rnd_name)(grad)
g = tf.get_default_graph()
with g.gradient_override_map({
"PyFunc": rnd_name,
"PyFuncStateless": rnd_name}):
return tf.py_func(func, inp, Tout, stateful=stateful, name=name)

  最后训练代码的loss修改如下:

# 定义均方误差
# loss = tf.reduce_mean(tf.square(y - y_data), name='loss') # 以预估值y和实际值y_data之间的均方误差作为损失
# loss = tf.reduce_mean(square_loss(y,y_data))
# loss = tf.reduce_mean(tf.py_func(square_loss, inp=[y, y_data], Tout=tf.float32))
# loss=tf.reduce_mean(my_loss(y,y_data))
loss=tf.reduce_mean(py_func_grad(square_loss, inp=[y,y_data], Tout=tf.float32, grad=square_loss_grad))

4.2 完整的代码:

#! /usr/bin/env python
# coding=utf-8
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
import math
print(tf.__version__)
def gen_data(w,b,num_points):
'''
y=wx+b
:param w:
:param b:
:param num_points:
:return:
'''
vectors_set=[]
x_data=[]
y_data=[]
for i in range(num_points):
x1=np.random.normal(0.0,0.55) #横坐标,进行随机高斯处理化,以0为均值,以0.55为标准差
y1=x1*w+b+np.random.normal(0.0,0.03) #纵坐标,数据点在y1=x1*0.1+0.3上小范围浮动
vectors_set.append([x1,y1])
x_data=[v[0] for v in vectors_set]
y_data=[v[1] for v in vectors_set]
plt.scatter(x_data,y_data,c='r')
plt.show()
x_data=np.array(x_data,dtype=np.float32)
y_data=np.array(y_data,dtype=np.float32)
return x_data,y_data
def square_loss(array1,array2):
'''
使用math自定义平方损失函数:Square loss=(x-y)^2
:param array1: input x
:param array2: input y
:return:
'''
# loss=np.square(array1-array2)
square=[]
for a1,a2 in zip(array1,array2):
s=math.pow(a1-a2,2)
square.append(s)
loss=np.array(square,dtype=np.float32)
return loss
def square_loss_grad(op, grad):
'''
使用修饰器,建立梯度反向传播函数。其中op.input包含输入值、输出值,grad包含上层传来的梯度
:param op:
:param grad:
:return:
'''
x = op.inputs[0]
y = op.inputs[1]
# 计算平方损失的梯度:loss=(x-y)^2
grad_x = 2 * grad * (x - y) # 对x求导:grad_x=2(x-y)
grad_y = tf.negative(2 * grad * (x - y)) # 对y求导:grad_y=-2(x-y)
return grad_x, grad_y
def py_func_grad(func, inp, Tout, stateful=True, name=None, grad=None):
'''
Custom py_func with gradient support
:param func: 前向传播函数
:param inp: func函数的输入参数
:param Tout: func函数的输出参数
:param stateful:
:param name:
:param grad: 反向转播函数
:return:
'''
# Need to generate a unique name to avoid duplicates:
rnd_name = 'PyFuncGrad' + str(np.random.randint(0, 1E+8))
tf.RegisterGradient(rnd_name)(grad)
g = tf.get_default_graph()
with g.gradient_override_map({
"PyFunc": rnd_name,
"PyFuncStateless": rnd_name}):
return tf.py_func(func, inp, Tout, stateful=stateful, name=name)
def train_linear_regression(x_data,y_data,max_iterate):
'''
:param x_data:
:param y_data:
:param max_iterate: 最大迭代次数
:return:
'''
print("x_data.shape:{}".format(x_data.shape))
print("y_data.shape:{}:".format(y_data.shape))
# 定义线性回归模型
W = tf.Variable(tf.random_uniform([1], -1.0, 1.0), name='W') # 生成1维的W矩阵,取值是[-1,1]之间的随机数
b = tf.Variable(tf.zeros([1]), name='b') # 生成1维的b矩阵,初始值是0
y = W * x_data + b # 经过计算得出预估值y
# 定义计算图
graph = tf.get_default_graph()
# 定义均方误差
# loss = tf.reduce_mean(tf.square(y - y_data), name='loss') # 以预估值y和实际值y_data之间的均方误差作为损失
# loss = tf.reduce_mean(square_loss(y,y_data))
# loss = tf.reduce_mean(tf.py_func(square_loss, inp=[y, y_data], Tout=tf.float32))
# loss=tf.reduce_mean(my_loss(y,y_data))
loss=tf.reduce_mean(py_func_grad(square_loss, inp=[y,y_data], Tout=tf.float32, grad=square_loss_grad))
# 定义优化器
optimizer = tf.train.GradientDescentOptimizer(0.1) # 采用梯度下降法来优化参数 学习率为0.5
train = optimizer.minimize(loss, name='train') # 训练的过程就是最小化这个误差值
# 训练
with tf.Session(graph=graph) as sess:
init = tf.global_variables_initializer()
sess.run(init)
for step in range(max_iterate): # 执行20次训练
_,pre_W,pre_b,pre_loss=sess.run([train,W,b,loss])
print("step:{},W={},b={},loss={}".format(step+1,pre_W,pre_b,pre_loss))
if __name__=='__main__':
w=0.1
b=0.3
num_points=1000
max_iterate=1000
x_data, y_data=gen_data(w, b, num_points)
train_linear_regression(x_data, y_data, max_iterate)

 


推荐阅读
  • 字符、字符串和文本的处理之Char类型
    .NetFramework中处理字符和字符串的主要有以下这么几个类:(1)、System.Char类一基础字符串处理类(2)、System.String类一处理不可变的字符串(一经 ... [详细]
  • Activity跳转动画 无缝衔接
    Activity跳转动画 无缝衔接 ... [详细]
  • 深入探讨Web服务器与动态语言的交互机制:CGI、FastCGI与PHP-FPM
    本文详细解析了Web服务器(如Apache、Nginx等)与动态语言(如PHP)之间通过CGI、FastCGI及PHP-FPM进行交互的具体过程,旨在帮助开发者更好地理解这些技术背后的原理。 ... [详细]
  • 转自:http:blog.sina.com.cnsblog_67419c420100vmkt.html 1.为什么要使用blocks将一个blocks作为函数或者方法的参数传递,可 ... [详细]
  • [编程题] LeetCode上的Dynamic Programming(动态规划)类型的题目
    继上次把backTracking的题目做了一下之后:backTracking,我把LeetCode的动态规划的题目又做了一下,还有几道比较难的Medium的题和Hard的题没做出来,后面会继续 ... [详细]
  • 本文详细介绍了如何使用 HTML 和 CSS 实现一个具有动画效果的手风琴组件,包括代码示例和实现原理。 ... [详细]
  • J2EE平台集成了多种服务、API和协议,旨在支持基于Web的多层应用开发。本文将详细介绍J2EE平台中的13项关键技术规范,涵盖从数据库连接到事务处理等多个方面。 ... [详细]
  • 微信小程序支付官方参数小程序中代码后端发起支付代码支付回调官方参数文档地址:https:developers.weixin.qq.comminiprogramdeva ... [详细]
  • 深入解析Android Activity生命周期
    本文详细探讨了Android中Activity的生命周期,通过实例代码和详细的步骤说明,帮助开发者更好地理解和掌握Activity各个阶段的行为。 ... [详细]
  • 本文章利用header()函数来实现页面跳,我们介绍到404,302,301等状态跳转哦,下面有很多的状态自定的函数有需要的同学可以测试一下。heade ... [详细]
  • 本文探讨了Web API 2中特性的路由机制,特别是如何利用它来构建RESTful风格的URI。文章不仅介绍了基本的特性路由使用方法,还详细说明了如何通过特性路由进行API版本控制、HTTP方法的指定、路由前缀的应用以及路由约束的设置。 ... [详细]
  • 多用户密码验证与加密登录系统
    本文介绍了一种基于多用户密码文件的加密登录方法,通过读取用户密码文件并使用简单的加密算法实现安全登录。文中详细描述了程序的设计思路及其实现过程。 ... [详细]
  • C基本语法C程序可以定义为对象的集合,这些对象通过调用彼此的方法进行交互。现在让我们简要地看一下什么是类、对象,方法、即时变量。对象-对象具有状态和行为 ... [详细]
  • 时序数据是指按时间顺序排列的数据集。通过时间轴上的数据点连接,可以构建多维度报表,揭示数据的趋势、规律及异常情况。 ... [详细]
  • 本文主要解决了在编译CM10.2时出现的关于Samsung Exynos 4 HDMI HAL库中SecHdmiV4L2Utils.cpp文件的编译错误。 ... [详细]
author-avatar
18岁的淡淡淡色彩
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有