首页self.conv1 = torch.nn.Conv2d(input_planes,planes,stride=stride,kernel_size=3,padding=1

self.conv1 = torch.nn.Conv2d(input_planes,planes,stride=stride,kernel_size=3,padding=1

时间: 2023-04-06 20:01:42 浏览: 138

这是一个关于 PyTorch 的问题，self.conv1 是一个卷积层，input_planes 是输入通道数，planes 是输出通道数，stride 是步长，kernel_size 是卷积核大小，padding 是填充大小。

阅读全文

相关推荐

class ACmix(nn.Module): def init(self, in_planes, out_planes, kernel_att=7, head=4, kernel_conv=3, stride=1, dilation=1): super(ACmix, self).init() self.in_planes = in_planes self.out_planes = out_planes self.head = head self.kernel_att = kernel_att self.kernel_conv = kernel_conv self.stride = stride self.dilation = dilation self.rate1 = torch.nn.Parameter(torch.Tensor(1)) self.rate2 = torch.nn.Parameter(torch.Tensor(1)) self.head_dim = self.out_planes // self.head self.conv1 = nn.Conv2d(in_planes, out_planes, kernel_size=1) self.conv2 = nn.Conv2d(in_planes, out_planes, kernel_size=1) self.conv3 = nn.Conv2d(in_planes, out_planes, kernel_size=1) self.conv_p = nn.Conv2d(2, self.head_dim, kernel_size=1) self.padding_att = (self.dilation * (self.kernel_att - 1) + 1) // 2 self.pad_att = torch.nn.ReflectionPad2d(self.padding_att) self.unfold = nn.Unfold(kernel_size=self.kernel_att, padding=0, stride=self.stride) self.softmax = torch.nn.Softmax(dim=1) self.fc = nn.Conv2d(3 * self.head, self.kernel_conv * self.kernel_conv, kernel_size=1, bias=False) self.dep_conv = nn.Conv2d(self.kernel_conv * self.kernel_conv * self.head_dim, out_planes, kernel_size=self.kernel_conv, bias=True, groups=self.head_dim, padding=1, stride=stride) self.reset_parameters()逐行解释代码

self.conv3 = nn.Conv2d(in_planes, out_planes, kernel_size=1) 定义三个卷积层，其中conv1和conv2用于计算注意力机制，conv3用于特征融合。 self.conv_p = nn.Conv2d(2, self.head_dim, kernel_size=1) ...

import torch import torch.nn as nn import torch.nn.functional as F from torch.autograd import Variable class Bottleneck(nn.Module): def init(self, last_planes, in_planes, out_planes, dense_depth, stride, first_layer): super(Bottleneck, self).init() self.out_planes = out_planes self.dense_depth = dense_depth self.conv1 = nn.Conv2d(last_planes, in_planes, kernel_size=1, bias=False) self.bn1 = nn.BatchNorm2d(in_planes) self.conv2 = nn.Conv2d(in_planes, in_planes, kernel_size=3, stride=stride, padding=1, groups=32, bias=False) self.bn2 = nn.BatchNorm2d(in_planes) self.conv3 = nn.Conv2d(in_planes, out_planes+dense_depth, kernel_size=1, bias=False) self.bn3 = nn.BatchNorm2d(out_planes+dense_depth) self.shortcut = nn.Sequential() if first_layer: self.shortcut = nn.Sequential( nn.Conv2d(last_planes, out_planes+dense_depth, kernel_size=1, stride=stride, bias=False), nn.BatchNorm2d(out_planes+dense_depth) ) def forward(self, x): out = F.relu(self.bn1(self.conv1(x))) out = F.relu(self.bn2(self.conv2(out))) out = self.bn3(self.conv3(out)) x = self.shortcut(x) d = self.out_planes out = torch.cat([x[:,:d,:,:]+out[:,:d,:,:], x[:,d:,:,:], out[:,d:,:,:]], 1) out = F.relu(out) return out class DPN(nn.Module): def init(self, cfg): super(DPN, self).init() in_planes, out_planes = cfg['in_planes'], cfg['out_planes'] num_blocks, dense_depth = cfg['num_blocks'], cfg['dense_depth'] self.conv1 = nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1, bias=False) self.bn1 = nn.BatchNorm2d(64) self.last_planes = 64 self.layer1 = self._make_layer(in_planes[0], out_planes[0], num_blocks[0], dense_depth[0], stride=1) self.layer2 = self._make_layer(in_planes[1], out_planes[1], num_blocks[1], dense_depth[1], stride=2) self.layer3 = self._make_layer(in_planes[2], out_planes[2], num_blocks[2], dense_depth[2], stride=2) self.layer4 = self._make_layer(in_planes[3], out_planes[3], num_blocks[3], dense_depth[3], stride=2) self.linear = nn.Linear(out_planes[3]+(num_blocks[3]+1)dense_depth[3], 10) def _make_layer(self, in_planes, out_planes, num_blocks, dense_depth, stride): strides = [stride] + 1 layers = [] for i,stride in (strides): layers.append(Bottleneck(self.last_planes, in_planes, out_planes, dense_depth, stride, i==0)) self.last_planes = out_planes + (i+2) * dense_depth return nn.Sequential(*layers) def forward(self, x): out = F.relu(self.bn1(self.conv1(x))) out = self.layer1(out) out = self.layer2(out) out = self.layer3(out) out = self.layer4(out) out = F.avg_pool2d(out, 4) out = out.view(out.size(0), -1) out = self.linear(out) return out def DPN92(): cfg = { 'in_planes': (96,192,384,768), 'out_planes': (256,512,1024,2048), 'num_blocks': (3,4,20,3), 'dense_depth': (16,32,24,128) } return DPN(cfg)基于这个程序利用pytorch框架修改成图像检测与分类输出坐标、大小和种类

nn.Linear(out_planes[3] * (num_blocks[3] + 1) * dense_depth[3], 256), nn.Linear(256, num_classes + 4) # 输出种类+4个坐标 ) 2. 修改前向传播函数。原来的前向传播函数将最后一层的输出经过线性层，...

dim_change = torch.nn.Sequential(torch.nn.Conv2d(self.input_planes,planesblock.expansion,kernel_size=1,stride=stride), torch.nn.BatchNorm2d(planesblock.expansion))

这个问题涉及到深度学习的代码实现，我可以回答。这是一个用于改变输入张量维度的代码...具体实现的功能是将输入张量的通道数从 self.input_planes 改变为 planes*block.expansion，同时可以通过 stride 参数控制步长。

AttributeError: module 'torch.nn.modules' has no attribute 'resnet50'

self.conv1 = nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3, bias=False) self.bn1 = nn.BatchNorm2d(64) self.relu = nn.ReLU(inplace=True) self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, ...

请帮我写 1通道resnest50的对比学习模型，要求不借助resnest.torch

self.conv3 = nn.Conv2d(planes, self.expansion*planes, kernel_size=1, stride=1, padding=0, bias=False) self.bn3 = nn.BatchNorm2d(self.expansion*planes) self.shortcut = nn.Sequential() if stride !=...

在不借助resnest.torch的情况下，请帮我复现resnest50模型，并且通道数改为1

return nn.Conv2d(in_planes, out_planes, kernel_size=3, stride=stride, padding=1, bias=False) class ResNeSt50(nn.Module): def __init__(self, num_classes=1000): super(ResNeSt50, self).__init__() ...

A ResNet class that is similar to torchvision's but contains the following changes: - There are now 3 "stem" convolutions as opposed to 1, with an average pool instead of a max pool. - Performs anti-aliasing strided convolutions, where an avgpool is prepended to convolutions with stride > 1 - The final pooling layer is a QKV attention instead of an average pool """

self.conv1 = nn.Conv2d(inplanes, planes, kernel_size=3, stride=stride, padding=1, bias=False) self.bn1 = nn.BatchNorm2d(planes) self.conv2 = nn.Conv2d(planes, planes, kernel_size=3, stride=1, ...

给出mobilenetv3代码示例,用torch实现

nn.Conv2d(in_planes, out_planes, kernel_size, stride, padding, groups=groups, bias=False), nn.BatchNorm2d(out_planes), Hswish() ) class SqueezeExcitation(nn.Module): def __init__(self, in_...

用torch实现CBAM注意力机制

CBAM（Convolutional Block Attention Module）是一种用于... nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1), CBAM(64), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=2, stride=2), # ... )

深度解析：Tensorflow中tf.nn.conv2d_transpose的反卷积实现

此外，HTML还支持动态和多媒体效果的实现，比如使用JavaScript库TensorFlow中的tf.nn.conv2d_transpose可以实现反卷积操作，这在网页的动态图像处理中有着广泛应用，尤其是在深度学习驱动的网页应用中。...

rime输入法-下载 RIME／中州韻輸入法引擎，是一個跨平臺的輸入法算法框架基於這一框架，Rime 開發者與其他開源社區的參與者在 Windows、macOS、Linux、Android 等平

rime输入法-下载 RIME／中州韻輸入法引擎，是一個跨平臺的輸入法算法框架。基於這一框架，Rime 開發者與其他開源社區的參與者在 Windows、macOS、Linux、Android 等平臺上創造了不同的輸入法前端實現。

深度学习项目-街景字符识别.zip

深度学习项目-街景字符识别.zip资源是一个基于深度学习技术的开源项目，旨在实现对街景图像中文字的自动识别。该项目利用卷积神经网络（CNN）和序列模型如循环神经网络（RNN），能够处理复杂的街道环境下的字符识别任务，对于智能驾驶、地图自动化标注等场景具有重要价值。项目代码经过测试运行成功，功能正常，适合计算机相关专业学生、教师或企业员工下载学习，也可作为大作业、课程设计、毕设项目等使用。本资源是学习资源，不包含安装步骤，但提供了详细的配置文件以指引模型训练和评估过程。

ruoyi-vue-pro-vben 芋道管理后台，基于 vben 最新版本，最新的 vue3 vite6 ant-design-vue 4.0 typescript 语法进行重构开发

ruoyi-vue-pro-vben 芋道管理后台，基于 vben 最新版本，最新的 vue3 vite6 ant-design-vue 4.0 typescript 语法进行重构开发，支持 springboot3 springcloud 版本。系统内置多种多种业务功能，可以用于快速你的业务系统

MATLAB实现TSO-LSSVM金枪鱼群算法优化最小二乘支持向量机多输入单输出回归预测（多指标，多图）（含完整的程序和代码详解）

内容概要：本文详细介绍了一种基于金枪鱼群优化算法（TSO）和最小二乘支持向量机（LSSVM）的多输入单输出回归预测方法。项目涵盖了背景介绍、目标与意义、挑战、特点与创新、应用领域、模型架构、模型描述与详细代码实现、结果可视化、项目结构设计、部署与应用、注意事项、未来改进方向等方面的内容。通过TSO对LSSVM的核参数及正则化参数进行优化，提高模型的预测精度和泛化能力。适合人群：具备机器学习基础知识和一定编程基础的研究人员及工程师。使用场景及目标：适用于多种领域的非线性回归预测任务，如能源消耗预测、农业产量估计、金融市场分析与预测、工业故障检测与预警、医疗诊断与健康评估等。目标是通过高效的参数优化方法提高回归预测模型的准确性和鲁棒性。阅读建议：本项目结合了理论和实践，提供了详细的代码和实验步骤，建议在理解和掌握TSO和LSSVM基本原理的基础上，边学习边实践，逐步实现模型的构建和优化。同时，关注模型在不同数据集上的表现，进一步探索和改进模型的泛化能力。

(完整数据)全国土地出让、流转与城市房价微观数据合集（三份数据）

操作系统-模拟进程调度（时间片轮转调度算法，高优先级调度算法）C语言实现-实验报告

操作系统——模拟进程调度（时间片轮转调度算法，高优先级调度算法）C语言实现

C#Excel导入学生成绩管理系统源码数据库 SQL2008源码类型 WebForm

Excel导入学生成绩管理系统源码技术特点：采用三层架构模式、数据分页、获取等均使用代码实现。注释详细、代码规范，非常适合学习。功能描述：一，可以导入和导出成绩，成绩单上的项目包括：姓名，学号，科目，班级，成绩，补考成绩，授课老师，考试日期。其中成绩和补考成绩具体情况如下： 1，计算机课程：理论成绩，实践成绩，, 2，文化课：理论， 3，英语：考试成绩，平时成绩，总成绩二，导入成绩后，系统会自动计算出该班级该科目的应考人数，实考人数，缺考人数，及格人数，不及格人数，平均分，通过率。其中平均分和率具体情况如下： 1，计算机课程：理论成绩，实践成绩，总成绩（理论和实践各占50%） 2，文化课：理论， 3，英语：考试成绩，平时成绩，总成绩（考试成绩占80%，平时成绩占20%） 4，计算机课程：理论平均分，通过率；实践平均分，通过率；总成绩的平均分，通过率。 5，文化课：理论成绩的平均分，通过率 6，英语：总成绩的平均分和通过率三：查询： 1，可以通过班级，学号，姓名，科目，及格的人和不及格的人，授课老师进行查询， 2，可以查询该班的单科成绩，

CSDN会员

开通CSDN年卡参与万元壕礼抽奖

海量 VIP免费资源千本正版电子书商城会员专享价千门课程&专栏

全年可省5,000元立即开通全年可省5,000元立即开通

最新推荐

rime输入法-下载 RIME／中州韻輸入法引擎，是一個跨平臺的輸入法算法框架基於這一框架，Rime 開發者與其他開源社區的參與者在 Windows、macOS、Linux、Android 等平

深度学习项目-街景字符识别.zip

ruoyi-vue-pro-vben 芋道管理后台，基于 vben 最新版本，最新的 vue3 vite6 ant-design-vue 4.0 typescript 语法进行重构开发

MATLAB实现TSO-LSSVM金枪鱼群算法优化最小二乘支持向量机多输入单输出回归预测（多指标，多图）（含完整的程序和代码详解）

(完整数据)全国土地出让、流转与城市房价微观数据合集（三份数据）

C语言数组操作：高度检查器编程实践

资源摘要信息: "C语言编程题之数组操作高度检查器" C语言是一种广泛使用的编程语言，它以其强大的功能和对低级操作的控制而闻名。数组是C语言中一种基本的数据结构，用于存储相同类型数据的集合。数组操作包括创建、初始化、访问和修改元素以及数组的其他高级操作，如排序、搜索和删除。本资源名为“c语言编程题之数组操作高度检查器.zip”，它很可能是一个围绕数组操作的编程实践，具体而言是设计一个程序来检查数组中元素的高度。在这个上下文中，“高度”可能是对数组中元素值的一个比喻，或者特定于某个应用场景下的一个术语。知识点1：C语言基础 C语言编程题之数组操作高度检查器涉及到了C语言的基础知识点。它要求学习者对C语言的数据类型、变量声明、表达式、控制结构（如if、else、switch、循环控制等）有清晰的理解。此外，还需要掌握C语言的标准库函数使用，这些函数是处理数组和其他数据结构不可或缺的部分。知识点2：数组的基本概念数组是C语言中用于存储多个相同类型数据的结构。它提供了通过索引来访问和修改各个元素的方式。数组的大小在声明时固定，之后不可更改。理解数组的这些基本特性对于编写有效的数组操作程序至关重要。知识点3：数组的创建与初始化在C语言中，创建数组时需要指定数组的类型和大小。例如，创建一个整型数组可以使用int arr[10];语句。数组初始化可以在声明时进行，也可以在之后使用循环或单独的赋值语句进行。初始化对于定义检查器程序的初始状态非常重要。知识点4：数组元素的访问与修改通过使用数组索引（下标），可以访问数组中特定位置的元素。在C语言中，数组索引从0开始。修改数组元素则涉及到了将新值赋给特定索引位置的操作。在编写数组操作程序时，需要频繁地使用这些操作来实现功能。知识点5：数组高级操作除了基本的访问和修改之外，数组的高级操作包括排序、搜索和删除。这些操作在很多实际应用中都有广泛用途。例如，检查器程序可能需要对数组中的元素进行排序，以便于进行高度检查。搜索功能用于查找特定值的元素，而删除操作则用于移除数组中的元素。知识点6：编程实践与问题解决标题中提到的“高度检查器”暗示了一个具体的应用场景，可能涉及到对数组中元素的某种度量或标准进行判断。编写这样的程序不仅需要对数组操作有深入的理解，还需要将这些操作应用于解决实际问题。这要求编程者具备良好的逻辑思维能力和问题分析能力。总结：本资源"c语言编程题之数组操作高度检查器.zip"是一个关于C语言数组操作的实际应用示例，它结合了编程实践和问题解决的综合知识点。通过实现一个针对数组元素“高度”检查的程序，学习者可以加深对数组基础、数组操作以及C语言编程技巧的理解。这种类型的编程题目对于提高编程能力和逻辑思维能力都有显著的帮助。

管理建模和仿真的文件

管理Boualem Benatallah引用此版本：布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学，1996年。法语。NNT：电话：00345357HAL ID：电话：00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire

【KUKA系统变量进阶】：揭秘从理论到实践的5大关键技巧

![【KUKA系统变量进阶】：揭秘从理论到实践的5大关键技巧](https://giecdn.blob.core.windows.net/fileuploads/image/2022/11/17/kuka-visual-robot-guide.jpg) 参考资源链接：[KUKA机器人系统变量手册（KSS 8.6 中文版）：深入解析与应用](https://wenku.csdn.net/doc/p36po06uv7?spm=1055.2635.3001.10343) # 1. KUKA系统变量的理论基础 ## 理解系统变量的基本概念 KUKA系统变量是机器人控制系统中的一个核心概念，它允许

如何使用Python编程语言创建一个具有动态爱心图案作为背景并添加文字'天天开心（高级版）'的图形界面？

要在Python中创建一个带动态爱心图案和文字的图形界面，可以结合使用Tkinter库（用于窗口和基本GUI元素）以及PIL（Python Imaging Library）处理图像。这里是一个简化的例子，假设你已经安装了这两个库：首先，安装必要的库： ```bash pip install tk pip install pillow ``` 然后，你可以尝试这个高级版的Python代码： ```python import tkinter as tk from PIL import Image, ImageTk def draw_heart(canvas): heart = I

基于Swift开发的嘉定单车LBS iOS应用项目解析

资源摘要信息:"嘉定单车汇(IOS app).zip" 从标题和描述中，我们可以得知这个压缩包文件包含的是一套基于iOS平台的移动应用程序的开发成果。这个应用是由一群来自同济大学软件工程专业的学生完成的，其核心功能是利用位置服务（LBS）技术，面向iOS用户开发的单车共享服务应用。接下来将详细介绍所涉及的关键知识点。首先，提到的iOS平台意味着应用是为苹果公司的移动设备如iPhone、iPad等设计和开发的。iOS是苹果公司专有的操作系统，与之相对应的是Android系统，另一个主要的移动操作系统平台。iOS应用通常是用Swift语言或Objective-C（OC）编写的，这在标签中也得到了印证。 Swift是苹果公司在2014年推出的一种新的编程语言，用于开发iOS和macOS应用程序。Swift的设计目标是与Objective-C并存，并最终取代后者。Swift语言拥有现代编程语言的特性，包括类型安全、内存安全、简化的语法和强大的表达能力。因此，如果一个项目是使用Swift开发的，那么它应该会利用到这些特性。 Objective-C是苹果公司早前主要的编程语言，用于开发iOS和macOS应用程序。尽管Swift现在是主要的开发语言，但仍然有许多现存项目和开发者在使用Objective-C。Objective-C语言集成了C语言与Smalltalk风格的消息传递机制，因此它通常被认为是一种面向对象的编程语言。 LBS（Location-Based Services，位置服务）是基于位置信息的服务。LBS可以用来为用户提供地理定位相关的信息服务，例如导航、社交网络签到、交通信息、天气预报等。本项目中的LBS功能可能包括定位用户位置、查找附近的单车、计算骑行路线等功能。从文件名称列表来看，包含的三个文件分别是： 1. ios期末项目文档.docx：这份文档可能是对整个iOS项目的设计思路、开发过程、实现的功能以及遇到的问题和解决方案等进行的详细描述。对于理解项目的背景、目标和实施细节至关重要。 2. 移动应用开发项目期末答辩.pptx：这份PPT文件应该是为项目答辩准备的演示文稿，里面可能包括项目的概览、核心功能演示、项目亮点以及团队成员介绍等。这可以作为了解项目的一个快速入门方式，尤其是对项目的核心价值和技术难点有直观的认识。 3. LBS-ofo期末项目源码.zip：这是项目的源代码压缩包，包含了完成单车汇项目所需的全部Swift或Objective-C代码。源码对于理解项目背后的逻辑和实现细节至关重要，同时也是评估项目质量、学习最佳实践、复用或扩展功能的基础。综合上述信息，"嘉定单车汇(IOS app).zip"不仅仅是一个应用程序的压缩包，它还代表了一个团队在软件工程项目中的完整工作流程，包含了项目文档、演示材料和实际编码，为学习和评估提供了一个很好的案例。

self.conv1 = torch.nn.Conv2d(input_planes,planes,stride=stride,kernel_size=3,padding=1

相关推荐

Tensorflow反卷积操作tf.nn.conv2d_transpose详解

TensorFlow中tf.nn.conv2d_transpose的反卷积实现解析

Tensorflow 1.2.0实现空洞卷积：tf.nn.atrous_conv2d详解

dim_change = torch.nn.Sequential(torch.nn.Conv2d(self.input_planes,planes*block.expansion,kernel_size=1,stride=stride), torch.nn.BatchNorm2d(planes*block.expansion))

AttributeError: module 'torch.nn.modules' has no attribute 'resnet50'

请帮我写 1通道resnest50的对比学习模型，要求不借助resnest.torch

在不借助resnest.torch的情况下，请帮我复现resnest50模型，并且通道数改为1

给出mobilenetv3代码示例,用torch实现

用torch实现CBAM注意力机制

深度解析：Tensorflow中tf.nn.conv2d_transpose的反卷积实现

rime输入法-下载 RIME／中州韻輸入法引擎，是一個跨平臺的輸入法算法框架 基於這一框架，Rime 開發者與其他開源社區的參與者在 Windows、macOS、Linux、Android 等平

深度学习项目-街景字符识别.zip

ruoyi-vue-pro-vben 芋道管理后台，基于 vben 最新版本，最新的 vue3 vite6 ant-design-vue 4.0 typescript 语法进行重构开发

MATLAB实现TSO-LSSVM金枪鱼群算法优化最小二乘支持向量机多输入单输出回归预测（多指标，多图）（含完整的程序和代码详解）

(完整数据)全国土地出让、流转与城市房价微观数据合集（三份数据）

操作系统-模拟进程调度（时间片轮转调度算法，高优先级调度算法）C语言实现-实验报告

C#Excel导入学生成绩管理系统源码数据库 SQL2008源码类型 WebForm

最新推荐

rime输入法-下载 RIME／中州韻輸入法引擎，是一個跨平臺的輸入法算法框架 基於這一框架，Rime 開發者與其他開源社區的參與者在 Windows、macOS、Linux、Android 等平

深度学习项目-街景字符识别.zip

ruoyi-vue-pro-vben 芋道管理后台，基于 vben 最新版本，最新的 vue3 vite6 ant-design-vue 4.0 typescript 语法进行重构开发

MATLAB实现TSO-LSSVM金枪鱼群算法优化最小二乘支持向量机多输入单输出回归预测（多指标，多图）（含完整的程序和代码详解）

(完整数据)全国土地出让、流转与城市房价微观数据合集（三份数据）

C语言数组操作：高度检查器编程实践

管理建模和仿真的文件

【KUKA系统变量进阶】：揭秘从理论到实践的5大关键技巧

如何使用Python编程语言创建一个具有动态爱心图案作为背景并添加文字'天天开心（高级版）'的图形界面？

基于Swift开发的嘉定单车LBS iOS应用项目解析

dim_change = torch.nn.Sequential(torch.nn.Conv2d(self.input_planes,planesblock.expansion,kernel_size=1,stride=stride), torch.nn.BatchNorm2d(planesblock.expansion))

rime输入法-下载 RIME／中州韻輸入法引擎，是一個跨平臺的輸入法算法框架基於這一框架，Rime 開發者與其他開源社區的參與者在 Windows、macOS、Linux、Android 等平

rime输入法-下载 RIME／中州韻輸入法引擎，是一個跨平臺的輸入法算法框架基於這一框架，Rime 開發者與其他開源社區的參與者在 Windows、macOS、Linux、Android 等平