def forward(self, inputs): tensor = inputs.view(-1, 1, 28, 28) #尺寸 tensor = F.relu(self.conv1(tensor)) tensor = self.pool1(tensor) tensor = F.relu(self.conv2(tensor)) tensor = self.pool2(tensor) tensor = F.relu(self.conv3(tensor)) tensor = tensor.view(-1, 7*7*120) tensor = F.relu(self.fc1(tensor)) tensor = self.fc2(tensor) return tensor 解释代码，尤其第二句

时间: 2023-11-30 14:03:48 浏览: 22
这段代码是一个神经网络模型的前向传播部分。它接受一个输入张量 `inputs`，然后通过一系列操作将其转换为一个输出张量 `tensor`。 在第二句代码中，`inputs.view(-1, 1, 28, 28)` 是对输入张量进行形状变换的操作。这里的 `-1` 表示根据输入张量的大小自动推断出第一维的大小，`1` 表示通道数（对于灰度图像来说只有一个通道），`28, 28` 表示图像的高度和宽度。 所以，这行代码的作用是将输入张量 `inputs` 变换为形状为 (batch_size, 1, 28, 28) 的四维张量，其中 `batch_size` 是输入张量中样本的数量。这种形状通常用于处理图像数据。
相关问题

def forward(self, inputs): tensor = inputs.view(-1, 3, 32, 32) tensor = F.relu(self.conv1(tensor)) tensor = self.pool1(tensor) tensor = F.relu(self.conv2(tensor)) tensor = self.pool2(tensor) tensor = F.relu(self.conv3(tensor)) # print(tensor.shape) # raise(1) tensor = tensor.view(-1, 8*8*128) tensor = F.relu(self.fc1(tensor)) tensor = self.fc2(tensor) return tensor

这段代码是一个神经网络的前向传播函数，它接受一个输入张量 `inputs`，然后通过一系列的卷积、池化和全连接操作，最终输出一个张量 `tensor`。 具体的实现过程如下： 1. 首先将输入张量 `inputs` 转换为 4 维张量，形状为 (-1, 3, 32, 32)，其中 -1 表示自动计算 batch size。 2. 对这个 4 维张量执行第一个卷积操作 `self.conv1(tensor)`，并将输出张量传递给 ReLU 激活函数 `F.relu`，得到一个新的张量 `tensor`。 3. 对这个张量执行第一个池化操作 `self.pool1(tensor)`，将其下采样到一半的大小。 4. 对这个张量执行第二个卷积操作 `self.conv2(tensor)`，并将输出张量传递给 ReLU 激活函数 `F.relu`，得到一个新的张量 `tensor`。 5. 对这个张量执行第二个池化操作 `self.pool2(tensor)`，将其下采样到原来的四分之一大小。 6. 对这个张量执行第三个卷积操作 `self.conv3(tensor)`，并将输出张量传递给 ReLU 激活函数 `F.relu`，得到一个新的张量 `tensor`。 7. 将这个张量展平成一个一维张量 `tensor.view(-1, 8*8*128)`，其中 8*8*128 是第三个卷积层输出的特征图大小。 8. 对这个一维张量执行第一个全连接操作 `self.fc1(tensor)`，并将输出张量传递给 ReLU 激活函数 `F.relu`，得到一个新的张量 `tensor`。 9. 对这个张量执行第二个全连接操作 `self.fc2(tensor)`，得到最终的输出张量 `tensor`。 整个前向传播的过程是一个从输入到输出的逐层计算过程，其中每一层都是由卷积、池化、激活函数和全连接操作组成的。通过这些操作，神经网络能够将输入张量映射到一个输出张量，从而实现对图像分类的任务。

解释这行代码tensor = inputs.view(-1, 1, 28, 28) tensor = F.relu(self.conv1(tensor))

这行代码的作用是将inputs张量变形为大小为(-1, 1, 28, 28)的张量，其中-1表示该维度的大小将根据其它维度的大小自动推断；1表示输出通道数为1；28和28表示输入图像的高和宽分别为28像素。接下来，通过调用self.conv1函数，该张量被传递给一个卷积层，以学习构建特征图并提取图像特征，最后将F.relu应用于卷积输出以获得非线性编码。

相关推荐

zip

ember-mobile-inputs：移动友好的输入助手http：//annotationsro.github.ioember-mobile-inputs

演示： : 灰烬移动输入 ... 主要是因为每个浏览器都以略有不同的方式（就UI而言）来实现它，有时并不那么好（例如Windows上Firefox中的数字输入简直令人作呕...）。 当然，它们有时有时会有点问题（看着您的Firefox......
zip

react-native-easy-inputs:React Native应用程序的输入组件

npm install react-native-easy-inputs 组件 电邮输入 import { EmailInput } from 'react-native-easy-inputs' ; < EmailInput xss=removed xss=removed xss=removed xss=removed> { console . log ( data ) ; /...
zip

Bark-JS:barcode解析条形码输入:label:以统一的GS1-128格式:package::globe_with_meridians:

树皮解析GS1-128条形码，并根据提取分类数据。 它还可以解析其他与SKU相关的格式，以将其转换为GS1中的GTIN，例如EAN-13，ITF-14和UPC-A。 如何使用它 npm install bark-js 例子 让我们假装我们扫描。 const bark ...

如何在该模型中设置weight_decay参数，来实现正则化：class MLP(torch.nn.Module): def init(self): super(MLP, self).init() self.fc1 = torch.nn.Linear(178, 100) self.relu = torch.nn.ReLU() self.fc2 = torch.nn.Linear(100, 50) self.fc3 = torch.nn.Linear(50, 5) self.dropout = torch.nn.Dropout(p=0.1) # dropout训练 def forward(self, x): out = self.fc1(x) out = self.relu(out) out = self.fc2(out) out = self.relu(out) out = self.fc3(out) out = self.dropout(out) return out

def forward(self, x): x = self.fc1(x) x = self.relu(x) x = self.fc2(x) x = self.relu(x) x = self.fc3(x) return x def regularization_loss(self): reg_loss = torch.tensor(0.).to(device) for ...

如何在下列代码中减小 Adam 优化器的学习率（lr），以防止步长过大；以及在模型中增加 Batch Normalization 层，以确保模型更稳定地收敛；class MLP(torch.nn.Module): def init(self, weight_decay=0.01): super(MLP, self).init() self.fc1 = torch.nn.Linear(178, 100) self.relu = torch.nn.ReLU() self.fc2 = torch.nn.Linear(100, 50) self.fc3 = torch.nn.Linear(50, 5) self.dropout = torch.nn.Dropout(p=0.1) self.weight_decay = weight_decay def forward(self, x): x = self.fc1(x) x = self.relu(x) x = self.fc2(x) x = self.relu(x) x = self.fc3(x) return x def regularization_loss(self): reg_loss = torch.tensor(0.).to(device) for name, param in self.named_parameters(): if 'weight' in name: reg_loss += self.weight_decay * torch.norm(param) return reg_lossmodel = MLP() criterion = torch.nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters(), lr=0.001) for epoch in range(num_epochs): for i, (inputs, labels) in enumerate(train_loader): optimizer.zero_grad() outputs = model(inputs.to(device)) loss = criterion(outputs, labels.to(device)) loss += model.regularization_loss() loss.backward() optimizer.step()

self.fc3 = torch.nn.Linear(50, 5) self.dropout = torch.nn.Dropout(p=0.1) self.weight_decay = weight_decay def forward(self, x): x = self.fc1(x) x = self.bn1(x) x = self.relu(x) x = self.fc2(x) x = ...

class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = nn.Conv2d(1, 16, kernel_size=3, stride=1, padding=1) self.conv2 = nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1) self.fc1 = nn.Linear(32 * 7 * 7, 128) self.fc2 = nn.Linear(128, 10) def forward(self, x): x = F.relu(self.conv1(x)) x = F.max_pool2d(x, 2) x = F.relu(self.conv2(x)) x = F.max_pool2d(x, 2) x = x.view(x.size(0), -1) x = F.relu(self.fc1(x)) x = self.fc2(x) return x # 创建网络实例 net = Net()class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = nn.Conv2d(1, 16, kernel_size=3, stride=1, padding=1) self.conv2 = nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1) self.fc1 = nn.Linear(32 * 7 * 7, 128) self.fc2 = nn.Linear(128, 10) def forward(self, x): x = F.relu(self.conv1(x)) x = F.max_pool2d(x, 2) x = F.relu(self.conv2(x)) x = F.max_pool2d(x, 2) x = x.view(x.size(0), -1) x = F.relu(self.fc1(x)) x = self.fc2(x) return x # 创建网络实例 net = Net()写一个尝试将数据集更改为FashionMNIST或者CIFIR10再训练模型，或对比卷积神经网络和全连接神经网络模型的预测准确度，或尝试数据增强方法的代码

x = F.relu(self.conv1(x)) x = F.max_pool2d(x, 2) x = F.relu(self.conv2(x)) x = F.max_pool2d(x, 2) x = x.view(x.size(0), -1) x = F.relu(self.fc1(x)) x = self.fc2(x) return x # 创建网络实例 ...

import torch import os import torch.nn as nn import torch.optim as optim import numpy as np import random class Net(nn.Module): def init(self): super(Net, self).init() self.conv1 = nn.Conv2d(1, 16, kernel_size=3,stride=1) self.pool = nn.MaxPool2d(kernel_size=2,stride=2) self.conv2 = nn.Conv2d(16, 32, kernel_size=3,stride=1) self.fc1 = nn.Linear(32 * 9 * 9, 120) self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, 2) def forward(self, x): x = self.pool(nn.functional.relu(self.conv1(x))) x = self.pool(nn.functional.relu(self.conv2(x))) x = x.view(-1, 32 * 9 * 9) x = nn.functional.relu(self.fc1(x)) x = nn.functional.relu(self.fc2(x)) x = self.fc3(x) return x net = Net() criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9) folder_path = 'random_matrices2' # 创建空的tensor x = torch.empty((40, 1, 42, 42)) # 遍历文件夹内的文件，将每个矩阵转化为tensor并存储 for j in range(40): for j in range(40): file_name = 'matrix_{}.npy'.format(j) file_path = os.path.join(folder_path, file_name) matrix = np.load(file_path) x[j] = torch.from_numpy(matrix).unsqueeze(0) #y = torch.cat((torch.zeros(20), torch.ones(20))) #y = torch.cat((torch.zeros(20, dtype=torch.long), torch.ones(20, dtype=torch.long))) y = torch.cat((torch.zeros(20, dtype=torch.long), torch.ones(20, dtype=torch.long)), dim=0) for epoch in range(10): running_loss = 0.0 for i in range(40): inputs = x[i] labels = y[i] optimizer.zero_grad() outputs = net(inputs) #loss = criterion(outputs, labels) loss = criterion(outputs.unsqueeze(0), labels.unsqueeze(0)) loss.backward() optimizer.step() running_loss += loss.item() print('[%d] loss: %.3f' % (epoch + 1, running_loss / 40)) print('Finished Training')报错RuntimeError: Expected target size [1, 2], got [1]怎么修改？

def forward(self, x): x = self.pool(nn.functional.relu(self.conv1(x))) x = self.pool(nn.functional.relu(self.conv2(x))) x = x.view(-1, 32 * 9 * 9) x = nn.functional.relu(self.fc1(x)) x = nn...

import torch import os import torch.nn as nn import torch.optim as optim import numpy as np import random import matplotlib.pyplot as plt class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = nn.Conv2d(1, 16, kernel_size=3,stride=1) self.pool = nn.MaxPool2d(kernel_size=2,stride=2) self.conv2 = nn.Conv2d(16, 32, kernel_size=3,stride=1) self.fc1 = nn.Linear(32 * 9 * 9, 120) self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, 2) def forward(self, x): x = self.pool(nn.functional.relu(self.conv1(x))) x = self.pool(nn.functional.relu(self.conv2(x))) x = x.view(-1, 32 * 9 * 9) x = nn.functional.relu(self.fc1(x)) x = nn.functional.relu(self.fc2(x)) x = self.fc3(x) return x net = Net() criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9) folder_path1 = 'random_matrices2' # 创建空的tensor x = torch.empty((40, 1, 42, 42)) # 遍历文件夹内的文件，将每个矩阵转化为tensor并存储 for j in range(40): for j in range(40): file_name = 'matrix_{}.npy'.format(i) file_path1 = os.path.join(folder_path1, file_name) matrix1 = np.load(file_path1) x[j] = torch.from_numpy(matrix1).unsqueeze(0) folder_path2 = 'random_label2' y = torch.empty((40, 1)) for k in range(40): for k in range(40): file_name = 'label_{}.npy'.format(i) file_path2 = os.path.join(folder_path2, file_name) matrix2 = np.load(file_path2) y[k] = torch.from_numpy(matrix2).unsqueeze(0) losses = [] for epoch in range(10): running_loss = 0.0 for i in range(40): inputs, labels = x[i], y[i] optimizer.zero_grad() outputs = net(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() losses.append(running_loss / 40) print('[%d] loss: %.3f' % (epoch + 1, running_loss / 40)) print('Finished Training') plt.plot(losses) plt.xlabel('Epoch') plt.ylabel('Loss') plt.show() 报错：

最后，在第28行的loss.backward()中，需要将labels从tensor类型转换为long类型，即loss.backward()改为loss.backward(torch.tensor([1], dtype=torch.long)). 修改后的代码如下： import torch import os ...

如何将其中测试集的loss函数收敛：class MLP(torch.nn.Module): def init(self, weight_decay=0.01): super(MLP, self).init() self.fc1 = torch.nn.Linear(178, 100) self.relu = torch.nn.ReLU() self.fc2 = torch.nn.Linear(100, 50) self.fc3 = torch.nn.Linear(50, 5) self.dropout = torch.nn.Dropout(p=0.1) self.weight_decay = weight_decay def forward(self, x): x = self.fc1(x) x = self.relu(x) x = self.fc2(x) x = self.relu(x) x = self.fc3(x) return x def regularization_loss(self): reg_loss = torch.tensor(0.).to(device) for name, param in self.named_parameters(): if 'weight' in name: reg_loss += self.weight_decay * torch.norm(param) return reg_lossmodel = MLP() criterion = torch.nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters(), lr=0.001) for epoch in range(num_epochs): for i, (inputs, labels) in enumerate(train_loader): optimizer.zero_grad() outputs = model(inputs.to(device)) loss = criterion(outputs, labels.to(device)) loss += model.regularization_loss() loss.backward() optimizer.step()

1. 增加训练周期（num_epochs），以便为模型提供更多的训练时间； 2. 减小 Adam 优化器的学习率（lr），以防止步长过大； 3. 增加批量大小（batch_size），以减少计算中的噪声； 4. 在模型中增加 Batch ...

在执行：class MLP(torch.nn.Module): def __init__(self, weight_decay=0.01): super(MLP, self).__init__() self.fc1 = torch.nn.Linear(178, 100) self.relu = torch.nn.ReLU() self.fc2 = torch.nn.Linear(100, 50) self.fc3 = torch.nn.Linear(50, 5) self.dropout = torch.nn.Dropout(p=0.1) self.weight_decay = weight_decay def forward(self, x): x = self.fc1(x) x = self.relu(x) x = self.fc2(x) x = self.relu(x) x = self.fc3(x) return x def regularization_loss(self): reg_loss = torch.tensor(0.).to(device) for name, param in self.named_parameters(): if 'weight' in name: reg_loss += self.weight_decay * torch.norm(param) return reg_lossmodel = MLP() criterion = torch.nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters(), lr=0.001) for epoch in range(num_epochs): for i, (inputs, labels) in enumerate(train_loader): optimizer.zero_grad() outputs = model(inputs.to(device)) loss = criterion(outputs, labels.to(device)) loss += model.regularization_loss() loss.backward() optimizer.step()如何将其中测试集的loss函数收敛

到最小值？ 首先，需要检查训练集和测试集的loss值是否有明显的差距，如果有，则需要增加模型复杂度或者增加训练集的数量。其次，可以尝试调整learning rate、weight decay等超参数，使模型更容易收敛。...

Q = tf.keras.layers.Dense(units, activation=tf.nn.relu)(Q) ValueError: Layer dense expects 1 inputs, but it received 3 input tensors. Inputs received: [<tf.Tensor: shape=(), dtype=int32, numpy=100>,

这个错误通常是因为您...Q = tf.keras.layers.Dense(units, activation=tf.nn.relu)(inputs) 这里，input_shape 是您期望的输入张量的形状。这样，您将确保输入张量的维度正确，并且可以避免传递不必要的参数。
PDF

ABB BES4.20.2.1-Binary Inputs.PDF

KNX说明书
zip

inputs:DocuTAP Inputs是为Vue.js构建的验证库，该库基于DocuTAP UI构建

DocuTAP Inputs是为构建的验证库，该库基于构建 特征 在组件中为Vue.js实现验证库 验证变得容易！ 只需传递一个验证器对象，如下面的用法部分所示 可以通过食用，避免使用普通样板 安装 DocuTAP输入需要以下依赖项...
zip

split-inputs:带有验证和行为的 OTP 条目拆分输入框的可定制 vanillaJS 实现

拆分输入具有基本验证和相关行为的拆分输入框或 OTP 样式框的 VanillaJS 实现。 演示和文档可。
md

FIRHQ#flow.ci#5.2 插件的 Inputs & Outputs1

后面插件需要再次使用的变量此插件需要输出显示的内容Define Template 是用通过 html 样式将 Outputs 在 flow 中更清晰的显示出来，
zip

hw1.zip_6hw.ent_6hw1.ent_building_structured design

Using the schematic Design Entry Method, design a logic circuit that has two 2-bit inputs X and Y, a 1-bit input CinOrBin, and a 1-bit control input SubAddn. When the control input SubAddn is ‘0’, ...
zip

react-inputs-toy:React.js 中不受控制的输入的玩具演示

React输入玩具 React.js 中不受控制的输入的玩具演示。 这将创建两个同步输入： 滑块被。 拖动它会立即更新。...cd react-inputs-toy npm install bower install gulp watch 然后访问http://localhost:9000/ 。

最新推荐

recommend-type

基于C/C++开发的单目控制机械臂的上位机程序+视觉识别和关节角反解+源码（高分优秀项目）

基于C/C++开发的单目控制机械臂的上位机程序+视觉识别和关节角反解+源码，适合毕业设计、课程设计、项目开发。项目源码已经过严格测试，可以放心参考并在此基础上延申使用~ 基于C/C++开发的单目控制机械臂的上位机程序+视觉识别和关节角反解+源码，适合毕业设计、课程设计、项目开发。项目源码已经过严格测试，可以放心参考并在此基础上延申使用~ 基于C/C++开发的单目控制机械臂的上位机程序+视觉识别和关节角反解+源码，适合毕业设计、课程设计、项目开发。项目源码已经过严格测试，可以放心参考并在此基础上延申使用~ 基于C/C++开发的单目控制机械臂的上位机程序+视觉识别和关节角反解+源码，适合毕业设计、课程设计、项目开发。项目源码已经过严格测试，可以放心参考并在此基础上延申使用~
recommend-type

setuptools-68.2.1-py3-none-any.whl

Python库是一组预先编写的代码模块，旨在帮助开发者实现特定的编程任务，无需从零开始编写代码。这些库可以包括各种功能，如数学运算、文件操作、数据分析和网络编程等。Python社区提供了大量的第三方库，如NumPy、Pandas和Requests，极大地丰富了Python的应用领域，从数据科学到Web开发。Python库的丰富性是Python成为最受欢迎的编程语言之一的关键原因之一。这些库不仅为初学者提供了快速入门的途径，而且为经验丰富的开发者提供了强大的工具，以高效率、高质量地完成复杂任务。例如，Matplotlib和Seaborn库在数据可视化领域内非常受欢迎，它们提供了广泛的工具和技术，可以创建高度定制化的图表和图形，帮助数据科学家和分析师在数据探索和结果展示中更有效地传达信息。
recommend-type

springboot 学生信息管理系统.zip

学生管理系统是一个典型的基于 Spring Boot 的应用程序，旨在帮助学校、教育机构或培训机构管理学生信息、课程安排、成绩等。下面我将介绍一个简单的学生管理系统的设计和实现，基于 Spring Boot 框架。 功能特点 学生信息管理 添加、编辑、删除学生信息。 查询学生信息，支持按姓名、学号等条件查询。
recommend-type

setuptools-0.9.8-py2.py3-none-any.whl

Python库是一组预先编写的代码模块，旨在帮助开发者实现特定的编程任务，无需从零开始编写代码。这些库可以包括各种功能，如数学运算、文件操作、数据分析和网络编程等。Python社区提供了大量的第三方库，如NumPy、Pandas和Requests，极大地丰富了Python的应用领域，从数据科学到Web开发。Python库的丰富性是Python成为最受欢迎的编程语言之一的关键原因之一。这些库不仅为初学者提供了快速入门的途径，而且为经验丰富的开发者提供了强大的工具，以高效率、高质量地完成复杂任务。例如，Matplotlib和Seaborn库在数据可视化领域内非常受欢迎，它们提供了广泛的工具和技术，可以创建高度定制化的图表和图形，帮助数据科学家和分析师在数据探索和结果展示中更有效地传达信息。
recommend-type

利用python的pyautogui函数实现简单的自动化操作

1.安装python3.4以上版本，并配置环境变量（目前有装3.9遇到坑的，我个人用的3.7.6） 教程：https://www.runoob.com/python3/python3-install.html 2.安装依赖包 方法：在cmd中（win+R 输入cmd 回车）输入 pip install pyperclip 回车 pip install xlrd 回车 pip install pyautogui==0.9.50 回车 pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple 回车 pip install pillow 回车 这几步如果哪步没成功，请自行百度 如 pip install opencv-python失败 3.把每一步要操作的图标、区域截图保存至本文件夹 png格式（注意如果同屏有多个相同图标，回默认找到最左上的一个，因此怎么截图，截多大的区域，是个学问，如输入框只截中间空白部分肯定是不行的，宗旨就是“唯一”） 4.在cmd.xls 的sheet1 中，配置每一步的指令，如指
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

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
recommend-type

实现实时数据湖架构：Kafka与Hive集成

![实现实时数据湖架构：Kafka与Hive集成](https://img-blog.csdnimg.cn/img_convert/10eb2e6972b3b6086286fc64c0b3ee41.jpeg) # 1. 实时数据湖架构概述** 实时数据湖是一种现代数据管理架构，它允许企业以低延迟的方式收集、存储和处理大量数据。与传统数据仓库不同，实时数据湖不依赖于预先定义的模式，而是采用灵活的架构，可以处理各种数据类型和格式。这种架构为企业提供了以下优势： - **实时洞察：**实时数据湖允许企业访问最新的数据，从而做出更明智的决策。 - **数据民主化：**实时数据湖使各种利益相关者都可
recommend-type

用 Python 画一个可以动的爱心

好的，我可以帮助您使用Python来绘制一个动态的爱心。您可以使用turtle库来实现。以下是实现代码： ```python import turtle import math # 设置画布和画笔 canvas = turtle.Screen() canvas.bgcolor("black") pencil = turtle.Turtle() pencil.speed(0) pencil.color("red", "pink") pencil.pensize(3) # 定义爱心函数 def draw_love(heart_size, x_offset=0, y_offset=0):
recommend-type

JSBSim Reference Manual

JSBSim参考手册，其中包含JSBSim简介，JSBSim配置文件xml的编写语法，编程手册以及一些应用实例等。其中有部分内容还没有写完，估计有生之年很难看到完整版了，但是内容还是很有参考价值的。