举一个知识蒸馏实际例子，如用什么样的大模型，训练什么样的小模型。告诉我相关的开源工具和论文。

时间: 2023-04-05 07:00:56 浏览: 55
可以使用BERT等大型预训练模型来训练小型模型，例如DistilBERT、TinyBERT等。其中，DistilBERT使用了知识蒸馏技术，将BERT的知识压缩到一个更小的模型中。相关的开源工具包括Hugging Face的transformers库，可以用于训练和使用这些模型。相关论文包括《DistilBERT, a distilled version of BERT: smaller, faster, cheaper and lighter》和《TinyBERT: Distilling BERT for Natural Language Understanding》。
相关问题

举一个知识蒸馏实际例子，如用什么样的大模型，训练什么样的小模型。

可以举一个知识蒸馏的实际例子，比如使用一个大型的语言模型，如GPT-3，来训练一个小型的语言模型，如BERT，以便在资源受限的设备上进行自然语言处理任务。在这个过程中，大模型可以提供更准确的预测和更广泛的知识，小模型可以更快地运行和更节省资源。

举一个知识蒸馏实际例子，如用什么样的大模型，训练什么样的小模型。代码实现方法。

可以举一个知识蒸馏的实际例子，比如使用BERT作为大模型，训练一个小模型来完成情感分类任务。具体实现方法可以先使用BERT对大规模的文本数据进行预训练，然后使用这个预训练好的BERT模型作为大模型，再使用一些标注好的数据来训练一个小模型，使得小模型能够完成情感分类任务。在训练小模型的过程中，可以使用知识蒸馏的方法，将大模型的知识传递给小模型，从而提高小模型的性能。具体的代码实现方法可以参考相关的开源工具和论文。

相关推荐

tar

yolov5目标检测模型基于响应的知识蒸馏源码+使用说明.tar

yolov5目标检测模型基于响应的知识蒸馏源码+使用说明.taryolov5目标检测模型基于响应的知识蒸馏源码+使用说明.taryolov5目标检测模型基于响应的知识蒸馏源码+使用说明.taryolov5目标检测模型基于响应的知识蒸馏源码+...
zip

MiniRBT中文小型预训练模型：结合了全词掩码（Whole Word Masking）技术和两段式知识蒸馏，加快推理速度

为了进一步促进中文信息处理的研究发展，基于自主研发的[知识蒸馏工具TextBrewer]，结合了全词掩码（Whole Word Masking）技术和知识蒸馏（Knowledge Distillation）技术推出中文小型预训练模型**MiniRBT**。
tar

yolov5_5.0版本知识蒸馏训练源码+使用说明(支持训练自己数据).tar

yolov5_5.0版本知识蒸馏训练源码+使用说明(支持训练自己数据).taryolov5_5.0版本知识蒸馏训练源码+使用说明(支持训练自己数据).taryolov5_5.0版本知识蒸馏训练源码+使用说明(支持训练自己数据).taryolov5_5.0版本...

通过知识蒸馏生成行为识别模型时，可用的已训练好的大模型和小模型有哪些？在课堂教学中使用。

可以使用已经训练好的大模型，如ResNet、VGG等，也可以使用轻量级的小模型，如MobileNet、ShuffleNet等。具体选择哪种模型，需要根据实际情况来决定，包括数据集大小、计算资源、模型精度等因素。在课堂教学中，可以根据学生的水平和课程内容选择合适的模型。

告诉我几个开源的知识蒸馏工具，并用列表的形式进行比较，包括名称、优点、缺点、使用方法等。

我可以回答这个问题。以下是几个开源的知识蒸馏工具及其比较： 1. Distiller - 优点：支持多种模型架构，易于使用，有详细的文档和示例代码。 - 缺点：需要一定的 Python 编程经验，不支持分布式训练。 - 使用方法：可以通过 pip 安装，也可以从 GitHub 上下载源代码进行安装和使用。 2. OpenNMT - 优点：支持多种模型架构和训练方式，支持分布式训练，有详细的文档和示例代码。 - 缺点：需要一定的 Python 编程经验，需要配置环境和参数。 - 使用方法：可以通过 pip 安装，也可以从 GitHub 上下载源代码进行安装和使用。 3. TensorFlow Federated - 优点：支持联邦学习和分布式训练，易于使用，有详细的文档和示例代码。 - 缺点：需要一定的 Python 编程经验，不支持所有模型架构。 - 使用方法：可以通过 pip 安装，也可以从 GitHub 上下载源代码进行安装和使用。 以上是几个开源的知识蒸馏工具及其比较。具体选择哪个工具，需要根据自己的需求和实际情况进行选择。

告诉我几个知识蒸馏工具，并进行比较，用列表的形式说明。

我可以回答这个问题。目前比较流行的知识蒸馏工具有以下几个： 1. Distiller：由 NVIDIA 开发的知识蒸馏工具，支持多种模型结构和损失函数，具有可视化界面和灵活的配置选项。 2. KDToolbox：由 Hugging Face 开发的知识蒸馏工具，支持多种模型结构和损失函数，具有易用的 API 和丰富的文档。 3. OpenKD：由微软开发的知识蒸馏工具，支持多种模型结构和损失函数，具有高效的实现和可扩展的架构。 这些工具各有优缺点，具体比较如下： | 工具名称 | 优点 | 缺点 | | --- | --- | --- | | Distiller | 支持多种模型结构和损失函数，具有可视化界面和灵活的配置选项 | 需要一定的编程能力 | | KDToolbox | 支持多种模型结构和损失函数，具有易用的 API 和丰富的文档 | 功能相对较少 | | OpenKD | 支持多种模型结构和损失函数，具有高效的实现和可扩展的架构 | 文档相对较少 | 以上是我对知识蒸馏工具的简要介绍和比较，希望能对您有所帮助。

预训练数据集数据量很大，微调数据集数据量很小，实现中文文本分词，用什么模型

对于中文文本分词任务，可以使用基于Transformer的预训练模型，如BERT、RoBERTa等。这些模型在处理中文文本方面具有很好的效果，因为它们在预训练的过程中使用了大量的中文语料。 对于微调数据集数据量很小的情况，可以采用以下策略： 1. 数据增强：通过对微调数据集进行数据增强，来扩大数据集规模，提高模型的泛化能力。例如，可以使用同义词替换、随机删除等方法。 2. 微调预训练模型的部分参数：可以选择冻结预训练模型的一部分参数，只微调部分参数，以减少微调所需的数据量。 3. 知识蒸馏：可以使用已经训练好的大模型对微调模型进行知识蒸馏，使得微调模型可以更快地收敛并取得更好的效果。 总之，对于微调数据集数据量很小的情况，需要采用一些技巧来解决数据不足的问题，以达到更好的效果。

为什么知识蒸馏模型会收敛到平凡解

知识蒸馏模型可能会收敛到平凡解的原因有几个可能性： 1. 蒸馏参数设置不当：蒸馏过程中使用的参数设置可能不适合具体的任务或数据集。例如，温度参数过高或过低，都可能导致简化模型学习到平凡解。适当调整蒸馏参数可以改善模型的性能。 2. 网络结构简化过度：为了简化模型，可能会使用比原始模型更简单的网络结构。但如果网络结构过于简单，就可能无法捕捉到原始模型中的复杂特征和知识。需要适当调整网络结构，以便在保持简化的同时仍能够保留重要的知识。 3. 数据集限制：如果用于训练简化模型的数据集与原始模型的训练数据集不同，或者数据集过小或过简单，那么简化模型可能无法充分学习到原始模型中的知识。确保使用具有代表性和多样性的数据集，可以提高简化模型的性能。 4. 蒸馏目标函数选择不当：蒸馏过程中使用的目标函数可能不适合特定任务或数据集。选择适当的目标函数可以帮助简化模型更好地学习到原始模型中的知识。 要解决这些问题，通常需要进行实验和调试，逐步优化蒸馏过程中的参数、网络结构和目标函数，以便简化模型能够更好地学习到有用的知识，而不是收敛到平凡解。

编写CLIP预训练模型知识蒸馏的代码

CLIP是一种联合训练图像和文本的预训练模型，它可以将图像和文本嵌入到一个共同的向量空间中，从而使得它们可以进行相似性比较。知识蒸馏是一种将一个大型模型的知识压缩成一个小型模型的技术，这有助于在资源受限的设备上部署模型。下面是一个简单的CLIP预训练模型知识蒸馏的代码示例： python import torch import torch.nn.functional as F from torchvision import transforms from PIL import Image # 加载 CLIP 模型 model, preprocess = torch.hub.load('openai/clip', 'clip') model.eval() # 加载要蒸馏的模型 student_model = MyStudentModel() student_model.train() # 定义优化器 optimizer = torch.optim.Adam(student_model.parameters(), lr=0.001) # 定义损失函数 def distillation_loss(teacher_output, student_output): return F.mse_loss(teacher_output, student_output) # 加载数据集 dataset = MyDataset() # 开始训练 for epoch in range(10): for images, texts in dataset: # 将图像和文本编码为 CLIP 模型的输出 image_tensor = preprocess(Image.fromarray(images)) text_tensor = clip.tokenize(texts).to(device) with torch.no_grad(): clip_features = model.encode_image(image_tensor.to(device)) clip_text_features = model.encode_text(text_tensor.to(device)) # 计算教师模型的输出 with torch.no_grad(): teacher_outputs = teacher_model(image_tensor, text_tensor) # 计算学生模型的输出 student_outputs = student_model(image_tensor, text_tensor) # 计算蒸馏损失 loss = distillation_loss(teacher_outputs, student_outputs) # 反向传播和优化 optimizer.zero_grad() loss.backward() optimizer.step() # 打印损失 print(f"Epoch {epoch}, loss={loss.item():.4f}") 这个代码示例加载了 CLIP 模型和要蒸馏的模型，并在一个数据集上进行训练。在每个训练迭代中，它将图像和文本编码为 CLIP 模型的输出，并使用教师和学生模型对它们进行编码。然后，它计算教师和学生模型之间的距离，并使用这个距离作为蒸馏损失。最后，它使用反向传播和优化器更新学生模型的参数。

大语言模型知识增强技术 知识蒸馏 课题

知识蒸馏是一种知识增强技术，已经受到越来越多的关注。在大语言模型中，知识蒸馏可以通过将一个大模型（教师模型）的知识传授给一个小模型（学生模型）来提高性能。知识蒸馏的关键问题是如何从教师模型中提取丰富的知识，并将这些知识转移到学生模型的训练中。知识蒸馏系统通常由三个主要部分组成：知识、蒸馏算法和师生架构。\[1\]\[2\] 对于大语言模型的知识蒸馏，有许多挑战需要解决。首先是知识的均等性，即如何确保从教师模型中提取的知识能够平衡地传递给学生模型。其次是蒸馏的类型，不同的蒸馏策略可以选择不同的知识传递方式，例如软标签、相似性约束等。此外，师生体系结构的设计也是一个重要的问题，需要考虑如何构建一个有效的师生模型来实现知识的传递。最后，知识蒸馏的理论基础也是一个研究的重点，研究人员正在探索知识蒸馏的原理和机制。\[2\] 关于知识蒸馏的研究和应用已经有很多论文和技术。如果你对知识蒸馏感兴趣，可以查阅《Knowledge Distillation: A Survey》这篇综述论文，或者参考这个GitHub仓库中的分类论文列表，其中包含了一系列经典的知识蒸馏技术。\[3\] #### 引用[.reference_title] - *1* *2* *3* [万字综述 | 一文读懂知识蒸馏](https://blog.csdn.net/u012347027/article/details/111415197)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

给出对CLIP预训练模型知识蒸馏的训练代码

以下是一个简单的CLIP预训练模型知识蒸馏的训练代码示例： python import torch import torch.nn.functional as F from torch.utils.data import DataLoader from transformers import CLIPModel, CLIPProcessor # 加载 CLIP 预训练模型和处理器 clip_model = CLIPModel.from_pretrained('openai/clip-vit-base-patch32') clip_processor = CLIPProcessor.from_pretrained('openai/clip-vit-base-patch32') # 加载原始数据集 train_dataset = MyDataset(...) train_dataloader = DataLoader(train_dataset, batch_size=32, shuffle=True) # 加载蒸馏数据集 teacher_dataset = MyDataset(...) teacher_dataloader = DataLoader(teacher_dataset, batch_size=32) # 定义模型和优化器 student_model = MyModel(...) optimizer = torch.optim.Adam(student_model.parameters(), lr=1e-5) # 开始训练 for epoch in range(num_epochs): student_model.train() for batch_inputs, batch_labels in train_dataloader: optimizer.zero_grad() # 计算原始模型的输出 with torch.no_grad(): batch_inputs_encoded = clip_processor(batch_inputs, return_tensors='pt', padding=True).to(device) teacher_outputs = clip_model(**batch_inputs_encoded)['logits'] # 计算蒸馏模型的输出 batch_inputs_encoded = clip_processor(batch_inputs, return_tensors='pt', padding=True).to(device) student_outputs = student_model(batch_inputs_encoded) # 计算蒸馏损失 kd_loss = F.kl_div(F.log_softmax(student_outputs / temperature, dim=1), F.softmax(teacher_outputs / temperature, dim=1), reduction='batchmean') kd_loss.backward() optimizer.step() # 在验证集上评估模型 student_model.eval() with torch.no_grad(): total_loss = 0 for batch_inputs, batch_labels in val_dataloader: batch_inputs_encoded = clip_processor(batch_inputs, return_tensors='pt', padding=True).to(device) teacher_outputs = clip_model(**batch_inputs_encoded)['logits'] student_outputs = student_model(batch_inputs_encoded) total_loss += F.kl_div(F.log_softmax(student_outputs / temperature, dim=1), F.softmax(teacher_outputs / temperature, dim=1), reduction='batchmean') avg_loss = total_loss / len(val_dataloader) print(f"Epoch {epoch+1}, Validation loss: {avg_loss:.4f}") 这个示例代码中，我们假定 MyModel 是一个待训练的模型，它的输入和 CLIP 的输入格式一致。在训练过程中，我们首先计算原始模型在原始数据集上的输出，然后计算蒸馏模型在蒸馏数据集上的输出，并将两者之间的 KL 散度作为损失函数进行优化。最后，在验证集上评估模型的质量。

知识蒸馏和模型剪枝的区别

知识蒸馏和模型剪枝是两种不同的模型压缩技术。 知识蒸馏（Knowledge Distillation）是一种通过让一个较大、较复杂的模型（教师模型）向一个较小、较简单的模型（学生模型）传递知识的方法。在知识蒸馏中，它们是对输入数据的概率分布预测，而不是硬目标（hard targets），即对应于真实标签的独热向量。学生通过这剪枝的目标是去除对模型性能影响较小的连接常见的剪枝方法包括结构剪枝、通而模型剪枝是通过减少冗余连接

小模型运行测试的时候也需要大模型运行将结果喂给小模型吗？还是说这个时候小模型单独训练

在知识蒸馏中，小模型通常是单独训练的，并且不需要大模型来进行实时的预测。相反，大模型的训练结果仅被用作小模型训练的目标或辅助信息，以帮助小模型更好地学习。一旦小模型训练完成，它可以独立地进行预测，而不需要大模型的参与。 当小模型在嵌入式设备上运行时，它可以独立地处理输入并生成输出，而无需与大型模型进行通信。这种方法可以在嵌入式设备上实现高性能和低内存占用，同时保持较高的预测准确性。因此，在测试时，小模型是单独运行的，而不需要大模型的参与。

知识蒸馏怎么压缩模型

知识蒸馏是一种通过将大型模型的知识转移给小型模型来压缩模型的技术。它可以在保持相对较高性能的同时减小模型的大小和计算量。 下面是一种常见的知识蒸馏方法： 1. 准备大型模型：首先，需要训练一个较大的模型，通常称为“教师模型”。这个模型可以是在大规模数据集上进行训练，并且有更高的复杂度和准确性。 2. 生成软标签：使用教师模型对训练数据进行预测，得到一组“软标签”。软标签是在训练数据上使用教师模型进行概率预测得到的结果。 3. 训练小型模型：接下来，使用软标签作为目标来训练一个较小的模型，通常称为“学生模型”。学生模型的结构与教师模型可能不完全相同，但目标是通过学习教师模型的预测知识来达到类似的性能。 4. 蒸馏损失函数：在训练过程中，除了使用软标签作为目标外，还使用了一种称为“蒸馏损失”的辅助损失函数。蒸馏损失函数通常用于测量学生模型的预测与教师模型的预测之间的差异。 通过这种方式，学生模型可以从教师模型中学到更多的知识，并且在保持相对较高性能的同时减小了模型的大小和计算量。 需要注意的是，知识蒸馏是一种常见的模型压缩方法，但并不是唯一的方法。还有其他技术，如剪枝、量化和分解等，可以用于压缩深度学习模型。选择合适的方法取决于具体的应用场景和需求。

模型压缩方法中，对比一下知识蒸馏和剪枝算法的优缺点

知识蒸馏和剪枝是模型压缩的两种常见方法。 知识蒸馏的优点是： 1. 可以从大型模型中转移有用的知识到小型模型，使得小型模型的性能得到提高。 2. 小型模型更容易部署到资源受限的环境中。 知识蒸馏的缺点是： 1. 需要大量的预训练数据和计算资源来训练大型模型。 2. 知识转移过程中可能会丢失一些有用的信息。 剪枝算法的优点是： 1. 可以直接在已经训练好的模型上进行剪枝，避免了额外的训练过程。 2. 剪枝后的模型具有更好的稳定性，因为其不太受噪声的影响。 剪枝算法的缺点是： 1. 剪枝的结果可能不够理想，并不能完全保证模型性能的提高。 2. 剪枝过程中可能会剪掉有用的参数，导致模型性能下降。 总体而言，知识蒸馏和剪枝算法各有其优点和缺点，在实际应用中需要根据具体情况来选择合适的方法。

是不是大模型的训练结果或者特征通过网络实时传递给小模型

在知识蒸馏中，大模型的训练结果（通常是softmax输出或隐藏层表示）被用作小模型的目标或辅助信息。这些信息可以作为小模型的监督信号，以帮助小模型更好地学习。在知识蒸馏的过程中，这些信息可以通过网络实时传递给小模型。 但是，在实际应用中，大模型和小模型通常是分开训练的。首先，我们需要训练一个大型模型，在训练过程中，我们将大模型的输出结果作为监督信号，帮助小模型进行训练。然后，我们使用这个训练好的小模型来进行推理。因此，大模型和小模型之间的信息传递通常是离线的，而不是实时传递的。

知识蒸馏可以用来给模型减枝么

是的，知识蒸馏可以用来给模型减枝。知识蒸馏是一种将复杂模型中的知识转移到简化模型中的技术。通常情况下，我们使用一个复杂的模型（教师模型）来训练一个简化的模型（学生模型）。在训练过程中，学生模型通过比较教师模型的输出和自身的输出来学习教师模型的知识。一旦学生模型学会了教师模型的知识，我们就可以丢弃教师模型，并将学生模型作为最终的模型使用。 在减枝过程中，教师模型的知识被转移到学生模型中，因此可以通过知识蒸馏来减小学生模型的复杂度。这样可以减少学生模型的参数量，降低计算和存储成本，并且提高推理速度。知识蒸馏在自然语言处理、计算机视觉等领域都取得了一定的成果。

最新推荐

干货！MySQL 数据库开发规范.docx

你真的会写一手好SQL吗？你真的深入了解数据库吗？你真的对MYSQL很理解吗？来自一线大厂资深数据库开发工程师的分享，纯粹干货，值得拥有。

基于51单片机的usb键盘设计与实现(1).doc

基于51单片机的usb键盘设计与实现(1).doc

"海洋环境知识提取与表示：专用导航应用体系结构建模"

对海洋环境知识提取和表示的贡献引用此版本：迪厄多娜·察查。对海洋环境知识提取和表示的贡献：提出了一个专门用于导航应用的体系结构。建模和模拟。西布列塔尼大学-布雷斯特，2014年。法语。NNT：2014BRES0118。电话：02148222HAL ID：电话：02148222https://theses.hal.science/tel-02148222提交日期：2019年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论文/西布列塔尼大学由布列塔尼欧洲大学盖章要获得标题西布列塔尼大学博士（博士）专业：计算机科学海洋科学博士学院对海洋环境知识的提取和表示的贡献体系结构的建议专用于应用程序导航。提交人迪厄多内·察察在联合研究单位编制（EA编号3634）海军学院

react中antd组件库里有个 rangepicker 我需要默认显示的当前月1号到最后一号的数据 要求选择不同月的时候 开始时间为一号 结束时间为选定的那个月的最后一号

你可以使用 RangePicker 的 defaultValue 属性来设置默认值。具体来说，你可以使用 moment.js 库来获取当前月份和最后一天的日期，然后将它们设置为 RangePicker 的 defaultValue。当用户选择不同的月份时，你可以在 onChange 回调中获取用户选择的月份，然后使用 moment.js 计算出该月份的第一天和最后一天，更新 RangePicker 的 value 属性。 以下是示例代码： ```jsx import { useState } from 'react'; import { DatePicker } from 'antd';

基于plc的楼宇恒压供水系统学位论文.doc

基于plc的楼宇恒压供水系统学位论文.doc

"用于对齐和识别的3D模型计算机视觉与模式识别"

表示用于对齐和识别的3D模型马蒂厄·奥布里引用此版本：马蒂厄·奥布里表示用于对齐和识别的3D模型计算机视觉与模式识别[cs.CV].巴黎高等师范学校，2015年。英语NNT：2015ENSU0006。电话：01160300v2HAL Id：tel-01160300https://theses.hal.science/tel-01160300v22018年4月11日提交HAL是一个多学科的开放获取档案馆，用于存放和传播科学研究文件，无论它们是否已这些文件可能来自法国或国外的教学和研究机构，或来自公共或私人研究中心。L’archive ouverte pluridisciplinaire博士之路博士之路博士之路在获得等级时，DOCTEURDE L'ÉCOLE NORMALE SUPERIEURE博士学校ED 386：巴黎中心数学科学Discipline ou spécialité：InformatiquePrésentée et soutenue par：马蒂厄·奥布里le8 may 2015滴度表示用于对齐和识别的Unité derechercheThèse dirigée par陪审团成员équipe WILLOW（CNRS/ENS/INRIA UMR 8548）慕尼黑工业大学（TU Munich�

valueError: Pandas data cast to numpy dtype of object. Check input data with np.asarray(data).

这个错误通常发生在使用 Pandas DataFrame 时，其中包含了一些不能被转换为数字类型的数据。 解决方法是使用 `pd.to_numeric()` 函数将数据转换为数字类型。例如： ```python import pandas as pd import numpy as np # 创建一个包含字符串和数字的 DataFrame df = pd.DataFrame({'A': ['a', 'b', 'c'], 'B': [1, 2, '3']}) # 尝试将整个 DataFrame 转换为数字类型会报错 np.asarray(df, dtype=np.float) # 使

基于VC--的五子棋程序设计与实现毕业设计.doc

基于VC--的五子棋程序设计与实现毕业设计.doc

体系结构驱动的普遍性应用程序中

体系结构驱动的普遍性应用程序的自主适应艾蒂安·甘德里勒引用此版本：艾蒂安·甘德里勒。由体系结构驱动的普遍性应用程序的自主适应。无处不在的计算。格勒诺布尔大学，2014年。法语。NNT：2014GRENM078。电话：01215004HAL ID：电话：01215004https://theses.hal.science/tel-01215004提交日期：2015年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论文要获得的等级格勒诺布尔大学博士专业：计算机科学部长令：2006年提交人艾蒂安·G·安德里尔论文由Philippe LAlanda指导由Stephanie CHollet共同指导在格勒诺布尔计算机科学实验室编写数学、信息科学与技术、计算机科学博士体系结构驱动的普遍性应用程序的自主适应论文�

STM32F103 RCT6 LCD显示正弦波并且设置可以调节振幅的触摸按键代码

以下是基于STM32F103RCT6和Keil MDK-ARM开发环境的LCD显示正弦波并且设置可以调节振幅的触摸按键代码： ```c #include "stm32f10x.h" #include "lcd.h" //LCD驱动库 #include "math.h" //数学库 #define PI 3.14159 //圆周率 void delay_ms(uint16_t n); int main(void) { float amplitude = 20; //振幅 float frequency = 1; //频率 float phase = 0; //相位