digit = train_loader.dataset.train_data[0]

时间: 2023-12-06 19:03:55 浏览: 141

在这段代码中,train_loader 是一个数据加载器对象,train_loader.dataset 是该加载器对应的数据集对象。train_data 是数据集对象中的一个属性,它代表训练数据。

train_loader.dataset.train_data[0] 表示访问训练数据集中的第一个样本。这里假设 train_data 是一个包含训练数据的数组或张量对象。

通过这行代码,将训练数据集中的第一个样本赋值给变量 digit。你可以在后续的代码中使用 digit 来处理或分析该样本的数据。

相关问题

请同学们尝试修改以下代码,如修改网络结构、优化器、损失函数、学习率等,提升模型评估准确率,要求精度达到0.985。 In [2] # 定义模型结构 import paddle.nn.functional as F from paddle.nn import Conv2D, MaxPool2D, Linear # 多层卷积神经网络实现(可修改,例如加深网络层级) class MNIST(paddle.nn.Layer): def init(self): super(MNIST, self).init() #

修改后的代码

import paddle.nn.functional as F import paddle.nn as nn from paddle.nn import Conv2D, MaxPool2D, Linear

class MNIST(paddle.nn.Layer): def init(self): super(MNIST, self).init() self.conv1 = Conv2D(in_channels=1, out_channels=32, kernel_size=3, stride=1) self.max_pool1 = MaxPool2D(kernel_size=2, stride=2) self.conv2 = Conv2D(in_channels=32, out_channels=64, kernel_size=3, stride=1) self.max_pool2 = MaxPool2D(kernel_size=2, stride=2) self.fc1 = Linear(in_features=6455, out_features=512) self.fc2 = Linear(in_features=512, out_features=10)

def forward(self, x):
    x = self.conv1(x)
    x = F.relu(x)
    x = self.max_pool1(x)
    x = self.conv2(x)
    x = F.relu(x)
    x = self.max_pool2(x)
    x = paddle.flatten(x, start_axis=1, stop_axis=-1)
    x = self.fc1(x)
    x = F.relu(x)
    x = F.dropout(x, p=0.5)
    x = self.fc2(x)
    return x
    

定义训练函数

def train(model): model.train() epoch_loss = 0 for batch_id, data in enumerate(train_loader()): x_data = data[0] y_data = data[1] predicts = model(x_data) loss = F.cross_entropy(predicts, y_data) loss.backward() optimizer.step() optimizer.clear_grad() epoch_loss += loss.numpy()[0] return epoch_loss / len(train_loader())

定义测试函数

def test(model): model.eval() accuracies = [] for batch_id, data in enumerate(test_loader()): x_data = data[0] y_data = data[1] predicts = model(x_data) acc = paddle.metric.accuracy(predicts, y_data) accuracies.append(acc.numpy()[0]) return np.mean(accuracies)

定义优化器

optimizer = paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters())

训练模型

EPOCH_NUM = 20 model = MNIST() train_loader = paddle.batch(paddle.dataset.mnist.train(), batch_size=64, drop_last=True) test_loader = paddle.batch(paddle.dataset.mnist.test(), batch_size=64, drop_last=True) for epoch_id in range(EPOCH_NUM): train_loss = train(model) test_acc = test(model) print("epoch_id: {}, train_loss: {}, test_acc: {}".format(epoch_id+1, train_loss, test_acc))

测试模型

acc = test(model) print("Final test acc: {}".format(acc))

预测样例

params_file_path = 'mnist.pdparams' model_dict = paddle.load(params_file_path) model.load_dict(model_dict) model.eval()

data = paddle.dataset.mnist.test()[0][0] label = paddle.dataset.mnist.test()[0][1] result = model(paddle.to_tensor(data)) print("Predict digit {}, label is {}".format(np.argmax(result.numpy()), label))

python实现1.将手写体图像数据集进行切割,然后按照数字进行分类,构建手写体数字的分类数据集。 阿拉伯数字和中文数字分别建立独立的数据集。 2.以人为单位,当70%同学的手写体数字作为训练集,剩余30%同学的作为测试集。 3.构建Pytorch的数据加载器,进行Batch方式的数据生成。

  1. 实现手写体图像数据集切割、分类

下面是一个简单的 Python 实现,可以将手写数字图像数据集按照数字进行分类,并保存到相应的文件夹中:

import os
import shutil
from PIL import Image

data_dir = '/path/to/handwritten_digits_dataset'
output_dir = '/path/to/classified_dataset'

if not os.path.exists(output_dir):
    os.makedirs(output_dir)

for filename in os.listdir(data_dir):
    if filename.endswith('.png'):
        img = Image.open(os.path.join(data_dir, filename))
        digit = filename.split('.')[0][-1]  # 获取图像文件名中的数字
        if digit.isdigit():
            output_subdir = os.path.join(output_dir, digit)
            if not os.path.exists(output_subdir):
                os.makedirs(output_subdir)
            output_path = os.path.join(output_subdir, filename)
            shutil.copyfile(os.path.join(data_dir, filename), output_path)
  1. 划分训练集和测试集

下面是一个简单的 Python 实现,可以将手写数字数据集划分为训练集和测试集,比例为 7:3:

import os
import random
import shutil

data_dir = '/path/to/classified_dataset'
train_dir = '/path/to/train_dataset'
test_dir = '/path/to/test_dataset'

if not os.path.exists(train_dir):
    os.makedirs(train_dir)

if not os.path.exists(test_dir):
    os.makedirs(test_dir)

for digit_dir in os.listdir(data_dir):
    digit_path = os.path.join(data_dir, digit_dir)
    digit_files = os.listdir(digit_path)
    random.shuffle(digit_files)
    num_train = int(len(digit_files) * 0.7)
    train_files = digit_files[:num_train]
    test_files = digit_files[num_train:]
    for filename in train_files:
        input_path = os.path.join(digit_path, filename)
        output_path = os.path.join(train_dir, filename)
        shutil.copyfile(input_path, output_path)
    for filename in test_files:
        input_path = os.path.join(digit_path, filename)
        output_path = os.path.join(test_dir, filename)
        shutil.copyfile(input_path, output_path)
  1. 构建 Pytorch 数据加载器

下面是一个简单的 Pytorch 数据加载器实现,可以对手写数字训练集和测试集进行 Batch 方式的数据生成:

import os
from PIL import Image
import torch
from torch.utils.data import Dataset, DataLoader

class HandwrittenDigitsDataset(Dataset):
    def __init__(self, data_dir):
        self.data_dir = data_dir
        self.digit_filenames = []
        for digit_dir in os.listdir(data_dir):
            digit_path = os.path.join(data_dir, digit_dir)
            digit_filenames = os.listdir(digit_path)
            self.digit_filenames += [(os.path.join(digit_path, filename), int(digit_dir)) for filename in digit_filenames]
    
    def __len__(self):
        return len(self.digit_filenames)

    def __getitem__(self, index):
        filename, digit = self.digit_filenames[index]
        img = Image.open(filename)
        img = img.convert('L')  # 转换为灰度图像
        img = img.resize((28, 28))  # 调整图像大小
        img = torch.tensor(img, dtype=torch.float32).unsqueeze(0) / 255.0  # 转换为张量,并进行归一化
        return img, digit

train_dataset = HandwrittenDigitsDataset('/path/to/train_dataset')
train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)

test_dataset = HandwrittenDigitsDataset('/path/to/test_dataset')
test_loader = DataLoader(test_dataset, batch_size=32, shuffle=False)

这里的 HandwrittenDigitsDataset 类实现了 Pytorch 的 Dataset 接口,可以在 Pytorch 的数据加载器中使用。在 __init__ 方法中,我们遍历了训练集或测试集文件夹中的所有文件,并保存了文件路径和对应的数字标签。在 __getitem__ 方法中,我们读取了图像文件,并将其转换为灰度图像、调整大小、转换为张量、进行归一化等操作。在数据加载器中,我们可以指定每个 Batch 的大小、是否随机打乱数据等参数。

向AI提问 loading 发送消息图标

相关推荐

大家在看

recommend-type

变频器设计资料中关于驱动电路的设计

关于IGBT驱动电路设计!主要介绍了三菱智能模块的应用.
recommend-type

网络信息系统应急预案-网上银行业务持续性计划与应急预案

包含4份应急预案 网络信息系统应急预案.doc 信息系统应急预案.DOCX 信息系统(系统瘫痪)应急预案.doc 网上银行业务持续性计划与应急预案.doc
recommend-type

毕业设计&课设-MATLAB的光场工具箱.zip

matlab算法,工具源码,适合毕业设计、课程设计作业,所有源码均经过严格测试,可以直接运行,可以放心下载使用。有任何使用问题欢迎随时与博主沟通,第一时间进行解答! matlab算法,工具源码,适合毕业设计、课程设计作业,所有源码均经过严格测试,可以直接运行,可以放心下载使用。有任何使用问题欢迎随时与博主沟通,第一时间进行解答! matlab算法,工具源码,适合毕业设计、课程设计作业,所有源码均经过严格测试,可以直接运行,可以放心下载使用。有任何使用问题欢迎随时与博主沟通,第一时间进行解答! matlab算法,工具源码,适合毕业设计、课程设计作业,所有源码均经过严格测试,可以直接运行,可以放心下载使用。有任何使用问题欢迎随时与博主沟通,第一时间进行解答! matlab算法,工具源码,适合毕业设计、课程设计作业,所有源码均经过严格测试,可以直接运行,可以放心下载使用。有任何使用问题欢迎随时与博主沟通,第一时间进行解答! matlab算法,工具源码,适合毕业设计、课程设计作业,所有源码均经过严格测试,可以直接运行,可以放心下载使用。有任何使用问题欢迎随
recommend-type

考研计算机408历年真题及答案pdf汇总来了 计算机考研 计算机408考研 计算机历年真题+解析09-23年

408计算机学科专业基础综合考研历年真题试卷与参考答案 真的很全!2009-2023计算机408历年真题及答案解析汇总(pdf 2009-2023计算机考研408历年真题pdf电子版及解析 2023考研408计算机真题全解 专业408历年算题大全(2009~2023年) 考研计算机408历年真题及答案pdf汇总来了 计算机考研 计算机408考研 计算机历年真题+解析09-23年 408计算机学科专业基础综合考研历年真题试卷与参考答案 真的很全!2009-2023计算机408历年真题及答案解析汇总(pdf 2009-2023计算机考研408历年真题pdf电子版及解析 2023考研408计算机真题全解 专业408历年算题大全(2009~2023年) 考研计算机408历年真题及答案pdf汇总来了 计算机考研 计算机408考研 计算机历年真题+解析09-23年 408计算机学科专业基础综合考研历年真题试卷与参考答案 真的很全!2009-2023计算机408历年真题及答案解析汇总(pdf 2009-2023计算机考研408历年真题pdf电子版及解析 2023考研408计算机真题全解 专业4
recommend-type

关于函数包的基本介绍-program management professional ( pgmp ) handbook 2013

一、关于函数包的基本介绍 名称: gstat 版本: 2.0-3 标题:空间和时空地质统计建模、预测和模拟 开发: Hadley Wickham, hadley@rstudio.com; Winston Chang, winston@rstudio.com Lionel ,Henry,Thomas Lin, Pedersen 等等 功能描述: 变差函数建模;简单、普通和通用的点或块(Co)克里格法;时空克里格法;顺序 高斯或指示器(Co)仿真;变差函数和变差函数图绘制实用函数;支持 SF和 STAR。 基于的 R版本:2.10及以上 需要同时导入的包: utils, stats, graphics, methods, lattice, sp (>= 0.9-72), zoo,spacetime (>= 1.0-0), FNN 一般与其配合使用的包: fields, maps, mapdata, maptools, rgdal (>= 0.5.2), rgeos, sf(>= 0.7-2), stars (>= 0.3-0), xts, rast 相关信息的存储地址(URL): https://github.com/r-spatial/gstat/ 编码:UTF-8 需要编译:是 作者:Edzer PebesmaAut,cre,Benedikt Graeler[Aut] 打包时间:2019-09-26 13:09:08 UTC;Edzer 二、gstat 包有哪些函数 根据资料考究,一个拓展包中的函数分为公开和不公开的,会在扩展包根目录下 的 NAMESPACE文件中定义是 否 Export,如果一个函数没有 Export,则为不公 开的函数,只能在包内部调用。下面使用 ls()函数查看所 有公开的函数,具体 如下: ####gstat包的学习 library(gstat) #加载函数包 ## Registered S3 method overwritten by 'xts': ## method from

最新推荐

recommend-type

博途1200恒压供水程序,恒压供水,一拖三,PID控制,3台循环泵,软启动工作,带超压,缺水保护,西门子1200+KTP1000触摸屏

博途1200恒压供水程序,恒压供水,一拖三,PID控制,3台循环泵,软启动工作,带超压,缺水保护,西门子1200+KTP1000触摸屏
recommend-type

基于PLC的立体车库,升降横移立体车库设计,立体车库仿真,三层三列立体车库,基于s7-1200的升降横移式立体停车库的设计,基于西门子博图S7-1200plc与触摸屏HMI的3x3智能立体车库仿真控制

基于PLC的立体车库,升降横移立体车库设计,立体车库仿真,三层三列立体车库,基于s7-1200的升降横移式立体停车库的设计,基于西门子博图S7-1200plc与触摸屏HMI的3x3智能立体车库仿真控制系统设计,此设计为现成设计,模拟PLC与触摸屏HMI联机,博图版本V15或V15V以上 此设计包含PLC程序、触摸屏界面、IO表和PLC原理图
recommend-type

锂电池化成机 姆龙NJ NX程序,NJ501-1400,威伦通触摸屏,搭载GX-JC60分支器进行分布式总线控制,ID262.OD2663等输入输出IO模块ADA801模拟量模块 全自动锂电池化成分容

锂电池化成机 姆龙NJ NX程序,NJ501-1400,威伦通触摸屏,搭载GX-JC60分支器进行分布式总线控制,ID262.OD2663等输入输出IO模块ADA801模拟量模块 全自动锂电池化成分容机,整机采用EtherCAT总线网络节点控制, 埃斯顿总线伺服,埃斯顿机器人动作控制,AD压力模拟量控制伺服电机进行定位运动,雷赛DM3E步进总线控制,触摸屏读写步进电机电流,极性,方向等参数。 触摸屏产量统计。 涵盖人机配方一键型功能,故障记录功能,st+梯形图编写,注释齐全。
recommend-type

海康无插件摄像头WEB开发包(20200616-20201102163221)

资源摘要信息:"海康无插件开发包" 知识点一:海康品牌简介 海康威视是全球知名的安防监控设备生产与服务提供商,总部位于中国杭州,其产品广泛应用于公共安全、智能交通、智能家居等多个领域。海康的产品以先进的技术、稳定可靠的性能和良好的用户体验著称,在全球监控设备市场占有重要地位。 知识点二:无插件技术 无插件技术指的是在用户访问网页时,无需额外安装或运行浏览器插件即可实现网页内的功能,如播放视频、音频、动画等。这种方式可以提升用户体验,减少安装插件的繁琐过程,同时由于避免了插件可能存在的安全漏洞,也提高了系统的安全性。无插件技术通常依赖HTML5、JavaScript、WebGL等现代网页技术实现。 知识点三:网络视频监控 网络视频监控是指通过IP网络将监控摄像机连接起来,实现实时远程监控的技术。与传统的模拟监控相比,网络视频监控具备传输距离远、布线简单、可远程监控和智能分析等特点。无插件网络视频监控开发包允许开发者在不依赖浏览器插件的情况下,集成视频监控功能到网页中,方便了用户查看和管理。 知识点四:摄像头技术 摄像头是将光学图像转换成电子信号的装置,广泛应用于图像采集、视频通讯、安全监控等领域。现代摄像头技术包括CCD和CMOS传感器技术,以及图像处理、编码压缩等技术。海康作为行业内的领军企业,其摄像头产品线覆盖了从高清到4K甚至更高分辨率的摄像机,同时在图像处理、智能分析等技术上不断创新。 知识点五:WEB开发包的应用 WEB开发包通常包含了实现特定功能所需的脚本、接口文档、API以及示例代码等资源。开发者可以利用这些资源快速地将特定功能集成到自己的网页应用中。对于“海康web无插件开发包.zip”,它可能包含了实现海康摄像头无插件网络视频监控功能的前端代码和API接口等,让开发者能够在不安装任何插件的情况下实现视频流的展示、控制和其他相关功能。 知识点六:技术兼容性与标准化 无插件技术的实现通常需要遵循一定的技术标准和协议,比如支持主流的Web标准和兼容多种浏览器。此外,无插件技术也需要考虑到不同操作系统和浏览器间的兼容性问题,以确保功能的正常使用和用户体验的一致性。 知识点七:安全性能 无插件技术相较于传统插件技术在安全性上具有明显优势。由于减少了外部插件的使用,因此降低了潜在的攻击面和漏洞风险。在涉及监控等安全敏感的领域中,这种技术尤其受到青睐。 知识点八:开发包的更新与维护 从文件名“WEB无插件开发包_20200616_20201102163221”可以推断,该开发包具有版本信息和时间戳,表明它是一个经过时间更新和维护的工具包。在使用此类工具包时,开发者需要关注官方发布的版本更新信息和补丁,及时升级以获得最新的功能和安全修正。 综上所述,海康提供的无插件开发包是针对其摄像头产品的网络视频监控解决方案,这一方案通过现代的无插件网络技术,为开发者提供了方便、安全且标准化的集成方式,以实现便捷的网络视频监控功能。
recommend-type

PCNM空间分析新手必读:R语言实现从入门到精通

![PCNM空间分析新手必读:R语言实现从入门到精通](https://opengraph.githubassets.com/6051ce2a17cb952bd26d1ac2d10057639808a2e897a9d7f59c9dc8aac6a2f3be/climatescience/SpatialData_with_R) # 摘要 本文旨在介绍PCNM空间分析方法及其在R语言中的实践应用。首先,文章通过介绍PCNM的理论基础和分析步骤,提供了对空间自相关性和PCNM数学原理的深入理解。随后,详细阐述了R语言在空间数据分析中的基础知识和准备工作,以及如何在R语言环境下进行PCNM分析和结果解
recommend-type

生成一个自动打怪的脚本

创建一个自动打怪的游戏脚本通常是针对游戏客户端或特定类型的自动化工具如Roblox Studio、Unity等的定制操作。这类脚本通常是利用游戏内部的逻辑漏洞或API来控制角色的动作,模拟玩家的行为,如移动、攻击怪物。然而,这种行为需要对游戏机制有深入理解,而且很多游戏会有反作弊机制,自动打怪可能会被视为作弊而被封禁。 以下是一个非常基础的Python脚本例子,假设我们是在使用类似PyAutoGUI库模拟键盘输入来控制游戏角色: ```python import pyautogui # 角色位置和怪物位置 player_pos = (0, 0) # 这里是你的角色当前位置 monster
recommend-type

CarMarker-Animation: 地图标记动画及转向库

资源摘要信息:"CarMarker-Animation是一个开源库,旨在帮助开发者在谷歌地图上实现平滑的标记动画效果。通过该库,开发者可以实现标记沿路线移动,并在移动过程中根据道路曲线实现平滑转弯。这不仅提升了用户体验,也增强了地图应用的交互性。 在详细的技术实现上,CarMarker-Animation库可能会涉及到以下几个方面的知识点: 1. 地图API集成:该库可能基于谷歌地图的API进行开发,因此开发者需要有谷歌地图API的使用经验,并了解如何在项目中集成谷歌地图。 2. 动画效果实现:为了实现平滑的动画效果,开发者需要掌握CSS动画或者JavaScript动画的实现方法,包括关键帧动画、过渡动画等。 3. 地图路径计算:标记在地图上的移动需要基于实际的道路网络,因此开发者可能需要使用路径规划算法,如Dijkstra算法或者A*搜索算法,来计算出最合适的路线。 4. 路径平滑处理:仅仅计算出路线是不够的,还需要对路径进行平滑处理,以使标记在转弯时更加自然。这可能涉及到曲线拟合算法,如贝塞尔曲线拟合。 5. 地图交互设计:为了与用户的交互更为友好,开发者需要了解用户界面和用户体验设计原则,并将这些原则应用到动画效果的开发中。 6. 性能优化:在实现复杂的动画效果时,需要考虑程序的性能。开发者需要知道如何优化动画性能,减少卡顿,确保流畅的用户体验。 7. 开源协议遵守:由于CarMarker-Animation是一个开源库,开发者在使用该库时,需要遵守其开源协议,合理使用代码并遵守贡献指南。 此库的文件名'CarMarker-Animation-master'表明这是一个主分支的项目,可能包含源代码文件、示例项目、文档说明等资源。开发者可以通过下载解压缩后获得这些资源,并根据提供的文档来了解如何安装和使用该库。在使用过程中,建议仔细阅读开源项目的贡献指南和使用说明,以确保库的正确集成和使用,同时也可以参与开源社区,与其他开发者共同维护和改进这一项目。"
recommend-type

5G核心网元性能瓶颈揭秘

![5G核心网元性能瓶颈揭秘](https://www.telecomhall.net/uploads/db2683/original/3X/4/a/4a76a0c1d1594eec2d2f7cad1a004b9f60e3a825.png) # 摘要 随着5G技术的发展和应用,其核心网的性能优化成为了行业关注的焦点。本文首先概述了5G核心网的架构,并对性能瓶颈进行深入分析,识别了关键的性能指标和瓶颈识别方法。通过案例分析,展示了核心网元常见的性能问题及其诊断和解决过程。随后,文章提出了多项性能优化策略,包括网络设计、系统配置调整以及新技术的应用。此外,本文探讨了安全挑战如何影响核心网的性能,
recommend-type

stm32连接红外传感器并将gsm900a短信收发实现报警

在STM32上连接红外传感器并通过GSM900A模块实现短信报警功能,可以按照以下步骤进行: ### 硬件连接 1. **红外传感器连接**: - 将红外传感器的VCC连接到STM32的3.3V或5V电源(根据传感器规格)。 - 将GND连接到STM32的地线。 - 将GSM900A的VCC连接到外部电源(通常需要2A电流,3.4V-4.4V)。 - 将GND连接到STM32的地线。 - 将TXD引脚连接到STM32的一个UART RX引脚(例如PA10)。 - 将RXD引脚连接到STM32的一个UART TX引脚(例如PA9)。 - 如果需要,可
recommend-type

C语言时代码的实现与解析

资源摘要信息:"在本次提供的文件信息中,有两个关键的文件:main.c 和 README.txt。标题和描述中的‘c代码-ce shi dai ma’可能是一个笔误或特定语境下的表述,其真实意图可能是指 'C代码 - 测试代码'。下面将分别解释这两个文件可能涉及的知识点。 首先,关于文件名 'main.c',这很可能是源代码文件,使用的编程语言是C语言。C语言是一种广泛使用的计算机编程语言,它以其功能强大、表达能力强、能够进行底层操作和高效的资源管理而著称。C语言广泛应用于操作系统、嵌入式系统、系统软件、编译器、数据库系统以及各种应用软件的开发。C语言程序通常包含一个或多个源文件,这些源文件包含函数定义、变量声明和宏定义等。 在C语言中,'main' 函数是程序的入口点,即程序从这里开始执行。一个标准的C程序至少包含一个 main 函数。该函数可以有两种形式: 1. 不接受任何参数:`int main(void) { ... }` 2. 接受命令行参数:`int main(int argc, char *argv[]) { ... }` main 函数应该返回一个整数,通常用0表示程序正常结束,非0值表示出现错误。 'c代码-ce shi dai ma' 中的 'ce shi dai ma' 部分,可能是对 '测试代码' 的音译或笔误。在软件开发中,测试代码是用来验证程序功能正确性的代码片段或测试套件。测试代码的目的是确保程序的各个部分按照预期工作,包括单元测试、集成测试、系统测试和验收测试等。 接下来是文件 'README.txt',这通常是一个文本文件,包含项目或软件的说明信息。虽然名称暗示了这是一个简单的说明文件,但它可能包含以下内容: - 软件或项目的简短描述 - 如何安装或部署软件的说明 - 如何运行程序或测试的步骤 - 软件或项目的许可证和使用条款 - 作者信息和联系方法 - 更多文档的链接或引用 在处理 README.txt 文件时,读者应该能够了解到程序的基本概念、如何编译运行程序以及可能遇到的问题及其解决方案。此外,它还可能详细说明了main.c文件中所包含的测试代码的具体作用和如何对其进行测试验证。 综上所述,两个文件共同为我们提供了一个C语言项目的概览:一个实际的源代码文件main.c,和一个说明性文档README.txt。了解这些文件将帮助我们理解项目的基础结构、测试策略和使用方法。"
手机看
程序员都在用的中文IT技术交流社区

程序员都在用的中文IT技术交流社区

专业的中文 IT 技术社区,与千万技术人共成长

专业的中文 IT 技术社区,与千万技术人共成长

关注【CSDN】视频号,行业资讯、技术分享精彩不断,直播好礼送不停!

关注【CSDN】视频号,行业资讯、技术分享精彩不断,直播好礼送不停!

客服 返回
顶部