游戏AI的创造思路-技术基础-深度学习（2）

感觉坑越挖越大，慢慢填~~~~

继续上篇进行填坑，这一篇我们介绍下循环神经网络

目录

3.2. 循环神经网络（RNN）

3.2.1. 算法形成过程

3.2.2. 运行原理

3.2.3. RNN有哪些优缺点

3.2.4. RNN参数

3.2.5. 如何选择RNN模型参数

3.2.6. 算法简单示例

3.2.7. 梯度消失/爆炸问题

3.2.8. 反向传播算法（BPTT）

3.2. 循环神经网络（RNN）

循环神经网络（Recurrent Neural Network, RNN）是一类用于处理序列数据的神经网络。

3.2.1. 算法形成过程

循环神经网络的形成过程主要基于对传统神经网络结构的扩展，以适应序列数据的处理需求。

其关键特点在于网络中的循环连接，使得信息能够在网络中循环传递。

RNN的基本结构包括输入层、隐藏层和输出层，其中隐藏层具有循环连接，能够捕获并记忆序列中的时间依赖关系。

3.2.2. 运行原理

RNN的运行原理可以归纳为以下几点：

  1. 序列输入：RNN接受一系列有序的输入数据，如时间序列、文本序列等。

  2. 循环连接：RNN的隐藏层之间存在循环连接，使得网络能够维护一个“记忆”状态。这个状态包含了过去的信息，使RNN能够理解序列中的上下文信息。

  3. 时间步迭代：在每个时间步，RNN都会根据当前的输入和上一个时间步的隐藏状态来计算新的隐藏状态。这个过程会沿着序列依次进行，形成信息的循环传递。

  4. 输出：在每个时间步，RNN都可以产生一个输出，这个输出可以基于当前的隐藏状态计算得出。对于某些任务，如文本生成，RNN的输出可以直接作为下一个时间步的输入。

  5. 训练与优化：RNN的训练通常使用反向传播算法（Backpropagation Through Time, BPTT）来优化网络参数。通过最小化预测值与真实值之间的误差来更新网络权重。

3.2.3. RNN有哪些优缺点

优点：

  1. 处理序列数据能力强：RNN天然适合处理序列数据，如文本、时间序列等。由于其循环连接的结构，RNN能够捕捉序列中的时间依赖关系，从而在处理具有时序特性的数据时表现出色。

  2. 记忆能力：RNN具有记忆先前信息的能力，这使得它在处理需要上下文信息的任务时非常有用。例如，在机器翻译中，RNN能够记住源语言句子的前面部分，从而帮助生成更准确的翻译。

  3. 参数共享：RNN在每个时间步都使用相同的参数，这使得模型更加简洁且易于训练。参数共享还减少了模型需要学习的参数数量，有助于防止过拟合。

  4. 动态性：RNN可以处理变长的输入序列，这使得它在处理不同长度的数据时具有很大的灵活性。

缺点：

  1. 梯度消失/爆炸问题：在训练过程中，RNN可能会遇到梯度消失或梯度爆炸的问题。当序列长度较长时，梯度在反向传播过程中可能会逐渐消失（变得非常小），导致模型难以学习到长距离依赖关系；或者梯度可能会急剧增大（爆炸），导致模型训练不稳定。

  2. 计算效率低：由于RNN需要按时间步顺序处理输入序列，因此它不能并行化计算。这限制了RNN在处理大规模数据集时的计算效率。

  3. 难以捕捉长期依赖：尽管RNN具有一定的记忆先前信息的能力，但在实践中，它往往难以捕捉到非常长期的依赖关系。这可能是因为梯度消失问题以及RNN结构的局限性。

  4. 训练难度：RNN的训练可能比其他类型的神经网络更加困难，特别是当涉及到长序列时。需要仔细调整学习率、初始化参数等超参数以获得良好的训练效果。

为了解决RNN的这些缺点，研究者们提出了许多改进方案，如LSTM（长短期记忆网络）和GRU（门控循环单元）等变体结构，它们通过引入门控机制和记忆单元来改进RNN的性能，特别是在处理长序列和捕捉长期依赖方面取得了显著进展。（我怎么又在给自己挖坑-.-bbbbbb）

3.2.4. RNN参数

RNN模型参数主要包括以下几类，我将分点表示并进行归纳：

  1. 输入层参数：
    • 词嵌入层参数：当处理文本数据时，RNN通常需要一个词嵌入层将离散的词语转换为连续向量。这包括词汇表的大小（vocab_size）和词向量的维度（embedding_dim）。
    • 序列长度参数（seq_length）：表示输入序列的长度。不同的任务可能需要不同长度的输入序列。
    • 输入层维度参数（input_dim）：表示输入序列的维度，即每个时间步的输入特征的维度。
  2. 隐含层参数：
    • 隐含层维度参数（hidden_dim）：即RNN隐含层的维度，也就是隐含层状态的维度。这个参数的选择对模型的表达能力和表示能力有着重要影响。
    • 隐含层类型参数（cell_type）：表示RNN隐含层的类型，如简单RNN（SimpleRNN）、长短期记忆网络（LSTM）和门控循环单元（GRU）等。不同类型的隐含层具有不同的记忆能力和建模能力。
    • 隐含层层数参数（num_layers）：表示RNN模型中隐含层的层数。增加层数可以提高模型的复杂度，但也可能增加过拟合的风险。
  3. 其他参数：
    • 非线性激活函数：如tanh、ReLU等，用于增加网络的非线性表达能力。
    • 偏置（bias）：表示是否在模型中使用偏置项，通常默认为True。
    • batch_first：如果为True，则输入和输出的第一个维度将是batch size。
    • dropout：表示在层之间的dropout概率，用于防止过拟合。
    • 双向RNN（bidirectional）：表示是否为双向RNN，双向RNN可以同时考虑序列的前后信息。

这些参数的选择对RNN模型的性能有着至关重要的影响。在实际应用中，通常需要通过实验来确定最佳的参数组合。此外，当使用深度学习框架（如PyTorch或TensorFlow）实现RNN时，还可以根据框架提供的API来调整和优化这些参数。

3.2.5. 如何选择RNN模型参数

选择RNN模型参数是一个关键步骤，它直接影响模型的性能和训练效果。以下是选择RNN模型参数的具体步骤：

1. 确定隐藏层大小

  • 隐藏层神经元数量：隐藏层大小指的是RNN模型中隐藏层的神经元数量。这个参数的选择对模型的容量和性能有重要影响。
  • 选择方法：可以通过交叉验证或网格搜索等方法来尝试不同的隐藏层大小，并选择在验证集上表现最好的大小。较小的隐藏层可能会导致模型容量不足，难以捕捉序列中的复杂关系；而较大的隐藏层可能会导致模型过拟合。

2. 设置学习率

  • 学习率的作用：学习率决定了模型在每次参数更新时的步长大小，对模型的训练速度和稳定性有重要影响。
  • 选择方法：一种常见的做法是从一个较大的学习率开始训练，然后逐渐减小学习率，以帮助模型更好地收敛。此外，还可以使用学习率调度器（如指数衰减、余弦退火等）来自动调整学习率。

3. 确定迭代次数

  • 迭代次数的定义：迭代次数指的是训练过程中模型遍历整个数据集的次数。
  • 选择方法：迭代次数应根据数据集的大小、模型的复杂度和训练时间等因素来综合确定。过多的迭代次数可能导致训练时间过长，而过少的迭代次数可能导致模型未能充分学习数据的特征。

4. 选择激活函数

  • 激活函数的作用：激活函数为模型引入非线性，使得RNN能够学习到复杂的模式。
  • 常见选择：在RNN中，常见的激活函数包括tanh和ReLU等。选择合适的激活函数可以提高模型的表达能力和训练效率。

5. 考虑正则化技术

  • 正则化的目的：为了防止模型过拟合，可以考虑使用正则化技术，如L1正则化、L2正则化或dropout等。
  • 实施方法：这些技术可以在训练过程中添加到模型中，以提高模型的泛化能力。

6. 监控验证集性能

  • 重要性：在训练过程中，应始终监控模型在验证集上的性能。
  • 调整参数：如果发现模型在验证集上的性能下降或出现波动，应及时调整上述参数以优化模型性能。

选择RNN模型参数是一个迭代和优化的过程。通过不断地尝试和调整，可以找到最适合当前任务和数据集的参数组合。

3.2.6. 算法简单示例

Python示例

以下是一个简单的RNN实现示例，使用TensorFlow框架：

import tensorflow as tf  
from tensorflow.keras.models import Sequential  
from tensorflow.keras.layers import SimpleRNN, Dense  
  
# 定义RNN模型  
model = Sequential()  
model.add(SimpleRNN(50, input_shape=(None, 1)))  # 隐藏层有50个单元，输入形状为(时间步长, 特征数)  
model.add(Dense(1))  # 输出层有1个单元  
  
# 编译模型  
model.compile(optimizer='adam', loss='mse')  
  
# 假设我们有一些训练数据  
import numpy as np  
x_train = np.random.random((100, 10, 1))  # 100个样本，每个样本10个时间步，每个时间步1个特征  
y_train = np.random.random((100, 1))  # 100个样本的输出  
  
# 训练模型  
model.fit(x_train, y_train, epochs=10, batch_size=32)

C++示例

在C++中实现RNN通常需要使用专门的机器学习库，如TensorFlow C++ API。以下是一个简化的示例框架，展示如何在C++中使用TensorFlow来实现RNN（请注意，这只是一个框架示例，具体实现细节可能因TensorFlow版本和具体任务而异）：

#include "tensorflow/core/public/session.h"  
#include "tensorflow/core/platform/env.h"  
  
using namespace tensorflow;  
  
int main() {  
    // 初始化TensorFlow会话  
    Session* session;  
    Status status = NewSession(SessionOptions(), &session);  
    if (!status.ok()) { /* 处理错误 */ }  
  
    // 加载已经训练好的RNN模型（此处为伪代码）  
    GraphDef graph_def;  
    status = ReadBinaryProto(Env::Default(), "path/to/your/model.pb", &graph_def);  
    if (!status.ok()) { /* 处理错误 */ }  
    status = session->Create(graph_def);  
    if (!status.ok()) { /* 处理错误 */ }  
  
    // 准备输入数据（此处为伪代码）  
    Tensor input_tensor(DT_FLOAT, TensorShape({1, 10, 1}));  
    // 填充input_tensor数据...  
  
    // 运行RNN模型进行推断  
    std::vector<Tensor> outputs;  
    status = session->Run({{"input_placeholder", input_tensor}}, {"output_tensor"}, {}, &outputs);  
    if (!status.ok()) { /* 处理错误 */ }  
  
    // 处理输出结果  
    // ...  
  
    // 清理资源  
    session->Close();  
    delete session;  
    return 0;  
}

请注意，C++中的实现通常更加复杂，需要处理更多的底层细节。上述C++示例主要是为了展示如何在TensorFlow C++ API中加载模型和处理数据的基本流程。实际应用中，你需要根据自己的模型和数据进行相应的调整。

由于C++实现RNN涉及较多底层细节和TensorFlow C++ API的复杂使用，通常建议先在Python环境中进行模型的开发和调试，然后再考虑将模型导出为可在C++环境中使用的格式（如TensorFlow的SavedModel格式），最后在C++中进行加载和使用。

3.2.7. 梯度消失/爆炸问题

在RNN算法中，梯度消失和梯度爆炸是两个常见的问题，它们主要发生在反向传播过程中。

梯度消失产生原因：

  • 网络层次过深：在深层RNN中，误差需要通过多层网络进行反向传播。如果每一层的梯度都小于1，随着层数的增加，梯度会呈指数级衰减，最终导致梯度几乎为零。这种情况下，网络无法有效地更新权重，难以学习到长距离依赖关系。
  • 激活函数选择不当：某些激活函数（如sigmoid和tanh）的导数在大部分定义域内都较小。例如，sigmoid函数的导数最大值仅为0.25。在链式求导过程中，这些小导数会相乘，导致梯度迅速减小。

梯度爆炸产生原因：

  • 权重初始化值过大：在深度神经网络中，如果初始权重过大，反向传播时的梯度可能会变得非常大。
  • 网络结构问题：在某些网络结构中，层与层之间的梯度如果大于1并且重复相乘，梯度可能会以指数级增长。

常规解决方法

为了解决RNN中的梯度消失和梯度爆炸问题，可以采取以下策略：

  1. 选择合适的激活函数：使用如ReLU等激活函数，其导数在较大范围内保持较大值，有助于缓解梯度消失问题。

  2. 权重初始化方法：采用合适的权重初始化方法，如He初始化或Xavier初始化，以避免初始权重过大导致的梯度爆炸。

  3. 使用正则化技术：例如批归一化（Batch Normalization），可以帮助控制梯度的规模，减少梯度消失或爆炸的风险。

  4. 采用LSTM或GRU结构：这些特殊的RNN结构通过引入门控机制和记忆单元来更好地处理序列数据，从而有效缓解梯度消失和梯度爆炸问题。LSTM模型中的遗忘门、输入门和输出门协同工作，控制信息的流动和记忆的更新，使得模型能够更好地捕捉长期依赖关系。

  5. 梯度裁剪：通过设置梯度阈值，防止梯度在反向传播过程中过大增长，从而避免梯度爆炸。

3.2.8. 反向传播算法（BPTT）

RNN（循环神经网络）的训练通常使用反向传播算法（Backpropagation Through Time, BPTT）的一个变体。由于RNN处理的是序列数据，其反向传播算法需要沿着时间步进行，因此被称为“通过时间的反向传播”。在BPTT中，网络的输出误差会沿着时间反向传播，通过每个时间步，以更新网络的权重。

Python示例代码（使用PyTorch）

在Python中，使用PyTorch框架可以很方便地实现RNN的反向传播训练。以下是一个简单的示例：

import torch  
import torch.nn as nn  
import torch.optim as optim  
  
# 定义一个简单的RNN模型  
class SimpleRNN(nn.Module):  
    def __init__(self, input_size, hidden_size, output_size):  
        super(SimpleRNN, self).__init__()  
        self.rnn = nn.RNN(input_size, hidden_size, batch_first=True)  
        self.fc = nn.Linear(hidden_size, output_size)  
  
    def forward(self, x):  
        out, _ = self.rnn(x)  
        out = self.fc(out[:, -1, :])  
        return out  
  
# 模型参数和超参数  
input_size = 1  
hidden_size = 10  
output_size = 1  
learning_rate = 0.01  
num_epochs = 100  
  
# 创建模型实例、损失函数和优化器  
model = SimpleRNN(input_size, hidden_size, output_size)  
criterion = nn.MSELoss()  
optimizer = optim.SGD(model.parameters(), lr=learning_rate)  
  
# 创建一些模拟数据和标签  
x = torch.randn(1, 5, input_size)  # 假设序列长度为5  
y = torch.randn(1, output_size)    # 假设输出维度为1  
  
# 训练模型  
for epoch in range(num_epochs):  
    # 前向传播  
    outputs = model(x)  
    loss = criterion(outputs, y)  
      
    # 反向传播和优化  
    optimizer.zero_grad()          # 清空梯度  
    loss.backward()                # 反向传播  
    optimizer.step()               # 更新权重  
      
    # 打印损失  
    if (epoch+1) % 10 == 0:  
        print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item()}')

C++示例代码（使用LibTorch）

在C++中，使用LibTorch（PyTorch的C++ API）也可以实现RNN的训练。以下是一个简单的示例：

#include <torch/torch.h>  
#include <iostream>  
  
// 定义模型（与前面的Python示例相似）  
struct SimpleRNNImpl : torch::nn::Module {  
    // ...（与前面的C++示例相同）  
};  
TORCH_MODULE(SimpleRNN);  
  
int main() {  
    // 初始化、模型定义等（与前面的C++示例相同）  
    // ...  
  
    // 定义优化器和损失函数  
    torch::optim::SGD optimizer(model->parameters(), torch::optim::SGDOptions(0.01));  
    auto criterion = torch::nn::MSELoss();  
  
    // 模拟数据和标签  
    torch::Tensor x = torch::randn({1, 5, input_size});  
    torch::Tensor y = torch::randn({1, output_size});  
  
    // 训练模型  
    for (int epoch = 0; epoch < num_epochs; ++epoch) {  
        optimizer.zero_grad();  
  
        // 前向传播  
        torch::Tensor outputs = model->forward(x);  
        torch::Tensor loss = criterion(outputs, y);  
  
        // 反向传播  
        loss.backward();  
  
        // 更新权重  
        optimizer.step();  
  
        // 打印损失  
        if ((epoch + 1) % 10 == 0) {  
            std::cout << "Epoch [" << epoch + 1 << "/" << num_epochs << "], Loss: " << loss.item() << std::endl;  
        }  
    }  
  
    return 0;  
}

这两个示例展示了如何使用PyTorch和LibTorch来训练一个简单的RNN模型。注意，在实际应用中，你可能需要处理更复杂的数据集、调整模型架构和超参数，并添加其他训练技巧（如早停、正则化等）以优化模型性能。

先写到这里，后面慢慢聊~~~

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mfbz.cn/a/742427.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

【Playwright+Python】—— 环境搭建及脚本录制！

【Playwright+Python】—— 环境搭建及脚本录制！

前言 看到这个文章&#xff0c;有的同学会说&#xff1a; 静姐&#xff0c;你为啥不早早就写完python系列的文章。 因为有徒弟需要吧&#xff0c;如果你也想学自学&#xff0c;那这篇文章&#xff0c;可以说是我们结缘一起学习的开始吧&#xff01; 如果对你有用&#xff0…
阅读更多...
Qt开发 | Qt界面布局 | 水平布局 | 竖直布局 | 栅格布局 | 分裂器布局 | setLayout使用 | 添加右键菜单 | 布局切换与布局删除重构

Qt开发 | Qt界面布局 | 水平布局 | 竖直布局 | 栅格布局 | 分裂器布局 | setLayout使用 | 添加右键菜单 | 布局切换与布局删除重构

文章目录 一、Qt界面布局二、Qt水平布局--QHBoxLayout三、Qt竖直布局四、Qt栅格布局五、分裂器布局代码实现六、setLayout使用说明七、布局切换与布局删除重构1.如何添加右键菜单2.布局切换与布局删除重构 一、Qt界面布局 Qt的界面布局类型可分为如下几种 水平布局&#xff08;…
阅读更多...
Python+Pytest+Allure+Yaml接口自动化测试框架详解

Python+Pytest+Allure+Yaml接口自动化测试框架详解

PythonPytestAllureYaml接口自动化测试框架详解 编撰人&#xff1a;CesareCheung 更新时间&#xff1a;2024.06.20 一、技术栈 PythonPytestAllureYaml 版本要求&#xff1a;Python3.7.0,Pytest7.4.4,Allure2.18.1,PyYaml6.0 二、环境配置 1、安装python3.7&#xff0c;并配置…
阅读更多...
解析分子筛自动填充高原制氧机的工作原理及优势

解析分子筛自动填充高原制氧机的工作原理及优势

在高原地区&#xff0c;由于空气稀薄&#xff0c;氧气含量相对较低&#xff0c;这给人们的生活、工作和学习带来了诸多不便。为了解决这个问题&#xff0c;高原制氧机应运而生&#xff0c;其中分子筛自动填充高原制氧机以其高效、稳定、安全的特点受到了广泛的关注和应用。 一、…
阅读更多...
CRMEB 多门店后台登录入口地址修改（默认admin）

CRMEB 多门店后台登录入口地址修改（默认admin）

一、>2.4版本 1、修改后端 config/admin.php 配置文件,为自定义的后缀 2、修改 平台后台前端源码中 view/admin/src/settings.js 文件,修改为和上面一样的配置 3、修改后重新打包前端代码,并且覆盖到后端的 public 目录下&#xff1a;打包方法 4、重启swoole 二、<2.4版…
阅读更多...
蒙特卡洛树搜索

蒙特卡洛树搜索

蒙特卡洛树搜索入门---强化学习 - 知乎蒙特卡洛树搜索&#xff08;Monte Carlo tree search&#xff09;简称MCTS&#xff0c;和一般的蒙特卡洛方法不是一个概念。通俗的理解&#xff0c;蒙特卡洛方法是随机现象中用频率来近似概率&#xff0c;模拟次数越多&#xff0c;结果越准…
阅读更多...
从 Hadoop 迁移，无需淘汰和替换

从 Hadoop 迁移，无需淘汰和替换

我们仍然惊讶于有如此多的客户来找我们&#xff0c;希望从HDFS迁移到现代对象存储&#xff0c;如MinIO。我们现在以为每个人都已经完成了过渡&#xff0c;但每周&#xff0c;我们都会与一个决定进行过渡的主要、高技术性组织交谈。 很多时候&#xff0c;在这些讨论中&#xff…
阅读更多...
项目实训-vue（十一）

项目实训-vue（十一）

项目实训-vue&#xff08;十一&#xff09; 文章目录 项目实训-vue&#xff08;十一&#xff09;1.概述2.页顶导航栏3.导航信息4.总结 1.概述 本篇博客将记录我在图片上传页面中的工作。 2.页顶导航栏 <divstyle"display: flex;justify-content: space-between;alig…
阅读更多...
打造智能家居：用ESP32轻松实现无线控制与环境监测

打造智能家居：用ESP32轻松实现无线控制与环境监测

ESP32是一款集成了Wi-Fi和蓝牙功能的微控制器&#xff0c;广泛应用于物联网项目。它由Espressif Systems公司开发&#xff0c;具有强大的处理能力和丰富的外设接口。下面我们将详细介绍ESP32的基础功能和引脚功能&#xff0c;并通过具体的实例项目展示其应用。 主要功能 双核处…
阅读更多...
网络安全协议

网络安全协议

1. 概述 1.1 网络安全需求 五种需求&#xff1a; 机密性&#xff1a;防止数据未授权公开&#xff0c;让消息对无关听众保密 完整性&#xff1a;防止数据被篡改 可控性&#xff1a;限制对网络资源&#xff08;硬件和软件&#xff09;和数据&#xff08;存储和通信&#xff0…
阅读更多...
「2024中国数据要素产业图谱1.0版」重磅发布，景联文科技凭借高质量数据采集服务入选！

「2024中国数据要素产业图谱1.0版」重磅发布，景联文科技凭借高质量数据采集服务入选！

近日&#xff0c;景联文科技入选数据猿和上海大数据联盟发布的《2024中国数据要素产业图谱1.0版》数据采集服务板块。 景联文科技是专业数据服务公司&#xff0c;提供从数据采集、清洗、标注的全流程数据解决方案&#xff0c;协助人工智能企业解决整个AI链条中数据采集和数据标…
阅读更多...
Kendryte K210 固件烧录

Kendryte K210 固件烧录

本章将为读者介绍 Kendryte K210 的固件烧录&#xff0c;以及 Kendryte K210 外部 NOR Flash 的空间 分布。 本章分为如下几个小节&#xff1a; 6.1 外部 NOR Flash 的空间分布 6.2 Ubuntu 下的固件烧录 6.3 Windows 下的固件烧录 外部 NOR Flash 的空间分布 Kendryte K210 的…
阅读更多...
如何以管理员身份运行CMD？

如何以管理员身份运行CMD？

好久没更新博客了&#xff0c;今天在日常使用中遇到了一个问题&#xff0c;顺便记录下来。 据说国内的谷歌浏览器 Chrome 可以自动升级了&#xff0c;终于不用每次都自己跑去官网下载最新版本&#xff0c;然后安装迁移&#xff0c;重复劳动。下一篇讲如何讲迁移 Chrome&#x…
阅读更多...
【Python】已解决：Python读取字典查询键报错“KeyError: ‘d‘”

【Python】已解决：Python读取字典查询键报错“KeyError: ‘d‘”

文章目录 一、分析问题背景二、可能出错的原因三、错误代码示例四、正确代码示例五、注意事项 已解决&#xff1a;Python读取字典查询键报错“KeyError: ‘d’” 一、分析问题背景 在Python编程中&#xff0c;字典&#xff08;dictionary&#xff09;是一种非常重要的数据结构…
阅读更多...
源码分析过滤器与拦截器的区别

源码分析过滤器与拦截器的区别

博主最近刚拿到一个微服务的新项目&#xff0c;边研究边分析从框架基础开始慢慢带领大家研究微服务的一些东西&#xff0c;这次给大家分析下Springboot中的过滤器和拦截器的区别。虽然上次分析过过滤器&#xff0c;但是主要是分析的cas流程&#xff0c;所以就没太深入&#xff…
阅读更多...
[创业之路-129] ：制造业企业的必备管理神器-ERP-生产制造

[创业之路-129] ：制造业企业的必备管理神器-ERP-生产制造

目录 一、ERP生产制造的总体架构 1.1 主要功能模块 1.2 主要流程 二、关键功能详解 2.1 生产管理计划 2.2 物料需求计划MRP 2.3 能力需求计划 2.4 物料与库房管理 一、ERP生产制造的总体架构 1.1 主要功能模块 ERP&#xff08;企业资源计划&#xff09;生产制造系统主…
阅读更多...
微信小程序修改应用名称

微信小程序修改应用名称

1、修改名称&#xff08;10分钟即可生效&#xff09; 账号管理员 2、修改icon&#xff08;如果logo带有名称则需要修改&#xff09;
阅读更多...
零基础STM32单片机编程入门(二)GPIO详解及驱动LED灯实战含源码视频

零基础STM32单片机编程入门(二)GPIO详解及驱动LED灯实战含源码视频

文章目录 一.概要二.STM32F103C8T6单片机GPIO口特点二.STM32单片机GPIO内部结构图三.单片机GPIO推挽输出信号流向四.单片机GPIO浮空输入信号流向四.单片机GPIO引脚的复用以及重映射五.CubeMX配置一个GPIO输出驱动LED灯例程六.CubeMX工程源代码下载七.讲解视频链接地址八.小结 一…
阅读更多...
MATLAB基础应用精讲-【数模应用】协方差分析 (ANCOVA)

MATLAB基础应用精讲-【数模应用】协方差分析 (ANCOVA)

目录 几个高频面试题目 协方差分析和多因素方差分析区别 因子方差分析和协方差分析对比 情景1 因子方差分析的主要内容 SPSS实现因子方差分析 情景2 协方差分析的主要内容 SPSS中进行协方差分析 几个相关概念 算法原理 什么是协方差分析 算法特点 ANCOVA 的步骤 …
阅读更多...
如何处理消息积压问题

如何处理消息积压问题

什么是MQ消息积压&#xff1f; MQ消息积压是指消息队列中的消息无法及时处理和消费&#xff0c;导致队列中消息累积过多的情况。 消息积压后果&#xff1a; ①&#xff1a;消息不能及时消费&#xff0c;导致任务不能及时处理 ②&#xff1a;下游消费者处理大量的消息任务&#…
阅读更多...
最新文章

Copyright @ 2022~2023

友情链接： 我的编程经验分享 一条长河网 尧图网站开发 尧图建网站