简介2023年春季学期复旦大学人工智能A实验的代码与报告归档面向正在修读人工智能课程实验的高校学生也适合希望通过完整课程作业补齐机器学习、深度学习动手环节的自学者。压缩包共52个文件以43个Python脚本为主体涵盖各次实验与Project的实现另有4份Markdown说明、3份PDF实验报告及2个zip数据集包整体约2.35MB按lab1、lab2与Part1、Part3等实验模块分目录组织结构清晰便于按进度检索。内容涉及基础实验实现、命名实体识别NER等项目任务并附实验报告与项目说明文档读者可对照复现实验流程、核对运行结果、参考报告写法与项目组织方式。目前已有108人学习下载适合作为课程实验的参考实现与报告撰写范本。1. 人工智能 A 实验的知识地图一条从数据到评估的主线人工智能 A 实验这门课很多人以为是拿 Python 调几个库跑通就交差真做下来才发现它考的是「数据 → 模型 → 评估」整条链路的完整性。这份 2023 年春季的课程资料包把这条链路拆成几块NumPy 与 Pandas 的数据底座、线性回归与逻辑回归的手写实现、决策树与集成模型、两层神经网络的反向传播最后收在指标计算与实验报告上。它适合三类人理论课听懂了但一上手就卡住的人、正在补实验报告的人、以及想把机器学习基础重新过一遍的复习者。整张地图只有五层——数据层、算法层、框架层、评估层、复现层后面每一章对应撕开一层看。真正拉开分数的从来不是模型多花哨而是这五层有没有对齐。2. Python 实验底座NumPy、Pandas 与数据预处理的三件事这门课的第一道坎从来不是算法而是数据。多数人第一次实验卡住报错信息指向的不是模型是形状对不上、索引乱了、缺失值没处理。Python 在这门课里的角色是「把数学式子翻译成能跑的数组运算」所以 NumPy 和 Pandas 不是可选工具而是整条链路的地基。这一层做扎实后面的回归、树模型、神经网络才有稳定的输入。具体到实验里数据底座要解决三件事把原始表格变成数值矩阵、把数值矩阵按列做统一尺度、把数据切成训练与验证两部分且不能串味。这三件事在课程资料里分散在好几次实验的开头很多人图快直接抄一段预处理代码结果每次换数据集就重新踩坑。梳理下来会发现只要把「轴的方向」「索引的含义」「拟合的边界」这三个概念钉死预处理代码基本可以复用到课程结束。2.1 NumPy 的轴与广播实验里最容易写错的地方NumPy 的核心只有两个概念axis和广播。axis0表示沿行方向压缩也就是对每一列求统计量axis1表示沿列方向压缩对每一行求统计量。这个概念在作业里会以各种形式出现——求每个特征的均值用axis0求每个样本的范数用axis1写反了不会报错只会得到一个形状不匹配或语义完全错误的结果属于典型的「静默翻车」。import numpy as np # X 的形状是 (n_samples, n_features)一行一个样本 mu X.mean(axis0, keepdimsTrue) # 结果形状 (1, n_features) sigma X.std(axis0, keepdimsTrue) # 同样保持二维避免后续广播错位 X_std (X - mu) / (sigma 1e-8) # 加极小值防止某列方差为 0 时除零这段代码里keepdimsTrue是关键参数。不加它mu的形状会退化成(n_features,)跟(n_samples, n_features)相减时靠广播还能算对但一旦后面要跟权重矩阵做乘法或者要拼接到别的二维数组里形状就会突然对不上报错信息还指向别的行。加1e-8是血泪经验某些特征列在训练集上恰好是常数比如某个二值特征全为 0标准差为 0不处理就整列变成nan最后模型输出的 loss 全是nan排查半天才发现源头在预处理。广播规则本身不复杂从最后一维往前对齐维度相等或其中一个为 1 就能算否则报错。真正容易错的是「想当然以为它会按样本对齐」。写矩阵运算时养成习惯动手前先在纸上标一遍每个变量的形状比事后 debug 快得多。2.2 Pandas 的清洗套路缺失值、类型与索引Pandas 在实验里的典型任务是读 CSV、处理缺失值、把类别列转成数值、重置索引。这几步看起来机械但每一步都有容易忽略的默认行为。read_csv默认会把某些字符串识别成NaN比如NA、null如果数据里恰好有个类别叫NA它就被悄悄吃掉了fillna不加inplace或赋值等于什么都没做dropna默认丢弃任何含缺失值的行一次丢太多样本量骤降后面的评估指标全都不稳。import pandas as pd df pd.read_csv(data.csv, na_values[, , ?]) # 显式声明哪些算缺失 df[age] pd.to_numeric(df[age], errorscoerce) # 转不动的置为 NaN不抛异常 df[city] df[city].fillna(unknown) # 类别列单独填别用均值 df df.dropna(subset[label]).reset_index(dropTrue) # 标签缺失的行必须删索引要重置这里有几个参数值得记住na_values让你掌控「什么算缺失」不被默认规则误伤errorscoerce让类型转换失败时变成NaN而不是直接抛异常方便先跑通再回头查脏数据reset_index(dropTrue)在删除行之后必须调用否则原索引会留空洞后面用.loc定位或者跟另一个表做对齐时会出现莫名其妙的错位。类别列用众数或固定字符串填充而不是均值是因为对类别做算术平均本身没有意义这一点在实验报告里也常被追问。2.3 从原始表到特征矩阵标准化与划分的边界预处理最后一步是把 DataFrame 变成(X, y)两个数组然后切分。这里的重点是顺序先切分、再标准化绝不能先对全量数据做标准化再切分。原因很直接全量标准化时测试集的均值和方差已经泄漏进了训练过程模型在验证集上的分数会虚高实验报告里写出来的准确率就不可信。这个坑在课程实验里出现频率极高而且不会报错属于「分数好看但方法错了」的类型。from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, # 留出 20% 做测试 random_state42, # 固定随机种子保证结果可复现 stratifyy, # 按标签比例分层避免小类别在某一侧消失 )stratifyy在类别不均衡的数据上几乎是必选项。不加它某个只占 5% 的类别有可能在测试集里只剩两三个样本评估指标随机波动极大同一次实验换个种子结论就反了。random_state则是复现的前提实验报告里如果没写种子别人包括一周后的自己跑出来的数对不上整份报告的可信度就打折。3. 监督学习两大件回归与分类的实验重点课程中段的实验围绕监督学习展开主线是「先手写、再调库」。手写是为了看清损失函数和梯度到底长什么样调库是为了理解工程上怎么组织一条可复用的训练流程。这两件事缺一不可只调库遇到 loss 不降时完全不知道从哪查只手写写不出能在真实数据上跑出合理结果的代码。这一章的重点不在公式推导而在「参数怎么改、失败了看什么」。3.1 线性回归与逻辑回归损失函数与梯度下降的手写实现线性回归的损失是均方误差逻辑回归的损失是交叉熵两者的梯度形式恰好都能写成「预测值减真实值」乘上特征这个巧合让手写实现的代码结构高度一致。实验里通常要求用批量梯度下降把逻辑回归训练出来重点是搞清楚学习率、迭代次数、正则项三个参数各自影响什么。import numpy as np def train_logistic(X, y, lr0.1, epochs500, l21e-3): n, d X.shape w np.zeros(d) # 权重初始化为 0逻辑回归是凸问题不怕对称 b 0.0 # 偏置单独存不塞进权重向量 history [] for _ in range(epochs): z X w b p 1.0 / (1.0 np.exp(-z)) # sigmoid把实数压到 (0,1) loss -np.mean(y * np.log(p 1e-12) (1 - y) * np.log(1 - p 1e-12)) l2 * np.sum(w ** 2) gw X.T (p - y) / n 2 * l2 * w # 数据梯度 正则梯度 gb np.mean(p - y) w - lr * gw b - lr * gb history.append(loss) return w, b, historylr太大loss 会在几步之内跳到inf或者来回震荡太小五百轮下来 loss 几乎没动看起来像「模型不学习」实际是步子迈得太小。判断方法很朴素把history画出来正常曲线是前期快速下降、后期缓慢收敛如果曲线是一条几乎水平的线先怀疑学习率如果是锯齿状上下跳也是学习率问题往小调一个数量级再试。l2控制权重衰减强度取值过大时训练集和测试集的分数会一起变低欠拟合取值过小则测试集分数明显低于训练集过拟合实验里通常扫几个量级观察这个趋势。p 1e-12这个写法不是多余的。当某个样本被预测得极度自信却预测错时log(0)会给出-inf整个 loss 变成nan后面所有梯度都是nan模型直接废掉。加一个极小值把对数拉回有限区间是数值稳定的常规手段。3.2 决策树与集成参数、剪枝与特征重要性树模型的实验重点跟线性模型完全不同它不靠梯度下降靠递归划分所以调参的对象是「树能长多深、一个节点最少要多少个样本才继续分」。max_depth限制深度min_samples_split限制分裂所需的最小样本数min_samples_leaf限制叶节点的最小样本数。三个参数都在做同一件事——控制模型复杂度防止它把训练集的噪声也学进去。实验里常见的现象是不加限制的树在训练集上准确率接近 100%在测试集上掉十几个点画出来就是一棵深得看不清结构的树。这时候把max_depth从None改成 5 或 8测试分数往往反而上升。这就是剪枝的直观含义不是让模型变强是让它别过度自信。随机森林在此之上再做一层训练多棵树每棵用自助采样和随机特征子集最后投票。n_estimators是树的数量通常 100 到 500 之间加到一定程度分数就饱和了继续加只是白烧时间。特征重要性是这一节另一个重点。树模型给出的重要性基于「该特征带来的不纯度下降总量」能用来做特征筛选和实验报告里的解释段落。但要注意它对取值多的连续特征有偏好两个特征重要性接近时不要急着下「哪个更重要」的结论。3.3 scikit-learn 管线fit、transform、predict 的边界管线的价值在于把预处理和模型绑成一个对象交叉验证时每一折都只在训练部分拟合预处理器从机制上堵住数据泄漏。这是这门课里最值得带走的一个工程习惯。from sklearn.pipeline import Pipeline from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LogisticRegression from sklearn.model_selection import cross_val_score pipe Pipeline([ (scaler, StandardScaler()), # 只在每折的训练部分 fit (clf, LogisticRegression(C1.0, max_iter1000)), # C 是正则强度的倒数 ]) scores cross_val_score(pipe, X_train, y_train, cv5, scoringf1_macro) print(scores.mean(), scores.std()) # 均值看水平标准差看稳定性C越大正则越弱C越小正则越强跟前面手写代码里的l2方向相反写报告时别把两者混为一谈。scoringf1_macro在类别不均衡时比准确率更能反映真实水平因为宏平均对每个类别一视同仁小类别全错也不会被大类别掩盖。scores.std()常被忽略但它告诉你这个分数稳不稳标准差超过 0.05 时就该怀疑样本量或者划分方式而不是急着换模型。4. 神经网络实验从感知机到反向传播神经网络那几次实验是整门课的分水岭。前面的模型都有闭式解或者凸损失训不动多半是参数问题神经网络是非凸的同样一套代码初始化不同、学习率不同、batch 顺序不同结果能差出一大截所以它更像是「观察 调试」而不是「套公式」。这一章的重点落在三件事形状对齐、梯度正确性、训练过程的可观测性。4.1 前向传播与维度对齐前向传播的数学形式简单工程上最容易错的是维度。输入是(N, D)第一层权重是(D, H)乘完得到(N, H)激活后不变第二层权重(H, C)输出(N, C)C是类别数。这条链上任何一环写反NumPy 都会用广播「帮你」算出一个形状合法但语义错误的结果然后 loss 降不下去你还以为是学习率的问题。import numpy as np def forward(X, W1, b1, W2, b2): z1 X W1 b1 # (N, D) (D, H) - (N, H) a1 np.maximum(z1, 0) # ReLU负值截断为 0 z2 a1 W2 b2 # (N, H) (H, C) - (N, C) z2 z2 - z2.max(axis1, keepdimsTrue) # 减去每行最大值防止 exp 溢出 exp np.exp(z2) probs exp / exp.sum(axis1, keepdimsTrue) # 逐行归一化成概率 return z1, a1, probsz2.max(axis1, keepdimsTrue)这一步叫数值稳定化。不加它当某个 logit 大到几百时exp直接溢出成inf除完变nan。减去每行最大值不改变 softmax 的结果分子分母同乘一个常数但把指数控制在 0 附近是标准写法。keepdimsTrue在这里同样不能省否则(N, C)减(N,)会沿最后一维广播得到完全错误的结果。4.2 反向传播与梯度检查反向传播的原理在理论课上推过实验里真正要做的是「验证自己写的梯度对不对」。方法叫数值梯度检查对某个参数加一个极小量、减一个极小量用损失差除以2 * eps近似导数再跟解析梯度比。两者相对误差在1e-6量级以内基本可以认为写对了。def numeric_grad(f, x, eps1e-6): grad np.zeros_like(x) it np.nditer(x, flags[multi_index]) while not it.finished: idx it.multi_index old x[idx] x[idx] old eps fp f(x) x[idx] old - eps fm f(x) x[idx] old # 一定要还原否则后面的检查全错 grad[idx] (fp - fm) / (2 * eps) it.iternext() return grad这段代码有两个坑。一是必须把扰动还原忘了还原会让参数被一次次污染检查结果毫无意义。二是必须先把网络切到「只用少数样本、关掉正则和 dropout」的状态再检查因为随机性会掩盖真实的梯度差。血泪经验是梯度检查跑得慢很多人图省事跳过结果训练时 loss 完全不降回头一行行看反向传播公式花掉一晚上还不如一开始花十分钟把检查跑通。4.3 训练循环学习率、batch 与过拟合的观察方式训练循环的骨架无非是「取一个 batch、前向、算 loss、反向、更新」。真正需要练的是「从曲线上读出问题」。正常情况下训练 loss 持续下降验证 loss 先降后升两者分叉的位置就是过拟合开始的地方。如果训练 loss 一开始就不动优先查学习率多半太小、查数据有没有标准化、查标签有没有对齐如果训练 loss 震荡剧烈学习率调小或者换 Adam如果训练 loss 降得漂亮但验证 loss 一路往上说明模型容量太大或者正则太弱。batch size 也影响结果太小梯度噪声大收敛曲线抖太大显存吃紧且泛化有时反而略差。实验里常用的做法是先固定一个中等 batch比如 64把学习率调到一个能收敛的值再回头做对比实验。每次只改一个变量、留一组对照这是实验报告拿高分的关键也是区分「跑通了」和「做过实验」的地方。5. 实验里最容易翻车的五个点数据、划分、评估、复现这门课的分数差距很多时候不在模型选得对不对而在于一些看起来不起眼、但会直接让结论失效的细节。下面五个点是反复出现的高频问题按「哪里漏了、为什么容易漏、怎么补」拆开讲。每条都不是理论问题是改一行代码或者加一个检查就能解决的事。5.1 数据与特征环节的易漏点第一个易漏点标准化、编码、填充这类预处理被放在了划分之前。为什么漏因为代码顺序上「先处理再切分」写起来更顺手而且跑出来分数通常更好看人本能地不会去怀疑一个好看的数。怎么补把所有预处理塞进Pipeline外面套交叉验证让框架强制每一折只在训练部分fit。养成习惯之后看到预处理代码裸写在切分前面本能地会觉得不对劲。第二个易漏点类别特征的编码方式跟模型假设不匹配。为什么漏LabelEncoder一行就能把字符串变成整数代码跑得通但它在无序类别上凭空造出了大小关系线性模型会据此认为「类别 2 比类别 1 大一倍」树模型则不受影响。怎么补先想清楚这个特征是「有序」还是「无序」无序的用独热编码有序的才用序号编码类别特别多时改用品频编码或者目标编码并在报告里说明选择理由。5.2 建模与评估环节的易漏点第三个易漏点用测试集反复调参。为什么漏实验过程中很自然地「跑一下测试集看看效果」改改参数再跑一次跑十几次之后测试集实际上已经变成了验证集最后报出来的分数是过拟合到测试集上的结果。怎么补训练集再切一份验证集或者直接用交叉验证在训练集内部选参数测试集只在所有决策定完之后碰一次。这个习惯在课程实验里未必有人查但它是区分「会做实验」和「会写代码」的分界线。第四个易漏点在类别不均衡的数据上只报准确率。为什么漏score方法默认返回准确率一行就能出结果而多数人拿到一个 0.92 就觉得模型不错了没注意到那 8% 的少数类正是任务真正关心的。怎么补同时报精确率、召回率和 F1给出混淆矩阵看少数类到底被分成了什么。如果少数类召回率接近 0说明模型学到了「全猜多数类」这个退化解需要重采样、调类别权重或者换评估目标。5.3 复现与提交环节的易漏点第五个易漏点随机种子只固定了一处。为什么漏train_test_split里写了random_state就以为万事大吉但数据打乱、权重初始化、树的随机特征子集、Dropout 掩码各有各的随机源任何一处没固定两次跑出来的数就不一样。怎么补在脚本开头统一设一次全局种子对于 NumPy 和框架分别设把种子值写进实验报告的实验设置段落让任何人都能复现你的表。等到一周后回头补报告发现自己都复现不出当时的数那种感觉比调不出模型还难受。6. 复习清单一晚上过完这门实验课的检查表如果只有一晚上别从第一页翻起。按「能不能独立写出最小可运行版本」来筛比按章节顺序看效率高得多。下面这张表是我自己复习时用的自测清单左列是模块中间是必须能脱稿完成的动作右列是用来判断自己真懂了的提问。模块必须会做的动作自测提问NumPy写出按列标准化、手算两个矩阵的广播结果axis0压的是哪个方向keepdims省了会怎样Pandas读脏 CSV、处理缺失、类别编码、重置索引哪些字符串会被默认当成缺失值划分与预处理用 Pipeline 包住预处理并做交叉验证为什么标准化不能放在切分之前线性/逻辑回归手写批量梯度下降画出 loss 曲线学习率过大和过小的曲线各长什么样树与集成调深度、叶子样本数看训练/测试分数变化剪枝是让模型更强还是更保守神经网络手写两层前向、跑通数值梯度检查softmax前为什么要减行最大值评估报精确率/召回率/F1 和混淆矩阵不均衡数据上准确率为什么会骗人复现固定全部随机源写明实验设置换台机器还能跑出同一个数吗自测方式很简单合上资料对着中间一列逐行问自己「现在能不能写出来」。写不出来的回到对应章节只看那一段不要顺带把整章重读一遍。写得出来但答不上右列提问的说明是背下来的换个数据集就会露馅这类要重点补。有一个细节值得单独拎出来把每次实验的 loss 曲线、混淆矩阵、参数对照表都存成图按实验编号放在同一个目录里。到写报告或者复习的时候这些图比代码本身有用得多因为它们记录的是「当时这个参数为什么这么选」的证据。我吃过一次亏某次实验调了七八组参数最后只留了最好那一组的结果一周后写报告完全不记得其他组表现如何只能重新跑一遍白白多花两个小时。从那以后我每次做实验都强制走一遍「先固定种子、再切分、预处理进管线、只改一个变量、留一组对照、存图存档」的流程哪怕当次实验很简单也照做。慢是慢了一点但再没出现过复现不出来的情况。希望帮到你。本文还有配套的精品资源点击获取
企业数字化 ERP 产品动态
相关推荐
modbus-serial 实战:Node.js 串口采集与避坑指南 简介:Modbus-Serial 是面向 Node.js 与前端开发者的开源通信库,用于在 JavaScript 环境中实现 Modbus-RTU 串行与 TCP 协议通信,解决前端项目对接 PLC、电表、传感器等工业设备时的协议适配问题,适合具备一定 Node.js 基础、关注物… · 2026/11/13 5:30:17
武缘江湖v2.0论坛源码实战:部署、二次开发与避坑指南 简介:《武缘江湖 v2.0 新春版》是一套面向游戏开发学习者与武侠 RPG 爱好者的完整角色扮演游戏源码,融合雨水情轩剧情与魔幻江湖设定,并针对新春佳节做了节日氛围更新。资源包共约 2000 个文件,以 1643 个 gif 图像素材、1177 个 … · 2026/11/13 16:49:46
500个前端特效源码实战:从快速跑通到组件化改造 简介:这份资源面向前端初学者与有一定基础的开发者,汇集了500个可直接运行的JavaScript效果实例,覆盖DOM操作、事件处理、动画过渡、表单验证、AJAX通信、响应式布局、Canvas绘图、拖放与本地存储等常见前端场景,也涉及jQuery、We… · 2026/11/5 21:10:08
泗门哪里考电工证好网上查询外省证如何转接 泗门哪里考电工证好网上查询外省证如何转接 之前考的证在外省能不能转过来?这是很多在泗门打算考电工证的朋友最关心的问题。其实,很多地方的电工证是可以 网上查询… · 2026/11/19 22:39:38
海安电工证复审去哪里?全国通用证书怎么延期才稳妥 海安电工证复审去哪里?全国通用证书怎么延期才稳妥 证书过期了不知道怎么复审延期?你不是一个人在战斗。特别是在海安地区,很多电工从业人员都遇到过类似问题,尤其是那些在工地上干了多年,手里拿着全国通用的电工证,却因为没及时复审,导致无法继续作业… · 2026/11/19 22:39:38
电压低电工证查询官方报名入口在哪 低压电工证怎么考 电压低电工证查询官方报名入口在哪 低压电工证怎么考 学历不高怕报不上名,但低压电工证是进入电力行业的“通行证”,尤其是洛阳房建工程从业者,很多岗位都要求必须持有低压电工证。如果你也担心学历不够、流程太复杂、官方报名入口找不到,别急,本文就手… · 2026/11/19 22:39:38
维修电工工作业绩登记怎么搞?官方报名入口在这儿了 维修电工工作业绩登记怎么搞?官方报名入口在这儿了 之前考的证在外省能不能转过来?这个问题不少维修电工朋友都在问,特别是在商丘从事水利工程项目的电工,经常需要在多个工地之间流动,证件的 转移、年审、登记 都成了“烦心事”。其实,… · 2026/11/19 22:39:38
证书过期了不知道怎么复审延期?学电工证有年龄限制吗含金量如何看 证书过期了不知道怎么复审延期?学电工证有年龄限制吗含金量如何看 证书过期了不知道怎么复审延期?你不是一个人。特种作业操作证的有效期、年审流程、继续教育这些细节,很多人都踩过坑。特别是电工证,它的含金量在建筑行业、电力行业和制造业里可以说是一… · 2026/11/19 22:39:38
电工证ic卡复审资料怎么准备?良心建议让你一次搞懂流程 电工证ic卡复审资料怎么准备?良心建议让你一次搞懂流程 证书过期了不知道怎么复审延期?别慌,这期我从信阳项目现场管理员的角度,把【电工证ic卡复审资料】的全套流程和避坑经验讲明白,帮你省心省力走完复审这关。… · 2026/11/19 22:38:36
长春初级电工证怎么考?通过率揭秘全在这里 长春初级电工证怎么考?通过率揭秘全在这里 之前考的证在外省能不能转过来?这几乎是每个想从事电工工作的人都会问的问题。特别是那些在外地打拼多年、手里握着一张“外地电工证”的人,到了长春想继续干这一行,第一反应就是“我的证能用吗?”。今天我们就… · 2026/11/19 16:06:02
国内电工证报考条件与考试时间 低压电工证怎么考?学历不高也能报名,官方报名入口全在这 你是不是经常听说“电工证是入行门槛”,但又担心自己学历不够、经验不足,根本报不了名?别急,今天就带你从零了解【国内电工证】的报考流程、考试内容,还有怎么在 官方报名入口… · 2026/11/19 17:40:37
电工作业时如何断电?电子证书到底能不能全国通用? 电工作业时如何断电?电子证书到底能不能全国通用? 实操考试心里没底怕挂科,特别是电工作业时如何断电这一操作,不仅关系到你能不能拿到证书,更关系到以后能不能顺利上岗。很多人觉得这不过就是“断个电”,但其实这里面的门道可不少,稍有不慎就可能出错… · 2026/11/19 17:50:07
姑苏区哪里考电工证好考前押题怎么找 姑苏区哪里考电工证好考前押题怎么找 工地太忙根本没时间复习考试,电工证考前还总找不到靠谱的 考前押题 资源,真让人头疼。如果你也是在苏州姑苏区从事建筑或电力行业的,那这些建议你一定要看完。 为什么姑苏区考电工证的人这么多?… · 2026/11/19 0:00:12
罗定能考电工证吗?外省证转过来流程全解析+郑州报考避坑指南 罗定能考电工证吗?外省证转过来流程全解析+郑州报考避坑指南 之前考的证在外省能不能转过来?这几乎是每个特种作业证书持有者都会遇到的问题,特别是像你这样已经在外地工作多年,想回老家罗定发展或者重新规划职业路径的人。别急,今天就给你一条清晰的路… · 2026/11/19 0:00:12
罗定能考电工证吗 电工证含金量到底有多少? 罗定能考电工证吗 电工证含金量到底有多少? 之前考的证在外省能不能转过来,这几乎是每个准备考电工证的朋友最先想到的问题。特别是在罗定这样的地方,很多人的电工证都是在外地考的,现在想在当地继续使用,但不知道怎么办。实际上,电工证的 含金量… · 2026/11/19 0:00:12
双极步进电机控制实战:DRV8818PWPR与PIC18F86K22驱动调试 /* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views … · 2026/11/19 6:33:25
STM32F207ZG + DRV8818PWPR 步进电机驱动实战解析 /* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views … · 2026/11/19 6:33:32
DRV8818PWPR+dsPIC30F4013工业级双极步进电机控制方案 /* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views … · 2026/11/19 0:22:38