国产 无码 综合区,色欲AV无码国产永久播放,无码天堂亚洲国产AV,国产日韩欧美女同一区二区

Matlab 線性擬合、一維、多維度非線性擬合、多項式擬合

這篇具有很好參考價值的文章主要介紹了Matlab 線性擬合、一維、多維度非線性擬合、多項式擬合。希望對大家有所幫助。如果存在錯誤或未考慮完全的地方,請大家不吝賜教,您也可以點擊"舉報違法"按鈕提交疑問。

一、線性擬合

? 線性擬合

我隨便設定一個函數(shù)然后通過解方程計算出對應的系數(shù)

假設我的函數(shù)原型是

y=a*sin(0.1*x.^2+x)+b* squre(x+1)+c*x+d

clc;
clear;
x=0:0.2:10;
% 我們這里假設 a=3.2 b=0.7  c=5.0 d是一個隨機
y=3.2*sin(0.1*x.^2+x)+0.7*sqrt(x+1)+5*x +rand(size(x));
plot(x,y,'*');
hold on ;
y1=sin(0.1*x.^2+x);
y2=sqrt(x+1);
y3=x;
y4=rand(size(x));

X=[y1;y2;y3;y4];%將各自的倆帶入
P=X'\y'  % 通過解方程計算出4個系數(shù)

yn=P(1)*y1+P(2)*y2+P(3)*y3+P(4)*y4;  % 得到一個新的函數(shù) 計算得出的擬合Y的值 
plot(x,yn,'r');
legend('原始數(shù)據(jù)點','紅色曲線擬合值','Location','southoutside','Orientation','horizontal')

matlab 多維擬合,算法,python,人工智能

?擬合系數(shù):

?matlab 多維擬合,算法,python,人工智能

clear;
clc;
close all
t=0:0.001:2*pi;%原函數(shù)
YS=sin(t);%基函數(shù)
N=21;
Yo=[];
for k=1:N
    Yn=sawtooth(k*(t+pi/2),0.5);
    Yo=[Yo,Yn'];
end
YS=YS';%擬合
a = Yo\YS;
%繪圖
figure()
for k=1:N
    clf
    plot(t,Yo(:,1:k)*a(1:k,:),t,YS,'LineWidth',1)
    ylim([-1.3,1.3])
    xlim([0,6.3])
    pause(0.1)
end

二、非線性擬合

利用matlab實現(xiàn)非線性擬合(三維、高維、參數(shù)方程)_matlab多元非線性擬合_hyhhyh21的博客-CSDN博客

上面的這位是真正的大佬,我們都是照貓畫虎的學習。

1、一維

簡單的一維的擬合:

思路: 將非線性-》線性:

eg:

matlab 多維擬合,算法,python,人工智能

?將其兩邊都取對數(shù)

用線性的方式計算出a b?

逆變換 ,畫出曲線:

clear 
clc
close all
% 假設函數(shù) 為 y=a* exp(-bx)
x=0:0.1:5;
% 我們這里假設 a=2.4  b=1.2
a=2.4;
b=1.2;
y=a*exp(-b*x);%
y=y+1.3*y.*rand(size(y));  % 增加噪聲
plot(x,y,'.');
hold on;
%Lg_y=Lg_a+b*(-x)  變成了ax+b 的形式 ,然而我們的最終的目的是通過x 來計算出a 和 b 
% 對等式的兩邊取對數(shù)
lg_y=log(y);

y1=ones(size(x));
y2=-x;

% 同理和上面計算線性的一楊
X=[y1;y2];
P =X'\lg_y'

% 畫出擬合后的曲線
a_fit=exp(P(1));
b_fit=P(2);
x2=0:0.01:10;
plot(x2,a_fit*exp(-b_fit*x2),'-','linewidth',1.5,'color','r')


matlab 多維擬合,算法,python,人工智能

Matlab 中的非線性擬合方法

1、fit 方法

fit是最常用,最經(jīng)典的方法

matlab 多維擬合,算法,python,人工智能

?matlab 多維擬合,算法,python,人工智能

ft = fittype( 'a*x+b*sin(c*x).*exp(d*x)+e', 'independent', 'x', 'dependent', 'y' );; %函數(shù)的表達式, 
OP1 = fitoptions( 'Method', 'NonlinearLeastSquares' );% 非線性擬合方法
OP1.StartPoint = 5*rand(1,5);%初始值,越靠近真實值越好
OP1.Lower = [-2, 0, 2, 0, 0];%參數(shù)的最小邊界
OP1.Upper = [1,  3, 5, 2, 3];%參數(shù)的最大邊界
%   開始擬合
fitobject = fit(x',y',ft,OP1);
Fit_P=ones(size(P));
Fit_P(1)=fitobject.a;
Fit_P(2)=fitobject.b;
Fit_P(3)=fitobject.c;
Fit_P(4)=fitobject.d;
Fit_P(5)=fitobject.e;

2、nlinfit()函數(shù) Levenberg-Marquard

L-M 非線性迭代
?

% 2 用nlinfit()函數(shù) Levenberg-Marquardt?
% 定義一個函數(shù)
Func=@(P,x)( P(1)*x+P(2)*sin(P(3)*x).*exp(P(4)*x)+P(5));% 也就是說定義一個函數(shù)模型
OP2 = statset('nlinfit');%?
% ?x,y ?modelfun是函數(shù)模型 ?beta表示的是初始值 ,我這里寫成最進行的那個參數(shù) ? OP2 ?擬合的方法
beta=[-0.17 2.1 ?3.0 ?0.25 ?2.0];% 初始值
Fit_P2 = nlinfit(x,y,Func,beta,OP2);
%擬合
fit_y2 = Fit_P2(1)*x1+Fit_P2(2)*sin(Fit_P2(3)*x1).*exp(Fit_P2(4)*x1)+Fit_P2(5);;
subplot(3,2,2)
hold on;
plot(x,y,'LineStyle','none','MarkerSize',15,'Marker','.','color','k')
plot(x1,fit_y2,'-','linewidth',1.5,'color','r');
box on
%ylim(y_lim)
title('nlinfit函數(shù)')

matlab 多維擬合,算法,python,人工智能

3、信賴域法(trust region reflective)

信賴域法(trust region reflective)是通過Hessian 矩陣,逐步試探鄰域內的最小化,來求解問題的。相比較之前的那些雅克比相關的方法,信賴域法會占用更多內存和速度,所以適用于中小規(guī)模的矩陣。

matlab 多維擬合,算法,python,人工智能



% 3 信賴區(qū)間  IsqNonLin()
func2=@(P)(P(1)*x+P(2)*sin(P(3)*x).*exp(P(4)*x)+P(5)   -y);
% lsqnonlin方法  
% 'Algorithm','trust-region-reflective'  算法是trust-region-reflective
% MaxFunctionEvaluations  MaxFunctionEvaluations可以理解為試探的次數(shù),
%                        比如算法在一個點的四周試探了三個鄰近點的值,然后確定下一步要往其中的某個點走,
%                        這個時候FunctionEvaluations對應3次,即試探了3次,而Iteration是一次,即走了一步,完成了一步迭代
% MaxIterations  最大迭代次數(shù)
OP3=optimoptions(@lsqnonlin,'Algorithm','trust-region-reflective','MaxFunctionEvaluations',1e4,'MaxIterations',1e3);
%[-2, 0, 2, 0, 0];%參數(shù)的最小邊界
%[1,  3, 5, 2, 3];%參數(shù)的最大邊界
lower=[-2, 0, 2, 0, 0];
up=[1,  3, 5, 2, 3];
% 計算出系數(shù)
[Fit_P3,~]=lsqnonlin(func2,beta,lower,up,OP3);
fit_y3=Fit_P3(1)*x1+Fit_P3(2)*sin(Fit_P3(3)*x1).*exp(Fit_P3(4)*x1)+Fit_P3(5);
subplot(3,2,3);
hold on
plot(x,y,'LineStyle','none','MarkerSize',15,'Marker','.','color','k')
plot(x1,fit_y3,'-','linewidth',1.5,'color','r')
hold off
box on
%ylim(y_lim)
title('lsqnonlin函數(shù)');



%4 lsqcurvefit()函數(shù) trust-region-reflective
modelfun2 = @(p,x)(p(1)*x+p(2)*sin(p(3)*x).*exp(p(4)*x)+p(5)) ;
OP4=optimoptions('lsqcurvefit','Algorithm','trust-region-reflective','MaxFunctionEvaluations',1e4,'MaxIterations',1e3);
%[-2, 0, 2, 0, 0];%參數(shù)的最小邊界
%[1,  3, 5, 2, 3];%參數(shù)的最大邊界
lower=[-2, 0, 2, 0, 0];
up=[1,  3, 5, 2, 3];
% 計算出系數(shù)
%[p,~] = lsqcurvefit(modelfun,p0,x,y,[-2,0,2,0,0],[1,3,5,3,3],OP4);
[Fit_P4,~]=lsqcurvefit(modelfun2,beta,x,y,lower,up,OP4);
fit_y4=Fit_P4(1)*x1+Fit_P4(2)*sin(Fit_P4(3)*x1).*exp(Fit_P4(4)*x1)+Fit_P4(5);
subplot(3,2,4);
hold on
plot(x,y,'LineStyle','none','MarkerSize',15,'Marker','.','color','k')
plot(x1,fit_y4,'-','linewidth',1.5,'color','r')
hold off
box on
%ylim(y_lim)
title('lsqcurvefit函數(shù)');

4、fsolve()函數(shù)

默認的算法為trust-region-dogleg,屬于信賴域法。

matlab 多維擬合,算法,python,人工智能

5、粒子群法

matlab 多維擬合,算法,python,人工智能

?所有代碼:

clear;
close all;
clc;

% 自定義一個非線性的函數(shù) y=a*x+b*sin(c*x).*exp(d*x)+e  那將函數(shù)
x = 0:0.05:10;
P=[-0.2 2.4  3.4  0.3 1.7];
y = P(1)*x+P(2)*sin(P(3)*x).*exp(P(4)*x)+P(5);
y=y+0.5*randn(size(x)); % 添加噪聲 
figure();
% 1 .fit 函數(shù)開始擬合
ft = fittype( 'a*x+b*sin(c*x).*exp(d*x)+e', 'independent', 'x', 'dependent', 'y' );; %函數(shù)的表達式, 
OP1 = fitoptions( 'Method', 'NonlinearLeastSquares' );% 非線性擬合方法
%OP1.StartPoint = 5*rand(1,5);%初始值,越靠近真實值越好
OP1.StartPoint = [-0.17 2.1  3.0  0.25  2.0];
OP1.Lower = [-2, 0, 2, 0, 0];%參數(shù)的最小邊界
OP1.Upper = [1,  3, 5, 2, 3];%參數(shù)的最大邊界
%   開始擬合
fitobject = fit(x',y',ft,OP1);
Fit_P=ones(size(P));
Fit_P(1)=fitobject.a;
Fit_P(2)=fitobject.b;
Fit_P(3)=fitobject.c;
Fit_P(4)=fitobject.d;
Fit_P(5)=fitobject.e;
%plot(x,y,'.');

% 開始計算擬合后的y 
x1 = 0:0.01:10;
fit_y1 = Fit_P(1)*x1+Fit_P(2)*sin(Fit_P(3)*x1).*exp(Fit_P(4)*x1)+Fit_P(5);
subplot(3,2,1)
hold on
plot(x,y,'LineStyle','none','MarkerSize',10,'Marker','.','color','k');

plot(x1,fit_y1,'-','linewidth',1.5,'color','r');

% 開始計算擬合后的y 
fit_y1 = Fit_P(1)*x+Fit_P(2)*sin(Fit_P(3)*x).*exp(Fit_P(4)*x)+Fit_P(5);
subplot(3,2,1)
plot(x,y,'LineStyle','none','MarkerSize',15,'Marker','.','color','k')
plot(x,fit_y1,'-','linewidth',1.5,'color','r');
hold on;
title('經(jīng)典fit函數(shù)');
box on;




% 2 用nlinfit()函數(shù) Levenberg-Marquardt 
% 定義一個函數(shù)
Func=@(P,x)( P(1)*x+P(2)*sin(P(3)*x).*exp(P(4)*x)+P(5));% 也就是說定義一個函數(shù)模型
OP2 = statset('nlinfit');% 
%  x,y  modelfun是函數(shù)模型  beta表示的是初始值 ,我這里寫成最進行的那個參數(shù)   OP2  擬合的方法
beta=[-0.17 2.1  3.0  0.25  2.0];% 初始值
Fit_P2 = nlinfit(x,y,Func,beta,OP2);
%擬合
fit_y2 = Fit_P2(1)*x1+Fit_P2(2)*sin(Fit_P2(3)*x1).*exp(Fit_P2(4)*x1)+Fit_P2(5);
subplot(3,2,2)
hold on;
plot(x,y,'LineStyle','none','MarkerSize',15,'Marker','.','color','k')
plot(x1,fit_y2,'-','linewidth',1.5,'color','r');
box on
%ylim(y_lim)
title('nlinfit函數(shù)')




% 3 信賴區(qū)間  IsqNonLin()
func2=@(P)(P(1)*x+P(2)*sin(P(3)*x).*exp(P(4)*x)+P(5)   -y);
% lsqnonlin方法  
% 'Algorithm','trust-region-reflective'  算法是trust-region-reflective
% MaxFunctionEvaluations  MaxFunctionEvaluations可以理解為試探的次數(shù),
%                        比如算法在一個點的四周試探了三個鄰近點的值,然后確定下一步要往其中的某個點走,
%                        這個時候FunctionEvaluations對應3次,即試探了3次,而Iteration是一次,即走了一步,完成了一步迭代
% MaxIterations  最大迭代次數(shù)
OP3=optimoptions(@lsqnonlin,'Algorithm','trust-region-reflective','MaxFunctionEvaluations',1e4,'MaxIterations',1e3);
%[-2, 0, 2, 0, 0];%參數(shù)的最小邊界
%[1,  3, 5, 2, 3];%參數(shù)的最大邊界
lower=[-2, 0, 2, 0, 0];
up=[1,  3, 5, 2, 3];
% 計算出系數(shù)
[Fit_P3,~]=lsqnonlin(func2,beta,lower,up,OP3);
fit_y3=Fit_P3(1)*x1+Fit_P3(2)*sin(Fit_P3(3)*x1).*exp(Fit_P3(4)*x1)+Fit_P3(5);
subplot(3,2,3);
hold on
plot(x,y,'LineStyle','none','MarkerSize',15,'Marker','.','color','k')
plot(x1,fit_y3,'-','linewidth',1.5,'color','r')
hold off
box on
%ylim(y_lim)
title('lsqnonlin函數(shù)');



%4 lsqcurvefit()函數(shù) trust-region-reflective
modelfun2 = @(p,x)(p(1)*x+p(2)*sin(p(3)*x).*exp(p(4)*x)+p(5)) ;
OP4=optimoptions('lsqcurvefit','Algorithm','trust-region-reflective','MaxFunctionEvaluations',1e4,'MaxIterations',1e3);
%[-2, 0, 2, 0, 0];%參數(shù)的最小邊界
%[1,  3, 5, 2, 3];%參數(shù)的最大邊界
lower=[-2, 0, 2, 0, 0];
up=[1,  3, 5, 2, 3];
% 計算出系數(shù)
%[p,~] = lsqcurvefit(modelfun,p0,x,y,[-2,0,2,0,0],[1,3,5,3,3],OP4);
[Fit_P4,~]=lsqcurvefit(modelfun2,beta,x,y,lower,up,OP4);
fit_y4=Fit_P4(1)*x1+Fit_P4(2)*sin(Fit_P4(3)*x1).*exp(Fit_P4(4)*x1)+Fit_P4(5);
subplot(3,2,4);
hold on
plot(x,y,'LineStyle','none','MarkerSize',15,'Marker','.','color','k')
plot(x1,fit_y4,'-','linewidth',1.5,'color','r')
hold off
box on
%ylim(y_lim)
title('lsqcurvefit函數(shù)');



%% 5 fsolve()函數(shù) %默認算法trust-region-dogleg
modelfun3 = @(p)(p(1)*x+p(2)*sin(p(3)*x).*exp(p(4)*x)+p(5) -y);
p0 = 5*rand(1,5);
OP5 = optimoptions('fsolve','Display','off');
Fit_P = fsolve(modelfun3,beta,OP5);
fit_y5 = Fit_P(1)*x1+Fit_P(2)*sin(Fit_P(3)*x1).*exp(Fit_P(4)*x1)+Fit_P(5);
subplot(3,2,5)
hold on
plot(x,y,'LineStyle','none','MarkerSize',15,'Marker','.','color','k')
plot(x1,fit_y5,'-','linewidth',1.5,'color','r')
hold off
box on
title('fsolve函數(shù)')



%% 6 粒子群PSO算法
fun6 = @(p) ( norm(p(1)*x+p(2)*sin(p(3)*x).*exp(p(4)*x)+p(5) -y) );%這里需要計算誤差的平方和
OP6 = optimoptions('particleswarm','InertiaRange',[0.4,1.2],'SwarmSize',100);
[p,~,~,~]  = particleswarm(fun6,5,[-5,-5,-5,-5],[5,5,5,5],OP6);%區(qū)間可以稍微放大一些,不怕
y6 = p(1)*x+p(2)*sin(p(3)*x).*exp(p(4)*x)+p(5);
subplot(3,2,6)
hold on
plot(x,y,'LineStyle','none','MarkerSize',15,'Marker','.','color','k')
plot(x,y6,'-','linewidth',1.5,'color','r')
hold off
box on
ylim(y_lim)
title('PSO算法')

三、多項式曲線

matlab 多維擬合,算法,python,人工智能

?Matlab:

>> x=linspace(0,4*pi,150);
y=cos(x)+10*rand(1);
plot(x,y,'.');
hold on;
[p,s]=polyfit(x,y,9);% 擬合為7階的函數(shù)
x1=linspace(0,4*pi,150);
y1=polyval(p,x1);
plot(x1,y1,'color','r');
p

p =

    0.0000    0.0000   -0.0004    0.0081   -0.0783    0.3753   -0.7660    0.3815   -0.4104   10.6154



% 方程變換
>> x=linspace(0,4*pi,150);
y=2*exp(-(x-1).^2/1.^2)+0.1*rand(1);
plot(x,y,'.')
>> x=linspace(0,4*pi,50);
y=2*exp(-(x-1).^2/1.^2)+0.1*rand(1);
plot(x,y,'.')
>> x=linspace(0,4*pi,50);
y=2*exp(-(x-1).^2/1.^2)+0.1*rand(1);
plot(x,y,'.');
hold on;
[p,s]=polyfit(x,y,9);% 擬合為7階的函數(shù)
x1=linspace(0,4*pi,50);
y1=polyval(p,x1);
plot(x1,y1,'color','r')

matlab 多維擬合,算法,python,人工智能

?從上圖我們可以看出9階的擬合效果要比7階的好很多,那么我們用c++實現(xiàn)的時候也就按照9階的來。

matlab 多維擬合,算法,python,人工智能文章來源地址http://www.zghlxwxcb.cn/news/detail-523888.html

到了這里,關于Matlab 線性擬合、一維、多維度非線性擬合、多項式擬合的文章就介紹完了。如果您還想了解更多內容,請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章,希望大家以后多多支持TOY模板網(wǎng)!

本文來自互聯(lián)網(wǎng)用戶投稿,該文觀點僅代表作者本人,不代表本站立場。本站僅提供信息存儲空間服務,不擁有所有權,不承擔相關法律責任。如若轉載,請注明出處: 如若內容造成侵權/違法違規(guī)/事實不符,請點擊違法舉報進行投訴反饋,一經(jīng)查實,立即刪除!

領支付寶紅包贊助服務器費用

相關文章

  • 3.1 多維度隨機變量及其分布

    3.1 多維度隨機變量及其分布

    ? ? ? 要學習二維隨機變量及聯(lián)合分布,我會按照以下步驟進行: 了解基本概念:首先要了解二維隨機變量的概念,即同時包含兩個隨機變量的變量。還要了解二維隨機變量的取值范圍以及聯(lián)合概率密度函數(shù)和聯(lián)合分布函數(shù)的定義。 學習聯(lián)合分布函數(shù)的性質:聯(lián)合分布函數(shù)

    2024年02月06日
    瀏覽(33)
  • 利用matlab實現(xiàn)非線性擬合(下)

    利用matlab實現(xiàn)非線性擬合(下)

    沒看過上一篇的建議看一下前面的上篇。這一篇非線性擬合我就不廢話,直接開始了。下面首先介紹幾種matlab非線性擬合方法,之后將這幾種方法進行對比研究。 如果你喜歡界面化的輸入輸出,那么可以嘗試Curve Fitting App,它在matlab集成的App里面。 界面里常用的擬合方式都有

    2024年02月03日
    瀏覽(26)
  • SpringBoot進階教程(七十六)多維度排序查詢

    SpringBoot進階教程(七十六)多維度排序查詢

    在項目中經(jīng)常能遇到,需要對某些數(shù)據(jù)集合進行多維度排序的需求。對于集合多條件排序解決方案也有很多,今天我們就介紹一種,思路大致是設置一個分值的集合,這個分值是按照需求來設定大小的,再根據(jù)分值的大小對集合排序。 我們來模擬一個需求,現(xiàn)在需要查詢一個

    2024年02月08日
    瀏覽(90)
  • Python多維矩陣的各個維度表示(axis = ......)

    Python多維矩陣的各個維度表示(axis = ......)

    在python中對多維矩陣進行操作時,往往要指定操作的維度,一般用0,1,-1這樣的數(shù)字表示矩陣的某一維度。二維矩陣還是好分辨數(shù)字表示的維度的,但對于三維矩陣或更高維度的矩陣就不好分辨了。這里只說明三維矩陣的三個維度怎么分辨。 以一個三維矩陣按不同維度求和

    2024年02月13日
    瀏覽(23)
  • 節(jié)點不連續(xù)伽遼金方法在求解線性和非線性平流方程中的一維實現(xiàn)(Matlab代碼實現(xiàn))

    節(jié)點不連續(xù)伽遼金方法在求解線性和非線性平流方程中的一維實現(xiàn)(Matlab代碼實現(xiàn))

    ????????? 歡迎來到本博客 ???????? ??博主優(yōu)勢: ?????? 博客內容盡量做到思維縝密,邏輯清晰,為了方便讀者。 ?? 座右銘: 行百里者,半于九十。 ?????? 本文目錄如下: ?????? 目錄 ??1 概述 ??2 運行結果 ??3?參考文獻 ??4 Matlab代碼實現(xiàn) 本文提

    2024年02月12日
    瀏覽(17)
  • 異構區(qū)塊鏈的多維度安全檢測方案

    摘 要 :異構區(qū)塊鏈多維度安全檢測方案可以為多樣化的區(qū)塊鏈平臺安全性檢測提供統(tǒng)一的測評標準和檢測方法,輔助相關部門對區(qū)塊鏈平臺進行有效檢測和監(jiān)管,促進區(qū)塊鏈行業(yè)的合規(guī)發(fā)展。通過分析現(xiàn)有區(qū)塊鏈安全檢測的需求,針對目前多樣性的區(qū)塊鏈底層平臺,提出普

    2024年02月05日
    瀏覽(21)
  • AIGC ChatGPT 實現(xiàn)動態(tài)多維度分析雷達圖制作

    AIGC ChatGPT 實現(xiàn)動態(tài)多維度分析雷達圖制作

    雷達圖在多維度分析中是一種非常實用的可視化工具,主要有以下優(yōu)勢: 易于理解: 雷達圖使用多邊形或者圓形的形式展示多維度的數(shù)據(jù),直觀易于理解。 多維度對比: 雷達圖可以在同一張圖上比較多個項目或者實體在多個維度上的表現(xiàn)。 數(shù)據(jù)關系明顯: 通過雷達圖,可

    2024年02月11日
    瀏覽(27)
  • 多維度聊一聊 k8s 和 openstack

    多維度聊一聊 k8s 和 openstack

    k8s 和 openstack 無疑是當今云計算領域的兩大巨頭,它們分別占據(jù)著 IaaS 和 PaaS 領域的事實標準,經(jīng)常被拿來一起比較。我記得大概在三四年前 k8s 如火如荼的發(fā)展的時候,“openstack 已死”,“openstack 沒落了”之類的文章層出不窮。但是這么年過去了 openstack 老當益壯依然在云

    2024年01月22日
    瀏覽(23)
  • 筆記:對多維torch進行任意維度的多“行”操作

    筆記:對多維torch進行任意維度的多“行”操作

    新建torch 取出某一行 取出某一列 一次性取出多行 取出連續(xù)的多行 ——有多種操作方式 取出不連續(xù)的多行 如:取出第0行和第2行 一次取出多列 取出連續(xù)的多列 ——同樣擁有多種方案 取出不連續(xù)的多列 如取出第0列和第3列 此三維torch可視化如下: 取出三維torch的任意兩行(

    2024年02月01日
    瀏覽(22)
  • 《揚帆優(yōu)配》兩融業(yè)務不乏亮點 仍需多維度補短板

    《揚帆優(yōu)配》兩融業(yè)務不乏亮點 仍需多維度補短板

    受多重因素影響,2022年證券職業(yè)全體成績承壓。不過,到3月29日晚記者發(fā)稿時,從已發(fā)表的7家上市券商2022年年報來看,券商在兩融事務方面不乏亮點。 ? 受訪業(yè)內人士表明,兩融事務的開展不僅豐厚了券商的收入,也促進了券商其他事務的開展??墒牵瑑扇谑聞臻_展中存在

    2024年02月02日
    瀏覽(23)

覺得文章有用就打賞一下文章作者

支付寶掃一掃打賞

博客贊助

微信掃一掃打賞

請作者喝杯咖啡吧~博客贊助

支付寶掃一掃領取紅包,優(yōu)惠每天領

二維碼1

領取紅包

二維碼2

領紅包