TensorFlow 2.x 实战指南：从安装到部署的完整解析-北京尧图网络

1. 从零上手 TensorFlow一个老手的实战拆解TensorFlow 这四个字但凡接触过深度学习的人都不会陌生。它最早由 Google 团队在 2015 年开源到现在已经走过了近十个年头。我最初接触它的时候还是 1.x 版本那会儿写一个简单的神经网络得先定义计算图、再开 Session 跑调试起来相当折磨人。到了 2.x 时代动态图机制加上 Keras 的高层封装整个开发体验有了质的飞跃。这篇文章我想从一个实际使用者的角度把 TensorFlow 的安装、核心概念、实操流程以及和 PyTorch 的对比选择讲透适合刚入门的新手也适合从 PyTorch 转过来想快速上手的开发者。先说清楚 TensorFlow 到底能干什么。它本质上是一个端到端的开源机器学习平台核心能力包括数值计算、自动微分、GPU/TPU 加速、模型部署等。你可以用它做图像分类、自然语言处理、推荐系统、时间序列预测甚至把它跑在手机、浏览器、嵌入式设备上。它的生态圈很庞大Keras 负责高层建模TensorBoard 负责可视化TFX 负责生产级流水线TFLite 负责移动端推理TF.js 负责浏览器端运行。这套组合拳是它区别于其他框架的最大特征。那为什么 2024 年了还有人在讨论 TensorFlow 和 PyTorch 的流行趋势因为这两个框架的竞争格局确实在发生变化。PyTorch 在学术界几乎形成了统治地位大部分新论文的代码都是用 PyTorch 写的但 TensorFlow 在工业部署、生产环境、跨平台推理方面依然有深厚的积累。选哪个不是非此即彼的问题而是看你的具体场景。接下来我会从安装开始一步步把 TensorFlow 的核心用法和实战经验展开。2. TensorFlow 安装不同环境下的最优解2.1 安装前的环境评估与方案选择安装 TensorFlow 这件事说简单也简单一条 pip 命令就能搞定说复杂也复杂因为 GPU 版本涉及 CUDA、cuDNN 的版本匹配问题稍有不慎就是一堆报错。我在不同机器上装过不下二十次踩过的坑足够写一本小册子。先给结论如果你只是学习和小规模实验直接用 pip 装 CPU 版本最省心如果你要做大规模训练GPU 版本是必须的但版本匹配一定要提前查清楚。在动手之前先确认几个关键信息操作系统是什么Windows、Linux、macOSPython 版本是多少TensorFlow 2.16 开始要求 Python 3.9 以上有没有 NVIDIA 显卡AMD 显卡不支持 CUDA 加速显卡的计算能力是否满足要求一般 3.5 以上就行。这些信息决定了你该走哪条安装路线。我个人的建议是新手直接用 Anaconda 创建虚拟环境来装不要在主环境里折腾。原因很简单TensorFlow 对依赖包的版本很敏感跟其他库混在一起容易冲突。虚拟环境可以随时删掉重建不会污染你的主环境。下面我分 CPU 和 GPU 两种情况来说。2.2 CPU 版本安装最省事的路径CPU 版本的安装流程非常直接。先创建虚拟环境conda create -n tf_env python3.11 conda activate tf_env然后安装 TensorFlowpip install tensorflow就这两步。装完之后验证一下import tensorflow as tf print(tf.__version__) print(tf.config.list_physical_devices(GPU))如果输出了版本号GPU 列表为空说明 CPU 版本装好了。CPU 版本适合学习、调试和小数据集实验跑 MNIST、CIFAR-10 这种规模的任务完全够用。但如果你要训练 ResNet、BERT 这类大模型CPU 跑起来会慢到让你怀疑人生。注意pip 安装时如果遇到网络超时可以加-i参数指定国内镜像源比如清华源或者阿里源速度会快很多。这个技巧在装任何 Python 包时都通用。2.3 GPU 版本安装版本匹配是核心GPU 版本的安装是新手最容易翻车的地方。核心问题在于TensorFlow 的每个版本都对 CUDA 和 cuDNN 有明确的版本要求装错了就是各种Could not load dynamic library的报错。我的做法是先去 TensorFlow 官网查版本对应表确认当前 TF 版本需要哪个 CUDA 和 cuDNN然后严格按照这个版本去装。以 TensorFlow 2.15 为例它需要 CUDA 12.2 和 cuDNN 8.9。安装步骤大致是先装 NVIDIA 显卡驱动这个版本要足够新再装 CUDA Toolkit然后装 cuDNN最后 pip 安装 TensorFlow。在 Linux 上可以用 conda 来管理 CUDA 和 cuDNN省去手动配置环境变量的麻烦conda install -c conda-forge cudatoolkit12.2 cudnn8.9 pip install tensorflow2.15Windows 上的话手动装 CUDA 和 cuDNN 更常见装完之后要把 cuDNN 的文件复制到 CUDA 的安装目录里再把 CUDA 的 bin 目录加到 PATH 环境变量中。这一步很多人会漏掉导致 TensorFlow 找不到 GPU。验证 GPU 是否可用import tensorflow as tf print(tf.config.list_physical_devices(GPU)) print(tf.test.is_built_with_cuda())如果 GPU 列表里能看到你的显卡is_built_with_cuda()返回 True那就成功了。2.4 安装踩坑速查表问题现象可能原因解决方法No module named tensorflow装到了错误的 Python 环境确认which python和pip指向同一环境Could not load dynamic library cudart64_xx.dllCUDA 版本不匹配查官网版本对应表重装对应 CUDAGPU 列表为空但 CUDA 已装环境变量未配置把 CUDA bin 目录加入 PATHDLL load failedVisual C 运行库缺失安装最新的 VC Redistributable安装速度极慢默认源在国外换国内镜像源内存溢出默认占满所有 GPU 显存设置tf.config.experimental.set_memory_growth最后一条特别重要。TensorFlow 默认会一次性占满所有 GPU 显存这在多人共用服务器时非常讨厌。我一般会在代码开头加上显存按需增长的配置gpus tf.config.experimental.list_physical_devices(GPU) if gpus: for gpu in gpus: tf.config.experimental.set_memory_growth(gpu, True)这样 TensorFlow 就会按实际需要分配显存而不是一上来就全部吃掉。3. 核心概念拆解张量、计算图与自动微分3.1 张量一切数据的基本单位TensorFlow 的名字本身就说明了它的核心——Tensor张量在 Flow流动。张量可以理解为多维数组0 维张量是标量1 维是向量2 维是矩阵3 维及以上就是高维张量。这跟 NumPy 的 ndarray 很像但张量多了两个关键能力可以在 GPU 上运算可以自动求导。创建一个张量很简单import tensorflow as tf a tf.constant([1, 2, 3]) b tf.constant([[1.0, 2.0], [3.0, 4.0]]) print(a.shape) # (3,) print(b.dtype) # float32张量的数据类型很重要。TensorFlow 默认用 float32 而不是 float64因为 float32 在 GPU 上运算更快、更省显存精度对大多数深度学习任务也够用。如果你从 NumPy 转数据过来记得检查 dtype不匹配的话会报错。张量的常用操作包括 reshape、transpose、concat、slice 等跟 NumPy 的 API 高度相似。我的经验是如果你熟悉 NumPy张量操作基本可以无缝迁移主要注意两点一是 TensorFlow 的张量是不可变的不能像 NumPy 那样原地修改二是涉及梯度的计算要用tf.GradientTape包起来。3.2 计算图与 Eager ExecutionTensorFlow 1.x 的核心是静态计算图先定义图结构再开 Session 执行。这种方式效率高、便于优化但调试困难写起来也啰嗦。2.x 默认开启了 Eager Execution也就是动态图模式代码写起来跟普通 Python 一样逐行执行、即时看到结果。# Eager 模式下直接就能算出结果 x tf.constant(3.0) y tf.constant(4.0) z tf.sqrt(x**2 y**2) print(z.numpy()) # 5.0但静态图并没有消失它藏在tf.function装饰器后面。你给一个 Python 函数加上tf.functionTensorFlow 就会把它追踪成一张计算图从而获得图执行的性能优势tf.function def compute(x, y): return tf.sqrt(x**2 y**2) result compute(tf.constant(3.0), tf.constant(4.0))这个机制叫 AutoGraph。我的实操心得是训练循环里的核心计算步骤用tf.function包起来能明显提速但调试阶段先别加因为图模式下的报错信息不如 Eager 模式直观。等代码跑通了再逐步加上去。3.3 自动微分GradientTape 的用法自动微分是深度学习框架的命脉。TensorFlow 用tf.GradientTape来记录前向计算过程然后反向求出梯度x tf.Variable(3.0) with tf.GradientTape() as tape: y x**2 2*x 1 grad tape.gradient(y, x) print(grad.numpy()) # 8.0这里x必须是tf.Variable类型普通常量不会被追踪。GradientTape 默认只记录一次调用一次gradient()之后就释放了。如果需要求二阶导数要加persistentTrue参数。注意GradientTape 只追踪在它上下文内发生的运算。如果你在 tape 外面算了某些中间变量再拿进来用梯度会断掉。这个坑我在写自定义训练循环时踩过好几次排查起来很费时间。理解了张量、计算图和自动微分这三个概念TensorFlow 的核心机制就掌握了大半。剩下的都是在这三者之上的封装和组合。4. 从建模到训练完整实操流程4.1 用 Keras 快速搭建模型Keras 是 TensorFlow 的高层 API也是官方推荐的建模方式。它提供了三种建模风格Sequential 顺序模型、Functional 函数式模型、Subclassing 子类化模型。我一般根据任务复杂度来选简单堆叠用 Sequential多输入多输出用 Functional需要自定义层或复杂控制流用 Subclassing。先看一个 Sequential 的例子做一个手写数字分类import tensorflow as tf from tensorflow.keras import layers, models model models.Sequential([ layers.Flatten(input_shape(28, 28)), layers.Dense(128, activationrelu), layers.Dropout(0.2), layers.Dense(10, activationsoftmax) ]) model.compile( optimizeradam, losssparse_categorical_crossentropy, metrics[accuracy] ) model.summary()model.summary()会打印出每一层的输出形状和参数量这个习惯我强烈建议养成。它能帮你快速发现维度不匹配的问题也能估算模型的显存占用。Functional API 适合更灵活的结构比如残差连接inputs layers.Input(shape(28, 28)) x layers.Flatten()(inputs) x layers.Dense(128, activationrelu)(x) residual x x layers.Dense(128, activationrelu)(x) x layers.Add()([x, residual]) outputs layers.Dense(10, activationsoftmax)(x) model models.Model(inputsinputs, outputsoutputs)这种写法把层当作函数来调用输入输出显式连接构建复杂拓扑时非常直观。4.2 数据管道的构建数据管道的效率直接决定了训练速度。TensorFlow 提供了tf.dataAPI 来构建高效的输入流水线。核心操作包括map预处理、batch批处理、shuffle打乱、prefetch预取。def preprocess(image, label): image tf.cast(image, tf.float32) / 255.0 return image, label train_ds tf.data.Dataset.from_tensor_slices((x_train, y_train)) train_ds train_ds.map(preprocess, num_parallel_callstf.data.AUTOTUNE) train_ds train_ds.shuffle(10000).batch(64).prefetch(tf.data.AUTOTUNE)这里有几个关键点值得展开。num_parallel_callstf.data.AUTOTUNE让 TensorFlow 自动决定并行处理的线程数比手动指定更省心。prefetch(tf.data.AUTOTUNE)让数据准备和模型计算重叠进行GPU 在算当前批次时CPU 已经在准备下一批数据了这个优化能显著提升 GPU 利用率。shuffle的缓冲区大小也有讲究。太小了打乱不充分太大了占内存。一般设成数据集大小的十分之一到全部之间我通常用 10000 起步。如果数据集本身就不大直接全量 shuffle 也行。4.3 训练、验证与回调模型编译好、数据准备好之后调用fit就能开始训练history model.fit( train_ds, epochs10, validation_dataval_ds, callbacks[ tf.keras.callbacks.EarlyStopping(patience3, restore_best_weightsTrue), tf.keras.callbacks.ModelCheckpoint(best_model.keras, save_best_onlyTrue), tf.keras.callbacks.ReduceLROnPlateau(factor0.5, patience2) ] )回调函数是 Keras 里非常实用的机制。EarlyStopping 在验证集指标不再提升时提前停止训练避免过拟合和无谓的计算ModelCheckpoint 自动保存最佳模型ReduceLROnPlateau 在指标停滞时降低学习率帮助模型跳出局部最优。这三个回调我几乎每次训练都会配上。history对象记录了每个 epoch 的训练和验证指标可以拿来画学习曲线import matplotlib.pyplot as plt plt.plot(history.history[accuracy], labeltrain) plt.plot(history.history[val_accuracy], labelval) plt.xlabel(Epoch) plt.ylabel(Accuracy) plt.legend() plt.show()看学习曲线是诊断模型问题的第一步。训练准确率上升但验证准确率下降说明过拟合两条线都上不去说明欠拟合或者学习率不对曲线剧烈震荡说明学习率太大或者 batch size 太小。4.4 自定义训练循环虽然fit很方便但有些场景需要更细粒度的控制比如自定义损失函数、梯度裁剪、多任务学习等。这时候就得写自定义训练循环optimizer tf.keras.optimizers.Adam(learning_rate1e-3) loss_fn tf.keras.losses.SparseCategoricalCrossentropy() tf.function def train_step(x, y): with tf.GradientTape() as tape: predictions model(x, trainingTrue) loss loss_fn(y, predictions) gradients tape.gradient(loss, model.trainable_variables) optimizer.apply_gradients(zip(gradients, model.trainable_variables)) return loss for epoch in range(10): for x_batch, y_batch in train_ds: loss train_step(x_batch, y_batch) print(fEpoch {epoch1}, Loss: {loss.numpy():.4f})自定义循环的灵活性在于你可以在梯度计算和参数更新之间插入任何操作比如梯度裁剪tf.clip_by_norm、梯度累积、混合精度训练等。代价是代码量增加而且容易出错所以除非有明确需求否则优先用fit。5. TensorFlow 与 PyTorch 的选型对比5.1 2024 年的流行趋势与格局聊 TensorFlow 就绕不开 PyTorch。2024 年的格局大致是这样的学术圈 PyTorch 占绝对主导新发表的论文里 PyTorch 实现的比例超过八成工业界两者都有大量使用TensorFlow 在部署和跨平台方面仍有优势。但这个格局不是一成不变的PyTorch 通过 TorchServe、ONNX 等工具在补齐部署短板TensorFlow 也在通过 Keras 3 支持多后端来增强灵活性。从招聘市场看两个框架的需求都很旺盛但方向略有不同。做算法研究和快速原型的岗位更看重 PyTorch做工程落地和生产部署的岗位对 TensorFlow 的需求更多。我的建议是如果时间有限只能学一个先学 PyTorch 上手做研究再补 TensorFlow 的部署能力如果目标是工业界的算法工程岗两个都得会。5.2 核心差异对比对比维度TensorFlowPyTorch计算图模式默认 Eager可选图模式默认动态图TorchScript 可静态化建模 APIKeras 高层封装完善原生 API 灵活高层封装较分散调试体验2.x 改善明显图模式仍较难动态图调试直观接近原生 Python部署生态TFLite、TF.js、TF Serving 成熟TorchServe、ONNX 逐步完善移动端支持TFLite 非常成熟PyTorch Mobile 相对较弱社区活跃度稳定但增速放缓学术社区极其活跃文档质量官方文档详尽教程丰富文档不错社区教程更多分布式训练tf.distribute 策略丰富DDP、FSDP 简洁高效这张表不是要分出高下而是帮你根据场景做选择。比如你要把模型部署到手机上TFLite 的成熟度目前还是领先的你要复现最新论文PyTorch 代码更容易找到。5.3 从 PyTorch 迁移到 TensorFlow 的注意事项如果你已经会 PyTorch转 TensorFlow 有几个思维差异需要适应。第一TensorFlow 的层和模型有training参数Dropout 和 BatchNorm 在训练和推理时行为不同调用时要显式传trainingTrue/False而 PyTorch 用model.train()和model.eval()切换。第二TensorFlow 的损失函数对标签格式有要求sparse_categorical_crossentropy接受整数标签categorical_crossentropy接受 one-hot 标签搞混了会报维度错误。第三TensorFlow 的tf.function追踪机制有副作用Python 的 print 只在追踪时执行一次调试时容易困惑。我自己的迁移经验是先把 PyTorch 的模型结构在纸上画出来然后逐层用 Keras 对应实现最后对比两个框架在相同输入下的输出是否一致。这个对齐过程能帮你快速发现理解偏差。6. 常见问题与排查技巧实录6.1 训练过程中的典型报错维度不匹配是最常见的错误。报错信息通常是ValueError: Shapes (None, 10) and (None, 1) are incompatible之类。排查方法是打印每一层的输出形状用model.summary()看或者在关键位置插入print(x.shape)。十有八九是损失函数选错了或者标签的编码方式不对。Loss 变成 NaN也很常见。原因可能是学习率太大、数据里有异常值、或者出现了除零操作。我的排查顺序是先把学习率降一个数量级试试如果还不行就检查数据用tf.debugging.check_numerics定位是哪一步出的问题。梯度裁剪也是常用的兜底手段。GPU 显存不足OOM在训练大模型时经常遇到。解决办法有几个减小 batch size、用混合精度训练、开启梯度检查点、或者用梯度累积模拟大 batch。混合精度训练在 TensorFlow 里很简单policy tf.keras.mixed_precision.Policy(mixed_float16) tf.keras.mixed_precision.set_global_policy(policy)这一行配置能让大部分计算用 float16 跑显存占用几乎减半速度也有提升精度损失通常可以接受。6.2 性能优化实战技巧训练慢是另一个高频痛点。我总结了一套排查流程先用 TensorBoard 看 GPU 利用率如果利用率长期低于 50%说明瓶颈在数据管道而不是模型计算。这时候要优化tf.data的配置增加num_parallel_calls、开启prefetch、把预处理逻辑尽量向量化。如果 GPU 利用率很高但训练还是慢那可能是模型本身的问题。可以尝试用tf.function包装训练步骤、开启 XLA 编译tf.config.optimizer.set_jit(True)、或者换更高效的优化器。XLA 能把多个小算子融合成一个大算子减少 kernel 启动开销在某些模型上提速明显。还有一个容易被忽视的点是数据格式。如果数据是 JPEG 图片每次读取都要解码很耗时。可以提前把数据转成 TFRecord 格式读取时直接反序列化速度会快很多。这个优化在大规模训练时效果显著。6.3 模型保存与加载的坑TensorFlow 的模型保存格式经历过几次变化从早期的 checkpoint 到 SavedModel 再到现在的 Keras 格式很多人搞不清楚该用哪个。我的建议是训练过程中用 ModelCheckpoint 保存.keras格式部署时导出 SavedModel 格式。# 保存 model.save(my_model.keras) # 加载 loaded_model tf.keras.models.load_model(my_model.keras) # 导出为 SavedModel 用于部署 model.export(saved_model_dir)自定义层或自定义损失函数在加载时容易出问题因为反序列化时需要能找到对应的类定义。解决办法是在加载时通过custom_objects参数传入或者用tf.keras.utils.register_keras_serializable装饰器注册。注意用model.save()保存的模型包含完整结构、权重和优化器状态文件较大如果只需要权重用model.save_weights()更轻量。加载权重时模型结构必须先定义好且要完全一致。6.4 常见问题速查表问题排查方向快速解决Loss 不下降学习率、数据归一化、标签格式降学习率检查数据范围验证集表现差过拟合加 Dropout、正则化、数据增强训练速度慢数据管道、GPU 利用率优化 tf.data开混合精度显存溢出batch size、模型大小减 batch开梯度检查点加载模型报错自定义对象未注册用 custom_objects 传入预测结果全一样模型未训练好或输入未预处理检查预处理一致性多 GPU 训练报错策略配置用 MirroredStrategy 正确包裹这张表里的每一条我都在实际项目中遇到过尤其是预测结果全一样这个新手特别容易懵。后来发现是推理时忘了做和训练时一样的归一化输入分布不一致导致模型输出恒定。这个教训告诉我预处理逻辑一定要封装成函数复用训练和推理走同一套代码。7. 部署与生态TensorFlow 的差异化优势7.1 多平台部署能力TensorFlow 最引以为傲的就是它的部署生态。训练好的模型可以通过不同工具部署到各种平台服务器端用 TF Serving移动端用 TFLite浏览器用 TF.js边缘设备用 TFLite Micro。这套工具链的完整度是它相比 PyTorch 的明显优势。TFLite 的转换流程很直接converter tf.lite.TFLiteConverter.from_saved_model(saved_model_dir) converter.optimizations [tf.lite.Optimize.DEFAULT] tflite_model converter.convert() with open(model.tflite, wb) as f: f.write(tflite_model)Optimize.DEFAULT会启用量化把 float32 权重转成 int8模型体积缩小到四分之一左右推理速度提升明显精度损失通常在 1% 以内。如果对精度要求极高可以用Optimize.NONE保持原始精度。7.2 TensorBoard 可视化TensorBoard 是我离不开的工具。它不仅能看 loss 和 accuracy 曲线还能看计算图、权重分布、图像数据、嵌入向量等。配置很简单tensorboard_callback tf.keras.callbacks.TensorBoard( log_dir./logs, histogram_freq1, write_graphTrue ) model.fit(train_ds, epochs10, callbacks[tensorboard_callback])然后在命令行启动tensorboard --logdir ./logs浏览器打开对应地址就能看到可视化面板。我特别推荐用它的 Profiler 功能分析性能瓶颈能看到每个算子的耗时占比定位优化点非常准。7.3 生产级流水线 TFX如果你的模型要上生产环境TFX 值得了解。它提供了一整套组件数据验证、数据转换、模型训练、模型评估、模型推送。每个组件都是可复用的能串成自动化流水线。虽然学习曲线陡峭但对于需要持续迭代的工业级项目这套体系能大幅降低维护成本。不过说实话TFX 对中小团队来说有点重。我的一般建议是模型还在探索阶段用 Keras 加 TensorBoard 就够了确定要上生产了再逐步引入 TFX 的组件不用一上来就全套上。8. 学习路径与实战建议8.1 分阶段的学习路线我带过不少新人总结出一条比较高效的学习路径。第一阶段花两三天把张量操作和自动微分搞熟用tf.GradientTape手写几个简单函数的导数建立直觉。第二阶段用 Keras 跑通 MNIST 和 CIFAR-10 两个经典任务理解完整的建模、训练、评估流程。第三阶段深入tf.data和自定义训练循环学会处理真实数据集。第四阶段挑一个自己感兴趣的方向图像、文本、时序做一个小项目从数据收集到模型部署走一遍全流程。这个路径的关键是每个阶段都要动手写代码光看教程不写等于没学。我见过太多人收藏了一堆教程真到用的时候还是不知道从哪下手。编程这东西肌肉记忆比理解更重要。8.2 几个实用的学习资源官方文档永远是最好的起点TensorFlow 官网的教程质量很高而且有 Colab 版本可以直接跑。Keras 官网的示例库也值得翻里面有很多经典模型的完整实现。遇到具体问题Stack Overflow 和 GitHub Issues 是主要阵地搜索时把报错信息完整贴进去通常能找到答案。我个人的习惯是维护一个自己的代码片段库把常用的模型结构、数据管道、训练循环、部署脚本都存起来下次做新项目直接改改就能用。这个习惯帮我省了大量重复劳动。8.3 给不同背景读者的建议如果你是完全的新手别被 TensorFlow 庞大的生态吓到先从 Keras 的 Sequential 模型入手跑通一个简单任务建立信心。如果你有机器学习基础但没接触过 TensorFlow重点适应它的 API 风格和 Eager/图模式的双重机制。如果你是从 PyTorch 转过来的把精力放在部署工具链和tf.data上这些是 TensorFlow 的强项。最后分享一个我自己的体会框架只是工具真正决定项目成败的是对问题的理解、数据的质量和实验的设计。我见过用 TensorFlow 写出糟糕模型的人也见过用 PyTorch 做出优秀产品的人。选一个顺手的框架把精力花在真正重要的事情上这才是正道。TensorFlow 也好PyTorch 也罢能把想法落地、能解决实际问题的就是好工具。

TensorFlow 2.x 实战指南：从安装到部署的完整解析

相关推荐

深入解析Kubernetes核心组件与运维实践

Web4资本基础设施：数字资产流动性的技术革命

MGR集群数据恢复实战指南与最佳实践

更多资讯

产业互联网投资逻辑与核心赛道解析

CS2更新后掉帧卡顿闪退：一小时定位根因排查法

ICLR 2026论文揭示AI研究的未解难题与实战经验

Univer SDK：可编程文档能力的开源技术底座

前端模块系统兼容性问题解决方案

大模型与推荐系统融合：QARM V2架构解析与实践

今日更新

淘宝商品详情API开发实战与性能优化指南

Unity Package Manager刷新错误排查与解决方案

Java record 规范构造器能否被反序列化或反射绕过

本周精选

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

本月热门

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

读完文章，想聊聊您的网站？