PyTorch深度学习入门：从环境搭建到实战MNIST手写识别-北京尧图网络

1. 先建立全局视野深度学习的价值与核心脉络1.1 深度学习到底能干什么一个场景化的初印象聊到深度学习很多新手第一反应是高深门槛高一堆数学公式但用我自己的经验来看它本质上是让计算机从数据里自己找规律的一套方法。它不靠人手工设计规则而是通过大量样本自动学习特征。比如你想让程序分辨一张图片里是猫还是狗传统做法需要人为定义毛发颜色、耳朵形状、眼睛位置等一大堆规则费力且效果差深度学习则直接把成万张带标签的图片丢给模型它自己会总结出什么样的像素组合更像猫。这套思路在最近十年全面爆发覆盖了计算机视觉、自然语言处理、语音识别、医学影像分析、自动驾驶、工业质检等多个领域。搜索结果里的热搜词几乎映射出学习者的真实诉求有人想学CNN做图像分类有人想用YOLO做目标检测有人做高光谱遥感影像分析还有人研究Transformer及其变体在医学诊断里的应用。不管是科研还是工程落地深度学习已经成了绕不开的基本功。而PyTorch之所以成为绝大多数人的首选工具是因为它把搭建神经网络、训练模型、部署推理这件事的工程门槛降到了极低。你可以像写普通Python代码一样定义网络调试时能直观看到每一层的输入输出这在早期TensorFlow静态图时代是难以想象的。这篇内容我会从宏观认知讲到环境搭建再到核心组件拆解和完整实战过程中穿插大量我实际踩过的坑和解决方案希望能帮你建立一条清晰的学习路径。1.2 术语背后的真实结构神经网络、训练与推理初学深度学习最容易被一堆术语吓住但拆开来看其实不复杂。一个典型的深度神经网络本质上就是多层嵌套的数学函数。输入是一组数据比如图片的像素值这些数据经过每一层的加权求和、偏置相加和激活函数变换逐层传递到输出层最终得到预测结果。所谓深度就是指中间的隐藏层数量足够多。整个系统的核心运作可以拆为两个阶段。第一个阶段是训练也就是让模型从数据里学习参数。模型先做一次前向计算得出预测值然后计算预测值与真实标签之间的差距这个差距就是损失值接着框架通过反向传播算法把差距从输出层逐层往回传导计算出每个参数的梯度再用优化器更新这些参数。如此反复迭代损失值不断下降模型预测越来越准。第二个阶段是推理即模型训练好后输入新数据直接得到预测结果这个过程不再更新参数。热词列表里反复出现的激活函数就是在这个流程里发挥作用的。它的作用是引入非线性。如果没有激活函数无论网络叠多少层本质上都是一个线性变换根本学不了复杂模式。最常用的10个激活函数里ReLU是当前默认选择计算快、能缓解梯度消失Sigmoid和Tanh偏早期现在更多用在特定的输出层场景Softmax则专门用于多分类任务的最后一层把输出转换为概率分布。这部分如果你已经能看懂那说明你的认知框架已经初步建立。接下来就是选择一个趁手的框架把前面这些理论概念落地成能跑的代码。我的建议很直接选PyTorch原因下面详聊。2. 为什么我推荐用PyTorch作为入门框架2.1 动态计算图的调试优势PyTorch最大的特点就是动态计算图。这个词听起来抽象我换个说法程序执行到哪一行计算图就构建到哪一步你可以随时print出中间任何张量的值可以用普通的if、for、while语句控制网络结构可以像调试普通Python程序一样打断点。而早期静态图框架的思路是先定义完整的计算图再整体执行调试时像隔着玻璃看机器运转出了问题很难定位。这个过程对新手来说极其重要。我自己早期用TensorFlow 1.x的时候经常因为图定义和实际执行的上下文不一致报错信息晦涩难懂排查半天也不知道是维度错了还是数据类型错了。换成PyTorch之后所见即所得让整个学习和调试过程顺畅了很多。现在的TensorFlow 2.x也引入了动态图机制Eager Execution但PyTorch在社区习惯、API设计以及学术研究领域的根深蒂固程度仍然是无可替代的。2.2 PyTorch生态里你必然遇到的几个库从热词里可以看到很多人问python常用视觉库和深度学习库其实就是深度学习生态的基本构成。用PyTorch做项目时你几乎必然会接触到以下几个库torchPyTorch本体负责张量运算、自动求导和神经网络模块。torchvision计算机视觉配套库内置常用数据集CIFAR-10、MNIST、ImageNet子集、预训练模型ResNet、VGG、MobileNet和图像变换工具。torchaudio音频处理库做语音识别、声音分类、人声分离等任务时用。transformersHugging Face出品虽然不是PyTorch官方库但几乎所有Transformer架构BERT、GPT、ViT等都有PyTorch实现。numpy严格说它不是深度学习库但所有数据预处理几乎离不开它PyTorch张量和NumPy数组互转非常方便。matplotlib / opencv / PIL用于图像显示、读取和基础处理。还有一个容易被忽略的库是tensorboard或tensorboardX用来看训练曲线、对比不同超参数的效果。可视化训练过程能帮你快速判断模型是否正常是排查问题的重要工具。2.3 TensorFlow与PyTorch的选型考量热词里有一条是tensorflow与pytorch的流行趋势 2024年。从近几年的论文开源代码比例、招聘岗位需求、社区问答活跃度来看PyTorch在学术界已经是事实标准工业界的渗透率也逐年上升。很多公司新启动的AI项目都优先考虑PyTorch因为招聘容易、调试效率高而且通过TorchServe或ONNX导出后部署并没有想象中麻烦。TensorFlow的优势主要体现在TensorFlow Serving、TF Lite等生产部署工具链的成熟度加上Keras API对新手确实友好。但如果你是一个刚入门的个人学习者我更建议你把PyTorch作为主框架。原因很简单学习资料多、试错反馈快、遇到问题更容易搜到解决方案。深度学习入门阶段最宝贵的资源是快速验证想法的效率和能看懂报错并解决的体验这两点PyTorch都做得很好。3. 环境搭建从零开始装好PyTorch的完整流程3.1 先分清自己的硬件CPU版与GPU版的区别如果你搜pytorch安装或pytorch环境搭建网上会给出海量教程但很多人装完就卡在装哪个版本的问题上。我的建议是先确认你的电脑有没有NVIDIA独立显卡。有NVIDIA显卡且驱动正常优先装GPU版。GPU能极大加速矩阵运算尤其是卷积层和全连接层的计算训练速度通常是CPU的几十倍。没有NVIDIA显卡也不用灰心装CPU版照样能跑通所有课程案例和中小规模项目最多就是训练时间会长一些。真正上手跑MNIST、CIFAR-10这类入门数据集CPU是完全吃得消的。判断显卡型号在Windows上打开任务管理器查看性能-GPU在Ubuntu上执行nvidia-smi命令能正常显示显卡信息就说明驱动没问题。注意一个问题老显卡的算力可能不支持新版CUDA装之前最好先确认PyTorch官方对显卡算力Compute Capability的最低要求。3.2 Anaconda创建独立环境的步骤我强烈建议所有初学者用Anaconda来管理Python环境而不是直接把PyTorch装进系统Python。原因在于深度学习项目的依赖经常互相冲突这个项目需要PyTorch 1.13那个项目需要PyTorch 2.8如果没有环境隔离Python包管理会变成一场灾难。具体步骤非常简单。首先去Anaconda官网下载对应操作系统的安装包在Ubuntu上也可以通过清华镜像源下载安装脚本。装好后打开终端Windows用户打开Anaconda Prompt执行conda create -n deeplearning python3.10 conda activate deeplearning这里我推荐Python 3.10或3.11这两个版本兼容性广PyTorch官方对它们的支持最完善。热词里有人提到python 3.10.11 pytorch 2.8.0 cuda 12.1组合包这个组合在Windows下实测是可以稳定运行的。创建环境时顺便指定Python版本能避免后面一大堆版本兼容问题。3.3 GPU版安装要点与下载慢的解决方案激活环境后安装PyTorch的官方命令其实只有一行。先到PyTorch官网首页选择你的操作系统和安装方式pip还是conda、CUDA版本网站会自动生成命令。举个例子安装支持CUDA 12.1的PyTorch 2.8.0pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121如果你没有NVIDIA显卡或者只是想在CPU上跑pip install torch torchvision torchaudio很多国内用户会遇到下载速度极慢甚至失败的情况因为默认源在境外。解决办法是把pip源切换到清华镜像或阿里云镜像然后额外添加PyTorch的镜像地址。以清华源为例pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple这里有个细节用清华源装PyTorch可能拿不到你想要的最新CUDA版本如果你需要特定CUDA组合而国内源里找不到对应版本可以考虑用--extra-index-url同时指定PyTorch官方源和国内源实现下载走国内、版本从官方的效果。另外开代理这类方案我在这里不展开也不建议依赖它国内网络环境下直接用镜像源是更稳定的选择。3.4 装完怎么验证环境装完之后千万不要急着写代码先做一次完整的验证。在终端执行python -c import torch; print(torch.__version__)能正常输出版本号说明安装成功。接着验证CUDA可用性python -c import torch; print(torch.cuda.is_available())如果输出True说明GPU版本安装成功且能检测到显卡。输出False的话先确认你装的是GPU版、显卡驱动正常再检查CUDA版本是否匹配。这一步排查节点很多我把常见问题整理在后面的章节里。对于Ubuntu系统的用户虚拟环境安装完PyTorch后还需要确认系统里是否有libopenblas等基础依赖某些精简版Ubuntu系统可能需要手动补装。CentOS离线安装的情况更特殊建议提前下载好对应Python版本的whl包在目标机器上pip install本地文件这个方法最稳妥不依赖外网。4. PyTorch核心组件解读搞懂这四样就入门了4.1 张量带GPU加速的数组PyTorch里的张量Tensor本质上是NumPy数组的升级版。它有数据类型、形状和维度同时多了两个关键能力一是可以自动求导在设定requires_gradTrue时二是可以随计算图在CPU和GPU之间自由迁移。创建张量的方式很简单import torch # 从列表创建 x torch.tensor([[1, 2], [3, 4]]) # 创建全零/全一张量 zeros torch.zeros(3, 4) ones torch.ones(2, 3) # 创建随机张量 rand_tensor torch.randn(5, 5) # 查看形状 print(x.shape)实际项目中数据通常先用PIL或OpenCV读成NumPy数组再用torch.from_numpy()转成张量。这里有一个新手高频错误NumPy数组默认是float64或uint8而PyTorch模型训练通常要求float32转换后必须手动float()或to(torch.float32)否则在后续计算中会报类型不匹配的错误。张量还有一个重要特性是设备CPU张量和GPU张量不能直接做运算。常用的做法是定义模型后统一model.to(device)再把每个batch的数据也data.to(device)。这个习惯越早养成越好否则后面做任何大模型训练都会掉进设备不一致的坑里。4.2 自动求导框架替你算梯度反向传播是深度学习的核心算法但你在PyTorch里几乎不需要手写它因为框架的自动求导机制已经帮你做好了。你只需要把计算过程写出来然后在损失张量上调用backward()PyTorch就会自动沿着计算图反向计算所有requires_gradTrue的张量的梯度。看一个最简单的例子import torch x torch.tensor([2.0], requires_gradTrue) y x ** 2 3 * x 1 y.backward() print(x.grad) # tensor([7.])这段代码里y对x的导数是2x 3当x2时导数为7PyTorch算出来的结果完全正确。理解这个机制后你就明白训练过程中的反向传播其实只需要一行loss.backward()剩下的梯度计算都由框架完成。这也是为什么我把自动求导列为入门的核心概念之一——你要理解它的存在和限制但不需要亲手实现它。值得注意的是梯度累积和清零问题。默认情况下梯度会自动累加所以在每次更新完参数后必须手动清零optimizer.zero_grad()。忘了清零是训练曲线异常波动的最常见原因之一我见过太多新手在这一点上栽跟头。4.3 nn.Module与网络搭建PyTorch把网络层抽象成了nn.Module类。你定义任何一个神经网络都要继承这个类在__init__方法里声明网络层在forward方法里定义数据的前向传播过程。以最简单的多层感知机MLP为例import torch.nn as nn class SimpleMLP(nn.Module): def __init__(self, input_dim784, hidden_dim128, num_classes10): super(SimpleMLP, self).__init__() self.fc1 nn.Linear(input_dim, hidden_dim) self.relu nn.ReLU() self.fc2 nn.Linear(hidden_dim, num_classes) def forward(self, x): x self.fc1(x) x self.relu(x) x self.fc2(x) return x定义好之后实例化模型把数据丢进去就能得到输出。nn.Linear是全连接层nn.Conv2d是卷积层nn.LSTM是循环层nn.TransformerEncoderLayer是Transformer编码层。PyTorch几乎把所有经典网络层都封装好了你要做的只是把它们像积木一样搭建起来。这里我想特别强调forward方法的意义。在PyTorch动态图机制下forward就是普通的Python函数完全可以用if、for循环控制数据流。比如实现一个只有输入维度大于某个值才使用Dropout的网络这在静态图框架里很别扭在PyTorch里就是两行代码的事。4.4 DataLoader、损失函数与优化器除了模型本身PyTorch还有三个组件贯穿整个训练流程。第一个是Dataset和DataLoader负责数据读取和批次生成。Dataset定义如何取一条样本DataLoader负责自动打乱、分批、多进程加速加载。第二个是损失函数分类任务常用nn.CrossEntropyLoss回归任务常用nn.MSELoss它们能在loss.backward()之前计算出衡量预测与标签差距的标量。第三个是优化器常用torch.optim.Adam和torch.optim.SGD负责根据梯度更新模型参数。一个标准的训练循环长这样import torch.optim as optim model SimpleMLP() criterion nn.CrossEntropyLoss() optimizer optim.Adam(model.parameters(), lr0.001) for epoch in range(10): for images, labels in train_loader: outputs model(images) loss criterion(outputs, labels) optimizer.zero_grad() loss.backward() optimizer.step()这套模板看起来简单但几乎覆盖了PyTorch训练的全部核心逻辑。后面无论做CNN、RNN还是Transformer骨架都是这几行只是网络结构和数据预处理不同。把这个模板刻进肌肉记忆里你后续的学习效率会高很多。5. 实战用PyTorch训练第一个手写数字识别模型5.1 数据准备与预处理刷再多的理论不如跑通一个完整的实战。MNIST手写数字识别是深度学习的Hello World数据集包含6万张28x28的灰度手写数字图片任务是对每一张图片分类为0-9的数字。用PyTorch自带的torchvision数据下载和预处理非常轻松import torch import torchvision import torchvision.transforms as transforms transform transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) train_dataset torchvision.datasets.MNIST( root./data, trainTrue, transformtransform, downloadTrue ) train_loader torch.utils.data.DataLoader( train_dataset, batch_size64, shuffleTrue )代码里的Normalize是标准化操作MNIST数据集的全局均值和标准差是固定的(0.1307, 0.3081)把它写死即可。标准化能帮助模型更快收敛这是深度学习训练的通用技巧。很多人第一次跑这个例子时会直接把下载好的数据集文件放在项目目录下这个没问题。但如果你的网络下载慢可以用现成的压缩包手动放到root指定的目录里PyTorch会自动识别不需要非得通过它的下载机制。5.2 模型定义与训练循环我用一个简洁的CNN模型来做这个任务卷积层提取局部特征全连接层做最终分类import torch.nn as nn import torch.optim as optim class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() self.conv1 nn.Conv2d(1, 32, kernel_size3, padding1) self.conv2 nn.Conv2d(32, 64, kernel_size3, padding1) self.pool nn.MaxPool2d(2, 2) self.fc1 nn.Linear(64 * 7 * 7, 128) self.fc2 nn.Linear(128, 10) self.relu nn.ReLU() def forward(self, x): x self.pool(self.relu(self.conv1(x))) x self.pool(self.relu(self.conv2(x))) x x.view(x.size(0), -1) x self.relu(self.fc1(x)) x self.fc2(x) return x device torch.device(cuda if torch.cuda.is_available() else cpu) model SimpleCNN().to(device) criterion nn.CrossEntropyLoss() optimizer optim.Adam(model.parameters(), lr0.001) for epoch in range(5): running_loss 0.0 for images, labels in train_loader: images, labels images.to(device), labels.to(device) outputs model(images) loss criterion(outputs, labels) optimizer.zero_grad() loss.backward() optimizer.step() running_loss loss.item() print(fEpoch {epoch1}, Loss: {running_loss / len(train_loader):.4f})训练过程中一个明显的现象是损失值逐步下降比如从最初Epoch 1的0.3左右下降到Epoch 5的0.05附近。训练完成后在测试集上评估一下准确率correct 0 total 0 with torch.no_grad(): for images, labels in test_loader: images, labels images.to(device), labels.to(device) outputs model(images) _, predicted torch.max(outputs, 1) total labels.size(0) correct (predicted labels).sum().item() print(fAccuracy: {100 * correct / total:.2f}%)一个简单的两层卷积网络大约能到98%-99%的准确率这种几十行代码让准确率达到99%的正反馈体验是入门深度学习最重要的信心来源。跑通这个流程之后再去看ResNet、YOLO这些复杂网络你会发现它们只是在这个骨架上增加层数和机制。5.3 从MNIST到YOLO视觉检测项目的扩展思路热词里频繁出现基于视觉检测的深度学习模型构建深度学习 yolo halcon遥感影像深度学习框架搭建这说明很多读者最终的目标是目标检测这一类更复杂的视觉任务。MNIST跑通后下一步拓展路径其实很清晰。YOLO系列是当前工业界最常用的目标检测模型之一负责在图片中定位多个目标并分类。用PyTorch复现YOLO的关键数据集一般是COCO或VOC格式整个系统包括特征提取主干网络Backbone、特征融合结构Neck以及检测头Head再加上NMS非极大值抑制等后处理步骤。对入门者来说直接手撸YOLO训练流程的难度偏高更稳妥的做法是从ultralytics这个库入手它把YOLOv5/v8的加载、训练、推理封装得非常完整几行代码就能跑通自己的数据。无论是MNIST还是YOLO基础思路是一致的准备数据、定义模型、编写训练循环、评估效果。基础越扎实后面迁移到遥感影像、医学图像、工业质检等垂直场景就越从容。6. 新手最常踩的坑这些问题我都替你试错过6.1 维度不匹配报错信息是唯一的排查线索PyTorch里的维度错误是最常见的报错。比如你把[batch_size, 28, 28]的图片数据直接喂给了nn.Linear(784, 10)它会提示mat1 and mat2 shapes cannot be multiplied之类的错误。这类问题的核心在于全连接层期望输入的是一个二维矩阵[batch_size, features]而图像数据是三维张量[batch_size, height, width]必须在进入全连接层之前用view()或flatten()把它展平。排查的思路很简单在出错的代码前面加上print(x.shape)看看当前张量到底是什么形状再对照网络定义的输入要求。这个习惯能帮你节省至少一半的debug时间。我见过太多初学者被报错吓住其实报错已经告诉了你关键信息只是你需要学会读它。6.2 设备不匹配CPU与GPU混用的连环坑Expected all tensors to be on the same device这句话出现的频率仅次于维度错误。根本原因是模型在GPU上而输入数据还在CPU内存里或者一个batch的数据同时在CPU和GPU上。解决方案其实只有一句模型和数据都调用.to(device)。我在实战中习惯把设备的定义写在一个统一的位置device torch.device(cuda if torch.cuda.is_available() else cpu) model model.to(device)然后在训练循环里每次取出batch后立刻images, labels images.to(device), labels.to(device)还有一个细节容易被忽略模型定义后如果先创建了优化器然后再model.to(device)其实没关系optimizer保存的是参数引用设备迁移后它仍然指向正确的参数。但如果你在模型迁移之前就创建了优化器然后再调用model.cuda()或model.to(device)优化器里的参数引用可能会失效。稳妥的顺序是先model.to(device)再optimizer optim.Adam(model.parameters(), lr...)。6.3 过拟合与欠拟合从训练曲线判断模型状态训练过程不只是看准确率更要观察训练集和验证集的表现差距。如果训练集准确率不断上升但验证集准确率停滞甚至下降典型的过拟合意味着模型把训练样本里的噪声也记住了。解决手段包括增加数据增强、加入Dropout、使用权重衰减weight decay、缩小模型规模等。如果训练集和验证集的准确率都很低损失值下降缓慢则是欠拟合说明模型容量不够或者训练策略有问题。可以尝试增大模型、增加训练轮数、调整学习率。我个人的经验是先在小规模数据上做过拟合测试用100条数据训练到100%准确率确认模型本身能学会再拿到完整数据上做训练和调参这种方法能迅速排除模型结构有问题这种低级错误。6.4 显存不足与训练中断的处理跑图像模型经常会遇到CUDA out of memory错误。出现这个情况第一反应不要慌优先尝试减小batch_size这是最直接的降显存手段。其次把图片尺寸缩小比如从224x224降到160x160。如果还不行检查代码里是否有在循环中累积张量的操作比如用loss_list.append(loss.item())没问题但如果你append(loss)本身计算图会一直缓存显存就会越占越大。一个容易被忽视的点是验证阶段也要用with torch.no_grad():包裹推理过程。如果不加这个上下文管理器模型推理时仍会构建计算图非常耗显存。我刚开始实践时经常在这里踩坑后来养成了训练和验证都用no_grad包裹的习惯显存占用明显下降。7. 学习路径建议照着这条路走不会乱7.1 数学和Python需要准备到什么程度很多人在入门深度学习前会被需要深厚数学功底的说法吓退。实际情况是入门阶段只需要掌握线性代数里的矩阵乘法、向量运算微积分里的导数与链式法则概率论里最基本的期望和分布概念。这些知识不一定需要系统刷完一整本教材遇到具体概念时再去查就能解决问题。Python方面你需要熟悉基本语法、面向对象思想、NumPy基础操作。如果你能熟练读写列表推导式、会用lambda、能理解类和方法的关系就已经具备上手PyTorch的前提。热词里提到的深度学习的数学使用python这类书推荐在遇到具体困惑时当工具书翻查而不是一口气从头啃到尾。7.2 推荐资源与实操节奏热词列表里有动手深度学习100个深度学习案例花书深度学习电子版等资源。我的顺序建议是先跟着《动手学深度学习》D2L的PyTorch版把前几章内容用代码实践一遍比如线性回归、Softmax回归、多层感知机、卷积神经网络。这本书开源且中文版做得很好每一节都有可运行代码非常适合边看边敲。《花书》也就是Ian Goodfellow的《深度学习》偏理论适合有一定基础之后再钻研不建议一上来就精读。整合百个深度学习案例的学习思路本质上和D2L是一致的做一个案例理解一条完整链路举一反三。实操节奏方面我的建议是不追求多要追求完整。一个月内把MNIST、Fashion-MNIST、CIFAR-10三个经典数据集都跑通每一步都理解数据怎么流动、梯度怎么更新、损失怎么下降之后你对深度学习的整体感觉会完全不一样。再往后可以尝试用PyTorch实现一个简易的Transformer或微调一个YOLO模型配合实际数据做一个小项目。我在给身边朋友的建议里一直强调带上问题去学是最有效的方式。不用等把所有理论都搞懂才动手先跑起来遇到问题再倒回去查理论这个正循环会带你走得更远。深度学习这条路上没有捷径但选对方向、用对工具、踩对节奏你完全可以在几个月内从零基础走到独立实现一个像样的视觉项目。

PyTorch深度学习入门：从环境搭建到实战MNIST手写识别

相关推荐

ECC内存纠错原理与Linux实战监控指南

STM32厨房安全监测系统：ESP01S+OneNET+小程序全链路实战

汽车应急启动电源实测选购指南：电流、容量、线缆与避坑要点

更多资讯

AI大模型在能耗管理中的应用实践：从异常归因到节能建议的落地路径

Word转PDF公式符号消失的6种解决方案

IRC5 M2004控制器电路图识读与运行链排错指南

小白鼠群体排队行为的神经机制与算法应用

高并发场景下外卖试吃API熔断与降级实战

Wincoot NCS tools实战：连接状态诊断、僵尸清理与配置迁移技巧

今日更新

PLFM_RADAR：从被动告警到主动感知的微服务健康监控系统

SPI隔离设计实战：MAX14431BAEE+与STM32F407工业级应用

数字隔离器如何根治SPI通信地环路干扰：MAX14431与TM4C129实战

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？