代码文件

import os

import numpy as np  # linear algebra
np.random.seed(2022)
import pandas as pd  # data processing
from sklearn.model_selection import train_test_split

id_lookup_table = "facial-keypoints-detection/IdLookupTable.csv"
sample_Submission = "facial-keypoints-detection/SampleSubmission.csv"

# 读取数据集
train_df = pd.read_csv('training.csv')
idLookupTable = pd.read_csv(id_lookup_table)
sampleSumission = pd.read_csv(sample_Submission)

# 缺失值填充
train_df.fillna(method='ffill', inplace=True)

# 处理训练数据
image_df = train_df['Image']
imageArr = []
for i in range(0, len(image_df)):
    img = image_df[i].split()
    img = ['0' if x == '' else x for x in img]
    imageArr.append(img)
x_train = np.array(imageArr, dtype='float')
x_train = x_train.reshape(-1, 96, 96, 1)
print(x_train.shape)

keypoints_df = train_df.drop('Image', axis=1)
y_train = np.array(keypoints_df, dtype='float')
print(y_train.shape)

x_train, x_test, y_train, y_test = train_test_split(x_train, y_train)

from keras.models import Sequential
from keras.layers import Convolution2D, MaxPooling2D, BatchNormalization, Flatten, Dense, Dropout
from keras.layers.advanced_activations import LeakyReLU

# 构建模型
model = Sequential()
model.add(Convolution2D(32, (3, 3), padding='same', use_bias=False, input_shape=(96, 96, 1)))
model.add(LeakyReLU(alpha=0.1))
model.add(BatchNormalization())

model.add(Convolution2D(32, (3, 3), padding='same', use_bias=False))
model.add(LeakyReLU(alpha=0.1))
model.add(BatchNormalization())
model.add(MaxPooling2D(pool_size=(2, 2)))

########## Begin ##########
# 卷积层，卷积核数为 64，卷积核大小为 (3, 3)，padding 为 same，use_bias 设置为 False
model.add(Convolution2D(64, (3, 3), padding='same', use_bias=False))

# 激活函数层
model.add(LeakyReLU(alpha=0.1))

# 批标准化层
model.add(BatchNormalization())
########## End ##########

model.add(Convolution2D(64, (3, 3), padding='same', use_bias=False))
model.add(LeakyReLU(alpha=0.1))
model.add(BatchNormalization())
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Convolution2D(96, (3, 3), padding='same', use_bias=False))
model.add(LeakyReLU(alpha=0.1))
model.add(BatchNormalization())

model.add(Convolution2D(96, (3, 3), padding='same', use_bias=False))
model.add(LeakyReLU(alpha=0.1))
model.add(BatchNormalization())
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Convolution2D(128, (3, 3), padding='same', use_bias=False))
model.add(LeakyReLU(alpha=0.1))
model.add(BatchNormalization())

model.add(Convolution2D(128, (3, 3), padding='same', use_bias=False))
model.add(LeakyReLU(alpha=0.1))
model.add(BatchNormalization())
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Convolution2D(256, (3, 3), padding='same', use_bias=False))
model.add(LeakyReLU(alpha=0.1))
model.add(BatchNormalization())

model.add(Convolution2D(256, (3, 3), padding='same', use_bias=False))
model.add(LeakyReLU(alpha=0.1))
model.add(BatchNormalization())
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Convolution2D(512, (3, 3), padding='same', use_bias=False))
model.add(LeakyReLU(alpha=0.1))
model.add(BatchNormalization())

model.add(Convolution2D(512, (3, 3), padding='same', use_bias=False))
model.add(LeakyReLU(alpha=0.1))
model.add(BatchNormalization())

model.add(Flatten())
########## Begin ##########
# 全连接层，神经元数为 512 个，激活函数为 relu
model.add(Dense(512, activation='relu'))

# 随机将 10% 的神经元的失去活性
model.add(Dropout(0.1))

# 全连接层，神经元数为 30 个
model.add(Dense(30))

########## End ##########

model.summary()
# 加载模型
model.load_weights('model_weights.h5')

model.compile(optimizer='adam', loss='mean_squared_error', metrics=['mae', 'acc'])

# model.fit(x_train, y_train, batch_size=256, epochs=45, validation_split=2.0)
# model.save_weights('model_weights.h5')


########## Begin ##########
# 评估模型
score = model.evaluate(x_test, y_test, verbose=0)
print('Test score:', score[0])
print('Test accuracy:', score[1])
########## End ##########

题目描述

任务描述

本关任务：使用 CNN 完成人脸定位案例。

相关知识

为了完成本关任务，你需要掌握：

  1. 算法介绍
  2. 程序和编程
  3. 人脸定位的应用
算法介绍

利用卷积神经网络和计算机视觉技术进行人脸关键点检测，对人脸的重要区域（如眼睛、嘴角和鼻子）进行标记，这些区域与各种任务（如人脸滤波、情感识别和姿势识别）相关。

它需要预测特定面部的面部关键点坐标，例如鼻尖、眼睛中心等。为了识别面部关键点，我们使用基于卷积神经网络的模型使用自动编码器。

卷积神经网络 (CNN) 具有深层结构，允许它们提取高级信息并在识别每个重要点时提供更好的精度。卷积网络旨在同时预测所有点。

图 1-1

程序和编程

导入 NumPy 和 pandas 库：



    
 
  1. import numpy as np # linear algebra
    2. 
 
  2. import pandas as pd # data processing
    3. 
 
  3. import os
    4. 
 
  4. for directoryname, _, filenames in os.walk('/kaggle/input'):
    5. 
 
  5. for filename in filenames:
    6. 
 
  6. print(os.path.join(directoryname, filename))
    7. 
 
  7. 



你写入当前目录的任何输出都会被存储。


下一步是为训练和测试数据的每个文件设置路径，




    
 
  1. train_zip_path = "../input/facial-keypoints-detection/training.zip"
    2. 
 
  2. test_zip_path = "../input/facial-keypoints-detection/test.zip"
    3. 
 
  3. id_lookup_table = "../input/facial-keypoints-detection/IdLookupTable.csv"
    4. 
 
  4. sample_Submission = "../input/facial-keypoints-detection/SampleSubmission.csv"
    5. 
 
  5. 



让我们使用 zip 文件解压 zip 文件，然后加载数据集。




    
 
  1. import zipfile
    2. 
 
  2. with zipfile.ZipFile(train_zip_path,'r') as zip_ref:
    3. 
 
  3. zip_ref.extractall('')
    4. 
 
  4. with zipfile.ZipFile(test_zip_path,'r') as zip_ref:
    5. 
 
  5. zip_ref.extractall('')
    6. 
 
  6. train_df = pd.read_csv('training.csv')
    7. 
 
  7. test_df = pd.read_csv('test.csv')
    8. 
 
  8. idLookupTable = pd.read_csv(id_lookup_table)
    9. 
 
  9. sampleSumission = pd.read_csv(sample_Submission)
    10. 
 
  10. 



加载数据集后，我们可以使用 pandas 的库查看数据框，并列出数据集的头部。




    
 
  1. train_df.info()
    2. 
 
  2. 







图 1-2


填充 Nan 值并分离和重塑输入值（x_train）




    
 
  1. train_df.fillna(method='ffill',inplace=True)
    2. 
 
  2. 



在训练数据集中分离和重塑输入值（x_train）：


使用图像创建一个数组，keypoints：关键点将是我们数据集的一个样本。我们的数据集将接受一个可选的参数转换，允许我们对样本执行任何必要的处理。




    
 
  1. image_df = train_df['Image']
    2. 
 
  2. imageArr = []
    3. 
 
  3. for i in range(0,len(image_df)):
    4. 
 
  4. img = image_df[i].split()
    5. 
 
  5. img = ['0' if x == '' else x for x in img]
    6. 
 
  6. imageArr.append(img)
    7. 
 
  7. x_train = np.array(imageArr,dtype='float')
    8. 
 
  8. x_train = x_train.reshape(-1,96,96,1)
    9. 
 
  9. print(x_train.shape)
    10. 
 
  10. 



创建一个以图片为输入输出关键点的CNN：


输入图片大小为 224 * 224 px（由 transform 决定），输出类分数为 136，即 136/2 = 68。（我们想要的 68 个关键点）和分离目标值。




    
 
  1. keypoints_df = train_df.drop('Image',axis = 1)
    2. 
 
  2. y_train = np.array(keypoints_df,dtype='float')
    3. 
 
  3. print(y_train.shape)
    4. 
 
  4. 





    
 
  1. def visualizeWithNoKeypoints(index):
    2. 
 
  2. plt.imshow(x_train[index].reshape(96,96),cmap='gray')
    3. 
 
  3. def visualizeWithKeypoints(index):
    4. 
 
  4. plt.imshow(x_train[index].reshape(96,96),cmap='gray')
    5. 
 
  5. for i in range(1,31,2):
    6. 
 
  6. plt.plot(y_train[0][i-1],y_train[0][i],'ro')
    7. 
 
  7. 



在我们编写了可视化函数之后，接下来，我们可以使用函数调用来可视化每个图像。




    
 
  1. import matplotlib.pyplot as plt
    2. 
 
  2. fig = plt.figure(figsize=(8,4))
    3. 
 
  3. fig.subplots_adjust(left=0,right=1,bottom=0,top=1,hspace=0.05,wspace=0.05)
    4. 
 
  4. plt.subplot(1,2,1)
    5. 
 
  5. visualizeWithNoKeypoints(1)
    6. 
 
  6. plt.subplot(1,2,2)
    7. 
 
  7. visualizeWithKeypoints(1)
    8. 
 
  8. 







图 1-3


数据已经预处理完毕。现在是创建训练模型的时候了。


为了创建我们的 CNN 模型，我们将使用 Keras 框架。




    
 
  1. from keras.models import Sequential, Model
    2. 
 
  2. from keras.layers import Activation, Convolution2D,MaxPooling2D,BatchNormalization, Flatten, Dense, Dropout
    3. 
 
  3. from keras.layers.advanced_activations import LeakyReLU
    4. 
 
  4. 



最初只从一两个 epoch 开始，以快速评估你的模型是如何训练的，并确定你是否应该改变其结构或超参数。


在训练时跟踪模型的损失如何随时间变化：它是否首先快速减少，然后减速？


在训练多个时期并创建最终模型之前，使用这些初始观察对模型进行更改并决定最佳架构。




    
 
  1. model = Sequential()
    2. 
 
  2. model.add(Convolution2D(32,(3,3),padding='same',use_bias=False, input_shape=(96,96,1)))
    3. 
 
  3. model.add(LeakyReLU(alpha = 0.1))
    4. 
 
  4. model.add(BatchNormalization())
    5. 
 
  5. 





    
 
  1. model.add(Convolution2D(32,(3,3),padding='same',use_bias = False))
    2. 
 
  2. model.add(LeakyReLU(alpha=0.1))
    3. 
 
  3. model.add(BatchNormalization())
    4. 
 
  4. model.add(MaxPooling2D(pool_size=(2,2)))
    5. 
 
  5. 





    
 
  1. model.add(Convolution2D(64,(3,3),padding='same',use_bias = False))
    2. 
 
  2. model.add(LeakyReLU(alpha=0.1))
    3. 
 
  3. model.add(BatchNormalization())
    4. 
 
  4. 





    
 
  1. model.add(Convolution2D(64, (3,3), padding='same', use_bias=False))
    2. 
 
  2. model.add(LeakyReLU(alpha = 0.1))
    3. 
 
  3. model.add(BatchNormalization())
    4. 
 
  4. model.add(MaxPooling2D(pool_size=(2, 2)))
    5. 
 
  5. 





    
 
  1. model.add(Convolution2D(96, (3,3), padding='same', use_bias=False))
    2. 
 
  2. model.add(LeakyReLU(alpha = 0.1))
    3. 
 
  3. model.add(BatchNormalization())
    4. 
 
  4. 





    
 
  1. model.add(Convolution2D(96, (3,3), padding='same', use_bias=False))
    2. 
 
  2. model.add(LeakyReLU(alpha = 0.1))
    3. 
 
  3. model.add(BatchNormalization())
    4. 
 
  4. model.add(MaxPooling2D(pool_size=(2, 2)))
    5. 
 
  5. model.add(Convolution2D(128, (3,3),padding='same', use_bias=False))
    6. 
 
  6. # model.add(BatchNormalization())
    7. 
 
  7. model.add(LeakyReLU(alpha = 0.1))
    8. 
 
  8. model.add(BatchNormalization())
    9. 
 
  9. 





    
 
  1. model.add(Convolution2D(128, (3,3),padding='same', use_bias=False))
    2. 
 
  2. model.add(LeakyReLU(alpha = 0.1))
    3. 
 
  3. model.add(BatchNormalization())
    4. 
 
  4. model.add(MaxPooling2D(pool_size=(2, 2)))
    5. 
 
  5. 





    
 
  1. model.add(Convolution2D(256, (3,3),padding='same',use_bias=False))
    2. 
 
  2. model.add(LeakyReLU(alpha = 0.1))
    3. 
 
  3. model.add(BatchNormalization())
    4. 
 
  4. 





    
 
  1. model.add(Convolution2D(256, (3,3),padding='same',use_bias=False))
    2. 
 
  2. model.add(LeakyReLU(alpha = 0.1))
    3. 
 
  3. model.add(BatchNormalization())
    4. 
 
  4. model.add(MaxPooling2D(pool_size=(2, 2)))
    5. 
 
  5. 





    
 
  1. model.add(Convolution2D(512, (3,3), padding='same', use_bias=False))
    2. 
 
  2. model.add(LeakyReLU(alpha = 0.1))
    3. 
 
  3. model.add(BatchNormalization())
    4. 
 
  4. 





    
 
  1. model.add(Convolution2D(512, (3,3), padding='same', use_bias=False))
    2. 
 
  2. model.add(LeakyReLU(alpha = 0.1))
    3. 
 
  3. model.add(BatchNormalization())
    4. 
 
  4. 





    
 
  1. model.add(Flatten())
    2. 
 
  2. 





    
 
  1. model.add(Dense(512,activation='relu'))
    2. 
 
  2. model.add(Dropout(0.1))
    3. 
 
  3. model.add(Dense(30))
    4. 
 
  4. 





    
 
  1. model.summary()
    2. 
 
  2. 







图 1-4


下一步是配置模型：




    
 
  1. model.compile(optimizer='adam',loss='mean_squared_error',metrics=['mae','acc'])
    2. 
 
  2. 





    
 
  1. model.fit(x_train,y_train,batch_size=256,epochs=45,validation_split=2.0)
    2. 
 
  2. 



训练输出示例：






图 1-5


在整个训练数据集中执行了总共 50 次迭代。


已经学习了如何简单地使用 CNN 来训练深度学习模型。


现在是时候使用数据收集对模型进行测试了。


我们必须首先准备我们的测试集。


x_test：分离和重塑输入测试值。




    
 
  1. image_df = test_df['Image']
    2. 
 
  2. keypoints_df = test_df.drop('Image', axis=1)
    3. 
 
  3. imageArr = []
    4. 
 
  4. 
 
  5. for i in range(0, len(image_df)):
    6. 
 
  6. img = image_df[i].split()
    7. 
 
  7. img = ['0' if x == '' else x for x in img]
    8. 
 
  8. imageArr.append(img)
    9. 





    
 
  1. x_test = np.array(imageArr, dtype='float')
    2. 
 
  2. x_test = x_test.reshape(-1, 96, 96, 1)
    3. 
 
  3. print(x_test.shape)
    4. 



我们知道要在测试数据集中分离目标值 (y_test)。




    
 
  1. y_test = np.array(keypoints_df, dtype='float')
    2. 
 
  2. print(y_test.shape)
    3. 



现在，是时候预测训练模型的结果了：




    
 
  1. pred = model.predict(x_test)
    2. 





    
 
  1. idLookupTable.head()
    2. 







图 1-6


人脸定位的应用


该技术的适用性是多种多样的。以下只是当今企业界中一些更有趣的面部识别应用。


脸部视频特效


用有趣的东西覆盖人脸照片的面部过滤器越来越受欢迎。它们通常出现在社交媒体平台上。此过滤器应用程序中使用了面部关键点（或“关键点”）检测技术。


可以评估一个人的面部表情（以及情绪）的面部重要区域被称为面部关键点。它们对于开发实时应用程序以检测困倦、评估生物特征和读取人们的情绪至关重要。






图 1-7


虚拟现实和增强现实 (AR)


几个流行的智能手机应用程序中使用了面部关键点识别。Instagram、Snapchat 和 LINE 上的面部过滤器就是一些众所周知的例子。AR 软件可以通过识别用户面部关键点，实时将图片滤镜正确叠加在用户面部上。






图 1-8


编程要求


根据提示，在右侧编辑器补充代码，使用 CNN 构建人脸定位模型并使用模型预测测试数据的类别。


测试说明


平台会对你编写的代码进行测试：


预期输出：




    
 
  1. _________________________________________________________________
    2. 
 
  2. Layer (type) Output Shape Param # 
    3. 
 
  3. =================================================================
    4. 
 
  4. conv2d_1 (Conv2D) (None, 96, 96, 32) 288 
    5. 
 
  5. _________________________________________________________________
    6. 
 
  6. leaky_re_lu_1 (LeakyReLU) (None, 96, 96, 32) 0 
    7. 
 
  7. _________________________________________________________________
    8. 
 
  8. batch_normalization_1 (Batch (None, 96, 96, 32) 128 
    9. 
 
  9. _________________________________________________________________
    10. 
 
  10. conv2d_2 (Conv2D) (None, 96, 96, 32) 9216 
    11. 
 
  11. _________________________________________________________________
    12. 
 
  12. leaky_re_lu_2 (LeakyReLU) (None, 96, 96, 32) 0 
    13. 
 
  13. _________________________________________________________________
    14. 
 
  14. batch_normalization_2 (Batch (None, 96, 96, 32) 128 
    15. 
 
  15. _________________________________________________________________
    16. 
 
  16. max_pooling2d_1 (MaxPooling2 (None, 48, 48, 32) 0 
    17. 
 
  17. _________________________________________________________________
    18. 
 
  18. conv2d_3 (Conv2D) (None, 48, 48, 64) 18432 
    19. 
 
  19. _________________________________________________________________
    20. 
 
  20. leaky_re_lu_3 (LeakyReLU) (None, 48, 48, 64) 0 
    21. 
 
  21. _________________________________________________________________
    22. 
 
  22. batch_normalization_3 (Batch (None, 48, 48, 64) 256 
    23. 
 
  23. _________________________________________________________________
    24. 
 
  24. conv2d_4 (Conv2D) (None, 48, 48, 64) 36864 
    25. 
 
  25. _________________________________________________________________
    26. 
 
  26. leaky_re_lu_4 (LeakyReLU) (None, 48, 48, 64) 0 
    27. 
 
  27. _________________________________________________________________
    28. 
 
  28. batch_normalization_4 (Batch (None, 48, 48, 64) 256 
    29. 
 
  29. _________________________________________________________________
    30. 
 
  30. max_pooling2d_2 (MaxPooling2 (None, 24, 24, 64) 0 
    31. 
 
  31. _________________________________________________________________
    32. 
 
  32. conv2d_5 (Conv2D) (None, 24, 24, 96) 55296 
    33. 
 
  33. _________________________________________________________________
    34. 
 
  34. leaky_re_lu_5 (LeakyReLU) (None, 24, 24, 96) 0 
    35. 
 
  35. _________________________________________________________________
    36. 
 
  36. batch_normalization_5 (Batch (None, 24, 24, 96) 384 
    37. 
 
  37. _________________________________________________________________
    38. 
 
  38. conv2d_6 (Conv2D) (None, 24, 24, 96) 82944 
    39. 
 
  39. _________________________________________________________________
    40. 
 
  40. leaky_re_lu_6 (LeakyReLU) (None, 24, 24, 96) 0 
    41. 
 
  41. _________________________________________________________________
    42. 
 
  42. batch_normalization_6 (Batch (None, 24, 24, 96) 384 
    43. 
 
  43. _________________________________________________________________
    44. 
 
  44. max_pooling2d_3 (MaxPooling2 (None, 12, 12, 96) 0 
    45. 
 
  45. _________________________________________________________________
    46. 
 
  46. conv2d_7 (Conv2D) (None, 12, 12, 128) 110592 
    47. 
 
  47. _________________________________________________________________
    48. 
 
  48. leaky_re_lu_7 (LeakyReLU) (None, 12, 12, 128) 0 
    49. 
 
  49. _________________________________________________________________
    50. 
 
  50. batch_normalization_7 (Batch (None, 12, 12, 128) 512 
    51. 
 
  51. _________________________________________________________________
    52. 
 
  52. conv2d_8 (Conv2D) (None, 12, 12, 128) 147456 
    53. 
 
  53. _________________________________________________________________
    54. 
 
  54. leaky_re_lu_8 (LeakyReLU) (None, 12, 12, 128) 0 
    55. 
 
  55. _________________________________________________________________
    56. 
 
  56. batch_normalization_8 (Batch (None, 12, 12, 128) 512 
    57. 
 
  57. _________________________________________________________________
    58. 
 
  58. max_pooling2d_4 (MaxPooling2 (None, 6, 6, 128) 0 
    59. 
 
  59. _________________________________________________________________
    60. 
 
  60. conv2d_9 (Conv2D) (None, 6, 6, 256) 294912 
    61. 
 
  61. _________________________________________________________________
    62. 
 
  62. leaky_re_lu_9 (LeakyReLU) (None, 6, 6, 256) 0 
    63. 
 
  63. _________________________________________________________________
    64. 
 
  64. batch_normalization_9 (Batch (None, 6, 6, 256) 1024 
    65. 
 
  65. _________________________________________________________________
    66. 
 
  66. conv2d_10 (Conv2D) (None, 6, 6, 256) 589824 
    67. 
 
  67. _________________________________________________________________
    68. 
 
  68. leaky_re_lu_10 (LeakyReLU) (None, 6, 6, 256) 0 
    69. 
 
  69. _________________________________________________________________
    70. 
 
  70. batch_normalization_10 (Batc (None, 6, 6, 256) 1024 
    71. 
 
  71. _________________________________________________________________
    72. 
 
  72. max_pooling2d_5 (MaxPooling2 (None, 3, 3, 256) 0 
    73. 
 
  73. _________________________________________________________________
    74. 
 
  74. conv2d_11 (Conv2D) (None, 3, 3, 512) 1179648 
    75. 
 
  75. _________________________________________________________________
    76. 
 
  76. leaky_re_lu_11 (LeakyReLU) (None, 3, 3, 512) 0 
    77. 
 
  77. _________________________________________________________________
    78. 
 
  78. batch_normalization_11 (Batc (None, 3, 3, 512) 2048 
    79. 
 
  79. _________________________________________________________________
    80. 
 
  80. conv2d_12 (Conv2D) (None, 3, 3, 512) 2359296 
    81. 
 
  81. _________________________________________________________________
    82. 
 
  82. leaky_re_lu_12 (LeakyReLU) (None, 3, 3, 512) 0 
    83. 
 
  83. _________________________________________________________________
    84. 
 
  84. batch_normalization_12 (Batc (None, 3, 3, 512) 2048 
    85. 
 
  85. _________________________________________________________________
    86. 
 
  86. flatten_1 (Flatten) (None, 4608) 0 
    87. 
 
  87. _________________________________________________________________
    88. 
 
  88. dense_1 (Dense) (None, 512) 2359808 
    89. 
 
  89. _________________________________________________________________
    90. 
 
  90. dropout_1 (Dropout) (None, 512) 0 
    91. 
 
  91. _________________________________________________________________
    92. 
 
  92. dense_2 (Dense) (None, 30) 15390 
    93. 
 
  93. =================================================================
    94. 
 
  94. Total params: 7,268,670
    95. 
 
  95. Trainable params: 7,264,318
    96. 
 
  96. Non-trainable params: 4,352
    97. 
 
  97. _________________________________________________________________
    98. 
 
  98. Test score: 1.7251816006864396
    99. 
 
  99. Test accuracy: 0.8401128589532217
    100. 





开始你的任务吧，祝你成功！
 
  

        # 人工智能
      
  
 
 Logo 
EazyDevelop社区
 
一站式 AI 云服务平台
 
 
  
更多推荐
  
 
 探秘深海：一款强大的深度学习框架——DeepSea
 
在人工智能领域中，深度学习是推动科技进步的一股强大动力。今天，我们要向大家推荐的是一个专为深度学习爱好者和开发者打造的强大框架——DeepSea。该项目由Team-Neptune团队开发，并托管在Gitcode平台上，旨在简化和加速深度学习模型的研发过程。## 技术分析### 灵活的架构设计DeepSea采用模块化的设计，允许用户根据需求选择不同的组件，如优化器、损失函数等，以构建定制
 
avatar EazyDevelop社区
 
cover
 
国内低代码平台：2025 年国内主流平台盘点
 
 
avatar EazyDevelop社区
 
cover
 
5分钟搞定！MySQL/PostgreSQL 到 Elasticsearch 的实时同步
 
 
avatar EazyDevelop社区