以下如何实现QML对C++数据的双向访问 C++需要准备的工作 对于每一个变量，需要以下工作： 一个读取函数 (Read) ，用于返回C++的数据给QML 一个写入函数 (Write) ，用于将QML给的数据写进C++的数据中，使用传参 一个通知信号 (Changed) ，在数据交换时执行，用于执行下一步。信号需要在上级cpp文件中做好连接工作 在cpp文件中定义QML能访问的变量 12Q_P

这些类型在QML中可以被使用，C++的标准类型不一定可以使用 基本数据类型 类名 作用 QString 表示Unicode字符串 QByteArray 表示字节数组，用于存储二进制，类似于二进制版的QString QChar 存储单个Unicode字符 qreal 一种跨平台的浮点类型 qint8(16, 32, 64), quint8(16, 32, 64) 整数类

主体 名称 作用 类型 discoveryAgent 扫描设备用的实例 QBluetoothDeviceDiscoveryAgent controller BLE连接示例，负责发现服务，连接设备 QLowEnergyController service BLE服务示例，负责连接服务 QLowEnergyService 基本流程 扫描设备（开始，出错，完成，取消） 连接

获得Github的授权 只有在获得Github授权之后才能同步本地和Github的仓库数据，这里使用Personal Access Token进行授权，不用SSH。首先当然是要获取到一个PAT了，链接是这个👉🏻https://github.com/settings/tokens 获取到链接后，在用户Home根目录执行以下命令配置Credential 12git config --global

概念 多层感知机是一种最简单的深度网络，分为输入层，隐藏层和输出层，其中隐藏层的每一层都有很多节点，每个节点代表一个变换（计算方法），包括常用的两个参数，即weight（权重）和bias（偏置量） 隐藏层 ¶基本原理 由于输入层输入的数据（如图片的像素，声音的频率等）和输出层（如分类概率，判断等）之间难以找出直接的联系，因此引入隐藏层来讲输入特征进行特征提取，形成一个隐藏层，然后再将隐藏层的结果输

题头 在PyTorch学习的第一阶段，我基本上掌握了加载，训练，使用，保存模型的基本方法，下面对使用到的函数和方法进行一个阶段性的总结。这篇文章全程在typora里面完成，没有任何代码提示，算是默写，但也没有经过测试。 初始化 初始化一般是导入模型，引入最基本的库，设置运行设备等等。 ¶引入最基本的库 1234# 这些都是有关pytorch的大头import torchimport torch.n

题头 本文为notebook直接转为markdown，因本人的MBP内存过于拉胯，所以Food101数据还需要缩小才能继续训练。其他代码在macOS上面已经运行训练成功。也可以点击这个链接直接在Colab里面打开👉🏻https://drive.google.com/file/d/1Lee_oohIN99bHRm1kMEi25VgxTSFe1fF/view?usp=sharing。 但是Cola

以下为notebook直接转化为markdown，在macOS上可以运行。 可以在这里试试直接在Google Colab里运行，理论上也行👉🏻https://drive.google.com/file/d/1CjHEb3ZspR_3qbHjJgenfrGmeJC75nF8/view?usp=sharing 下面的内容主要是CNN的初级训练和使用，初学者所为，大佬门看个乐子就行🤪 PyTorc

前言 众所周知，炼丹一般是在老黄的卡上跑的（人话：一般在NVIDIA显卡上训练模型），但是作为果果全家桶用户+ML初学者，其实M芯片的GPU也可以用来GPU加速，效果指不定还比Google Colab上面分给你的T4要快。而PyTorch早在2022年就支持M芯片的GPU加速了，老黄的卡叫CUDA，果果的GPU就叫MPS (Metal Performance Shaders)，下面来看看怎么开启。

这里的图标适用于所有使用VSCode图标样式的编辑器，包括Google Colab。最近在学习ML，懂得提示图标的含义可以很方便地了解一个Object的用法。 以下图标以Python为例来解释，将持续更新 局部变量 成员变量 属性 模块 方法 函数