今天给大家分享一下限流方面的，大家都知道，在分布式系统中，高并发场景下，为了防止系统因突然的流量激增而导致的崩溃，同时保证服务的高可用性和稳定性，限流是最常用的手段。！。但是对于他们之间的具体优缺点，以及适用的场景，还有具体的实现可能就不是特别的清楚了，所以我今天为大家详细地分享一下其中的根本区别，以及优缺点还有具体场景，以及最终的实现。

在此次我们的目的是对图片完成降噪处理，这里我们选的是UNet模型，它的核心任务是学习如何将一张输入图像（如手写数字）转换成一张有特定含义的输出图像。后续我会深入讲模型的选型问题。unet.py类# 模块化结构，这也是后面常用到的模型结构从图中我们可以看到，随着模型的训练，它逐渐学会了对输入数据进行整形和输出。

Sigmoid（也叫Logistic函数）是平滑的、可微的，能将任意输入映射到区间(0,1)。常用于二分类的输出层。它是最简单的激活函数，它可以为输入设置一个“阈值”；一旦超过这个阈值，就切换输出（0或者1）。这种函数被称为“阶跃函数”。如果没有激活函数，整个神经网络就等效于单层线性变换，不论如何加深层数，总是存在与之等效的“无隐藏层的神经网络”。这里的x只能取一个数值（浮点数）。激活函数是连接感

在实际应用中，随着时间的推移，新的数据会不断产生，因此，模型需要定期更新和再训练，以保持其预测能力。测试集： 测试集用于评估训练好的模型的性能。测试集中的数据不参与模型的训练，模型使用它来进行预测，并与真实标签进行比较，帮助我们了解模型在未见过的数据上的表现。无监督学习： 无监督学习中，训练数据没有标签，模型通过分析输入数据中的结构或模式来进行学习。监督学习模型： 给定带有标签的数据，模型通过学习

机器学习是人工智能（AI）的一个分支，它使计算机系统能够利用数据和算法自动学习和改进其性能。机器学习是让机器通过经验（数据）来做决策和预测。机器学习已经广泛应用于许多领域，包括推荐系统、图像识别、语音识别、金融分析等。

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理。许多深度学习软件都是基于 PyTorch 构建的，包括特斯拉自动驾驶、Uber 的 Pyro、Hugging Face 的 Transformers、 PyTorch Lightning 和 Catalyst。类似于 NumPy 的张量计算，能在 GP

张量是一个多维数组，可以是标量、向量、矩阵或更高维度的数据结构。在 PyTorch 中，张量（Tensor）是数据的核心表示形式，类似于 NumPy 的多维数组，但具有更强大的功能，例如支持 GPU 加速和自动梯度计算。张量支持多种数据类型（整型、浮点型、布尔型等）。张量可以存储在 CPU 或 GPU 中，GPU 张量可显著加速计算。

PyTorch 主要有以下几个基础概念：张量（Tensor）、自动求导（Autograd）、神经网络模块（nn.Module）、优化器（optim）等。

神经网络是一种模仿人脑处理信息方式的计算模型，它由许多相互连接的节点（神经元）组成，这些节点按层次排列。神经网络的强大之处在于其能够自动从大量数据中学习复杂的模式和特征，无需人工设计特征提取器。

是一个抽象类，允许你从自己的数据源中创建数据集。：返回数据集中的样本数量。：通过索引返回一个样本。假设我们有一个简单的 CSV 文件或一些列表数据，我们可以通过继承 Dataset 类来创建自己的数据集。# 自定义数据集类"""初始化数据集，X_data 和 Y_data 是两个列表或数组X_data: 输入特征Y_data: 目标标签""""""返回数据集的大小""""""返回指定索引的数据""