跨林ADMT（Active Directory Migration Tool）迁移是一个复杂的过程，用于将一个林中的对象（如用户、组、计算机等）安全地迁移到另一个林。在这个过程中，重要的是要确保数据的完整性，同时建立和维护两个林之间的信任关系，以便迁移后的用户能够继续访问原有的资源。 在上述实验环境中，我们有两个不同的域林：test.com 和 contoso.com。迁移的目标是从test.com域林迁移到contoso.com。实验步骤包括以下关键环节： 1. **前期准备**：安装两台Server 2008 R2操作系统作为域控制器，分别命名为DC-test和DC-contoso，并设置相应的IP地址。通过运行dcpromo命令将它们提升为域控制器。 2. **建立双向信任关系**：这是跨林迁移的基础，需要在DNS中配置转发规则，确保源域（test.com）和目标域（contoso.com）能互相解析。然后，在源域DC-test上创建到目标域contoso.com的信任关系，选择林信任并设定为双向。在目标域DC-contoso上确认传出和传入的信任关系。 3. **管理员权限配置**：为了确保迁移过程中有足够的权限，需要在两个域的内置administrators组中添加对方域的Domain Admins组成员。 4. **禁用SID筛选**：SID（Security Identifier）是Windows身份验证的关键部分，禁用SID筛选是为了确保用户和组的身份能在新域中被正确识别。 5. **启用审核**：在源域和目标域的“域控制器安全策略”中，启用“审核账号管理”的成功和失败审计，以便追踪迁移过程中的操作。 6. **安装ADMT工具**：安装ADMT，通常需要与SQL Server配合使用。在ADMT服务器上安装工具，并生成源域的pes密钥文件，然后在源域中安装Pwdmig工具，重启计算机以完成配置。 7. **迁移用户**：迁移用户前，启动源域控制器上的密码导出服务。使用ADMT控制台，通过用户账户迁移向导选择要迁移的用户，指定目标域和目标OU，进行迁移操作。 这个过程需要细心规划和执行，确保迁移的顺利进行。每个步骤都至关重要，任何错误都可能导致迁移失败或数据丢失。在整个过程中，必须密切关注日志和审核信息，以便及时发现并解决问题。此外，迁移完成后，还需要测试用户的登录、权限和资源访问，以验证迁移的成功性。

风格迁移是计算机视觉和深度学习领域中的一项技术，通过使用深度神经网络，如卷积神经网络（CNN），能够将一张图片的内容和另一张图片的风格结合起来，生成具有新风格而内容保持不变的新图像。在深度学习框架PyTorch中实现风格迁移通常涉及几个关键步骤：预训练模型的加载、风格和内容特征的提取、损失函数的定义以及模型的训练与优化。 风格迁移的实现依赖于深度学习模型，尤其是CNN模型在图像识别方面的出色性能。一个典型的CNN模型包含多个卷积层和池化层，通过这些层提取图像的特征表示。风格迁移的关键之一是提取内容图像和风格图像的特征，这通常通过不同层次的卷积层来完成。内容图像的特征通常在较低层次的网络中提取，因为这些层更多地保留了图像的空间信息。风格特征则通常在较高层次的网络中提取，因为这些层能够捕捉到图像中更为抽象的风格属性。 在风格迁移的过程中，损失函数是优化的核心。损失函数一般由两部分组成：内容损失和风格损失。内容损失用于确保输出图像保留了内容图像的关键特征，而风格损失则确保输出图像具有与风格图像相同的风格特征。风格损失通常是通过计算Gram矩阵来实现的，该矩阵描述了不同特征通道之间的相关性，从而捕捉到了图像的风格信息。 使用PyTorch实现风格迁移时，首先需要定义一个卷积神经网络，该网络能够用于提取特征。接下来，需要加载预训练好的模型，这样的模型通常是在大型数据集上训练得到的，如VGG网络在ImageNet数据集上训练得到的模型。然后，通过定义损失函数并设置优化器，可以对网络进行训练，直至输出图像满足风格迁移的要求。 在训练过程中，需要注意几个要点。首先是网络的学习率设置，太高的学习率可能导致风格迁移效果不佳，而太低的学习率可能使训练过程非常缓慢。其次是损失函数中内容损失和风格损失的权重平衡，这需要根据具体情况进行调整。优化算法的选择也很重要，不同的优化算法可能会影响最终风格迁移的效果。 风格迁移PyTorch版的实现是一个结合了深度学习理论和技术实践的过程，它不仅需要对深度学习模型有深入的理解，还需要对CNN在图像处理方面的应用有实践经验。通过不断地调整模型参数和优化策略，可以实现从简单到复杂的各种风格迁移效果，从而创造出新的视觉艺术作品。

这里边包括了项目的所有代码和对应的数据集图片

### NC升级数据迁移工具手册知识点概述 #### 一、总述 **NC56/57至NC63数据迁移工具**是用友为帮助企业从NC56/57版本平滑过渡到NC63版本而开发的一款专业数据迁移工具。此工具主要用于实现企业现有系统中的数据无缝迁移至新版系统，确保业务连续性的同时，减少升级过程中的风险与成本。 #### 二、名词解释 1. **NC56/57**: 指的是用友网络科技股份有限公司早期发布的NC（New Cloud）系列企业管理软件中的两个版本。 2. **NC63**: 用友最新发布的企业管理软件版本，相比旧版，在功能上有所增强，用户体验也得到了优化。 3. **数据迁移**: 是指将企业现有的业务数据从旧版系统转移到新版系统的过程，旨在确保数据的一致性和完整性。 4. **动态建模平台**: 用友NC产品的一个核心组件，支持企业根据自身需求灵活定制业务模型，实现个性化配置。 #### 三、迁移目的 - **确保数据一致性**: 在新旧系统切换过程中，确保所有关键业务数据能够准确无误地迁移。 - **减少业务中断**: 通过自动化工具降低手动操作所带来的错误风险，尽可能减少系统升级对企业日常运营的影响。 - **提升用户体验**: 新版本通常包含更多先进的功能和更友好的界面设计，有助于提高员工的工作效率。 #### 四、前置条件 - 确保旧版系统中的数据已完全录入且经过验证。 - 完成新版本系统的安装部署，并进行必要的配置调整。 - 迁移前需对数据进行备份，以防万一出现问题时能够快速恢复。 #### 五、迁移场景 - **全量迁移**: 将旧系统中的所有数据完整迁移到新系统。 - **增量迁移**: 在全量迁移的基础上，只迁移新增或修改的数据。 - **按模块迁移**: 根据企业的实际需求，仅迁移特定模块的数据。 #### 六、数据范围 主要包括但不限于以下几个方面： - **组织结构**: 包括公司、资金组织、会计主体等。 - **基本档案**: 如银行地区代码、信用等级、单位类型等。 - **财务领域数据**: 总账数据、应收应付管理数据、固定资产数据等。 - **业务数据**: 存货分类、产品线、计量档案等。 #### 七、应用流程 1. **准备阶段**: 确认迁移目标、规划迁移策略、准备迁移环境。 2. **迁移阶段**: 使用工具进行数据迁移，包括组织迁移、基本档案迁移、业务数据迁移等。 3. **验证阶段**: 对迁移后的数据进行核对，确保数据的准确性和完整性。 4. **上线阶段**: 完成所有准备工作后，正式切换到新系统。 #### 八、动态建模平台数据迁移 - **迁移前注意事项**: 需要仔细检查并确认旧版系统中的数据质量，避免迁移过程中出现错误。 - **迁移范围**: 明确哪些数据需要迁移，哪些数据可以舍弃或重新创建。 - **迁移规则校验**: 设定一系列规则来确保迁移过程中的数据一致性，如组织架构的对应关系、数据格式的转换等。 - **组织迁移**: 包括公司、资金组织、会计主体等多个维度的迁移。 - **基本档案迁移**: 涉及大量的基础信息，如单位类型、银行信息、人员信息等。 - **业务数据迁移**: 包括总账数据、应收应付管理数据、存货核算数据等。 #### 九、财务领域数据迁移 1. **总账数据迁移**: - 场景描述: 确保新旧系统之间的总账数据一致。 - 迁移顺序: 根据依赖关系制定合理的迁移顺序。 - 迁移范围: 包括科目余额、凭证信息等。 2. **应收应付管理数据迁移**: - 场景描述: 保证客户和供应商的应收应付数据准确迁移。 - 迁移顺序: 考虑到数据间的相互依赖性，制定详细的迁移计划。 - 迁移范围: 包括发票、收款单、付款单等。 3. **固定资产数据迁移**: - 场景描述: 实现固定资产卡片、折旧计算等信息的顺利转移。 - 迁移顺序: 确定固定资产卡片的迁移优先级。 - 迁移范围: 包括固定资产卡片、累计折旧等。 4. **现金管理数据迁移**: - 场景描述: 确保现金流入流出的记录完整无误。 - 迁移顺序: 根据现金日记账、银行存款日记账等的先后顺序进行。 - 迁移范围: 包括现金日记账、银行存款日记账等。 5. **银企直联数据迁移**: - 场景描述: 支持企业与银行之间实时数据交互的平滑过渡。 - 迁移顺序: 需要先迁移银行账户信息，再迁移相关的交易记录。 - 迁移范围: 包括银行账户信息、交易流水等。 6. **存货核算数据迁移**: - 场景描述: 确保存货成本、库存数量等信息准确迁移。 - 迁移顺序: 根据存货的入库出库逻辑进行。 - 迁移范围: 包括存货明细、成本计算等。 #### 十、迁移后数据注意事项 - **数据校验**: 完成迁移后，需进行全面的数据校验，确保数据的准确性和完整性。 - **业务验证**: 结合实际业务场景，验证迁移后的数据是否能够满足日常运营的需求。 - **系统优化**: 根据迁移过程中的经验反馈，对新系统进行必要的调整优化。 - **培训与支持**: 提供针对新系统的培训和支持服务，帮助用户尽快熟悉新环境。 NC56/57至NC63数据迁移工具手册提供了全面的数据迁移指导，覆盖了从前期准备到后期验证的整个流程。通过遵循这些指南，企业能够更加高效、安全地完成系统升级，最大程度地减少业务中断，实现平稳过渡。

在本项目中，"matlabconv2代码-Deep-Semantic-Space-NST:深度语义空间引导的多尺度神经风格迁移" 提供了一个利用MATLAB实现的深度语义空间引导的多尺度神经风格迁移算法。这个算法是计算机视觉和图像处理领域的一种创新应用，特别是在图像风格转移技术上。下面我们将详细探讨相关的知识点。 1. **神经风格迁移（Neural Style Transfer, NST）**： NST是一种基于深度学习的技术，用于将一幅图像的风格（例如梵高的画风）转移到另一幅图像的内容上。它通过学习和利用卷积神经网络（CNN）的中间层特征来实现风格和内容的分离与匹配。 2. **深度语义空间**： 深度语义空间是指由深度学习模型（如CNN）学到的高层特征空间，这些特征能够捕获图像的抽象语义信息。在这个空间中，相似的语义内容会有相近的表示，而不同的风格则体现在不同的特征层。 3. **多尺度**： 在多尺度神经风格迁移中，算法不仅在单一尺度上进行风格迁移，而是同时考虑不同分辨率的图像特征，以更全面地捕捉图像的风格信息，并提高转移效果的细节保真度。 4. **MATLAB和conv2函数**： MATLAB是一种广泛使用的编程环境，尤其在科学计算和工程应用中。在这个项目中，`conv2`函数用于执行二维卷积操作，这是CNN的核心运算之一。通过卷积，可以提取图像的特征，进而进行风格和内容的分析。 5. **开源系统**： 项目的标签为"系统开源"，意味着源代码是公开的，允许用户查看、学习和修改。这鼓励了社区参与，促进了技术的共享和进步。 6. **Deep-Semantic-Space-NST-master文件夹**： 这个文件夹很可能是项目的主要源代码仓库，包含MATLAB代码和其他相关资源。用户可以通过下载并解压这个压缩包，然后在MATLAB环境中运行代码来实现深度语义空间引导的多尺度神经风格迁移。 7. **项目实施步骤**： - **预处理**：输入图像需要被预处理，包括大小调整、格式转换等，以便于后续计算。 - **模型构建**：构建一个预训练的CNN模型，如VGG19，用于提取图像的风格和内容特征。 - **特征提取**：使用`conv2`函数以及CNN模型的特定层来提取输入图像的内容和风格特征。 - **损失函数定义**：定义内容损失和风格损失，以衡量风格转移的质量。 - **优化过程**：通过反向传播和优化算法（如梯度下降）迭代更新输入图像的像素，使其逐步接近目标风格，同时保持内容信息。 - **结果输出**：生成风格转移后的图像，并可进一步进行后处理以优化视觉效果。 以上就是关于这个MATLAB项目的关键知识点，理解这些概念有助于你理解和实现自己的神经风格迁移算法。开源代码的可用性使得研究者和开发者可以直接参与到这种先进技术的研究与实践中，推动图像处理技术的不断创新和发展。

达梦数据库迁移工具是一款专为数据迁移而设计的软件，主要应用于数据库系统从其他平台向达梦数据库的平滑迁移。这款工具旨在帮助用户高效、安全地完成数据的转换、迁移和验证，确保业务系统的连续性和稳定性。在IT行业中，数据库迁移是常见的任务，特别是在企业进行系统升级、数据整合或采用新的数据库平台时。 数据库迁移涉及到多个关键步骤，包括源数据库的数据抽取、转换、加载（ETL过程），以及目标数据库的架构设计、数据验证和后期的系统调整。达梦数据库迁移工具通过提供自动化和定制化的解决方案，简化了这一过程，降低了操作复杂度。 工具的Windows x64版本表明它适用于64位操作系统，这符合大多数现代服务器环境的需求。安装文件"setup_windows_x64"很可能是该工具的安装程序，用户可以通过运行这个程序在Windows系统上部署迁移工具。 在使用达梦数据库迁移工具之前，用户需要了解源数据库的结构和数据类型，以便进行适配性分析。工具可能提供了数据类型映射功能，将源数据库的类型映射到达梦数据库支持的相应类型。此外，用户还需要熟悉达梦数据库的特性和配置，以确保迁移后的数据库能正常运行。 迁移过程中，数据完整性是至关重要的。工具可能包含数据校验功能，以确保迁移后数据的一致性和准确性。这通常包括预迁移检查、数据迁移过程中的监控，以及迁移后的数据对比和修复。 另外，迁移工具通常会支持多种数据库源，例如Oracle、MySQL、SQL Server等，这样用户可以方便地将这些常见数据库系统中的数据迁移到达梦数据库。同时，为了保证业务连续性，工具可能提供在线迁移能力，允许在不影响现有服务的情况下进行迁移。 在实际操作中，用户需要根据工具提供的用户指南或帮助文档来规划迁移策略，包括备份计划、停机时间安排和数据恢复预案。迁移完成后，还需要进行性能调优，确保新系统的运行效率达到预期。 达梦数据库迁移工具是企业级数据库管理的重要辅助工具，它降低了数据库迁移的复杂性和风险，提高了迁移效率，确保了业务的顺利过渡。通过熟练掌握这款工具的使用，IT专业人员可以在数据库迁移项目中更加得心应手。

### 数据迁移方法概述 数据迁移是一项复杂而关键的任务，在企业级应用中尤为常见。随着业务需求的变化和技术的进步，数据往往需要从旧系统平滑过渡到新系统中，以确保业务连续性和数据一致性。数据迁移方法的选择需基于具体的业务场景、数据类型以及目标系统的特性来决定。本文将详细介绍几种常见的数据迁移方法及其应用场景。 #### 逻辑卷数据镜像方法 逻辑卷数据镜像是一种高效的数据迁移手段，特别适用于已经采用了逻辑卷管理器（Logical Volume Manager, LVM）的系统。该方法通过对需要迁移的卷进行逻辑镜像处理，实现在不同存储系统之间的数据迁移。例如，IBM 的 Logical Volume Manager (LVM) 和 Veritas 的 VxVM 都提供了类似的功能。 **优点：** - 支持任意存储系统之间的迁移； - 适合于主机存储的非经常性迁移； - 能够在线进行数据迁移，减少停机时间。 **适用场景：** - 需要在不同存储系统之间进行数据迁移的场景； - 对业务连续性要求较高的环境中。 #### 直接拷贝方法 直接拷贝方法是一种简单直观的数据迁移方式，通过使用操作系统自带的命令（如 `tar`、`dd`、`savevg`、`mksysb`、`cpio` 等）直接将数据从源位置复制到目的位置。这种方法适用于数据量不大且可以接受离线迁移的场景。 **适用场景：** - 小规模数据迁移； - 可以接受数据迁移过程中的中断情况。 #### 备份恢复方法 备份恢复方法利用备份管理软件（如 IBM Tivoli Storage Manager (TSM)、EMC Legato NetWorker、Symantec Veritas NetBackup 等）将原始数据备份到磁带或其他存储介质上，然后将其恢复到新的存储设备中。这种方法适用于对数据完整性要求较高且能接受一定迁移时间的场景。 **优点：** - 适用于大量数据的迁移； - 能够确保数据的一致性和完整性； - 支持在线备份，减少业务中断时间。 **适用场景：** - 大规模数据迁移； - 高可用性和高可靠性的需求场景。 #### 数据库工具方法 数据库工具方法是指利用数据库自带的工具或第三方工具进行数据迁移的过程。常见的数据库迁移工具包括 Oracle DataGuard、GoldenGate、Oracle Logminer 和 Quest SharePlex 等。 - **Oracle DataGuard**：通过复制日志到目标端，并在目标端解析成 SQL 语句执行。这种方式能够有效减少网络带宽的使用。 - **GoldenGate**：在生产端解析日志，通过网络将解析后的 SQL 语句传输到目标端执行。 **优点：** - 更加节省带宽； - 操作灵活； - 支持多种复制模式（实时复制、定时复制、存储转发复制）。 **适用场景：** - 数据库数据迁移； - 实现源数据库与目标数据库之间的数据同步。 #### 存储虚拟化的方法 存储虚拟化技术允许在源端和目的端之间通过网络（包括 SAN 网络和 IP 网络）进行数据迁移。EMC 的 Invista、IBM 的 SVC 和 LSI StoreAge SVM 等产品均支持这一技术。 **优点：** - 兼容现有主流存储设备； - 支持跨厂商、跨品牌的存储设备间的数据迁移； - 适合频繁进行数据迁移的企业。 **适用场景：** - 需要在不同地理位置之间进行数据迁移的情况； - 大型企业或组织内部频繁的数据移动需求。 #### 盘阵内复制方法 盘阵内复制方法是通过盘阵内部的复制软件将数据从源卷复制到目标卷。该方法通常用于同一品牌或同一型号的存储设备之间进行数据迁移。 **适用场景：** - 同一品牌或型号的存储设备间的数据迁移； - 对数据迁移速度有较高要求的情况。 通过上述介绍可以看出，不同的数据迁移方法各有优势，选择合适的迁移方案需要综合考虑数据的类型、大小、迁移的时间窗口以及目标系统的要求等因素。正确选择数据迁移方法能够有效提高数据迁移的效率，降低业务中断的风险，从而更好地满足企业的业务需求。

达梦数据库是中国自主研发的数据库管理系统，其系列产品自推出以来便凭借其高性能、高可靠性和易用性赢得了广泛的认可。标题中提到的“dm8数据库-win10-x86安装包（内有达梦迁移工具等）”，即是指包含了最新版本dm8数据库的安装文件以及达梦数据库专用的迁移工具，专为Windows 10 32位操作系统设计。 dm8作为达梦数据库的第八代产品，不仅在原有的基础上进行了性能优化，还在功能上进行了扩展。例如，它支持SQL标准，具有良好的兼容性，能高效地支持大数据量的存储和处理。同时，dm8增强了对云计算的支持，提供了更加灵活的部署方案，满足了不同企业用户的需求。 安装包通常会包括数据库软件本身和相关的安装、配置工具，以及数据库服务程序等。在文件名称中，“dm8_20241011_x86_win_64.iso”暗示了这是一个安装镜像文件，创建于2024年10月11日。虽然文件名似乎指向一个64位的安装文件，这与32位操作系统的要求不符，这可能是一个打字错误或文件命名的特殊情况，实际内容可能需要进一步核实。 此外，达梦迁移工具是达梦数据库产品中的一个重要组件，它允许用户在不同数据库系统之间迁移数据，这个工具简化了数据库升级或系统迁移的复杂性。在迁移过程中，它可以保证数据的完整性，减少迁移风险，并提高迁移效率。 对于数据库管理员和开发人员来说，正确的安装和配置数据库是确保业务连续性和系统性能的关键。因此，安装包中除了数据库软件本身之外，还可能包括详细的安装手册、配置向导以及常见问题解答等文档，帮助用户快速掌握安装和维护数据库。 dm8数据库对于需要在Windows平台上搭建高效、稳定数据库环境的用户来说，是一个不可多得的选择。而达梦迁移工具则为用户提供了更加便捷的数据迁移和管理方式，是数据库升级或迁移过程中的重要辅助工具。

### 自学式学习：从无标签数据中进行迁移学习 #### 概述 自学式学习(self-taught learning)是一种新型的机器学习框架，旨在利用无标签数据来提高监督分类任务的表现。与传统的半监督学习或迁移学习不同，自学式学习不假设无标签数据遵循与有标签数据相同的类别标签或生成分布。这意味着可以使用大量从互联网随机下载的无标签图像、音频样本或文本文档来改进特定图像、音频或文本分类任务的表现。由于这类无标签数据获取相对容易，因此自学式学习在许多实际的学习问题中具有广泛的应用前景。 #### 主要贡献 本文提出了一个实现自学式学习的方法，该方法利用稀疏编码来构建使用无标签数据形成的更高级特征。这些特征能够形成简洁的输入表示，并显著提高分类性能。当使用支持向量机(SVM)进行分类时，作者还展示了如何为这种表示学习Fisher核的方法。 #### 自学式学习框架 自学式学习的关键在于如何有效地利用无标签数据。为了实现这一目标，文章提出了一种基于稀疏编码的特征构建方法。具体来说： - **稀疏编码**：通过稀疏编码技术，可以从大量的无标签数据中学习到一组稀疏表示。这些表示通常包含了一些对数据有意义的特征，这些特征可能对于后续的分类任务非常有用。 - **特征构建**：通过对无标签数据集应用稀疏编码，可以得到一系列稀疏特征，这些特征进一步被用来构建更高层次的表示。这些高级表示捕捉了数据中的结构化信息，有助于提升分类器的表现。 - **分类器训练**：将构建好的高级特征作为输入，用于训练分类器（如支持向量机）。对于支持向量机而言，还可以进一步优化其内核函数（如Fisher核），以更好地适应特定的任务需求。 #### 实验验证 文章通过一系列实验验证了自学式学习的有效性。实验结果表明，在有限的有标签数据情况下，通过利用大量易于获取的无标签数据，能够显著提高分类任务的准确率。这为解决现实世界中经常面临的有标签数据稀缺问题提供了一种新的解决方案。 #### 结论与展望 自学式学习作为一种新兴的学习框架，为解决监督学习中常见的有标签数据不足问题提供了一个新的视角。通过利用广泛存在的无标签数据资源，不仅能够在一定程度上缓解数据标注的成本问题，还能够有效提升模型的泛化能力。未来的研究方向包括探索更多有效的特征构建方法以及如何在不同的应用场景中更高效地利用无标签数据等。 #### 总结 自学式学习是吴恩达等人提出的一种机器学习框架，它利用无标签数据来改进监督分类任务的性能。这种方法不依赖于无标签数据和有标签数据之间存在相同的类别标签或生成分布，而是通过稀疏编码等技术构建更高层次的特征表示，从而改善分类效果。自学式学习为处理实际问题中常见的有标签数据稀缺问题提供了一个有力工具，具有重要的理论意义和应用价值。

基于一维CNN的轴承故障诊断迁移学习代码复现：从源域到目标域的特征提取与分布对齐实践,基于迁移学习的轴承故障诊断代码复现：一维CNN特征提取与JDA联合对齐的实现过程,top一区轴承诊断迁移学习代码复现 故障诊断代码 复现 首先使用一维的cnn对源域和目标域进行特征提取，域适应阶段：将源域和目标域作为cnn的输入得到特征，然后进行边缘概率分布对齐和条件概率分布对齐，也就是进行JDA联合对齐。 此域适应方法特别适合初学者了解迁移学习的基础知识，特别推荐，学生问价有优惠 ●数据预处理：1维数据 ●网络模型：1D-CNN-MMD-Coral ●数据集：西储大学CWRU ●准确率：99% ●网络框架：pytorch ●结果输出：损失曲线图、准确率曲线图、混淆矩阵、tsne图 ●使用对象：初学者 ,核心关键词： 一区轴承诊断; 迁移学习; 代码复现; 特征提取; 域适应; JDA联合对齐; 数据预处理; 1D-CNN-MMD-Coral; 西储大学CWRU数据集; 准确率; pytorch框架; 结果输出图示; 初学者。,复现一维CNN迁移学习轴承故障诊断代码：从基础到高级的深度学习之旅