光速 科技amp

ASP.NET Core – Data Protection & Azure Storage + Azure Key Vault

前言 以前就写过很多篇了 Asp.net core 学习笔记 ( Data protection ) Asp.net core 学习笔记 Secret 和 Data Protect Azure key-vault & Storage Account 第 2 篇 Azure 入门系列 (第五篇 Azu ......
Azure Protection Storage Vault Core

.Net Core Console&Cache

前言 有时候想快速验证一些想法,新建一个控制台来弄,可控制台模板是轻量级的应用程序模板,不具备配置、日志、依赖注入等一些功能。 缓存 在网站开发中,缓存无处不在,它能够极大地提高硬件和软件的运行速度。性能优化的第一步便是使用缓存,例如频繁的从数据库中读取,需要和底层IO交互,性能受限,如将常用数据加 ......
Console Cache Core Net amp

CS231N assignment 3 _ GAN 学习笔记 & 解析

这篇文章之所以来的比较早, 是因为我们机器人比赛字符识别数据集不够, 想自己造点数据集其实 课程内容总结 所谓GAN, 原理很简单, 我们有一个生成器网络和鉴别器网络, 生成器生成假的数据, 鉴别器分辨真假, 二者知己知彼互相优化自己, 从而达到博弈的效果. 实际操作中, 我们一般是训练k步鉴别器, ......
assignment 笔记 231N 231 GAN

杜教筛 & Powerful Number 筛

迪利克雷卷积 对于数论函数 $F$,$G$,我们定义迪利克雷卷积的结果 $H=FG$ 为 $$ H_n=\sum_{d\mid n}F_d G_\frac{n}{d} $$ 有些好的性质,比如:对于积性函数 $F$ 与 $G$,其迪利克雷卷积 $FG$ 也是积性函数;而在迪利克雷卷积的意义下,积性函 ......
Powerful Number amp

ASP.NET Core User Secret & Azure Key Vault

前言 以前就写过很多篇了 ASP.NET Core – Configuration & Options Asp.net core 学习笔记 ( Azure key-vault ) Asp.net core 学习笔记 Secret 和 Data Protect Azure key-vault & St ......
Secret Azure Vault Core User

c语言报错 [Error] invalid initialization of non-const reference of type 'LinkQueue*& {aka Link*&}' from an rvalue of type 'LinkQueue* {aka Link*}'

进行地址传递是出现报错 临时值不能作为非常量引用参数进行传递 所以需要在main函数中·重新定义指针传递 ......
LinkQueue 39 Link type initialization

Debug Assertion Failed!:Expression: can't dereference out of range vector iterator(&&运算的注意事项)

1 #include<iostream> 2 #include<vector> 3 using namespace std; 4 bool Find(int target, vector<int> array) { 5 auto begin = array.begin(), end = array. ......

Sementic Kernel 案例之网梯科技在线教育

2023年4月25日,微软公布了2023年第一季度财报,营收528亿美元, 微软CEO纳德称,「世界上最先进的AI模型与世界上最通用的用户界面——自然语言——相结合,开创了一个新的计算时代。」该公司有近2500位Azure-OpenAI 服务客户,并称AI已被整合到多种产品中。 微软杀疯了!接入Ch ......
在线教育 Sementic 案例 Kernel 科技

Linux kernel 模块开发&构建学习

主要是学习下kernel 模块的玩法,代码来自社区 简单kernel 代码 hello_world.c #include <linux/init.h> #include <linux/module.h> MODULE_LICENSE("Dual BSD/GPL"); static int hello ......
模块 kernel Linux amp

[ML&DL] 深度学习的实践层面

深度学习的实践层面 训练集 验证集 测试集 过程 神经网络的训练是一个需要不断迭代的过程,一般先提出idea,然后编码实现、测试,根据测试结果再次调整思路...... 分组与比例 数据集通常分为3个部分:训练集、验证集和测试集。 训练集用于训练模型的参数。 验证集用于选择最好的模型。 测试集用于评估 ......
层面 深度 amp ML DL

[ML&DL] 分类问题

分类问题 分类问题和回归问题的区别是:分类问题的值域是离散的。 线性回归不能应用于分类问题。 逻辑回归模型 (此处为一元分类问题) 预测函数: $$ h_\theta(x)=g(\theta^Tx) $$ 其中: $$ g(z) = \frac{1}{1+e^{-z}} $$ 能够使得: $$ 0\ ......
问题 amp ML DL

河北稳控科技多通道振弦传感器无线采集仪发送数据到 FTP 服务器

河北稳控科技多通道振弦传感器无线采集仪发送数据到 FTP 服务器 配置工具的参数配置区列出了与设备工作相关的所有参数项,每个参数项有【读取】和【修改】两个按钮,点击【读取】按钮获得设备的当前参数值,点击【设置】按钮将当前界面显示的值写入设备。注:参数修改后,必须点击【 系统】 面板内的【保存参数】按 ......
传感器 通道 无线 服务器 数据

Halcon XLD 生成提取&测量及特征筛选

6.1XLD 的生成和提取 XLD 的创建 生成圆轮廓gen_circle_contour_xld 算子:gen_circle_contour_xld( : ContCircle : Row, Column, Radius, StartPhi, EndPhi, PointOrder, Resolut ......
特征 Halcon XLD amp

集成学习:Bagging & Boosting

核心思想 将多个弱分类器组装成一个强分类器 。 前置知识 Bias & Variance 定义: $ bias=\bar{f}(x) -y $,为模型的期望预测与真实值之间的差异。 $ variance=\mathbb{E}_{\mathcal{D} }[(f(x;\mathcal{D})-\bar ......
Boosting Bagging amp

1v1&2v2简单变种国际象棋例子

活动包括的两个项目: 2 vs 2对局 1 vs 1对局 2vs2模式-Crazy No promotion teams 游戏设置: 需要一个游戏发起人,下面是游戏发起人操作,其他玩家只要在变体象棋界面选择同意邀请即可。 进入变体国际象棋界面: 点4 player chess(或者列表中除了doub ......
国际象棋 变种 象棋 例子 国际

CF1814E Chain Chips & CF750E New Year and Old Subsequence - 动态 dp -

一句话概括动态 dp:用来解决带修改/多次区间询问的 dp 问题。将转移写成矩阵的形式,然后利用线段树求解区间问题/单点修改 1814E 注意一条边要么选 2 要么选 0 次,而且第一条边一定是选了 2 次。如果有一条边没选,那么这条边两侧的边一定都选了。 设 $f_i$ 代表考虑到第 $i$ 条边 ......
Subsequence 动态 1814E Chain Chips

DX12 实战 BlinnPhong & 纹理贴图

前言 本篇将展示如何实现BlinnPhong光照,以及为人物模型贴上纹理 对于理论不清楚的小伙伴可以看这图形学理论 局部光照,[图形学理论 纹理贴图](https://www.cnblogs.com/chenglixue/p/17109214.html) 具体代码看这github.com 材质 由于 ......
纹理 BlinnPhong 实战 贴图 amp

ATT&CK是什么

ATT&CK是什么 一、ATT&CK官网 ATT&CK, Adversarial Tactics, Techniques, and Common Knowledge,对抗战术、技术与通用知识。 官网:https://attack.mitre.org/ 二、ATT&CK说了什么 想要看懂ATT&CK说 ......
ATT amp CK

探究“黑科技”:自动驾驶中的对象追踪技术丨曼孚科技

自动驾驶在真正上路前,会经过上千公里的测试。许多自动驾驶公司为了更好地掌握车辆的安全性能,会在训练中增设障碍物,如果车辆能够成功规避障碍物,说明该自动驾驶车辆更安全。 而对象追踪技术的出现,对解决这类问题起到了关键性作用。 作为无人驾驶的必要技术之一,目标追踪通过计算机视觉技术来识别并跟踪移动目标, ......
科技 对象 技术

五一赞|广州流辰信息科技公司心怀敬佩,致敬光荣的劳动者们!

时光流逝,白驹过隙。在春暖花开的季节里,一年一度的“五一国际劳动节”又将来临了。在这个充满鲜花与掌声的佳节里,广州流辰信息科技公司感恩这个时代无私奉献的英雄们,感恩每一个付出辛勤劳动,默默无闻坚守岗位的劳动者们,并向大家送上节日的祝福与问候,此时此刻,流辰全体人员致敬光荣的劳动者们,祝大家:身体健康 ......
劳动者 科技 信息 公司

CutMix&Mixup详解与代码实战

摘要:本文将通过实践案例带大家掌握CutMix&Mixup。 本文分享自华为云社区《CutMix&Mixup详解与代码实战》,作者:李长安。 引言 最近在回顾之前学到的知识,看到了数据增强部分,对于CutMix以及Mixup这两种数据增强方式发现理解不是很到位,所以这里写了一个项目再去好好看这两种数 ......
实战 代码 CutMix Mixup amp

Linux设置yum, 安装wget, 安装gcc & epel

1.备份原有的repo目录 mv /etc/yum.repos.d /etc/yum.repos.d.bak 2. 创建新的存放repo的目录 mkdir /etc/yum.repos.d 3.进入yum.repos.d目录 cd /etc/yum.repos.d 4.Repo文件放入/etc/yu ......
Linux wget epel yum gcc

Golang 并发&同步的详细原理和使用技巧

Golang 并发概要说明 并发模型 Golang 的并发模型属于一种很典型的 CSP(communicating sequential processes) 并发模型,其核心是不要通过共享内存来通信,而应该通过通信来共享内存。具体实现,就是通过 goroutine 来实现并发,然后并发的 goro ......
使用技巧 原理 技巧 Golang amp

[ML&DL] 正规方程

正规方程 正规方程用于一次性求解 $\theta$ 的最优值。 在计算的时候,将数据集构造为一个矩阵(第一列为 $x_0$ 均等于$1$): 通过公式: $$ \theta = (X^TX)^{-1}X^Ty $$ 计算得到最优解 $\theta$。 关于$X$的设计 对于第 $i$ 组数据: $$ ......
方程 amp ML DL

vicky自己都看不懂的FFT&NTT&FWT(目前只完成FFT部分

打个广告QwQ 对应的FFT洛谷blog链接 对应的csdn博客链接 ~~个人觉得洛谷的观感最好。~~ 不忘历史 八百年前学了 $\text{FFT}$,因vicky过于垃圾,遂放弃。 七百年前重拾 $\text{FFT}$,勉强搞懂了它的递归写法,因vicky再一次懒癌附体,遂连板题都没写就弃疗了 ......
FFT amp 部分 vicky NTT

Linux 任务控制(bg job fg nohup &)

Linux 任务控制(bg job fg nohup &) 转载自https://www.cnblogs.com/mfryf/archive/2012/03/09/2387751.html 一、 简介 Linux/Unix 区别于微软平台最大的优点就是真正的多用户,多任务。因此在任务管理上也有别具特 ......
任务 Linux nohup amp job

SpringSecurity从入门到精通:认证成功处理器&认证失败处理器

认证成功处理器 认证失败处理器 ......
处理器 SpringSecurity amp

【ABAQUS&Composite】composite layerup Manager从txt导入铺层信息

ABAQUS 在复合材料建模方面自由度是比较高的。官方提供了两个工具: ABAQUS/CAE中的Composite Layup Manager ABAQUS/CAE的plugin:Composites Modeler(需要ABAQUS2019以上) abaqus 的composite layup m ......
Composite composite Manager layerup ABAQUS

unittest&pytest区别对比

导包:unittest:python自带,直接import unittest导包即可 pytest:需要pip安装后import导入 类名命名方式:unittest:随意,但是必须继承于unittest.TestCase pytest:需要以Test开头,不需要继承 内置方法:unittest:se ......
unittest pytest amp

[ML&DL] 线性回归的梯度下降

前言 这篇笔记记录了线性回归的梯度下降相关公式的推导。 符号说明: $h$ :假设函数,是学习算法对线性回归问题给出的一个解决方案。 $J$ :代价函数,是对 $h$ 和实际数据集之间的误差的描述。 $m$ :数据集的大小。 $x^{(i)},y^{(i)}$: 第 $i$ 个数据。($1\le i ......
梯度 线性 amp ML DL