机器人 实战 机器 课程
fortran实战手册（3）
目录read,write读写文件 read,write 读写文件 program learn implicit none character(10)::student_name character(20)::file_name integer::id integer::io_status chara ......
Angular 应用实现 Lazy Load(懒加载)的项目实战经验分享
笔者之前两篇掘金社区文章，分别介绍了企业级 Angular 应用开启 PWA 特性和服务器端渲染，从而提升用户体验的两种设计思路： Angular 应用支持 PWA(Progressive Web Application) 特性的开发步骤分享 基于 Angular Universal 引擎进行服务器 ......
Angular 应用的搜索引擎优化(SEO)实战指南
笔者之前在掘金社区发表了两篇关于 Angular 开发的文章，分别介绍了 Angular 支持服务器端渲染和 PWA 的技术细节： 基于 Angular Universal 引擎进行服务器端渲染的前端应用 State Transfer 故障排查案例 Angular 应用支持 PWA(Progress ......
2023版 STM32实战1 LED灯驱动(电路与代码都讲解)
电路图 常规画法（带限流电阻计算公式） 设LED 电流为20mA(统一单位为 0.02A) 电压为3.3V 限流电阻=(电源电压-负载正向工作电压)/工作电流 限流电阻=(5V-3.3V)/0.02mA=1.7/V0.02A=85R 省事画法（直接用IO输出） 代码（直接拷贝使用） 找对引脚！！！这 ......
c3w2_机器学习（ML）策略2
误差分析 Error Analysis 如果你的机器学习算法表现得还不够好，那么通过手工去检查算法所犯的错误，这个过程称为错误分析（Error Analysis）。 举例如下，团队开发的识别猫咪的分类器，在dev set上准确率为90%。此时我们希望提升算法的性能，通过分析算法的错误样本，发现其中有 ......
c3w1_机器学习（ML）策略1
Introduction to ML strategy 为什么要选用机器学习策略？ 比如下面这个识别猫的分类器，目前的训练结果可能达到了90%的准确率。但是如果像进一步提高性能，有很多待选的方法。但是该如何去选择呢？ 下面的课程就是主要介绍Machine Learning Strategy。需要注意 ......
CTF实战——1.ningen
一 、我们拿到第一题为ninge 1.先分析题目内容，在题目中告诉了我们一个关键信息，知道了秋明特别讨厌中国的六位数银行密码，喜欢四位数。从这里我们可以知道一个关键词为四位数。 2.打开附件发现内容包含着一张jpg格式的图片。 首先我们拿到一个图片文件我们首先查看此文件属性是否包含着隐藏信息。 可是 ......
acwing276机器任务的证明
假设我们已经给每一个任务分配了一种模式了 那么相同模式的任务排在一起的时候肯定重启次数最小 对涉及到的模式，我们还原回二分图上 就是在二分图上尽量选择少的节点（一种模式代表一次重启次数，因为相同模式都是放在一起的），使每一个任务都可以被安排 就可以转换为最小点覆盖问题 ......
Dapper NetCore 分区实战
在上一篇中介绍了基于Dapper的NetCore分表，本篇旨在介绍基于Dapper的NetCore分区，废话不多说开搞吧！ 模拟业务场景：基于公司所在地区对表建立分区 设计公司表结构,其中TableAttribute标识表名，PartitionAttribute标识当前表是分区结构，Property ......
Dapper NetCore 分表实战
在项目开发过程中很多时候需要持久化大数据，其中的一项选择就是数据库分库分表，本篇从实战角度介绍在NetCore中如何通过Dapper实现分表，废话不多说，开搞！ 模拟业务场景：公司中有很多员工，分为不同的角色：老板(Boss), 虾兵(Shrimp Soldier),蟹将(CrabGeneral), ......
探索人工智能的世界：构建智能问答系统之实战篇
在本文中，我们详细介绍了使用官方示例进行代码编写的步骤，包括连接到数据库、创建集合、插入数据、创建索引、查询数据、删除数据、断开数据库连接等操作。然后，我们升级了代码，使用了LangChain版本，并选择了一个嵌入模型进行示例演示。最后，我们展示了如何调用openai模型来回答问题。 ......
机器视觉选型计算器，初级版，后续慢慢补充
做机器视觉的都知道，每次选型都得做各种计算，但是没有人把硬件选型做出一个工具，今天利用一点闲暇时间，几分钟吧，简单做了个，后续再把其他一些硬件选型公式计算器功能做上去，有需要的自取。 1.DPI相关计算器 2.工作距离相关计算器 3.待补充，编码器等 4.关于 有需要自行下载：链接 ......
Cocos Creator 项目实战《3D切水果》
今天跟大家分享一个Cocos Creator 3D切水果的实战案例，帮助大家掌握Cocos Creator开发3D微信抖音小游戏，开发工具我们采用的是Cocos Creator 3.6。先上一波游戏操作效果图，接下来通过本文来讲解这个游戏的一些核心的技术点。 游戏项目资源准备 我们刚开始做项目的时候 ......
机器学习——Transformer
10.6.2节中比较了卷积神经网络（CNN）、循环神经网络（RNN）和自注意力（self-attention）。值得注意的是，自注意力同时具有并行计算和最短的最大路径长度这两个优势。因此，使用自注意力来设计深度架构是很有吸引力的。对比之前仍然依赖循环神经网络实现输入表示的自注意力模型 (Cheng ......
C++调用Python3实战，和PyImport_ImportModule返回NULL问题解决
Linux C++调用Python3 入门 准备 以下面的目录结构演示如何在Linux C/C++调用python3。 |--hello.py |--main.cpp |--CMakeLists.txt hello.py：python的脚本，里面有2个函数 main.cpp：c++函数 CMakeL ......
机器学习——自注意力与位置编码
在深度学习中，经常使用卷积神经网络（CNN）或循环神经网络（RNN）对序列进行编码。 想象一下，有了注意力机制之后，我们将词元序列输入注意力池化中， 以便同一组词元同时充当查询、键和值。 具体来说，每个查询都会关注所有的键－值对并生成一个注意力输出。 由于查询、键和值来自同一组输入，因此被称为 自注 ......
JS逆向实战26——某店ua模拟登陆
声明 本文章中所有内容仅供学习交流，抓包内容、敏感网址、数据接口均已做脱敏处理，严禁用于商业用途和非法用途，否则由此产生的一切后果均与作者无关，若有侵权，请联系我立即删除！ 目标 目标网站 aHR0cHM6Ly9kLndlaWRpYW4uY29tL3dlaWRpYW4tcGMvbG9naW4= 目标 ......
DOM对象（pink老师课程笔记）
let or const const优先 对于引用数据类型，const存储的是地址 数组和对象使用const声明 作用和分类 作用：使用JS去操作html和浏览器 分类：DOM（文档对象模型）和BOM（浏览器对象模型） DOM 操作网页内容（标签） DOM树 将HTML文档以树状结构表现出来，直观体 ......
机器学习——多头注意力
在实践中，当给定相同的查询、键和值的集合时， 我们希望模型可以基于相同的注意力机制学习到不同的行为， 然后将不同的行为作为知识组合起来， 捕获序列内各种范围的依赖关系 （例如，短距离依赖和长距离依赖关系）。 因此，允许注意力机制组合使用查询、键和值的不同 子空间表示（representation s ......
Vue3实战 - 第一章 node.js/npm安装、配置
一、node.js 安装（windows） 1、下载并安装node https://nodejs.org/en 安装到 D:\Java\nodes 路径 2、配置环境变量 检查是否安装成功 3、配置全局包存放目录和缓存目录 npm config set prefix "D:\nodejs\node_ ......
python---通过钉钉机器人发送禅道缺陷标题
前言 目前大多数公司都是使用禅道，jira这些来管理缺陷，研发和测试每天站会或者周会都想知道昨天或者这周一共解决了多少个缺陷，如果每天都通过禅道上去查看可能有点麻烦且不方便，今天小编介绍一种方法，我们可以通过办公软件钉钉或者企业微信通过项目群中进行添加机器人，每天自动发送到群里，供大家参考查看。 钉 ......
机器学习——Bahdanau 注意力
9.7节中探讨了机器翻译问题： 通过设计一个基于两个循环神经网络的编码器-解码器架构， 用于序列到序列学习。 具体来说，循环神经网络编码器将长度可变的序列转换为固定形状的上下文变量， 然后循环神经网络解码器根据生成的词元和上下文变量 按词元生成输出（目标）序列词元。 然而，即使并非所有输入（源）词元 ......
机器学习——注意力评分函数
10.2节使用了高斯核来对查询和键之间的关系建模。 (10.2.6)中的 高斯核指数部分可以视为注意力评分函数（attention scoring function）， 简称评分函数（scoring function）， 然后把这个函数的输出结果输入到softmax函数中进行运算。 通过上述步骤，将 ......
机器学习——注意力汇聚：Nadaraya-Watson 核回归
上节介绍了框架下的注意力机制的主要成分 图10.1.3： 查询（自主提示）和键（非自主提示）之间的交互形成了注意力汇聚； 注意力汇聚有选择地聚合了值（感官输入）以生成最终的输出。 本节将介绍注意力汇聚的更多细节， 以便从宏观上了解注意力机制在实践中的运作方式。 具体来说，1964年提出的Nadara ......
机器学习-小样本情况下如何机器学习
交叉验证是在机器学习建立模型和验证模型参数时常用的办法。交叉验证，顾名思义，就是重复的使用数据，把得到的样本数据进行切分，组合为不同的训练集和测试集，用训练集来训练模型，用测试集来评估模型预测的好坏。在此基础上可以得到多组不同的训练集和测试集，某次训练集中的某样本在下次可能成为测试集中的样本，即所谓 ......
机器学习——注意力提示
查询、键和值 自主性的与非自主性的注意力提示解释了人类的注意力的方式， 下面来看看如何通过这两种注意力提示， 用神经网络来设计注意力机制的框架， 首先，考虑一个相对简单的状况， 即只使用非自主性提示。 要想将选择偏向于感官输入， 则可以简单地使用参数化的全连接层， 甚至是非参数化的最大汇聚层或平均汇 ......
c++ AI实战手册-c++ 20（1）
目录hello,world hello,world import <iostream>; using namespace std; int main() { cout << "Hello world!" << endl; return 0; } g++ -c -fmodules-ts -x c++- ......
c++ AI 实战手册（3）-gtk(1)
目录gtk概述hello,world gtk概述 GTK是一个小部件工具包。由GTK创建的每个用户界面都由小部件组成。这是在C中使用GObject实现的，这是一个面向对象的C框架。[]小部件被组织在一个层次结构中。窗口小部件是主容器。然后，通过向窗口中添加按钮、下拉菜单、输入字段和其他小部件来构建用 ......