byte 0xff amp int

紫水晶实验室（Amethyst Lab）由一群可能改变世界的人组成。该账号用于对成员的博文进行转载与分享。 成员： SijunMa：兴趣方向为集成电路、信号处理。博客园：https://www.cnblogs.com/SijunMa/ czg-bky：对无人驾驶、深度学习和黑丝很感兴趣。博客园：ht ......

参考https://threejs.org/manual/#en/responsive和https://threejs.org/manual/#en/scenegraph 前者主要是说怎样创建一个响应式的three.js应用，就是在变化屏幕大小的时候，画面不会畸形。后者是再说，怎么组合小的组件变成一 ......

e-DCC & v-DCC 概述 DCC（双联通分量，Double Connected Component），是 SCC 在有向图中的相对概念，与 SCC 不同的是，DCC 分为两种：e-DCC（边双联通分量，Edge Double Connected Component）与 v-DCC（点双联通分 ......

RT-Thread线程通信接口 线程接口 设备接口(device) 线程间通信接口 邮箱 消息队列 用法①:发送消息 用法②:发送同步消息(带有ACK) 线程间同步接口 临界区 信号量 互斥锁 常用数据类型 调用的接口都是固定的,为了方便迅速创建通信接口. 线程接口 #define THREAD_P ......

struct node { int l,r; bool operator <(const node &a)const{ return r < a.r; } }a[maxn]; 使用sort时，如果这么定义节点，说明节点要按照从小到大排序（sort中默认从小到大排序）；但是同样的代码，如果使用优先队列 ......

title: 07-自定义按键修饰符&自定义指令 publish: false lazyload 用的最多的场景是： 图片lazyload 组件lazyload 现在一般都单独做css的lazyload或者js的lazyload，因为这种方式，其实还是要加载图片和组件。 图片lazyload 图片一 ......

变换 平滑轮廓：smooth_contours 算子：smooth_contours_xld(Contours : SmoothedContours : NumRegrPoints : ) 示例：smooth_contours_xld (Border, SmoothedContours, 11) B ......

2A. Politics 因为编号为 $1$ 的人一定不会离开，那么最后留下的人一定要和编号为 $1$ 的人的所有参数都一致，所以计数即可。 #include <bits/stdc++.h> #include <ext/pb_ds/assoc_container.hpp> #include <ext ......

做题的时候经常会使用到数据类型的最大最小值（如int, long, long long, char等），我也查了很多次，这次就记下来当笔记吧。 参考了C++ prime plus、各个博客、教程和c++官网，对C/C++中各个类型int、long、double、char、long long等基本类型 ......

1.Django Django概述 Django太重，除了web框架，自带ORM和模板引擎，灵活和自由度不够高。Django能开发小应用，但总会有“杀鸡焉用牛刀”的感觉。 Django的自带ORM非常优秀，综合评价略高于SQLAlchemy Django自带的模板引擎简单好用，但其强大程度和综合评价 ......

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 ......

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 ......

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, ......

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 ......

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 ......

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 ......

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. ......

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 ......

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 ......

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\ ......

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 ......

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 ......

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 ......

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 ......

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 ......

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 ......

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 ......

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 ......

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 ......

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： $$ ......