笔记专题
ControlNet 学习笔记
ControlNet根据一些额外的信息控制扩散生成走向 在作用原理上，ControlNet和LoRA是有许多相似之处的，定位都是对大扩散模型做微调的额外网络。 Annotator（预处理器）:从图片中提取对ControlNet有用的额外信息 Diffusion:在ControlNet指导下生成图像作品 三、ControlNet五大模型 1.Openpose 2.De
Python3 笔记：range() 函数
range() 函数返回数字序列，默认从 0 开始，默认以 1 递增，并以指定的数字结束。 它的语法格式：range(start,end,step) start是起始值，end是终止值，step是间隔值 上述语句可以产生一个[start,…, end-1]列表，如果终止值大于起始值则是产生空列表。 注意：最后一个数字是 end-1，而不是end。 当range() 函数只有一个参数时，它
基于RS和GIS的北京土地利用变化监测--笔记
通过对北京市1988、1991、1996、1999、2004、2007年LANDSAT/TM遥感影像的处理与解译判读，采用先分类后比较的方法提取北京市1988一 2007年六期五个阶段的土地利用/覆被动态变化的位置、面积和类型。以此为基础，采用土地利用/覆被转移矩阵、土地利用动态度、土地利用程度指数和生态景观指数等多种数学模型，分析北京市土地利用/覆被动态变化的规律、特点、过程和和景观 格局，
LeetCode刷题笔记第1800题：最大升序子数组和
LeetCode刷题笔记第1800题：最大升序子数组和 题目： 想法： 遍历数组的同时记录当前最大升序子数组和，最终返回最大升序子数组和 class Solution:def maxAscendingSum(self, nums: List[int]) -> int:result = 0i = 0n = len(nums)while i < n:s = nums[i]i += 1whi
Spring初学入门（跟学笔记）
一、Spring概述 Spring是一款主流的Java EE轻量级开源框架。 Spring的核心模块：IoC（控制反转，指把创建对象过程交给Spring管理 ）、AOP（面向切面编程，在不修改源代码的基础上增强代码功能） 二、Spring入门 2.1 入门案例开发步骤 引入spring相关依赖创建类，定义属性和方法按照spring要求创建配置文件在spring配置文件中配置相关信息进行测试
新人学习笔记值（初始JavaScript）
一、Java Script是什么 1.Java Script是世界上最流行的语言之一，是一种运行在客户端的脚本语言（script是脚本的意思） 2.脚本语言：不需要编译，运行过程中由js解释器（js引擎）进行解释并运行 3.现在也可以基于 node.js 技术进行服务器端编程 二、Java Script的作用 1.表单动态校
ue引擎游戏开发笔记（39）——npc的ai设定：追踪玩家以及瞄准
1.需求分析： 实现对npc的击杀和死亡反馈后，下一步需要赋予npc基本的ai，首先就是敌人要能够追踪或者说跟随玩家，这才能为后续npc开枪，对射做好准备，首先实现追踪玩家。 2.操作实现： 1.思路；ue引擎对此提供了相对完整的可用模块，简单设置调用即可。 2.首先老规矩，先创建c++类，选择aicontroller类进行创建，之后在引擎中建立子类蓝图，并对npc角色设置使
清华博士导师整理：Tensorflow 和 Pytorch 的笔记（包含经典项目实战）
作为一名 AI 工程师，掌握一门深度学习框架是必备的生存技能之一。 自 TensorFlow 从 Google 中脱颖而出以来，它在研究和商业领域成为最受欢迎的开源深度学习框架，紧接着 从 Facebook 诞生的 PyTorch 由于社区推动的易用性改进和越来越广泛的用例部署，而迅速赶上TensorFlow。 两个框架在当年一度备受争议，TensorFlow 和 PyTorch 谁更好？ 从去
【3dmax笔记】028：倒角的使用方法
一、倒角描述 在3dmax中创建倒角效果可以通过多种方法实现，以下是几种常见的方法： 使用倒角修改器。首先创建一个图形（如矩形和圆），然后对齐它们，将它们转化为可编辑样条线，并附加在一起，选择要倒角的边缘，然后使用倒角修改器来调整高度、轮廓等参数。使用倒角剖面修改器。创建一个路径（如矩形），然后在修改器下拉列表中找到并添加倒角剖面修改器，在修改器的参数中，可以调整倒角的深度、宽度、轮廓偏移等。
Linux学习笔记（Socket）
Linux-Socket 1、基础知识2、服务端3、客户端4、读写操作4.1、读写函数4.2、阻塞IO和非阻塞IO 5、例程 1、基础知识 socket用于计算机之间的网络通信，无论是构建服务器还是客户端，我们仅需要三个信息，服务器的ip地址，对应进程的端口号，通信协议。 拿到ip地址，便自然知道其ip种类且同时知道该服务器的位置，拿到端口号便知道具体和哪个程序对接。一般而言我们
『大模型笔记』Phidata 为LLMs添加了记忆、知识和工具！
Phidata 为LLMs添加了记忆、知识和工具！ 文章目录 零. LLM OS一. 什么是 Phidata？二. 为什么选择 phidata？三. 工作原理四. 参考文献 零. LLM OS 基于 GPT-4o 实现的 LLM OS 形态如下：1. GPT-4o 作为内核 - 操作系统2. 模型调用计算资源：Tools，结合 Memory3. 可以读写内容、世界知识、访
软件项目管理(学习笔记)
1.项目与项目管理 项目 1.项目：项目是一次性的、以目标为导向的（目标明确）、通过项目经理及其团队工作完成的、存在大量的变更管理。 2.项目的特点： 有明确的目标性 明确的时限性 资源成本的约束性 项目的不确定性 唯一性(一次性) 3.项目的定义：是为了创造一个唯一的产品或提供一个唯一的服务而进行的临时性的活动。 项目管理 1.项目管理通俗理解：假设要做一件事情，有一定的约束和目
Android网络编程之Volley开发笔记
Android网络编程之Volley开发笔记 Android网络编程几乎是每个APP必不可少的功能，Android系统对应网络编程提供了两种http通信方式，HttpURLConnection和HttpClient，这两个的使用率非常高，但是，这两种方式的开发相对比较复杂。于是，谷歌开发团队也意识到了有必要对Http通信操作做一些简化，在2013年的Google I/O大会上发布了一个新的网络通
Linux shell编程学习笔记49：strings命令
0 前言 在使用Linux的过程中，有时我们需要在obj文件或二进制文件中查找可打印的字符串，那么可以strings命令。 1. strings命令 的功能、格式和选项说明 我们可以使用命令 strings --help 来查看strings命令的帮助信息。 pupleEndurer @ bash ~ $ strings --help Usage: strings [option
经典书籍----《高效能人士的七项习惯》笔记
chape 1 由内而外全面造就自己 每个人的观念是多么根深蒂固。并且了解到，认知不仅是认识外在世界，更与我们向外看所透过的“镜片”有关，因为这镜片（即观点）往往左右着我们对外界的诠释。因为表面的言行始终掩饰不住真正传达的讯息。要改变现状，就得改善自己；要改善自己，先得改变我们看待外界的观点。 光有技巧还不够 我并非暗示，个人魅力论所强调的重点，如追求个人成长、训练沟通技巧、培养积极思
《python自然语言处理》笔记---chap3加工原料文本
chap3中关于，NLP中的关键概念，包括分词和词干提取。字符串、文件、正则表达式、去除HTML标签 以下所有程序，默认导入包 import nltk,re,pprint #即，nltk包，正则表达式re包，输出pprint包 3.1 从网络和硬盘访问文本 电子书 http://www.gutenberg.org/files/2554/2554.txt，古腾堡项目编号2554的文本
《python自然语言处理》笔记---chap2 获得文本语料和词汇资源(续)
---------我可以投诉吗？不知道为什么上午接着写了好多，明明发表了，可是还是没了，是不是不能写那么多？----- 载入你自己的语料库 待续。。。 2.3 更多关于python:代码重用 使用文本编辑器创建程序 函数 局部变量，不能在函数体外访问。函数在被“调用”之前不会做任何事情。 一个Python 函数：这个函数试图生成任何英语名词的复数形式。 #coding:utf-8
【线性系统理论】笔记一
一：状态空间表达式 电路系统状态空间描述列写 1：选取状态变量 状态变量定义：线性无关极大组属性。 2：列出电路原始回路方程 ps：状态变量有两个，理论上需要列写2个方程 3：规范形势 4：导出状态变量方程&输出方程 输出方程直接由电路关系式和状态变量方程得到 得出： MATLAB系统模型转换
《机器学习实战》笔记之十二——使用FP-Growth算法来高效发现频繁项集
第十二章 使用FP-Growth算法来高效发现频繁项集 FP-growth算法，基于Apriori构建，但在完成相同任务时采用了不同的技术，其只需要对数据库进行两次扫描，而Apriori算法对于每个潜在的频繁项集都会扫描数据集判定给定模式是否频繁，因此其比Apriori算法快。FP算法需要将数据集存储在一个特定的称作FP树的结构之后发现频繁项集或者频繁项对。 12.1 FP树：用于编
《机器学习实战》笔记之十一——使用Apriori算法进行关联分析
第十一章 使用Apriori算法进行关联分析 Apriori算法频繁项集生成关联规则生成 从大规模数据集中寻找物品间的隐含关系被称作为关联分析（association analysis）和关联规则学习（association rule learning）。 11.1 关联分析 关联分析有两种形式：频繁项集、关联规则。频繁项集（frequent item sets）是经常出现
《机器学习实战》笔记之十——利用K均值聚类算法对未标注数据分组
第十章 利用K均值聚类算法对未标注数据分组 10.1 K-均值聚类算法 K-均值是发现给定数据集的k个簇的算法，每个簇通过其质心来描述。其优点为容易实现，但可能收敛到局部最小值，在大规模数据集上收敛较慢。 随机确定k个初始点为质心，为每个点找距其最近的质心，并将其分配给该质心所对应的簇，每个簇的质心更新为该簇所有点的平均值。质心可用任意距离度量方式，但结果相应的受到距离度量方式影响。
《机器学习实战》笔记之九——树回归
第九章 树回归 CART算法回归与模型树树减枝算法python中GUI的使用 线性回归需要拟合所有的样本点（局部加权线性回归除外），当数据拥有众多特征并且特征之间关系十分复杂时，就不可能使用全局线性模型来拟合任何数据。 将数据集切分成很多份易建模的数据，再用线性回归技术来建模可破。 本章介绍CART（Classification And Regression Trees, 分类回归树
《机器学习实战》笔记之八——预测数值型数据：回归
第八章 预测数值型数据：回归 8.1 用线性回归找到最佳拟合曲线 假设输入数据存放在矩阵X中，而回归系数存放在向量w中，那么对于给定的数据X1，预测结果将会通过Y1=X1.T×w给出。如何找出误差最小的W，一般采用平方误差最小，即最小二乘法。平方误差可以写做： 用矩阵表示还可以写做（y-x*w）.T*(y-x*w)。如果对w求导，得到x.T*(y-xw)，令其等于
《机器学习实战》笔记之十四——利用SVD简化数据
第十四章 利用SVD简化数据 14.1 SVD的应用 特点： 利用SVD能够用小得多的数据集来表示原始数据集。 优点：简化数据，去除噪声，提高算法的结果。 缺点：数据的转换可能难以理解。 隐性语义索引（LSI） 利用SVD的方法为隐性语义索引（Latent Semantic Indexing, LSI）或隐性语义分析（Latent Semantic Ana