⭐️齐下无贰⭐️

关于择人议题 关于择人议题 发表频率 家园人格与猎手人格 反向分析 关于交朋友或者找对象 人格特征 收尾 借物表 个人愚见, 因为在剖析心理所以难免看起来会感觉冰冷无情, 先声抱歉 世间万物, 都可以明码标价. --赏金猎人 下面从朋友圈和空间来解剖, 这俩价值实际上很高, 合理利用的话能节省很多不必要的时间和情感 发表频率 频率与年龄阶段成反比, 拟合程度显著 (排除推广软文) 发的少的, 部分是阶段性现实太忙或者生活机械化缺少新颖事物, 部分是没什么网上朋友或者大部分时间陪家人和现实朋友了, 小部分为对互联网社交不感冒的本地人格 此类多数人相对更少主动维系人际间情感关系, 或者说只维护小圈子, 建交困难 上面可以简单认为, 加上之后通过朋友圈时间戳可以直接了解到这个人容不容易相处, 交流起来费不费劲 情商是结合场景利用的东西, 分享欲共情力才是相处过程中难易所在 尤其年纪大的人更容易看出来, 生活稳定的前提下, 发的越多说明那个人朋友越多就越容易相处 (但是反过来不成立, 发的少的不一定难相处) 家园人格与猎手人格 部分人多发小圈子内的内容, 部分人喜欢发探索 ...

设备生平录 设备生平录 序 大件 royole-柔派 2 飞行堡垒-GL502-6_i7-1060 幻-13-5800-1650 评价 手动降频 参数释义 风扇 MacBook-Pro-13-16G QQMail-iCloudMail 截屏键 键鼠共享 RaspberryPi-4B4G Mi11-12-256 垃圾相册 配件 picun-b16 nowall-ch1 狼蛛-收割者-茶 BOYA-M1-pro 倍思八合一拓展坞 QCY-Melobuds-ANC N140HCA-EAE 蓝牙工学鼠标 Storage ITGZ-JMS583-硬盘盒 宏碁-GM7-2T ORICO-3.5x2-硬盘座 游戏存哪个盘 希捷-ST4000VX015-4T-3.5 东芝-1T-2.5 电吉他 学习 快充 处理器架构 显示器 LCD LED 模拟控制器-Joy 借物表 序 性价比玩家, 基本没有贵的设备…穷嘛 (此处只是记录一下并做主观感受, 不存在利害关系) 也会记录一些关于硬件电子设备的学习笔记 大件 royole-柔派 ...

误入科研海 误入科研海 序 关于调研 一些经验 学会拆字 读论文 找论文 点云 分析工具 CloudCompare PCD-Decode 某次组会分享 组成成分-数据转换分析 VirtualLiDAR-转换和组成 时间同步-配准问题 虚拟问题及双端任务流 标注问题 其它问题 欧阳老师给的提议 auto-mos 借物表 序 偶然的机会进了某大学的 Lab (简历里写了), 很感谢某位大佬 🥰 就这样, 下面记一些个人经验… 关于调研 师姐开会时经常提到, 要站在第三人称视角读 paper, 不要被代入读者身份或者完全顺着作者思路思考 now.clear, 意思大概就是: how > what how they think, not what… how they do, not what… how they show, not what… 在做调研时着重看下: paper 提出的问题 如何着手解决和实现 (精髓就是 1. -> 2. 中间的思路, 应该叫问题建模) 对于优秀和有借鉴价值的实现, 可以看一 ...

序 此发生器基于空间数组, 随机种子来自于 time 时间戳末尾位 随着 random 次数增加, array 不确定度持续叠加, 每位概率会有一定波动但不会出现偏倚或黑洞 熵来自于每次 update 的位置和次序, 淡化了某时刻 timestamp 和算力的影响 思想类似卷积, 把过去与当前状态持续叠加到对未来的影响中 现有缺陷 无法保证 恒定的概率 或者说 等概率随机, 但可以近似做到 自然随机 array 需要预热, 预热效果也会影响一定范围内的随机数质量 小批量随机效果贼差 代码 from datetime import datetimearray = [i for i in range(10)]def random(): time_str = str(datetime.now().timestamp()) if len(time_str) == 16: index = 0 else: index = int(time_str[-1]) # core: 每次 random, 使 index 位加上下一位的数字 arra ...

slidev slidev 安装-使用 报错 初始化 依赖问题 展示 借物表 安装-使用 npm install --save @slidev/cli# 这里个人不建议全局安装, 有时会遇到依赖问题# npm install -g @slidev/cli 可以用 scripts 来运行, 比较便捷 (没全局安装@slidev/cli 的话, slidev 无法在终端调用) "scripts": { "slides": "slidev slides.md --remote --open",}, 报错 初始化 D:\Scoop\persist\nvm\nodejs\v18.4.0\node_modules\@slidev\cli\dist\chunk-IP7ZGKHI.js:121 throw new Error(`Failed to resolve package "${importName}"`); ^Error: F ...

猫猫头-日常 猫猫头-日常 序 matters 如何混熟 被啃 照片 借物表 序 matters 如何混熟 来到陌生环境的时候猫猫头们还是相当怕的, 与大多数人行为相反, 想让它们放下警惕, 需要让它们在屋子里转一段时间(最好别关在笼子,不要频繁进来) [1] 确保屋子内有能让它们藏起来的地方(缓解精神压力), 在此期间别接近它们, 放上食物可以在远处静静看着 最快也得两三天后, 在猫视野内慢慢的接近撸它 (别突击或者动作过快,会被吓跑) 之后需要学会看尾巴来看它们心情 [2] 被啃 除了那只黑狸花, 另外两只都特喜欢啃我脚趾和手指… 猫咪特爱啃人的脚趾，到底是怎么回事，有什么好方法阻止猫呢？ 被猫咬不用打狂犬疫苗是真的吗？为什么好多人被猫抓不打疫苗 照片 emmmm 手机相机真的拉, 有时候要躲远点或者晚上拍的, 更拉了… 点一下图片可以看 scene-description 借物表 [1]: 【萌新养猫】-猫咪到新家，如何快速适应新环境？ [2]: 解读猫尾巴的 8 种语言，猫咪的尾巴会说话！别在猫不耐烦时还去招惹它！ 【初识猫咪 EP22 ...

序 Colab 平台对于 轻量级/边缘计算 比较方便, 尤其是对这种教程性质的 notebook, 分享和运行都开箱即用 但另一方面: 因: 免费版的 Colab 所给的硬件资源不是很稳定, 用太久的话会分不到 GPU, 虽然给的 GPU 肯定是比自己的开发机强很多, 但是跑大型项目肯定带不动 (而且 Colab 单次运行最多持续 6h, 一段时间没动作的话会断连, 断开后再过一阵 runtime 会被重置) 果: 可以用它来学习下怎么搭环境以及一些小测试 毕竟生产服务器申请不易 / 环境也不能乱动 受系统和网络限制, 在开发机搭环境并不理想 装环境 从安装到放弃到爬出坑 :( 跟着这几篇装的环境:[2][3], 有借鉴意义但是指导不明确 个人先跟着官方出的视频教程和 openbayes 上的 notebook 试了试水, 很深 [1]; 最后找到一个源库 tutorial-fork 的 colab-notebook [4] 预先装上 cuda, cudnn (colab自带) 依赖链: cuda <- pytorch <- mmcv-full ...

basic static-method python 中并没有像是 Java 里的 static 关键字,取代的是 @classmethod 和 @staticmethod class A: name = 'A' # 至少有一个隐式形参 (本类 cls 对象), 可以访问类属性 @classmethod def a(cls): print(cls.name) # 无形参, 也就是说拿不到类属性 @staticmethod def b(): print('b')A.a()A.b() A b multi-condition if(a||b)当 a 为真时，还会对 b 求值吗? 不会 import timedef calculate(name, t): print("calculating: ", name, "seconds needs: ", t) time.sleep(t) return Trueif (calc ...

序 此文为其他文章的代码部分: ⚡再啃-Deep-Learning 也提供了 notebook 形式: 代码地址 神经网络 感知器 def AND(x1, x2): w1, w2, theta = 0.5, 0.5, 0.7 tmp = x1 * w1 + x2 * w2 if tmp <= theta: return 0 else: return 1def OR(x1, x2): w1, w2, theta = 0.5, 0.5, 0.2 tmp = x1 * w1 + x2 * w2 if tmp <= theta: return 0 else: return 1# 非门只取一个输入,另一个不管def NOT(x1, x2): w1, w2, theta = -1, 0, 0 tmp = x1 * w1 + x2 * w2 + 1 return tmp# 异或门是非线性运算, 需要多层感知器组合def XOR(x1, x2): # 异或 ...

再啃-Deep-Learning 深度学习 一个好的表示学习策略必须具备一定的深度 特征 像是宰鱼要分多步,每步使用不同方式/工具 通常从底层特征开始经过多步非线性转换才能得到好的高层语义表示 特点 增加特征重用性,指数级增加表示能力 表示学习与深度学习关系 关键问题: 贡献度分配 不同组件/参数对系统输出结果的影响权重 神经网路 人工神经网络 由大量神经元及它们之间的有向连接构成 三方面 神经元/感知器 网络的拓扑结构 LeNet AlexNet VGGNet ResNet 学习算法 分类 单类网络 前馈网络 记忆网络 图网络 复合型网络 贡献度分配问题 不同 component 或 param 对最终系统输出结果的贡献 利用偏导数求解贡献度 发展史 模型提出 冰河期 反向传播算法引起的复兴 流行度降低 深度学习崛起 MMDetection 图像分类 模型发展 LeNet-5 (1998) AlexNet (2012) VGGNet (2014) GoogleNet (2014) ResNet (20 ...

机器学习 何为机器学习 学习方式 深度学习 监督 监督学习 无监督学习 强化学习 一般流程 1.原始数据 2.数据预处理 问题 完整性 噪声 是否匹配 重复 连续/离散 样本分布是否平衡 方法 标准化/均值移除 范围缩放 归一化 二值化 独热编码 标签编码 3.特征处理 特征提取 原始特征的线性组合获取新特征 特征转换 升维 降维 4.训练模型 5.预测 6.参数调整 7.模型评估与优化 评估方法 优化方法 基本问题 回归问题 分类问题 聚类问题 降维问题 强化问题 三要素 模型 线性方法 非线性方法/广义线性方法 超参的学习-更新 损失函数 期望风险 期望风险未知,通过经验风险近似 机器学习问题 -> 经验风险最小化问题 过-欠拟合及处理 参数学习 经验风险最小化(最小二乘法) 结构风险最小化(岭回归) 最大似然估计 最大后验估计 优化算法 代码 本篇所用到的代码在这: 👀Code-4-Machine-Learning 何为机器学习 随机取市场上一些芒果样本 ...

序 此文为其他文章的代码部分: 🥵硬啃-Machine-Learning 也提供了 notebook 形式: 代码地址 数据预处理方法 标准化-均值移除 # 数据预处理之：均值移除示例import numpy as npimport sklearn.preprocessing as sp# 样本数据raw_samples = np.array([ [3.0, -1.0, 2.0],\ [0.0, 4.0, 3.0], \ [1.0, -4.0, 2.0]]\)# 求每列的平均值 axis=0为列, =1为行 不填就计算所有值print(raw_samples.mean(axis=0))# 求每列标准差print(raw_samples.std(axis=0))std_samples = raw_samples.copy() # 复制样本数据for col in std_samples.T: # .T为转置,遍历每列 col_mean = col.mean() # 计算平均数 col_std = col.std() # 求标准差 co ...