优快云博客-专业IT技术发表平台

推荐付费专栏 VIP文章

【机器学习&深度学习】模态与多模态的概念 ▲模态是信息的来源与表达形式。▲多模态是不同模态的协同，帮助 AI 更全面地理解与生成信息。▲人工智能中常见的三大模态，也被称为 3V：Verbal（文本）、Vocal（语音）、Visual（视觉）

阅读 812

21赞

(LeetCode 每日一题) 1493. 删掉一个元素以后全为 1 的最长子数组 (双指针) 【代码】(LeetCode 每日一题) 1493. 删掉一个元素以后全为 1 的最长子数组 (双指针)

阅读 515

24赞

埃氏筛|树dfs|差分计数 / 遍历 y 所在连通块，在不经过质数的前提下，统计有多少个非质数。// 这 size[y] 个非质数与之前遍历到的 sum 个非质数，两两之间的路径只包含质数 x。for (int y: g[x]) { // 质数 x 把这棵树分成了若干个连通块。if (size[y] == 0) { // 尚未计算过。// 质数=false 非质数=true。// 从 x 出发的路径。埃氏筛部分函数的调用方式。lambda函数调用。

阅读 193

3赞

嵌入式园姐

单片机的输出模式推挽和开漏如何选择呢？摘要：推挽和开漏是单片机GPIO的两种输出模式。推挽模式可主动输出高低电平，驱动能力强，适用于LED、继电器、SPI等场景；开漏模式只能主动拉低，需外接上拉电阻，适用于I2C总线、电平转换等"线与"应用。两者核心区别在于推挽内置上下MOS管，开漏仅含下拉MOS管。选择时，普通外设驱动用推挽，I2C等总线通信用开漏，电平转换需开漏加上拉。推挽是最通用的输出模式，适用于大多数数字信号输出场景。

阅读 338

5赞

kubernetes中的存储 ConfigMap 摘要 ConfigMap是Kubernetes中用于存储配置数据的资源对象，采用键值对形式存储，主要功能包括：将配置数据与容器镜像解耦，提高可移植性支持1MB以内的配置数据存储创建方式：通过字面值：kubectl create cm --from-literal 通过文件/目录：kubectl create cm --from-file 通过YAML文件定义使用场景：注入环境变量设置容器命令行参数挂载为配置文件卷示例展示了如何创建ConfigMap并通过环境变量方式传递

阅读 291

4赞

雷达学弱狗

时间复杂度 log lg ln 分别表示以2为底，10为底，e为底是用来衡量算法执行时间随着输入数据规模（通常用 nnn 来表示）增长而变化的趋势。在这里，表示随着数组大小 n增大，算法的运行时间增长非常缓慢，实际上是对数增长。好的，我来给你详细解释一下复杂度的概念，特别是和。

阅读 561

15赞

北京地铁1号线

百度深度学习面试：batch_size的选择问题特性batch_size = 全数据集中等 batch_size (e.g., 32, 64, 256)梯度质量噪声大，方差高非常精确，方差低噪声适中，是真实梯度的良好估计训练稳定性非常不稳定非常稳定相对稳定收敛速度慢（步数多）快（步数少）但每步慢总计算时间最优泛化能力通常较好（噪声正则化）通常较差（陷尖锐最小点）最好（噪声与稳定性的平衡）硬件利用率极低（无法并行）高（但可能内存受限）极高（完美并行）内存需求很低极高可调节最佳实践从一个适中的值开始。

阅读 914

12赞

深度学习：CUDA、PyTorch下载安装 NVIDIA 显卡中的运算平台是 CUDA，不过，即使您的计算机有 NVIDIA 显卡，但您的显卡中也不一定含有 CUDA，没有的话就要下载 CUDA。电脑支持的最高版本的CUDA是由显卡驱动决定的，如果您想下载高版本的CUDA要更新显卡驱动，显卡驱动如何更新与本文无关，这里不赘述，可以自行查找相关教程。】，选择cuda 12.1 版本的，如图，请注意，这里使用 pip 安装，而不是 conda 安装（如果用 conda 安装，最后检验 cuda 时是不可用的）。回忆方法一的安装命令，第一库是。

阅读 809

22赞

机器学习之心

MATLAB实现CNN-GRU-Attention时序和空间特征结合-融合注意力机制混合神经网络模型的风速预测 MATLAB实现CNN-GRU-Attention时序和空间特征结合-融合注意力机制混合神经网络模型的风速预测

阅读 151

3赞

科研笔记：科研工具科研工具全流程指南本文系统整理了科研全流程所需的实用工具，涵盖期刊查询、论文查重、排版、文献管理、数据分析等12大类。重点包括：期刊查询：LetPub、MedSci提供影响因子、审稿周期等关键数据论文查重：国内知网/维普，国外Turnitin 写作辅助：Latex排版、Zotero文献管理、Grammarly英文润色数据分析：Origin/GraphPad绘图，SPSS统计分析 AI应用：提供17个ChatGPT论文润色专用提示词模板，支持中英文论文逻辑优化与期刊风格匹配附各工具官方教程链接，助力

阅读 119

1赞

深度学习：入门简介深度学习（Deep Learning, DL）是机器学习（Machine Learning, ML）的一个重要分支，核心是通过模拟人类大脑神经元的连接方式，构建多层神经网络来自动学习数据中的特征和规律，最终实现预测、分类、生成等任务。它摆脱了传统机器学习对 “人工设计特征” 的依赖，能直接从原始数据（如图像、文本、音频）中挖掘深层信息，是当前人工智能（AI）技术爆发的核心驱动力。

阅读 1.4k

20赞

离线签名协调器 Offline Signing Orchestrator（OSO）离线签名协调器（OSO）是由 IBM 创建的一项技术，于2023年12月推出。它旨在加强冷存储中存储的数字资产的安全性。冷存储是指将数字资产保存在离线状态，以保护其免受在线威胁，同时将私钥以一种无法连接互联网的方式保存起来。

阅读 63

2赞

c语言指针学习用途描述关键点基本操作通过指针间接访问和修改变量与数组高效地遍历和操作数组数组名即指针，指针算术运算与函数实现传址调用，修改实参，返回多个值函数参数定义为指针动态内存在运行时申请任意大小的内存malloccallocreallocfree掌握指针需要大量的练习和实践。先从简单的例子开始，理解地址和值的区别，然后再逐步深入到数组、函数和动态内存管理中。

阅读 236

1赞

常见的软件图片缩放，算法如何选择？图像缩放算法对比分析：双立方、Lanczos3和Mitchell是高质量首选，双立方作为平衡之选适合大多数场景；Mitchell能更好抑制锯齿；Lanczos3保留细节但可能产生振铃伪影。避免使用最临近和双线性算法，它们会产生明显锯齿或过度模糊。B样条曲线过于平滑导致细节丢失。建议根据图像特点进行测试选择，优先考虑双立方作为默认选项，追求高质量时可尝试Mitchell或Lanczos3。

阅读 1.0k

15赞

强光干扰下漏检率↓78%！陌讯动态决策算法在智慧交通违停检测的实战优化摘要：本文针对智慧交通中车辆违停检测的行业痛点，提出基于陌讯动态决策算法的优化方案。通过多模态数据融合和置信度分级告警机制，该算法在强光干扰下将漏检率降低78%，推理延迟控制在45ms以内。实战案例显示，在边缘设备部署后，系统误报数下降77.2%，平均响应延迟缩短65%。文章还提供了模型压缩和光影干扰应对的具体实施方案，为智慧交通领域的违停检测提供了高效解决方案。

阅读 499

2赞

一百天成为python专家

深度学习之PyTorch和CUDA安装（傻瓜安装法）多维数组：张量可以看作是一个n维数组，其中n可以是任意正整数。它可以是标量（零维数组）、向量（一维数组）、矩阵（二维数组）或具有更高维度的数组。数据类型统一：张量中的元素具有相同的数据类型，这有助于在GPU上进行高效的并行计算。支持GPU加速：PyTorch中的张量可以存储在CPU或GPU上，通过将张量转移到GPU上，可以利用GPU的强大计算能力来加速深度学习模型的训练和推理过程。

阅读 1.2k

36赞

关于并查集本文介绍了并查集数据结构及其应用。并查集支持快速合并集合和查询元素所属集合，通过路径压缩优化可使操作接近常数时间。文章以洛谷P3367为例，详细讲解并查集的实现原理，包括代表元选择、路径压缩技术，并提供C++代码模板。作者还补充了反阿克曼函数的特性、按秩合并等优化建议，并推荐了相关练习题。文章最后以"命运要靠自己来把握"作结，鼓励读者积极实践。这是在省一备赛过程中针对实际问题而撰写的技术分享。

阅读 173

2赞

【技术突破】动态目标误检率↓83.5%！陌讯多模态融合算法在智慧城管的实战优化其中vmotion包含位移速度、空间占据比等8维特征。：如何在保障识别精度的同时满足边缘设备实时性要求？：您在流动目标行为分析中遇到哪些特征混淆问题？欢迎在评论区分享您的实战经验！

阅读 374

14赞

人工智能-python-深度学习-自动微分 **摘要：**自动微分（Autograd）**是PyTorch等深度学习框架的核心功能，通过动态构建计算图并自动计算梯度，简化了反向传播的实现。关键点包括：计算图：跟踪张量操作（requires_grad=True），记录依赖关系，叶子节点直接存储梯度。梯度计算：支持标量/向量梯度，通过backward()反向传播，梯度通过.grad访问。控制机制：no_grad()禁用梯度计算，zero_grad()清空梯度，优化时需手动更新参数。应用场景：如梯度下降求函数极值，适用于模型训练与优化。自动微分显著

阅读 602

11赞

算法-每日一题（DAY13）两数之和摘要：题目要求在整数数组中找到两个数之和等于目标值的索引。暴力解法使用双重循环遍历所有可能组合，时间复杂度O(n²)。优化解法利用哈希表存储元素值及其索引，通过查找补数(target-nums[i])将时间复杂度降至O(n)。示例演示了哈希解法的工作流程：当nums=[2,7,11,15]，target=9时，补数7在字典中找到键2，返回索引[0,1]。两种解法均确保结果唯一，但哈希法以空间换时间更高效。

阅读 1.1k

14赞

算法小狂人

2025年8月新算法—云漂移优化算法（Cloud Drift Optimization Algorithm, CDO）这项研究介绍了云漂移优化（数位长）算法，这是一种创新的自然启发的元启发式方法来解决复杂的优化问题。CDO模仿受大气力影响的云粒子的动态行为，在探索和利用之间取得了微妙的平衡。它具有自适应权重调整机制，可以改变云的实时漂移行为，从而在搜索空间中进行高效导航。使用基于云的漂移策略，数位长利用概率运动更有效地在优化环境中机动。该算法经过了各种既定的单峰和多模态基准函数的严格测试，与当代顶级优化技术相比，它展示了卓越的性能，具有更快的收敛速度、高鲁棒性和卓越的解算精度。

阅读 909

20赞

【图像算法 - 21】慧眼识虫：基于深度学习与OpenCV的农田害虫智能识别系统在现代农业生产中，病虫害是影响作物产量和品质的关键因素之一。传统的害虫识别依赖人工巡查，效率低、成本高且易出错。本文将介绍如何利用深度学习与OpenCV构建一套高效的农田害虫智能识别系统。该系统能够自动识别10类常见农业害虫，包括行军虫（army worm）、豆芫菁（legume blister beetle）、红蜘蛛（red spider）、稻瘿蚊（rice gall midge）、稻纵卷叶螟（rice leaf roller）、稻飞虱（rice leafhopper）、稻水象甲（rice water w

阅读 1.2k

25赞

作者推荐

程序猿DD_: 公众号：程序猿DD。《Spring Cloud微服务实战》作者，spring4all社区发起人

关注

软件工程小施同学: 区块链、DevOps、小程序、软件工程

关注

淼叔: 资深架构师，PMP、OCP、CSM、HPE University讲师，EXIN DevOps Professional与DevOps Master认证讲师，曾担任HPE GD China DevOps & Agile Leader，帮助企业级客户提供DevOps咨询培训以及实施指导。熟悉通信和金融领域，有超过十年金融外汇行业的架构设计、开发、维护经验，在十几年的IT从业生涯中拥有了软件开发设计领域接近全生命周期的经验和知识积累，著有企业级DevOps技术与工具实战。

关注

王知无(import_bigdata): 微信搜：import_bigdata GitHub搜：https://github.com/wangzhiwubigdata/God-Of-BigData

关注

谷哥的小弟: 历任研发工程师，技术组长，项目经理；曾于2016年、2020年两度荣获优快云年度十大博客之星。十载寒冰，难凉热血；多年过去，历经变迁，物是人非。然而，对于技术的探索和追求从未停歇。坚持原创，热衷分享，初心未改，继往开来！

关注

等风来不如迎风去: AI领域初学者，AI+实时语音，AI+2/3D动画生成；AI+UE表演,AI+游戏NPC；音视频行业深耕多年，熟悉会议、直播、RTC，对在线教育、娱乐秀场等音视频端到端技术及系统架构有深入研究

关注

吴师兄学算法: 跟着吴师兄，算法学习好轻松，专注于辅导北美算法面试、国内大厂算法面试、华为OD算法面试，累计辅导了数千个同学，100%好评！

关注

Wei_Leng: TA很懒，还没有添加简介

关注

hello-java-maker: 为了我们，做最好的自己

关注

大海的江湖: 金融科技领域技术 & 云基础设施 & 云原生微服务 & 云原生时代标准交付 & PAAS 技术研发 & Kubernetes & 项目与技术管理

关注