论文提出了经典的Vision Transormer模型Swin Transformer，能够构建层级特征提高任务准确率，而且其计算复杂度经过各种加速设计，能够与输入图片大小成线性关系。从实验结果来看，Swin Transormer在各视觉任务上都有很不错的准确率，而且性能也很高 来源：晓飞的算法工程
背景 用markdown用于文章写作，有几年时间了，不是很喜欢折腾，主要就是在电脑上写，用的笔记软件就是typora。由于里面有很多工作相关的，以及个人资料相关的（包含了各种账号、密码啥的），所以不敢往各种云服务上放，还是想着数据由自己来管着。 自己管数据的话，就是数据存储到哪里的问题，有很多朋友是
《Programming from the Ground Up》学习第1天，p1-18总结，总计18页。 一、技术总结 1.fetch-execute cycle p9, The CPU reads in instructions from memory one at a time and exec
sed命令是用于对文本文件做内容操作的神器，常见的增删改都可以，熟练运用可提高shell脚本编写能力和在terminal下的工作效率。
DP 显然我固定第一个是峰，然后再乘以2就是答案，因为一个合法的反转之后也是合法的而且谷峰颠倒了 发现如果设\(dp[i][j]\)表示前\(i\)个山脉，第\(i\)个山脉是高度\(j\)的答案，然后填第\(i\)个的时候不知道会不会重复，所以这个状态挂了，重新找个状态设设。 所以我们改变考虑对象
大语言模型的发展日新月异，记得在去年这个时候，函数调用还是gpt-4的专属。到今年本地运行的大模型无论是推理能力还是文本的输出质量都已经非常接近gpt-4了。而在去年gpt-4尚未发布函数调用时，智能体框架的开发者们依赖构建精巧的提示词实现了gpt-3.5的函数调用。目前在本机运行的大模型，基于这一
前言 qt提供了q3d进行三维开发，虽然这个框架没有得到大量运用也不是那么成功，性能上也有很大的欠缺，但是普通的点到为止的应用展示还是可以的。 其中就包括华丽绚烂的三维图表，数据量不大的时候是可以使用的。 前面介绍了基础的q3d散点图、柱状图、三维曲面图，本片深入对三维曲面图支持的颜色表现方式进行探
第一次遇见16位，和纯看汇编的题目，记录一下 DIE 16位，IDA用32位或者64位都可以打开 IDA 主要汇编部分 seg003:0000 ; S U B R O U T I N E seg003:0000 seg003:0000 ; Attributes: noreturn seg003:00
Number_is_the_key 题目 The answers to the questions are hidden in the numbers. 文件是空白的xlsx文件 我的解答： 乱点发现有些单元格加粗了，有些没有，一眼丁真二维码，写个脚本替换一下颜色 exp: from openpyx
平衡树 \(\tt{Treap}\) & \(\tt{Splay}\) 壹.单旋 \(\tt{Treap}\) 首先了解 \(\tt{BST}\) 非常好用的东西，但是数据可以把它卡成一条链 \(\dots\) 于是，我们将 \(\tt{Tree}\) 与 \(\tt{heap}\) (堆) 合并，
论文提出CeiT混合网络，结合了CNN在提取低维特征方面的局部性优势以及Transformer在建立长距离依赖关系方面的优势。CeiT在ImageNet和各种下游任务中达到了SOTA，收敛速度更快，而且不需要大量的预训练数据和额外的CNN蒸馏监督，值得借鉴 来源：晓飞的算法工程笔记 公众号 论文:
分享给需要帮助的人：记一次 IdentityAPI 中注册的源码解读：设置用户账户为未验证状态，以及除此之外更安全的做法： 延迟用户创建。包含了对优缺点的说明，以及适用场景。 在ASP.NET 8 Identity 中注册API的源码如下： routeGroup.MapPost("/register
论文设计了用于密集预测任务的纯Transformer主干网络PVT，包含渐进收缩的特征金字塔结构和spatial-reduction attention层，能够在有限的计算资源和内存资源下获得高分辨率和多尺度的特征图。从物体检测和语义分割的实验可以看到，PVT在相同的参数数量下比CNN主干网络更强大
MySQL 8.4.0解压版安装记录 这几天，安装最新版mysql 8.4的时候，遇到了不少问题，网上的教程大多数都是旧版本的，也安装不成功。 参考了大量教程后，经过自己的摸索终于装好了，这里记录一下。 我下载的是8.4.0 LTS MySQL :: Download MySQL Community
论文提出了T2T-ViT模型，引入tokens-to-token（T2T）模块有效地融合图像的结构信息，同时借鉴CNN结果设计了deep-narrow的ViT主干网络，增强特征的丰富性。在ImageNet上从零训练时，T2T-ViT取得了优于ResNets的性能MobileNets性能相当 来源：晓
Google推出了实验性的NotebookLM产品，一款基于RAG的个性化AI助手产品，基于用户提供的可信信息，通过RAG，帮助用户洞察和学习参考内容，然后借助AI整理笔记，转换为用户最终需要的大纲、博客、商业计划书等最终目的。
18.7 度量绩效域 度量绩效域涉及评估项目绩效和采取应对措施相关的活动和职能度量是评估项目绩效，并采取适当的应对措施，以保持最佳项目绩效的过程。 一、 预期目标: ①对项目状况充分理解；(随时对项目有充分了解) ②数据充分，可支持决策； ③及时采取行动，确保项目最佳绩效； ④能够基于预测和评估作出
18.5 项目工作绩效域 在整个项目期间 一、预期目标: ①高效且有效的项目绩效; ②适合项目和环境的项目过程； ③干系人适当的沟通和参与; ④对实物资源进行了有效管理； ⑤对采购进行了有效管理; ⑥有效处理了变更; ⑦通过持续学习和过程改进提高了团队能力. 二、绩效要点: 1.项目过程 1.1 需
18.3 开发方法和生命周期绩效域 跟开发方法,项目交付节奏和生命周期相关的活动和职能. 一、预期目标: ①开发方法与项目可交付物相符合； ②将项目交付与干系人价值紧密关联； ③项目生命周期由促进交付节奏的项目阶段和产生项目交付物所需的开发方法组成。(项目周期的设计符合项目的交付节奏和开发方法) 二
八大绩效域详细解析 18.1 干系人绩效域 跟干系人所有相关的活动. 一、预期目标 ①与干系人建立高效的工作关系 ②干系人认同项目目标 ③支持项目的干系人提高了满意度，并从中收益 ④反对项目的干系人没有对项目产生负面影响 三四是一个意思,就是支持你的人更支持你,反对你的人没有负面影响. 实际工作 这
