hzp666的博客

原创 Python引入其他文件作为包

因为文件夹默认没有init 方法，不能导包...如果已经是文件夹了，那么就手动建个init 然后里边啥也不用写，再看下文件夹图标变了，多一个灰色小点。

原创 pygame显示中文文本框

定义字体和大小 for i in pygame.font.get_fonts(): print(i)text = font.render("中文文字", True, (254, 254, 254))font = pygame.font.SysFont("方正郝刚青铜体简体", 10)# 设置显示位置，这里显示到角色上边。然后直接把打印的字体，设置上。先打印下看看系统字体，# 设置字体内容和颜色。

转载 pygame入门

Pygame是一个基于Python的游戏开发库，它提供了一系列的工具和接口，使开发人员能够轻松地创建各种类型的游戏，包括2D游戏和简单的3D游戏。在开始学习Pygame之前，您需要先安装Pygame库。本文介绍了Pygame的基础知识和使用方法，包括创建窗口、加载图像、绘制形状、创建精灵、处理事件、播放音乐等内容。希望对您有所帮助，让您能够更好地使用Pygame来创建自己的游戏。如果您想进一步学习Pygame，可以参考官方文档或者在网络上搜索相关资源。补充：5.3 定期发送事件。

原创 族群争霸休闲养成小游戏

游戏目标： 玩家的目标是通过不断的挂机、资源管理和战斗，提升族群成员的等级，解锁所有技能和皮肤，成为族群中的最高领袖。每10级可以修改一次族群。自动成长：玩家的族群成员可以自动成长升级，无论是狼族与羊族之间的对决，还是人族对狼或羊的捕捉。多样性战斗：狼族和羊族的战斗为游戏增添了动态变化，人族和神族的介入则为战斗带来策略性。族群成员升级：通过战斗和资源投入，提升各族群成员的等级，解锁新的技能和外观皮肤。

原创 Python实现简单的读文字发音

") engine.runAndWait() # 没有这句不行哦。核心代码：engine = pyttsx3.init() # 初始化。uname = "周吴郑王"使用pyttsx3包，先安装。uname = "周吴郑王"

原创 定时自动刷新网页

var timeout = prompt("设置刷新时间间隔[S]");F12打开页面调试，console 控制台输入下方代码，按回车。在弹窗输入定时时间，单位秒。

转载 机器学习-自注意力机制Self/Intra Attention简介

自注意力机制实际上是注意力机制中的一种，注意力机制：机器学习的-注意力机制简介-CSDN博客自注意力机制实际上也是一种网络的构型，它想要解决的问题是网络接收的输入是很多向量，并且向量的大小也是不确定的情况，比如机器翻译(序列到序列的问题，机器自己决定多少个标签)，词性标注(Pos tagging一个向量对应一个标签)，语义分析(多个向量对应一个标签)等文字处理问题。

转载 机器学习的-注意力机制简介

注意力机制早在上世纪九十年代就有研究，到2014年Volodymyr的《Recurrent Models of Visual Attention》一文中将其应用在视觉领域，后来伴随着2017年Ashish Vaswani的《Attention is all you need》中Transformer结构的提出，注意力机制在NLP,CV相关问题的网络设计上被广泛应用。“注意力机制”实际上就是想将人的感知方式、注意力的行为应用在机器上，让机器学会去感知数据中的重要和不重要的部分。

原创 部署VUE+SpringBoot+nginx项目

本文是前端是vite + element-plus后端 springBoot部署整个项目主要分为3个步骤，1. 部署nginx，主要是配置nginx.conf2.打包前端代码3.打包后端代码。

转载 基于 Vite + Vue3 项目中三种引入 Element Plus 方式的对照说明

会自动在编译过程中将我们在业务代码里面使用到的组件以按需引入的方式进行引入，包括了组件代码和样式代码，这样的方式对开发者来说是最方便的，同时也保证了代码体积和打包时间上的优化处理，总的来说这是最推荐的方式。这种方式的好处是相对简单方便，打出来的包的体积是根据使用了的组件的数量来的，所以使用数量越少相应的体积也就越小，打包时间也会更短，当然每次新增组件引用时都需要在。这样做的好处是简单方便，但问题也很明显，那就是打出来的包是包含了所有组件源代码和样式代码的，导致。只需要上述配置即可，不需要在。

转载 访问nginx出现403错误

其实大多数403错误，都主要是因为 nginx 没有网站资源目录的权限，所以为了安全起见，我们通常都不会将 nginx工作用户改成 root，而是去赋予网站资源目录权限。当我们访问 nginx 网站的时候出现403错误，我们首先想到的是客户端请求没有权限，既然是权限问题，我们就应该照着这条线索排查下去。可是，这样会导致如果我们的80端口被黑客入侵，那么黑客就拥有了 root 权限，这是我们不敢想象的。那么就找到原因了：启动nginx的是root用户，而工作用户是nginx，两个不一致就会导致403错误。

转载 数据包络分析DEA

测量一些决策部门的生产效率的方法。简单说，现在有三个人，你可以叫他们DMU，a用一个甲生产了一个乙，b用两个甲生产了一个乙，c用三个甲生产了一个乙，显而易见a的效率最高，我们就把他定义为技术前沿面，他的效率为1。那么b就是1/2,c就是1/3。这样我们就可以计算出每个人的效率水平了。

转载 超越POSIX：一个时代的终结？

然而，主流的POSIX操作系统采用了1对1的线程模型，理由是实现简单[30]，[31]。虽然后来的PDP-11变体，如PDP-11/70，具有内存映射单元（MMU）[7]，但直到1970年代末VAX架构的出现，Unix才添加了虚拟内存[4]，这成为当时Unix的主要架构。从历史上看，这种解耦具有三个主要目标：(1）通过独立于物理内存空间的地址空间促进机器的独立性，(2）通过允许程序员在执行时将独立的模块组合成程序来促进模块化，(3）实现运行大型程序的可能性，这些程序无法适应物理内存（例如Lisp程序）。

转载 如何提高SSD内部的并行性：增加带宽？提供多种路径？设计新架构？

源闪存控制器发送探测包，以识别和保留到目标芯片的路径，期间使用路由算法（非最小全自适应路由算法）将探测包从源闪存控制器路发送到目标闪存芯片，并保留探测包到达目标节点的互连网络链路，当探测包到达目标闪存芯片时，Venice已经保留了无冲突的前向和后向路径，接着使用反向路径将探测包发送回源闪存控制器。如下图，闪存命令控制器保持不变，主要的区别在于引入了分组，在信号到达闪存之前，在接口引入适当的数据包头，这种方法在不利用传统控制信号的情况下，将通信信号(或带宽)的数量有效地增加了约2倍。

原创 git常用一些操作

4. git add xxx xxx xxx // 添加需要提交的文件到暂存容器中（如果是提交本地的所有更新，可以用 git add .）5. git commit -m "fix: xxxx/feat:xxxx" // 提交的备注信息。3. git pull origin // 从指定分支拉代码。

原创 Hudi学习4：Hudi架构

原创 Hudi学习 6：Hudi使用

1.安装hdfs2.安装spark3.安装Scalaspark-shell 写入和读取hudi。

原创 Python对日期的一些操作

print('日期早了')传入英文日期，返回标准日期格式。这里定义一个func。

原创 卷积神经网络的各层介绍：卷积层、池化层、全连接

卷积神经网络的各层介绍：卷积层、池化层、全连接，深度学习，CNN，

原创 大模型介绍2：核心技术(未完待续)

2） 将模型在下游各种自然语言处理任务上的小规模有标注数据进行微 调得到适配模型。由于预训练语言模型参数越大模型表现越好，这激 发了语言大模型（Transformer 架构基础上构建的预训练语言模型为自然语言处理领域带来了一系列突破式进展，成为人工智能主流技术范 式。其主要思想是通过自注意力机制获取输入序列的全局信息，并将这些信息通过网络层进行传递。1） 将模型在大规模无标注数据上进行自监督训练得到预训练模型，是目前语言大模型采用的主流架构。预训练语言模型采用“预训练。

原创 大模型介绍1：理论基础

语言大模型的涌现能力[18]、规模定律[14]，多模态大模型的知识表示、逻辑推理能力、泛化能力、情景学习能力[19][37]等方面有待展开深入研究，为大模型的大规模 实际应用提供理论保障。大模型基于数据驱动深度学习方式，依赖训练数据所覆盖的场景，由于复杂场景数据不足，大模型存在特定场景适用性不足的问题，面临鲁棒性和泛化性等挑战。早期的语言大模型表现出一定 的少样本学习能力，但是其学习目标主要通过预测下一个单词实现， 仍不能很好地遵循人类指令，甚至会输出无用的、有害的信息，难以 有效对齐人类的偏好。

转载 Med-PaLM2重磅揭秘！AI医生成绩比肩人类

然而，对于Med-PaLM来说，这个数字降至0.8%，与临床医生的答案（在1.4%的情况下被认为包含有偏见的证据）相比，有明显的优势。其中，29.7%的Flan-PaLM回答被认为有潜在的伤害风险，这一数字在Med-PaLM中降至5.9%，与临床医生生成的答案（5.7%）相近。如下图所示的这些结果表明了指令微调的强大优势。在由印度的医学入学考试问题组成的MedMCQA数据集上，Flan-PaLM 540B在开发测试集上达到了57.6%的成绩，超过了Galactica模型取得的52.9%的最好成绩。

转载 解读 SOSP‘23 硬核论文 Mira：程序行为感知的远端内存访问优化

Mira的编译器为非交换缓存区(non-swap cache section)中的对象生成显式远程操作，使得更多的本地内存能作为频繁访问的远程对象的cache，以提高应用程序的性能。与AIFM的基于库的远程操作实现相比，Mira的实现具有更少的运行时开销和需要更少的元数据。一次profiling完成后，Mira收集所有函数的cache开销和执行时间，对所有函数的cache性能开销进行比较，选出开销最高的前10%函数，以及函数中涉及的前10%的大内存对象（heap objects）进行进一步的静态代码分析。

转载 DreaMoving 让图片动起来

一张照片就能让马斯克、梅西等各大名人魔性跳舞，甚至连火爆全网的科目三都能安排上。这可不是什么高深 AI 技术，阿里通义千问移动端新增的「全民舞王」功能就能实现，还有科目三、DJ 慢摇、鬼步舞、极乐劲舞等 12 种热门舞蹈模版供你挑选。在通义千问输入「全民舞王」「通义舞王」等口令，接着在跳转界面里选择你喜欢的舞蹈、上传一张全身照，只需十几分钟，一个形神兼备的舞王就这样华丽「速成」了。想不到，浓眉大眼的爱因斯坦也能秒变潮男，动作节奏感简直不要太强。▲ 图片来自：Simon_阿文。

转载 采用哈希映射让大页不再需要连续物理内存！

在本文的实现中，VA可以被映射到1个有56个slot的bucket和6个有8个slot的bucket，h=104，只需要7位来表示每个子页的物理地址。每个4KB子页都是独立分配的，但是会保证他们的物理地址会被限制在一定的范围内，以降低物理地址编码的长度。另一方面，TLB的能耗已经非常高（3-13%），如果为其设置更多的关联组或者更深的层次结构，势必会增加它的能耗。在现有的TLB架构中，可以实现a=logp/logh = 4，即在不带来任何负面影响，不需求连续物理内存的前提下，实现4倍的TLB覆盖率提升。

原创 Python写入csv乱码

把encoding='utf-8' 改成 encoding='utf-8-sig'

原创 AES加密数据：Python加密Java解密

CBC加密需要一个十六位的key(密钥)和一个十六位iv(偏移量)

转载 ​SeaTunnel 超大数据量数据集成平台简介

主流的大数据处理引擎 SeaTunnel 都支持：包括多个版本的 Flink，Spark，以及 SeaTunnel 自己的引擎 SeaTunnel Engine。SeaTunnel 的执行流程如上图所示，最上面是 SeaTunnel 内部 SQL 和API 的定义，基于这些定义生成连接器，然后将连接器和 Job 提交到对应的引擎上进行处理，最终数据通过Sink写入目标端。我们希望支持数据源的数量更多，数据同步的性能更快，在易用性方面更好用，从这三方面不断迭代优化，以满足更多的用户需求。

原创 pycharm手动安装包

以TTS包为例，找到下载并解压的包中的2个文件，一个名称一个info结尾。在pycharm中terminal执行，找到下载解压包中的依赖文件。2.手动解压，找到文件放到pycharm对应项目的lib文件夹中。4.可能需要安装该包对应的依赖。3.放到项目的lib文件夹中。

转载 数据库流水线发布data Ops--Bytebase

在本文中，我们首先向读者展示了 Bytebase 的安装部署过程，以及其查询和更改的基本功能。接着，我们体验了 Bytebase 1.14.0 最新版本所带来的 ChatSQL 功能，该功能基于 OpenAI，能够根据我们的问题或需求生成相应的 SQL 语句。最后，我们实践了 Bytebase 的 GitOps 功能，通过结合版本控制系统，可以跟踪数据库结构的变化，方便我们对数据库变更进行审查、协作和回滚操作。

原创 使用K-means把人群分类

K-mean 是无监督的聚类算法。

原创 python中dataframe，df中挑选几列生成新df

不知道怎么搞的时候真是费劲，搜到了一看王德发这么简单!ps: 后边是两个 中括号 [[ '列名']]

原创 df新增一列数据，并指定列名

ps:list的长度要和df对齐。

转载 pandas替换df中的数据

假设数据已经通过如下代码读进来了。

转载 pandas的iloc和loc行列定位

Pandas。

转载 python实现列转行--pivot_table函数

Pandas>>pivot_table()函数列转行index：必选参数，用来指定行索引。如果用数组做行索引，数据必须等长。 columns：必选参数，用来指定列索引。 values：可选参数，用来做集合的值。默认是显示所有的值。 aggfunc：聚合函数， pivot_table后新dataframe的值都会通过aggfunc进行运算。在pivot_table会将多重值调用aggfunc函数后放在相应的位置上。默认的aggfunc函数为求平均。 fill_value：填充NA值。默认不填充

转载 机器学习---聚类算法

我们知道，分类问题是机器学习中最常见的一类问题，它的目标是确定一个物体所属的类别。例如，我们要判定一个水果是苹果、杏，还是桃。解决这类问题的办法是先给一些各种类型的水果让算法学习，然后根据学习得到的经验对一个水果的类型做出判定。这就像一个幼儿园的小朋友，老师先拿各种水果教他们，告诉每种水果是什么样子的，接下来这些孩子就会认这些类型的水果了。这种做法称为有监督学习，它有训练和预测两个过程，在训练阶段，我们用大量的样本进行学习，得到一个判定水果类型的模型。

转载 MySQL性能优化

​在进行优化讲解之前，先请大家记住不要听信你看到的关于优化的“绝对真理”，而应该是在实际的业务场景下通过测试来验证你关于执行计划以及响应时间的假设。给大家提供一些优化方面的方向和思路，而具体业务场景的不同，使用的MySQL服务版本不同，都会使得优化方案的制定也不同。​MySQL凭借着出色的性能、低廉的成本、丰富的资源，已经成为绝大多数互联网公司的首选关系型数据库。

原创 WPS或Excel查找A列中有B列没有的值

(B:B,A1)>0,"该行A列中值B列有","该行A列中值B列没有")

原创 miniconda安装

在选择为谁安装的时候建议选择just me（这会让你构建的虚拟环境默认保存在安装路径的envs下，否则默认保存地址为C:\Users\User.conda\envs，更改默认地址较为麻烦，原文链接：https://blog.csdn.net/weixin_40438421/article/details/130474033。ps: 最后一句conda config --set show_channel_urls yes 一定要执行。记得选择一下安装路径，然后一直next到安装结束，如果看到版本号即ok。