- 博客(106)
- 收藏
- 关注
RSS订阅原创 CCswitch-code
点击启用路由，打开Codex时，显示有问题。添加新的供应商Agent 和 AI 模型是两套独立的体系结构国内比较喜欢的方式为用Claud Code 或者Codex 搭配 Deepseek如何更好地和AI进行沟通，SDD或者TDD。
2026-07-02 15:48:49
95
原创 英语文献摘要阅读
从医学影像中自动定位病变，有助于理解疾病的发生与进展，且这一能力能够显著惠及临床诊断。然而，现有的深度学习模型严重依赖专家标注，且在开放的临床环境中缺乏泛化能力。本研究中，我们提出了一种可泛化的视觉 - 语言预训练模型，用于免标注病变定位（AFLoc）。AFLoc 的核心优势在于其基于图像免标注多级语义结构的对比学习，该方法能全面对齐报告中丰富的图像特征与多粒度医学概念，从而适配已观测和新出现的未知病变的多样表现形式。我们在 4 个独立的外部数据集上开展了广泛的实验验证，数据集涵盖。
2026-06-17 16:57:31
202
原创 研究生机试备考3个月计划
（4~5h灵活调整）整体目标：满分拿下签到题，稳定做出2道中等题，力争第4题得分，保底3题、冲刺4题。全程仅使用C++及标准STL，不额外拓展复杂语法。
2026-06-08 22:54:57
263
原创 计算机组成原理重点
翻译的方式有两种,一个是编译,一个是解释｡编译型语言写的程序在执行之前,需要一个专门的编译过程,把程序编译成为机器语言的文件,比如exe文件,如果源程序不变以后要运行的话就不用重新翻译｡解释则不同,解释性语言的程序不需要编译,在运行程序的时候才翻译,翻译一句执行一句,不生成目标程序,这样解释性语言每执行一次就要翻译一次,效率比较低｡
2026-06-04 15:01:06
256
原创 机器学习重点（面试/期末）
X轴 (X1X_1X1：年龄（横向轴）Y轴 (X2X_2X2：月工资（纵深轴）Z轴 (YYY：贷款额度（垂直高度轴）
2026-05-26 22:23:40
432
原创 Unity 虚拟美术馆漫游系统
这是 Unity旧版动画系统 Animation 组件角色身上已经挂载了这个组件，并放入：走路动画（名字叫walk待机动画（名字叫wait。
2026-05-25 23:44:24
498
原创 计算机网络期末复习
频分复用是不同信号占用不同的带宽资源，时分复用允许一个信号在短时间内占用信道，再给下一个信号使用，波分复用即光的频分复用，在一根光纤上不同波长的光同时传多路信号。码分复用是所有信号同一时间、同一频率传输，靠不同编码区分彼此。TCP 提供可靠服务，它主要解决传输的可靠、有序、无丢失 和不重复问题。TCP 是面向连接的传输层协议。每条TCP 连接只能有两个端点，每条TCP 连接只能是点对点的（一对一）。TCP 提供可靠的交付服务，保证传送的数据无差错、不丢失、不重复且有序。
2026-05-19 17:38:03
471
原创 Hypercode-plus-plus
高光谱数据从.mat文件的cube中读取归一化到[0, 1]训练用随机裁剪，测试用中心裁剪与多光谱图像空间严格对齐最终输出张量将图像大小修改为256*256，会下采样到32*32Codeformer论文中第一阶段输入图像尺寸为 512×512，压缩比 32，最终特征尺寸 16×16；而我的第一阶段输入为 128×128，压缩比 16（4 次下采样，2^4=16），最终特征尺寸 8×8，
2026-05-07 01:05:28
173
原创 DAEFR （ICLR 2024）— 盲脸超分模型解读
如图2(b)所示，在上一阶段得到高质量域（HQ）与低质量域（LQ）的编码器（EH和EL）后，我们将输出特征（Zh和Zl∈Rm×n×d）展平为对应的特征块（PiH和PiLi∈1...m×n这种展平操作使我们能够构建相似度矩阵（Massoc∈RN×N，其中Nm×n），用于量化不同特征块之间的相似度。具体而言，我们计算每个特征块的余弦相似度，并约束矩阵。
2026-05-04 21:05:56
440
原创 CILP模型讲解
CLIP 先通过对比学习，把图像和文本都“翻译”到同一个特征空间；再通过文本模板，把分类任务变成“找最像的文本描述”，从而实现零样本分类。
2026-05-04 20:05:23
393
原创 Hypercode_plus_plus改动
项目代码的作用：configs是配置文件，存储所有训练 / 推理的配置文件（YAML 格式），实现 “配置与代码分离”，便于快速调整超参数、数据集路径、模型参数等。关联训练阶段的配置文件训练高质量码本和低质量码本，不共享参数，仅训练设置一致编码器：512×512×3 -> 16×16×256五次下采样，512->256->128->64->32->16中间所有模块（尺寸、通道都不变）下面这些模块Codebook 码本特征关联模块 Association跨注意力融合 MHCA。
2026-05-04 10:34:07
64
原创 操作系统核心考点（面试/期末复习）
操作系统是管理计算机硬件与软件资源的系统软件，具有资源管理、用户接口和虚拟机扩展三大核心功能。其发展经历了从人工操作到多道批处理、分时和实时系统的演进，形成了并发、共享、虚拟和异步四大基本特征。操作系统内核负责中断处理、资源管理等核心功能，通过用户态和内核态实现权限隔离。进程作为资源分配和调度的基本单位，具有动态性、并发性和独立性等特征，通过进程控制块（PCB）实现管理。线程作为轻量级执行单元，共享进程资源但调度开销更小，与进程在资源分配、通信方式和独立性等方面存在显著差异。现代操作系统通过系统调用、进程通
2026-05-03 14:36:26
542
原创 Unity基础学习笔记（B站视频课整理）
本文整理Unity基础操作要点，包含四大模块内容：1)坐标系系统：Unity采用左手坐标系，区分世界坐标/局部坐标/屏幕坐标；2)场景视图操作：摄像机设置、物体隐藏、视图切换等技巧；3)物体操作：父子关系、旋转中心、快捷键使用；4)组件系统：详解Transform、刚体、碰撞体等核心组件功能与使用方法。文中通过门旋转、触发器检测等案例演示组件实际应用，提供完整脚本代码示例，适合Unity初学者系统学习基础操作。
2026-05-02 13:10:42
772
1
原创 word论文写作干货
修改正文格式不要直接在这里修改，因为后面的标题全部基于论文格式，一改就全改了。按照下面的设置改为汉字的第一章，同时会发现改了之后箭头所指处变得不规范，刚刚我们设置的标题样式是这样的数字形式的第1章，如果想要改成汉字形式。灰色表示变量域，第1章，第2章，第3章依次改变。首先点击刚刚设置的标题1，点击定义新的多级列表。在后面的标题格式中勾选正规形式编号。类似的对标题2，标题3进行修改。点击更多，链接到标题1。
2026-04-17 23:45:22
262
原创 Windows安装cuda
首先win+R输入"control /name Microsoft.DeviceManager"，进入设备管理器。出现NVIDIA字样，才可以安装cudaWin + R 唤出"运行"，输入"cmd"唤出命令行,输入"nvidia-smi"，查看右上角显示的 CUDA 版本（如12.5），该数字表示驱动支持的最高CUDA版本访问官网，安装低于cuda version,比如我的显示未最高支持13.0,那么安装13.0以下。查看自己的windows系统版本Win + Rwinver。
2026-03-29 12:22:06
769
原创 cs研究生面试机试题（持续更新）
筛选了各学校的难度较低和考点频率较高的机试题目，注意高校机考时，大多数高校的机考系统不同于Leetcode, 需要自己写输入输出（参考ACM模式），每道题目备注了题目出处，当然可能多个学校考察过。和前一道题类似，使用STL，将数字和字符单独存在string中，这里判断是不是数字使用cctype的isdigit()函数。思路：循环遍历所有的四位数，将int型的数反转转为string后在转回int,得到其反序数，再判断是否是9倍关系。解题关键是如何获取其后的第三个字母，这里需要熟练记住，当成一个模版直接用。
2026-03-14 22:33:26
351
原创 Leetcode27 —— 移除元素（双指针）
问题：数组删除元素会导致后续元素全部前移，比如删除第 0 位的 3，[3,2,2,3]→[2,2,3]，遍历指针容易漏检；且删除操作的时间复杂度是 O (n)，整体时间复杂度变成 O (n²)（效率低）。的元素放进新数组，最后返回新数组长度。问题：题目要求「原地修改」（不能额外开数组），违反题意，且空间复杂度变成 O (n)（浪费内存）。：快指针遍历过程中，遇到有效元素就赋值给慢指针位置，慢指针右移；遍历结束后，慢指针的位置即为新数组长度。：指向新数组下一个填充位置，接收快指针找到的有效元素。
2026-02-22 21:46:46
116
原创 Leetcode24 —— 两两交换链表中的节点（迭代法）
创建虚拟头节点（dummyHead）指向原链表头，统一所有节点对的交换逻辑（避免头节点交换的特殊处理）；：将临时指针移到交换后的第二个节点（node1），重复上述交换，直到剩余节点不足两个；：记录哨兵节点的 next（新链表头），释放哨兵节点内存，返回结果。递归法不太好理解，这里讲解迭代法。
2026-02-22 16:22:14
3326
原创 Leetcode22 —— 括号生成
vector<string>& ans 引用类型的字符串数组，存储所有有效括号字符串 string& cur 引用类型的字符串。递归选择：先尝试加左括号（满足约束时），递归探索后撤销选择；再尝试加右括号（满足约束时），递归探索后撤销选择；：回溯 + 剪枝，通过深度优先遍历构建括号字符串，同时用规则过滤无效路径；：初始化结果集和临时字符串，启动回溯，最终返回所有有效组合。，右括号数不超左括号数（保证有效前缀）；记录当前构建的括号串；剪枝规则：左括号数不超。终止条件：字符串长度为。
2026-02-21 14:42:03
129
原创 Leetcode20 —— 有效的括号（栈解法）
单个char类型的字符用 ' '包裹, 如在判断 c == '(' 用" "包裹会报类型不匹配的错误，因为。
2026-02-20 19:45:39
126
原创 Leetcode2 —— 链表两数相加
注意需要设置一个进位值并且在最后需要判断如果最后一位有进位需添加上进位值。用两个链表指针分别遍历两个链表，取出节点的值，计算结果链表当前的值。是当前指针指向节点的下一个节点的指针。是当前指针指向节点的数值，
2026-02-20 18:50:04
370
原创 Unity的基础使用
在地球处设置一个空物体为父物体，在卫星（子物体）的脚本中编写以下代码实现公转，此时地球可以按照自己的脚本设置进行自转。类型变量，可在编辑器中将场景内的游戏物体拖入该变量完成引用，进而在代码中获取 / 操作该物体的名称、标签、层级、激活状态等核心属性。46、如何访问别的物体挂载的组件，在当前物体脚本中创建一个要引用的组件名的组件类型，将要引用的脚本所属的物体拖到该组件名中。（1）节点的组织和管理：两个物体没有明显的父子关系但想要作为一个整体使用，可以用空物体作为共同的父物体。如果物体没有父物体，
2026-02-14 10:29:07
667
原创 MST+VQGAN
而我的第一阶段输入为 128×128，压缩比 16（4 次下采样，2^4=16），最终特征尺寸 8×8，通道倍增列表ch_mult为[1,2,2,4]，256*256的图像图像会被下采样到32*32，而设置的当分辨率为16时计算自注意力，导致不会计算自注意力，改为[1,1,2,2,4]改为和CodeFormer论文一致，GAN权重为0.1，VQLoss的权重为1.0，生成器损失大幅度改善（2.+ -> 0.3+），判别器损失持平，但码本困惑度依旧很低。结果显示，重建图像的像素范围不在[0,1]
2025-10-10 22:18:10
394
原创 Anomaly-Detection
D3R中所使用的新的检测方法单独提取出来写在了new_evalauble.py中,但是实际测出来的效果居然比原始的点调整策略分数更高，我想用完整的SMD数据集来测试发现不行，因为代码逻辑是一次性加载所有的数据，内存不够。
2025-09-27 22:45:10
158
原创 Codeformer -- 第二阶段
低分辨率图像（1,3,512,512）通过编码器将原始输入映射到隐空间，加位置编码，假设现在是（1,16*16,512），通过Transformer生成每个像素对应的码本中所有索引的可能性大小，（1,16*16,1024）通过softmax(dim=2)后取top_index得到最相近的索引，（1,16*16,1）。最相近的索引，（1,16*16,1），与码本矩阵相乘后得到量化后的特征（1,16*16,256），在做超分辨率（SR）时，输入输出的图像的尺寸维度是相同的。先单独训练第一个阶段看看效果。
2025-09-27 22:16:43
335
原创 学习优秀的项目 —— MST++
这里采用Adam优化器,batas=(0.9,0.999)一般不做修改，余弦退火学习率调度器，(动态调整学习率，学习率会从初始值开始，随着训练迭代逐步下降，最终稳定在一个最小学习率附近，形成类似余弦曲线的变化趋势)。
2025-09-23 22:17:22
876
原创 Deep Unfolding Net(LR到HR)
该函数包含两个耦合的目标：“数据保真项”（第一项，确保x经退化后贴近 LR 图像y）和 “先验项”（第二项，确保x符合自然图像规律）；由于概率乘积的最大化等价于 “负对数概率之和的最小化”（对数函数为单调递增函数，负对数可将乘积转化为求和、最大化转化为最小化），论文将 MAP 目标进一步转化为。（可理解为 “HR 图像x的中间估计草稿”），将上述公式的单目标优化拆分为下面公式的双变量优化，实现 “分而治之” 的求解思路。论文也是求解低分辨率到高分辨率图像问题。为解决这一问题，论文采用。
2025-08-23 14:30:30
400
原创 Pycharm接入deepseek大模型
ollama （读作欧拉马）是一个轻量级、开源的大语言模型（LLM）运行工具，让你能够在本地设备（如个人电脑、服务器）上轻松部署和运行各种大语言模型，无需依赖云端服务。如果显示 ollama server not responding -timed out ·······，进入ollama官网(一个小羊驼)，下载ollama，不使用魔法下载会有些慢。搜索插件Code AI,我的插件里没有，搜索ProxyAI也可以，点击安装。再另外开一个命令终端，重新 run 你的大模型，显示正在下载。搜索要下载的大模型。
2025-07-25 15:27:11
1194
原创 python进阶
argparse 是 Python 标准库中的一个模块，用于解析命令行参数，提供用户友好的接口来定义、解析和处理命令行输入的参数。argparse 自动生成帮助信息，简化了命令行工具的开发流程。的子命令模式，可以使用。运行脚本时，可以通过。
2025-07-15 20:07:53
407
原创 pycharm调试基础
debug可以帮助我们在编译时不报错，但运行结果不是我们期待的结果时来逐步排查，也可以通过debug逐步查看函数的执行，变量的变化来帮我们理解一个比较复杂的项目。设置好断点，debug运行，然后 F8 单步调试，遇到想进入的函数 F7 进去，想出来在 shift + F8，跳过不想看的地方，直接设置下一个断点，然后 F9 过去。calculate_average()函数，而是将calculate_average()执行完后，直接执行下一步，如下图，平均值直接被打印出来。再继续按一步F7,报错，运行停止。
2025-07-12 14:53:26
880
原创 构建一个简单的无监督的异常点检测项目
做了一个简单的有监督的异常点检测项目，使用的是自己构建的符合高斯分布的数据集，使用简单的自编码器对异常进行检测并评估性能。
2025-07-11 21:53:58
819
原创 时序数据集预处理
在处理数据集前，我们需要充分了解这个数据集。服务器机器数据集(Server Machine DatasetSMD是从一家大型互联网公司获得的数据集，收集28个不同机器的数据，总的时间周期为五周。数据集被均等分为训练集和测试集，并且各包含28个实体，每个实体包含了38个维度，其中训练集数据有708,405个样本，测试集有708,420个样本（1416825），训练数据集中的异常由专家标记，最后选择28个实体的平均分数作为最终的异常得分。
2025-07-11 10:51:58
1738
原创 Spring Boot 管理系统项目解读
本文详细介绍了基于SpringBoot的校园管理系统(smart_campus)的后端架构设计。系统采用标准分层架构：Controller层处理HTTP请求；Service层实现业务逻辑；Mapper层操作数据库。文章重点解析了各层的功能实现，包括用户认证（JWT+MD5加密）、验证码生成、统一响应封装(Result类)、MyBatis-Plus的应用等核心功能模块。同时介绍了项目的技术栈（SpringBoot+MyBatis-Plus+Vue）、前后端交互方式以及权限控制机制。系统通过分层设计和模块化开发
2025-06-17 15:36:42
1168
1
原创 理解深度学习的卷积操作
左侧图像模拟一个图像数据，当我们用右侧的卷积核对其进行卷积操作时，设置stride = 1或不设置默认为1，每次对应的格子相乘完之后，卷积核向右移动一格，再次对应相乘得到结果，如下过程简单演示。卷积核就像一个小窗口，在图像上滑动，每次观察 3x3 大小的区域。为了方便对比演示，将卷积核更改了一下颜色。如下图，卷积核从左上角开始进行第一次卷积操作。卷积核向右移动一个像素，进行第二次卷积操作。
2025-01-26 11:20:22
1238
原创 Anaconda搭建Python虚拟环境并在Pycharm中配置（小白也能懂）
搭建虚拟环境的主要目的是为了解决多个Python项目之间可能存在的库冲突问题。当你在同一台计算机上运行多个Python项目时，不同的项目可能会依赖于不同版本的库或者相同版本的库的不同补丁。如果所有项目都共享相同的Python环境，那么可能会导致不同项目之间的库冲突，使得某些项目无法正常运行。通过搭建虚拟环境，你可以为每个项目创建独立的Python环境。这样每个项目都可以使用独立的库版本，避免了库之间的潜在冲突。虚拟环境还能够让你方便地管理项目的依赖关系，确保项目在不同环境中能够正常运行。
2024-12-27 00:16:32
2646
原创 Python库——numpy
当我们直接令b=a,b与a就相互关联，改变数组a中的值，b也会发生改变，如果不让b与a这样关联，只是让b复制a中的值，可使用copy()函数，该函数创建一个新的数组对象，该对象作为原始数组的一个浅层副本。re1结果为数字对应直接相乘，re2结果为矩阵的乘法运算。还有包括求索引，中位数，累差，判断数字等等。
2024-11-16 15:23:49
373
原创 深度学习基础知识
利用源领域和目标领域之间存在的某种相似性，将在源领域中已经学习到的特征、模型参数或学习策略等知识，迁移到目标领域的学习任务中。如果真实值是 y，预测值是 \hat{y}，MSE的计算公式为MSE = \frac{1}{n}\sum_{i = 1}^{n}(y_i - \hat{y}_i)^2，其中n是样本数量。让模型学习如何学习，即通过对多个不同学习任务的学习和经验积累，掌握一种通用的学习策略或方法，以便能够在面对新的、未见过的学习任务时，能够快速地进行学习和适应，从而提高学习效率和性能。
2024-11-16 15:21:28
1069
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人