ZHY0091的博客

原创 网工备考考纲变化总结

根据你提供的详细内容，以下是对。，备考时需动态调整重心。网络管理系统体系结构。ICMPv6独立小节。

原创 软考中级网络工程师（Network Engineer）

网络工程师考试注重理论与实践结合，尤其在下午题中，实际配置能力比纯理论更重要。坚持每天动手实验，遇到问题多查RFC文档或技术论坛，通过考试的同时也能提升实战能力。备考软考中级网络工程师（Network Engineer）需要系统性的规划和针对性练习。

原创 conda和bash主环境的清理

要管理和清理 Conda（或 Bash）安装的包，可以按照以下步骤进行，按照这些步骤操作，你的 Conda/Bash 环境会更加精简高效！混用可能导致依赖冲突，建议优先用 Conda 管理。：这不会删除已安装的包，只是清理下载的。

原创 在 Conda 中，包的安装路径在电脑的哪里

掌握这些路径规则后，你可以更高效地管理 Conda 环境！在 Conda 中，包的安装路径取决于你的。Conda 将所有包存储在 pkgs。，可能导致包管理混乱，建议优先使用。（Linux/macOS）或。是包的唯一哈希标识，对应。无论哪个环境安装的包，就是该包的安装位置。

原创 word英文论文格式问题相关笔记

原创 【Jupyter 启动时如何指定目录】

这样不用改配置，保证每次启动都进入正确的目录！你在 Windows 系统下运行。如果仍跳转到其他目录，可能是。如果不是你想要的位置，可以。

原创 【读论文】面向小目标的轻型变电设备缺陷检测算法

通过三轮分析可见，该论文在ViT-CNN架构融合和小目标检测层面做出实质性突破，但在工程落地和跨场景泛化方面仍需深入验证。建议后续研究重点探索动态剪枝和硬件感知压缩技术，以平衡精度与推理速度的矛盾。该算法通过轻量化设计（参数量4.33M）和计算优化（FLOPs 15.3G），可直接部署于变电站巡检机器人、无人机等移动设备，满足实时检测需求[6][3]。（注：所有技术细节均来自论文原文引用的材料编号）mAP50提升5.3%

原创 【10分钟读论文】Power Transmission Line Inspections电力视觉水文

标题Power Transmission Line Inspections: Methods, Challenges, Current。该期刊作为中游水平的专业刊物，其价值取决于具体研究目标。2024 评分一颗星。

原创 venv环境基础指令以及常见问题汇总（持续更新）

在venv中，没有直接列出所有虚拟环境的命令（因为venv不像 Conda 那样有集中管理机制），但可以通过或实现类似功能。venvdeactivate由于venv不会全局注册环境，你需要手动检查存放环境的目录（如~/envs/假设你的虚拟环境都存放在~/envs/pyvenv.cfg每个venv环境根目录下都有pyvenv.cfg将以下函数添加到~/.bashrc或~/.zshrc，然后运行list_venvslist_venvsvenv~/envs/list_venvs。

原创 什么时候使用Python 虚拟环境（venv）而不用conda

是另一个流行的虚拟环境管理工具（来自 Anaconda/Miniconda）。下面我会详细对比两者的区别，并讲解。激活后，终端提示符会显示。，表示已进入虚拟环境。

原创 【不同名字的yolo的yaml文件名是什么意思】

数据基于 COCO 2017 验证集，测试硬件为 RTX 3090。为 640x640，

原创 【随机过程判断题考察】

特征函数，例1，计算，性质。

原创 【泊松过程和指数分布】

泊松过程是一个计数过程。

原创 【随机过程】第六章，宽平稳随机过程

原创 【随机过程】柯尔莫哥洛夫微分方程总结

柯尔莫哥洛夫微分方程（Kolmogorov Equations）是描述**连续时间马尔可夫过程（CTMC）**中概率分布随时间演化的工具。类比：想象一杯水中滴入墨水，墨水分子随机扩散：目标：给定当前时刻ttt的概率分布P(t)P(t)P(t)，求未来时刻的概率分布P(t+Δt)P(t+\Delta t)P(t+Δt)。方程形式：dP(t)dt=P(t)⋅Q\frac{dP(t)}{dt} = P(t) \cdot QdtdP(t)​=P(t)⋅Q解释：目标：给定未来时刻ttt的条件概率P(t∣s

原创 【随机过程】第四章马尔可夫链

μi​n1∑∞​n⋅fiin​。

原创 【随机过程】第三章 独立增量过程

原创 【随机过程】第二章随机过程的统计特征和数字特征

数字特征，随机过程的统计特征，均值函数，协方差函数，相关函数。

原创 随机过程，相关函数的一个例题|柯尔莫哥洛夫存在定理

F_{周一, 周三}(x_1, x_2) = F_{周一, 周三, 周五}(x_1, x_2, +\infty)就像你拍了一张全家福（高维），从中裁剪出单人照（低维）时，必须和之前单独拍的个人照一致！“如果你能清晰描述所有有限的‘切片’，那么宇宙一定会帮你拼出完整的‘蛋糕’！即“加入周五的数据后，周一和周三的分布关系不能变”！“高维照片裁剪后，必须和原来拍的低维照片一致！就像用乐高积木的局部拼装规则，还原出整个宇宙！：研究股票价格在周一、周三、周五的联合波动。的所有可能值求期望。：两边的结果必须完全一致！

原创 随机过程笔记

设Ω\OmegaΩ是一个非空集合，FF是由Ω\OmegaΩ的一些子集所构成的集合族，如果FF满足以下三个条件，则称FF是Ω\OmegaΩ上的一个σ\sigmaσ包含全集Ω∈FΩ∈F，即全集Ω\OmegaΩ是FF中的一个元素。对补运算封闭：若A∈FA∈F，则AcΩ−A∈FAcΩ−A∈F。也就是说，如果一个集合AAA属于FF，那么它在全集Ω\OmegaΩ中的补集也属于FF。对可数并运算封闭：若A1A2⋯A1。

原创 【随机过程】第一章考特征函数

gtEeitXgtEeitX其中，XXX是随机变量，iii是虚数单位，ttt是实数参数。特征函数能够唯一确定随机变量的分布，不同的分布对应不同的特征函数。特征函数不仅是概率分布的另一种表达形式，更是分析随机变量性质、独立性、和及其矩的有力工具，广泛应用于概率论和随机过程的分析中。

原创 git学习日志

操作按键进入编辑模式按i退出编辑模式按Esc保存并退出按Esc后输入:wq+ 回车不保存强制退出按Esc后输入:q!+ 回车。

原创 计算机视觉中，我们经常提到到训练pipeline是什么意思

在计算机视觉（Computer Vision, CV）中，**训练 pipeline（训练流水线）**是指从原始数据输入到最终模型训练完成的端到端流程。它包含一系列有序的步骤，每个步骤对数据进行处理或转换，最终输出一个可用的机器学习模型。通过定义清晰的pipeline，可以高效迭代模型，快速定位问题（如数据质量或超参数选择）。

原创 灰度共生矩阵（GLCM）简介

基本概念灰度共生矩阵（Gray-level Co-occurrence Matrix, GLCM）是一种用于分析图像纹理特征的统计方法。它通过计算图像中特定空间关系的像素对出现的频率，来描述纹理的规律性1。核心思想：统计图像中相距为d、方向为θ的两个像素点，分别具有灰度值i和j的联合概率1。矩阵结构：若图像有L个灰度级，GLCM是一个L×L的矩阵，元素P(i,j)表示灰度值i和j成对出现的次数1。

原创 循环首差链码的通俗解释

表示移动方向依次是：上 → 右 → 上 → 右 → 下 → 下 → 左 → 左。将原始链码转换为相邻方向变化的差值序列，目的是压缩数据或简化分析。链码是一种用数字序列描述图像中物体轮廓的方法。：用“方向变化量”代替“绝对方向”。假设有一段轮廓的链码为。

原创 LeNet-5 介绍

LeNet-5 是由 Yann LeCun 及其团队于 1998 年提出的一种早期卷积神经网络（CNN），主要用于手写数字识别任务。它是现代深度学习中卷积神经网络的奠基之作，结构相对简单，但奠定了CNN的核心设计理念。LeNet-5 的结构如下：虽然 LeNet-5 在手写数字识别任务上取得了成功，但其结构和性能在面对更复杂的任务时显得不足。为了应对这些挑战，研究者提出了一系列改进方法，以下是主要改进方向：LeNet-5 作为早期的 CNN 模型，为后续深度学习的发展奠定了基础。通过引入更深层的网络结构、改

原创 【Vimium 的使用技巧详解】

显示的链接标签为随机字母，可在设置中启用「Use link hints with numbers」，改为数字标签更易输入。掌握这些技巧后，你的浏览器操作将如 Vim 般行云流水。切标签）开始练习，逐步适应无需鼠标的极简体验！

原创 **Windows 系统**的常用快捷键大全

一款高度可定制的经典文本编辑器，以纯键盘操作为核心设计理念，诞生于1991年，是Unix系统「Vi编辑器」的增强版。

原创 【人脸识别中的“类内差异”和“类间差异】

类似生活中：不仅要学会区分苹果和橘子（类间差异），还要知道“青苹果和红苹果都是苹果”（类内差异）。DeepID2在SoftmaxLoss（分类老师）基础上，新增了一个。

原创 【激活函数：神经网络的“调味料】

想象你在做菜：为什么需要它？神经网络如果没有激活函数，无论多少层都只能解决“能用直线分割的问题”（比如区分“红苹果”和“青苹果”）。但现实问题更复杂（比如区分“猫”和“狗”），需要激活函数引入“弯弯绕绕”的决策边界。指数放大差距（避免人情分）：归一化成概率：继续选秀比喻：如果中间层用Softmax：相当于每场海选都强制选手PK出唯一胜者，会丢失多样性（比如“猫”和“狗”可能同时值得晋级）。隐藏层：ReLU像“勤劳的工人”，快速筛选有用特征。输出层：Softmax像“严谨的法官”，给出最终判决。

原创 MaxPooling层的作用（通俗解释）

想象老师在课堂上提问，每个小组选一个代表发言。MaxPooling就是选每个区域"最活跃"的特征值作为代表。比如用2×2的窗口，每次取4个数字中的最大值，这样图片尺寸就缩小一半。就像看模糊的照片也能认出熟人一样，MaxPooling让网络对物体位置变化不敏感。如果猫在图片左边或右边，经过MaxPooling后都能提取出相似的猫特征。就像把一张高清照片缩小尺寸一样，MaxPooling会把特征图变小。课外-深度学习原理.pptx - 池化层的作用说明。每个2×2方块取最大值输出。

原创 【MTCNN（Multi-task Cascaded Convolutional Networks）】[1,1,32,2]卷积核形状解答

在。

原创 全连接层与Softmax的通俗解释

完成高维特征空间到隐含特征空间的转换（如4096维）[^1]：实现隐含空间到分类空间的映射（如1000维）[^1]：处理对齐后人脸的不同区域（眼、鼻、嘴等）[^1]这种阶梯式降维更平滑，保留更多有用信息[^2]

原创 【关于DeepFace中L4/L5/L6层的结构解析】

10图像识别（人脸识别）1.pptx - DeepFace网络结构细节与性能指标。

原创 为什么调用的DeepSeek-V3 api不支持处理图像，网页版免费则可以直接处理截图

（类似 GPT-4 Vision 的功能）。，那 API 也可能支持图片。你可以留意官方更新 😊。如果 DeepSeek 像 OpenAI 一样推出。目前，DeepSeek-V3 主要是。等待 DeepSeek 开放。），让开发者也能处理图片输入。支持截图上传和处理，但。（尚未对外开放 API）。

原创 【论文精读】Multi-scale Neighbourhood Feature Interaction Network

其中，( P_c )和( P_g )分别为常规卷积与Ghost卷积的参数量，( c )为输入通道数，( k )为卷积核尺寸，( c’ )为输出通道数，( h’ )和( w’ )为输出特征图尺寸，( n )为深度卷积数量（( n \ll c )），( d )为线性变换卷积核的平均尺寸。MNFI-Net的性能与当前先进的光伏缺陷检测模型进行了对比，涵盖两阶段模型（如Sparse R-CNN）、单阶段模型（如YOLO系列）和基于Transformer的模型（如DETR）。最终输出为多粒度特征的组合。

原创 损失函数篇——针对YOLO-MIFIN模型

通过联合优化EIoU与NWD，BE Loss在光伏缺陷检测中实现了大目标的精准定位与小目标的稳定检出，为多尺度目标检测提供了通用损失设计范式。

原创 【论文粗读】Multi-scale Neighbourhood Feature Interaction Network

（Multi-scale Neighbourhood Feature Interaction Network）的新型网络架构，专注于解决光伏电池表面缺陷检测中的多尺度与复杂背景噪声问题。，在复杂背景下实现了高精度的光伏缺陷检测。其模块化设计为YOLO系列提供了新的优化思路，尤其在多尺度目标检测领域具有重要参考价值。这篇论文提出了一种名为。MNFI-Net通过。

原创 适合UP BOX+的建模软件推荐

为UP BOX+ 3D打印机选择建模软件时，需兼顾易用性、功能适配性和泛用性。

原创 训练日志：旋转编码器不能显示出负值，以及旋转编码器输出如何消抖？

当Encoder_Count–导致数值为负时，会溢出为最大值（如0xFFFF），而Num同样无法正确累加负值。Encoder_Count和Num被定义为uint16_t（无符号整型），无法存储负值。程序有抖动，现对其做消抖程序处理。