强烈推荐代码生成器Cursor

1. Cursor 官网

2. 登录可用，免费版一个月可以提问 100 次。

   对话形式，支持所有语言

3. 直接问一个任务，能给出任务Demo

   如实现图像相似度算法

// 导入OpenCV库
#include <opencv2/opencv.hpp>

using namespace cv;

int main()
{
    // 读取两张图片
    Mat img1 = imread("image1.jpg");
    Mat img2 = imread("image2.jpg");

    // 将图片转换为灰度图
    cvtColor(img1, img1, COLOR_BGR2GRAY);
    cvtColor(img2, img2, COLOR_BGR2GRAY);

    // 计算直方图
    Mat hist1, hist2;
    calcHist(&img1, 1, 0, Mat(), hist1, 1, {256}, {0, 256});
    calcHist(&img2, 1, 0, Mat(), hist2, 1, {256}, {0, 256});

    // 计算相似度
    double similarity = compareHist(hist1, hist2, HISTCMP_CORREL);

    // 输出相似度
    std::cout << "相似度为：" << similarity << std::endl;

    return 0;

更多图像匹配算法

matchTemplate(Img1, Img2, result, cv::TM_CCOEFF_NORMED, ROI);

4. 能复现所有已知功能及算法

   如实现所有基本类型的互斥锁

template<typename T>
class ReadWriteLock {
public:
    // 读操作
    T read() {
        std::shared_lock<std::shared_mutex> lock(mutex_);
        return (value_);
    }

    // 写操作
    void write(T value) {
        std::unique_lock<std::shared_mutex> lock(mutex_);
        value_ = value;
    }

private:
    T value_;
    std::shared_mutex mutex_;
};

写一个不确定个数传参Demo

void fun(const double noSim, ...)
{
	va_list args;
	va_start(args, noSim);
	const double Z = va_arg(args, const double);
	const cv::Mat rb = va_arg(args, const cv::Mat);
	const SimilarityBase::Ptr spSim = va_arg(args, const SimilarityBase::Ptr);
	va_end(args);
	}

比如实现ArcFace损失函数

import math
import tensorflow as tf
from unittest.mock import MagicMock

def arcface_loss(embeddings, labels, out_num, s=64.0, m=0.5):
    cos_m = math.cos(m)
    sin_m = math.sin(m)
    mm = sin_m * m  # issue 1
    threshold = math.cos(math.pi - m)
    cos_t = tf.matmul(embeddings, tf.transpose(embeddings))
    batch_size = tf.shape(embeddings)[0]
    labels = tf.reshape(labels, [batch_size, 1])
    labels = tf.cast(labels, dtype=tf.int32)
    indices = tf.reshape(tf.range(0, batch_size), [batch_size, 1])
    indices = tf.cast(indices, dtype=tf.int32)
    concated = tf.concat([indices, labels], axis=1)
    one_hot = tf.sparse_to_dense(concated, [batch_size, out_num], 1.0, 0.0)
    one_hot = tf.cast(one_hot, dtype=tf.float32)
    cosine = cos_t * one_hot
    sine = tf.sqrt(1.0 - tf.square(cosine))
    phi = cos_t * cos_m - sine * sin_m  # issue 2
    phi = tf.where(cos_t > threshold, phi, cos_t - sin_m * mm)
    output = (phi * one_hot + (cosine - phi * one_hot) * s)  # issue 3
    return output

def test_arcface_loss():
    embeddings = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0], [7.0, 8.0, 9.0]])
    labels = tf.constant([0, 1, 2])
    out_num = 3
    s = 64.0
    m = 0.5
    expected_output = tf.constant([[64.0, -32.0, -32.0], [-32.0, 64.0, -32.0], [-32.0, -32.0, 64.0]])
    assert tf.reduce_all(tf.equal(arcface_loss(embeddings, labels, out_num, s, m), expected_output))

5. 能回答已知的的科学问题

   提升pip下载速度，Cursor会建议用tsinghua源

pip install opencv-contrib-python==4.5.5.64
 --index-url https://pypi.tuna.tsinghua.edu.cn/simple

如HSL、HSV 中 S L V的区别

• HSL颜色空间中的L分量表示颜色的亮度,是从黑色到白色的连续变化

• HSV颜色空间中的V分量表示颜色的明度,是从黑色到最鲜艳的颜色的连续变化

• HSV颜色空间中的S分量表示颜色的纯度,是颜色中白色成分的比例

• HSL颜色空间中的S分量表示颜色的饱和度,是颜色中灰色成分的比例

  实现 L分量代码

double calculateL(double r, double g, double b) {
    double maxVal = std::max({r, g, b});
    double minVal = std::min({r, g, b});
    double l = (maxVal + minVal) / 2.0;
    return l;
}

C++重写（override）、复写（overwrite）、重载（overload）区别
重写（override）是指派生类中重新定义基类中已有的虚函数，使得派生类对象调用该虚函数时，调用的是派生类中的函数。重写的函数必须与基类中的虚函数有相同的函数名、参数列表和返回类型。在派生类中，可以使用override关键字显式地声明一个函数是重写基类中的虚函数。

复写（overwrite）是指在派生类中定义一个与基类中同名的非虚函数，从而覆盖了基类中的同名函数。复写的函数必须与基类中的函数有相同的函数名和参数列表，但可以有不同的返回类型。复写不需要使用关键字。

重载（overload）是指在同一个作用域中定义多个同名函数，但它们的参数列表不同。重载的函数必须与其他同名函数有不同的参数列表，可以有不同的返回类型。重载不需要使用关键字。

6. 代码有Bug直接问它，可以协助找到Bug。

7. 对代码功能不理解，直接问它。

8. Latex代码问题也可