- 博客(178)
- 收藏
- 关注
RSS订阅
原创 【操作系统】计算机硬件软件知识汇总
以下解析使用CentOS 6.1版本的操作系统进行讲解，采用Sysinit模式的进行初始化，如果你的操作系统没有类似/etc/rc.d这些目录，那么你的操作系统可能是采用Systemd模式进行初始化，虽然模式不同，但是要实现的基本功能都是差不多的。
2023-10-12 16:56:24
641
原创 【架构设计】业务逻辑总被技术细节污染？六边形架构给出了一种解法
本文指出，传统开发中业务逻辑与技术细节混杂导致系统难以维护和迭代。通过引入六边形架构（端口与适配器模式），将依赖方向反转：技术依赖业务，核心业务逻辑独立于具体实现。重构后，领域层专注业务规则，端口定义需求，适配器实现技术细节，使技术变更不影响核心逻辑，提升可测试性、可维护性和灵活性。
2026-10-23 16:35:02
348
原创 【架构设计】多模态大模型（VLM）的应用与实践
多模态大模型（VLM）融合视觉与语言理解，通过“感知编码—对齐融合—推理决策—执行反馈”四层架构，实现图像、文本、UI结构等多模态信息的联合处理。以Android应用测试为例，模型基于自然语言任务，结合屏幕截图、UI树与日志，生成可执行动作指令（如点击、断言），驱动自动化测试闭环，完成从理解到执行的智能决策，显著提升测试效率与智能化水平。
2026-10-10 17:20:30
231
原创 【软件设计】软件系统可靠性分析与设计
本文系统阐述了软件系统可靠性与可用性的概念差异，指出其与硬件可靠性的本质区别在于复杂性、物理退化、唯一性和更新周期。基于串联、并联及混合模型构建结构可靠性分析框架，介绍种子法等可靠性度量与模型方法。重点探讨影响可靠性的因素及避错、降低复杂度、检错、容错等设计策略，详述N版本程序、恢复块与双机容错等典型容错机制，强调冗余与高可用架构在提升系统可靠性中的关键作用。
2026-09-11 15:27:08
126
原创 本福特定律：从大自然中总结出来的数据规律
摘要：2019年，瑞幸咖啡被曝财务造假22亿元，关键证据源自本福特定律。该定律指出，自然数据首位数字分布不均（如1出现概率30.1%，9仅4.6%），而瑞幸数据中5、6异常偏高，1严重不足，暴露人为编造痕迹。本福特定律适用于跨数量级的自然数据（如财报、人口统计），能有效识别造假。案例中，分析师通过对比理论分布（蓝色）与瑞幸数据（橙色虚线），发现显著偏离，最终揭穿造假。这一工具现广泛用于金融审计与反欺诈领域。
2026-08-11 16:14:59
263
原创 一种用于在多次重复投资或赌博中最佳资金分配比例的数学工具——凯利公式
摘要：凯利公式是一种优化资金分配比例的数学工具，由约翰·凯利提出，用于最大化长期资金增长率并控制风险。其核心公式为f*=(bp-q)/b，适用于投资、赌博等重复性决策场景。通过投硬币（胜率50%，赔率2）和债券基金投资（胜率60%，赔率2.5）的案例分析，展示了公式的实际应用及半凯利策略（如16%仓位）的稳健性。蒙特卡洛模拟（Python实现）验证了不同仓位下的收益与风险，表明凯利比例在平衡复利增长与破产概率上的有效性，同时强调参数估计准确性和动态调整的重要性。
2026-07-07 11:06:44
429
原创 【神经网络】卷积神经网络（一）总览以及卷积层
本文介绍了卷积神经网络(CNN)的特点及其与全连接神经网络的区别。全连接网络会破坏输入数据的空间结构，而CNN通过卷积层和池化层保留了数据的形状特征。卷积层使用滤波器进行特征提取，涉及步幅、填充等参数；池化层则用于降维，具有位置不变性等特性。文中详细阐述了卷积运算在多维数据上的处理过程，包括多通道输入和多个滤波器的应用。CNN通过这种结构能够有效处理图像等具有空间特性的数据。
2026-05-06 10:58:18
470
原创 【鸿蒙开发】OpenHarmony与HarmonyOS调用C/C++教程
本文介绍了在鸿蒙系统(OpenHarmony/HarmonyOS)中实现ArkTS调用C/C++代码的两种方案：NAPI和AKI。NAPI方案详细说明了Native模块的初始化流程、C++函数注册方法、类型定义文件配置等实现步骤；AKI方案则通过极简语法糖简化跨语言调用，自动处理线程安全和GC问题。文章还提供了将HarmonyOS工程转换为OpenHarmony工程的具体操作步骤，包括SDK版本配置、设备类型修改等关键设置。两种方案均从工程创建、接口定义到实际调用的完整流程进行了说明。
2026-03-30 11:39:59
877
1
原创 【神经网络】超参调优策略（四）：通过范围收缩确定最优超参
摘要：本文介绍了神经网络超参数调优的方法，重点阐述了超参数最优范围收缩技术。通过确定初始范围、随机采样、精度评估和逐步缩小范围的迭代过程，可以有效优化学习率和权重衰减等关键参数。文章强调验证数据需独立于训练和测试数据以避免过拟合，并提供MNIST数据集划分的代码示例。实验结果表明，学习率在0.001-0.01、权重衰减在10^-8到10^-6范围内效果最佳。此外还介绍了贝叶斯优化等替代方法，并给出了完整的Python实现代码，展示了如何通过随机搜索和结果可视化来确定最优超参数组合。
2026-03-02 10:52:55
831
原创 【神经网络】超参调优策略（三）：减少训练数据过拟合
摘要：过拟合指神经网络对训练数据识别率高但对新数据识别率低的现象，类似"纸上谈兵"。主要成因包括模型参数过多和训练数据不足。本文通过MNIST数据集实验演示了过拟合情况，并介绍了两种抑制方法：1)权值衰减(L2范数)，通过惩罚大权重参数来防止过拟合；2)Dropout技术，训练时随机删除神经元以提升泛化能力。实验结果表明这些方法能有效缩小训练集与测试集的识别精度差距。其中Dropout通过模拟集成学习机制，实现了用单一网络获得多模型平均效果的优势。
2026-02-02 11:44:01
654
原创 【算法】KMP算法的next数组的数学原理以及推导过程
本文详细解析了KMP算法中next数组的数学原理与构建过程，这些原理构成了KMP算法高效匹配的核心机制。
2026-01-07 10:52:23
935
原创 【神经网络】超参调优策略（二）：Batch Normalization批量归一化
Batch Normalization（批归一化）是一种通过规范化神经网络各层激活值分布来加速训练的技术。它通过对每个mini-batch数据进行标准化处理（均值为0、方差为1），并引入可学习的缩放平移参数γ和β，有效解决了深层网络中梯度消失/爆炸问题。该方法具有三大优势：大幅提升训练速度、降低对初始值的敏感性、抑制过拟合。实验表明，使用BatchNorm的网络在不同初始值下都能快速收敛，而未使用的网络在初始值不当时可能完全无法学习。文中还详细解释了方差计算（区分总体与样本方差）和标准化公式，并提供了基于M
2025-12-18 15:22:15
979
原创 【神经网络】超参调优策略（一）：权重初始值调优——防止梯度消失和表现力受限
本文探讨了神经网络权重初始化的关键问题。研究表明：1）全零初始化会导致神经元对称性问题；2）随机初始化不当会引起梯度消失或表现力受限；3）针对不同激活函数应使用特定初始化方法：sigmoid/tanh推荐Xavier初始化（标准差为1/√n），ReLU推荐He初始化（标准差为√2/n）。通过实验对比不同初始化方法对各层激活值分布的影响，证实采用适配的初始化策略能有效维持信号传播稳定性，避免梯度消失问题，显著提升网络训练效果。
2025-11-20 10:54:04
561
原创 师兄师兄怎么办
本文讲述了一个热爱探究事物原理的年轻人从沉迷游戏到专业成长的历程。从小对游戏机制充满好奇却不被理解，到大学选择机器人专业系统学习编程和硬件知识。在钻研过程中经历了困惑与突破，最终将零散知识串联起来，并开始分享所学，开发游戏项目，向更高阶的计算机领域探索。作者始终保持着对游戏的热爱初心，通过音乐、绘画等方式延续这份热情，并希望帮助和自己一样爱钻研的人。文章展现了从问而无人到为人解惑的成长蜕变。
2025-10-24 12:25:11
1033
原创 【人工智能】神经网络的优化器optimizer（四）：Adam自适应动量优化器
Adam优化器是一种结合动量和自适应学习率的深度学习优化算法，通过计算梯度的一阶矩和二阶矩实现参数更新。其核心优势在于：1）采用偏差修正技术解决初始阶段估计偏差问题；2）融合动量机制和自适应学习率特性，相比SGD、Momentum和RMSProp等优化器具有更快的收敛速度；3）每个参数独立调整学习率。实验表明，带偏差修正的Adam在参数更新轨迹和损失收敛上都优于未修正版本，使其成为深度学习中最常用的优化器之一。
2025-10-23 10:06:09
2328
1
原创 【统计学基础】KS(Kolmogorov-Smirnov)统计量
KS统计量是一种衡量两个概率分布差异的非参数检验方法，常用于模型评估和异常检测。其核心是计算两个累积分布函数的最大绝对差值，取值范围0-1，值越大区分能力越强。计算步骤包括数据排序、分箱处理、累积比例计算和取最大差值。Python可通过scipy.stats.ks_2samp实现，也可自定义函数计算模型正负样本KS值。应用场景包括：评估二分类模型区分度（KS≥0.4表示强区分能力）、检验数据分布一致性（如本福特定律检测财务数据异常）。文中提供了完整的KS计算代码示例，以及结合本福特定律搭建数据造假检测系统的
2025-10-16 09:26:04
1646
原创 【银河麒麟V10 SP1的kysec安全模块】程序无权限在/opt、/usr等路径下创建、追加日志，使用chmod、chown等指令也报无权限
摘要：软件在/opt路径创建日志文件后重启服务出现写入权限问题，常规权限修改无效。经排查可能是SELinux或KYSEC安全模块的限制。SELinux通过强制访问控制和标签机制管理权限，可用getenforce查看状态，通过修改/etc/selinux/config永久关闭。KYSEC是银河麒麟系统的内核级防护，通过白名单机制控制文件访问，可用getstatus查看状态，修改/etc/kysec/kysec.conf可永久禁用。建议先确认具体受限于哪种安全机制再针对性处理。
2025-09-22 09:03:38
1528
原创 【人工智能】神经网络的优化器optimizer（三）：RMSProp动态自适应学习率优化器
RMSProp是Hinton在2012年提出的优化算法，针对AdaGrad算法学习率过早衰减的问题进行改进。其核心创新在于采用指数加权平均法动态调整学习率，通过衰减因子平衡新旧梯度信息，使学习率保持有效调整能力。相比AdaGrad的全局梯度累积，RMSProp赋予近期梯度更高权重，特别适合非平稳目标（如RNN）和深层网络训练。算法维护状态变量记录梯度平方的指数衰减平均值，通过均方根实现参数自适应更新：梯度振荡剧烈时降低学习率，平缓时增大学习率。典型超参数γ取0.9左右，在保持训练稳定性的同时避免了后期更新停
2025-08-26 14:40:59
1497
原创 【深度学习】通俗易懂的基础知识：指数加权平均
指数加权平均是一种时间序列数据的加权计算方法，其核心特点是数据权重随时间呈现指数级衰减。近期数据获得更高权重，而早期数据影响逐渐减弱，通过衰减因子β（0<β<1）控制历史数据权重分布。β值越小（如0.1），曲线越贴近原始数据但抗噪性差；β值越大（如0.98），平滑效果越强但滞后越明显。相比普通平均的等权重计算，指数加权平均能更敏感地反映短期趋势变化，适用于需要动态平衡历史与当前数据的场景，如神经网络优化、温度趋势分析等。数学推导表明，该方法通过递推公式实现权重指数衰减，总权重收敛于1。
2025-07-29 15:42:58
1508
原创 Ubuntu+Nginx+php+SQLite3+typecho手动搭建个人博客
本文详细介绍了在Ubuntu系统上搭建Typecho个人博客的完整流程。首先通过apt安装Nginx和PHP（包含必要扩展），并验证服务状态。接着配置Nginx支持PHP解析，创建站点配置文件。然后下载Typecho程序，解压到网站目录并设置权限。完成部署后，通过浏览器访问即可进入Typecho安装界面，按照指引完成博客配置。该教程涵盖了从环境搭建到博客上线的全过程，包括服务管理、配置文件修改和权限设置等关键步骤，最终实现一个功能完整的个人博客系统。
2025-07-01 15:09:09
1362
原创 【人工智能】神经网络的优化器optimizer（二）：Adagrad自适应学习率优化器
Adagrad（Adaptive Gradient Algorithm）是一种自适应学习率的优化算法，其核心思想是针对不同参数自动调整学习率，适合处理稀疏数据和不同参数梯度差异较大的场景
2025-06-06 14:49:40
2062
原创 【人工智能】神经网络的优化器optimizer（一）：Momentum动量优化器
随机梯度下降法（SGD）是神经网络中用于优化参数的一种方法，通过沿梯度方向更新参数来最小化损失函数。然而，SGD在处理非均向函数时效率较低，容易陷入局部最小值。为解决这一问题，引入了动量优化器（Momentum），它通过引入物理中的动量概念，利用历史梯度信息调整更新方向，使得优化过程更加平滑，有助于跳出局部极小值并加快收敛速度。Momentum方法通过指数加权平均累计历史梯度，减少了震荡并提高了优化效率。在实际应用中，Momentum的公式经过简化，省略了部分计算步骤，降低了计算复杂度和代码实现难度，同时与
2025-05-20 10:00:00
2590
原创 【神经网络】python实现神经网络（四）——误差反向传播的基础理论
有了上面的基础，我们就可以看一下各个层是如何反向传播的了，首先是点乘层Affine，我们来复习一下，矩阵的乘积运算的要点是使对应维度的元素个数一致。另外，在各个变量的上方标记了它们的形状（比如，计算图上显示了X的形状为(2,)，X·W的形状为(3,) 等）。需要注意的是，偏置在正向传播时是被分别加在dot(X,W)的各个数据之上，因此，反向传播时，各个数据的反向传播的值需要汇总为偏置的元素。反向传播时，会将上游的值乘以−y^2（正向传播的输出的平方乘以−1 后的值）后，再传给下游。
2025-04-14 12:21:43
1460
原创 【神经网络】python实现神经网络（一）——数据集获取
在文章中，我们大致了解神经网络的正向信息传导、反向传导以及学习过程的大致流程，现在我们正式开始进行代码的实现，首先我们来实现第一步的运算过程模拟讲解：正向传导。本次代码实现将以“手写数字识别”为例子。
2025-03-04 17:02:12
1886
原创 【Docker】 Manifest与Buildx：多架构镜像管理的解析与实践
manifest包含了镜像的层、标签、作者等关键信息，并支持多架构镜像的管理。通过Manifest List，开发者能够为同一应用提供适用于不同架构的镜像，从而确保其在各类平台上的兼容性。实际上是把不同操作系统和架构打包成独立的一个镜像，用户拉去镜像时根据用户的实际使用场景自动选择合适的架构镜像。manifest本身不能直接用于打包镜像，只是用于创建和管理包含多个不同镜像的清单列表（manifestlist），构建多架构镜像使用buildx技术进行。
2025-02-06 15:24:09
1190
原创 【C++游戏程序】easyX图形库还原游戏《贪吃蛇大作战》（三）
我们这次来补充一些游戏细节，以及增加吃食物加长角色长度等设定玩法，也是本游戏的最后一篇文章。
2024-12-06 11:23:56
762
原创 【python】将word文档内容转换为excel表格
在日常工作中，我们经常需要将Word文档中的内容提取并转换为Excel表格，以便进行数据分析和处理。本文将介绍如何使用Python编写一个简单的程序，将Word文档中的内容转换为Excel表格。
2024-11-22 18:23:49
2378
原创 【C++游戏程序】easyX图形库还原游戏《贪吃蛇大作战》（二）
终于忙完这段时间的项目、考证了，接下来将继续填之前的坑了。书接上回本次将使得角色和AI动起来，实现键盘控制，同时使得AI可以动起来以及一些细节补充。
2024-11-20 16:42:27
1046
原创 【软考高级架构】关于分布式数据库缓存redis的知识要点汇总
分布式数据库缓存指的是在高并发的环境下，为了减轻数据库的压力和提高系统响应时间，在数据库系统和应用系统之间增加一个独立缓存系统。
2024-10-24 11:02:31
1953
原创 【面向对象】设计模式概念和分类
本文章是我考中级软件设计师时的笔记，基本都是一些自己的思路和见解，现记录一下，希望可以帮助到即将考证的同学。
2024-09-30 11:33:32
1022
2
原创 【架构设计】安全架构设计
在当今以计算机、网络和软件为载体的数字化服务几乎成为人类社会赖以生存的手段，与之而来的计算机犯罪呈现指数上升趋势，因此，信息的可用性、完整性、机密性、可控性和不可抵赖性等安全保障有位重要，为满足这些诉求，离不开好的安全架构设计。GB/T 9387.21995 给出了基于OSI参考模型的7层协议之上的信息安全体系结构。
2024-08-27 17:17:35
3360
原创 【国产化系统】MySQL安装
配置完成后进行数据库初始化操作。ALTER USER 'root'@'localhost' IDENTIFIED BY '初始化密码' PASSWORD EXPIRE NEVER;如果出现”mysql>”即为正常安装。请记住这个随机初始密码！不然后续步骤将无法进行！初始化成功后将出现随机的初始密码，这里输入的密码是上面说的随机初始密码！此时密码将被修改为“root”
2024-07-24 14:12:08
1549
原创 【C++游戏程序】easyX图形库还原游戏《贪吃蛇大作战》（一）
游戏完成图如图下所示：大体框架就如上面所示，后面我们将针对各个要点进行详细的要点拆分。
2024-06-14 15:01:23
1691
1
原创 【操作系统】从实模式进入保护模式
从实模式进入到保护模式（不知道为什么要进入的保护模式的可以参考文章：【操作系统】CPU的保护模式与实模式的区别），我们需要进行以下几个步骤： 为什么要打开就不在此赘述了，详细可以查看之前写过的文章：【计算机组成】实模式/保护模式下地址分段（基段地址+偏移地址）的原因，总的来说是旧的CPU（8086/8088之类的）在实模式下地址线为20位（A0~A19），最大寻址空间为0xFFFFF，超出部分会被地址回卷到0重新开始。但是进入到保护模式下我们需要去访问更大的内存空间，所以需要将“地址回卷”这个功能关闭掉
2024-05-22 12:11:26
2041
1
原创 【操作系统】段描述符、全局描述符表和选择子
与实模式不同的是，保护模式下内存段不再是简单地用段寄存器加载一下段基址然后乘以16位结合偏移地址得出实际要访问的内存地址，而是通过选择子在全局描述符表中找到对应的段描述符，CPU从段描述符中提取段基址，再与偏移地址结合得出实际要访问的内存地址。
2024-04-09 19:00:00
2162
1
规则文件编写程序（C++）
2022-09-20
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人