It 's me-CSDN博客

原创 queue使用

在示例中，首先创建了一个名为myQueue的queue对象，并向其中添加了三个整数元素。然后，使用while循环迭代队列直到为空，每次从队列中获取并输出第一个元素，然后将其移除。请注意，需要使用std::queue来声明queue对象，并使用push、pop、front等函数进行操作。其中，T是存储在队列中的元素类型，Container是用于存储元素的底层容器，默认为std::deque。要使用queue，需要包含头文件，并使用std命名空间。输出结果为：10 20 30。

2024-05-16 07:32:36 152

原创 stack使用

在这个示例中，我们首先创建了一个int类型的stack。然后，我们使用push操作将三个元素（1、2、3）依次插入栈顶。接着，我们使用top操作输出栈顶元素（3），然后使用pop操作移除栈顶元素。最后，我们使用size操作得到栈中元素的数量（2），并用empty操作判断栈是否为空。C++的stack（栈）是一种容器，按照后进先出（Last In First Out，LIFO）原则存取数据。要使用stack，需要包含头文件。

2024-05-16 07:30:45 140

原创 list使用

C++的list是C++ STL（标准模板库）中的容器，它是一个双向链表，允许在容器的任意位置进行快速插入和删除操作。list的特点是它能够以O(1)的时间复杂度在容器的任意位置插入和删除节点。以上示例中，首先创建了一个空的list。接着通过遍历list打印出所有的元素。示例中还演示了如何在指定位置插入元素，以及如何删除指定位置的元素。在插入和删除元素时，可以使用迭代器（iterator）来指定插入或删除的位置。最后再次遍历list并打印出所有的元素，可以看到插入和删除操作的效果。

2024-05-16 07:28:53 239

原创 vector使用

在上面的示例中，我们首先创建了一个空的vector myVector，然后使用push_back()方法向其中插入元素。之后，我们使用下标运算符[]和size()方法来访问和获取vector中的元素。我们还演示了如何修改元素的值和使用pop_back()方法删除末尾的元素。最后，我们使用size()方法来获取vector的大小。vector的优点是它可以在运行时根据需要增加或减少容量，并且提供了一组方便的方法来操作数据，如插入、删除和访问元素。

2024-05-15 23:34:08 141

原创 24年5月GPT-4o使用教程，一看就会(低配贾维斯？)

GPT-4o，低配贾维斯？GPT-4o（“o”代表“omni”）是迈向更自然的人机交互的一步——它接受文本、音频、图像和视频的任意组合作为输入，并生成文本、音频和图像的任意组合输出。（低配贾维斯）它可以在短至 232 毫秒的时间内响应音频输入，平均为 320 毫秒，与人类的响应时间相似（和人顺畅对话，强啊~）在一次谈话中。它在英语文本和代码上的性能与 GPT-4 Turbo 的性能相匹配，在非英语文本上的性能显着提高，同时 API 的速度也更快，成本降低了 50%。

2024-05-15 23:14:42 766

原创使用opengl画框

初始化OpenGL环境和显示模式。然后，我们创建一个窗口，设置窗口尺寸，并设置窗口标题。接下来，我们设置清除颜色，并将。函数，我们在顶点模式下绘制四个线段，形成一个闭合的矩形。函数作为显示回调函数。最后，我们进入主循环，等待窗口事件。这个程序使用了OpenGL的固定功能管线来绘制一个框。编译运行这个程序，将会在窗口中绘制一个红色的矩形框。然后，我们使用红色绘制线框的颜色和线宽。函数将绘制的内容刷新到屏幕上。

2024-04-14 22:28:24 182

原创 dalle2介绍

生成器网络负责从随机噪声中生成图像，而判别器网络则负责判断生成的图像是真实的还是伪造的。通过不断迭代训练，生成器网络学习如何生成更加逼真的图像，而判别器网络则学习如何判断图像的真实性。它可以生成更加逼真的图像，并且能够生成不同风格和主题的图像。它采用了一个称为"敌对生成网络"（GAN）的框架，其中包含一个生成器网络和一个判别器网络。总之，dalle2是一个基于强化学习的图像生成模型，能够生成高质量、多样化的图像。dalle2是一个基于强化学习的图像生成模型，是dalle模型的改进版本。

2024-04-14 22:27:13 264

原创 tmux介绍，安装使用教程

tmux是一个终端复用器，它允许在一个终端窗口中同时运行多个终端会话，并且可以轻松切换和管理这些会话。在大多数Linux发行版中，可以使用包管理器进行安装。tmux会话允许您在多个窗口和窗格之间保存和恢复工作状态。tmux中有许多默认绑定的快捷键，可以根据需要进行自定义。这只是tmux的一些基本使用方法，还有很多更高级和自定义的功能。在Windows上使用Cygwin或MinGW等工具进行安装。命令获取更多详细的文档和帮助。命令启动tmux会话。

2024-04-13 22:59:05 291

原创 opengl介绍和使用实例

以上代码使用了OpenGL的绘制函数glBegin和glVertex2f来定义一个简单的三角形，然后使用glFlush函数将图形从缓冲区刷新到屏幕上。绘制图形：一旦设置好了上述对象和参数，就可以使用OpenGL的绘图函数来绘制图形了。它提供了一组用于渲染图形的函数，使开发者能够在不同的平台上创建高性能的图形应用。创建和设置OpenGL对象：OpenGL使用一些对象来表示和管理图形。这只是OpenGL的一个简单示例，更复杂的图形和效果可以通过组合和使用更多的OpenGL函数来实现。

2024-04-13 22:46:40 219

原创 vim配置 fzf 插件

你可以从 fzf 的 GitHub 页面（https://github.com/junegunn/fzf）上找到详细的安装指南。安装 fzf.vim 插件：fzf.vim 是一个与 fzf 集成的 Vim 插件。使用你选择的插件管理器（如 Vundle 或 vim-plug），在你的。你还可以通过查阅 fzf.vim 插件的文档来了解更多命令和配置选项。安装插件管理器后，重新加载 Vim 配置文件，并运行插件安装命令使插件生效。现在，你可以在 Vim 中使用 fzf 插件了。（用于在项目中进行全局搜索）。

2024-04-12 21:45:06 710

原创 vim插件配置

配置插件管理器：在你的 Vim 配置文件中，添加对插件管理器的配置。每个插件管理器的配置方式可能不同，但大致上是在配置文件中设置插件管理器的路径和加载插件的语句。配置插件：大多数插件都有自己的配置选项，你可以在配置文件中进行相应的配置。插件的配置方式可能也不同，你可以参考插件的文档来了解如何配置。每个插件管理器有自己的命令，你可以参考插件管理器的文档来了解具体的安装命令。注意：配置 Vim 插件可能需要一些时间和精力，只需选择适合你的插件，并按照自己的需求进行相应的配置即可。命令，使配置文件生效。

2024-04-12 21:44:36 390

原创 fzf模糊查找工具

多功能性：除了文件和目录的查找，fzf还支持查找命令历史、查找git提交记录、查找环境变量等。fzf是一个命令行模糊查找工具，可以帮助用户快速查找和选择文件、目录、命令历史和其他文本内容。终端集成：fzf与终端兼容，并可以与其他命令行工具无缝集成。高度可定制：fzf提供了大量的配置选项，可以自定义外观、绑定快捷键、过滤器等。快速模糊查找：fzf可以根据输入的关键词进行模糊匹配，并且根据匹配程度进行排序。fzf的安装方法因操作系统而异，请根据自己的操作系统选择相应的安装方法。命令查看详细的使用文档。

2024-04-11 22:51:59 267

原创 Git 的基本概念和使用方式

提交（Commit）：将代码变更保存到仓库中的一个操作，包含修改的文件、提交者的信息和时间戳。Git 的基本概念和使用方式可以帮助团队高效地进行代码开发和协作，管理代码的版本和变更历史。分支（Branch）：独立的代码开发线，可以在分支上进行开发，不影响主线（主分支）的代码。仓库（Repository）：存储代码及其历史记录的地方，可以是本地仓库或远程仓库。冲突（Conflict）：当两个分支上的代码修改冲突时，需要解决冲突后再进行合并。合并（Merge）：将一个分支上的代码合并到另一个分支上。

2024-04-11 22:04:48 233

原创 zsh常用插件安装教程

安装Zsh插件可以使用两种方法：手动安装和通过插件管理器安装。下面是使用插件管理器Oh My Zsh来安装常用插件的教程。以上步骤完成后，你就可以在Zsh中使用安装的插件了。保存并退出.zshrc文件。在.zshrc文件中找到。安装Oh My Zsh。

2024-04-10 22:16:03 805

原创 zsh安裝教程

安裝zsh：你可以使用包管理器來安裝zsh。例如，在Debian/Ubuntu系統上，你可以運行以下命令：sudo apt-get install zsh在Fedora系統上，你可以運行以下命令：sudo dnf install zsh在macOS上，你可以使用Homebrew來安裝zsh：brew install zsh其他Linux發行版可以使用類似的命令來安裝zsh。設置zsh為預設shell：運行以下命令來將zsh設置為預設shell：chsh -s $(which

2024-04-10 22:13:25 346

原创 vim快捷指令

Vim是一款强大的文本编辑器，它提供了许多快捷指令来提高编辑效率。这只是一小部分Vim快捷指令，Vim还有许多其他功能和指令可以探索和学习。命令在Vim中查看更详细的文档和帮助信息。

2024-04-09 23:09:59 799

原创 ssh远程压测断网，导致程序中断，解决方案

tmux是一种终端复用工具，它允许用户在单个终端窗口中同时运行多个终端会话。tmux提供了多个窗口和面板的功能，使用户可以轻松地切换和管理多个终端会话。

2024-04-09 23:03:28 343

原创 Kimi大模型

Kimi Chat、GPT-3.5和GPT-4在不同方面都有各自的优势和劣势。用户应根据自己的需求选择最合适的工具。作为先进的语言模型，GPT-3.5和GPT-4在文本创作和理解方面展现了卓越的能力。然而，它们在实时信息获取和文件处理方面存在一定的局限性。相比之下，Kimi Chat专注于长文本处理，但其专业知识的深度和广度可能不及GPT-4.0¹²⁴⁵。

2024-04-08 20:49:21 451

原创人工智能在现代科技中的应用和未来发展趋势

随着技术的不断进步，人工智能在现代科技中的应用越来越广泛。机器学习和数据分析：人工智能可以通过机器学习算法分析大量的数据，从而帮助企业和组织做出更好的决策。例如，人工智能可以通过分析用户数据和行为模式，预测用户的需求和偏好，从而提供更个性化的服务和产品。边缘人工智能和物联网的结合：边缘人工智能是指将人工智能算法和模型部署到物联网设备上，使其能够在本地进行决策和处理。人工智能的伦理和法律问题：人工智能的发展也带来了一系列的伦理和法律问题。人工智能和人类的合作：未来人工智能的发展趋势是与人类进行更深入的合作。

2024-04-07 20:12:51 292

原创卷积神经网络介绍和实例

CNN的核心是卷积层（Convolutional Layer），它包括多个卷积核，每个卷积核对输入数据进行卷积运算，提取局部区域的特征。这只是一个简单的CNN实例，实际应用中还可以根据具体任务进行网络结构的调整和优化，包括添加更多的卷积层、池化层等，以及引入正则化、批归一化等技术来提高模型性能。在卷积和池化的基础上，CNN通常还包括全连接层（Fully Connected Layer）和激活函数，用于进行分类任务。卷积层：通过一系列卷积核对输入图像进行卷积运算，提取图像的局部特征。

2024-04-07 20:08:26 548

原创 transform实例

这个实例中，我们定义了一个transform函数，它接受一个列表作为参数，并将列表中的每个元素加1。然后，我们调用transform函数，并传入一个列表[1, 2, 3, 4, 5]作为参数。最后，将函数的返回值打印出来，得到的结果是[2, 3, 4, 5, 6]，即将原列表中的每个元素加1后的结果列表。transform是一个Python函数，用于对数据进行转换或操作。它可以对列表、字符串、字典等数据类型进行转换和操作。运行结果为：[2, 3, 4, 5, 6]

2024-04-06 10:35:31 146 1

原创 Transform介绍

平移将图形沿着x轴和y轴移动指定的距离，旋转将图形绕一个中心点旋转指定的角度，缩放将图形按比例变大或变小，错切将图形按照一定的角度进行倾斜。在计算机图形学中，常用的变换矩阵包括平移矩阵、旋转矩阵、缩放矩阵和投影矩阵。Transform是一种在计算机图形处理中常用的操作，它能够对图像、视频或其他图形对象进行变换、旋转、缩放和扭曲等操作，以改变其形状、位置和大小。总结来说，Transform是一种用于图形处理的操作，可以对图像、视频和其他图形对象进行变换、旋转、缩放和扭曲等操作。

2024-04-06 10:34:10 247 1

原创稀疏化介绍

PCA（主成分分析）则是一种降维方法，通过计算协方差矩阵的特征值和特征向量，选择具有最大特征值的特征向量作为主成分，从而实现数据的稀疏化。在图像处理中，可以通过稀疏化技术来去除图像中的噪声、压缩图像的大小。在特征选择过程中，可以通过计算特征的稀疏度，去除那些对目标变量没有明显影响的特征，从而减少特征空间的维度。总的来说，稀疏化是指通过去除矩阵或向量中的大部分元素，使其变得稀疏的过程，能够减少数据的维度，提高算法的效率和准确性。在机器学习和数据分析中，稀疏化可以用来减少数据的维度，提高算法的效率和准确性。

2024-04-05 10:02:10 254 1

原创 H2O算法

可以使用H2O提供的函数来计算模型的性能指标，例如准确率、召回率、F1分数等。模型保存和加载：最后，我们可以将训练好的模型保存到本地，并在需要时加载模型进行预测。可以使用H2O提供的函数来保存和加载模型。函数来完成数据集的划分。然后，选择一个适合的机器学习算法，并使用H2O提供的函数进行模型训练。例如，我们可以使用H2O提供的。以上是一个使用H2O算法的简单例子，实际上，H2O提供了更多的功能和方法来支持各种机器学习和数据分析任务。模型训练：在进行模型训练之前，我们需要将数据集划分为训练集和测试集。

2024-04-05 09:54:01 474 1

原创自然语言处理（NLP）技术

情感分析：NLP技术可以分析文本中的情感倾向，了解人们对某个主题的情感态度。例如，在智能助理或搜索引擎中，用户可以用自然语言进行提问，由系统给出相应的回答。例如，智能助理可以通过语音识别将用户的语音指令转换成文字，并执行相应的操作。文本分类：NLP技术可以对文本进行分类，识别文本的主题或情感。例如，针对社交媒体上的评论进行情感分析，判断评论是积极的还是消极的。这些例子只是NLP技术在实际应用中的一小部分，NLP技术还可以用于文本生成、自动摘要、对话系统等多个领域。

2024-04-04 18:41:58 190 1

原创计算机视觉（CV）技术的优势和挑战

计算机视觉（CV）技术是指计算机能够通过视觉信息来理解和解释图像或视频的能力。它具有许多优势，但也面临一些挑战。

2024-04-04 18:40:16 334 1

原创机器学习中的 K-均值聚类算法及其优缺点

然而，它对初始质心的选择、簇的个数的确定以及对异常值和噪声的敏感性是需要注意的问题。需要确定簇的个数K：K-均值聚类需要事先确定分成的簇的个数K，这对于一些实际应用场景可能是一个困难的任务。对初始质心的选择敏感：初始质心的选择可能会影响最终的聚类结果，不同的初始质心可能导致不同的局部最优解。分配：对于每个数据点，计算其与每个质心的距离，并将该数据点分配给距离最近的质心所属的簇。更新质心：对于每个簇，计算该簇所有数据点的均值，将该均值作为新的质心。重复步骤2和步骤3，直到簇分配不再改变或达到最大迭代次数。

2024-04-03 19:53:20 327 1

原创 C#无标题栏窗体拖动代码

消息，并在消息处理中判断鼠标点击位置是否在窗体的标题栏上。如果是，则将消息的结果设置为。这样，鼠标点击并拖动窗体的时候，窗体就会跟随鼠标移动。在这个示例中，我们通过重写。，表示窗体是可拖动的。

2024-04-03 19:50:50 201 1

原创 TensorFlow介绍

数据流图（Data Flow Graph）：数据流图是TensorFlow中的计算模型，其中节点表示操作，边表示张量的流动。所有的输入和输出都是通过张量的形式传递。机器学习和深度学习：TensorFlow提供了丰富的神经网络层和优化算法，可以用于构建和训练各种机器学习和深度学习模型。自然语言处理（NLP）：TensorFlow提供了处理文本和语言的功能，可以用于词嵌入、文本分类、机器翻译等任务。变量（Variable）：变量是在计算过程中可以被修改的张量，可以在模型训练过程中通过优化算法进行更新。

2024-04-02 22:55:41 151 1

空空如也

空空如也