- 博客(183)
- 收藏
- 关注
RSS订阅原创 荆华密算 面试题（大模型开发）
摘要：本文实现了一个生成蛇形矩阵的Python程序。给定N和M，程序创建一个N×M矩阵，并按蛇形迂回顺序填充数字1到N×M。算法采用边界收缩法，通过控制上、下、左、右四个边界指针，依次处理外圈到内圈的填充。测试用例显示5×5矩阵的填充结果存在缺陷，仅正确填充了外圈数字，内圈未正确填充。代码中提前返回了矩阵导致内层循环未执行，需要修正循环逻辑以完善内圈填充功能。
2026-04-03 15:05:03
22
原创 手机端的google chrome 浏览器 怎么看响应的日志和请求报文
本文介绍了使用Chrome浏览器远程调试手机网页的方法：先在手机上开启USB调试模式并连接电脑，用手机Chrome打开目标网页；然后在电脑Chrome访问chrome://inspect/#devices找到对应页面进行调试。调试时可查看网络请求的Headers/Payload/Response数据，并通过Console面板检查CORS、Failed to fetch等错误日志。文中配图展示了具体操作界面，帮助开发者快速定位移动端网页问题。
2026-02-20 04:24:44
433
原创 Android studio修改gradle路径
Settings → Build, Execution, Deployment → Build Tools → Gradle → Gradle JDK
2026-02-11 08:51:37
41
原创 Check for Non-Identical String Rotation
本文介绍了一个检查字符串是否为非平凡旋转的Python函数。函数isNonTrivialRotation接收两个字符串s1和s2，首先检查它们长度是否相同，然后将s1与s2+s2连接串进行比较。如果s1是s2的非平凡旋转（即s1不等于s2本身但可以通过旋转得到），则返回True，否则返回False。该算法巧妙地利用了字符串连接的特性来检测旋转关系，具有简洁高效的特点。
2026-02-11 04:34:10
32
原创 Count Elements Greater Than Previous Average
这段代码实现了一个判断字符串是否为字母回文的功能。它通过双指针方法，从字符串两端向中间移动，跳过非字母字符，比较字母字符是否相同（忽略大小写）。如果所有对应的字母字符都匹配，则返回True，否则返回False。该算法的时间复杂度为O(n)，能有效处理包含非字母字符的字符串回文判断问题。
2026-02-11 04:23:56
23
原创 Find the Smallest Missing Positive Integer
该Python代码实现了一个寻找数组中最小缺失正整数的算法。核心思路是通过原地交换将每个正整数放到其正确位置（值减1对应的索引），然后遍历数组找到第一个位置与值不匹配的元素。时间复杂度为O(n)，空间复杂度为O(1)。算法首先处理输入数组，通过交换排序将元素归位，然后扫描数组返回第一个缺失的正整数。若数组包含1到n的所有整数，则返回n+1。
2026-02-11 04:05:30
24
原创 Count Elements Greater Than Previous Average
该Python代码实现了一个函数countResponseTimeRegressions，用于统计响应时间数组中大于之前所有元素平均值的元素个数。算法通过维护一个前缀和变量，在遍历数组时动态计算当前元素的平均值，并将当前元素与平均值比较。若当前元素大于平均值则计数。时间复杂度为O(n)，空间复杂度为O(1)。输入为整数数组，输出为满足条件的元素个数。
2026-02-11 02:51:26
22
原创 Group Anagrams
摘要 本文展示了如何实现"Group Anagrams"（字母异位词分组）问题的解决方案。该问题要求将包含相同字母但顺序不同的字符串分组。提供了Python和Java两种实现方式，核心思路都是将字符串排序后作为哈希表的键来分组。Python使用defaultdict简化操作，而Java使用HashMap。两种方法都能有效解决该问题，时间复杂度主要取决于排序步骤。
2026-02-08 00:39:34
51
原创 MCP Model Context Protocol(模型上下文协议)
摘要：Model Context Protocol(MCP)是一种让大模型使用外部工具(如浏览器、股票查询等)的协议。MCP Host(如Claude、Cursor)通过stdio或SSE与MCP Server通信，后者包含多个工具函数。启动方式包括uvx(Python)和npx(Node)。Agent Skills指智能体可复用的能力模块集合。相关网站包括mcp.so、mcpmarket.com等。MCP使大模型具备了调用外部工具的能力。
2025-12-23 07:50:54
394
原创 MMN-MnnLlmChat 启动顺序解析
摘要 该AndroidManifest.xml文件定义了一个名为MnnLlmChat的Android应用配置，包含以下主要内容： 权限声明：包括网络、录音、相机、存储等13项权限请求 应用基本信息：应用图标、主题、名称等基础配置 核心组件： MainActivity作为主启动界面(含LAUNCHER类别) ChatActivity和SelectTextActivity作为主要功能界面 下载前台服务(DownloadForegroundService) 文件共享提供者(FileProvider) 其他功能界面
2025-11-20 11:46:56
808
2
原创 Android studio修改app 桌面logo和名称
Android应用修改指南摘要（143字） 本文介绍Android应用修改logo和名称的方法：1）修改logo：建议使用Android Studio的Image Asset工具，准备512×512以上PNG图片，选择Launcher Icons类型生成图标，工具会自动处理多分辨率版本并更新Manifest文件；2）修改应用名称：通过编辑strings.xml中的app_name字段，并确保AndroidManifest.xml引用该字段。修改后需重新安装应用，若未生效需清除缓存或卸载重装。
2025-11-13 23:45:36
1039
原创 Remove Duplicates from Sorted Array
摘要 本文介绍了一个原地删除已排序数组中重复元素的问题。要求保持元素相对顺序，并将不重复元素放在数组前部，返回不重复元素数量k。解决方案使用双指针法：一个指针遍历数组，另一个指向当前不重复元素的位置。当遇到新元素时，将其复制到指针位置并移动指针。时间复杂度O(n)，空间复杂度O(1)。该方法高效利用了已排序数组的特性，通过单次遍历完成去重操作。
2025-09-06 15:44:26
623
原创 ADB 无线调试连接（Windows + WSL 环境）
摘要（149字）： 本文详细介绍了在Windows+WSL环境下通过ADB无线调试连接Android设备的完整流程。核心步骤包括：1）Windows端确认USB连接状态；2）获取手机Wi-Fi IP；3）启用ADB TCP模式；4）WSL终端连接设备；5）验证连接状态；6）通过gradlew命令部署APK。特别解决了WSL环境下ADB跨系统通信问题，提供端口开放等补充建议，并附赠Linux空间检测命令（du -h --max-depth=1）。该方案实现了脱离数据线的无线调试，适用于混合开发环境。
2025-08-13 15:22:11
1016
原创 Symbolic AI
haddhhmaxhdelhaddAnswer:BCDA. 操作 b 与此问题无关。B. 对于该状态，加性启发式hadd对操作 a 和 c 进行了重复计数。C. 初始状态的完美启发式h∗值为 3。D. 初始状态的最大启发式hmax值为 3。E. 初始状态的删除放宽启发式hdel值为 4。F. 初始状态的加性启发式hadd值为 4。
2025-07-07 06:28:36
800
原创 面向医学图文模型的皮肤病数据集与RAG-MCP技术路径
本文探讨了多模态医学AI模型的架构设计与数据集应用。在模型架构方面，MedGemma-4B采用集成式VLM+LLM统一处理图文输入，而MedVLM-R1则采用CLIP编码器与语言模型结合的融合架构。针对皮肤病诊断任务，推荐使用SkinCAP等高质量数据集。文章还介绍了检索增强生成（RAG）技术及其与MCP的结合应用，包括技术原理、论文研究和实现方案，为构建医疗AI系统提供了技术参考。
2025-06-13 08:59:01
586
原创 VLM, Vision-Language Model
摘要 视觉语言模型(VLM)通过融合图像编码器和语言模型处理多模态任务。主流架构包括：1)分离的VLM+LLM组合(如CLIP+GPT)；2)统一架构(VLM内含LLM)，如MedGemma采用Gemma架构直接处理图文；3)纯VLM用于分类。典型VLM流程为：图像编码→文本编码→图文融合→LLM解码输出。融合方式包括早期拼接、交叉注意力等。训练方法有监督微调、对比学习和强化学习。医学领域代表模型MedGemma采用一体式Transformer处理，而MedVLM-R1则连接CLIP-ViT和LLM，强化学
2025-06-12 05:36:33
1697
原创 WSL迁移到的目标文件夹
本文介绍了如何将WSL（Windows Subsystem for Linux）中的Ubuntu发行版迁移到指定目录的步骤。首先，通过wsl --shutdown命令关闭WSL。接着，在目标位置（如E:\AI\WSL\Ubuntu）创建新文件夹，并使用wsl --export命令将Ubuntu发行版导出为.tar文件。然后，通过wsl --unregister命令注销原始发行版，并使用wsl --import命令将导出的发行版导入到新位置。最后，通过wsl --list --verbose验证导入，并使用w
2025-05-15 23:16:42
200
1
原创 安装flash_attn
本文提供了FlashAttention的Linux和Windows下载地址，并详细介绍了如何在支持CUDA 12.1的环境中安装PyTorch 2.2以及FlashAttention。安装步骤包括使用pip安装特定版本的PyTorch和FlashAttention，并确保CUDA版本与PyTorch版本一致。最后，文章还提供了验证安装是否成功的方法。通过这些步骤，用户可以顺利安装并验证FlashAttention在系统中的正确运行。
2025-05-15 08:46:54
1891
原创 前向搜索与后向搜索的比较（Comparison to Forward and Backward Search）
前向搜索与后向搜索的比较（Comparison to Forward and Backward Search）
2025-02-20 05:55:01
1104
原创 HTN 规划的总序前向分解（Total-order Forward Decomposition，TFD）
HTN 规划的总序前向分解（Total-order Forward Decomposition，TFD）旅行问题的解决方案（Solution to the Travel Problem）
2025-02-20 05:34:24
891
原创 纳什均衡（Nash Equilibrium）和帕累托最优（Pareto Optimality）
纳什均衡（Nash Equilibrium）和帕累托最优（Pareto Optimality）
2025-02-20 03:28:58
1974
原创 KRR（知识表示与推理，Knowledge Representation and Reasoning）
KRR（知识表示与推理，Knowledge Representation and Reasoning）
2025-02-12 21:43:27
1387
原创 Introduction to Multi-Agent Systems and Intelligent Agents
Introduction to Multi-Agent Systemsand Intelligent Agents
2025-02-12 16:03:42
734
原创 多类特征（Multiple features）
Z-score normalization 是一种通过减去数据的平均值（mean）并除以标准差（standard deviation）来对数据进行归一化的方法。这种方法有助于将不同尺度的数据转换到一个相同的尺度上，特别是在特征具有不同量纲时很有用。归一化后的不等式范围是通过将原始数据的最小值和最大值代入 Z-score 归一化公式计算出来的。这种方法将数据标准化，使得每个特征的归一化后数据范围与标准正态分布的范围相一致。
2025-01-08 22:52:35
1479
原创 箱线图解释
四分位差（Interquartile Range）=IQR=Q3-Q1=120-50=70。最大值(Maximum Value)=150。最小值(Minimum Value)=20。极差=最大值-最小值=150-20=130。中位数(Median)=70。第三四分位数(Q3)=120。第一四分位数(Q1)=50。
2024-11-26 06:13:09
399
原创 计算线性回归中的代价函数（Cost Function）
特征矩阵包含了所有样本的所有特征信息，是模型输入数据的核心部分。每一行表示一个样本，每一列表示一个特征。它用于描述数据，并为机器学习模型提供结构化的数据格式。截距项（也叫偏置项或bias）是线性模型中的一个常数项，用于调整模型的输出，使模型能够更好地拟合数据。截距项（bias）帮助模型调整输出，使其更好地拟合数据。它允许模型在输入特征为零时，仍然可以预测非零的输出值。在许多机器学习模型中，截距项是一个重要的参数，用来优化模型性能。
2024-11-04 18:12:12
1047
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