【从头写CAD】 转换矩阵类系列八，代码汇总

已于 2024-08-28 10:49:38 修改
阅读量1.4k 收藏
点赞数 30
分类专栏： rust 从头写CAD精华篇 rust 从头写CAD历程篇 文章标签： 矩阵 算法 rust 后端
于 2024-08-28 10:49:11 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43219667/article/details/141635021
版权

为了找出优化代码的方案，梳理矩阵类现有代码。现汇总转换矩阵所有代码在同一个文件中，同时调整了与矩阵类重载的代码的先后次序。完整代码如下：

/*矩阵类编程思路总说明：
   平面CAD对象主要包括点（point）、线（line 含线段、直线、射线，宽线、多段线）、平面形状（shap 含矩形、圆形、椭圆、文字、图块实体、外部参照实体及各种标注等）。我们先用点（point）来说明矩阵功能。
    点（P），可以用向量(1，x, y）表示。
     一、如果点发生平移时，转换矩阵（Move）为
       1       Dx    Dy
       0       1      0
       0       0      1
     即P.move(Dx,Dy)=(x+Dx,y+Dy)=P*Move;
     平移(Move)矩阵是本矩阵类(Matrix)的泛型特例，单独说明

     二、如果点发生旋转时（旋转角度为a），转换矩阵Rotate为
       1     0         0
       0     cos(a)    sin(a)
       0     -sin(a)   cos(a)
     即P.rotation(a)=(x * cos(a) - y * sin(a),x * sin(a) + y *cos(a))=P*M;
     旋转(Rotate)矩阵是本矩阵类(Matrix)的泛型特例，单独说明，为提高效率，角度类（Angle）参与矩阵乘法计算。

     三、如果点发生缩放时,比例为（Sx，Sy），转换矩阵（Scale）为
       1      0      0
       0      Sx     0
       0      0      Sy
     即P.rotation(a)=(x * Sx,y * Sy)=P*Scale;
     缩放(Scale)矩阵是本矩阵类(Matrix)的泛型特例，单独说明，为提高效率，实数(f64)参与矩阵乘法计算。

     四、平移、旋转、缩放的组合矩阵(M2D)可以表示为
       1     Dx    Dy
       0     Xx    Xy
       0     Yx    Yy
     即P.M=(1,x*Xx+y*Yx+1*Dx,x*Xy+y*Yy+1*Dy)=P*M2D;
    组合(M2D)矩阵是本矩阵类(Matrix)的泛型特例，单独说明。

     五、转换矩阵通过乘法运算的重载，实现其功能。该乘法支持结合律，如P*M1*M2*M3=P*(M1*M2*M3)
    根据上面叙述，总结出如下编程思路：
    1、平面几何转换，都可以使用转换矩阵实现，不需要在各几何体类中单独实现平移、旋转、缩放功能；
    2、多次平面几何转换，如P*M1*M2*M3，可以使用结合律，让多个矩阵合并成一个转换矩阵。
    3、考虑到纯平移、旋转或缩放转换用组合矩阵计算时，会出现大量已知的0或1参加计算，影响计算速度。因此定义了3个零大小的类Zero、One和NegOne用于表示0、1、-1，该定义在number.rs文件中实现。转换矩阵为泛型类，泛型定义在本文件实现，通过泛型特例实现的平移(Move)、旋转(Rotate)、缩放(Scale)、组合(M2D)等矩阵独立解说。
    4、为了汇总几何体与转换矩阵的计算（如 P*M），方便系统维护，几何体类的参数写成矩阵格式。初步意向如下，后面单独解说。
      （1）点(point)（x,y）可以认为是点（0,0）平移到（x,y）后形成的，即表示为：
         1       x      y
         0      0       0
         0      0       0
       (2) 线段(line)有起点(x1,y1)和终点(x2,y2),可以认为是起点（0,0），终点为（1,0）的线段经过变换得来的，即：
         1          x1         y1
         0          x2-x1      y2-y1
         0          0          0
       (3) 圆有圆心（Ox，Oy）、半径r(等价于圆过点(Ox+r,Oy) ),可以理解为圆心在(0,0),半径为1(等价于圆过点(1,0))的单位圆变换过来的,即:
         1        Ox      Oy
         0        r       0
         0        0       0
       (4) 椭圆有圆心（Ox，Oy）、长半轴长 Ra,短半轴长Rb，与圆类似，表示如下：
         1        Ox      Oy
         0        Ra      0
         0        0       Rb
       (5) 图块实体有插入点（x，y），x轴比例Sx、y轴比例Sy、旋转角度a，表示如下： 
         Sx*cos(a)       Sx*sin(a)          0
         -Sy*sin(a)      Sy*cos(a)          0
         x               y                  1
     六、 根据运算结果，增加一个类非切变矩阵（NonShear），结构如下
         1     Dx    Dy
         0     Xx    0
         0     0     Yy
 */
/*
 * 编制人: $ource
 * 修改版次:0版完成版
 * 本版次创建时间: 2024年8月24日
 * 最后修改时间: 无
 * 待完善问题：无
 * 说明：
 * 转换矩阵Matrix有大量已知的0和1及-1参与计算。为标识这些特征，提高编译后代码效率，实现零大小的Zero、One、NegOne类型。
 */
#[derive(Debug,Copy,Clone)]
pub struct Zero{
}

#[derive(Debug,Copy,Clone)]
pub struct One{
}
#[derive(Debug,Copy,Clone)]
pub struct NegOne{
}


/*转换矩阵通用类Matrix
* 编制人: $ource
* 修改版次:0.2.0版完成版
* 本版次创建时间: 2024年8月16日
* 最后修改时间: 2024年8月26日
* 待完善问题：无
*/
use std::ops::{Mul,Div};
// 变换矩阵数据格式(TransformMatrix)
//  1 dx dy      1 Dx  Dy       1 m01 m02
//  0 sx ry      0 Xx  Xy       0 m11 m12
//  0 rx sy      0 Yx  Yy       0 m21 m22

#[derive(Clone,Copy)]
pub struct Matrix<Tdx:Clone+Copy,Tdy:Clone+Copy,Txx:Clone+Copy,Txy:Clone+Copy,Tyx:Clone+Copy,Tyy:Clone+Copy>{
   pub m01:Tdx,pub m02:Tdy,
   pub m11:Txx,pub m12:Txy,
   pub m21:Tyx, pub m22:Tyy
}

pub type M2D=Matrix<f64,f64,f64,f64,f64,f64>;//组合矩阵M2D
pub type NonShear=Matrix<f64,f64,f64,Zero,Zero,f64>;//非切变矩阵NonShear
pub type Rotate=Matrix<Zero,Zero,f64,f64,f64,f64>;//旋转矩阵Rotate
pub type Scale=Matrix<Zero,Zero,f64,Zero,Zero,f64>;//缩放矩阵Scale
pub type Move=Matrix<f64,f64,One,Zero,Zero,One>;//平移矩阵Move

/*
* 矩阵基本变换，组合矩阵类 M2D
** 编制人: $ource
* 修改版次及创建时间:0版完成版（2024年8月25日）
* 修改内容及时间:无
* 待完善问题:无
* 内容说明：组合矩阵是一个2X3 实数(f64)类型的矩阵，实现了“组合矩阵*组合矩阵”的乘法重载。矩阵格式如下
*   1    m01   m02
*   0    m11   m12
*   0    m21   m22
*/
impl M2D{
   pub fn new(dx:f64,dy:f64,xx:f64,xy:f64,yx:f64,yy:f64)->M2D{
       M2D{
           m01:dx,  m02:dy,
           m11:xx,  m12:xy,
           m21:yx,  m22:yy
       }
   }
}

impl Mul<M2D> for M2D{//“组合矩阵*组合矩阵”
   type Output = M2D;
   fn mul(self, tm:M2D) ->M2D{
       M2D{
           m01:self.m01 * tm.m11 + self.m02 * tm.m21 + tm.m01,m02:self.m01 * tm.m12 + self.m02 * tm.m22 + tm.m02,
           m11:self.m11 * tm.m11 + self.m12 * tm.m21         ,m12:self.m11 * tm.m12 + self.m12 * tm.m22,
           m21:self.m21 * tm.m11 + self.m22 * tm.m21         ,m22:self.m21 * tm.m12 + self.m22 * tm.m22
       }
   }
}

impl Mul<NonShear> for M2D{//“组合矩阵*非切变矩阵”
   type Output = M2D;
   fn mul(self, tm:NonShear) ->M2D{
       M2D{
           m01:self.m01 * tm.m11 + tm.m01, m02:self.m02 * tm.m22 + tm.m02,
           m11:self.m11 * tm.m11         , m12:self.m12 * tm.m22,
           m21:self.m21 * tm.m11         , m22:self.m22 * tm.m22
       }
   }
}

impl Mul<Rotate> for M2D{//组合矩阵*旋转矩阵
   type Output = M2D;
   fn mul(self, tm:Rotate) ->M2D{
       M2D{
           m01:self.m01 * tm.m11 + self.m02 * tm.m21 ,m02:self.m01 * tm.m12 + self.m02 * tm.m22,
           m11:self.m11 * tm.m11 + self.m12 * tm.m21 ,m12:self.m11 * tm.m12 + self.m12 * tm.m22,
           m21:self.m21 * tm.m11 + self.m22 * tm.m21 ,m22:self.m21 * tm.m12 + self.m22 * tm.m22
       }
   }
}

impl Mul<Scale> for M2D{//组合矩阵*缩放矩阵
   type Output = M2D;
   fn mul(self, tm:Scale) ->M2D{
       M2D{
           m01:self.m01 * tm.m11, m02:self.m02 * tm.m22,
           m11:self.m11 * tm.m11, m12:self.m12 * tm.m22,
           m21:self.m21 * tm.m11, m22:self.m22 * tm.m22
       }
   }
}

impl Mul<Move> for M2D{//组合矩阵*平移矩阵
   type Output = M2D;
   fn mul(self, tm:Move) ->M2D{
       M2D{
           m01:self.m01 + tm.m01,m02:self.m02+ tm.m02,
           m11:self.m11         ,m12:self.m12,
           m21:self.m21         ,m22:self.m22
       }
   }
}

/*
* 矩阵变换，非切变类NonShear
** 编制人: $ource
* 修改版次及创建时间:0版完成版（2024年8月26日）
* 修改内容及时间:无
* 待完善问题:无
* 内容说明：非切变是“平移矩阵*缩放矩阵”的产物，分别实现了“非切变矩阵*各矩阵”的运算符重载。非切变矩阵格式如下。
      1      m01    m02
      0      m11    0
      0      0      m22
*/
impl NonShear{
   pub fn new(dx:f64,dy:f64,xx:f64,yy:f64)->NonShear{
       NonShear{
           m01:dx    , m02:dy,
           m11:xx    , m12:Zero{},
           m21:Zero{}, m22:yy
       }
   }
}

impl Mul<M2D> for NonShear{//“非切变矩阵*组合矩阵”
   type Output = M2D;
   fn mul(self, tm:M2D) ->M2D{
       M2D{
           m01:self.m01 * tm.m11 + self.m02 * tm.m21 + tm.m01, m02:self.m01 * tm.m12 + self.m02 * tm.m22 + tm.m02,
           m11:self.m11 * tm.m11                             , m12:self.m11 * tm.m12,
           m21:self.m22 * tm.m21                             , m22:self.m22 * tm.m22
       }
   }
}

impl Mul<NonShear> for NonShear{//“非切变矩阵*非切变矩阵”
   type Output = NonShear;
   fn mul(self, tm:NonShear) ->NonShear{
       NonShear::new(self.m01 * tm.m11 + tm.m01, self.m02 * tm.m22 + tm.m02,
                     self.m11 * tm.m11
                                                   , self.m22 * tm.m22
       )
   }
}

impl Mul<Rotate> for NonShear{//“非切变矩阵*旋转矩阵”
   type Output = M2D;
   fn mul(self, tm:Rotate) ->M2D{
       M2D{
           m01:self.m01 * tm.m11 + self.m02 * tm.m21, m02:self.m01 * tm.m12 + self.m02 * tm.m22,
           m11:self.m11 * tm.m11                    , m12:self.m11 * tm.m12,
           m21:self.m22 * tm.m21                    , m22:self.m22 * tm.m22
       }
   }
}

impl Mul<Scale> for NonShear{//非切变矩阵*缩放矩阵
   type Output = NonShear;
   fn mul(self, tm:Scale) ->NonShear{
       NonShear::new(self.m01 * tm.m11,self.m02 * tm.m22,
                     self.m11 * tm.m11
                                      ,self.m22 * tm.m22
       )
   }
}

impl Mul<Move> for NonShear{//“非切变矩阵*平移矩阵”
   type Output = NonShear;
   fn mul(self, tm:Move) ->NonShear{
       NonShear::new(self.m01 + tm.m01, self.m01 + tm.m02,
                    self.m11 
                                     , self.m22
       )
   }
}
/*
* 矩阵基本变换，旋转类Rotate
** 编制人: $ource
* 修改版次及创建时间:0版完成版（2024年8月26日）
* 修改内容及时间:无
* 待完善问题:无
* 内容说明：旋转是矩阵基本功能，分别实现了“组合矩阵*各矩阵”的运算符重载。旋转矩阵格式如下。
   1     0         0
   0     cos(a)    sin(a)
   0     -sin(a)   cos(a)
*/
use super::angle::Angle;
impl Rotate{
   pub fn new(xx:f64,xy:f64,yx:f64,yy:f64)->Rotate{
       Rotate{
           m01:Zero{},  m02:Zero{},
           m11:xx,  m12:xy,
           m21:yx, m22:yy
       }
   }

   pub fn from(ang:Angle)->Rotate{
       let ang_x=ang.unit_x();
       let ang_y=ang.unit_y();
       Rotate::new(ang_x,ang_y,-ang_y,ang_x)
   }
}

impl Mul<M2D> for Rotate{//旋转矩阵*组合矩阵
   type Output = M2D;
   fn mul(self, tm:M2D) ->M2D{
       M2D{
           m01:tm.m01                               , m02:tm.m02,
           m11:self.m11 * tm.m11 + self.m12 * tm.m21, m12:self.m11 * tm.m12 + self.m12 * tm.m22,
           m21:self.m21 * tm.m11 + self.m22 * tm.m21         ,m22:self.m21 * tm.m12 + self.m22 * tm.m22
       }
   }
}

impl Mul<NonShear> for Rotate{//“旋转矩阵*非切变矩阵”
   type Output = M2D;
   fn mul(self, tm:NonShear) ->M2D{
       M2D{
           m01:tm.m01           , m02:tm.m02,
           m11:self.m11 * tm.m11, m12:self.m12 * tm.m22,
           m21:self.m21 * tm.m11, m22:self.m22 * tm.m22
       }
   }
}

impl Mul<Rotate> for Rotate{//旋转矩阵*旋转矩阵
   type Output = Rotate;
   fn mul(self, tm:Rotate) ->Rotate{
       Rotate::new(
           self.m11 * tm.m11 + self.m12 * tm.m21, self.m11 * tm.m12 + self.m12 * tm.m22,
           self.m21 * tm.m11 + self.m22 * tm.m21, self.m21 * tm.m12 + self.m22 * tm.m22
       )
   }
}

impl Mul<Scale> for Rotate{//旋转矩阵*缩放矩阵
   type Output = Rotate;
   fn mul(self, tm:Scale) ->Rotate{
       Rotate::new(
           self.m11 * tm.m11, self.m12 * tm.m22,
           self.m21 * tm.m11,self.m22 * tm.m22
       )
   }
}

impl Mul<Move> for Rotate{//旋转矩阵*平移矩阵
   type Output = M2D;
   fn mul(self, tm:Move) ->M2D{
       M2D{
           m01:tm.m01, m02:tm.m02,
           m11:self.m11, m12:self.m12,
           m21:self.m21,m22:self.m22
       }
   }
}

/*
* 矩阵基本变换，缩放类Scale
** 编制人: $ource
* 修改版次及创建时间:0版完成版（2024年8月26日）
* 修改内容及时间:无
* 待完善问题:无
* 内容说明：缩放是矩阵基本功能，分别实现了“组合矩阵*各矩阵”的运算符重载。缩放矩阵格式如下。
      1      0      0
      0      Sx     0
      0      0      Sy
*/
impl Scale{
   pub fn new(sx:f64,sy:f64)->Scale{
       Scale{
           m01:Zero{},  m02:Zero{},
           m11:sx    , m12:Zero{},
           m21:Zero{}, m22:sy
       }
   }

   pub fn from(scale:f64)->Scale{
       Scale::new(scale,scale)
   }
}

impl Mul<M2D> for Scale{//缩放矩阵*组合矩阵
   type Output = M2D;
   fn mul(self, tm:M2D) ->M2D{
       M2D{
           m01:tm.m01           , m02:tm.m02,
           m11:self.m11 * tm.m11, m12:self.m11 * tm.m12,
           m21:self.m22 * tm.m21,m22:self.m22 * tm.m22
       }
   }
}

impl Mul<NonShear> for Scale{//缩放矩阵*非切变矩阵
   type Output = NonShear;
   fn mul(self, tm:NonShear) ->NonShear{
       NonShear::new(tm.m01           , tm.m02,
                     self.m11 * tm.m11
                                      ,self.m22 * tm.m22
       )
   }
}

impl Mul<Rotate> for Scale{//缩放矩阵*旋转矩阵
   type Output = Rotate;
   fn mul(self, tm:Rotate) ->Rotate{
       Rotate::new(self.m11+tm.m11, self.m11*tm.m12, self.m22*tm.m21, self.m22*tm.m22)
   }
}

impl Mul<Scale> for Scale{//缩放矩阵*缩放矩阵
   type Output = Scale;
   fn mul(self, tm:Scale) ->Scale{
       Scale::new(self.m11 * tm.m11, self.m22 * tm.m22)
   }
}

impl Mul<Move> for Scale{//缩放矩阵*平移矩阵
   type Output = NonShear;
   fn mul(self, tm:Move) ->NonShear{
       NonShear::new(tm.m01,tm.m02,self.m11,self.m22)
   }
}

/*
* 矩阵基本变换，平移类Move
** 编制人: $ource
* 修改版次及创建时间:0版完成版（2024年8月25日）
* 修改内容及时间:无
* 待完善问题:无
* 内容说明：平移是矩阵基本功能，分别实现了“组合矩阵*各矩阵”的运算符重载。平移矩阵格式如下。
*   1    m01   m02
*   0    1     0
*   0    0     1
*/
impl Move{
   pub fn new(dx:f64,dy:f64)->Move{
       Move{
           m01:dx   ,  m02:dy,
           m11:One{},  m12:Zero{},
           m21:Zero{}, m22:One{}
       }
   }
}

impl Mul<M2D> for Move{//平移矩阵*组合矩阵
   type Output = M2D;
   fn mul(self, tm:M2D) ->M2D{
       M2D{
           m01:self.m01 * tm.m11 + self.m02 * tm.m21 + tm.m01,m02:self.m01 * tm.m12 + self.m02 * tm.m22 + tm.m02,
           m11:tm.m11                                        ,m12:tm.m12,
           m21:tm.m21                                        ,m22:tm.m22
       }
   }
}

impl Mul<NonShear> for Move{//“平移矩阵*非切变矩阵”
   type Output =NonShear;
   fn mul(self, tm:NonShear) ->NonShear{
       NonShear::new(self.m01 * tm.m11 + tm.m01, self.m02 * tm.m22 + tm.m02,
                     tm.m11
                                                   , tm.m22
       )
   }
}

impl Mul<Scale> for Move{//平移矩阵*缩放矩阵
   type Output = NonShear;
   fn mul(self, tm:Scale) ->NonShear{
       NonShear::new(self.m01 * tm.m11,self.m02 * tm.m22,tm.m11,tm.m22)
   }
}

impl Mul<Rotate> for Move{//平移矩阵*旋转矩阵
   type Output = M2D;
   fn mul(self, tm:Rotate) ->M2D{
       M2D{
           m01:self.m01 * tm.m11 + self.m02 * tm.m21,m02:self.m01 * tm.m12 + self.m02 * tm.m22,
           m11:tm.m11                               ,m12:tm.m12,
           m21:tm.m21                               ,m22:tm.m22
       }
   }
}

impl Mul<Move> for Move{//平移矩阵*平移矩阵
   type Output = Move;
   fn mul(self, tm:Move) ->Move{
       Move::new(self.m01 + tm.m01,self.m02+ tm.m02)
   }
}

impl Div<Move> for Move{//平移矩阵/平移矩阵
   type Output = Move;
   fn div(self, tm:Move) ->Move{
       Move::new(self.m01 - tm.m01,self.m02- tm.m02)
   }
}
Source.Liu
关注
专栏目录
医学图像处理综述
计算机视觉life
07-09 4万+
0、引言 医学图像处理的对象是各种不同成像机理的医学影像，临床广泛使用的医学成像种类主要有X-射线成像 （X-CT）、核磁共振成像（MRI）、核医学成像（NMI）和超声波成像（UI）四类。在目前的影像医疗诊断中，主要是通过观察一组二维切片图象去发现病变体，这往往需要借助医生的经验来判定。利用计算机图象处理技术对二维切片图象进行分析和处理，实现对人体器官、软组织和病变体的分割提取、三维重建和三维显示...
（九：2020.08.27）CVPR 2019 追踪之论文纲要（译）
Jojo论文基地
08-28 8794
CVPR 2019 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这900篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录 论文 概要
【从头写CAD】 转换矩阵类系列一，总说明及泛型类
weixin_43219667的博客
08-23 636
转换矩阵类的分析。
2024 推荐系统论文汇总
卢之
01-08 6568
对2024年的 推荐系统论文进行一波收集，给各位初学者和算法大佬作为灵感来源，后续专栏会继续更新论文解读，根据评论不断补充，欢迎大家三连~
论文写作笔记
m0_51946536的博客
11-02 977
论文摘要(Abstract)是对整篇论文的高度浓缩和概括,是论文的精华部分，摘要是论文的“窗口”,通过摘要能快速判断论文是否值得细读,是论文重要的组成部分。撰写高质量的摘要对论文至关重要.说明问题及其重要性本句可以说明问题所属的领域, 解释最重要的概念, 并强调问题的重要性.反例: Attribute reduction is an important issue in data mining.
非码农也能看懂的“机器学习”原理
CAD之路
09-03 1056
我们先来说个老生常谈的情景：某天你去买芒果，小贩摊了满满一车芒果，你一个个选好，拿给小贩称重，然后论斤付钱。 自然，你的目标是那些最甜最成熟的芒果，那怎么选呢？你想起来，啊外婆说过，明黄色的比淡黄色的甜。你就设了条标准：只选明黄色的芒果。于是按颜色挑好、付钱、回家。啊哈，人生完整了？ 呵呵呵。 告诉你吧人生就是各种麻烦 等你回到家，尝了下芒果。有些确实挺甜，有些就不行了。额
【微调大模型】如何利用开源大模型，微调出一个自己大模型_大模型训练和微调框架
2401_85773359的博客
07-11 357
最近对大模型这部分内容比较感兴趣，作者最早接触大模型是22年下半年的时候。当时觉得非常amazing，并认为这是一个颠覆性的工作，目前随着开源大模型的逐渐变多。我觉得我们得学习并了解这些基础知识，以便后续在工作中可以学习并使用。在深度学习中，微调是一种重要的技术，用于改进预训练模型的性能。除了微调ChatGPT之外，还有许多其他预训练模型可以进行微调。微调所有层：将预训练模型的所有层都参与微调，以适应新的任务。微调顶层：只微调预训练模型的顶层，以适应新的任务。冻结底层。
PostGIS 笔记
Onovo的博客
03-07 2818
PostGIS 是一种广泛使用的空间数据库，支持使用它存储和检索数据的第三方程序的数量也在增加。支持 PostGIS 的程序包括服务器和桌面系统上的开源软件和专有软件。
Transferring Vision-Language Models for Visual Recognition: A Classifier Perspective
weixin_46687145的博客
03-22 1070
从预训练的深度模型向下游任务传递知识，特别是在有限标记样本的情况下，是计算机视觉研究中的一个基本问题。最近，大规模、任务无关的视觉-语言预训练模型的出现，这些模型是通过数十亿个样本学习得到的，为这个问题带来了新的启示。在本研究中，我们探讨了如何有效地将对齐的视觉和文本知识转移到下游视觉识别任务中。我们首先重新审视了线性分类器在传统的迁移学习框架中的作用，然后提出了一种新的范式，在这种范式中，分类器的参数是从文本编码器的语义目标初始化的，并在优化过程中保持不变。
【从头写CAD】 几何体类系列一 开篇
08-28
Point类源码
【从头写CAD】点类Point
08-25
【从头写CAD】点类Point
从头写CAD完成部分源码
09-08
从头写CAD完成部分源码
【从头写CAD】 程序集
08-18
【从头写CAD】 程序集
【从头写CAD】 主程序
08-21
相关源码
240 搜索二维矩阵 II
最新发布
Noric! 的博客
10-03 219
可以向右、向下扩展元素都是升序，但选择哪个方向是不明确的，很容易陷入局部最优而找到不到全局最优解。所以需要改变查找的起始位置，使一个方向为升序，而另一个为降序，比如右上角，向下为升序而向左为降序。解这道题最重要的是如何利用从左到右、从上到下为升序的性质，快速找到目标元素。时，向下移动，不断逼近目标，且遍历路径不会重复，时间复杂度为。如果从左上角开始查找，如果当前。
python 实现矩阵的Schur complement舒尔补算法
luthane的博客
09-30 937
矩阵的Schur Complement（舒尔补）算法是在线性代数中用于处理特定矩阵结构的一种技巧，特别是在解决大型矩阵的逆或解特定类型的线性方程组时非常有用。定义对于一个 (p+q) × (p+q) 的矩阵 M，可以将其分为四个子矩阵 A, B, C, D，其中 A 是 p × p 矩阵，D 是 q × q 矩阵，B 和 C 是适配的维数。当 D 是可逆矩阵时，D 在 M 中的 Schur Complement 定义为 A - BD⁻¹C。
AMD 矩阵核心
数字人生
09-28 960
矩阵乘法是线性代数的一个基本方面，它在高性能计算（HPC）应用中是一个普遍的计算。自从 AMD 推出 CDNA 架构以来，广义矩阵乘法（GEMM）计算现在通过矩阵核心处理单元实现了硬件加速。矩阵核心加速的 GEMM 内核位于像 rocBLAS 这样的 BLAS 库的核心，但开发人员也可以直接编程。通过利用矩阵核心，可以使在 GEMM 计算受限的吞吐量的应用程序获得额外的加速。AMD 的矩阵核心技术支持全范围的混合精度操作，使我们能够处理大型模型并增强任何 AI 和机器学习工作负载的内存受限操作性能。
从0-1搭建海外社媒矩阵，详细方案深度拆解
2301_77170389的博客
09-27 806
构建海外社交媒体矩阵是一个系统工程，品牌需要不断调整策略以适应变化。
从头写一段代码计算每个分子片段出现的频率
06-02
好的，以下是一段从头开始编写的代码，用于计算分子中每个片段的频率： ```python from rdkit import Chem # 读取分子文件并转换为 RDKit 分子对象 with open('path/to/smi/file', 'r') as f: smiles = f....
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值