weixin_43914278的博客

原创 cursor和idea不停切换时，idea总是编译报错

关掉cursor里的自动编译。

原创 Sora文字小说一段生成一张图体检

最后所有生成的内容就在MyMedia，这个是免费的，至于视频是收费的，我还没试过。后面使用remix功能，上传了一涨卡通人物的图片，然后小说原文中文直接发过去，发现直接生成了这个功能。这是第一张生成的画面给的提示词是英文。下面我随便说搜到的某小说片段。

原创 Mybatis加密解密问cursor面试怎么介绍

1

原创 Idea如何知道这个包属于什么模块

操作就是点击右上方的分析依赖关系。

原创 Mybatis加密解密查询操作（sql前），where要传入加密后的字段时遇到的问题

chatgpt：Mybatis加密解密查询操作（sql前），where要传入加密后的字段时遇到的问题。

原创 某ai gpt的bug

【代码】某ai gpt的bug。

原创 npm 安装newman时idealTree:vue: sill idealTree buildDeps卡住了（实测成功）

【代码】npm 安装newman时idealTree:vue: sill idealTree buildDeps卡住了（实测成功）

原创 docker查看从当前最后100条起看日志

logs.sh

原创 OpenAI用GPT-4解释了GPT-2三十万个神经元：智慧原来是这个样子

在一个神奇的未来世界，有一个叫做“AI大脑”的神秘装置，它能用来理解和解释大脑的工作原理。然后，GPT-4开始发挥它的魔法，生成对这个神经元的解释，就像一个老师在课堂上讲解数学题的过程一样。然后，科学家们将GPT-4生成的解释与实际的神经元激活进行比较，就像是对比学生的答案和正确答案。在这个故事中，我们看到了科学家们如何利用GPT-4来解开AI大脑的秘密，并探索如何更好地理解和解释AI的工作原理。尽管这项工作还处于起步阶段，但它为未来的研究开辟了新的方向，让我们对AI的智能和可解释性有了更多的期待。

原创 如何让Retinaface训练的更快更平滑

pin_memory 的作用：在你的 train 函数中，设置 pin_memory=True 会导致 DataLoader 将数据加载到锁页内存中，从而提高数据加载速度。non_blocking 的作用：在将数据从 CPU 转移到 GPU 时使用了 non_blocking=True，这使得数据传输不会阻塞主线程。使用 pin_memory=True 和 non_blocking=True 可以确保数据传输尽可能快，从而使 GPU 计算资源得到更好的利用。使用pin_memory=True。

原创 一键生成视频并批量上传视频抖音、bilibili、腾讯（已打包）

Github地址：https://github.com/cmdch2017/GenerateAndAutoupload。

原创 orbbecViewer不能打开或者显示不出摄像头

Visual Studio 2022 通常包含必要的运行时库，但它使用的是更新的 Visual C++ 运行时库版本。如果你需要特定的 MSVCR120.dll 文件（它属于 Visual C++ 2013 Redistributable），你仍然需要安装 Visual C++ 2013 Redistributable。通过上述方法，你可以确保系统中包含所需的 MSVCR120.dll 文件。在“单个组件”选项卡中，找到并勾选“C++ 2013 Redistributable Update 5”。

原创 Xshell 连接到运行在 WSL 上的 Ubuntu

在 WSL 中运行的 Ubuntu 通常只包含命令行界面（CLI），但你可以安装 X Window 系统服务器（如 Xming、VcXsrv）在 Windows 上，并配置 WSL 以便将图形应用程序的显示转发到 Windows 上的 X Window 服务器。在 WSL 的 bash shell 中，设置 DISPLAY 变量以将图形应用程序的显示转发到 Windows 上的 X Window 服务器。在 WSL 中安装必要的 X Window 相关软件，如 xorg, x11-apps 等。

原创 PNP方式求欧拉角

【代码】PNP方式求欧拉角。

原创 300w_lp数据欧拉角分布——展望训练模型（重要）

【代码】300w_lp数据欧拉角分布分析。

原创 python项目加密和增加时间许可证

1.bat，执行如下的命令，第一句是更新或增加许可证。第二句是加密draw_face.py。绘制自制人脸.py，调用代码。

原创 绘制口罩maskTheFace数据源是300w_lp

输入：图像（image），六个关键点（six_points），角度（angle），参数（args），类型（type）。输入：面部关键点（face_landmark），图像（image），类型（type）。通过以上步骤和角度的计算，可以在面部图像上精确地绘制口罩，使其与面部特征完美贴合。输入：面部关键点（face_landmark），图像（image）。输入：线（line），面部关键点（face_landmark）。输出：面部的六个关键点，角度（angle）。输出：眼睛中线，垂直线，左右点，中点。

原创 dlib安装不上，CMake must be installed to build dlib

安装的时候比如我是3.9我就安装cp39的，如果是3.10，那就找cp310的。

原创 Retinaface训练超参数调优

更精细的范围：由于在0.001478、0.004197和0.002786处有较低的损失，可以进一步缩小到0.001到0.002和0.004到0.005之间。在0.001到0.002之间试验更多的学习率值，例如0.0011, 0.0015, 0.0018等。综合考虑损失较低和稳定性，学习率范围可以集中在0.001到0.005之间。通过这些步骤，您可以更准确地找到最佳学习率，从而进一步降低损失，提高模型的性能。低损失区域：找出在较低损失值对应的学习率范围。稳定性：选择一个损失值较低且稳定的学习率范围。

原创 超参数如 momentum、weight_decay 和 gamma 对深度学习模型的训练效果有重要影响

影响：合适的学习率调整策略可以确保模型在训练初期快速学习，并在后期稳定收敛。然而，动量过大可能导致模型在损失表面上来回震荡，而动量过小则可能使得训练过程变得缓慢。影响：适当的权重衰减有助于防止模型过拟合，提高模型的泛化能力。然而，过大的权重衰减可能导致欠拟合，即模型无法很好地拟合训练数据。学习率调整因子：根据具体的学习率衰减策略（如阶梯衰减、余弦衰减等）设置，一般在 0.1 到 0.5 之间。过大：学习率衰减过快，模型可能提前停止学习，导致性能不佳。过小：学习率衰减过慢，可能导致训练时间过长。

原创 x-anylabelimg如何标识人脸

选用Yolov6Lite_l-Face MeiTuan生成的文件格式，略作调整自动保存成同一目录下的json文件，json文件内容就是左上、右上、右下、左下的点，根据你要的形式处理后续的数据集。未下载的模型需要安全上网下载。

原创 【笔记】深度学习入门

权重和损失值，尝试逼近最优解，理论上切线方向最好，但是梯度方向是随机的，所以每个节点梯度都不，一开始学习率不能大，只能小一点，梯度下降的目的是为了求最优参数，也就是沿着梯度的相反方向函数值减少最快。我们得到的是一个输入的得分值，但是如果给一个概率不是更清晰儿地描述这个事情吗?比如下图是三分类，学出来的这个差异还不够大，所以权重有3072个，假设有10组类别，注意权重是一个矩阵。每个权重参数都分别计算出最优解。3=3072个任务点。

原创 Retinaface与hopenet网络

需要先从Retinaface检测到的人脸区域中截取出人脸图像，然后对该图像进行姿态估计。用于估计人脸姿态，即人脸的俯仰角（pitch）、偏航角（yaw）和滚转角（roll）。提供人脸的边界框（bounding boxes）和面部特征点（landmarks）。使用Hopenet网络对该人脸图像进行姿态估计，得到俯仰角、偏航角和滚转角。计算每个人脸框内的平均深度值，选择深度值最小的人脸（即最近的人脸）。对最近人脸的边界框区域进行裁剪，得到人脸图像face_img。返回该最近人脸的边界框。

原创 初步研究Pose_300W_LP datasets.py

这里定义了一个从 -99 到 102 的数组，步长为 3，表示将范围 [-99, 102) 分成宽度为 3 的区间。np.digitize 函数用于将 yaw、pitch 和 roll 的连续值映射到上述定义的区间中。1 的操作是为了将结果的索引从0开始。示例：假设 yaw = 10, pitch = -15, roll = 45，通过分箱后的结果 binned_pose 可能是 [36, 28, 48]。

原创 能ping通，但ssh不通

原创 【安全操作系统】皮尔逊系数观察人脸旋转与人脸位置的关系

比如，左边框位置与左眼位置的差异应该在一个合理的范围内，面积也应该在一个合理的范围内。首先，我们可以设定一些阈值，比如左边框和左眼位置的差异不应该超过某个值，人脸面积也应该在一个合理的范围内。接下来，我们将计算这些变量之间的相关系数，以量化它们之间的线性关系。综上所述，我们可以得出角度与左边框、左眼位置、面积之间存在一定程度的关联性，其中左边框位置与角度的关联性最强，而面积与角度的关联性最弱。角度与左边框位置之间存在较强的正相关关系，相关系数为0.838，这意味着角度增加时，左边框位置也会增加。

原创 批量人脸画口罩

网上参考的修改了一下，图片放在根目录，命名叫做1.png，批量人脸画口罩。这个程序的目的是为了解决人脸数据集中的特征点缺失的不足。

原创 安全操作代码优化思路

针对人脸姿态估计任务，可以使用更适合的损失函数来提高模型的性能。考虑调整模型架构以提高性能，您可以尝试使用更先进的模型或添加额外的模块。对错误案例进行可视化分析，以便进一步理解模型出错的原因，并根据需要调整模型架构、损失函数等。分析推理过程中模型的中间输出，例如检查人脸检测结果的准确性以及姿态估计的准确性。可以尝试不同的主干网络结构，或者增加更深、更宽的网络层次，以提升模型的性能。使用学习率调度策略，例如学习率衰减、动态调整学习率等，以优化模型的训练过程。合理的训练策略可以加速模型收敛并提高泛化能力。

原创 C# 登录界面代码

它将用户界面（View）、业务逻辑（ViewModel）和数据模型（Model）分离开来，以提高代码的可维护性和可测试性。LoginVM 类是 ViewModel（视图模型），它充当了 View 和 Model 之间的中介，处理了视图与数据模型之间的交互逻辑，以及用户操作的响应逻辑。LoginModel 类是 Model（模型），它包含了应用程序的数据和业务逻辑，用于存储和处理用户的身份验证信息。MainWindow 类是 View（视图），负责用户界面的呈现和交互，它是用户直接看到和操作的部分。

原创 BIWI深度、彩色、位姿调用示例

【代码】BIWI深度、彩色、位姿调用示例。

原创 安全操作标定文件与训练模型

默认是https://download.pytorch.org/models/resnet50-19c8e357.pth，实际是300W_LP。本次设计按照两条线路进行，两台设备分别训练300W_LP和AFLW2000。

原创 c#触发事件

c#触发事件

原创 【趣玩一下】StreamDiffusion一秒100张！实时生成二次元老婆照！

而输入/输出队列主要是利用队列存储缓冲输入和输出，将图像数据预处理等操作与UNet主体网络分隔开，实现管道各个处理环节的并行化，防止处理速度不匹配的情况发生。最后，使用TensorRT、Tiny AutoEncoder等加速模块，对模型进行优化，进一步提升推理速度。RCFG方法则构建一个“虚拟残差噪声”，这样就只需要一次或者零次负样本计算，减少了计算负样本的开销。此外，原先的CFG算法中，需要额外大量计算负样本，导致计算效率低下。如果想要新建一个环境，执行下面的语句，会出现venv环境。

原创 ElasticSearch-SearchRequest

首先，你可以定义一个接口，表示文档类型的通用接口，然后让 HotelDoc 实现这个接口。接下来，在 handleResponse 方法中，你可以将 T 限定为实现了该接口的类型，并调用接口的方法进行处理。是的就是这么几行，一个BoolQuery搞定，有点像MyBatisPlus的QueryWrapper，只需要你会关键字（逻辑：must和、should或）（match模糊搜索，term精确搜索，range范围搜索）是的DSL语句，也就是具体的查询，那么具体的查询怎么写呢？好了会了基础下面的代码能看懂了，

原创 pytorch_retinaface训练Resnet50_Final.pth过程+无图版安装Nvidia+CUDA驱动GPU+torchvision

前四个代表的是人脸框的坐标，其中前两个表示左上角坐标，后两个表示宽高，后面每三个数字为一组，每组前两个数字代表5个特征点xy位置，眼镜，鼻子，嘴角，第三个数字，1代表遮挡，0代表不遮挡，最后一个好像是置信度。请注意：在安装新驱动程序之前，建议卸载旧版本的 NVIDIA 显卡驱动程序，以确保系统的稳定性。b. 在 “自动查找” 部分，NVIDIA 会自动检测你的显卡型号并为你推荐适用的驱动程序。b. 在安装过程中，你可以选择 “自定义安装” 以进行更详细的设置，或选择 “快速安装” 以使用默认选项。

原创 Astra Pro点云代码

github上找到的python读取点云的代码。

原创 遮罩面部特征的医生人脸检测前期调研

综合考虑，针对医生佩戴口罩和眼镜的情况，建议选择RGB估计头部姿态的深度CNN模型，并结合粒子滤波等后处理方法来提高模型在视频应用中的稳定性。同时，在训练阶段增加对遮挡情况的数据增强，以提高模型对于遮挡情况的鲁棒性。对于医生戴着口罩和眼镜的情况，遮挡了面部的部分特征，这会对传统的面部姿态估计方法造成挑战。建议：考虑引入更多对光照和遮挡情况鲁棒的特征工程或深度学习模型，或者采用更先进的方法来提高模型的适应性。RGB估计头部姿态的搞笑CNN模型，并采用了粒子滤波的后处理方法提高模型在视频应用中的稳定性。

原创 Linux网卡安装好后自启动

3、创建一个 Systemd 服务单元文件。4、重新加载 Systemd 管理器配置。6、检测最后state是up就好了。2、创建一个脚本文件。

原创 动态可视化图表：“城市居民与农民生存大解析！消费指数狂飙，究竟是福是祸？

CPI指数可视化图表

原创 平均预期寿命可视化

完整地址：data.jsondata2.json