weixin_46407807的博客

原创 终端复用Tmux

摘要：在Windows cmd中使用SSH连接服务器运行代码时，常因输出窗口崩溃导致不稳定。Tmux可解决此问题，让会话持续保存在服务器端。安装Tmux后，通过tmux attach命令可恢复之前会话。常用操作包括：Ctrl+b %左右分屏、Ctrl+b "上下分屏、Ctrl+b方向键切换分屏；标签页管理（Ctrl+b c/n/p创建/切换标签页）；退出方式：exit或Ctrl+b x关闭分屏，Ctrl+b &关闭整个标签页。

原创 判断能控，非常生动地判断是不是能控，现代控制原理，线代控制原理，自动控制原理

摘要：控制系统的分析表明，当方程中出现u（控制输入）时，系统具有可控性。公式2右侧出现X1变量，说明系统组件之间存在关联性，X1的状态变化会影响系统行为，从而实现对系统的控制。这种变量间的相互联系为系统控制提供了可能。

原创 使用pandoc将markdown转换为docx

摘要：使用Pandoc轻松实现Markdown转Word文档并保留公式。只需三步：1)官网下载安装Pandoc；2)在MD文件目录打开GitBash；3)执行命令"pandoc input.md -o output.docx --mathml"即可完美转换，公式会通过MathML保留。该方法简单高效，解决了其他工具无法转换公式的问题。

原创 Git实战：如何将当前未提交的修改迁移到新分支

摘要 本文介绍了如何将当前未提交的修改迁移到新分支的Git操作流程。针对开发中常见的"在主分支进行实验性修改后想独立保存"的场景，提供了完整的解决方案。核心步骤包括：1)使用git checkout -b创建并切换新分支；2)确认修改内容自动带入新分支；3)通过git add、git commit和git push完成提交推送。该方法既能保留工作区修改，又能保持主分支清洁，适用于需要隔离特定修改的场景。

原创 环境配置。

本文提供了使用conda和pip安装PyTorch 2.5.1及相关深度学习工具包的完整命令。首先创建Python 3.10环境并激活，然后安装PyTorch核心组件及CUDA 12.1支持。接着安装PyTorch Geometric图神经网络库及其依赖项，以及transformers、accelerate等常用NLP工具。文中提供了清华源和阿里云两种镜像源安装方案，包含解决SSL证书问题的配置方法。最后还补充了数据科学常用库如numpy、pandas、scikit-learn等的安装命令，以及Jupyte

原创 隐藏Gemini脚本

摘要：这个油猴脚本提供了强力隐藏Gemini网站左上角Logo的解决方案。通过CSS规则隐藏带有"Gemini"字样的链接、图片和标题元素，并使用JavaScript每500毫秒检查一次页面，应对动态加载内容。脚本采用多重检测机制：包括aria-label属性匹配、href链接检测、元素位置判断和字体大小验证，确保准确识别Logo元素。设置display:none、visibility:hidden等多重隐藏属性，并提供备用选择器防止误判。

原创 xrdb: Connection timed out

在XLaunch中运行xfce4和小海龟时，发现必须执行export DISPLAY=:0才能正常显示。通过将该命令添加到~/.bashrc文件并执行source ~/.bashrc，可以避免每次手动输入，实现自动设置DISPLAY环境变量。

原创 WPF中CommunityToolkit自带窗体传参工具WeakReferenceMessenger

摘要：本文演示了使用WeakReferenceMessenger进行对象参数传递的方法。首先定义User数据类和继承ValueChangedMessage的LoginMessage消息类；然后通过Send方法发送包含User对象的消息；最后在接收端通过Register方法处理消息，提取并显示对象属性。实现了一个完整的消息传递流程，展示了如何在不同组件间传递复杂对象数据。

原创 UV环境+UV环境中CUDA安装

UV安装有两种方法：Windows可通过PowerShell命令安装，Mac/Linux参考官方教程；或从GitHub下载并配置环境变量。Python安装按官方文档操作。CUDA安装需先创建并激活虚拟环境，再使用uvpip命令安装PyTorch相关包。详细步骤可参阅官方文档。

原创 Transformer自注意力机制

该代码实现了一个简化版的Self-Attention机制，用于处理二维词向量。核心部分包括：1)初始化三个线性变换层W_q、W_k、W_v来生成查询、键和值矩阵；2)前向传播时计算查询和键的点积相似度，并进行缩放；3)使用softmax将相似度转换为注意力权重；4)最后与值矩阵相乘得到注意力得分。该实现去除了偏置项以简化计算，适用于处理二维词向量数据，展示了自注意力机制的基本原理。

原创 wpf依赖注入驱动的 MVVM实现（含免费源代码demo）

Avalonia实现依赖注入绑定的简化方案：通过Microsoft.Extensions.DependencyInjection替代Prism框架功能。关键步骤包括：1）安装相关NuGet包；2）正常编写View和ViewModel；3）创建ServiceLocator类，在构造函数中注册ViewModel并构建服务容器；4）在View中通过静态资源绑定DataContext。该方法避免了Prism框架的臃肿，提供了轻量级的MVVM实现方案。完整示例代码已开源在GitHub仓库wpf_test中。

原创 C#八股文：const和readonly

原创 pytorch环境配置，亲测有效

本文介绍了PyTorch深度学习环境的搭建方法。主要内容包括：1）安装Anaconda作为Python环境管理工具；2）配置PyTorch框架（支持GPU和CPU两种版本）；3）安装PyCharm和VSCode两种主流开发工具。通过详细的安装步骤指导，帮助读者快速搭建完整的PyTorch开发环境，为后续深度学习项目开发做好准备。

原创 .NET/C# webapi框架下给swagger的api文档中显示注释（可下载源码）

.NET 9 中实现带注释的 Swagger API 文档 本文介绍了在 .NET 9 中如何为 Web API 添加 Swagger 文档支持： 在 Controller 中创建 Post 和 Put 方法，使用 /// 注释添加方法说明 在项目属性中启用 XML 文档生成 在 Swagger 配置中添加 IncludeXmlComments 以包含注释 最终实现效果：Swagger UI 中会显示完整的 API 方法和注释说明 这种方法可以方便地为 API 添加文档支持，提升开发体验和 API 的可读性

原创 机器学习sklearn:支持向量机svm

本文演示了使用SVM分类器绘制决策边界的过程。首先通过make_blobs生成50个二分类样本数据，然后用线性核SVM训练模型。可视化部分展示了：1) 按类别着色的数据点；2) 黑色实线决策边界和虚线间隔边界；3) 用空心圆标记的关键支持向量。代码使用contour函数绘制决策面，并通过decision_function计算间隔距离，清晰地展现了SVM如何找到最优分类超平面和间隔边界。该示例直观说明了SVM通过支持向量确定决策边界的基本原理。

原创 机器学习sklearn:聚类

本文介绍了无监督学习中的聚类方法及其应用。首先通过生成四簇数据集并利用KMeans算法将其聚合为三簇，展示了聚类过程和相关评估指标（轮廓系数和Calinski-Harabasz指数）。其次，详细说明了轮廓系数分析图的绘制方法，用于评估聚类效果。最后，重点演示了如何运用KMeans聚类实现图像压缩：将图像颜色从96,615种减少到64种，通过比较KMeans和随机初始化的压缩效果，验证了KMeans在颜色聚类上的优势。文章还提及了KMeans参数max_iter的作用，为聚类分析提供了实用指导。

原创 机器学习sklearn:逻辑回归

本文比较了L1和L2正则化的逻辑回归模型在乳腺癌数据集上的表现。实验使用scikit-learn库，通过调整正则化参数C值（0.05到1之间），评估了两种正则化方式在训练集和测试集上的准确率变化。结果显示，L1正则化在训练集上表现更优，而L2正则化在测试集上更具优势。可视化结果表明，随着C值增加，模型复杂度提高，过拟合风险增大。该研究为逻辑回归中正则化选择提供了参考，L2正则化可能更适合提升模型泛化能力。

原创 机器学习sklearn：降维

本文使用PCA对鸢尾花数据集进行降维处理。首先导入matplotlib和sklearn相关模块，加载鸢尾花数据集。原始数据为4维，通过PCA降为2维以方便计算和可视化。降维过程会丢失部分信息且不可完全逆转，但能有效消除噪声。降维结果的可读性较差，但更便于数据分析和可视化展示。降维技术在机器视觉等领域有广泛应用。

原创 机器学习sklearn：过滤

本文介绍了四种特征选择方法来优化机器学习模型性能：1）方差过滤通过方差阈值删除低方差特征；2）卡方过滤结合F检验或互信息法选择与标签相关的特征；3）嵌入法利用随机森林评估特征重要性；4）包装法通过递归特征消除逐步筛选最优特征集。每种方法都提供了代码实现，并通过交叉验证评估效果，最终目的是减少计算资源消耗并提升模型表现。

原创 机器学习sklearn：编码、哑变量、二值化和分段

本文介绍了四种数据预处理方法以适配机器学习模型：1）标签编码（LabelEncoder）将分类变量转为数值；2）独热编码（OneHotEncoder）处理多分类特征；3）二值化（Binarizer）按阈值离散化数值；4）分段离散（KBinsDiscretizer）将连续值分箱处理，支持序数编码和独热编码两种输出方式。这些方法能有效将不同类型的数据转换为适合算法处理的数值格式。

原创 机器学习sklearn：处理缺失值

摘要：本文介绍了使用Scikit-learn的SimpleImputer处理泰坦尼克号数据缺失值的方法。首先导入数据并检查缺失情况，然后针对Age列分别演示了均值、中位数和0值填补策略，最终选择中位数填补。对于Embarked列则采用众数填补。此外还展示了使用Pandas直接填充中位数的方法。全文通过具体代码示例展示了数据预处理的关键步骤，包括数据读取、缺失值识别和三种不同的填补策略应用。文末附有完整的原始数据集供参考。

原创 机器学习sklearn：随机森林的决策树

本文比较了随机森林与决策树的性能差异。通过10折交叉验证实验发现，随机森林（n_estimators=25）的平均得分显著高于单棵决策树。重点探讨了随机森林的关键参数：n_estimators（树的数量）越大效果越好但更耗资源（实验测试1-200棵树），n_jobs控制CPU核心使用，oob_score可自动划分测试集。文章还介绍了predict_proba接口可输出各类别概率。实验通过可视化展示了不同参数对模型性能的影响。

原创 机器学习sklearn：泰坦尼克幸存预测（决策树、网格搜索找最佳参数）

摘要：本文展示了使用决策树分类器预测泰坦尼克号生存率的完整流程。首先对数据进行预处理，删除无关特征并处理缺失值，将分类变量转换为数值类型。然后将数据划分为训练集和测试集，建立基础决策树模型进行评估。通过可视化不同max_depth参数下的训练/测试表现，发现并非拟合度越高模型效果越好。最后采用网格搜索(GridSearchCV)寻找最优参数组合，包括splitter、criterion、max_depth等参数的最佳配置。整个流程涵盖了数据清洗、特征工程、模型训练评估和参数调优等关键步骤。

原创 机器学习sklearn：决策树的参数、属性、接口

本文介绍了决策树的8个核心参数、1个属性和4个接口。8个参数包括：Criterion（分裂标准）、random_state（随机种子）、splitter（分裂策略）以及5个剪枝参数（max_depth等）。特征重要性可通过feature_importances_属性查看。4个主要接口为：fit（训练）、score（评分）、predict（预测）和apply（获取叶节点索引）。文章以葡萄酒数据集为例，展示了决策树的完整使用流程，包括参数设置、模型训练和结果预测。重点说明了各参数的作用，如criterion选择

原创 机器学习sklearn：不纯度与决策树构建

决策树通过不纯度指标（信息熵、基尼系数）选择最优分割节点，降低节点样本混杂程度。完全生长的决策树易过拟合，需采用剪枝方法：预剪枝限制参数（最大深度、最小样本数等），后剪枝剪除冗余分支。剪枝能简化树结构，提升模型泛化能力，防止对训练数据过度拟合。

原创 机器学习sklearn入门：归一化和标准化

本文介绍了数据预处理中的归一化和标准化方法。归一化（MinMaxScaler）将数据线性变换到指定范围（默认[0,1]），适用于限定输入范围的情况；标准化（StandardScaler）将数据转换为均值为0、方差1的分布，适用于需要正态分布的算法。两种方法都可通过scikit-learn实现，支持一步转换(fit_transform)和逆向转换(inverse_transform)。归一化适合神经网络输入和图像处理，标准化适合PCA、线性回归等算法。文章还演示了改变归一化范围和使用标准化查看统计量的具体代码

原创 随机森林回归树

bg：用来计算缺失项，内容挺多的，还写不出来，有空再回去看看。

原创 机器学习sklearn入门：使用泰坦尼克号数据预测生存和使用网格搜索寻找最佳参数

摘要：本文展示了使用决策树对泰坦尼克号数据进行分类预测的过程。首先通过pandas进行数据预处理，包括缺失值填补、分类变量转换等。然后比较了两种参数优化方法：1)通过for循环结合交叉验证寻找最佳树深度；2)使用GridSearchCV网格搜索同时优化多个参数（分裂方式、准则、最大深度等）。结果表明网格搜索能更高效地找到最佳参数组合。整个过程涉及数据清洗、特征工程、模型训练和参数调优等关键步骤，体现了Scikit-learn在机器学习项目中的实际应用。

原创 机器学习sklearn入门：使用KNN模型分类鸢尾花和使用交叉验证进行简单调参

Scikit-learn是一个优秀的机器学习库，简化了机器学习流程，特别适合新手学习。以Iris数据集为例，使用K近邻(KNN)分类器进行训练和预测，通过train_test_split划分训练集和测试集。通过交叉验证评估模型性能，并采用网格搜索方法寻找最优的n_neighbors参数（遍历1-10值），用matplotlib可视化参数与准确率的关系。结果表明KNN模型在Iris数据集上表现良好，且参数调优能进一步提升模型准确率。

原创 Python入门之——Pandas plot简单画图

摘要：本文展示了使用Python的pandas和matplotlib库进行数据可视化的基本方法。代码首先生成了包含100个随机数的Series对象并进行累加，然后创建了一个包含4列1000行随机数的DataFrame并计算累加值。通过plot()方法绘制了4列数据的趋势线图，以及使用scatter()方法绘制了A列与B列、A列与C列的散点图，并添加了颜色和标签区分。这些简单的示例演示了如何利用pandas内置的绘图功能快速实现数据可视化。

原创 Python入门之——Pandas合并Concat

本文演示了使用Pandas进行DataFrame合并的几种方法：1)使用concat()函数进行纵向(axis=0)和横向(axis=1)合并；2)通过ignore_index参数重置索引；3)使用join参数控制合并方式(inner取交集)；4)使用_append()方法追加数据。示例展示了如何处理不同索引和列名的DataFrame，以及合并后缺失值的填充情况。这些操作适用于数据整合与清洗场景。

原创 Python入门之——Pandas处理丢失数据和导入导出

本文演示了使用Pandas处理NaN值的几种方法。首先创建了一个6行4列的DataFrame，然后通过iloc方法在第0行1列和第1行2列插入NaN值。主要展示了两种处理NaN的方式：1) 使用dropna()删除包含NaN的行(axis=0, how='any')；2) 使用fillna(0)将NaN值替换为0。最后介绍了检查DataFrame中是否存在NaN的方法：df.isnull()和np.any(df.isnull())。这些方法为数据清洗提供了基础工具。

原创 Python入门之——Pandas设置值

这篇文章摘要介绍了如何使用Pandas进行数据操作，主要包括： 创建DataFrame并修改特定单元格值（使用iloc和loc定位） 条件修改数据（如将A列大于4的值设为0） 添加新列（包括添加空列和带值的列） 使用numpy生成数据并重新塑形 日期索引的使用方法 这些操作展示了Pandas在数据处理中的基础应用，包括数据定位、条件筛选和列操作等功能。

原创 Python入门之——Pandas选择数据

摘要：本文记录了Pandas和NumPy的基础操作学习过程。主要内容包括：创建Series和DataFrame对象，使用日期序列作为索引，通过多种方式构建表格（随机数、范围数组、字典形式），以及常用的数据操作如转置、排序、筛选等。重点演示了.loc和.iloc索引方法的使用区别，以及条件筛选数据的技巧。这些操作展示了Pandas处理结构化数据的基本能力，为后续数据分析工作打下基础。

原创 Python中numpy库入门

本文展示了NumPy的基本数据处理功能，包括数组创建（np.array、np.zeros、np.empty）、数值序列生成（np.arange、np.linspace）、数组操作（reshape、数学运算）、以及常用统计方法（sum、max、min）。特别演示了矩阵乘法（np.dot）和维度运算（axis参数），适用于数据分析和科学计算场景。代码示例简洁清晰，可作为NumPy入门的快速参考。

原创 Pycharm中Jupyter Notebook 插件常用快捷键

Jupyter Notebook快捷键指南 Jupyter Notebook提供了一系列高效快捷键，让数据探索更便捷：执行单元格可用Shift+Enter(执行并跳转)、Ctrl+Enter(执行不跳转)或Alt+Enter(执行并插入新单元格)；单元格操作包括Esc+A/B(上下插入)、Esc+D+D(删除)、Esc+M/Y(切换Markdown/Code格式)；其他功能如Esc+L可显示/隐藏行号。这些快捷键与LINQPad类似，都旨在提升交互式编程效率，特别适合需要频繁查看中间结果的场景。

原创 机器学习库scikit-learn的安装

如何在Windows安装scikit-learn 通过pip在Windows安装scikit-learn的步骤： 打开命令提示符终端 输入命令：pip install scikit-learn 验证安装： 方法1：终端输入 python -c "import sklearn;print(sklearn.version)" 方法2：运行Python代码： import sklearn print("scikit-learn版本:",sklearn.version) 该安

原创 Python学习小结

本文总结了Python面向对象编程的几个特点：1)不支持方法重载，但可通过args实现可变参数；2)类字段默认公共，无严格字段属性区分；3)使用def定义方法，构造方法为__init__；4)创建对象无需new关键字；5)类定义直接使用class关键字。通过Student类的示例展示了构造函数、方法定义和对象调用的语法。与C#/Java不同，Python因动态语言特性无需方法重载，可通过参数灵活处理实现类似功能。文中示例说明了如何使用args处理不同参数数量的情况。

原创 .NET 多线程题目汇总

2、让两个线程A和B将自己的ID轮番写入一个文件中，每个线程重复十次写入后执行一个回调函数，说“I'm OK”1、交替输出奇数和偶数。

原创 SQL Server删除

【亲测20+遍【不重装系统】将 SQL Server 卸载干净】 https://www.bilibili.com/video/BV1U142117st/?