网络聚合 - 沙漠渔溏

沙漠渔

把過去的累積，善用到當下

累计撰写 2,458 篇文章
累计创建 385 个标签
累计收到 994 条评论

标签搜索

目录CONTENT

以下是网络聚合相关的文章

2024-03-27
『聚合』 d3d12龙书阅读----绘制几何体（上） d3d12龙书阅读----绘制几何体（上）本节主要介绍了构建一个简单的彩色立方体所需流程与重要的api 下面主要结合立方体代码分析本节相关知识顶点输入装配器阶段的输入首先，我们需要定义立方体的八个顶点顶点结构体： struct Vertex { XMFLOAT3 Pos; XMFLOAT4 Color; }; 当然，对于更复杂的情况，我们不仅要定义顶点的位置与颜色，还要包括法线向量、纹理x坐标、纹理y坐标等等但在这里情形比较简单之后，我们还需要定义一个顶点结构体描述子数组，被称为输入布局描述数组中的每个成员与顶点结构体的成员一一对应，
- 2024-03-27
- 96
- 0
- 0
- 网络聚合
2024-03-27
『聚合』 BWO白鲸优化算法白鲸算法白鲸算法(BWO)是一种新的元启发式算法，是一种基于群体的算法，其灵感来自于白鲸的行为，包括游泳，猎物和鲸落。在BWO的数学模型中构建了勘探，开发和鲸落阶段，并在开发阶段利用Levy飞行函数来提高BWO的收敛能力。勘探阶段由于BWO基于种群的机制，将白鲸作为搜索代理，每条白鲸都是一个候选解，在优化过程中不断个更新。搜索代理位置的矩阵建模为： n代表白鲸种群大小，d是变量的维度。对于所有的白鲸，它们的适应度如下： BWO算法可以根据平衡因子Bf从勘探过渡到开采，其建模为： T代表当前迭代次数，Tmax是最大迭代次数，
- 2024-03-27
- 168
- 0
- 0
- 网络聚合
2024-03-27
『聚合』 GPT-SoVITS教程,接入酒馆AI,SillyTavern-1.11.5,让AI女友声若幽兰本次分享一下如何将GPT-SoVITS接入SillyTavern-1.11.5项目，让让AI女友声若幽兰，首先明确一下，SillyTavern-1.11.5只是一个前端项目，它没有任何大模型文本生成能力，所以后端必须有一个api服务来流式生成对话文本，这里选择koboldcpp。首先看一下简单的项目运行架构图：这里SillyTavern作为前端负责向后端的Koboldcpp发起请求，Koboldcpp流式返回文本，SillyTavern接受聊天文本进行展示，当文本接受完毕后，SillyTavern再次向后端的GPT-SoVITS发起请求，将全量文本传递给后端GPT
- 2024-03-27
- 668
- 0
- 0
- 网络聚合
2024-03-27
『聚合』 AntvG6-graph图谱工具 1 快速上手 1.1 在项目中使用 npm 包引入 Step 1: 使用命令行在项目目录下执行以下命令 npm install --save @antv/g6 Step 2: 在需要用的 G6 的 JS 文件中导入 import G6 from '@antv/g6'; 1.2 在 HTML 中使用 CDN 引入 <script src="https://gw.alipayobjects.com/os/antv/pkg/_antv.g6-{$version}/build/g6.js"></script> 注意在&n
- 2024-03-27
- 196
- 0
- 0
- 网络聚合
2024-03-27
『聚合』一口气搞懂分库分表 12 种分片算法，大厂都在用大家好，我是小富～前言本文是《ShardingSphere5.x分库分表原理与实战》系列的第五篇文章，我们一起梳理下ShardingSphere框架中的核心部分分片策略和分片算法，其内部针为我们提供了多种分片策略和分片算法，来应对不同的业务场景，本着拿来即用的原则。这次将详细介绍如何在ShardingSphere-jdbc中实战 5 种分片策略和 12 种分片算法，自定义分片算法，比较它们的应用场景以及优劣。全部demo案例 GitHub 地址：https://github.com/chengxy-nds/Springboot-Notebook/tr
- 2024-03-27
- 218
- 0
- 0
- 网络聚合
2024-03-27
『聚合』【VMware ESXi】HP Z4G4 Workstation安装ESXi停留在Shutting down firmware services...的解决办法。家里有台HP Z4G4 Workstation工作站，底层安装运行了VMware的ESXi Hypervisor，作为Homelab的All in one环境。之前安装ESXi 8的时候有个问题，在启动ESXi安装阶段，一直停留在“Shutting down firmware services...”这个地方。我知道可能大多数人遇到的问题都是如下报错，解决方法也是在安装向导前按Shift+O，添加ignoreHeadless=TRUE参数。 Shutting down firmware services… Using 'simple offset' UEFI RTS
- 2024-03-27
- 335
- 0
- 0
- 网络聚合
2024-03-27
『聚合』一个基于.NET Core构建的简单、跨平台、模块化的商城系统前言今天大姚给大家分享一个基于.NET Core构建的简单、跨平台、模块化、完全开源免费（MIT License）的商城系统：Module Shop。商城后台管理端功能商品：分类、品牌、单位、选项（销售属性）、属性、属性模板、属性组。销售：订单、物流。内容：首页配置、评论、回复。配置：国家、用户、仓库、运费、高级设置。系统：系统信息、样本数据。商城微信小程序功能商城首页、搜索功能。分类首页、分类商品、新品首发、人气推荐、商品页面等、可通过后台配置。商品详情页面，包含加入购物车、收藏商品、商
- 2024-03-27
- 150
- 0
- 0
- 网络聚合
2024-03-27
『聚合』 WPF实现html中的table控件前言　　相信很多做WPF开发的小伙伴都遇到过表格类的需求，虽然现有的Grid控件也能实现，但是使用起来的体验感并不好，比如要实现一个Excel中的表格效果，估计你能想到的第一个方法就是套Border控件，用这种方法你需要控制每个Border的边框，并且在一堆Bordr中找到Grid.Row，Grid.Column来确定位置，明明很简单的一个功能，硬是耗费了大量时间。Grid的这种设计虽然功能很强大，但是同时也导致了操作繁琐可读性非常差的问题。此时做过web开发的人肯定很想念html中的table元素，没错，我也是这样想的，如果能把html中的table元素搬到WPF中，那问题就轻松
- 2024-03-27
- 166
- 0
- 0
- 网络聚合
2024-03-27
『聚合』缺失值填充缺失值填充拿到的数据或多或少都不是立即可以用的，对于一些可能因为各种主观或者客观原因导致缺失的情况我们需要进行缺失值处理，尽可能地保留更多地数据。多重插补法（1）插补：将不完整数据集缺失的观测行估算填充m次。请注意，填充值是从某种分布中提取的。模拟随机抽取并不包含模型参数的不确定性。更好的方法是采用马尔科夫链蒙特卡洛模拟（MCMC，Markov Chain Monte Carlo Simulation）。这一步骤将生成m个完整的数据集。（2）分析：分别对（m个）每一个完整数据集进行分析。（3）合并：对来自各个填补数据集的结果进行综合，产生最终的统计推断，这一推断考虑
- 2024-03-27
- 177
- 0
- 0
- 网络聚合
2024-03-27
『聚合』 .NET Emit 入门教程：第五部分：动态生成方法（MethodBuilder 与 DynamicMethod）前言：当我们涉及到在运行时生成和定义方法时，便需要使用到C#中的两个关键类之一：MethodBuilder 或 DynamicMethod。这两者都属于反射（Reflection.Emit）的一部分，允许我们以动态的方式创建方法。两者各有侧重，使用方式大体相同，本篇文章我们先介绍 MethodBuilder，再介绍 DynamicMethod，最后再总结两者的区别。 1、MethodBuilder 介绍： MethodBuilder 是一个强大的工具，用于在动态程序集中创建方法。如果你需要构建整个类型（包括字段、属性
- 2024-03-27
- 196
- 0
- 0
- 网络聚合
2024-03-27
『聚合』无人机照片贴地实现 1. 引言将无人机拍摄拍摄的影像作为底图可以实现快速甚至实时的更新，这对于应急指挥（如，森林防火）有着很大的意义常规的做法是使用无人机拍摄一组照片，然后将这一组照片放入生产软件（如，ContextCapture）生产正射影像，然后地图切片发布这里记录的是另一种做法，直接将无人机照片贴地，这种方式速度很快，几乎无需后台处理，照片细节完整保留，当然这种方式存在着误差，尤其地势起伏较大的地方可能并不适用 2. 实现过程这里先有以下设定：无人机拍摄的影像都是竖直向下的类似正射的照片（不是类正射的照片贴地视角会很奇怪）无人机的朝向是正北方向
- 2024-03-27
- 131
- 0
- 0
- 网络聚合
2024-03-27
『聚合』决策树模型(2)特征选择特征选择特征选择问题特征选择顾名思义就是对特征进行选择性截取，剔除掉冗余特征。这样能够减少决策树的复杂度。比如在上面两图中，左图通过年龄来对样本进行分类，而右图通过工作对特征进行分类，二者究竟孰好孰坏，这是需要进行比较的。一个非常直接的想法就是仅用选择的特征去训练模型，然后得出用各个特征的准确率。但是显然这样做过于繁琐与复杂，通常特征选择的准则是信息增益或信息增益比。信息增益与信息增益比信息增益描述了在得知已知信息(特征X)的情况下能够使得类别Y的信息的不确定性减少的程度。比如说，在不知道任何样本的特征信息情况下，我们知道Y的不确定性程度为0.7，现在你知道了
- 2024-03-27
- 142
- 0
- 0
- 网络聚合
2024-03-27
『聚合』【虚幻引擎】DTWebSocketServer 蓝图创建WebSocket服务器插件使用说明本插件可以使用蓝图创建WebSocket服务器，并监听响应数据。下载地址在文章最后。 1. 节点说明 Create Web Socket Server – 创建WebSocket服务器对象并开启监听创建一个WebSocket服务器对象，并监听相应端口，连接地址为 ws://IP:PORT, 比如ws://192.168.1.5:9001 返回的对象需要提升为变量，以后就是用这个对象去操作。 Bind – 绑定回调函数绑定服务器回调函数 User Open ：用户连接的时候回调。 User Close ：用户断开
- 2024-03-27
- 137
- 0
- 0
- 网络聚合
2024-03-27
『聚合』 RMI反序列化分析 RMI介绍 RMI全程Remote Method Invocation （远程方法引用），RMI有客户端和服务端，还有一个注册中心，在java中客户端可以通过RMI调用服务端的方法，流程图如下：服务端创建RMI后会在RMI Registry（注册中心）注册，之后客户端都是从注册中心调用方法，RMI分为三个主体部分： Client-客户端：客户端调用服务端的方法 Server-服务端：远程调用方法对象的提供者，也是代码真正执行的地方，执行结束会返回给客户端一个方法执行的结果 Registry-注册中心：其实本质就是一个map，相当于是字典一样，用于客户端查询
- 2024-03-27
- 126
- 0
- 0
- 网络聚合
2024-03-27
『聚合』使用 Kotlin DSL 编写网络爬虫本博文将会通过一个网络爬虫的例子，向你介绍 Kotlin 的基本用法和其简洁有力的 DSL。关于DSL 按照维基百科的说法，DSL(domain-specific language) 是一种专注于某一特定应用领域的计算机语言。和我们常用的通用目的型语言（类如 C，Java，Python 等）相反，DSL 并不承诺可用来解决一切可计算性问题。DSL 设计者聚焦于某一特定的场景，通过对 DSL 的精心设计，让使用者在这一场景下能够用该 DSL 简洁高效地表达出自己的想法。例如在数据库领域，SQL 就是一种被用作“查询”的 DSL；在 Web 开发领域，用 HTML 这种 DSL 来
- 2024-03-27
- 121
- 0
- 0
- 网络聚合

22
23
24
25
26