笔者的自学记录，供参考环境搭建与第一个Rust程序以Linux环境为例#下载并安装curl--proto'=https'--tlsv1.2https://sh.rustup.rs-sSf|sh#更新rustupupdate

【仅作自学记录，不出于任何商业目的】目录AD8210INA282INA240INA199AD8210【AD8210数据手册】在典型应用中，AD8210放大由负载电流通过分流电阻产生的小差分输入电压。

面向对象编程(中级部分)此为笔者个人笔记，如有错误还请指出关于IDEA只要不在DOS下允许，编码都用UTF-8在IDEA中，当run时，会先编译成一个.class文件，再运行.class文件在out文件夹中IDEA快捷键盘删除当前行ctrl+d复制当前行ctrl+alt+c补全代码alt+/ctrl+/添加注释去除注释快速导入类alt+enterctrl+shift+l查找ctrl+alt+l格式

自学记录用RayMarching字面意思就是：光线步进。

参考书：《精通Linux设备驱动程序开发》缘由：借了前辈的这本书研究一下，自学并记录开始时间：2023.3.22弄毕设有点闷，看这本书放松一下说明：每个人的理解都可以不同，笔者也不一定对的，同时笔者在用国内chatgpt3.5镜像问相关问题时，发现条件不同、问法不同，答案有些也会不同，设备驱动程序开发这块也的确可以根据具体需求而设计出不同的。3/22第1章引言，跳过第2、3章关于内核，昨天浅看了一

matlab自学记录（一）最最最基础的函数和一些简单示例*1.常量（特殊变量）ans-MATLAB中运行结果的默认变量名*（命令窗口中运算，系统会主动把结果赋值给ans变量）pi-圆周率Πeps-计算机中的最小数

1.1数学和python的复习今天，终于，借此机会，终于学会用命令行了！学习记录（感谢步老师！！！）需要注意的点是np.dot(),当参数是一维数组时，计算向量内积；当参数是二维数组时，计算矩阵乘积。>>>importnumpyasnp>>>x=np.array([1,2,3])>>>x.__class__#输出类名>>>x.shape(3,)>>>x.ndim1>>>W=np.array([[1

内容自学自B站AV244462117，P8~15该文仅为自学记录，并非教程，可能存在谬误系统环境：WIN10,UE4（引擎版本4.27.1），VisualStudio2022Community1.自定义资源类型

一、前言还记得在很久以前不知道什么时候，看到过一个TA的面经，里面提到了四元数和万向锁，当时自己也查了一些资料，但是看的也是云里雾里，恰巧这两天学校的动画原理课讲到了这，打算整理一下做个小结。二、方位的表达方式方位的表达方式有很多种，它们各有优缺点，所以每种方式都不能算是很完美，包括四元数也是，但四元数的提出是为了解决方位的插值问题，所以只需要它有这个优点就够了。我们本篇主要探讨的问题也正是方位的

一、DynamicRange—动态范围DynamicRange表示动态范围，检测DR，DR又分为LDR（LowDynamicRange）和HDR（HighDynamicRange）。它们都是表示亮度值范围的一种方式，那么有什么区别呢。1.LDRLDR的亮度范围是单通道8位精度0~1存储，也就是0~255这个范围。在伽马矫正中我们知道0~255，这些数字远不够表达自然界中那么丰富的细节，因此如果用L

Python自学记录之EMS项目练习学习来自:阿里云大学/通用技术/Python/Python语言基础2：列表、元组、字典、集合,这个练习取自其第一章EMS项目练习网站链接.纯小白练习总结：这个项目主要练习了列表的一些基本操作

1、正则表达式分普通字符和特殊字符#匹配str1="['https://img-blog.csdnimg.cn/af82c09f338d46f3bea2855f1ef14a79.webp']"#至str2="https://img-blog.csdnimg.cn/af82c09f338d46f3bea2855f1ef14a79.webp"url=re.compile(r'\[\'(.*?)\'\]

usingUnityEngine;usingUnityEngine.UI;usingSystem.Collections;usingUnityEditor;usingSystem.IO;usingSystem;usingSystem.Collections.Generic;usingUnityEngine.Networking;publicclassDJH_Unity:MonoBehaviour{

本文参考自深蓝学院课程，所记录笔记，仅供自学记录使用这里写目录标题逻辑回归二分类问题思路一：构建超平面分类思路二：估计样本的分布成本函数的优化逻辑回归算法流程感知机感知机成本函数感知机算法流程神经网络神经元的解释多层神经网络前向传播神经元前向传播的向量形式反向传播梯度下降权重求导输出层权重求导推广

本文参考自深蓝学院课程，所记录笔记，仅供自学记录使用pytorch框架初探深度学习框架Pytorch简介目前流行的深度学习框架pytorch的优势简单，与numpy语法类似pytorch只需设计前向传播过程

4.2损失函数#损失函数#均方误差defmean_squared_error(y,t):return0.5*np.sum((y-t)**2)#交叉熵误差def_cross_entropy_error(y,t):delta=1e-7return-np.sum(t*np.log(y+delta))#交叉熵损失函数defcross_entropy_error(y,t):ify.ndim==1:t=t.r

3.4.33层神经网络Python实现实现的是这个网络**init_network()**函数会进行权重和偏置的初始化，并将它们保存在字典变量network中。这个字典变量network中保存了每一层所需的参数(权重和偏置)。**forward()**函数中则封装了将输入信号转换为输出信号的处理过程。另外，这里出现了forward(前向)一词，它表示的是从输入到输出方向的传递处理。后面在进行神经网

CentOS安装：版本：服务器额外软件：FTP服务器设置网络和主机名：centos1.启动sshd远程访问,并加入到开机启动项目启动命令：systemctlstartsshd开机启动：systemctlenablesshd查看状态：systemctlstatussshd2.安装并启动FTP关闭防火墙与SELinux防火墙：systemctlstopfirewalldSELinux：setenfor

#多进程：一个程序运行过程中，产生了多个进程#多进程实现#n个正在运行的程序---至少n个进程#1个程序----可能只有一个进程，也可能有多个进程#引入进程类frommultiprocessingimportProcessimporttimedefrun1():print("任务执行了1！")time.sleep(5)defrun2():print("任务执行了2！")time.sleep(5)d

pyqt5多线程QThread自学记录在编写qt的时候不加入多线程，运行程序往往会导致主进程卡死，比如执行下载某视频或者其他执行比较耗时的程序，泛滥了博客，就是没有理解怎么进行槽函数的关联和传递的经过长时间的攻克

一、专有名词解释1.SystemonChip（Soc）Soc是把CPU、GPU、内存、通信基带、GPS模块等等整合在一起的芯片的称呼。常见有A系Soc（苹果），骁龙Soc（高通），麒麟Soc（华为），联发科Soc，猎户座Soc（三星），去年苹果推出的M系Soc，暂用于Mac，但这说明手机、笔记本和PC的通用芯片已经出现了。2.SystemMemory(物理内存)Soc中GPU和CPU共用一块片内L

其实这篇我是不想写的，因为网上资料真的非常非常多很多人都写过，但是我后来想了想，做笔记不就是这样吗，所以就写吧~。前置知识：深度测试Z-Buffer[计算机图形学]可见性与遮挡,Z-Buffer(前瞻预习/复习回顾)__Yhisken的博客-CSDN博客一、Early-ZEarly-Z顾名思义，中文就是提前深度测试。在传统渲染管线中，我们知道深度测试是在片元着色器之后的，这会造成一个问题，已经处理

一、前言Gamma矫正其实也属于我前面落下的一块内容，打算把它补上，其它的没补是因为我之前写的GAMES101笔记里已经涵盖了，而Gamma矫正在101里面确实没提到，于是打算把它补上，这块内容并不难，但是想通透的理解我觉的还是有难度的，尤其是关于Gamma矫正，它的原理其实很简单，就是1-1=0，但是想要完全解释的明白我觉得还是有一定困难，而且网上的绝大部分的资料讲解的有一定误导性，也可能是我理

1.Vector表示向量、矢量的意思，含有大小和方向；Vector3由名可得表示三维向量，包含想x,y,z三个分量（供自学记录）。

一、渲染路径渲染路径决定光照的实现方式。简言之，就是当前渲染目标使用光照的流程。二、渲染方式1.前向渲染（ForwardRendering）待渲染几何体→顶点着色器→片元着色器→渲染目标在渲染每一帧时，每个顶点/片元都要执行一次片元着色器代码，这时需要将所有的光照信息都传递到片元着色器中。虽然大部分情况下的光源都趋向于小型化，而其照亮的区域也不大，但即便是光源离这个像素所对应的世界空间中的位置很远

一、视频1.Coursera约翰霍普金斯大学HTML,CSS,andJavascriptforWebDevelopers课程这门课在Coursera上评分挺高的（4.8分），对HTML,CSS和Javascript都有讲解。作为初学者，HTML、CSS部分还是挺友好的，推荐配合一本中文书籍作为补充，看课之前可以先看一遍书上相关内容（相当于预习的作用），看视频会轻松一点。但由于课时原因，第四周开始的

该文仅为自学记录，并非教程，可能存在谬误系统环境：Win10,UE5(引擎版本5.0.0)Rider(2022.2EAP4build222.2964.37,Released:June10,2022)Rider

内容自学自B站AV244462117，P6该文仅为自学记录，并非教程，可能存在谬误系统环境：WIN10,UE4（引擎版本4.27.1），VisualStudio2022Community1.创建新插件在

该文仅为自学记录，并非教程，可能存在谬误系统环境：Win10,UE5（引擎版本5.0.0）在Epic的虚幻商城中购买的部分资产会直接安装到引擎目录中，若想将此类插件迁移至自己的工程中，侧需要进行一系列操作

内容自学自B站AV71207348，P27该文仅为自学记录，并非教程系统环境：WIN10,UE4（引擎版本4.27.1），VisualStudio2022Community1.资产浏览器右键选择新建控件蓝图

深度学习自学记录(3)——两种多分类混淆矩阵的Python实现(含代码),矩阵,样本,模型,类别,真实深度学习自学记录(3)——两种多分类混淆矩阵的Python实现(含代码)深度学习自学记录(3)——两种多分类混淆矩阵的

作者：@哈桑c（CSDN平台）⛺️专栏：前端自学记录文章目录文章简介说在前面的话需要具备的基础1、Layui的介绍2、Layui的下载和使用3、Layui示例4、Layuimini+layui-vue结语文章简介本文为大家介绍前端

WPF-计时器（自学记录）用的wpf为vs2017，应公司要求在采数时加入计时器，并一并保存下来。做个记录，主要为在WPF中，计时器的用法。

简介：Cesium是国外一个基于JavaScript编写的使用WebGL的地图引擎。Cesium支持3D,2D,2.5D形式的地图展示，可以自行绘制图形，高亮区域，并提供良好的触摸支持，且支持绝大多数的浏览器和mobile。主要功能：1.使用3dtiles格式流式加载各种不同的3d数据，包含倾斜摄影模型、三维建筑物、CAD和BIM的外部和内部，点云数据。并支持样式配置和用户交互操作。2.全球高精度

目录512.游戏玩法分析II534.游戏玩法分析III550.游戏玩法分析IV重难点569.员工薪水中位数578.查询回答率最高的问题重难点579.查询员工的累计薪水584ifnull的用法5852016的投资597好友申请总通过率602好友申请607销售员614二级关注者617平均工资：部门与公司比较618学生地理位置511写一条SQL查询语句获取每位用户第一次登陆平台的日期。题目解答思路：可以

一、什么是混合模式1.混合如，通过三原色的混合来得到一些新的颜色：2.混合模式二、混合模式有哪些1.PS混合模式的类型2.ShaderLab的混合混合的语法主要是Blend和BlendOpBlend控制源因子和目标因子，BlendOp控制操作符BlenOp如果不写，默认为Add操作(1)BlendfinalValue是GPU写入到目标缓冲区的值=sourceFactor源因子*sourceValu

作者：@哈桑c（CSDN平台）专栏：全栈开发自学记录文章目录什么是泛型约束？示例代码1、值类型约束（:struct）2、引用类型约束（:class）3、可为空引用类型约束（:class?）

alertView的使用letalertView=UIAlertView()alertView.delegate=selfalertView.alertViewStyle=UIAlertViewStyle(rawValue:2)!;alertView.title="标题"alertView.message="这个是UIAlertView的默认样式"alertView.addButton(withT

自学记录我在抓取公式末端试着添加strip（）来去除空白符，但未成功解决方法是：normalize-space()htm.xpath('normalize-space(//tr[{}]/td[2]/a/

目录可以自动生成，如何生成可参考右边的帮助文档SCI、UART和RS-232的区别前言一、SCI，UART和RS-232的概念1.SCI2.UART2.UART前言由于这几个概念很容易混淆，对其进行学习说明，自学记录

文章目录写在前面什么是单因素方差分析单因素方差分析的原理单因素方差分析的零假设单因素方差分析的备选假设单因素方差分析的应用条件数据实操正态分布的检验参数检验与非参检验满足正态分布（参数检验）参数设置结果分析检验方法的选择不满足正态分布（非参检验）Kruskal-Wallis秩和检验如何进行两两比较总结写在前面自学记录用

深度学习自学记录(3)——两种多分类混淆矩阵的Python实现(含代码)1、什么是混淆矩阵2、分类模型评价指标3、两种多分类混淆矩阵3.1直接打印出每一个类别的分类准确率。

（供自学记录）一.通过Cinemachine提供的组件，我们实现让摄像头沿着自定义的轨道进行运动，整个功能的实现由三部分构成。①.虚拟摄像机（VirtualCamera）②.轨道路径（DollyT

第五讲gradient_decent源代码和stochastic_gradient_decent源代码。B站刘二大人，传送门用PyTorch实现线性回归参考错错莫课代表的PyTorch*深度学习实践第5讲*笔记：源代码如下（加入了可视化）：importtorchimportmatplotlib.pyplotasplt#firstlypreparedatesetx_data=torch.tensor

B站刘二大人，传送门PyTorch深度学习实践——逻辑斯蒂回归参考错错莫课代表的PyTorch*深度学习实践第6讲*https://blog.csdn.net/bit452/article/details/109680909笔记：1.逻辑斯蒂回归是个分类模型，和之前的线性回归相比，就是在LinearUnit后面增加sigmoid函数。不同分布的差异：KL散度，cross-entropy交叉熵BCE

B站刘二大人，传送门PyTorch深度学习实践——处理多维特征的输入https://www.bilibili.com/video/BV1Y7411d7Ys?p=7&vd_source=7f566d315de0869cb5d989e64824dcbd参考错错莫课代表的PyTorch*深度学习实践第7讲*https://blog.csdn.net/bit452/article/details/1096

B站刘二大人，传送门PyTorch深度学习实践——加载数据集https://www.bilibili.com/video/BV1Y7411d7Ys?p=8&vd_source=7f566d315de0869cb5d989e64824dcbd参考错错莫课代表的PyTorch*深度学习实践第8讲*https://blog.csdn.net/bit452/article/details/10968647

声明：本文系转载，只为自学记录，原文https://www.cnblogs.com/silence-cho/p/10926248.html，如有侵权请联系opencv是一个强大的图像处理和计算机视觉库，

OpenCV自学记录（6）——连通域处理函数cv2.connectedComponentsWithStats（）和cv2.connectedComponents（）1、两个函数介绍1.1什么是连通域1.2cv2

第2讲linear_model源代码和课后题。B站刘二大人，传送门PyTorch深度学习实践——线性模型参考错错莫课代表的PyTorch深度学习实践第2讲任务模型如下代码如下importnumpyasnpimportmatplotlib.pyplotaspltx_data=[1.0,2.0,3.0]y_data=[2.0,4.0,6.0]defforward(x):returnx*wdefloss