时光琥珀

WSL2+miniconda+Jupyter notebookwin11下构建的开发环境，顺便熟悉一下Linux下的开发 cuda、cuDNN可以直接在win下处理，会直接集成到WSL2，可用nvidia-smi查看相关信息 WSL2安装 安装 WSL | Microsoft Learn minicond安装 Miniconda — miniconda 文档 conda包含了包管理和环境管理，很方便 1234567# 免不了 conda 换源conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forgeconda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/conda config --a ...

回顾了以前学的内容，纯纯的只学命令而没有真的在linux下整过什么东西，恶补有关内容，真正拥抱这个社区 最近重新把 win+wsl2 拿起来，发现 nvidia 的 cuda 在 win 下安装后通过某种方式直接集成到wsl中了，vscode也接入了wsl，准备日后学习和工作迁移到linux上 拾遗GNU计划 GNU - 维基百科 名称是GNU’s Not Unix!的缩写 Linux操作系统包涵了Linux内核与其他自由软件项目中的GNU组件和软件，可以被称为GNU/Linux 其内容软件完全以GPL方式发布 POSIX标准 可移植操作系统接口（Portable Operating System Interface of UNIX） 定义了应用程序和操作系统之间的接口，以及命令行shell和程序接口，以实现软件的可移植性 常见的Linux, BSD, macOS, iOS, Android等操作系统均遵循POSIX 开源许可证 宽松式：BSD、MIT、Apache2 Copyleft：GPL（传染性）、LGPL、AGPL、Mozilla（MPL） 选择时可以看那张经典的 ...

Convolution Neural NetworkDigit Recognizer | Kaggle 最近基本补完了卷积的相关知识，拿 MNIST 来实践巩固一下，torch封装的确实好，定义完网络基本就是调参，对外屏蔽了太多的细节，但对于开发者来说就可以把精力花在对具体问题的分析和解决上（努力达到这个目标！） 准备以这个实验为例子，仔细记录和分析一下CNN重点知识&代码相关的内容 在参考的时候还看到有纯数学实现的CNN网络，太逆天了 同样使用 pytorch 构建 CNN，score 为 0.99035 可以通过数据增强等方法进一步提升模型精度 Notebook基本的一些库，包括torch, numpy, pandas, matplotlib, sklearn，都是必须的库 有用到TensorDataset, DataLoader，进一步标准化训练流程，也是为了防止显存溢出（最后预测的代码段如果不分batch，会报显存 out of memory） 最后，device判断 GPU 是否可用，使用 Kaggle 平台的 GPU P100，有卷积层的情况下，CPU 和 GP ...

Titanic_PyTorchTitanic - Machine Learning from Disaster | Kaggle 目标是对泰坦尼克号的幸存者做预测，一个很好的试验田 使用 pytorch 构建的 DNN 进行训练和预测，准确率约 0.772 通过查看相关文章，实验数据存在一定的特殊性，高准确率基本都是先通过特征分析选取强特征再使用决策树（随机森林）的方式进行判断 总结了一下大致的过程： 载入数据 分析数据 预处理数据（空值，独热编码，标签，标准化，类型转换） 网络模型定义（网络，损失函数，优化器，超参数） 训练（mini-batch SGD） 预测 在 CPU 和 GPU 上都实现了一下，但是数据量小看不太出来差异，同时也需要对测试数据进一步划分以求出最佳epoch 其实还可以进一步加入 Kfold 操作，对各种超参数也没有怎么理解 Notebook1234567import numpy as np # linear algebraimport pandas as pd # data processing, CSV file I/O (e.g. pd.read_ ...

Games101总结时隔两年，当初的很多东西都快遗失了，简单做一个笔记备份，彻底和本科阶段的学习做个告别 记录从前对图形学的热枕 01 - 101光栅化，几何，光线追踪，动画（模拟） 相关学科 线性代数，微积分，统计 光学，力学 信号处理，数值分析 美学 线性代数 向量点乘 向量叉乘：右手螺旋定则，例子：已知两轴确定坐标轴，判定左右内外 x×y=z右手坐标系，a×a=0（0向量） 矩阵 矩阵*向量 变换 转置，逆，单位矩阵，伴随矩阵，向量乘法转矩阵形式（点乘和叉乘） Games101-Transformation提纲 Modeling Viewing scale缩放 $$\left[ \begin{matrix} x’ \ y’ \end{matrix}\right]\left[ \begin{matrix} s_x & 0 \ 0 & s_y \end{matrix}\right]\left[ \begin{matrix} x \ y \end{matrix}\right]$$ scale matrix $$\left[ \ ...

stl的容器利用缺省的Alloc参数为自己分配内存，Alloc就是stl的空间配置器，用于空间的管理 12template <class T, class Alloc = alloc>class vector {} 空间配置器由内存池，链表来具体实现对空间的分配、回收和管理 在一个对象的创建和销毁时(new和delete)，各需要经历了两个步骤 创建 分配空间 用构造函数构造对象 销毁 析构 释放空间 注意区分::operator new和placement new 进一步抽象，就像房子和内部物体结构，同样可以在上面的步骤中，将空间管理和具体结构管理分开 见框架图 构造：调用placement new在指定的位置上设定初值 析构：析构指定位置的东西 空间的管理使用一块内存而不加管理会导致很多问题，诸如向系统堆栈（system heap）请求空间，内存不足，内存碎片等 针对内存碎片，有双层级配置器 对于内存不足和请求system heap，有内存池（memory pool） 为什么不只用一级配置器，malloc似乎也可以分配小空间？ 防 ...

此篇为阅读《Inside The C++ Object Model》时对其中相对重要的 data 语义和 function 语义的一些记录 data语义 编译器一般将多个access sections连锁在一起形成一个区块，这个操作不会降低效率，诸如多个public域 C\C++的边界调整有可能会在中间插入若干bit（类似c的结构体内存对齐） 编译器会自动生成一些内容以支撑对象例如vptr，一般vptr会被插入对象的开头或结尾，依赖编译器的处理 123456789// static data member 不从属于class// 对其的引用会得到一个指向其数据类型的指针,如下struct Test { static const int st_con = 10;};int main() { auto pt = &Test::st_con; //pt is const int*} 所以这时，当两个class都有同名static data member则会产生冲突，此时编译器为每个static data member编码（name ...

版本问题，speedtree7的树库导入speedtree8后会出bug，据说会在下一个版本解决 解决方法就是ue4中把贴图的alpha通道直接连接到opacity 通过修改 修改成：

C++高级宏操作最近在看一个c++各数据类型和 JSON 或 xml 互转的库，重点阅读了其中宏的编写 xpack项目链接 123456// 结构体格式如下struct User{ long uid; string name; XPACK(A(uid, "id"), O(name)); //用于指示各变量的特殊操作} 1234#define XPACK(...) \ X_PACK_COMMON \ X_PACK_DECODE_BEGIN X_PACK_N(X_PACK_L1, X_PACK_L1_DECODE, __VA_ARGS__) } \ X_PACK_ENCODE_BEGIN X_PACK_N(X_PACK_L1, X_PACK_L1_ENCODE, __VA_ARGS__) } 结构体中的变量数目不定，采用可变参数宏： ...和__VA_ARGS__配合使用，...处填充的内容将填充到___VA_ARGS__处 __VA_ARGS__替换最后一个具体参数后所有内容包括逗 ...

Gamma校正详解参考阅读 LearnOpenGL 首先，物理上灰度的变化是平滑的，两倍的光子就产生两倍的灰度变化，是线性的，但是在人眼中就不同了，人眼对暗部更加敏感，是非线性的 打个比方就是在暗处 0.5 倍的物理光子变化，在人眼中可能变化了 2-3 倍，而在亮处，要让人感到 2 倍的亮度变化，光子可能需要增加 3-4 倍 如上图，线性空间（物理空间）中的 0.2 在人看来就是美术意义上的中灰 简易的一个例子假设自然界中一个 0.218 的灰度，在人眼中就是 0.5 用相机等光学元件记录时，记录的就是 0.218（大多数数码相机以线性方式记录光线） 经过 gamma 校正（gamma 编码），0.218 通过传递函数以 0.5 存储在硬盘中（这一步在现实中，由绘图软件本身做了，存储在 jpg 等格式的文件中） 显示时经 gamma2.2 压暗，以 0.218 的光显示，人眼中就是 0.5，和最开始直接观察一致 如果不校正直接存储在硬盘中，经过 gamma2.2 的压暗输出 0.035，人眼中就是 0.218，结果我们直接看到了线性空间，就是图一的第二行，导致图片的视觉效果非常 ...