本笔记为日更笔记，如果没更，直接踹我的私信ヽ（≧□≦）ノ本笔记截图来自于：阿里云云计算助理工程师ACA认证_阿里云认证_阿里云培训中心-阿里云(aliyun.com)第一章云计算基础一、数据中心概述目标：了解，认识数据中心是什么数据中心，简称IDCInternetDataCenter（互联网数据中心）作用上来看，就是对数据进行集中管理（存储，计算，交换）1，数据中心的定义（1）Wiki：是一整套复杂设施，包含计算机系统和其他配套设备，还包含冗余的数据通信连接，环境控制设备，监控设备和各种安全装置（2）Google：能容纳多个服务器和通信设备，不仅仅是服务器的集合2，数据中心设计的主要标准与规范
前言 接触FPGA有一段时间了，期间也做了一些实践实验，虽然最终也是能做出来，可是接触的越多越觉得自己对于这个方向的基础知识的了解还不够系统，很多地方似懂非懂，看网上的教程也都是为了当前实验服务，这让我心里很是没底。对比我的导师们，我认为那个年代的人学东西都是很系统很详细的，简单来说就是功夫足够扎实。如今因为各种博客、B站视频教程等等，都为我们的学习带来了便利，但与此同时，我们很难再沉下心来认认真真读一本书了，与舍友的沟通也得出了不能光做项目，要多抓底层理论知识的结果。所以，我认为既然选择入行FPGA就应该扎扎实实的去啃基础知识。无意间读到了《FPGA之道》这本书，虽然超级厚，但
💙个人主页:GoAI|💚公众号:GoAI的学习小屋|💛交流群:704932595|💜个人简介：掘金签约作者、百度飞桨PPDE、领航团团长、开源特训营导师、CSDN、阿里云社区人工智能领域博客专家、新星计划计算机视觉方向导师等，专注大数据与人工智能知识分享。1️⃣扩散模型💻文章目录《深度浅出AIGC（一）：扩散模型简介》深度浅出AIGC（一）：扩散模型简介💻本篇导读：本系列主要介绍AIGC方向文章，包括stablediffusion扩散模型介绍、文生图、图生视频等方向理论与基础实战，分享AIGC开源工具的使用，该系列适合方便小白学习，本篇为第一篇《深度浅出AIGC（一）：扩散模型简介》。第一章扩
本文为3DGSpaper的部分翻译。基于点的𝛼混合和NeRF风格的体积渲染本质上共享相同的图像形成模型。具体来说，颜色𝐶由沿射线的体积渲染给出：其中密度𝜎、透射率𝑇和颜色c的样本是沿着射线以间隔𝛿𝑖采集的。这可以重写为典型的基于神经点的方法通过混合与像素重叠的N个有序点来计算像素的颜色𝐶：其中c𝑖是每个点的颜色，𝛼𝑖是通过评估一个2D高斯，用协方差Σ乘以学习的每点不透明度。从等式2，3可以清楚地看到成像模型是相同的。然而，渲染算法却有很大不同。NeRF是隐式表示空/占用空间的连续表示；需要昂贵的随机抽样才能找到等式2中的样本。随之而来的噪声和计算开销。相比之下，点是一种非结构化、离散的表示形式
一、硬件准备：ZYNQ7020，联网笔记本，网线，UART串口线等。ZYNQ7020没有wifi模块，只有一个千兆网口，可通过网线直接连接到路由器或者连接到笔记本电脑共享网络。通过笔记本共享无线网络比较方便，利于调试，本文主要阐述其实施步骤，以win10系统为例。二、实施步骤1.ZYNQ7020上电，连接USB转串口(UART）和千兆网口。ZYNQ各接口详细连接如下图所示。2.笔记本电脑网络配置：打开设置查看网络状态，可以新增以太网这一网络，点击网络共享中心和更改适配器。在网络共享中心可得知以太网还无法联网。点击更改适配器后，继续点击WLAN的属性，在属性-共享中从上至下依次点击，注意在家庭网
目录一、Docker简介二、安装Docker2.1、卸载旧版2.2、配置Docker的yum库2.3、安装Docker2.4、启动和校验2.5、配置镜像加速2.5.1、注册阿里云账号2.5.2、开通镜像服务2.5.3、配置镜像加速三、快速入门3.1、部署MYSQL3.2、命令解读四、Docker基础4.1、常见命令4.1.1、命令介绍4.1.2、案例演示4.1.3、命名别名4.2、数据卷4.2.1、什么是数据卷？4.2.2、数据卷命令4.2.3、挂载本地目录或文件4.3、镜像4.3.1、镜像结构4.3.2、Dockerfile4.3.3、构建镜像4.4、网络五、项目部署5.1、部署Java（S
RabbitMQ安装MQdockerrun\-eRABBITMQ_DEFAULT_USER=itheima\-eRABBITMQ_DEFAULT_PASS=123321\-vmq-plugins:/plugins\--namemq\--hostnamemq\-p15672:15672\-p5672:5672\--networkhmall\-d\rabbitmq:3.8-management可以看到在安装命令中有两个映射的端口：15672：RabbitMQ提供的管理控制台的端口5672：RabbitMQ的消息发送处理接口安装完成后，我们访问http://192.168.150.101:15672
YOLO(YouOnlyLookOnce)声名显赫，是检测领域一个基于回归思想的算法，已经成为机器人、无人驾驶汽车和视频监控应用的核心实时物体检测系统。目前已经从yolov1更新到了yolov8，本文参考网上的资料，对yolo各个版本进行一次全新的梳理总结。1.yolov1核心思想:把整张图片作为网络的输入，直接在输出层对bbox的位置和类别进行回归预测。 如图，yolo把整图分为个格子， 每个格子负责预测个边框，每个边框有5个属性和C个类别概率，所以输出为的张量，最后用NMS去除重复的检测结果。网络的输出搞清楚了，最重要的要清楚损失函数，即怎么训练，才能从原理上理解Yolo的思想。完整的损失
导语：自用的论文笔记SuS,GuanJ,ChenB,etal.NonnegativeMatrixFactorizationBasedonNodeCentralityforCommunityDetection[J].ACMTransactionsonKnowledgeDiscoveryfromData,2023,17(6):1-21.文章目录一、摘要二、文章创新点三、本文模型1.准备工作1、符号（Notations）2、相似度量（SimilarityMeasures）3、SymmetricNMF4、homophilypreservingNMFmodel(HPNMF)2.模型框架2.读入数据总结一
经过上一篇文章中对后端发展技术的总结，我认为我可以根据这个发展过程逐步增加自己项目中的技术点。因此，我需要设计一个具体的项目，不断往这个项目中增加内容。以下内容是我在gpt老师的帮助下共同完成的，内容很多，且目前还没设计完成，我将把笔记分成多个博客上传，下面上传的是到今天为止已经完成的部分。另外，我把实验过程上传到CSDN，一方面是为了督促自己学习，另一方面是为了方便查看笔记，所以会有自己的侧重点，也可能会有出错的地方，这是不够完美的笔记，请不要介意。以及，如发现错误，欢迎批评指正，感恩~智能家居管理系统1.0简介引言用户可以做什么相关技术一、概念结构设计1.1E-R图1.1.1实体与属性1.
