在这辞旧迎接之际，心存感恩，放眼未来。祝宝妈妈宝，幸福快乐；祝国泰民安，政通人和。祝百融云创系，生意兴隆；祝公司老板们，大展宏图；祝同事同行er，身心健康。祝同学朋友们，事业有成；祝读者粉丝er，日新月异。祝家人亲戚们，家和事兴；祝自己雷文武，与时俱进。一、2022简要总结1、工作总体还行，近期暂无饭碗危机，在部门的排名（如果有）应该在前1/3，不太可能在后1/3。今年有2次长达1个月左右的居家办公，影响还是有的。5月，居家办公，项目事情挺多的，但是那个时候就是全年的工作高峰期，搞定了，后面就越来越轻松了。从国庆放假开始，就感觉一直在休息，除了少数时候，因为主要工作，年度目标，基本可以达成了。
1.原理简介1.1因素集与评价集因素集（又称“评价指标”，是我们要选取的评价对象）上式中U称为因素集，里面含有m个待评价的对象。例：当评价花店中某一品种的花时U={花色，花香，样式，价格}评价集（是我们给待评价对象设置的评级等级）（一般划分为3~5个等级）上式中V称为评价集，里面含有n个评价等级。例：当评价花店中某一品种的花时V={很受欢迎，欢迎，一般，不受欢迎} 1.2 评价指标权重向量概念介绍上式中A为权重向量，里面每一个元素代表每一个待评价的指标占待评价对象的权重。例：当评价花店中某一品种的花时A={0.4,0.4,0.1,0.1}表示：花色在评价这中花的权重为0.4花香在评价这中花的权
1.原理简介1.1因素集与评价集因素集（又称“评价指标”，是我们要选取的评价对象）上式中U称为因素集，里面含有m个待评价的对象。例：当评价花店中某一品种的花时U={花色，花香，样式，价格}评价集（是我们给待评价对象设置的评级等级）（一般划分为3~5个等级）上式中V称为评价集，里面含有n个评价等级。例：当评价花店中某一品种的花时V={很受欢迎，欢迎，一般，不受欢迎} 1.2 评价指标权重向量概念介绍上式中A为权重向量，里面每一个元素代表每一个待评价的指标占待评价对象的权重。例：当评价花店中某一品种的花时A={0.4,0.4,0.1,0.1}表示：花色在评价这中花的权重为0.4花香在评价这中花的权
概述 不管使用什么脚手架，配置代理都是绕不开的话题 ，server.proxy 为开发服务器配置自定义代理规则。期望接收一个 {key:options} 对象。如果key值以 ^ 开头，将会被解释为 RegExp。configure 可用于访问proxy实例。官网地址更多详细配置 http-proxy相关配置在vue3项目中，找到 vite.config.ts文件，在其中进行vite的相关配置.下面展示选项 写法（可解决跨域问题）server:{port:8080,proxy:{"/api":{target:"http://localhost:7001",//所要代理的目标地址c
汽车ECU嵌入式系统汽车ECU嵌入式系统分为：应用软件层(ApplicationSoftwareLayer，ASW)、运行时环境(RuntimeEnvironment，RTE)、基础软件层(BasicSoftwareLayer，BSW)和微控制器(Microcontroller)；如下图所示：ASW:为应用层逻辑实现，由用户自定义开发，与控制器逻辑强相关，一般为模型；RTE:中间接口层，起着ASW与BSW之间的桥梁作用，ASW与BSW的接口通过Rte连接；BSW基础软件：包含控制器的基础服务模块，如通讯，存储，复杂驱动这些常用的控制器功能；同时BSW将各个通用的服务模块封层封装，便于向上兼容不
💂个人主页:同学来啦🤟版权:本文由【同学来啦】原创、在CSDN首发、需要转载请联系博主💬如果文章对你有帮助，欢迎关注、点赞、收藏和订阅专栏哦文章目录🐣一、ChatGPT简要介绍🐤二、ChatGPT有哪些改进？🐥三、ChatGPT性能提升🔴1、性能表现🟠2、实现路径🟥2.1Transformer结构区别🟧2.2模型量级提升🟨2.3基于人类反馈的强化学习🐔四、OpenAI追求特点🐣一、ChatGPT简要介绍ChatGPT是美国OpenAI公司研发的大参数预训练生成语言模型，是一款通用的自然语言生成模型，其中GPT“生成性预先训练转换器”(generativepretrainedtransforme
💂个人主页:同学来啦🤟版权:本文由【同学来啦】原创、在CSDN首发、需要转载请联系博主💬如果文章对你有帮助，欢迎关注、点赞、收藏和订阅专栏哦文章目录🐣一、ChatGPT简要介绍🐤二、ChatGPT有哪些改进？🐥三、ChatGPT性能提升🔴1、性能表现🟠2、实现路径🟥2.1Transformer结构区别🟧2.2模型量级提升🟨2.3基于人类反馈的强化学习🐔四、OpenAI追求特点🐣一、ChatGPT简要介绍ChatGPT是美国OpenAI公司研发的大参数预训练生成语言模型，是一款通用的自然语言生成模型，其中GPT“生成性预先训练转换器”(generativepretrainedtransforme
本篇博客整理了一些可搜索加密的相关概念。最近一段时间看的论文主要集中在对称可搜索加密的方向，所以涉及这方面的概念会多一些。以后也会陆续更新。继续加油看论文！1.可搜索加密可搜索加密SearchableEncryption,SE当数据存储在一个不可信的服务器时，为了让服务器不能够了解到数据内容，需要对数据加密后再存储。为了实现在加密后的数据上进行关键词检索，提出了可搜索加密的思想。可搜索加密最初的提出者Song等人[1]设想了这样一个场景：假设Alice有一些文档，存储在一个不可信服务器Bob上。因为Bob是不可信的，Alice希望只在Bob上存储加密过的文档。每个文档都可以被分成单词，每个单词
最近在学习同态加密相关技术，这是学习过程一点笔记，分享一下：同态加密：基于数学难题的计算复杂性理论的密码学技术。对经过同态加密的数据进行处理得到一个输出，将这一输出进行解密，其结果与用同一方法处理未加密的原始数据得到的输出结果是一样的。技术优势：使用同态加密技术，用户对密文进行运算后再解密得到的结果与直接对明文进行运算得到的结果一致，这一特性允许不可信第三方在没有私钥的情况下直接对密文进行运算，避免了第三方在运算过程中需要解密密文而导致的用户敏感信息泄露。使用同态加密技术，用户对密文进行运算后再解密得到的结果与直接对明文进行运算得到结果一致，这一特性允许不可信第三方再没有私钥情况下直接对密文进
端到端（end-to-end）简要理解端到端好处不同领域的端到端目标检测非end-to-end方法end-to-end方法CV计算机视觉语音识别非端到端端到端参考端到端端到端指的是输入是原始数据，输出是最后的结果。而原来的输入端不是直接的原始数据（rawdata），而是在原始数据中提取的特征（features）。这一点在图像问题上尤为突出，因为图像像素数太多，数据维度高，会产生维度灾难，所以原来一个思路是手工提取（hand-craftedfunctions）图像的一些关键特征，这实际就是就一个降维的过程。经典机器学习方式是以人类的先验知识将raw数据预处理成feature，然后对feature
