当前位置：首页 > news >正文

OpenCV特征处理全解析：从检测到匹配的完整指南

news 来源：原创 2025/7/4 23:32:28

一、计算机视觉中的特征处理概述

在计算机视觉领域，特征处理是指从图像中提取、描述和匹配具有辨识度的局部或全局特征的过程。一个完整的特征处理流程通常包括三个关键步骤：

特征检测：在图像中寻找具有独特性质的点或区域
特征描述：为检测到的特征生成数学描述符
特征匹配：在不同图像间建立特征对应关系

特征处理是许多高级计算机视觉任务的基础，如图像拼接、物体识别、三维重建、运动跟踪等。

二、OpenCV中的特征检测算法

1. 角点检测器

Harris角点检测

import cv2
img = cv2.imread('image.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gray = np.float32(gray)
dst = cv2.cornerHarris(gray, 2, 3, 0.04)

Shi-Tomasi角点检测

corners = cv2.goodFeaturesToTrack(gray, 100, 0.01, 10)

2. 斑点检测器

SIFT (Scale-Invariant Feature Transform)

sift = cv2.SIFT_create()
keypoints = sift.detect(gray, None)

SURF (Speeded-Up Robust Features)

surf = cv2.xfeatures2d.SURF_create(400)
keypoints = surf.detect(gray, None)

ORB (Oriented FAST and Rotated BRIEF)

orb = cv2.ORB_create(nfeatures=500)
keypoints = orb.detect(gray, None)

3. 区域检测器

MSER (Maximally Stable Extremal Regions)

mser = cv2.MSER_create()
regions, _ = mser.detectRegions(gray)

三、特征描述与提取

1. 经典描述符

SIFT描述符

sift = cv2.SIFT_create()
keypoints, descriptors = sift.detectAndCompute(gray, None)

SURF描述符

surf = cv2.xfeatures2d.SURF_create()
keypoints, descriptors = surf.detectAndCompute(gray, None)

2. 二进制描述符

ORB描述符

orb = cv2.ORB_create()
keypoints, descriptors = orb.detectAndCompute(gray, None)

BRIEF (Binary Robust Independent Elementary Features)

star = cv2.xfeatures2d.StarDetector_create()
brief = cv2.xfeatures2d.BriefDescriptorExtractor_create()
keypoints = star.detect(gray, None)
keypoints, descriptors = brief.compute(gray, keypoints)

BRISK (Binary Robust Invariant Scalable Keypoints)

brisk = cv2.BRISK_create()
keypoints, descriptors = brisk.detectAndCompute(gray, None)

FREAK (Fast Retina Keypoint)

freak = cv2.xfeatures2d.FREAK_create()
keypoints, descriptors = freak.compute(gray, keypoints)

四、特征匹配技术

1. 暴力匹配(Brute-Force Matching)

# 创建BFMatcher对象
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)# 特征匹配
matches = bf.match(descriptors1, descriptors2)# 按距离排序
matches = sorted(matches, key=lambda x:x.distance)# 绘制前50个匹配点
img_matches = cv2.drawMatches(img1, kp1, img2, kp2, matches[:50], None, flags=2)

2. FLANN匹配器(Fast Library for Approximate Nearest Neighbors)

# FLANN参数
FLANN_INDEX_KDTREE = 1
index_params = dict(algorithm=FLANN_INDEX_KDTREE, trees=5)
search_params = dict(checks=50)# 创建FLANN匹配器
flann = cv2.FlannBasedMatcher(index_params, search_params)# 进行匹配
matches = flann.knnMatch(descriptors1, descriptors2, k=2)# 应用比率测试
good_matches = []
for m,n in matches:if m.distance < 0.7*n.distance:good_matches.append(m)# 绘制匹配结果
img_matches = cv2.drawMatches(img1, kp1, img2, kp2, good_matches, None, flags=2)

五、特征处理实战应用

1. 图像拼接(全景图生成)

# 特征检测与描述
sift = cv2.SIFT_create()
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)# 特征匹配
bf = cv2.BFMatcher()
matches = bf.knnMatch(des1, des2, k=2)# 应用比率测试筛选优质匹配
good = []
for m,n in matches:if m.distance < 0.75*n.distance:good.append(m)# 计算单应性矩阵
if len(good) > 10:src_pts = np.float32([kp1[m.queryIdx].pt for m in good]).reshape(-1,1,2)dst_pts = np.float32([kp2[m.trainIdx].pt for m in good]).reshape(-1,1,2)M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)# 应用变换h,w = img1.shape[:2]result = cv2.warpPerspective(img1, M, (w*2, h))result[0:h, 0:w] = img2

2. 物体识别

# 训练图像特征提取
train_img = cv2.imread('template.jpg', 0)
orb = cv2.ORB_create()
train_kp, train_des = orb.detectAndCompute(train_img, None)# 查询图像特征提取
query_img = cv2.imread('query.jpg', 0)
query_kp, query_des = orb.detectAndCompute(query_img, None)# 特征匹配
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
matches = bf.match(train_des, query_des)
matches = sorted(matches, key=lambda x: x.distance)# 绘制匹配结果
result = cv2.drawMatches(train_img, train_kp, query_img, query_kp, matches[:30], None, flags=2)

六、性能优化与实用技巧

特征筛选策略：
- 响应值阈值筛选
- 非极大值抑制(NMS)
- 按特征质量排序后取Top-N
加速技巧：
- 使用二进制描述符(ORB, BRIEF, BRISK等)
- 图像金字塔多尺度检测
- 并行计算(OpenCV的UMat)
鲁棒性提升：
- RANSAC剔除误匹配
- 交叉验证匹配
- 几何一致性检查

内存优化：

# 使用更紧凑的数据类型
descriptors = descriptors.astype(np.float32)# 释放不再需要的变量
del unused_descriptors

七、不同场景下的算法选择建议

应用场景	推荐算法组合	原因
实时视频处理	ORB检测+ORB描述+暴力匹配	速度快，满足实时性要求
高精度图像匹配	SIFT检测+SIFT描述+FLANN匹配	精度高，尺度旋转不变性好
移动端应用	BRISK检测+FREAK描述	计算量小，内存占用低
低光照环境	AKAZE检测+AKAZE描述	对光照变化鲁棒性强
大尺度变化	SIFT检测+SIFT描述	优秀的尺度不变性

八、总结与展望

OpenCV提供了丰富的特征处理工具链，从传统的SIFT/SURF到现代的ORB/BRISK，开发者可以根据具体应用需求选择合适的算法组合。在实际应用中，通常需要在计算效率、内存占用和特征质量之间进行权衡。

未来特征处理的发展趋势包括：

基于深度学习的特征检测与描述方法
更加轻量化的特征表示
端到端的特征匹配网络
结合语义信息的智能特征选择

OpenCV特征处理全解析：从检测到匹配的完整指南

一、计算机视觉中的特征处理概述在计算机视觉领域，特征处理是指从图像中提取、描述和匹配具有辨识度的局部或全局特征的过程。一个完整的特征处理流程通常包括三个关键步骤： 特征检测：在图像中寻找具有独特性质的点或区域特征描述&#xf…...

编程日记 2025/7/4 23:32:28

C++11 ——右值引用和移动语义

目录一、基本概念左值 vs 右值左值引用 vs 右值引用二、右值引用使用场景和意义左值引用的使用场景左值引用的短板右值引用和移动语义右值引用引用左值右值引用的其他使用场景右值引用总结三、完美转发右值前置知识万能引用完美转发保持值的属性完美转发的使用场景四、总结…...

编程日记 2025/6/29 0:29:33

参考的初始资源： GitHub项目文档 B站视频 1.安装工具打开Anaconda Prompt 1.创建虚拟环境 conda create -n isat_env python3.8 conda activate isat_env2.安装GPU版本pytorch 4070 Ti CUDN12.5 pip install torch torchvision torchaudio --index-url https:/…...

编程日记 2025/6/28 23:00:37

阿里二面：聊聊 MySQL 主从同步方案的优缺点

大家好，我是君哥。今天来聊一聊 MySQL 主从架构。 MySQL Replication 是 MySQL 官方提供的主从同步方案，用于将 MySQL 主库的数据同步到从库中，从库可以供应用程序读取数据。 1 简介 Replication 是目前 MySQL 使用最多的灾备方案&#xf…...

编程日记 2025/6/29 0:37:14

YOLO11解决方案之物体模糊探索

概述 Ultralytics提供了一系列的解决方案，利用YOLO11解决现实世界的问题，包括物体计数、模糊处理、热力图、安防系统、速度估计、物体追踪等多个方面的应用。物体模糊是指对图像或视频中的特定检测对象应用模糊处理，这可以利用YOLO11 模型…...

编程日记 2025/6/28 23:01:10

Elecron 相关介绍以及常见的面试问题

一、深入介绍 Electron Electron 是一个由 GitHub 开发和维护的免费开源软件框架，允许开发者使用 Web 技术（HTML、CSS 和 JavaScript）构建桌面应用程序。它将 Chromium 渲染引擎和 Node.js 运行时环境相结合，为开发者提供了一套…...

编程日记 2025/7/1 1:34:33

基于STM32、HAL库的ADAU1701JSTZ音频接口芯片驱动程序设计

一、简介： ADAU1701JSTZ 是 Analog Devices 公司推出的一款高性能、低功耗音频编解码器 (CODEC) 芯片。它专为便携式音频设备设计，集成了麦克风前置放大器、ADC、DAC、耳机放大器等功能模块，支持多种音频接口和采样率，非常适合与 STM32 微控制器配合使用。主要特性： 24…...

编程日记 2025/6/28 23:48:51

【氮化镓】电子辐照下温度对GaN位移阈能的影响

2024年，华东师范大学的彭胜国等人基于从头算分子动力学（AIMD）方法，研究了低能电子束辐照下温度对氮化镓（GaN）位移阈能（TDE）的影响。实验结果表明，在初始动能40至80 eV的范围内，镓（Ga）和氮（N）原子作为初级击出原子（PKAs）引发的位移对温度呈现不同的敏感性：Ga 的…...

编程日记 2025/6/29 8:48:21

NLTK库: 数据集3-分类与标注语料（Categorized and Tagged Corpora）

NLTK库: 数据集3-分类与标注语料（Categorized and Tagged Corpora） 1.二分类语料主要是电影语料，和情绪(积极消极、主观客观)有关，有以下2个语料： 1.1 movie_reviews: IMDb 影评 IMDb（Internet Movie …...

编程日记 2025/6/29 1:02:02

物理：人的记忆是由基本粒子构成的吗？

问题：基因属于人体的一部分，记忆也是人体的一部分，那么为什么基因可以代际遗传，但是记忆却被清空重置。如果基因是由粒子构成，那么记忆是不是也应该由粒子构成？如果记忆是粒子构成的，那么能否说明记忆永恒，即使死亡了身体被分解了，那么只要保证其身体有关的所有粒子被…...

编程日记 2025/6/28 23:00:52

加速度策略思路

一种基于技术指标和动态止损策略的交易方法，旨在提高交易的灵活性和风险控制能力。 1 -动态止损价格计算：该函数通过计算ATR（平均真实范围）和盈利峰值价，结合加速系数，动态调整止损价格。具体来说&#xf…...

编程日记 2025/6/29 0:56:56

【计算机组成原理】第二部分存储器--分类、层次结构

文章目录分类&层次结构0x01 分类按存储介质分类按存取方式分类按在计算机中的作用分类 0x02 层次结构分类&层次结构 0x01 分类按存储介质分类半导体存储器磁表面存储器磁芯存储器光盘存储器按存取方式分类存取时间与物理地址无关（随机访问&#…...

编程日记 2025/6/29 0:33:47

Spring AI 开发本地deepseek对话快速上手笔记

Spring AI Spring AI是一个旨在推进生成式人工智能应用程序发展的项目，Spring AI的核心目标是提供高度抽象化的组件，作为开发AI应用程序的基础，使得开发者能够以最少的代码改动便捷地交换和优化功能模块‌ 在开发之前先得引入大模型&#xf…...

编程日记 2025/6/29 1:15:55

Python训练打卡Day23

机器学习管道 pipeline 基础概念 pipeline在机器学习领域可以翻译为“管道”，也可以翻译为“流水线”，是机器学习中一个重要的概念。在机器学习中，通常会按照一定的顺序对数据进行预处理、特征提取、模型训练和模型评估等步骤，以…...

编程日记 2025/6/28 23:10:50

【每天一个知识点】Dip 检验（Dip test）

Dip 检验（Dip test）是一种用于检验一维数据分布是否为单峰（unimodal）的非参数统计方法。该检验由 Hartigan 和 Hartigan 于 1985 年提出，通常用于探索性数据分析中，以判断数据是否仅具有一个峰值结构&#…...

编程日记 2025/6/28 23:35:38

AbstractQueuedSynchronizer之AQS

一、前置知识公平锁和非公平锁： 公平锁：锁被释放以后，先申请的线程先得到锁。性能较差一些，因为公平锁为了保证时间上的绝对顺序，上下文切换更频繁非公平锁：锁被释放以后，后申…...

编程日记 2025/6/29 1:08:31

【Qt】pro工程文件转CMakeLists文件

1、简述 Qt6以后默认使用cmake来管理工程，之前已经一直习惯使用pro，pro的语法确实很简单、方便。很多项目都是cmake来管理，将它们加入到Qt项目中，cmake确实是大势所趋。比如，最近将要开发的ROS项目，也是使用的cmake语法。以前总结的一些Qt代码，已经编写成pro、pri等…...

编程日记 2025/6/29 1:01:30

docker-compose部署thingsboard/tb-cassandra

1、配置阿里云服务器2H8G 最低系统：Ubuntu20.0.4 安装 docker 和 docker-compose 环境 ====================安装docker====================== # 更新包 sudo apt update# 安装docker sudo apt install docker.io# 查看是否安装成功 docker --version==================…...

编程日记 2025/6/29 1:21:42

MySQL 日期计算方法 date_sub()、date_add()、datediff() 详解-文中有示例帮助理解

1、date_sub()、date_add() date_sub() 和date_add() 语法相同，只不过一个加一个减。从日期中减去指定时间间隔语法： DATE_SUB(start_date, INTERVAL expr unit) start_date: 起始日期（如 now() , 字段名）。 INTERVAL expr…...

编程日记 2025/6/28 23:54:38

GPT-4.1和GPT-4.1-mini系列模型支持微调功能，助力企业级智能应用深度契合业务需求

微软继不久前发布GPT-4.1系列模型后，Azure OpenAI服务（国际版）现已正式开放对GPT-4.1和GPT-4.1-mini的微调功能，并通过Azure AI Foundry（国际版）提供完整的部署和管理解决方案。这一重大升级标志着企业级AI…...

编程日记 2025/6/28 23:45:41

如何将两台虚拟机进行搭桥

虚拟机网络搭桥配置指南要实现两台虚拟机之间的网络互通（"搭桥"），需要根据您的虚拟化平台选择合适的网络模式。以下是主流虚拟化软件的配置方法： 一、VMware 虚拟机互通配置方案 1：使用桥接模式&#x…...

编程日记 2025/6/28 23:01:39

无缝对接主流电商平台接口，解决货源难题

行业调查显示，大多数代购商每天要花费数小时在淘宝、1688等平台寻找合适商品。手动复制商品链接、整理信息不仅耗时耗力，还容易出错——价格标错、库存不准等问题时有发生，直接影响客户体验。更麻烦的是，不同平台的商品信息格式不…...

编程日记 2025/6/28 23:22:02

GZip+Base64压缩字符串在ios上解压报错问题解决（安卓、PC模拟器正常）

java这边的压缩代码引入的是java8 jdk自带的gzip压缩（ java.util.zip.GZIPOutputStream）、BASE64Encoder( sun.misc.BASE64Encoder) public static String compress(String str) {if (str ! null && str.length() ! 0) {ByteArrayOutputStream…...

编程日记 2025/6/28 23:32:22

Cookie、 Local Storage、 Session Storage三种客户端存储方式

存储特性对比表特性CookieLocal StorageSession Storage生命周期可设置过期时间永久保存会话结束自动清除存储容量4KB左右5-10MB5-10MB自动发送到服务器每次HTTP请求头携带不发送不发送访问方式服务端/客户端均可读写仅客户端仅客户端使用场景及示例 1. Cookie - 用户身份…...

编程日记 2025/6/29 1:03:21

进程等待简单讲解

1. 基本概念 1.1 进程终止与退出状态当一个进程终止时，它会向其父进程发送一个信号（通常是SIGCHLD），并保存退出状态（exit status）。退出状态可以是一个正常终止的返回值，也可以是一个信号导致…...

编程日记 2025/6/29 0:04:35

基于大模型预测胸椎管狭窄诊疗全流程的研究报告

目录一、引言 1.1 研究背景与意义 1.2 研究目的与创新点 1.3 研究方法与数据来源二、胸椎管狭窄症概述 2.1 疾病定义与分类 2.2 病因与发病机制 2.3 流行病学特征三、大模型技术原理与应用现状 3.1 大模型基本原理 3.2 在医疗领域的应用案例 3.3 用于胸椎管狭窄…...

编程日记 2025/6/29 0:30:08

Oracle OCP认证考试考点详解083系列15

题记： 本系列主要讲解Oracle OCP认证考试考点（题目），适用于19C/21C,跟着学OCP考试必过。 71. 第71题： 题目解析及答案： 关于在 Oracle 18c 及更高版本中基于 Oracle 黄金镜像的安装，以下哪…...

编程日记 2025/6/29 0:11:15

【老飞飞源码】新版高清飞飞源码+数据库+客户端+服务器端完整文件打包

【老飞飞源码】新版高清飞飞源码数据库客户端服务器端完整文件打包下载编译环境 vs2022 搭建环境 sql2022 测试运行环境 windows 11 本地测试生成搭建都成功功能包含： pvp排行榜宠物特效箱子预览系统 vip系统宝箱系统内挂系统离线摆摊系统特效帽子系…...

编程日记 2025/6/29 1:13:52

Maven 动态插件配置：Profile的灵活集成实践

🧑 博主简介：CSDN博客专家，历代文学网（PC端可以访问：https://literature.sinhy.com/#/?__c1000，移动端可微信小程序搜索“历代文学”）总架构师，15年工作经验，精通Java编…...

编程日记 2025/6/29 0:42:02

Python爬虫如何应对网站的反爬加密策略？

在当今的互联网环境中，网络爬虫已经成为数据采集的重要工具之一。然而，随着网站安全意识的不断提高，反爬虫技术也越来越复杂，尤其是数据加密策略的广泛应用，给爬虫开发者带来了巨大的挑战。本文将详细介绍Python爬虫如…...

编程日记 2025/6/28 23:47:47

STM32H743输出50%的占空比波形

使用cubeMX进行配置如下： 时钟配置如下： 具体代码如下： /* USER CODE BEGIN Header */ /********************************************************************************* file : main.c* brief : Main program b…...

编程日记 2025/6/28 23:01:16

ios remote debut proxy 怎么开启手机端调试和inspect

手机开启远程调试教程（适用于 Chrome / Safari） 前端移动端调试指南｜适用 iPhone 和 Android｜WebDebugX 出品本教程将详细介绍如何在 iPhone 和 Android 手机上开启网页检查器，配合 WebDebugX 实现远程调试。教程包含…...

编程日记 2025/6/28 23:39:06

GraspVLA：基于Billion-级合成动作数据预训练的抓取基础模型

25年5月来自银河通用（Galbot）、北大、港大和 BAAI 的论文“GraspVLA: a Grasping Foundation Model Pre-trained on Billion-scale Synthetic Action Data”。具身基础模型因其零样本泛化能力、可扩展性以及通过少量后训练即可适应新任务的优势&#x…...

编程日记 2025/6/28 23:00:02

BGP联邦实验

一.需求 1.AS1存在两个环回，一个地址为192.168.1.0/24，该地址不能再任何协议中宣告 AS3存在两个环回，一个地址为192.168.2.0/24，该地址不能再任何协议中宣告 AS1还有一个环回地址为10.1.1.0/24，AS3另一个环回地址是…...

编程日记 2025/6/28 23:00:44

自动化测试基础知识详解

🍅 点击文末小卡片，免费获取软件测试全套资料，资料在手，涨薪更快自动化测试是指利用自动化工具和脚本，模拟人工操作进行软件测试的过程。它在软件开发中扮演着非常重要的角色，可以提高测试效率、降低成本…...

编程日记 2025/6/28 23:00:09

Java后端快速生成验证码

Hutool是一个小而全的Java工具类库，它提供了很多实用的工具类，包括但不限于日期处理、加密解密、文件操作、反射操作、HTTP客户端等。核心工具类：CaptchaUtil，CaptchaUtil 是 Hutool 提供的一个工具类，用于创建各种类…...

编程日记 2025/6/28 23:00:05

【愚公系列】《Manus极简入门》036-物联网系统架构师：“万物互联师”

🌟【技术大咖愚公搬代码：全栈专家的成长之路，你关注的宝藏博主在这里！】🌟 📣开发者圈持续输出高质量干货的"愚公精神"践行者——全网百万开发者都在追更的顶级技术博主！ &#x1f…...

编程日记 2025/6/28 23:00:03

主流高防服务器技术对比与AI防御方案实战

1. 高防服务器核心能力对比当前市场主流高防服务商（如阿里云、腾讯云、华为云）的核心防御能力集中在流量清洗与静态规则防护，但面临以下挑战： 静态防御瓶颈：传统方案依赖预定义规则，对新型攻击&#xff…...

编程日记 2025/6/28 23:57:23

带格式的可配置文案展示

方案一（格式包含颜色换行等） 服务端：配置后接口输出带标签的字符串，但是尖括号不能被转义前端：v-html接受字符串（vue项目），原生用innerHTML赋值方案二（格式针对只存在…...

编程日记 2025/6/29 0:59:23

湖南大学3D场景问答最新综述！3D-SQA：3D场景问答助力具身智能场景理解

作者： Zechuan Li, Hongshan Yu, Yihao Ding, Yan Li, Yong He, Naveed Akhtar 单位：湖南大学，墨尔本大学，悉尼大学，安徽大学论文标题：Embodied Intelligence for 3D Understanding: A Survey on 3D Sce…...

编程日记 2025/6/29 0:58:46

【PyTorch】深度学习实践——第二章：线性模型

参考：刘二老师的《PyTorch深度学习实践》完结合集本章实现了一个简单的线性回归模型，用于学习输入x和输出y之间的线性关系(yw*x)。一、代码细节 1.数据准备 x_data [1.0, 2.0, 3.0] y_data [2.0, 4.0, 6.0]定义了训练数据，x和y之间显然…...

编程日记 2025/6/29 1:07:23

【Python 中文编码】

在 Python 中处理中文编码问题时，需重点关注文件编码声明、字符串编码转换及环境配置。以下是分步指南和最佳实践： 一、Python 3 的默认编码行为 Python 3.x：默认使用 UTF-8 编码（与 Python 2.x 的 ASCII 默认编码不同&#xff0…...

编程日记 2025/6/28 23:00:06

Excel宏和VBA

Excel宏和VBA（Visual Basic for Applications）是自动化Excel操作的强大工具，可帮助用户批量处理数据、自定义功能、提升效率。以下是详细使用方法及示例： --- ### **一、基础操作** #### 1. **录制宏** - **步骤**&#xff1…...

编程日记 2025/6/28 23:41:02

1688 API 接口使用限制

在使用 1688 API 接口时，需要注意以下几方面的限制和注意事项，以确保合规使用并避免不必要的问题。一、调用频率限制 1688 平台对 API 接口的调用频率通常有限制，以防止滥用和对服务器造成过大压力。具体限制如下： 免费版&…...

编程日记 2025/6/29 0:41:05

5. 动画/过渡模块 - 交互式仪表盘

5. 动画/过渡模块 - 交互式仪表盘案例：数据分析仪表盘 <!DOCTYPE html> <html><head><meta charset"utf-8"><title></title></head><style type"text/css">.dashboard {font-family: Arial…...

编程日记 2025/6/29 0:58:11

数据擦除标准：1-Pass vs. 3-Pass vs. 7-Pass有什么区别，哪个更好？

虽然像美国国防部（DoD）5220.22-M这样的旧标准提倡多次覆盖，但像NIST 800-88和新兴的IEEE 2883标准这样的新指南已经改变了对数据擦除效果的看法。在这篇博客中，我们解释了不同的擦除方法，并分析了旧标准在新时代是否仍然相关。理解数据擦除方法数据擦除包括用0、1或随…...

编程日记 2025/6/29 0:07:26

MySQL推荐书单：从入门到精通

给大家介绍一些 MySQL 从入门到精通的经典书单，可以基于不同学习阶段的需求进行选择。入门 MySQL必知必会这本书继承了《SQL必知必会》的优点，专门针对 MySQL 用户，没有过多阐述数据库基础理论，而是紧贴实战，直接从…...

编程日记 2025/6/29 0:02:35

Rodrigues旋转公式-绕任意轴旋转

Rodrigues旋转公式给定旋转轴单位向量 k ( k x , k y , k z ) \mathbf{k}(k_x,k_y,k_z) k(kx,ky,kz)和旋转角度 θ \theta θ，旋转矩阵 R R R可以表示为： R I sin ⁡ θ K ( 1 − cos ⁡ θ ) K 2 RI\sin \theta K(1-\cos \theta)K^2 RIsin…...

编程日记 2025/6/29 0:49:33

【大模型面试每日一题】Day 17：解释MoE（Mixture of Experts）架构如何实现模型稀疏性，并分析其训练难点

【大模型面试每日一题】Day 17：解释MoE（Mixture of Experts）架构如何实现模型稀疏性，并分析其训练难点 📌 题目重现 🌟🌟 面试官:解释MoE（Mixture of Experts）架构如何…...

编程日记 2025/6/28 23:40:41

Datawhale 5月coze-ai-assistant 笔记1

课程地址： coze-ai-assistant-课程摘要 | Datawhalehttps://www.datawhale.cn/learn/summary/105 动手实践链接：https://www.coze.cn/home 作业：智能体链接地址扣子扣子是新一代 AI 大模型智能体开发平台。整合了插件、长短期记忆、工作…...

编程日记 2025/6/28 23:00:15