图像融合＋语义
图像配准＋融合+语义方法总结
1.Joint framework of image registration and fusion
RFNet: Unsupervised Network for Mutually Reinforcing Multi-modal Image Registration and Fusion(2022CVPR)
Unsupervised misaligned infrared and visible image fusion via cross-modality image generation and registration
Semantics lead all: Towards unified image registration and fusion from a semantic perspective(2023Inffus)
MURF: Mutually reinforcing multi-modal image registration and fusion(2023TPAMI)
2.Joint framework of image fusion and segmantation
SeAFusion：Image fusion in the loop of high-level vision tasks: A semantic-aware real-time infrared and visible image fusion network(2022Inffus)
创新
1.引入语义信息：考虑到高级视觉任务的需求，将语义信息引入融合网络中。
2.联合训练：利用分割网络[52]产生的语义损失通过反向传播指导融合网络的训练，迫使融合图像包含更多语义信息。
m 表示第 m 次迭代。随着训练的进行，β逐渐增大，这是因为随着迭代次数的增加，分割网络更好地拟合融合模型，并且语义损失可以更准确地指导融合网络训练。
3.设计梯度残差密集块（GRDB）：为了满足实时高级视觉任务的需求，开发了一种基于梯度残差密集块（GRDB）的轻量级网络。
设计了梯度残差密集块（GRDB）来增强融合网络对细粒度空间细节的描述能力。
启发
1.将串联任务通过联合训练的方式结合起来。
2.将语义信息引入融合网络。
3.设计简单的网络实现功能，实时性。
TarDAL：target-aware Dual Adversarial Learning and a Multi-scenario Multi-Modality Benchmark to Fuse Infrared and Visible for Object Detection（2022CVPR）
创新
1.融合+检测：通过双层优化公式将图像融合和目标检测结合起来，产生高检测精度以及具有更好视觉效果的融合图像。
2.TarDAL网络：（weak 类似GAN方法）设计了一个目标感知的双重对抗学习网络（TarDAL），其参数较少，用于面向检测的融合。这种单生成器和双鉴别器网络“寻求共同点，同时从差异中学习”，保留了红外目标的信息和可见光的纹理细节。
引入了一种由一个生成器和两个判别器组成的对抗性游戏，以便将两种模式的共同特征和不同特征结合起来。鼓励生成器 G 提供逼真的融合图像以同时愚弄两个鉴别器。目标鉴别器 DT 评估红外目标与 G 给出的融合后的目标之间的强度一致性；细节鉴别器 DD 区分可见光的梯度分布和融合的梯度分布）。
采用预训练的显着性检测网络 [3] 从红外图像计算目标掩模 m，以便两个鉴别器可以在各自的区域（目标和背景）上执行。
3.（strong 数学求导实现联合训练）从双层公式中推导出协作训练方案，产生用于快速推理（融合和检测）的最佳网络参数。
4.（strong 数据集应用很广）构建了一个具有经过良好校准的红外和光学传感器的同步成像系统，并收集了一个多场景多模态数据集 (M3FD)，其中包含 4, 177 个对齐的红外和可见光图像对以及 23, 635 个带注释的对象。该数据集涵盖了不同环境、光照、季节、天气的四大场景，像素变化范围较大。
启发
使用复合函数求导的方法将串联任务进行协作训练。
SegMiF：Multi-interactive Feature Learning and a Full-time Multi-modality Benchmark for Image Fusion and Segmentation（2023ICCV oral）
问题
1.一些研究[13,14,15,16]尝试通过级联融合网络和高级任务来设计基于多任务学习的损失函数。不幸的是，同时为任一任务寻求统一的适当特征仍然是一个难题。
2.探索多模态融合和分割需要全面收集带有像素级注释标签的对准图像对。此外，对于一幅图像，注释需要覆盖大范围的像素。不幸的是，现有的多模态数据集合要么专注于图像融合，要么缺乏完整图像注释的分割标签，这为探索融合和分割的相关性设置了障碍。
创新
1.框架：我们将图像融合和分割（segformer）两者结合起来，使语义和基于像素的特征可以相互交互。通过这种方式，这两个任务可以实现“两全其美”的效果，既生成视觉吸引人的融合图像，又能准确地解析场景。
2.模块（strong）：引入分层交互注意力来弥合融合网络和分割网络之间的特征差距。在 HIA 中建立语义/模态多头注意力机制，同时保留了内在的模态特征，并更多地关注语义特征。
3.训练方式：提出一种交互式特征训练方案，以克服融合和分割之间特征交互不足的缺点。无缝集成动态权重因子可以自动探索每个任务的最佳参数。
4.数据集（strong）：构建了智能多波双目成像系统，并引入了全时多模态基准FMB，以促进图像融合和分割的研究。 FMB 包含 1500 个配准良好的红外和可见光图像对，以及 15 个带注释的像素级类别（参见图 1 的左侧部分）。此外，它还涵盖了广泛的像素变化和各种恶劣环境，例如浓雾、大雨和弱光条件。
启发：
1.提出了即插即用的HIA模块将语义信息注入融合网络，可以对该模块进行改进。
2.动态权重联合训练方式对级联网络的联合训练有一定参考性。
MRFS: Mutually Reinforcing Image Fusion and Segmentation(2024CVPR)
1.特征中和缺点和低光信息丢失。
通过显着信息集成（salient information integration）和弱化信息恢复（weakened information recovery）的能力增强图像融合，有效缓解特征中和缺点和低光信息丢失。因此，显着的对比度和丰富的纹理将有效地转移到融合图像。
salient information integration
weakened information recovery
应用常见的数据增强策略（例如伽玛变换、对比度拉伸）来处理图像。
2.特征有效性得分不匹配；特征聚合不足。
设计了一个基于 CNN 的交互式门控混合注意力模块用于视觉补全，以及一个基于 Transformer 的渐进循环注意力模块用于语义补全。他们分别解决了特征有效性分数不匹配的问题并加强了特征聚合的充分性。
IGM-Att：将门控机制集成到传统的基于池的注意力中以实现视觉完成
这种基于池化的注意力可能会导致特征有效性分数不匹配。为了解决这个问题，引入了门控机制来纠正获得的混合权重：
PC-Att
IGM-Att 模块利用基于 CNN 的注意力，强调局部视觉特征的细化。相比之下，语义分割需要全局场景理解能力。因此，我们开发了一个用于细化语义补全的PCAtt模块，如图8所示。在PC-Att模块中，我们采用两种信息强化策略，即单模态自我强化和跨模态相互补充。该过程将红外和可见光图像中的长距离完整语义信息无缝集成到生成的融合特征中。
4.视觉和语义之间的内在一致性。
图像融合和语义分割的策略耦合建立了相互促进的关系，导致其性能的双重提升。
MRFS 通过提出的 IGM-att 和 PC-Att 实现特征交互，将图像融合和语义分割任务优雅地耦合到一个统一的框架中
DetFusion: A detection-driven infrared and visible image fusion network
An interactively reinforced paradigm for joint infrared-visible image fusion and saliency object detection
3.Joint framework of image fusion、registration and segmentation
SuperFusion: A Versatile Image Registration and Fusion Network with Semantic Awareness(2022JAS)
解决的问题
1.现有的融合算法，无论是传统的还是基于深度学习的算法，都对源图像的未对准敏感。
2.现有的融合方法几乎没有考虑如何促进高级视觉任务。
创新
1.将图像配准、图像融合和高级语义要求统一建模到一个框架中。据我们所知，这是第一个充分考虑图像融合的先决条件（即图像配准）以及图像融合的后续应用的实用图像融合方法。
2.设计了一个对称双向图像配准模块，以有效地执行多模态图像对准。具体来说，对称性使我们的方法能够实现图像融合和图像配准的相互促进。
3.引入基于语义分割（使用了与seafusion相同的网络）的语义约束，促使融合网络响应高级视觉任务的需求。
并未发现各个模块之间的关系和反馈。
此外，融合网络中嵌入了全局空间注意力模块，以实现自适应特征融合。
启发
将融合、配准和语义统一到一个框架中。
不足
未将这三个任务进行很好的耦合，只是单纯的串联。
PSFsion：Rethinking the necessity of image fusion in high-level vision tasks: A practical infrared and visible image fusion network based on progressive semantic injection and scene fidelity（2023InfFus）
问题
尽管存在一些以语义驱动的方法来考虑下游应用的语义需求，但与特征级融合相比，这些方法都没有展现出图像级融合的潜力。特征级融合直接在多模态特征上执行高级视觉任务，而不是在融合图像上执行。
然而，这些方法利用特定的高级模型来约束融合结果，这可能会限制融合图像到其他模型的泛化。此外，SeAFusion仅依靠最大选择策略来约束融合图像的强度，这可能会限制在某些极端情况下图像融合的潜力。
创新
1.我们首次证明，对于高级视觉任务，多模态图像级融合可以以较低的计算负载实现与多模态特征级融合相当的性能。它证明了图像融合在高级视觉任务中的必要性。
2.我们在特征级别逐步将语义特征注入到融合网络中，从而确保具有丰富语义线索的融合结果对于任意高级骨干网都是友好且鲁棒的。此外，设计了与图像融合路径并行的场景保真度路径来约束融合模块保留源图像的完整信息。
训练策略
Image fusion in the loop of high-level vision tasks: A semantic-aware real-time infrared and visible image fusion network(2022Inffus)
A semantic-driven coupled network for infrared and visible image fusion（2024Inffus）
Target-aware Dual Adversarial Learning and a Multi-scenario Multi-Modality Benchmark to Fuse Infrared and Visible for Object Detection（2022CVPR）
Multi-interactive Feature Learning and a Full-time Multi-modality Benchmark for Image Fusion and Segmentation（2023ICCV oral）
提出一种交互式特征训练方案，以克服融合和分割之间特征交互不足的缺点。无缝集成动态权重因子可以自动探索每个任务的最佳参数。
相关文章：
图像融合＋语义
图像配准＋融合语义方法总结 1.Joint framework of image registration and fusion RFNet: Unsupervised Network for Mutually Reinforcing Multi-modal Image Registration and Fusion(2022CVPR) Unsupervised misaligned infrared and visible image fusion via…...
AI人工智能机器学习之监督学习和集成学习
1、概要 本篇学习AI人工智能机器监督学习框架下的集成学习，以鸢尾花iris数据集、随机森林模型和梯度提升为示例，从代码层面测试和讲述监督学习和集成学习能。 2、监督学习和集成学习 - 简介 监督学习和集成学习是机器学习领域中的两个重要概念。 监督…...
通过返回的key值匹配字典中的value值
需求 页面中上面搜索项有获取字典枚举接口，table表格中也有根据key匹配字典中的value 方案一 需要做到的要求 这里上面下拉列表是一个组件获取的字典，下面也是通过字典匹配，所以尽量统一封装一个函数，每个组件保证最少变动tabl…...
30 分钟从零开始入门 CSS
HTML CSS JS 30分钟从零开始入门拿下 HTML_html教程-CSDN博客 30 分钟从零开始入门 CSS-CSDN博客 JavaScript 指南：从入门到实战开发-CSDN博客 前言 最近也是在复习，把之前没写的博客补起来，之前给大家介绍了 html，现在是 CSS 咯…...
矩阵的奇异值（SVD）分解和线性变换
矩阵的奇异值（SVD）分解和线性变换 SVD定义 奇异值分解（Singular Value Decomposition，简称 SVD）是一种重要的线性代数工具，能够将任意矩阵 ( A ∈ R m n \mathbf{A} \in \mathbb{R}^{m \times n} A∈Rmn…...
Kubernetes与Docker：区别与优劣总结
在云原生技术栈中，Docker和Kubernetes是两大核心工具，但它们的功能定位和使用场景截然不同。本文将从技术原理、架构设计、功能特性及适用场景等角度，深入分析两者的区别与优劣，并结合实际应用场景说明如何协同使用。 一、核心技术…...
表单验证和正则表达式
表单验证 表单：收集用户信息，并把信息发送给服务器程序进行处理 what 验证数据的格式，将符合标准数据格式要求的数据，发送给后台。 对用户的输入做格式校验，确保能够发送到后台服务器的数据一定是正确的。降低服务器…...
汽车免拆诊断案例 | 保时捷车发动机偶发熄火故障 2 例
案例1 2008款保时捷卡宴车行驶中发动机偶发熄火 故障现象 一辆2008款保时捷卡宴车，搭载4.8 L 自然吸气发动机，累计行驶里程约为21万km。车主反映，该车行驶中发动机偶发熄火；重新起动，发动机能够起动着机ÿ…...
mongodb【实用教程】
MongoDB 是一个开源的文档型数据库管理系统 下载安装 Windows 系统 https://blog.csdn.net/weixin_41192489/article/details/126777309 GUI工具 【推荐】MongoDB Compass https://www.mongodb.com/zh-cn/docs/compass/current/ Robo 3T https://blog.csdn.net/weixin_4119248…...
Javaweb后端数据库多表关系一对多，外键，一对一
多表关系 一对多 多的表里，要有一表里的主键 外键 多的表上，添加外键 一对一 多对多 案例...
React（10）
项目实践--创建项目 在store的modules中创建相关的子仓库暴露到仓库index文件中 导入creatSlice和axios 创建仓库 和数据的异步修改方法 // 编写store // 导入createSlice和axios import { createSlice } from "reduxjs/toolkit"; import axios from "axios&…...
 附源码)
JAVA实战开源项目：靓车汽车销售网站(Vue+SpringBoot) 附源码
本文项目编号 T 093 ，文末自助获取源码 \color{red}{T093，文末自助获取源码} T093，文末自助获取源码 目录 一、系统介绍二、数据库设计三、配套教程3.1 启动教程3.2 讲解视频3.3 二次开发教程 四、功能截图五、文案资料5.1 选题背景5.2 国内…...
【大语言模型】【整合版】DeepSeek 模型提示词学习笔记（散装的可以看我之前的学习笔记，这里只是归纳与总结了一下思路，内容和之前发的差不多）
以下是个人笔记的正文内容: 原文在FlowUs知识库上，如下截图。里面内容和这里一样，知识排版好看一点 一、什么是 DeepSeek 1. DeepSeek 简介 DeepSeek 是一家专注于通用人工智能（AGI）的中国科技公司，主攻大模型研发与…...
网络安全扫描--基础篇
前言 1、了解互联网安全领域中日趋重要的扫描技术 2、了解在不同网络场景下扫描技术手段 3、熟悉linux下系统内核防护策略并能大件一个有效的系统防护体系 4、增强工作安全意识，并能有效的实践于工作场景中 目录 1、熟悉主机扫描工具（fping，…...
Python网络安全脚本
🍅 点击文末小卡片 ，免费获取网络安全全套资料，资料在手，涨薪更快 前言 睡不着，那就起来学习其实base64模块很早之前用过今天做爬虫的时候有个URL需要用它来编码一下 所以百度又学了一下遇到最大的问题就是python3和p…...
ElasticSearch查询指南：从青铜到王者的骚操作
ElasticSearch查询指南：从青铜到王者的骚操作 本文来源于笔者的CSDN原创，由于掘金>已经去掉了转载功能，所以只好重新上传，以下图片依然保持最初发布的水印（如CSDN水印）。（以后属于本人原创均…...
四、详细解释：网络与连接操作命令
1. ping – 测试网络连通性 用途：检查与目标主机之间的网络连接是否通畅。 语法： ping [选项] 目标IP或域名常用选项： -c 次数：指定发送数据包的次数（默认无限次，需手动 CtrlC 终止）。-i 秒数&…...
前端关于Cursor编辑器的了解与深度使用及对工作的便利
1. 什么是 Cursor 编辑器？ Cursor 是一款基于 AI 的现代代码编辑器，类似于 VS Code，但内置了强大的 AI 功能。它的核心目标是帮助开发者更快、更智能地编写代码。 主要特点： AI 驱动的代码补全：提供上下文相关的智能代码建议。代码生成与修复：通过自然语言描述生成代码…...
Java Junit框架
JUnit 是一个广泛使用的 Java 单元测试框架，用于编写和运行可重复的测试。它是 xUnit 家族的一部分，专门为 Java 语言设计。JUnit 的主要目标是帮助开发者编写可维护的测试代码，确保代码的正确性和稳定性。 JUnit 的主要特点 注解驱动&…...
高级自动化测试常见面试题（Web、App、接口）
一、Web自动化测试 1.Selenium中hidden或者是display ＝ none的元素是否可以定位到？ 不能,可以写JavaScript将标签中的hidden先改为0，再定位元素 2.Selenium中如何保证操作元素的成功率？也就是说如何保证我点击的元素一定是可以…...
京准电钟解读：为何不能用网络上的NTP时间源服务器
京准电钟解读：为何不能用网络上的NTP时间源服务器 京准电钟解读：为何不能用网络上的NTP时间源服务器 通常是因为以下几个方面的原因： 安全性问题： NTP服务器可能被黑客操纵或成为攻击的目标，如果服务器被攻破&…...
Android OpenGLES2.0开发（十一）：渲染YUV
人生如逆旅，我亦是行人 Android OpenGLES开发：EGL环境搭建Android OpenGLES2.0开发（一）：艰难的开始Android OpenGLES2.0开发（二）：环境搭建Android OpenGLES2.0开发（三&am…...
7种内外网数据交换方案全解析 哪种安全、高效、合规？
内外网数据交换方案主要解决了企业跨网络数据传输中的安全、效率与合规性问题。通过采用先进的加密技术、高效的数据传输协议以及严格的审批和审计机制，该方案确保了数据在内外网之间的安全交换，同时提高了传输效率，并满足了企业对数据合规性…...
详解：事务注解 @Transactional
创作内容丰富的干货文章很费心力，感谢点过此文章的读者，点一个关注鼓励一下作者，激励他分享更多的精彩好文，谢谢大家！ Transactional 是 Spring Framework 中常用的注解之一，它可以被用于管理事务。通过使…...
2025最新Flask学习笔记（对照Django做解析）
前言：如果还没学Django的同学，可以看Django 教程 | 菜鸟教程，也可以忽略下文所提及的Django内容；另外，由于我们接手的项目大多都是前后端分离的项目，所以本文会跳过对模板的介绍，感兴趣的朋友可…...
大模型面试问题准备
1. BERT的多头注意力为什么需要多头？ 为了捕捉不同子空间的语义信息，每个头关注不同的方面，增强模型的表达能力 2. 什么是softmax上下溢出问题？ 问题描述： 上溢出：ye^x中，如果x取非常大的正数…...
FFmpeg 命令行全解析：高效音视频处理从入门到精通
FFmpeg FFmpeg 是一款开源的多媒体处理工具集，支持音视频编解码、格式转换、流媒体处理等全链路操作。核心功能与工具: 多媒体全链路支持 支持 1000+ 音视频编解码格式（如 H.264、HEVC、AV1）和协议（RTMP、RTSP、HLS），覆盖录制、转码、流化等全流程。提供三大核心工具： …...
在使用LomBok时编译器弹出java: 错误: 不支持发行版本 5该怎么解决的四种方案
你遇到的错误 java: 错误: 不支持发行版本 5 表明你的代码正在尝试使用 Java 5 或更早版本的编译器，而这些版本已经不再受支持，并且可能与你当前使用的 JDK 版本不兼容。以下是解决此问题的步骤： 1. 检查项目语言级别 确保你的项目配置为使…...
 反射、枚举、lambda 表达式)
【数据结构】(12) 反射、枚举、lambda 表达式
一、反射 1、反射机制定义及作用 反射是允许程序在运行时检查和操作类、方法、属性等的机制，能够动态地获取信息、调用方法等。换句话说，在编写程序时，不需要知道要操作的类的具体信息，而是在程序运行时获取和使用。 2、反射机制…...
在VSCode中安装jupyter跑.ipynb格式文件
个人用vs用的较多，不习惯在浏览器单独打开jupyter，看着不舒服，直接上教程。 1、在你的环境中pip install ipykernel 2、在vscode的插件中安装jupyter扩展 3、安装扩展后，打开一个ipynb文件，并且在页面右上角配置内核 …...
WordPress网站502错误全面排查与解决指南
502 Bad Gateway错误是WordPress站长最常遇到的服务器问题之一，它意味着服务器作为网关或代理时，未能从上游服务器获取有效响应。针对WP可能出现的502问题，本文提供一些基础到进阶的解决方案供大家参考:) 一、502错误的本质和核心诱因 502错误属于HTTP状态码中的5xx系列，…...
锂电池保护板测试仪：电池安全的守护者与创新驱动力
在新能源产业蓬勃发展的今天，锂电池以其高能量密度、长循环寿命和环保特性，成为电动汽车、无人机、便携式电子设备等领域不可或缺的能量来源。然而，锂电池的安全性和稳定性一直是行业关注的焦点。为了确保锂电池在各种应用场景下的可靠运行&a…...
flowable-ui 的会签功能实现
场景：在进行智慧保时通开发时，有个协作合同入围功能，这个功能的流程图里有个评审小组，这个评审小组就需要进行会签操作，会签完成后，需要依据是否有不通过的情况选择下一步走的流程 思考步骤： 首…...
Python学习第十七天之PyTorch保姆级安装
PyTorch安装与部署 一、准备工作二、pytorch介绍三、CPU版本pytorch安装1. 创建虚拟环境2. 删除虚拟环境1. 通过环境名称删除2. 通过环境路径删除 3. 配置镜像源4. 安装pytorch1. 首先激活环境变量2. 进入pytorch官网，找到安装指令 5. 验证pytorch是否安装成功 四、…...
Kibana：Spotify Wrapped 第二部分：深入挖掘数据
作者：来自 Elastic Philipp Kahr 我们将比以往更深入地探究你的 Spotify 数据并探索你甚至不知道存在的联系。 在由 Iulia Feroli 撰写的本系列的第一部分中，我们讨论了如何获取 Spotify Wrapped 数据并在 Kibana 中对其进行可视化。在第 2 部分中&#…...
半导体晶圆精控：ethercat转profient网关数据提升制造精度
数据采集系统通过网关连接离子注入机，精细控制半导体晶圆制造过程中的关键参数。 在半导体制造中，晶圆制造设备的精密控制是决定产品性能的关键因素。某半导体工厂采用耐达讯Profinet转EtherCAT协议网关NY-PN-ECATM，将其数据采集系统与离子注…...
CMake小结2（PICO为例）
1 前言 之前写过一篇cmake，不过很简单：CMake小结_cmake ${sources}-CSDN博客 构建系统现在真的太多了，完全学不过来的感觉，meson，gardle，buildroot， Maven。。。我是真的有点放弃治疗了。之前…...
)
5. Go 方法(结构体的方法成员)
Go语言没有传统的 class ，为了让函数和结构体能够关联，Go引入了“方法”的概念。 当普通函数添加了接收者（receiver）后，就变成了方法。 一、函数和方法示例 // 普通函数 func Check(s string) string {return s }//…...
Linux查看和处理文件内容
1.文本文件 有字符集编码的文件 如：ASCII、UTF-8、Unicode、ANSI等 常见的文本文件 txt、xml、conf、properties、yml等配置文件、日志文 件、源代码 2.二进制文件 除文本文件外的文件 如：可执行程序、图片、音频、视频 3.cat 格式：…...
关于网络端口探测：TCP端口和UDP端口探测区别
网络端口探测是网络安全领域中的一项基础技术，它用于识别目标主机上开放的端口以及运行在这些端口上的服务。这项技术对于网络管理和安全评估至关重要。在网络端口探测中，最常用的两种协议是TCP（传输控制协议）和UDP（用…...
Spring IoC和DI
Spring IoC和DI 1 IOC1.1 什么是IoC？1.2 IoC 介绍1.2.1 传统程序开发1.2.2 问题分析1.2.3 IoC程序开发1.2.3 IoC 优势 1.3 DI 介绍 2. IoC & DI 使⽤IoC 详解Bean的存储1.1 Controller（控制器存储） 1.2 Service（服务存储&…...
centos9之ESXi环境下安装
一、centos9简介 CentOS Stream 9是一个基于RHEL（Red Hat Enterprise Linux）的开源操作系统。它是CentOS Stream系列的最新版本。CentOS Stream是一个中间发行版，位于RHEL和Fedora之间，旨在提供更及时的软件更新和新功能。CentOS …...
【论文学习】基于规模化Transformer模型的低比特率高质量语音编码
以下文章基于所提供的文档内容撰写，旨在对该论文“Scaling Transformers for Low-Bitrate High-Quality Speech Coding”进行较为系统和深入的分析与总结。 论文地址：https://arxiv.org/pdf/2411.19842 一、研究背景与动机 自20世纪70年代以来ÿ…...
Docker 2025/2/24
用来快速构建、运行和管理应用的工具。帮助部署。 快速入门 代码略 解释 docker run :创建并运行一个容器，-d是让容器在后台运行 --name mysql :给容器起个名字，必须唯一 -p 3306:3306 :设置端口映射 -e KEYVALUE :是设置环境变量 mysql :指定运行的…...
Rust语言基础知识详解【一】
1.在windows上安装Rust Windows 上安装 Rust 需要有 C 环境，以下为安装的两种方式： 1. x86_64-pc-windows-msvc（官方推荐） 先安装 Microsoft C Build Tools，勾选安装 C 环境即可。安装时可自行修改缓存路径与安装路…...
Kronecker分解（K-FAC）：让自然梯度在深度学习中飞起来
Kronecker分解（K-FAC）：让自然梯度在深度学习中飞起来 在深度学习的优化中，自然梯度下降（Natural Gradient Descent）是一个强大的工具，它利用Fisher信息矩阵（FIM）调整梯度…...
Ubutu部署WordPress
前言 什么是word press WordPress是一种使用PHP语言开发的建站系统，用户可以在支持PHP和MySQL数据库的服务器上架设WordPress。它是一个开源的内容管理系统（CMS），允许用户构建动态网站和博客。现在的WordPress已经强大到几乎可以…...
请解释 React 中的 Hooks，何时使用 Hooks 更合适？
一、Hooks 核心理解 1. 什么是 Hooks？ Hooks 是 React 16.8 引入的函数式编程范式，允许在函数组件中使用状态管理和生命周期能力。就像给函数组件装上了"智能芯片"，让原本只能做简单展示的组件具备了处理复杂逻辑的能力。 2. 类…...
在Linux桌面上创建Idea启动快捷方式
1、在桌面新建idea.desktop vim idea.desktop [Desktop Entry] EncodingUTF-8 NameIntelliJ IDEA CommentIntelliJ IDEA Exec/home/software/idea-2021/bin/idea.sh Icon/home/software/idea-2021/bin/idea.svg Terminalfalse TypeApplication CategoriesApplication;Developm…...
如何在netlify一键部署静态网站
1. 准备你的项目 确保你的静态网站文件（如 HTML、CSS、JavaScript、图片等）都在一个文件夹中。通常，项目结构如下： my-static-site/ ├── index.html ├── styles/ │ └── styles.css └── scripts/└── script.js…...