当前位置：首页 > news >正文

【AIGC】大模型面试高频考点-位置编码篇

news 来源：原创 2025/7/4 13:40:35

【AIGC】大模型面试高频考点-位置编码篇

- （一）手撕绝对位置编码算法
- （二）手撕可学习位置编码算法
- （三）手撕相对位置编码算法
- （四）手撕 Rope 算法（旋转位置编码）

（一）手撕绝对位置编码算法

class SinPositionEncoding(nn.Module):def __init__(self, max_sequence_length, d_model, base=10000):super().__init__()self.max_sequence_length = max_sequence_lengthself.d_model = d_modelself.base = basedef forward(self):pe = torch.zeros(self.max_sequence_length, self.d_model, dtype=torch.float)  # size(max_sequence_length, d_model)exp_1 = torch.arange(self.d_model // 2, dtype=torch.float)  # 初始化一半维度，sin位置编码的维度被分为了两部分exp_value = exp_1 / (self.d_model / 2)alpha = 1 / (self.base ** exp_value)  # size(dmodel/2)out = torch.arange(self.max_sequence_length, dtype=torch.float)[:, None] @ alpha[None, :]  # size(max_sequence_length, d_model/2)embedding_sin = torch.sin(out)embedding_cos = torch.cos(out)pe[:, 0::2] = embedding_sin  # 奇数位置设置为sinpe[:, 1::2] = embedding_cos  # 偶数位置设置为cosreturn peSinPositionEncoding(d_model=4, max_sequence_length=10, base=10000).forward()

（二）手撕可学习位置编码算法

class TrainablePositionEncoding(nn.Module):def __init__(self, max_sequence_length, d_model):super().__init__()self.max_sequence_length = max_sequence_lengthself.d_model = d_modeldef forward(self):pe = nn.Embedding(self.max_sequence_length, self.d_model)nn.init.constant(pe.weight, 0.)return pe

（三）手撕相对位置编码算法

class RelativePosition(nn.Module):def __init__(self, num_units, max_relative_position):super().__init__()self.num_units = num_unitsself.max_relative_position = max_relative_positionself.embeddings_table = nn.Parameter(torch.Tensor(max_relative_position * 2 + 1, num_units))nn.init.xavier_uniform_(self.embeddings_table)def forward(self, length_q, length_k):range_vec_q = torch.arange(length_q)range_vec_k = torch.arange(length_k)distance_mat = range_vec_k[None, :] - range_vec_q[:, None]distance_mat_clipped = torch.clamp(distance_mat, -self.max_relative_position, self.max_relative_position)final_mat = distance_mat_clipped + self.max_relative_positionfinal_mat = torch.LongTensor(final_mat).cuda()embeddings = self.embeddings_table[final_mat].cuda()return embeddingsclass RelativeMultiHeadAttention(nn.Module):def __init__(self, d_model, n_heads, dropout=0.1, batch_size=6):"Take in model size and number of heads."super(RelativeMultiHeadAttention, self).__init__()self.d_model = d_modelself.n_heads = n_headsself.batch_size = batch_sizeassert d_model % n_heads == 0self.head_dim = d_model // n_headsself.linears = _get_clones(nn.Linear(d_model, d_model), 4)self.dropout = nn.Dropout(p=dropout)self.relative_position_k = RelativePosition(self.head_dim, max_relative_position=16)self.relative_position_v = RelativePosition(self.head_dim, max_relative_position=16)self.scale = torch.sqrt(torch.FloatTensor([self.head_dim])).cuda()def forward(self, query, key, value):# embedding# query, key, value = [batch_size, len, hid_dim]query, key, value = [l(x).view(self.batch_size, -1, self.d_model) for l, x inzip(self.linears, (query, key, value))]len_k = query.shape[1]len_q = query.shape[1]len_v = value.shape[1]# Self-Attention# r_q1, r_k1 = [batch_size, len, n_heads, head_dim]r_q1 = query.view(self.batch_size, -1, self.n_heads, self.head_dim).permute(0, 2, 1, 3)r_k1 = key.view(self.batch_size, -1, self.n_heads, self.head_dim).permute(0, 2, 1, 3)attn1 = torch.matmul(r_q1, r_k1.permute(0, 1, 3, 2))r_q2 = query.permute(1, 0, 2).contiguous().view(len_q, self.batch_size * self.n_heads, self.head_dim)r_k2 = self.relative_position_k(len_q, len_k)attn2 = torch.matmul(r_q2, r_k2.transpose(1, 2)).transpose(0, 1)attn2 = attn2.contiguous().view(self.batch_size, self.n_heads, len_q, len_k)attn = (attn1 + attn2) / self.scaleattn = self.dropout(torch.softmax(attn, dim=-1))# attn = [batch_size, n_heads, len, len]r_v1 = value.view(self.batch_size, -1, self.n_heads, self.head_dim).permute(0, 2, 1, 3)weight1 = torch.matmul(attn, r_v1)r_v2 = self.relative_position_v(len_q, len_v)weight2 = attn.permute(2, 0, 1, 3).contiguous().view(len_q, self.batch_size * self.n_heads, len_k)weight2 = torch.matmul(weight2, r_v2)weight2 = weight2.transpose(0, 1).contiguous().view(self.batch_size, self.n_heads, len_q, self.head_dim)x = weight1 + weight2# x = [batch size, n heads, query len, head dim]x = x.permute(0, 2, 1, 3).contiguous()# x = [batch size, query len, n heads, head dim]x = x.view(self.batch_size * len_q, self.d_model)# x = [batch size * query len, hid dim]return self.linears[-1](x)

（四）手撕 Rope 算法（旋转位置编码）

import torch
import torch.nn as nn
import torch.nn.functional as F
import math# %%def sinusoidal_position_embedding(batch_size, nums_head, max_len, output_dim, device):# (max_len, 1)position = torch.arange(0, max_len, dtype=torch.float).unsqueeze(-1)# (output_dim//2)ids = torch.arange(0, output_dim // 2, dtype=torch.float)  # 即公式里的i, i的范围是 [0,d/2]theta = torch.pow(10000, -2 * ids / output_dim)# (max_len, output_dim//2)embeddings = position * theta  # 即公式里的：pos / (10000^(2i/d))# (max_len, output_dim//2, 2)embeddings = torch.stack([torch.sin(embeddings), torch.cos(embeddings)], dim=-1)# (bs, head, max_len, output_dim//2, 2)embeddings = embeddings.repeat((batch_size, nums_head, *([1] * len(embeddings.shape))))  # 在bs维度重复，其他维度都是1不重复# (bs, head, max_len, output_dim)# reshape后就是：偶数sin, 奇数cos了embeddings = torch.reshape(embeddings, (batch_size, nums_head, max_len, output_dim))embeddings = embeddings.to(device)return embeddings# %%
def RoPE(q, k):# q,k: (bs, head, max_len, output_dim)batch_size = q.shape[0]nums_head = q.shape[1]max_len = q.shape[2]output_dim = q.shape[-1]# (bs, head, max_len, output_dim)pos_emb = sinusoidal_position_embedding(batch_size, nums_head, max_len, output_dim, q.device)# cos_pos,sin_pos: (bs, head, max_len, output_dim)# 看rope公式可知，相邻cos，sin之间是相同的，所以复制一遍。如(1,2,3)变成(1,1,2,2,3,3)cos_pos = pos_emb[...,  1::2].repeat_interleave(2, dim=-1)  # 将奇数列信息抽取出来也就是cos 拿出来并复制sin_pos = pos_emb[..., ::2].repeat_interleave(2, dim=-1)  # 将偶数列信息抽取出来也就是sin 拿出来并复制# q,k: (bs, head, max_len, output_dim)q2 = torch.stack([-q[..., 1::2], q[..., ::2]], dim=-1)q2 = q2.reshape(q.shape)  # reshape后就是正负交替了# 更新qw, *对应位置相乘q = q * cos_pos + q2 * sin_posk2 = torch.stack([-k[..., 1::2], k[..., ::2]], dim=-1)k2 = k2.reshape(k.shape)# 更新kw, *对应位置相乘k = k * cos_pos + k2 * sin_posreturn q, k# %%
def attention(q, k, v, mask=None, dropout=None, use_RoPE=True):# q.shape: (bs, head, seq_len, dk)# k.shape: (bs, head, seq_len, dk)# v.shape: (bs, head, seq_len, dk)if use_RoPE:q, k = RoPE(q, k)d_k = k.size()[-1]att_logits = torch.matmul(q, k.transpose(-2, -1))  # (bs, head, seq_len, seq_len)att_logits /= math.sqrt(d_k)if mask is not None:att_logits = att_logits.masked_fill(mask == 0, -1e9)  # mask掉为0的部分，设为无穷大att_scores = F.softmax(att_logits, dim=-1)  # (bs, head, seq_len, seq_len)if dropout is not None:att_scores = dropout(att_scores)# (bs, head, seq_len, seq_len) * (bs, head, seq_len, dk) = (bs, head, seq_len, dk)return torch.matmul(att_scores, v), att_scoresif __name__ == '__main__':# (bs, head, seq_len, dk)q = torch.randn((8, 12, 10, 32))k = torch.randn((8, 12, 10, 32))v = torch.randn((8, 12, 10, 32))res, att_scores = attention(q, k, v, mask=None, dropout=None, use_RoPE=True)# (bs, head, seq_len, dk),  (bs, head, seq_len, seq_len)print(res.shape, att_scores.shape)

【AIGC】大模型面试高频考点-位置编码篇

【AIGC】大模型面试高频考点-位置编码篇 （一）手撕绝对位置编码算法（二）手撕可学习位置编码算法（三）手撕相对位置编码算法（四）手撕 Rope 算法（旋转位置编码&#xf…...

编程日记 2025/7/4 13:40:35

钓鱼攻击详解：鱼叉攻击与水坑攻击

钓鱼攻击详解：鱼叉攻击与水坑攻击在现代网络安全领域中，钓鱼攻击（Phishing）是一种最常见且有效的攻击手段。它通过欺骗用户，引导其泄露敏感信息或执行恶意操作，从而为攻击者打开大门。本文将深入介绍两种…...

编程日记 2025/7/4 13:31:21

如何在自动化安全测试中，实现多工具集成与数据融合，以提高对Spring Boot应用程序安全漏洞的检测效率与准确性？

为了在自动化安全测试中实现多工具集成与数据融合，以提高对Spring Boot应用程序安全漏洞的检测效率与准确性，可以采取以下策略和方法： 文章目录 1. 工具选择与集成2. 数据标准化与聚合3. 数据分析与融合4. 持续改进5. 实施示例 1. 工具选择与…...

编程日记 2025/7/4 13:29:18

框架篇面试

一、Spring框架中的单例bean的安全性 Spring框架中有一个Scope注解，默认的值就是singleton，单例的；因为一般在spring的bean中注入的都是无状态的对象，所以没有线程安全问题。但是如果在bean中定义了可修改的成员变量，…...

编程日记 2025/6/30 12:36:36

STM32滴答定时器SysTick理解+时基设置(4.1)

文章目录 1. 什么是滴答定时器？2. SysTick定时器初始化2.1 systick定时器时钟源？2.2 定时器四个寄存器 3 函数设置3.1SysTick_Config（uint32_t ticks）函数3.2初始化函数 4. 延时函数实现4.1 ms延时思路及实现4.2 us延时 1. 什么是…...

编程日记 2025/7/4 13:30:55

数字化时代下的企业合规管理：全球化背景下的挑战与机遇

在全球化浪潮的推动下，企业合规管理已成为企业发展中不可或缺的一部分。随着各国法规日益严格，以及数字化技术的飞速发展，企业在扩展业务的同时，也面临着越来越多的合规挑战。有效的合规管理不仅有助于提高企业的管理水平和运营效…...

编程日记 2025/7/4 11:03:05

读《Effective Java》笔记 - 条目17

条目17：使可变性最小化为什么要使可变性最小化？ 不可变对象天然是线程安全的，可以在多个线程之间安全共享。而可变对象需要添加额外的同步机制保证线程安全。不可变对象一旦创建就不会改变，便于追踪和理解代码。而可变对象的状态…...

编程日记 2025/7/4 13:30:25

对比json数据是否变化

在 JavaScript 中，你可以使用多种方法来对比两个 JSON 数据是否发生变化。以下是几种常见的方式： 1. 使用 JSON.stringify 最简单的方法是将两个 JSON 对象序列化为字符串，并比较这些字符串。但需要注意的是，这种方法对于对象属…...

编程日记 2025/7/2 13:31:35

云计算实验室建设方案

一、云计算实验室建设方案云计算实验教学整体解决方案，包括：云计算服务器集群、云计算实训平台、实训课程体系、行业实战课程系统、行业数据等，系统性地解决云计算实训教学的痛点问题。【硬件系统】云计算实训一体机云计算实训一体机是唯…...

编程日记 2025/7/1 11:30:49

一、理论基础-PSI

之前参加了隐语第2期，对隐语SecretFlow框架有了大致的了解，这次参加隐语第4期，学习下PSI和PIR。一、PSI定义首先介绍PSI的定义，PSI（隐私集合求交，Private Set Intersection即PSI)是安全多方计算&#x…...

编程日记 2025/7/4 12:48:34

C++学习0.2: RAII

引用： 【代码质量】RAII在C编程中的必要性_raii 在c中的重要性-CSDN博客 C RAII典型应用之lock_guard和unique_lock模板_raii lock-CSDN博客前言: 常用的线程间同步/通信（IPC）方式有锁（互斥锁、读写锁、自旋锁）、…...

编程日记 2025/7/1 8:36:16

机器学习基础

了解机器学习的基本概念，如监督学习、无监督学习、强化学习、模型评估指标（准确率、召回率、F1分数等）。机器学习（Machine Learning，ML）是人工智能（AI）的一个分支，它使计…...

编程日记 2025/7/4 13:23:29

传输层TCP_三次握手四次挥手的过程

三次握手四次挥手三次握手三次握手...

编程日记 2025/7/4 12:50:02

AI主流的生成式工作流框架

根据搜索结果，以下是一些2024年比较主流的生成式工作流框架： 1. LangChain：LangChain是一个用于构建生成式AI工作流的开发框架，它支持多种语言模型、工具、数据源及其他系统的集成。 2. DSPy：DSPy是一个生成式AI工作…...

编程日记 2025/7/4 13:09:19

【WRF后处理】WRF时区（UTC）需转化为北京时间（CST）！！！

目录 WRF运行时间标准注意事项-本地时区问题输入数据：ERA5时间标准ERA5数据和WRF模型需要转换为北京时间！！！北京时间（CST）与协调世界时（UTC）的关系转换方法参考 WRF运行时间标准 …...

编程日记 2025/7/4 13:20:20

Qt 2D绘图之五：图形视图框架的结构、坐标系统和框架间的事件处理与传播

参考文章链接： Qt 2D绘图之五：图形视图框架的结构和坐标系统 Qt 2D绘图之六：图形视图框架的事件处理与传播图形视图框架的结构在前面讲的基本绘图中，我们可以自己绘制各种图形，并且控制它们。但是，如果需要同时绘制很多个相同或不同的图形，并且要控制它们的移动、…...

编程日记 2025/7/4 12:59:22

游戏引擎学习第34天

仓库:https://gitee.com/mrxiao_com/2d_game #这天内容比较多开场介绍游戏开发行业的基础是使用C和C编程，这是当今几乎所有游戏的开发标准。市面上广受欢迎的游戏，如《使命召唤》或《侠盗猎车手》，它们的底层代码和引擎几乎无一例外地采…...

编程日记 2025/7/4 12:50:01

深度学习笔记——模型压缩和优化技术（蒸馏、剪枝、量化）

本文详细介绍模型训练完成后的压缩和优化技术：蒸馏、剪枝、量化。文章目录 1. 知识蒸馏 (Knowledge Distillation)基本概念工作流程关键技术类型应用场景优势与挑战优势挑战总结 2. 权重剪枝 (Model Pruning)基本原理二分类1. 非结构化剪枝（Unstructur…...

编程日记 2025/7/2 6:19:05

[在线实验]-RabbitMQ镜像的下载与部署

镜像下载 docker的rabbitmq镜像资源-CSDN文库加载镜像 docker load --input rabbitmq.tar 给镜像打标签这里发现镜像名为none，需要给镜像重命名下 docker tag [镜像id] [新镜像名称]:[新镜像标签] docker tag ebaf409ffbe2 rabbitmq:management 运行镜像…...

编程日记 2025/7/1 4:26:03

Netty 入门应用：结合 Redis 实现服务器通信

在上篇博客中，我们了解了 Netty 的基本概念和架构。本篇文章将带你深入实践，构建一个简单的 Netty 服务端，并结合 Redis 实现一个数据存取的示例。在这个场景中，Redis 作为缓存存储，Netty 作为服务端处理客户端请求。通…...

编程日记 2025/7/4 13:07:56

【新品发布】ESP32-P4开发板 —— 启明智显匠心之作，为物联网及HMI产品注入强劲动力

核心亮点： ESP32-P4开发板，是启明智显精心打造的一款高性能物联网开发板。它专为物联网项目及HMI（人机界面）产品而设计，旨在为您提供卓越的性能和稳定可靠的运行体验。强大硬件配置： 双核400MHz RISC-V处…...

编程日记 2025/7/4 13:32:04

MeterSphere 使用脚本处理数据

1、前置/后置脚本支持BeanShell(JSR223)、python、groovy、JavaScript脚本语言，推荐BeanShell(JSR223)。在前置脚本中可以直接引用JMeter 预定义对象，例如： -- log：用于在脚本执行过程中打印日志 //打印“Hello World!”到info…...

编程日记 2025/7/2 3:53:50

如何获取谷歌新闻API密钥？

在信息获取和新闻传播领域，快速获取最新的新闻动态至关重要。谷歌新闻API为开发者提供了强大的工具，能够方便地集成全球各类新闻内容。通过使用该API，开发者可以实现对新闻的实时访问和管理，为用户提供丰富的信息服务。本文将指导…...

编程日记 2025/7/3 20:15:33

【全网最新】若依管理系统基于SpringBoot的前后端分离版本开发环境配置

目录提前准备： 下载源代码设置依赖设置后台连接信息运行后台运行前端安装npm依赖启动前端登录网页客户端提前准备： 1、安装mysql 5以上就可以。 2、安装redis. 3、安装npm npm下载地址：https://nodejs.org/dist/v22.12…...

编程日记 2025/7/4 13:08:34

备赛蓝桥杯--算法题目(3)

1. 2的幂 231. 2 的幂 - 力扣（LeetCode） class Solution { public:bool isPowerOfTwo(int n) {return n>0&&n(n&(-n));} }; 2. 3的幂 326. 3 的幂 - 力扣（LeetCode） class Solution { public:bool isPowerOfT…...

编程日记 2025/7/2 17:57:23

如何解决 java.nio.charset.CoderMalfunctionError: 编码器故障错误问题？亲测有效的解决方法！

java.nio.charset.CoderMalfunctionError 是一个在 Java 中相对较少遇到的异常，通常与字符编码转换过程中的错误有关。当 Java 程序在进行字符编码转换时，遇到无法处理的字符或编码故障时，就会抛出该异常。 1. 问题描述 java.nio.charset.C…...

编程日记 2025/7/3 18:03:18

电气自动化基于PLC控制的四路抢答器设计

摘要本文描述了一款用三菱FX3U-48M可编程控制器设计的四路抢答器的系统构成、设计思路和功能。此抢答系统除了有基本抢答功能之外，还有计时、计算得分、亮灯提提示以及蜂鸣提醒功能。程序中设定答题时间，在主持人未按下开始抢答按钮之前，选…...

编程日记 2025/7/4 13:10:20

GA优化后的RBF神经网络

遗传算法（Genetic Algorithm, GA）优化后的RBF（Radial Basis Function）神经网络是一种结合进化算法与神经网络的混合模型，用于改进RBF神经网络的性能。以下是该模型的基本原理和相关公式： clear all close a…...

编程日记 2025/7/2 1:27:25

Scala：正则表达式

object test03 {//正则表达式def main(args: Array[String]): Unit {//定义一个正则表达式//1.[ab]:表示匹配一个字符，或者是a，或者是b//2.[a-z]:表示从a到z的26个字母中的任意一个//3.[A-Z]:表示从A到Z的26个字母中的任意一个//4.[0-9]:表示从0到9的10…...

编程日记 2025/7/4 12:56:00

vulnhub靶场之【hacksudo】1.0.1

前言靶机：hacksudo 192.168.1.45 攻击：kali 192.168.1.16 都是虚拟机环境，桥接模式主机发现使用netdiscover或者arp-scan -l扫描 netdiscover -r 192.168.1.1/24信息收集使用nmap扫描因为看到2222是ssh服务，所以又扫…...

编程日记 2025/7/4 13:06:17

第4章：颜色和背景 --[CSS零基础入门]

在 CSS 中，颜色和背景属性是用于美化网页元素的重要工具。你可以通过多种方式定义颜色，并且可以设置元素的背景颜色、图像、渐变等。以下是关于如何在 CSS 中使用颜色和背景的一些关键点和示例。 1.颜色表示法当然！以下是使用不同颜色表示…...

编程日记 2025/7/4 12:09:30

加密保存格式：pbkdf2_sha256$迭代次数$盐$哈希值 admin可能的结果:pbkdf2_sha256$10000$yzsusUJwrGfonwZzVxlnA$vgf/OgLf5C4wtQLtfNY9d68Hhxgv8eqZ0mwfxCqqeU import os import hashlib import base64 def password_encrypt(password, saltNone, iterations1000…...

编程日记 2025/7/3 3:48:45

React第十三节开发中常见问题之（视图更新、事件处理）

一、视图更新有哪些方案？ 1、对于数据变量正常的增删改查，只会让数据更新，但是不会触发 React 视图的更新； 如： <script lang"jsx">const baseTable [{name:Andy, age: 18, id: 1},{name:Jack, a…...

编程日记 2025/7/4 8:10:05

PyTorch 深度学习框架简介：灵活、高效的 AI 开发工具

PyTorch 深度学习框架简介：灵活、高效的 AI 开发工具 PyTorch 作为一个深度学习框架，以其灵活性、可扩展性和高效性广受欢迎。无论是在研究领域进行创新实验，还是在工业界构建生产级的深度学习模型，PyTorch 都能提供所需的工具和…...

编程日记 2025/6/29 22:13:55

Vue 3 中的计算属性（Computed Properties）详解

目录 Vue 3 中的计算属性（Computed Properties）详解引言什么是计算属性？ 创建和使用计算属性示例 1：基本用法示例 2：带有 getter 和 setter 的计算属性计算属性 vs 方法 Vue 3 中的计算属性（Co…...

编程日记 2025/6/30 1:25:57

RocketMQ 过滤消息基于tag过滤和SQL过滤

RocketMQ 过滤消息分为两种，一种tag过滤，另外一种是复杂的sql过滤。 tag过滤首先创建producer然后启动，在这里创建了字符串的数组tags。字符串数组里面放置了多个字符串，然后去发送15条消息。 15条消息随着i的增长，…...

编程日记 2025/7/2 5:52:53

AI开发：知识图谱的初识，学会制作知识图谱- Python 机器学习

一、知识图谱的概念知识图谱是一个通过图结构来表示和组织知识的工具，它将事物、概念和它们之间的关系以图的形式呈现出来，图中的节点代表实体（比如人物、地点、事件等），而边代表这些实体之间的各种关系（…...

编程日记 2025/6/30 16:10:25

windows系统的环境变量(系统变量)不能编辑可能是这个原因

有些电脑从开始菜单那搜索“环境变量”后是没法编辑系统变量的，只能从设置里面进”环境变量“来进行编辑。可以观察到系统环境变量即便是点击到了,但还是无法进行编辑...

编程日记 2025/6/28 21:02:46

各种服务器使用 yum 安装 nginx

1. 在Red Hat Enterprise Linux (RHEL) 及其衍生版本（如CentOS, Oracle Linux, Rocky Linux, AlmaLinux）上安装Nginx的步骤如下： 安装前提条件首先，确保系统已安装yum-utils工具，这将有助于管理软件包和仓库&#x…...

编程日记 2025/7/2 16:19:06

基于BesselJ函数，构建AI中的卷积神经网络之新型卷积核

原创：daode3056(daode1212) BesselJ函数,来自微分方程： 它有通解有以下形式： 就取J0--J5的函数图像，如下： 现取J1(x),也就是红色的这支，作新的函数： 这一函数的导数与不定积分如下：…...

编程日记 2025/7/2 23:48:50

容器镜像仓库

文章目录 1、docker hub1_注册2_登录3_创建容器镜像仓库4_在本地登录Docker Hub5_上传容器镜像6_下载容器镜像 2、harbor1_获取 docker compose二进制文件2_获取harbor安装文件3_获取TLS文件4_修改配置文件5_执行预备脚本6_执行安装脚本7_验证运行情况8_访问harborUI界面9_harb…...

编程日记 2025/6/30 12:17:53

qtcanpool 知 08：Docking

文章目录前言口味改造后语前言很久以前，作者用 Qt 仿照前端 UI 设计了一个 ministack（https://gitee.com/icanpool/qtcanpool/blob/release-1.x/src/libs/qcanpool/ministack.h） 控件，这个控件可以折叠。部分用户体验后&#…...

编程日记 2025/6/30 1:28:27

车载VR可视化解决方案

车载VR可视化解决方案是通过融合跟踪用户头部运动的特殊预测算法与惯性测量数据而开发的。该系统将大范围虚拟现实跟踪技术与IMU传感器相结合，为VR和AR应用打造了一套全面的运动跟踪与渲染流程，极大地方便了虚拟现实头显制造商定制可视化流程。该车载VR…...

编程日记 2025/7/2 21:56:10

hhdb数据库介绍(10-43)

安全密码安全管理密码安全管理为用户提供了对计算节点数据库用户与存储节点的连接用户、备份用户的密码有效期监控提醒。到期后自动提示用户修改密码以提升系统的安全性。数据库用户密码 （一）密码修改用户可以在“安全->密码安全管理->数据…...

编程日记 2025/7/1 11:51:39

【优选算法二分查找】二分查找入门详解：二分查找＆在排序数组中查找元素的第一个和最后一个位置

二分查找题目描述题目解析暴力解法我们可以从左往右遍历一次数组，如果存在 target 则返回数组的下标，否则返回 -1； 时间复杂度 O(N)，因为没有利用数组有序的特点，每次比较只能舍弃一个要比较的数&…...

编程日记 2025/7/2 14:05:09

Python导入moviepy找不到editor 视频没有声音设置audio_codec参数

moviepy合成视频出错： 问题一：导入moviepy.editor找不到editor，No module named moviepy.editor问题二：合成的视频没有声音问题一：导入moviepy.editor找不到editor，No module named moviepy.editor from …...

编程日记 2025/7/2 3:42:36