<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[crazyjinks的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/crazyjinks</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; crazyjinks]]></copyright><item><title><![CDATA[什么是秩融合（Rank Fusion）-基于一个kaggle比赛的实践理解]]></title><link>https://blog.youkuaiyun.com/crazyjinks/article/details/168029212</link><guid>https://blog.youkuaiyun.com/crazyjinks/article/details/168029212</guid><author>crazyjinks</author><pubDate>Thu, 15 Oct 2026 20:03:56 +0800</pubDate><description><![CDATA[假设有MMMp1xp2xpMxp1​xp2​xpM​xpprobx∑m1Mwmpmx∑mwm1pprob​xm1∑M​wm​pm​xm∑​wm​1秩融合先在同一批样本内把每个模型的预测转换成名次或百分位，再融合名次。令rmxr_m(x)rm​x表示模型mmmrmxrank⁡pmxNrm​xNrankpm​x。]]></description><category></category></item><item><title><![CDATA[ICCV 2019【从颜色科学到相机】08_从软件 ISP 到学习式成像，如何选择研究问题与数据集？]]></title><link>https://blog.youkuaiyun.com/crazyjinks/article/details/168022432</link><guid>https://blog.youkuaiyun.com/crazyjinks/article/details/168022432</guid><author>crazyjinks</author><pubDate>Thu, 15 Oct 2026 15:00:42 +0800</pubDate><description><![CDATA[这篇梳理讲义介绍的软件相机管线、AWB、真实噪声、低照度、去马赛克和 RAW 重建。时间范围以讲义为准，主要覆盖 2016～2019 年前后的代表工作，不是 2026 年最新榜单。关键词：计算摄影、软件 ISP、SIDD、SID、去噪、去马赛克。]]></description><category></category></item><item><title><![CDATA[ICCV 2019【从颜色科学到相机】07_五个常见颜色误区，为什么逆 Gamma 救不了所有问题？]]></title><link>https://blog.youkuaiyun.com/crazyjinks/article/details/168022295</link><guid>https://blog.youkuaiyun.com/crazyjinks/article/details/168022295</guid><author>crazyjinks</author><pubDate>Thu, 15 Oct 2026 14:58:04 +0800</pubDate><description><![CDATA[本文集中讨论讲义后半部分最有工程价值的内容：当输入图像经过相机管线后，哪些常见数学假设会失效？每个问题都按“错误假设—原因—处理办法”展开。关键词：计算机视觉、线性成像、去模糊、白平衡、域偏移。]]></description><category></category></item><item><title><![CDATA[ICCV 2019【从颜色科学到相机】06_相机为什么有自己的“味道”？色调映射、3D LUT 与 JPEG]]></title><link>https://blog.youkuaiyun.com/crazyjinks/article/details/168022095</link><guid>https://blog.youkuaiyun.com/crazyjinks/article/details/168022095</guid><author>crazyjinks</author><pubDate>Thu, 15 Oct 2026 14:54:43 +0800</pubDate><description><![CDATA[前面的传感器校正和颜色转换，还不能解释为什么同一份 RAW 可以产生不同风格的照片。关键在于 photo-finishing，也就是相机为了视觉效果施加的颜色与色调渲染。关键词：ISP、色调映射、3D LUT、JPEG、ICC。]]></description><category></category></item><item><title><![CDATA[ICCV 2019【从颜色科学到相机】05_白平衡不是颜色标定，从灰世界到颜色矩阵插值]]></title><link>https://blog.youkuaiyun.com/crazyjinks/article/details/168021891</link><guid>https://blog.youkuaiyun.com/crazyjinks/article/details/168021891</guid><author>crazyjinks</author><pubDate>Thu, 15 Oct 2026 14:51:22 +0800</pubDate><description><![CDATA[白纸变白了，其他颜色就一定正确吗？为什么不同相机在同一种灯下需要不同白平衡系数？本文把照明估计、白平衡、色适应与颜色标定分开说明。关键词：白平衡、AWB、灰世界、颜色校正矩阵、色温。]]></description><category></category></item><item><title><![CDATA[ICCV 2019【从颜色科学到相机】04_RAW 到底是什么？从传感器、黑电平到去马赛克]]></title><link>https://blog.youkuaiyun.com/crazyjinks/article/details/167080755</link><guid>https://blog.youkuaiyun.com/crazyjinks/article/details/167080755</guid><author>crazyjinks</author><pubDate>Sun, 04 Oct 2026 11:42:37 +0800</pubDate><description><![CDATA[RAW 不是“一张比较暗的 RGB 照片”。它通常保存更接近传感器采样的数据及解释这些数据所需的元信息。本文解释 Bayer、曝光、ISO、黑电平、镜头阴影校正、去马赛克与噪声的关系。关键词：RAW、Bayer、黑电平、去马赛克、图像传感器。]]></description><category></category></item><item><title><![CDATA[ICCV 2019【从颜色科学到相机】03_RGB 不等于 sRGB，Gamma、Lab 和“亮度”]]></title><link>https://blog.youkuaiyun.com/crazyjinks/article/details/167075072</link><guid>https://blog.youkuaiyun.com/crazyjinks/article/details/167075072</guid><author>crazyjinks</author><pubDate>Sun, 04 Oct 2026 11:35:41 +0800</pubDate><description><![CDATA[把 RGB 数组除以 255 就是线性图像吗？灰度图是否代表场景亮度？本文给出可直接用于代码的 sRGB 公式，并解释常见色彩空间各自解决什么问题。关键词：sRGB、Gamma、CIE Lab、Luminance、Luma。]]></description><category></category></item><item><title><![CDATA[ICCV 2019【从颜色科学到相机】02_颜色从哪里来？从光谱、同色异谱到 CIE XYZ]]></title><link>https://blog.youkuaiyun.com/crazyjinks/article/details/167074537</link><guid>https://blog.youkuaiyun.com/crazyjinks/article/details/167074537</guid><author>crazyjinks</author><pubDate>Sun, 04 Oct 2026 09:49:21 +0800</pubDate><description><![CDATA[为什么三种光可以表达大量颜色？为什么两个物体看起来颜色相同，换一盏灯却不同？本文从光谱出发，建立后续理解白平衡和色彩空间所需的基础。关键词：光谱、同色异谱、CIE XYZ、色度图、颜色科学。]]></description><category></category></item><item><title><![CDATA[ICCV 2019【从颜色科学到相机】01_为什么照片不是光照测量]]></title><link>https://blog.youkuaiyun.com/crazyjinks/article/details/166995997</link><guid>https://blog.youkuaiyun.com/crazyjinks/article/details/166995997</guid><author>crazyjinks</author><pubDate>Sat, 03 Oct 2026 00:33:12 +0800</pubDate><description><![CDATA[本文是“从颜色科学到相机 ISP”专题的开篇，基于 Michael S. Brown 的 ICCV 2019 教程整理。适合计算机视觉、图像处理与相机开发入门读者。阅读后，你将能区分传感器测量、相机渲染和图像编码，并判断自己的算法应使用 RAW 还是成品照片。关键词：计算机视觉、ISP、RAW、sRGB、颜色科学。]]></description><category></category></item><item><title><![CDATA[nomachine已死？用 Sunshine + Moonlight实现内网远程桌面]]></title><link>https://blog.youkuaiyun.com/crazyjinks/article/details/166842349</link><guid>https://blog.youkuaiyun.com/crazyjinks/article/details/166842349</guid><author>crazyjinks</author><pubDate>Tue, 29 Sep 2026 14:55:37 +0800</pubDate><description><![CDATA[最近在学习SLAM，本文记录了一次真实的远程图形环境部署过程，可以考虑把这个文章链接直接给AI工具，然后让AI给你装，现在已经不是手搓时代了：为 Ubuntu 24.04 + RTX 5090 服务器配置 HDMI 欺骗器、Xorg、Sunshine 和 Moonlight，把一个能运行 Pangolin/OpenGL 程序的桌面以 4K 60 FPS 串流到 Apple Silicon Mac 上，为后续运行 Lightning-LM 做准备。]]></description><category></category></item><item><title><![CDATA[# CORS 配置有问题？啥是跨域？啥是CORS？]]></title><link>https://blog.youkuaiyun.com/crazyjinks/article/details/164271016</link><guid>https://blog.youkuaiyun.com/crazyjinks/article/details/164271016</guid><author>crazyjinks</author><pubDate>Wed, 02 Sep 2026 01:28:46 +0800</pubDate><description><![CDATA[<think>我们根据要求生成摘要，≤150字。需要提炼文章核心：CORS机制、跨域概念、常见问题、配置要点。摘要需简洁。</think>CORS 是浏览器基于同源策略的跨域例外机制，由服务端声明、浏览器执行。配置过紧会拦截合法请求，过松则成安全漏洞。需区分简单请求与预检请求，正确设置 Allow-Origin、Credentials 等头，并将 OPTIONS 放行至鉴权前。Postman 正常不代表浏览器通过，响应 200 也可能被拦截。]]></description><category></category></item><item><title><![CDATA[用 Headscale + Tailscale 自建虚拟组网：让散落在互联网上的上百台机器人「像在同一个局域网」一样调试]]></title><link>https://blog.youkuaiyun.com/crazyjinks/article/details/164232461</link><guid>https://blog.youkuaiyun.com/crazyjinks/article/details/164232461</guid><author>crazyjinks</author><pubDate>Tue, 01 Sep 2026 01:39:49 +0800</pubDate><description><![CDATA[Overlay Mesh VPN 与反向代理不是竞品，是不同抽象层：frp 暴露「服务」，Headscale/Tailscale 组建「网络」。机器人舰队运维要的是后者。一句话记住控制面/数据面分离：Headscale 只做介绍人，∼90\sim 90\%∼90%的流量根本不经过你的服务器，所以一台 2C2G 小云主机能撑起上百台设备。能否 P2P 的判据是 NAT 的映射行为，而不是「有没有公网 IP」DirectAB⟺EIMA∨EIMB∧¬APD。]]></description><category></category></item><item><title><![CDATA[为什么 `ssh -p` 是小写,`scp -P` 却是大写?]]></title><link>https://blog.youkuaiyun.com/crazyjinks/article/details/164027327</link><guid>https://blog.youkuaiyun.com/crazyjinks/article/details/164027327</guid><author>crazyjinks</author><pubDate>Mon, 24 Aug 2026 17:52:45 +0800</pubDate><description><![CDATA[用 Linux 的人多半都遇到过这么个小别扭:把 SSH 端口从 22 改掉之后, 用得好好的,换成  传文件,顺手敲  却报错——这里得用大写的 。答案的关键其实不在 SSH,而在一个更早的工具身上。上世纪 80 年代初的 BSD Unix 里,已经有了一整套"r 系列"远程命令:(远程登录)、(远程执行)、(远程拷贝)。它们明文传输、设计简单,在那个内网基本互信的年代够用了。其中和我们今天这个问题直接相关的是 (Remote Copy)。它有个挺常用的选项:
记住这个  = preserve 的设定就好]]></description><category></category></item><item><title><![CDATA[具身智能论文伴读 | 第一期 | 精读 06 | 3.2.2 Multi-Head Attention:为什么“多个小注意力“胜过“一个大注意力]]></title><link>https://blog.youkuaiyun.com/crazyjinks/article/details/163449683</link><guid>https://blog.youkuaiyun.com/crazyjinks/article/details/163449683</guid><author>crazyjinks</author><pubDate>Mon, 03 Aug 2026 20:59:26 +0800</pubDate><description><![CDATA[原始输入中的每个 token 是一个 512 维向量。XWiQXWiKXWiVXWiQ​XWiK​XWiV​不同 head 使用不同的投影矩阵，因此它们得到的 64 维表示也不同。可以将其理解为：每个头都使用一套不同的坐标系统重新描述同一个 token。词义信息；位置信息；动作信息；指代信息；实体信息；上下文信息。某个头的投影可能组合出更适合表示动作关系的特征，另一个头的投影可能形成更适合表示指代关系的特征。]]></description><category></category></item><item><title><![CDATA[具身智能论文伴读 | 第一期 | 精读 05｜Attention Is All You Need | 把“注意力“拆解成 query-key-value,以及√dk]]></title><link>https://blog.youkuaiyun.com/crazyjinks/article/details/163268847</link><guid>https://blog.youkuaiyun.com/crazyjinks/article/details/163268847</guid><author>crazyjinks</author><pubDate>Wed, 29 Jul 2026 17:33:00 +0800</pubDate><description><![CDATA[摘要 本文深入解析Transformer中的注意力机制，重点拆解了Scaled Dot-Product Attention的工作原理。注意力函数被抽象定义为将查询(query)、键值对(key-value pairs)映射为输出的过程，其中输出是值的加权和，权重由查询与键的兼容性函数计算。作者的具体实现采用点积作为兼容性函数，并引入关键的缩放因子√dk（dk是键的维度）：先计算查询与所有键的点积，除以√dk后进行softmax归一化，最后加权求和值向量。论文特别论证了√dk的作用——防止点积结果随维度增加而]]></description><category></category></item><item><title><![CDATA[从AR、MA、ARMA，到ARIMA：一条让你体会时间序列建模的演进之路]]></title><link>https://blog.youkuaiyun.com/crazyjinks/article/details/163013661</link><guid>https://blog.youkuaiyun.com/crazyjinks/article/details/163013661</guid><author>crazyjinks</author><pubDate>Sun, 19 Jul 2026 11:02:53 +0800</pubDate><description><![CDATA[在动手之前,我们得先明白时间序列和普通数据的根本区别。普通的回归问题里,样本之间通常是相互独立的——张三的身高和李四的身高没什么关系。今天的值和昨天的值高度相关。今天的气温、今天的股价、今天的销量,都强烈依赖于它们前几天的状态。用「过去」来解释和预测「现在」。AR、MA、ARMA、ARIMA 这一整个家族,本质上都是在回答同一个问题——「过去」应该以什么样的形式,来影响「现在」?它们的区别,仅仅在于对这个「形式」的假设不同。带着这句话,我们正式出发。]]></description><category></category></item><item><title><![CDATA[具身智能论文伴读 | 第一期 | 精读 04｜Attention Is All You Need:如何用 self-attention 和前馈层搭出一个完全不依赖循环结构]]></title><link>https://blog.youkuaiyun.com/crazyjinks/article/details/163012018</link><guid>https://blog.youkuaiyun.com/crazyjinks/article/details/163012018</guid><author>crazyjinks</author><pubDate>Sun, 19 Jul 2026 10:38:17 +0800</pubDate><description><![CDATA[这两段在做一件事:先交代 Transformer 沿用了序列转导任务中久经检验的,再逐层说明它在这个骨架内部具体堆了哪些模块、怎么连接。这不是摘要,而是正文的方法描述段落,方法描述段落有自己的组织逻辑,通常是:先说"我和前人共享什么结构"(定位),再说"我在这个结构里换了什么、怎么搭"(细节)。]]></description><category></category></item><item><title><![CDATA[具身智能论文伴读 | 第一期 | 精读 03｜Attention Is All You Need · Background:一篇“相关工作“是怎么给自己划地盘的]]></title><link>https://blog.youkuaiyun.com/crazyjinks/article/details/162973452</link><guid>https://blog.youkuaiyun.com/crazyjinks/article/details/162973452</guid><author>crazyjinks</author><pubDate>Fri, 17 Jul 2026 20:14:45 +0800</pubDate><description><![CDATA[具身智能论文伴读 | 第一期 | 精读 03｜Attention Is All You Need · Background 本文聚焦Transformer论文的背景章节，揭示其"圈地"策略： 问题定位：延续引言思路，围绕"减少串行计算"这一核心问题展开讨论。 竞争对手分析： 第一拨（卷积家族）：肯定CNN模型（Extended Neural GPU等）的并行能力，但指出其远距离关联成本随距离增长（线性/对数级）的缺陷 第二拨（自注意力）：定义核心机制，突出其序列内部关联的优势 创新点宣示]]></description><category></category></item><item><title><![CDATA[具身智能论文伴读 | 第一期 | 精读 02｜Attention Is All You Need:引言是如何“给旧王朝判死刑“的]]></title><link>https://blog.youkuaiyun.com/crazyjinks/article/details/162945007</link><guid>https://blog.youkuaiyun.com/crazyjinks/article/details/162945007</guid><author>crazyjinks</author><pubDate>Fri, 17 Jul 2026 14:14:33 +0800</pubDate><description><![CDATA[问题,把死穴的代价说死。大白话:这种天生串行的特性,堵死了"在单个训练样本内部做并行"的可能;而序列越长,这个问题越致命,因为内存限制又让你没法靠"一次多塞几个样本"来凑数。inherently sequential(天生就是串行的):inherently = “本质上、天生地”,作者用这个词是在强调"这不是调调参数能修的,是娘胎里带的precludes parallelization(排除了并行的可能):preclude = “使…不可能、阻止”。]]></description><category></category></item><item><title><![CDATA[具身智能论文伴读 | 第一期 | 精读 01 ｜Attention Is All You Need | part 1 摘要]]></title><link>https://blog.youkuaiyun.com/crazyjinks/article/details/162944007</link><guid>https://blog.youkuaiyun.com/crazyjinks/article/details/162944007</guid><author>crazyjinks</author><pubDate>Thu, 16 Jul 2026 19:22:56 +0800</pubDate><description><![CDATA[反过来想,假如他们是在8块廉价的老芯片上跑出来的,那"廉价"就成了优势,作者一定会大写特写"我们仅用8张奔腾芯片就训练完成"。作者特意说明"我连你们的集成模型都超过了2分以上",是在提前回应可能的质疑:你别拿更强的组合配置来比,我把最强的配置也比下去了。作者没有解释"2分有多难",因为面向的是行内读者,点到即可——这也是写作的分寸:对专业读者,常识不必展开。这是"方法",也是全文的核心主张:我们提出一个新的、简单的网络结构,叫 Transformer,它完全基于注意力机制,彻底摒弃了循环和卷积。]]></description><category></category></item></channel></rss>