qq_43663263的博客

INT8 量化为什么不准：五组实测拆解误差的四个来源

qq_43663263 — Mon, 14 Sep 2026 10:00:00 +0800

把模型从 FP32 压到 INT8，精度掉了 3 个点该调哪里？多数人第一反应是去折腾校准策略，但实测结论相反：量化粒度（per-channel）值 +10 dB，而百分位裁剪只值 0.3 dB、选错还能崩 18 dB。本文用 5 组零依赖可复现实验，拆开 INT8 量化的四个误差来源——粒度、校准、累加器溢出、舍入——并给出一张收益排行榜与"哪些层不能量化"的判断依据，最后接回《组成原理》的定点数与 IEEE 754 舍入。

从磁盘到网卡：sendfile 零拷贝到底省了什么

qq_43663263 — Mon, 14 Sep 2026 09:00:00 +0800

发一个文件到网络，最直觉的 read()+write() 让同一份数据在内存里被搬了 4 趟（2 次 DMA + 2 次 CPU 拷贝）。本文用一张数据通路图讲清这 4 趟分别在数什么——页缓存、copy_to_user、copy_from_user、DMA——再用 sendfile 零拷贝把它砍到 2 次 DMA、用户态 0 字节经手；并附本机实测（256MB 文件，mmap vs read 零拷贝吞吐 2.02x、少经手 256MB CPU 拷贝）。

分支覆盖率 80% 意味着什么：从插桩原理到 gcov / llvm-cov 数据流

qq_43663263 — Mon, 14 Sep 2026 09:00:00 +0800

你的覆盖率门禁看的是行覆盖还是分支覆盖？同一个 3 行函数，行覆盖 100% 时分支覆盖只有 50%。本文从编译器插桩原理讲起——每个基本块塞一个 i64 计数器，运行时 +1——用 gcov / llvm-cov 双链路实测，并贴出 LLVM IR 里的计数器数组，告诉你「80% 分支覆盖率」到底意味着什么：每 100 个分支出口还有 20 个从未走过，而那 20% 恰好是最容易出 bug 的错误处理与边界路径。

改一行代码要重编三分钟？ccache 到底在缓存什么

qq_43663263 — Sat, 12 Sep 2026 16:52:09 +0800

改一行代码要重编三分钟？这钱大多花在"不敢跳过"上。本文用 200 行可运行代码复刻 ccache 的核心机制：先 g++ -E 做预处理拿到真实文本，再用 FNV-1a 给"预处理结果+编译选项"算内容指纹，命中就直接复制缓存的 .o。五个场景实测带你看出——干净构建全 MISS、再构建全 HIT、改头文件触发全量级联、换编译选项必 MISS。顺便拆开构建系统的两级缓存（mtime 快筛 → 内容指纹精筛）为什么 mtime 不可靠、为什么指纹才能跨机器命中。

从写代码到看 CPU：一条赋值语句在硬件里走了多远？（数据通路通俗版）

qq_43663263 — Sat, 12 Sep 2026 16:35:52 +0800

一行 a = a + 1，从你按下保存到内存里真的变成 a+1，中间要跨过至少 6 层抽象、经过几十个硬件单元。本文把它拆到晶体管之上、汇编之下，用 objdump/perf 实锤看它在 CPU 数据通路里走了多远，以及这和你写的每一行代码有什么关系。

从 Cache 局部性看 stride 对齐：为什么逐行扫描能快好几倍

qq_43663263 — Fri, 04 Sep 2026 09:00:00 +0800

同一段求和代码，只因遍历顺序从逐行改成逐列，一张 8192×8192 的图像就慢了 50 倍。本文用实测拆开 cache line 64 字节的秘密——"搬一次用 64 次"和"搬一次用 1 次"的差距，并给出 tiling 分块、stride 对齐、伪共享三个实测解法。

C++ 实时图像滤镜的内存陷阱：一次多余的分配，让每帧多花 31.6 MiB

qq_43663263 — Thu, 03 Sep 2026 01:27:58 +0800

实时图像处理最常见的内存坑不是泄漏，是每帧多分配一张 4K 图。本文用可复现 demo + 实测数据讲清：清零成本、calloc 误区、早返回为什么才是大头，以及它背后的虚拟内存原理。

C++实现已知一点求平行于某一直线且距离为d的直线

qq_43663263 — Thu, 22 Jun 2023 13:44:10 +0800

【代码】C++实现已知一点求平行于某一直线且距离为d的直线。

C++实现计算多边形面积

qq_43663263 — Thu, 22 Jun 2023 13:43:46 +0800

【代码】C++实现计算多边形面积。

C++实现两点确定一条直线公式

qq_43663263 — Tue, 20 Jun 2023 04:23:53 +0800

【代码】C++实现两点确定一条直线公式。

数字图像处理Matlab实验集合（厦门理工学院）

qq_43663263 — Thu, 24 Jun 2021 10:24:33 +0800

实验一：图像处理基础 1、图像的放大、缩小 2、图像灰度级的增加、减少 3、图像的求平均、减法求前景、乘法求感兴趣区域、旋转实验二：灰度变换与空间滤波 1、点处理：灰度值反转、对数变换、伽马变换 2、直方图处理：计算直方图、直方图均衡化 3、平滑滤波：均值滤波、中值滤波 4、锐化滤波：Sobel算子、Canny算子、拉普拉斯算子实验三：图像复原与重建 1、空间域复原（1）产生高斯噪声和脉冲噪声的图片（2）用中值滤波器、均值滤波器、维纳滤波处理上面的噪声图片 2、频率域复原（1）产生周期噪声的图像

数字图像处理学习笔记（二十）使用课本445页公式8.68实现简单的可见水印

qq_43663263 — Tue, 22 Jun 2021 08:52:37 +0800

实验截图：添加水印后的图：实验代码： img = imread('paimeng.jpg'); img_water = imread('shuiyin.png'); img_water = imresize(img_water ,[64 128]);%调整水印大小 ratio = 0.5;%调整水印透明程度 [m,n] = size(img);%得到原图高、宽、通道数 [m_water,n_water,c_water] = size(img_water);%得到水印图高、宽、通道数 x = uin

数字图像处理学习笔记（十九）研究系数的阈值对图像质量、压缩率的影响

qq_43663263 — Tue, 22 Jun 2021 08:50:53 +0800

实验截图：原图与其DCT系数图：改变系数进行不同的DCT变换的结果实验代码： img=imread('erciyuan.jpg'); img=rgb2gray(img); img=im2double(img); matrix=dctmtx(8); dct = blkproc(img, [8 8], 'P1 * x * P2', matrix, matrix'); figure(1);subplot(1,2,1);imshow(img);title('原图'); subplot(1,2,

数字图像处理学习笔记（十八）实现图像的离散余弦变换

qq_43663263 — Tue, 22 Jun 2021 08:50:04 +0800

实验截图：自带函数实现的离散余弦变换：利用公式求出的DCT和IDCT 实验代码：代码（1）： img=imread('erciyuan.jpg'); img=rgb2gray(img); figure(1) %显示原图像 subplot(1,3,1);imshow(img);title('原图') %计算二维dct变换 img_cos=dct2(img) subplot(1,3,2); imshow(log(abs(img_cos))); title('DCT离散余弦变换') %把变换后的矩阵

数字图像处理学习笔记（十七）分割出彩色图像中的“蓝色”部分

qq_43663263 — Tue, 22 Jun 2021 08:48:47 +0800

实验截图： RGB图中蓝色的分离：实验代码： I=imread('RGB.jpg'); [M N t]=size(I); I1=I; I2=I; for i=1:M for j=1:N if I(i,j,1)<80&I(i,j,2)<80&I(i,j,3)>200 I1(i,j,1)=0; I1(i,j,2)=0; I1(i,j,3)=255;

数字图像处理学习笔记（十六）在RGB色彩空间上实现边缘检测

qq_43663263 — Tue, 22 Jun 2021 08:48:04 +0800

实验截图： RGB边缘检测：实验代码： I = imread('erciyuan.jpg'); img = rgb2gray(I); img = im2double(img); [m,n]=size(img); for i=3:m-2 for j=3:n-2 % LoG算子粗提取图像边缘 log_margin(i,j) = -img(i-2,j)-img(i-1,j-1)-2*img(i-1,j)-

数字图像处理学习笔记（十五）在RGB和HSI色彩空间上分别对彩色图像进行平滑、锐化

qq_43663263 — Tue, 22 Jun 2021 08:47:34 +0800

实验截图：在RGB和HSI色彩空间上分别对彩色图像进行平滑、锐化：实验代码： rgb=imread('erciyuan.jpg'); r=rgb(:,:,1); g=rgb(:,:,2); b=rgb(:,:,3); subplot(231); imshow(rgb); title('RGB原图'); m=fspecial('average'); r_filtered=imfilter(r,m); g_filtered=imfilter(g,m); b_fi

数字图像处理学习笔记（十四）实现RGB到HSI空间的转换

qq_43663263 — Tue, 22 Jun 2021 08:46:57 +0800

实验截图： RGB到HSI空间转换后的图：实验代码： function hsi = rgb2hsi(rgb) rgb = im2double(rgb); R = rgb(:,:,1);%分离出R通道 G = rgb(:,:,2);%分离出G通道 B = rgb(:,:,3);%分离出B通道 %要计算出H的话，根据公式我们需要先算出θ角度 num = ((R - G) + (R - B))/2.0;%计算公式的上半部分 den = sqrt((R - G).^2 + (R - B).*(G - B

数字图像处理学习笔记（十三）用快速傅里叶变换和高斯滤波器实现图像锐化（高通滤波）

qq_43663263 — Tue, 22 Jun 2021 08:44:41 +0800

实验截图：高斯高通滤波处理后的图: 实验代码： img = imread('erciyuan.jpg'); img = rgb2gray(img); d0 = 10;%我们设定的阈值 img_noise = imnoise(img,'gaussian');%加入高斯噪声 img_fft = fftshift(fft2(double(img_noise)));%傅里叶变换得到频谱 [m,n] = size(img_fft); m_mid = round(m/2);%原图像高的一半用于得到中心点坐标

数字图像处理学习笔记（十二）快速傅里叶变换和高斯滤波器实现图像模糊（低通滤波）

qq_43663263 — Tue, 22 Jun 2021 08:43:33 +0800

实验截图：低通滤波实现图像模糊实验代码： img = imread('erciyuan.jpg'); img = rgb2gray(img); d0 = 80;%我们设定的阈值 img_noise = imnoise(img,'gaussian');%加入高斯噪声 img_fft = fftshift(fft2(double(img_noise))); %傅里叶变换得到频谱 [m,n] = size(img_fft); m_mid = floor(m/2);%原图像高的一半用于得到中心点坐标 n