- 博客(81)
- 资源 (7)
- 收藏
- 关注
RSS订阅原创 workbuddy配置已有的skills
本文介绍了在WorkBuddy中安装技能的两种方式：一是直接拖拽.zip压缩包，系统自动识别安装；二是将解压后的文件夹放入用户技能目录（如~/.workbuddy/skills/），并确保包含SKILL.md文件。安装后需重启客户端或开启新对话以加载技能。通过输入触发词或查看菜单确认是否生效，若未响应，请检查文件完整性与目录结构。
2026-10-08 19:52:37
405
原创 AI辅助写教案
用户只需描述"第几周、什么主题、哪两个知识点"，AI 就能自动学习用户过往教案的写作风格，把内容填入学校的 Word 模板，输出一份排版正确、可直接提交的。不管你学校的模板长什么样，AI 都会自动适应 – 模板里写了"课程名称"就填课程名称，写了"教学目标"就填教学目标，不需要你修改模板。AI 会先学习你以前写的教案是什么风格，再自动填到你学校的 Word 模板里，生成一份排版正确、可以直接交的教案。生成第 15 周教案，栈和队列，知识点一：栈的定义和实现，知识点二：队列的定义和实现。
2026-10-05 20:24:20
248
原创 在vs code中配置相关的opencode
1、修复 PowerShell 脚本执行权限（解决最初报错）可以/models来转换模型，有一些免费的。2、强制全局重装 opencode-ai。3、重启 VS Code，验证安装成功。全部关闭 VS Code，重新打开项目。安装成功后，opencode启用即可。4、打开了opencode界面。VS Code 终端执行。
2026-07-29 14:17:17
188
原创 python报错集
fmt参数是用于设置线条样式的字符串，而color参数是用于设置线条颜色的关键字参数。plt.plot(x_lim,[conf_intveral[0],conf_intveral[0]],‘m–’,color=‘r’,label=‘95%显著区间’)在原代码中，设置了’m–‘作为样式字符串，其中’m’表示品红色（magenta），’–'表示虚线样式。为了消除这个警告，我们可以在plt.plot()函数中只使用fmt参数来定义线条的样式，而不指定color参数。这样，线条颜色将由fmt参数中的字符来确定。
2026-07-17 10:47:27
170
原创 Transformer手撕代码
encoder的最后的值和每一个decoder进行交互，encoder生成的是K\V矩阵，Decoder生成的是Q矩阵。是为了得到句子中的pad的位置信息，给到模型后面，在计算自注意力和交互注意力的时候去掉pad符号的影响。encoder的结构相同，但是参数不同，数量可以自己定，decoder的结构不一定相同，参数也不同。这里的sentences是一个batch中的一条数据，p指的是填充，s指的是开始，e指的是结束；当对词进行编码的时候，不仅仅考虑当前的，考虑该词所处的上下文语境，所有的。
2026-07-17 10:44:39
193
原创 Java面试复习——面向对象
继承、实现（接口）、依赖（参数使用）、关联（属性）、聚合（在代码层面和关联关系一样，通过语义区分）、组合（在代码层面和关联关系一样，通过语义区分）final修饰一个变量，变量的值不可改变，这个变量也变成了一个字符常量，约定俗称的规定，名字大写。注意2：实现类中要是想重写接口中的非抽象方法，那么default修饰符必须不能加，否则出错。一个方法的方法体去掉，被abstract修饰，这个方法就变成了抽象方法。一个类中如果有方法是抽象方法，那么这个类也要变成一个抽象类。调用父类的时候，可以使用super关键字；
2026-07-17 10:43:34
147
原创 深度学习基本概念（一）
其目标是识别图像的整体内容或主题，而不是对图像中的每个像素进行分类。输出：图像分类的输出是一个类别标签，表示整个图像所属的类别。应用场景：图像分类在内容检索、图像标注、相册管理、安全监控等领域有广泛应用。
2026-07-17 10:42:54
237
原创 遥感概念一句话说清楚概念（二）
BIP（Band Interleaved by Pixel，像素顺序）：逐像元按波段次序,即第一个波段第一个像素，第二个波段第二个像素，第三个波段第三个像素…**光谱分辨率：**指遥感器所选用的波段数量，各波段的波长位置及波段间隔，即选择的通道数、每个通道的中心波长、带宽，这三个因素共同决定光谱分辨率。BSQ（Band Sequential，波段顺序）：按波段次序，就是比如有三个波段，然后先读完第一个波段、再读第二个…**空间分辨率：**指图像上能够独立区分的最小单元的尺寸或大小。
2026-07-17 10:42:18
233
原创 如何在autodl中安装node.js和opencode
AutoDL（Ubuntu）→ 装 Node.js LTS → 切 npmmirror 源 → npm i -g opencode-ai → opencode 启动免费模型，全程 5 分钟，比本地稳得多。要不要我直接给你一段一键复制脚本，你贴到 AutoDL 终端就能全自动装完 Node.js + opencode？
2026-05-18 16:49:12
337
原创 python代码如何打包生成小插件
查找生成的可执行文件：打包完成后，可执行文件会出现在 dist 文件夹中。可以复制到任何地方啦！等待打包完成：PyInstaller 会分析代码、收集依赖项并生成可执行文件。第一步，需要安装一个包，专门用于打包python语言的环境。第二步：运行对应的.py文件。打开命令提示符或终端。
2025-03-10 08:34:07
411
原创 坐标系总结
等角投影：保持角度不变形，但面积和长度变形较大，适用于需要精确方向的地图（如航海图）。等积投影：保持面积不变形，但角度变形较大，适用于需要精确面积的地图（如土地利用图）。任意投影：长度、角度和面积都存在变形，但变形相对适中，适用于一般用途的地图。
2025-01-26 09:43:48
1170
原创 由遥感联想到电磁波
一直很疑惑电场、磁场、电磁波的关系，有很多的疑问，本来初中就接触了，但是确实没有仔细深究。一直是一个遗憾，也是问题没有学透的一个表现，那时候没有人能给讲清楚，自己的求知欲一直没有满足，成为横亘在心里的一个坎儿。如今进行一下细究！电场怎么产生？磁场怎么产生？电场和磁场有什么关系？电磁场又是什么？电磁场的产生需要电吗？电磁波从哪里来？又怎么传播？
2025-01-23 15:22:08
868
原创 一句话说清楚遥感图像处理的概念
而用户拿到这种产品后，由于使用 目的不同或投影及 比例尺不同，仍旧需要做进一步 的几何校正，这就需要对其进行几何精校正即利用地面控 制点 GCP(GroundContro-Point，遥感图像上易于识别，并 可精确定位的点)对因其他因素引起的遥感图像几何畸变进行纠正。大气校正的目的是消除大气和光照等因素对地物反射的影响，获取地物反射率、辐射、地表温度等真实物理模型参数，用来消除大气中水蒸气、氧气、二氧化碳、甲烷和臭氧等对地物反射的影响，消除大气分子和气溶胶散射的影响。有的仪器内有内定定标系统。
2025-01-21 10:08:48
1131
原创 深度学习概念——端对端
而端到端深度学习就是忽略所有这些不同的阶段，用单个神经网络代替它,输入为未经任何人为加工的原始样本形式，经过神经网络，输出结果（“就是输入一头猪，输出的是香肠”————来自知乎）。比如在一个典型的自然语言处理（Natural Language Processing）问题中，包括分词、词性标注、句法分析、语义分析等多个独立步骤，每个步骤是一个独立的任务，其结果的好坏会影响到下一步骤，从而影响整个训练的结果，这是非端到端的。相比分治策略，“端到端”的学习方式具有协同增效的优势，有更大可能获得全局最优解。
2023-09-26 19:28:48
2580
原创 机器学习十大算法+各大深度学习名词（一段话讲清楚）
误差值为负就提升权重，为正就降低权重受比率即学习率的制约，用来调整学习率调整参数的高低由于强大的调整能力，BP控制下的神经网络容易过拟合，也就是在训练数据上表现得很好，在测试数据上不行，可以采用提前停止的策略，分一个验证集，来估算误差，如果训练集的误差减少但是验证集的误差增高，就证明网络过于适用于训练集，这时就可以结束训练。
2023-08-18 11:01:40
2523
原创 训练、验证和测试一句话搞懂
a和b是模型的参数，在训练模型前我们需要设定很多参数，即超参数：函数空间，损失函数，优化函数。类比课后习题，纠正和强化知识点，评估不同超参数训练出的模型效果，优化模型。类比课堂知识，训练模型得到参数，让你知道这个知识点是什么。这里我们使用了T1,T2两个点实现了模型，y=ax+b。使用了T3的x3来测试模型的拟合效果。x横坐标就是特征向量，y就是目标标签。考试，评估最终模型的效果。
2023-08-09 23:03:30
634
原创 arcgis实现DEM镶嵌和去白点
解决办法：可以使用arcgis中的焦点统计，计算邻域进行插值，注意最后nodata打勾的地方选一下,这一步相当于对图进行了整体的平滑，为了对nodata值进行插值，就需要麻烦一下啦。然后使用栅格计算器进行Con(IsNull(“dem_cai”),“jiao”,“dem_cai”)arcgis中直接选择镶嵌就行，然后选择其中一幅进行输出就好。镶嵌好之后，就会出现白色的，好像没有数据，为nodata。
2023-06-27 21:21:53
2460
原创 尚硅谷课程vue学习（一）
课程地址：https://www.bilibili.com/video/BV1Zy4y1K7SH?vm中的 data是什么就是什么,methods是什么就是什么，但是methods需要注意选择的是返回值。（2）先创建vue实例，然后再通过vm.$mount(‘#root’)指定el的值。index作为键key就会出现问题，如果顺序打乱就会混乱，id作为key就会更好。模板（原html中的），实例（data中的，也可以说是vm）computed中的get和set方法，set不是必须的。只读不改就可使用简写。
2023-06-22 21:29:06
1130
原创 GEE页面介绍
文档：可用函数列表，具体的函数有定义和要求，如果您只能记住部分函数名称，则可以通过按 ctrl-space（Mac 上为cmd-space）调出建议列表来避免查找它 资产：您上传到 GEE的所有文件都将在此选项卡中列出。可以区分土地覆盖类别（即森林覆盖与农田）以及类别内的条件，例如区域较深红色的更活跃的植被，用彩色红外图像替换我们的真彩色图像，以识别加拿大蒙特利尔和周边陆地区域的活跃植被和水道区域。这是 GEE 加载时的默认选项卡，包含与在脚本编辑器中访问的数据相关的有用信息以及统计打印输出和错误消息。
2023-03-25 21:00:08
4463
原创 注意力机制
QKt就是多个查询和多个物品向量来计算相似性 转置是便于相乘，得到一个相似性的实数值。自注意力机制将注意力机制包含在里面，qkv全在source部分。关注重点，找出重点，发现更多细节信息，抑制无用信息。没有用注意力的情况，各个权重一样，就不合理了。注意力机制的q\k\v是分布在两侧的。1、注意力机制和子注意力机制的区别。多头注意力机制的情况是多个单层的。p指的是不足的填充p,超出的不要。s指的是开始，e指的结束。不同的头提取的信息不同。使用注意力机制的情况。1指的是只有一个例子。
2023-03-23 22:38:43
1209
原创 pytorch学习
卷积层：中间有一个空洞卷积，不经过pooling层就可以增大感受野，groups是分组卷积，一个channal一个分组，bisa指的是b。Tensor: 张量（一个个数字）可以描述任意维度的物体，例如0阶的标量（0，1，2），1阶的向量【1，2，3】，2阶的矩阵。torch.layout: 内存布局对象，稠密的张量（内存中一块集中的区域），稀疏的张量（记录非零响亮的坐标）分类（离散值）：预测10类别就是十维的向量，哪一个向量对应的最大就是该类，概率加起来就是1。卷积运算来进行特征提取（从图片中进行提取）
2023-03-23 22:23:52
1274
原创 深度学习概念合集(二)
56层比20层要错误要高很多，那多的36层怎么搞，需要来进行同等映射，不能剔除，那就把有用的层保持，无用的层权重参数变成0。感受野的定义是卷积神经网络每一层输出的特征图（feature map）上的像素点在输入图片上映射的区域大小。原来卷积结果+最初的，旧和新的相加，里面可能有白玩的，好的用，错的白玩，这样就能保证至少不比原来差。一种用来学习类别特征的神经网络结构，主要由两部分组成，生成网络、判别网络。插值算法还包括了传统插值，基于边缘图像的插值，还有基于区域的图像插值。在传统神经网络上改进的，有圈。
2023-03-22 11:53:21
473
原创 Transformer代码分析
最早的词向量是很冗长的，它使用是词向量维度大小为整个词汇表的大小，对于每个具体的词汇表中的词，将对应的位置置为1。比如我们有下面的5个词组成的词汇表，词"Queen"的序号为2， 那么它的词向量就是(0,1,0,0,0)。同样的道理，词"Woman"的词向量就是(0,0,0,1,0)。比如下图我们将词汇表里的词用"Royalty",“Masculinity”, "Femininity"和"Age"4个维度来表示，King这个词对应的词向量可能是(0.99,0.99,0.05,0.7)。
2023-03-22 11:52:28
851
原创 全卷积网络FCN
与经典CNN在卷积层使用全连接层得到固定长度的特征向量进行分类不同，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷基层的特征图（feature map）进行上采样，使它恢复到输入图像相同的尺寸，从而可以对每一个像素都产生一个预测，同时保留了原始输入图像中的空间信息，最后奇偶在上采样的特征图进行像素的分类。3的图像，前5层是卷积层，第5层的输出是256个特征图，大小是66，即25666，第6、7、8层分别是长度是4096、4096、1000的一维向量。反卷积上采样需要训练，但能更好的还原特征图；
2023-03-22 11:50:52
397
原创 Geopandas 包安装
资源：geopandas的官网一、下载包到这个地址有各种包需要下载的依赖,注意python的版本要和在cmd中进行安装上四个包之后，再需要进行问题一、报错如下：此问题是没有python相应的内核，在cmd中和anaconda prompt中输入python都不同解决办法重新建一个环境，还需要将对应的python填入环境变量。
2022-10-15 23:16:44
1338
原创 jupyter Notebook安装
1、anaconda里面是一个集装包，可以安装多个软件，这次的jupyter也是其中的一个。1）打开上面图中的anacoda powershell prompt 中的类似于cmd的窗口，然后输入。4、修改路径，我们发现他的默认盘在系统盘，这就很麻烦，我们需要更改。找到c.NotebookApp.notebook_dir。3、安装完毕即可打开start——在jupyter中点击进入即可打开。然后复制路径，找到下图文件，打开。2、双击安装包，一路安装即可。安装对应版本就行，如下。大概要花十几二十几分钟。
2022-10-02 15:59:34
777
原创 GEE例子分析_植被覆盖度计算
一、植被覆盖度计算课程：https://www.bilibili.com/video/BV1zr4y1k7L8?spm_id_from=333.999.0.0博客：https://blog.youkuaiyun.com/qq_44589327/article/details/107443958?spm=1001.2014.3001.5502讲解代码：准备数据，基于哨兵2号的SR数据来进行初始数据集筛选//导入行政矢量数据，在GEE中是FeatureCollection类型var wuhan = ee.F
2022-09-06 16:31:50
3243
5
原创 springboot运行项目报错Caused by: java.lang.NullPointerException: null
springboot项目报错
2022-07-22 12:37:00
4419
原创 GEE参数学习
1.Image在GEE中每个image包含若干个band（波段），每个波段包含四个要素：name（名称，为了调用方便而建立的索引）Pixel Value（像素值，记录了地物反射的信息）Resolution（分辨率，记录每个像素值代表多大的地物）Projection（投影信息，记录了像素与对应地物的几何关系）2.图像可视化参数第一个参数bands就是要展示的波段，输入类型是一个list，输入的图像波段将对应展示的RGB三个通道中去。第二个参数min代表可视化图像的最小值，输入一个number
2022-07-17 23:38:42
1239
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人