- 博客(31)
- 收藏
- 关注
RSS订阅原创 Lock is easy
悲观锁：互联网公司基本上不用，使用场景银行，因为对数据要求非常高，用乐观锁可能出问题，悲观锁不可能出问题，直接锁表，可以把悲观锁视为一个表锁，比如对于select语句，在其后加入一个for update，这样的话不管这个表有多少数据，同一时间有且仅有一个线程可以去操作这一张表，所以经常发生锁等待，悲观锁非常重，但数据一定不会出问题。表锁：公司中一张表可能有几亿条数据，数据量巨大，仅操作一条数据时，将整块表都锁上，所以一般情况不用表锁，太重了。行锁：操作DB用的行锁，假设7亿条数据，就有7亿个行锁。
2026-01-05 16:25:42
212
原创 3D图像语义分割,双流肺部主分动脉分割
**它的作用是：** 强迫网络预测出的血管，其骨架要尽可能接近真实血管的骨架。- **关键作用：** 通过残差连接，网络能够保留输入中的**细微血管特征**。- **解决方案：** 在每次池化**之前**和**之后**，以及每次上采样**之前**和**之后**，都插入一个RB-SFEM单元。- 使用**形态学腐蚀和开运算**的迭代算法，分别从**网络预测结果**和**真实标签**中提取出血管的“中心线”，也就是骨架。- **目标：** 解决血管**断裂**和**孤立的假阳性**问题。
2025-11-19 17:13:19
466
原创 文献——总结
包含20名患者的CT扫描图像和专家标注的肺部分割结果。在上采样阶段，DualU-Net 使用双线性插值上采样机制来恢复图像分辨率，确保分割结果的高质量。：局部下采样 + 全局下采样 + BUM + IFFM，最终获得最佳性能，Dice 分数为。，显著提升了肺部分割的效果。：包含150名患者的750张手工标注的CT切片，同样使用五折交叉验证。：局部下采样 + 全局下采样 + BUM，进一步提升性能。的 IoU 分数，显示了其在不同数据集上的优势。：局部下采样 + 全局下采样，性能有所提升。
2025-11-12 22:00:06
506
原创 非模板匹配目标识别算法
手工设计特征+SVM： 特征工程：Harr、区域协方差、SHapelets、HOG......(现在看来毫无意义？旋转目标的识别方法：水平boundingbox vs 旋转boundingbox 空洞卷积、特征回流、特征精修改变交并比....策略：滑动窗口(拿一个模板滑动，看哪块相似度最高---模板匹配，Q：窗口多大？单阶段法：ssd、yolo、retinaNet-金字塔特征、Focal loss（解决类别不平衡问题）但阶段方法、两阶段、DOTA-V1.0(大作业数据集)
2025-11-12 21:59:00
264
原创 idae快捷键
二、ctrl + alt + 鼠标左键，快速查看实现类。一、将光标放至类/接口签名上，然后按 ctrl+H。在子类任意想插入的地方按下Ctrl+O即可呼出重写窗口。//移动当前行，ctrl+alt+光标。ctrl + alt + b 查看所有实现该接口的子类。IDEA 中快速查看某个类/接口的子类或父类。//复制当前行ctrl+d。alt+ctrl+enter快速引入包。ctrl+home快速定位页首。格式化 ctrl+alt+l。ctrl + i 实现方法。iter for循环增强。
2025-11-10 21:14:43
316
原创 High Concurrency is easy
（GBM服务），user1、user2、goods1、goods2都要请求id，高并发情况下这个服务压力很大，所以有一个id列表，当每次取id时候不是一个一个取而是取一个id列表下来，每次请求是从本地缓存中取id，该服务内部就是维护了一个atomic long的变量，每次拿就+1，成批一次拿1000，就+1000，比如起初是5，拿完后就是1005，对于取方user1来说，就是拿到了一个区间5-1005。1.表都有一个id字段，是主键id，唯一，比如id%10，余几就放在几号表内。分库分表（公司里只有分表）
2025-11-06 18:32:09
175
原创 SpringBoot之动态代理
在Spring框架里面，有很多类需要用到，比如Activity类，Activity activity = new Activity();你在某个文件夹下新建了该类，你在其他多个文件夹下依旧新建了多个该类，这样会很臃肿和麻烦；针对这个问题Spring就会通过一个类（named 代理类），用这个类帮你初始化好Activity类。抽象出该知识来理解，不要钻牛角尖。比如你在Controller类里。
2025-11-04 21:23:11
176
原创 特征工程（数据处理）/文献阅读/影像组学
影像组学：组学一般是指从研究目标整体中挖掘更多的参数或特征，以进一步丰富可供研究或参考的维度，提取形态学功能学影像中的定量信息，以反映组织的潜在病理及生理学特征，在病变组织及正常的人体组织中均可应。原始数据中包含很多维度，无法直观展示，通过矩阵运算，将原始数据的多个维度转换到几个维度比如两个，转换后的数据与原数据有一一对应的关系，可以在直角坐标系中展示。影像组学流程：高质量标准化医学data获取----ROI分割----特征提取-----统计分析及建模。4.基于滤波和变换的其他特征。
2025-11-02 20:12:29
337
原创 Clip图文检索、蘑菇毒性分类、京东图文匹配
2.模型集成：比如用两个模型跑，前一个模型得到A0.6，B0.4；后一个模型得到A0.9，B0.1，选择某种方式综合，比如直接相加A1.5，B0.5最后我们选择A。大量缺醒（缺失了值），不重要的直接删除，用均值填充，考虑单独设一个类别。zero_shot（不需要微调直接拿来用）,few_shot（少量数据微调）1.数据集特性：非数值属性--one-hot编码。2.无关键属性标注的数据格式，用python提取。1.数据不平衡，构造负样本。
2025-10-30 18:35:06
295
原创 多模态、医学图像分类分割检测、小样本学习、异常检测、解微分方程、分布式训练、可解释性、分子结构预测
奖励越大越好，会自然往奖励大的方向走，ALBEF，一般的transformer12层，它的模型预训练很复杂，拆成了前六层和后六层，前六层分为两部分，第一部分让图片单独进去，第二部分让文字单独进去，区别于之前的一齐输入，将这两个向量进行对齐，将这两个向量共同输入到后六层里面共同进行处理，进行一个文字图片对应(ITM)和MLM以此来训练两个好的模型，Momentum Model动量模型可以理解为过去模型的参数和现在模型的参数进行一个对齐，模型的参数存入一个队列or栈，每次训练的时候提取出以前的给当前一个指导，
2025-10-30 15:55:15
896
原创 Dynamic Programming
所以说所有硬币的面值，就是你的「选择」。就是递归树上的树枝。由于硬币数量无限，硬币的面额也是题目给定的，只有目标金额会不断地向 base case 靠近，所以唯一的「状态」就是目标金额。状态转移方程，最难，写出递归暴力解的关键，写出后优化很简单，写出这个的关键是知道递归树长什么样，代码便会很简单。第二种是 DP table 的迭代解法，或称为「自底向上」的解法，也就是你说的，用 for 循环去迭代。第一种是带备忘录的递归解法，或称为「自顶向下」的解法，也就是我们上面展示的，一个递归函数带一个。
2025-10-25 15:49:59
176
原创 Classification
卷积核里的都是可以学习的参数，将特征图和卷积核都展平，展平后得到一个输出2（由1245经过w1,2,3,4加权后得来），其实和全连接是一种东西，差异1、从前面拿四个进行连接，2、权重共享，实现一个9-4的变换，全连接需要36个参数，卷积只需要4个参数即可，因此卷积不容易过拟合。对于一张鸟的图，不需要看到整个图，只需要关注到小的特征图，你可以选择眼睛or爪子or嘴去卷，发现越像就判断为是一张鸟的图，so如何制造卷积核？一个（16，4）矩阵，结果nn.linear（4，1），转换为（16，1）
2025-10-23 20:21:27
884
原创 如何洗数据
随机森林（将缺失值作为目标变量，利用其它所有的数据作为训练特征，来预测这个缺失值）处理中间有，（）之类的数据：replace(',','')数据清洗流程：数据的读写-数据的探索和描述-数据简单处理。数值型缺失值，用均值填补or向前填充or向后填充。模型填充（如knn算法，离他最近的来填补）主要是列名，去除数据间空格，大小写转换。作为缺失值，再用缺失值处理方法进行填补。不处理，不传入模型，用来做业务分析。系统时间和时间戳相互转换。正则表达式提取所需数据。用平均值、盖帽法修正。
2025-10-19 16:30:43
437
原创 Cache and Distributed Cache are easy
缓存分为本地缓存+分布式缓存,本质而言缓存就是本地的Map<String,Object>，分布的Map<String,Object>，将一个项目部署到云服务器上，就变为分布式缓存，不严谨的说，自己用就是本地缓存，多人用就是分布式缓存。缓存即cache，属于内存，读写速度更快，价格昂贵相比硬盘。使用场景就是缓存核心数据，数据库是基于硬盘的，查找速度慢。
2025-10-15 17:11:51
97
原创 Spring-Cloud is easy
1.注册中心 nacos：A（用户中心）、B（账户中心）、C（消息中心）、D（商品库存中心）四个模块，不同模块实现解耦，A调用B模块接口，A怎么知道B模块接口在哪里？4.熔断Hystrix：A调用B，B服务接口压力非常大（max = 1000），如果A调用B共有1w个请求，B会宕机，-->Hystrix，这个组件只放行前1000，后面的9000直接返回调用错误或者系统失败，其内部做了一些操作，对这9k个操作做一些兜底处理，返回兜底数据，比如查询账户余额，直接返回0，这时用户就会重复请求。
2025-10-15 17:00:06
191
原创 SpringBoot is easy
spring启动的时候会扫描所有的类，加入Map中，spring是单例，key就是类名，value就是类的单例。controller层：可以理解为包，供前端调用，顶多三行代码，第一行代码是接口名字，第二行代码调用service，第三行代码返回。Service层:业务代码，银行取钱，先查账户余额（调用Dao层sql查数据库）-给某人赚钱（写sql调用dao层）-扣你的钱（写sql操纵数据库），真正操作数据库在dao层。总体调用过程：前端---Controller---Service---Dao---DB。
2025-10-13 19:33:42
342
原创 Java学习路线-自用
4.增删改查（按照公司标准1.错误码怎么写写哪里，2.枚举类怎么写，3.怎么包装返回值，4.各种类怎么用）------------------独立基础------------3.SB基础（spring、springmvc不用）6.linux（主要就10个命令）7.spring cloud分布式。9.技术栈+包装简历+准备面试。8.git提交代码，处理冲突。5.项目（公司级别）
2025-10-13 18:59:48
120
原创 Redis is easy
Map的集群部署，一旦服务宕机崩了，内存里所有的数据都没了，拷贝一个Map，将主节点Map数据拷贝到从节点Map，哪怕主节点服务宕机，还能从从节点拿数据（主从节点不在一个机器上，ip不同），从节点发Http请求将整个Map数据拷贝过来，现在所有的公司都是分布式，A模块账户模块，B模块订单模块，C模块卡券模块，各个模块都是独立部署的，各模块之间的共享数据存在公共的地方（公共变量），需要一个独立的服务，往服务中的Map存取数据，即Redis。但是，在脑裂发生时，仍然可能出现多个客户端同时持有锁的情况。
2025-10-12 20:55:56
301
原创 递归、dp与分治、DFS与回溯
如果每个结点都没有返回值，树上的结点没有一个明确的含义，对应遍历的思维模式，需要一个无返回值的遍历函数，在遍历的过程中收集结果，类似一个for循环遍历，换为多叉树的结构遍历。递归用树去理解，树中的每个结点如果有返回值，树上的结点有一个明确的含义，对应分解问题的思维模式。对应DFS和回溯算法。
2025-10-11 21:28:30
324
原创 mysql数据分组的总结 ，多表查询 ，子查询，表的复制，去重， 合并查询，表外连接（粗略）
SELECT * FROM emp WHERE deptno = (SELECT deptno FROM emp WHERE ename ='SMITH') -- 单行子查询。-- 报错deptno,AVG(sal) 少逗号。SELECT goods_id,ecs_goods.cat_id,goods_name,shop_price -- cat_id ambiguous需要明确指定。SELECT deptno,job FROM emp WHERE ename ='smith'-- 得到部门和岗位。
2025-03-31 13:10:30
997
原创 mysql单表的查询加强，order by子句加强，分页查询加强，group by 子句加强
- 基本语法select ... limit start,rows表示从start+1行开始取，取出rows行，start从0开始计算。-- 同上 返回14 10。-- 显示雇员总数，以及获取补助的雇员数,comm列非null,count（列）不会统计null值。-- 练习按雇员的id号降序取出，每页显示5条记录，请分别显示第三页，第五页对应的sql语句。-- 按雇员的id号升序取出，每页显示3条记录，请分别显示第一、二、三页。-- 按照部门号升序而雇员的工资降序排列，显示雇员信息,排序后再排序。
2025-03-28 21:24:55
408
原创 mysql函数 统计函数 字符串函数 数学函数 时间日期 流程控制
- 10.substring(str,position[,length])从str的position开始【从1计算】，取length个字符,SELECT CONV(16,16,10) FROM DUAL -- 将16当作16进制:1*16+6，并转换为10进制 返回22。SELECT CONV(8,10,2) FROM DUAL -- 将8当作10进制，并转换为2进制 返回1000。-- if(expr1,expr2,expr3) 如果expr1为true，则返回expr2否则返回expr3。
2025-03-28 17:52:57
948
原创 mysql，bit类型，数值型，字符串，日期类型，表的删除和修改（主要），crud，单表select语句
VALUES(01,'韩顺平','2000-1-1','2001-1-1 11:11:11 ','开发',3000,'我亦无他','靠谱');-- 注意text不能有默认值，大小为0-2^16字节，mediumtext为0-2^24字节、longtext为0-2^32字节。100,'小妖怪','男','2000-11-11','2000-11-10 11:11:11','巡山的',3000,-- 2.char(4)是定长（固定的大小），即使你插入‘aa’，也会占用分配的4个字符空间。
2025-03-27 17:41:25
610
原创 Mysql数据库里的表创建、删除、修改
数值类型（整形浮点型）：整形-tinyint1个字节（默认有符号），smallint2个字节，mediumint3个字节，int4个字节，bigint8个字节。小数类型-float单精度4个字节，double双精度8个字节，decimal[M,D]M表示长度D表示小数点能精确到多少位-decimal大小不确定D为0时变为整形。文本（字符串）、二进制类型：文本-char一个字节（0-255），varchar2个字节（0-65535）（2^16-1），text2个字节，longtext4个字节。
2025-03-27 11:33:22
221
原创 MySQL创建、删除、查询、备份、恢复
string sql = “create table hsp_goods(id int,name varchar(32),price double, introduce text)”通过网络将sql语句发给DBMS，DBMS来执行创建一个表（sqlyog，终端，navicat，java都可以操作）mysqldump -u root -p -B 数据库1 数据库2 数据库n >d:\\bak.sql。3.将mysql的ecshop数据库删除，并通过备份的d：\\ecshop.sql恢复。
2025-03-27 10:53:32
552
原创 mysql安装教程教程教程2
D:\mysql-5.7.19-winx64\bin>mysql -h127.0.0.1 -P 3306 -u root -p密码。在Dos控制台下玩很不方便，Navicat or SQLyog图形化Mysql管理软件，前者破解后者免费。如果没有写-P端口，默认为3306（往往修改5507...）-p后没有写密码，回车后需要输入密码。如果没有写-h主机，默认本机。Navicat安装和使用。
2025-03-26 21:27:48
110
原创 2025.3.26 还原系统 安装mysql、java、python 、必要软件
兼容性：1.0.0模型只能使用1.0.0pandas、numpy、matplotlib包，2.0.0模型适配新版pandas、numpy、matplotlib包，一个模型适配哪些版本pandas、numpy、matplotlib包？pytorch：深度学习框架，不同模型需要不同版本pytorch-->anaconda,pytorch一般新版兼容旧版，tensorflow兼容性差。pycharm：可以为不同的项目选择不同的anaconda环境（解释器），可以连接远程服务器，关键是清晰的调试。
2025-03-26 16:43:20
273
原创 回归regression
data中共有94列，有些可能是噪声，通过计算每一列和最后一列标签列相关系数找到最高那几列留下，其他全部舍去，indices=np.argsort（scores）[::-1],用下标排序从小到大返回下标，[::-1]表示逆置。一旦你调用该类输入了东西，立马跳到forward，同时注意x全连接后变为（16，1）二维张量，第一个轴长度为16，第二个轴长度为1，但后面的batch_y（16,）一维张量，只有一个轴，长为16.对模型着重看维度变化，输入（x，y）分别对应样本数、维度，对全连接而言变换的是维度y。
2025-03-14 00:14:07
1023
原创 信息提取角度
然后，在筛选完第一轮之后，剩下的内容我们按照第二个指标来进行二次筛选，点开某个答案答主的主页，去看看他在“人生道理”领域的其他高赞答案，多看几个，你就能摸清楚他的调性，是有一个相对稳定的人格内核，然后把他的人生经验表征通过梳理写出来；一个最显性的辨别方式是，文段越长，逻辑链越长，逻辑分支越多，越好摸清逻辑脉络；文段越短，特别是一行一个内容，“口号式”人生道理多，分点极碎，那么暴露的逻辑链就很短，但是共情性高，极化思维多，浅层思维多，我把这些短逻辑极端化内容统称“鸡零狗碎”式人生鸡汤。
2025-01-05 23:33:32
258
原创 图像的分类
平均池化AdaptiveAvgPool（n）:原始--->n*n。将y'模型输出转为概率分布--->nn.Softmax(y')最大池化MaxPooling(m):m*m--->1。交叉熵损失（CrossEntropyLoss）归一化：防止数据受到量纲的影响，比较相对大小。特征图变小（subsampling降采样）卷积后特征图缩小，zeropadding。回归,loss（pred，target）卷积到全连接（conv2linear）3*224*224，数据量大，过拟合。分类，（fc全连接输出，类别下标）
2025-01-05 11:08:11
261
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人