Linux--认识冯 • 诺依曼体系结构和操作系统

冯·诺依曼结构也称普林斯顿结构，是一种将程序指令存储器和数据存储器合并在一起的存储器结构。程序指令存储地址和数据存储地址指向同一个存储器的不同物理位置，因此程序指令和数据的宽度相同，数学家冯·诺依曼提出了计算机制造的三个基本原则，即采用二进制逻辑、程序存储执行以及计算机由五个部分组成（运算器、控制器、存储器、输入设备、输出设备），这套理论被称为冯·诺依曼体系结构。

shell数组

不能将“@”替换为“*”，如果替换为“*”，不加双引号时与“@”的表现一致，加双引号时，会将数组array_name中的所有元素作为一个元素添加到数组中。echo ${arr[@]:0:2} #获取 ${数组名[@或*]:起始位置:长度} 的值。echo ${arr[@]/4/66} #${数组名[@或*]/查找字符/替换字符}arr=(${arr[@]/4/66}) #要实现改变原有数组，可通过重新赋值实现。echo ${arr[@]} #输出整个数组。

初步揭开缓存神秘面纱之双map实现缓存管理的类

初步认识缓存，缓存是如何实现的

3D数字化技术如何改变汽车行业？

汽车虚拟展厅方案，通过Web全景+3D模型的展示方式，帮助客户实现360°无死角车身信息展示，完美复刻虚拟3D车辆，用户可以身临其境地浏览车型、体验车辆在不同场景的展示、车辆关键性能、查看优惠信息等，无限模拟用户线下看车习惯，给用户带来了更好的沉浸式购车体验，缩短了用户的购车决策用时。

react的多级路由定义

path: 'music', // 一级路由routes: [path: 'clManager', // 二级路由},path: 'clManager/detail', // 三级路由},

推荐算法详解

推荐算法是个性化信息服务的核心，包括基于内容的方法侧重于分析物品属性、协同过滤技术通过用户或物品的相似性进行推荐、混合系统结合多种推荐策略以提高准确性、知识驱动方法利用语义理解用户需求、基于模型的方法运用机器学习构建推荐模型、深度学习技术处理复杂数据关系、图算法挖掘用户和物品间的复杂交互、时间序列分析考虑用户行为的时效性、上下文感知推荐考虑用户实时环境、强化学习优化推荐策略以及多臂老虎机和序列推荐算法平衡探索与利用，共同构建了现代推荐系统的强大架构。

react18【系列实用教程】useCallback —— 缓存函数 （2024最新版）

当父组件向子组件传递了函数，也会引发 memo 缓存组件失效，因为函数也是引用类型的数据，父组件重新渲染时，传给子组件的函数的内存地址也会重新生成，引发子组件重新渲染。

K-means 算法【python，算法，机器学习】

表示有 3 个簇，样本数据的第一个点距离这三个质点的距离分别为 1、2、3，第二个点距离三个质点的距离分别为 2、3、1，后边的数据依次类推。K-means 算法试图将数据集中的样本划分为若干个子集，每个子集称为一个簇，通过该算法使得每个聚类内的数据点尽可能相似（即距离该聚类的中心点最近），而不同聚类之间的数据点尽可能不相似。需要注意的是，K-means 算法虽然有效，但是容易受到初始簇质心的情况而影响，有可能陷入局部最优解。根据质心点循环进行计算分类。当质心点不发生变化时，结束循环，返回最终的质心点。

react 图片没有加载出来的问题

react 图片没有加载出来

Building3D An Urban-Scale Dataset and Benchmarks 论文阅读

提出了一个城市规模的数据集，由超过 16 万座建筑物以及相应的点云、网格和线框模型组成，覆盖爱沙尼亚的 16 个城市，面积约 998 平方公里。通过混淆矩阵计算角点精度（CP）、边缘精度（EP）、角点召回率（CR）和边缘召回率（ER），以评估角点和边缘分类的准确性。本文提出了一种自监督方法和一种无监督方法，与现在常用的点云神经网络提取特征点做基准测试，实验结果见论文原文第4章。数据集包含原始点云，建筑物点云，屋顶点云，以及网格模型和线框模型。ACO 是预测角点和真实角点之间的平均偏移量。

linux----静态库和动态库

对于文件建立硬链接，每对一个文件形成一个硬链接，inode计数就会加加，txt和hardlink就是2.在一个目录下创建一个子目录inode计数是2，因为还有隐藏文件（.和..)。但是这个库是我们自己写的，并不在系统默认的lib64目录下，使用这个库的编译的时候必须告诉编译器这个静态库在哪个目录下是哪个静态库，才可以正确的形成可执行程序。硬链接：对一个文件形成硬链接，它们俩的inode编号相同，实际上是同一个文件。静态库：程序要编译链接才可以运行，如果链接的是静态库，运行阶段就不用再次进行链接。

十款开源数据集成工具

十款开源数据集成工具

P3401 洛谷树 题解

隐形霉菌死于此树下。

Django5+React18前后端分离开发实战03 理解Django项目结构

让我们看看创建的项目文件。使用代码编辑器打开backend项目。我会在这本书中使用vscode编辑器。

Django5+React18前后端分离开发实战04 开发我们的后端服务

现在，让我们开始开发我们的后端服务吧！一个Django项目可以包含一个或者多个应用，用于一起写作以提供强大的API功能。Django使用应用来划分各个模块的核心功能，用来保障代码的整洁和可读性！在bakend根目录下，使用下面的命令，来创建一个叫做todo的新应用。一个叫做todo的文件夹会被添加到项目中。在接下来的开发中，我们会解释这个文件夹内部的各个文件为用法。尽管我们的应用已经存在项目目录了，但是Django无法自动识别它，除非我们显式的添加它。

3D，点云下采样

每隔固定的点数采样一次。相比于体素的采样方法，点云均匀采样后的点数是固定可控的，而体素采样后的点云数量是不可控的。最远点采样是较为简单的一种，首先需要选取一个种子点，并设置一个内点集合，每次从点云中不属于内点的集合找出一点距离内点最远的点，如下图，这里的距离计算方式为该点至内点所有点的最小距离。同样需要将点云空间划分，不同的是，在均匀采样中是以半径为r的球体。选取距离球体中心最近的点作为采样点替代落在球体中的点集，此时，采样点的坐标为源点云中一点的坐标，不同于体素下采样中使用质心进行替代而产生新的点坐标。

【论文阅读 | 三维重建】3D Gaussian Splatting for Real-Time Radiance Field Rendering（3DGS）

对3DGS原文进行翻译，以及部分理解。

【Kafka】消息的顺序性、可靠性、幂等性

Kafka中消息的顺序性、可靠性和幂等性