A843151774的博客

原创 Physics.Raycast射线丢失问题

的方式判断鼠标的点击。但是发现使用过程中，存在点击鼠标，有“Hit mouse” 但是没有"Valid Click"的情况 （偶发）。同时鼠标放置在地面上不断产生"hitNothing"。检查发现collider等都设置正确，如果设置不正确也不可能是偶发事件。

原创 切线空间计算法线贴图——Vertex Shader转换光照变量

根据切线空间的理论，可以得到TBN矩阵用于将点从世界空间变化到切线空间。使用法线纹理时，可以将光照变量变换到切线空间（使用TBN−1）也可以将切线空间采样到的法线变换到世界空间（使用TBN使用第一种方法的优势是可以把原本在Fragment Shader（fs）中的计算移到Vertex Shader（vs）中进行计算，这里做一下简单的推导。

原创 OpenGL 3.3 core与OpenGLES 3.0的VAO与VBO使用差距

简单来说：对于OpenGLES，的pointer可以作为指向数组的指针，也可以作为偏移量，这取决于是否有buffer（VBO) 绑定在上面。而对于OpenGL3.3，pointer只能作为偏移量，如果pointer不为NULL并且没有绑定VBO，则会报错。

原创 【games101】作业笔记——作业3

这里我第一篇写的文章就是作业3，因为作业3包含了整个1-3作业的代码，除了作业代码本身之外，我也会写一些额外自己的拓展。

原创 【games101】作业笔记——前言

这里，mark一下

原创 LeetCode-2024. 考试的最大困扰度

一位老师正在出一场由 n 道判断题构成的考试，每道题的答案为 true （用 ‘T’ 表示）或者 false （用 ‘F’ 表示）。老师想增加学生对自己做出答案的不确定性，方法是 最大化 有 连续相同 结果的题数。（也就是连续出现 true 或者连续出现 false）。给你一个字符串 answerKey ，其中 answerKey[i] 是第 i 个问题的正确结果。除此以外，还给你一个整数 k ，表示你能进行以下操作的最多次数：每次操作中，将问题的正确答案改为 ‘T’ 或者 ‘F’ （也就是将 answ

原创 【内核之旅-2】内核编译

这次介绍内核的编译脚本

原创 【内核之旅-1】qemu安装使用

前言准备记录自己学习操作系统内核的历程，第一阶段是写出一个还能动的内核？参考资料：x86架构操作系统内核实现JamesM’s kernel development tutorials另外有一本《30天自制操作系统》好像不错，但是看评论说不支持gcc，就没有继续看了

原创 c++ primer习题——第2章 变量和基本类型

参考书目：c++ primer第五版，c++ primer习题集练习2.1int、long、long long 和short的不同点在于在内存中尺寸不同，即表示的整数的范围不同。c++标准规定每种尺寸的最小值：short占16位，int占16位，long为32位，long long为64位。无符号类型只能表示0和正数，32位的无符号类型整数能表示[0,232−1][0, 2^{32}-1][0,232−1]的范围，而32为带符号整数能表示[−231,231−1][-2^{31} , 2^{31}-1]

原创 MDN混合密度神经网络 pytorch实现

混合密度模型用于处理一个x对应于多个y的情况。本文参考https://blog.csdn.net/jianbinzheng/article/details/86555869，使用pytorch实现混合密度模型首先讨论神经网络拟合1个x仅对应1个y的情况：y=7.0sin(0.75x)+0.5x+ϵy=7.0sin(0.75x)+0.5x+\epsilony=7.0sin(0.75x)+0.5x+ϵ, 其中ϵ\epsilonϵ为高斯噪声造出训练数据import matplotlib.pyplot as

原创 221. 最大正方形 与 面试题 17.23. 最大黑方阵

为什么把这两个写在一起，就是因为他们很像，又很不一样。221 最大正方形在一个由 ‘0’ 和 ‘1’ 组成的二维矩阵内，找到只包含 ‘1’ 的最大正方形，并返回其面积。示例 1：输入：matrix = [[“1”,“0”,“1”,“0”,“0”],[“1”,“0”,“1”,“1”,“1”],[“1”,“1”,“1”,“1”,“1”],[“1”,“0”,“0”,“1”,“0”]]输出：4示例 2：输入：matrix = [[“0”,“1”],[“1”,“0”]]输出：1示例 3：输入：ma

原创 leetcode算法-264. 丑数 II

概述这道题看着挺容易的，但是优化了挺多次才得到最后的结果，印象挺深刻的方法1：超时的方法一上来很容易想到暴力破解，for循环每一个数，然后质因数分解判断是不是丑数，但是这种方法一定超时。当时想到，一个数如果是丑数，除以2、3或者5也是个丑数，于是很开心想到了第一个方法，“动态规划”。#include<unordered_set>class Solution {public: int nthUglyNumber(int n) { unordered_set&lt

原创 《计算机网络原理》B站韩立刚老师课程笔记——第二章 物理层

原创 《计算机网络原理》B站韩立刚老师课程笔记——第一章 计算机网络概述

原创 服务器离线安装anaconda

背景介绍学校机房，CPU节点的账号可以联网，可以pip install 非常方便，但是GPU节点不能连接外网，导致很不方便. 所以想办法从CPU这边下好各种环境，再迁移到GPU那边。参考文章 离线情况下“拷贝”另一个账号的python包 离线情况下创建conda虚拟环境方法步骤离线安装anaconda这个网上有很多，我记得是下载安装包，然后用winSCP上传到GPU，然后执行脚本安装，我安装了一个3.8.1的python，然后配置环境变量什么的。创建环境因为我要用3.6的python环境

原创 吴恩达机器学习笔记——多层全连接网络

多层全连接神经网络多层神经网络中的符号表示在计算网络层数的时候，一般只记录输出层和隐藏层，因此，上图为一个4层的神经网络，令L为网络的层数，L=4.对于输入层，习惯性称为“第零层”，由于计算机中的数组通常是从0开始的，第0层这种叫法有利于统一形式。对于每一层（从1到L）都有两个参数W和b（为了区分不同层的W和b，将他们记为：W[l],b[l]W^{[l]} ,b^{[l]}W[l],b[l]，他们都是矩阵，其维度如下：W[l]:(n[l],n[l−1]) W^{[l]}: (n^{[l]},n^{

原创 吴恩达机器学习笔记——含一个隐藏层的神经网络

含一个隐藏层的神经网络含一个隐藏层的神经网络构造如下图所示：其中记号用a上标的方括号a[n]a^{[n]}a[n]代表是第n层的a,用下标表示是某一层下面的某一个神经元，如图中的a1[2]a^{[2]}_1a1[2]​代表第二层的第一个神经元。中间层，即隐藏层的大小是可以自己设定的，如图中设置了4个节点。模型表达同样以二分类模型为例：给出待判断的物体的n个特征x1,x2,...xnx_1,x_2, ... x_nx1​,x2​,...xn​给出待判断物体的类别：0或1对于两层的神经网络

原创 吴恩达机器学习笔记（加部分自己推导）

单层神经网络以一个二分类模型为例子，模型描述如下：给出待判断的物体的n个特征x1,x2,...xnx_1,x_2, ... x_nx1​,x2​,...xn​给出待判断物体的类别：0或1模型建立：令n个w, 记为：w1,w2,...,wnw_1,w_2,...,w_nw1​,w2​,...,wn​，和常数b，令其满足如下公式：P=σ(w1∗x1+w2∗x2+...+wn∗xn+b)P=\sigma(w_1*x_1+w_2*x_2+...+w_n*x_n+b)P=σ(w1​∗x1​+w2​∗x2

原创 leetCode算法 -- 第一题

/*给定一个整数数组 nums 和一个目标值 target，请你在该数组中找出和为目标值的那 两个 整数，并返回他们的数组下标。你可以假设每种输入只会对应一个答案。但是，数组中同一个元素不能使用两遍。 示例:给定 nums = [2, 7, 11, 15], target = 9因为 nums[0] + nums[1] = 2 + 7 = 9所以返回 [0, 1]*//*解题思路：把问题转化为，给定一个i，在nums中查找是否存在一个j，使得nums[j] = target -

原创 算法设计与分析 —— 动态规划解背包问题

问题描述算法输入为：n维向量w，n维向量v和正整数b输出为：n+1维向量 optimalWay，其中前n项对应每个物品的装入数量，最后一项为总价值。//Dynamic planning for Knapasck Problem#include <vector>#include <iostream>#include <cstdlib>#include<time.h>#define error -1#define inf 100000usin