个人技术分享

在Qt中，事件是指发生在应用程序中的各种动作或事物，如鼠标点击、键盘输入、窗口关闭等。Qt的事件机制基于事件循环，即应用程序不断地从操作系统接收事件并进行处理。Qt中的事件通过事件对象（QEvent）来表示，每个事件对象都有一个类型（Type）和一些特定的属性。当事件发生时，Qt会将事件对象发送给相关的对象进行处理。需要注意的是，Qt支持事件的继承和重载，开发者可以根据自己的需求来重写事件处理函数。在Qt中，事件的处理通常是通过重写事件处理函数来实现的。

当说到语义分割时，首先会想到图像，因为它是识别给定图像中每个像素的概念。分割可以推广到高维空间，对于 3D 点云，它是为每个 3D 点分配一个类的概念。为了更好地理解这个问题由什么组成，我们应该很好地理解点云实际上是什么。每个类（杂乱的点除外）都有独特且一致的结构。例如，墙壁、地板和天花板是平坦且连续的平面；诸如椅子和书柜之类的东西也应该在许多不同区域具有相同的结构。我们希望我们的模型能够以一定程度的准确性识别不同类别的不同结构。我们需要构建一个损失函数来引导我们的模型以有用的方式学习这些结构。

ExoPlayer 学习笔记

本节均以二分类问题为例进行展开，统一定义类别标签y∈1−1，则分类正确时yfx;w0，且值越大越正确；错误时yfx;w0，且值越小越错误。不同损失函数间的损失随yfx;w。

ls > file_list.txt : 在此示例中，ls执行命令并将结果写入名为 的文件中。由于 的输出ls被重定向到文件，因此显示屏上不会出现任何结果.ls >> file_list.txt : 附加结果时，新结果将添加到文件末尾，从而使每次重复命令时文件变得更长。如果当我们尝试附加重定向输出时该文件不存在，则会创建该文件.

对于已关注公众号的用户，如果用户从公众号的会话或者自定义菜单进入本公众号的网页授权页，即使是scope为snsapi_userinfo，也是静默授权，用户无感知。

对于已关注公众号的用户，如果用户从公众号的会话或者自定义菜单进入本公众号的网页授权页，即使是scope为snsapi_userinfo，也是静默授权，用户无感知。

整个华为数通学习笔记系列中，本人是以网络视频与网络文章的方式自学的，并按自己理解的方式总结了学习笔记，某些笔记段落中可能有部分文字或图片与网络中有雷同，并非抄袭。鉴于SNMPv2c在安全性方面没有得到改善，IETF又颁布了SNMPv3的版本，提供了基于USM(User-Based Security Model，用户安全模块)的认证加密和VACM(View-based Access Control Model，基于视图的访问控制模型)功能。NMS从被管理设备的代理进程的MIB中提取一个或多个参数值。

它在UE中的使用场景非常广泛，尤其在处理各种动态生成和配置类对象的情况下非常有用。通过 TSubclassOf，开发者可以更灵活地设计和组织他们的代码，同时减少硬编码，提高代码的可维护性和可扩展性。TSubclassOf能够约束下拉框中只会出现继承于T的类或者T本身，并且C++层面也能实现类型安全，如果给TSubclassOf对象赋值一个类型不兼容的UClass，则会得到编译错误。声明：部分内容来自于b站，知乎，慕课，公开课等的课件，仅供学习使用。如有问题，请联系删除。基于FloatingActor。

Python进阶知识，类的集合和组合

HTML叫做超文本标记语言把它拆分一下拆成：超文本：（意味着页面支持文本、声音、图片、视频、表格、链接）标记：（在页面上展示数据就需要标签啦，这些标签就组成了一个个的标记）HTML页面是运行在浏览器上面的有序列表[用的不多]olli< ol > < li > 内容 < ol > < li > 内容 < ol > < li > 内容 < li > 内容

一道经典的C++位运算算法题目，给出了详细题解和C++代码实现。

在Qt中，QInputDialog是一个对话框类，用于获取用户输入的数据。它提供了多种输入类型的方法，包括文本、整数、浮点数和选项。使用QInputDialog非常简单。只需包含QInputDialog头文件，然后使用适当的方法调用它即可。总的来说，QInputDialog是一个很方便的类，可以用于创建各种类型的输入对话框，从而简化用户输入的过程。它具有简单易用的接口，可以很容易地集成到Qt应用程序中。

标准差（Standard Deviation, 简称SD）是一种用于量化数据集中每个值相对于平均值（均值）的分散程度的统计指标。它反映了数据的离散程度，即数据点与均值的偏离程度。每个分类变量的每个水平（category）都会被转换成一个新的二进制列。（2）如果不原地更新，其他引用依然会指向就得内存位置，这样我们的某些代码会引用旧的数据。6、获取特定的形状的服从高斯分布的随机元素张量（均值为0，标准差为1）（1）我们不想总是不必要的分配内存，我们希望原地执行这些更新。创建了一个两层三行四列的全为0的张量。

在传统的分类任务中，我们通常使用硬标签（hard labels） 即如果一个样本属于某个类别，其对应的标签就是一个全0的向量，除了表示这个类别的位置为1。 例如，在一个3类分类任务中，某个样本的标签可能是 [0,1,0] Label Smoothing 的思想是将这些硬标签替换为软标签（soft labels）。 例如，对于上述的三类问题，我们可以将标签 [0,1,0]转换为 [0.1,0.8,0.1] 这样做的效果是降低模型对于标签的绝对信任度，鼓励模型学习到更加平滑的概率分布

n的序列了，只需要对这个序列仅需mask prediction即可，即根据17。

使用方法，将py文件和工具放到同一个文件夹里，然后再该文件夹下打开cmd窗口（右键-在在终端打开），输入 .\mpy-cross.static-x64-windows-8.0.3.exe .\xxx.py，xx.py就是用来生成mpy的源文件，在输入命令时打入前几个字符后按TAB键可以自动补全，回车即可看到生成的mpy文件，像普通模块一样导入使用即可。因此，为了减小代码存储空间，可以将代码预处理，转换成不可读的字节码文件，它移除了源代码中的空白、注释和格式等不影响执行的内容。

LaTex导出的tex文件(main.tex)及其依赖的文件(cite.bib等)解压后放于pandoc安装文件夹。

安装PLSQL、Oracle以及远程连接数据库记录（仅供参考）

这是篇NIPS2023的 world model 论文文章提出，WM的误差会在训练过程中积累从而影响policy的训练，向WM中加噪声可以改善这一点。其他的流程和IRIS差不多，差别在以下几点：image encoder，IRIS用的VQVAE, 本文用的是VAE，用VAE的采样方式来生成zt，从而为zt加噪声。sequence model，IRIS用GPT循环输出image的每个token，本文直接用MLP把生成的 ztz_tzt​ 和动作 ata_tat​ 输出成一个token，这样GPT