Tim's Note

个人的公开笔记本与讨论组

0%

发表于： 分类于：

对垃圾邮件进行检测分类是机器学习中的经典案例，如何对垃圾邮件进行检测呢？首先需要人为标注样本邮件为垃圾/正常，然后计算机获取匹配的样本邮件及其标签，学习其特征，后面计算机针对新的邮件，自动识别其类型。用于帮助判断是否为垃圾邮件的属性，比如正文包含：现金、领取、红包、优惠、新品推广、季末促销、优惠套餐、折扣优惠、积分优惠等等。对于分类问题还比如图像分类、数字识别、考试通过预测……

发表于： 分类于：

什么是回归分析？(Regression Analysis) 回归分析是一种统计方法，用于显示两个或更多变量之间的关系。该方法检验因变量与自变量之间的关系，常用图形表示。通常情况下，自变量随因变量而变化，并且通过回归分析确定出哪些因素对该变化最重要。

发表于： 分类于：

以前在学习线性回归算法的时候主要使用 Octave 作为主要编程语言，现在想来无论是画图还是矩阵运算不如Python的numpy、matplotlib等方便快捷，现主要记录下通过Anaconda与Jupyter NoteBook搭建机器学习环境的过程。

发表于： 分类于：

有时候忽然回想起小时候的故事感觉很有趣，也是一种不错的回忆，特此记录一下。每次想起了就会想起在老家，奶奶讲故事那会儿，都是老家那边盛传的故事，可能每个人听到的版本不同，但是大致框架是相同的，有的故事没有主旨，就是单纯吓人、或者神话故事，而有的故事就和寓言一样，有某种教育意义。反正我如果某刻想起了就在此随时补充。

发表于： 分类于：

有句话说得好：折腾永无止境啊！前段时间为了随时能够看看旧照片、豆瓣TOP250的电影，入手了绿联云的DX4600的NAS（我是一个NAS菜鸟玩家，唯一的要求就是外网访问不卡、支持视频硬解，稳定！），准确的说它不配称作NAS，因为NAS系统都是有自己完备的软件生态的，比如DSM，即使安装黑群晖也有勉强不错的体验。那么绿联的这款为什么最终让我如此唾弃呢？

发表于： 分类于：

在大模型的应用中，不断涌现出B端对专用数据的需求、C端对个性化与自动化的需求，带来给大模型增加记忆功能的刚性需求，相关产品需求量快速增长。众所周知，如今如火如荼的ChatGPT确实可以帮助我们解决许多问题，但是其作为一款语言大模型，从原理上就不容易实现记录与用户的全部历史对话，以及历史对话过程中的关键信息，这些信息往往只存在一次Session中。为了解决大模型没有“记忆”的问题，引入了向量数据库。

发表于： 分类于：

在上一篇文章中，我们学习了光线追踪的基本原理：向场景发射光线，并计算它与物体是否相交。听起来很简单，对吧？

但这里隐藏着一个巨大的性能陷阱：假设你的场景中有 1000 万个三角形，需要渲染 1920×1080 分辨率的图像。

  • 朴素做法：每条光线都与这 1000 万个三角形逐一进行求交测试
  • 时间复杂度：O(像素数 × 三角形数) ≈ 2M × 10M = 20 万亿次计算
  • 实际后果：渲染一帧可能需要几天甚至几周

本文基于 GAMES101 Lecture 14 的内容，介绍三种主流的光线追踪加速结构，帮助你理解现代渲染器如何将渲染时间从几天缩短到几秒。

核心思想：如果光线连物体所在的区域都没碰到，那就不需要测试区域内的物体。

发表于： 分类于：

光线追踪（Ray Tracing）是计算机图形学中最经典、最优雅的渲染技术之一。它通过模拟光线在场景中的传播过程，能够生成具有真实感的图像——包括精确的阴影、镜面反射、透明折射等效果。从皮克斯的动画电影到如今支持 RTX 的游戏，光线追踪技术无处不在。

本文基于 GAMES101（闫令琪）Lecture 13-14 的内容，从理论到实践，系统介绍光线追踪的核心原理。我们将不依赖任何图形库，仅使用 Python 的基础数学运算，从零实现一个完整的光线追踪渲染器。通过这个case，可以深入理解：

  • 光线如何与几何体求交
  • Whitted-Style 递归光线追踪的工作原理
  • 反射、折射、阴影的数学本质
  • 从像素到图像的完整渲染流程

最终，我们将从零开始手写光线追踪算法的实现，不过我的是Python版本，嘿嘿～ 反正原理都一样的