LLM大模型中的基礎數學工具—— 信號處理與傅里葉分析

Q51: 推導傅里葉變換?\hat{f}(\xi) = \int_{-\infty}^{\infty} f(x) e^{-2\pi i x \xi} dx?的 Parseval 定理

傅里葉變換的 Parseval 定理揭示了啥關系?

Parseval 定理揭示了傅里葉變換中時域與頻域的能量守恒關系,即信號在時域的總能量等于其在頻域的總能量。這就好比一個物體無論從哪個角度稱重,重量始終不變,確保了信號在不同域表示時的能量一致性。

推導過程

Parseval 定理的數學形式為:\int_{-\infty}^{\infty} |f(x)|^2 dx = \int_{-\infty}^{\infty} |\hat{f}(\xi)|^2 d\xi。從右邊開始推導:\begin{aligned} \int_{-\infty}^{\infty} |\hat{f}(\xi)|^2 d\xi &= \int_{-\infty}^{\infty} \hat{f}(\xi) \overline{\hat{f}(\xi)} d\xi \\ &= \int_{-\infty}^{\infty} \left( \int_{-\infty}^{\infty} f(x) e^{-2\pi i x \xi} dx \right) \left( \int_{-\infty}^{\infty} \overline{f(y)} e^{2\pi i y \xi} dy \right) d\xi \\ &= \int_{-\infty}^{\infty} \int_{-\infty}^{\infty} \overline{f(y)} f(x) \left( \int_{-\infty}^{\infty} e^{2\pi i (y - x)\xi} d\xi \right) dx dy \\ &= \int_{-\infty}^{\infty} \overline{f(y)} f(x) \delta(x - y) dx dy \\ &= \int_{-\infty}^{\infty} |f(x)|^2 dx \end{aligned}這里利用了?\int_{-\infty}^{\infty} e^{2\pi i (y - x)\xi} d\xi = \delta(x - y)(狄拉克函數,在?x = y?時為無窮大,否則為 0),最終左邊等于右邊,定理得證。

在 LLM 中的使用

在 LLM 的訓練數據預處理中,若輸入包含音頻,可通過 Parseval 定理檢測數據是否異常。例如,某段音頻在時域能量正常但頻域異常,可能存在噪聲或損壞。在文本生成的注意力機制中,該定理可類比為信息在不同表示空間的能量守恒,確保信息完整性。

代碼示例

import numpy as np  
import matplotlib.pyplot as plt  
# 生成一個模擬音頻信號(假設為某個詞的發音片段)  
x = np.linspace(-1, 1, 1000)  
f = np.exp(-(x ** 2) / 0.5)  # 模擬音頻的時域信號  
# 計算傅里葉變換  
f_hat = np.fft.fftshift(np.fft.fft(f))  
xi = np.fft.fftshift(np.fft.fftfreq(len(x), x[1] - x[0]))  
# 計算時域能量  
energy_time = np.sum(np.abs(f) ** 2) * (x[1] - x[0])  
# 計算頻域能量  
energy_freq = np.sum(np.abs(f_hat) ** 2) * (xi[1] - xi[0])  
print(f"時域能量: {energy_time:.4f}")  
print(f"頻域能量: {energy_freq:.4f}")  

代碼解釋:生成一個模擬音頻信號?f,通過 FFT 計算其頻域表示?f\_hat。分別計算時域和頻域能量,驗證 Parseval 定理。這有助于在 LLM 處理音頻輸入時,確保能量一致性,提升語音識別或生成的準確性。


Q52: 證明卷積定理?F\{f * g\} = F\{f\} \cdot F\{g\}

卷積定理在傅里葉變換中有啥關鍵作用?

卷積定理表明,時域的卷積操作對應頻域的乘積操作。這在 LLM 處理序列數據時非常關鍵,例如文本中的詞與詞的關聯(卷積)可以轉換到頻域分析,大大簡化計算復雜度。

證明過程

設?(f * g)(x) = \int_{-\infty}^{\infty} f(t) g(x - t) dt(卷積的定義,即將?g?翻轉后在?f?上滑動相乘積分),對其進行傅里葉變換:\begin{aligned} F\{f * g\}(\xi) &= \int_{-\infty}^{\infty} (f * g)(x) e^{-2\pi i x \xi} dx \\ &= \int_{-\infty}^{\infty} \left( \int_{-\infty}^{\infty} f(t) g(x - t) dt \right) e^{-2\pi i x \xi} dx \\ &= \int_{-\infty}^{\infty} f(t) \left( \int_{-\infty}^{\infty} g(x - t) e^{-2\pi i x \xi} dx \right) dt \\ &= \int_{-\infty}^{\infty} f(t) e^{-2\pi i t \xi} \left( \int_{-\infty}^{\infty} g(u) e^{-2\pi i u \xi} du \right) dt \\ &= F\{f\}(\xi) \cdot F\{g\}(\xi) \end{aligned} 令?u = x - t,交換積分次序后,就得到了頻域相乘的結果,證明了卷積定理。

在 LLM 中的使用

在 LLM 的卷積神經網絡(CNN)層處理文本時,卷積核與輸入特征的卷積可轉換為頻域相乘,加速計算。例如,在文本分類中,通過頻域分析提取關鍵特征,提升分類效率。

代碼示例

import numpy as np  
import matplotlib.pyplot as plt  
# 生成兩個信號(模擬文本特征)  
x = np.linspace(-5, 5, 1000)  
f = np.exp(-(x ** 2) / 2)  
g = np.exp(-(x ** 2) / 8)  
# 計算時域卷積  
conv_time = np.convolve(f, g, 'same')  
# 計算傅里葉變換  
f_hat = np.fft.fft(f)  
g_hat = np.fft.fft(g)  
conv_freq = np.fft.ifft(f_hat * g_hat)  
# 對比結果  
plt.plot(x, conv_time, label='時域卷積')  
plt.plot(x, np.real(conv_freq), label='頻域相乘逆變換')  
plt.legend()  
plt.show()  

代碼解釋:生成兩個模擬文本特征的信號?f?和?g,分別計算時域卷積和頻域相乘逆變換的結果,驗證卷積定理。這有助于 LLM 在處理文本特征時,選擇更高效的計算方式。


Q53: 分析離散傅里葉變換(DFT)的頻域采樣性質

DFT 的頻域采樣在 LLM 中如何助力數據處理?

DFT 的頻域采樣性質指頻域樣本對應時域信號的周期延拓。在 LLM 處理變長文本或音頻時,可通過頻域采樣壓縮數據,保留關鍵信息,減少計算量。

分析過程

設?x[n]?是長度為?N?的離散信號,DFT 為?X[k] = \sum_{n=0}^{N-1} x[n] e^{-2\pi i k n / N}。若頻域采樣?X[kM](M?為間隔),相當于?x[n]?周期延拓為?N/M。頻域采樣間隔?M?決定時域延拓周期,數學上可通過 DFT 的定義和周期性證明。例如,若?N = 100M = 5,則時域信號會被延拓成周期為?20?的信號。

在 LLM 中的使用

在 LLM 處理音頻文本對時,對音頻 DFT 頻域采樣,減少數據量,同時保留關鍵頻率信息,提升處理效率。例如,在語音識別中,先對音頻進行頻域采樣,再輸入模型,加快處理速度。

代碼示例

import numpy as np  
import matplotlib.pyplot as plt  
# 生成離散信號(模擬音頻片段)  
N = 100  
n = np.arange(N)  
x = np.sin(2 * np.pi * 5 * n / N) + 0.5 * np.sin(2 * np.pi * 12 * n / N)  
# 計算DFT  
X = np.fft.fft(x)  
# 頻域采樣(每隔5點采樣)  
M = 5  
X_sampled = X[::M]  
# 計算逆DFT  
x_recon = np.fft.ifft(X_sampled)  
x_recon = np.concatenate([x_recon] * M)[:N]  
plt.plot(n, x, label='原信號')  
plt.plot(n, x_recon, label='頻域采樣逆變換信號')  
plt.legend()  
plt.show()  

代碼解釋:生成含兩個頻率成分的離散信號?x,計算 DFT 后頻域采樣,逆變換觀察時域效果。這模擬了 LLM 處理音頻時的采樣壓縮過程,驗證頻域采樣性質的實際應用。


Q54: 推導小波變換(Wavelet Transform)的多分辨率分析公式

小波變換的多分辨率分析如何助力 LLM 特征提取?

小波變換的多分辨率分析可將信號分解為不同頻率分辨率的部分,在 LLM 處理圖像或音頻輸入時,先粗后細分析特征,提升模型對細節的捕捉能力。就像用不同倍數的放大鏡觀察物體,先看整體再看局部。

推導過程

多分辨率分析滿足?V_j \subset V_{j+1},其中?V_j?由尺度函數?\phi_{j,k}(x) = 2^{j/2} \phi(2^j x - k)?張成(\phi?是尺度函數,如常見的 Daubechies 尺度函數),而?W_jV_{j+1}中?V_j?的補空間)由小波函數?\psi_{j,k}(x) = 2^{j/2} \psi(2^j x - k)?張成。信號?f(x) \in V_{j+1}?可分解為:f(x) = \sum_k c_{j,k} \phi_{j,k}(x) + \sum_k d_{j,k} \psi_{j,k}(x)其中?c_{j,k} = \langle f, \phi_{j,k} \rangle(尺度系數,反映粗尺度信息),d_{j,k} = \langle f, \psi_{j,k} \rangle(小波系數,反映細節信息)。通過尺度函數的雙尺度方程\phi(x) = \sum_k h_k \phi(2x - k)h_k?是低通濾波器系數)和小波函數與尺度函數的關系?\psi(x) = \sum_k g_k \phi(2x - k)g_k?是高通濾波器系數),可以遞推計算不同尺度的系數,實現多分辨率分解。

在 LLM 中的使用

在 LLM 處理圖像生成時,小波多分辨率分析可先處理整體圖像結構(粗尺度),再細化紋理細節(細尺度)。處理音頻時,分離不同頻率成分,提升語音識別準確性。例如,在生成高分辨率圖像時,先確定大致輪廓,再逐步添加細節;在語音識別中,先捕捉低頻的語音輪廓,再分析高頻的細節特征。

代碼示例

import pywt  
import numpy as np  
import matplotlib.pyplot as plt  
# 生成信號(模擬圖像邊緣信息或音頻特征)  
x = np.linspace(0, 1, 1024)  
signal = np.sin(2 * np.pi * 10 * x) + 0.5 * np.sin(2 * np.pi * 30 * x)  
# 進行小波多分辨率分析(用db1小波,分解3層)  
coeffs = pywt.wavedec(signal, 'db1', level=3)  
# 重構信號  
rec_signal = pywt.waverec(coeffs, 'db1')  
plt.plot(x, signal, label='原信號')  
plt.plot(x, rec_signal, label='重構信號(多分辨率)')  
plt.legend()  
plt.show()  

代碼解釋:使用 PyWavelets 庫對信號進行 3 層 db1 小波分解與重構。原信號包含 10Hz 和 30Hz 成分,重構信號會綜合各尺度信息。運行代碼會發現,重構信號與原信號相似,但經過多分辨率處理后,能更清晰地展示不同尺度的特征,模擬 LLM 處理圖像或音頻時的特征提取與重建過程。


Q55: 驗證 Nyquist - Shannon 采樣定理的重構條件

Nyquist - Shannon 采樣定理如何保障 LLM 輸入質量?

Nyquist - Shannon 采樣定理是信號采樣的 “黃金法則”:如果采樣頻率至少是信號最高頻率的兩倍,那么就可以從采樣點無失真地重構原信號。在 LLM 處理音頻或圖像輸入時,遵循此定理可避免信息丟失,確保輸入質量。

驗證過程

設信號?f(t)?最高頻率為?B,采樣頻率?f_s = 2B,采樣信號?f_s(t) = \sum_{n=-\infty}^{\infty} f(nT) \delta(t - nT)T = 1/f_s?是采樣間隔)。其傅里葉變換?F_s(\xi) = \frac{1}{T} \sum_{k=-\infty}^{\infty} F(\xi - kf_s)(頻譜發生周期延拓)。通過理想低通濾波器?H(\xi)(截止頻率?B,增益?T),輸出?F(\xi) H(\xi),逆變換得:f(t) = \sum_{n=-\infty}^{\infty} f(nT) \frac{\sin(\pi (t - nT)/T)}{\pi (t - nT)/T} 這就是 sinc 插值公式,只要采樣頻率滿足定理,就能無失真重構原信號。

在 LLM 中的使用

音頻 CD 的采樣率定為 44.1kHz,因為人耳能聽到的最高頻率約 20kHz,44.1kHz 滿足兩倍要求。在 LLM 處理音頻輸入時,按此定理采樣確保語音識別準確。處理圖像時,避免混疊現象(如摩爾紋),保證圖像生成質量。例如,在訓練圖像生成模型時,確保采樣符合定理,避免生成圖像出現失真。

代碼示例

import numpy as np  
import matplotlib.pyplot as plt  
# 原信號(5Hz正弦波)  
t = np.linspace(-1, 1, 1000)  
f = np.sin(2 * np.pi * 5 * t)  
# 采樣頻率(12Hz,高于10Hz)  
fs = 12  
Ts = 1 / fs  
n = np.arange(-10, 10)  
t_sampled = n * Ts  
f_sampled = np.sin(2 * np.pi * 5 * t_sampled)  
# 重構信號(sinc插值)  
t_recon = np.linspace(-1, 1, 1000)  
f_recon = np.zeros_like(t_recon)  
for n_val in n:  f_recon += f_sampled[n_val + 10] * np.sin(np.pi * (t_recon - n_val * Ts) / Ts) / (np.pi * (t_recon - n_val * Ts) / Ts)  
plt.figure(figsize=(10, 5))  
plt.plot(t, f, label='原信號')  
plt.plot(t_recon, f_recon, label='重構信號')  
plt.legend()  
plt.show()  

代碼解釋:生成 5Hz 的正弦波,以 12Hz 采樣(滿足定理)。通過 sinc 插值重構信號,運行代碼會發現,重構信號與原信號幾乎完全重合,驗證了定理的正確性,確保 LLM 處理音頻輸入時的準確性。


Q56: 分析快速傅里葉變換(FFT)的遞歸分治復雜度?O(N log N)

FFT 的高效復雜度如何助力 LLM 處理大數據?

FFT 是 DFT 的 “快速通道”,它通過分治策略,把原本?O(N^2)?復雜度的 DFT 運算降到?O(N log N)。在 LLM 處理海量文本或音頻數據時,這種高效性至關重要,能大幅減少計算時間。

分析過程

設?N = 2^m(為簡化,假設 N 是 2 的冪),FFT 將?N?點 DFT 分解為兩個?N/2?點 DFT,遞歸公式為?T(N) = 2T(N/2) + O(N)。展開這個遞歸:\begin{aligned} T(N) &= 2(2T(N/4) + O(N/2)) + O(N) \\ &= 4T(N/4) + 2O(N) \\ &\vdots \\ &= O(N log N) \end{aligned} 每一級遞歸都需要處理?O(N)?的操作(如蝶形運算),而總共有?log N?級遞歸(因為每次規模減半),所以總復雜度是?O(N log N)

在 LLM 中的使用

在實時音頻處理中,FFT 能快速計算音頻的頻譜,實現實時音效調整,如在語音交互應用中實時分析用戶語音的頻譜特征。在雷達信號處理或大規模文本的頻譜分析中,FFT 的高效性使得實時處理成為可能,例如在文本分類中快速提取文本的頻率特征。

代碼示例

import numpy as np  
import time  
# 測試不同N下FFT的計算時間  
Ns = [1024, 2048, 4096, 8192]  
for N in Ns:  x = np.random.randn(N)  # 生成隨機信號  start = time.time()  np.fft.fft(x)  # 計算FFT  end = time.time()  print(f"N = {N}, 計算時間: {end - start:.6f} 秒")  

代碼解釋:對不同長度?N?的隨機信號進行 FFT 計算,記錄時間。運行代碼會發現,隨著?N?翻倍,時間大約增加?log N?倍,驗證了?O(N log N)?的復雜度。例如,N 從 1024 到 2048,時間不會翻倍,而是增加約?log 2 = 1?倍左右(實際因系統差異略有不同,但趨勢一致),確保 LLM 處理數據的高效性。


Q57: 推導濾波器設計中的 Z 變換極點穩定性條件

Z 變換極點穩定性如何確保 LLM 濾波器可靠?

在濾波器設計中,Z 變換?H(z) = \sum_{n=0}^{\infty} h(n) z^{-n}?的極點位置決定了濾波器是否穩定。穩定的濾波器能保證輸入有界信號,輸出也有界(BIBO 穩定),這對 LLM 處理音頻或圖像的濾波操作至關重要。

推導過程

系統穩定要求?\sum_{n=0}^{\infty} |h(n)| < \infty(單位脈沖響應絕對可和)。對于因果系統(輸出只取決于當前和過去輸入),H(z)?的收斂域是?|z| > r。穩定的條件是所有極點都在單位圓內(|z| < 1)。假設?H(z) = \frac{b(z)}{a(z)},其中?a(z) = 1 + a_1 z^{-1} + \dots + a_N z^{-N},極點是?a(z) = 0?的根。如果每個根?|z_k| < 1,則系統穩定。例如,對于?H(z) = \frac{1}{1 - 0.5 z^{-1}},極點?z = 0.5?在單位圓內,系統穩定。

在 LLM 中的使用

設計低通濾波器去除音頻噪聲時,需檢查極點是否在單位圓內,否則濾波器可能會發散,導致降噪失敗。在雙線性變換法設計 IIR 濾波器時,調整參數確保極點位置正確,避免系統不穩定。例如,在 LLM 處理音頻輸入時,設計穩定的濾波器去除背景噪聲,確保語音清晰。

代碼示例

import numpy as np  
import matplotlib.pyplot as plt  
# 定義濾波器分母系數(比如1 - 1.5z^{-1} + 0.7z^{-2})  
a = [1, -1.5, 0.7]  
# 計算極點  
pole = np.roots(a[::-1])  # 注意系數順序,np.roots求多項式根  
print(f"極點: {pole}")  
# 檢查穩定性  
is_stable = np.all(np.abs(pole) < 1)  
print(f"濾波器是否穩定: {is_stable}")  
# 繪制極點和單位圓  
plt.figure(figsize=(6, 6))  
plt.plot(np.real(pole), np.imag(pole), 'ro', label='極點')  
theta = np.linspace(0, 2 * np.pi, 100)  
plt.plot(np.cos(theta), np.sin(theta), 'b', label='單位圓')  
plt.axis('equal')  
plt.legend()  
plt.show()  

代碼解釋:定義濾波器的分母系數?a,計算極點并判斷是否在單位圓內。運行代碼會繪制出極點和單位圓,直觀展示穩定性。如果極點都在單位圓內,輸出 “True”,否則 “False”,確保 LLM 中濾波器設計的可靠性。


Q58: 證明維納濾波(Wiener Filter)的最小均方誤差解

維納濾波如何提升 LLM 處理噪聲數據的能力?

維納濾波是從含噪信號中恢復原信號的 “魔法鏡”,它通過最小化均方誤差(MSE)來找到最佳的濾波方式,在 LLM 處理噪聲數據(如含噪音頻或圖像)時,能有效提升輸入質量。

證明過程

設含噪信號?y(t) = x(t) + n(t)x(t)?是原信號,n(t)?是噪聲),維納濾波器輸出?\hat{x}(t) = \int_{-\infty}^{\infty} h(\tau) y(t - \tau) d\tau。均方誤差?e^2 = E[(x(t) - \hat{x}(t))^2]。在頻域中:\begin{aligned} E[(X(\omega) - H(\omega) Y(\omega))^2] &= \int_{-\infty}^{\infty} |X(\omega) - H(\omega)(X(\omega) + N(\omega))|^2 \frac{d\omega}{2\pi} \\ \end{aligned}對?H(\omega)?求導并令導數為 0(求最小值):\frac{\partial e^2}{\partial H(\omega)} = 0 \Rightarrow H(\omega) = \frac{S_{xx}(\omega)}{S_{xx}(\omega) + S_{nn}(\omega)} 其中?S_{xx}(\omega)?是原信號功率譜,S_{nn}(\omega)?是噪聲功率譜。這表明,維納濾波器的頻域響應由信號和噪聲的功率譜決定。

在 LLM 中的使用

在語音通話中,背景噪聲會干擾語音,維納濾波可以根據語音和噪聲的功率譜,自動調整濾波系數,去除噪聲保留清晰語音,提升 LLM 的語音識別準確率。在圖像去噪中,區分圖像信號和噪聲的功率譜,去除噪聲點,保留圖像細節,提高 LLM 處理圖像的質量。

代碼示例

import numpy as np  
import matplotlib.pyplot as plt  
from scipy.signal import wiener  
# 生成原信號(模擬語音)  
t = np.linspace(0, 1, 1000)  
x = np.sin(2 * np.pi * 5 * t)  
# 加噪聲(高斯白噪聲)  
n = 0.5 * np.random.randn(len(t))  
y = x + n  
# 應用維納濾波(窗口大小31,可調整)  
x_hat = wiener(y, mysize=31)  
plt.figure(figsize=(10, 5))  
plt.plot(t, y, label='含噪信號')  
plt.plot(t, x_hat, label='維納濾波輸出')  
plt.plot(t, x, label='原信號')  
plt.legend()  
plt.show()  

代碼解釋:生成正弦波?x,加入噪聲得到?y。使用 scipy 的 wiener 函數進行濾波,調整窗口大小可以控制去噪效果。運行代碼會發現,濾波后的信號?x\_hat?接近原信號?x,噪聲被有效去除,展示了維納濾波在 LLM 處理噪聲數據時的實際應用效果。

本文來自互聯網用戶投稿,該文觀點僅代表作者本人,不代表本站立場。本站僅提供信息存儲空間服務,不擁有所有權,不承擔相關法律責任。
如若轉載,請注明出處:http://www.pswp.cn/pingmian/78643.shtml
繁體地址,請注明出處:http://hk.pswp.cn/pingmian/78643.shtml
英文地址,請注明出處:http://en.pswp.cn/pingmian/78643.shtml

如若內容造成侵權/違法違規/事實不符,請聯系多彩編程網進行投訴反饋email:809451989@qq.com,一經查實,立即刪除!

相關文章

對Mac文字雙擊或三擊鼠標左鍵沒有任何反應

目錄 項目場景&#xff1a; 問題描述 原因分析&#xff1a; 解決方案&#xff1a; 項目場景&#xff1a; 在使用Mac系統的時候&#xff0c;使用Apple無線鼠標&#xff0c;雙擊左鍵能夠選取某個單詞或詞語&#xff0c;三擊左鍵能夠選取某一行&#xff0c;&#xff08;百度、…

Go語言企業級項目使用dlv調試

使用dlv調試Go語言代碼 打包Go代碼(禁止優化和內聯&#xff08;便于調試更復雜的邏輯&#xff09;)&#xff1a; go build -gcflags"all-N -l" -o xxx_api_debug.exe啟動一個dlb監聽可運行程序的端口&#xff1a; dlv --listen:2345 --headlesstrue --api-version…

Kafka命令行的使用/Spark-Streaming核心編程(二)

Kafka命令行的使用 創建topic kafka-topics.sh --create --zookeeper node01:2181,node02:2181,node03:2181 --topic test1 --partitions 3 --replication-factor 3 分區數量&#xff0c;副本數量&#xff0c;都是必須的。 數據的形式&#xff1a; 主題名稱-分區編號。 在…

Python3:Jupyterlab 安裝和配置

Python3:Jupyterlab 安裝和配置 Jupyter源于Ipython Notebook項目&#xff0c;是使用Python&#xff08;也有R、Julia、Node等其他語言的內核&#xff09;進行代碼演示、數據分析、機器學習、可視化、教學的非常好的工具。 最新的基于web的交互式開發環境&#xff0c;適用于n…

快速排序及其在Unity游戲開發中的應用

一、快速排序(Quick Sort) 快速排序是一種**分治法(Divide and Conquer)**思想的排序算法,它的基本步驟是: 選一個基準元素(pivot):通常選第一個元素、最后一個元素,或者隨機一個。分區(Partition):把數組分成兩部分,小于等于 pivot 的放左邊,大于 pivot 的放右…

【硬核干貨】SonarQube安全功能

原文鏈接&#xff1a;【硬核干貨】SonarQube安全功能 關于曉數神州 曉數神州堅持以“客戶為中心”的宗旨&#xff0c;為客戶提供專業的解決方案和技術服務&#xff0c;構建多引擎數字化體系。 核心業務1&#xff1a;聚焦DevOps全棧產品&#xff0c;打造需求管理、項目管理、開…

修改el-select背景顏色

修改el-select背景顏色 /* 修改el-select樣式--直接覆蓋默認樣式&#xff08;推薦&#xff09; */ ::v-deep .el-select .el-input__inner {background-color: #1d2b72 !important; /* 修改輸入框背景色 */color: #fff; } ::v-deep .el-select .el-input__wrapper {background-…

Unity-粒子系統:螢火蟲粒子特效效果及參數

螢火蟲特效由兩部分組成。螢火蟲粒子底色粒子面片。螢火蟲的旋轉飛動主要由 Noise參數和Color over Lifetime模塊控制。 貼圖&#xff1a;中間實周邊虛的圓&#xff0c;可隨意自行制作 Shader&#xff1a;Universal Render Pipeline/2D/Sprite-Lit-Default 以下是粒子詳細參…

K8S Service 原理、圖例——深度好文

一、理論介紹 1.1、3W 法則 1、是什么&#xff1f; Service 是一種為一組功能相同的 pod 提供單一不變的接入點的資源。當 Service 存在時&#xff0c;它的IP地址和端口不會改變。客戶端通過IP地址和端口號與 Service 建立連接&#xff0c;這些連接會被路由到提供該 Service 的…

Alibaba Cloud Linux 3.2104 LTS 64位 容器優化版安裝docker docker compose記錄

整個安裝過程耗時4小時。&#xff08;包含以下檢查內容:&#xff09; 檢查該linux版本信息&#xff08;并通過監控指標檢查運行狀態/cpu占用/內存占用/磁盤讀取寫入IOPS /同時連接數&#xff09; 1&#xff1a;根據當前的系統進行yum與dnf的升級&#xff0c;保持穩定修復的版本…

STM32N6570-DK ISP調試

STM32N6570-DK之ISP調試應用 準備工作-下載安裝軟件包:一、使用STM32CubeProgrammer給板子燒入STM32N6_ISP_IQTune_App_revC01-v1.1.0-trusted.bin。二、打開STM32 ISP IQTune.exe ,出現可連接端口:三、根據教程進行相應調試:準備工作-下載安裝軟件包: https://www.st.co…

12.thinkphp驗證

一&#xff0e;驗證器定義 1. 驗證器的使用&#xff0c;我們必須先定義它&#xff0c;系統提供了一條命令直接生成想要的類&#xff1b; php think make:validate User 2. 這條命令會自動在應用目錄下生成一個validate文件夾&#xff0c;并生成User.php類&#xff1b; class…

OpenWrt 與 Docker:打造輕量級容器化應用平臺技術分享

文章目錄 前言一、OpenWrt 與 Docker 的集成前提1.1 硬件與內核要求1.2 軟件依賴 二、Docker 環境部署與驗證2.1 基礎服務配置2.2 存儲驅動適配 三、容器化應用部署實踐3.1 資源限制策略3.2 Docker Compose 適配 四、性能優化與監控4.1 容器資源監控4.2 鏡像精簡策略 五、典型問…

EasyRTC音視頻實時通話嵌入式SDK,打造社交娛樂低延遲實時互動的新體驗

一、方案背景 在數字化時代&#xff0c;社交娛樂已經成為人們生活中不可或缺的一部分。隨著移動互聯網和智能設備的普及&#xff0c;用戶對實時互動的需求越來越高。EasyRTC作為一款基于WebRTC技術的實時音視頻通信解決方案&#xff0c;憑借其低延遲、高穩定性和跨平臺兼容性&…

軟件編程命名規范

編程命名規范是保證代碼可讀性、可維護性和團隊協作效率的重要基礎。以下是涵蓋主流編程語言的通用命名規范&#xff0c;結合行業最佳實踐和常見規范&#xff08;如Google、Microsoft、Airbnb等風格指南&#xff09;&#xff1a; 一、通用命名原則 清晰優先&#xff1a;名稱應…

換張電話卡能改變IP屬地嗎?一文解讀

在互聯網時代&#xff0c;IP屬地&#xff08;即網絡定位信息&#xff09;的顯示引發了許多用戶的關注。有人好奇&#xff1a;更換電話卡&#xff08;SIM卡&#xff09;是否能改變自己的IP屬地&#xff1f;本文將解析IP屬地的定義、電話卡的作用&#xff0c;并深入探討兩者之間的…

前端:純HTML、CSS和JS菜單樣式

實現了一個多級折疊菜單系統,使用純HTML、CSS和JavaScript(無任何框架) 一、二級菜單展開 1、實現效果 初始狀態-展示全部一級菜單 選中共狀態,一級標題選中共為藍色背景色,二級標題選中共為藍色文字,展開右側圖標為-,后縮狀態右側圖標為+ 2、實現 ??HTML結構?? …

Centos8 安裝 Docker

yum 更換國內源 1. 備份原 yum 配置 cd /etc/yum.repos.d/ mkdir backup mv *.repo backup/2. 下載新 yum 配置&#xff08;阿里源&#xff09; wget -O /etc/yum.repos.d/CentOS-Base.repo https://mirrors.aliyun.com/repo/Centos-8.repo3. 替換源中的系統版本變量 sed -…

AI測試工具Testim——告別自動化測試維護難題

隨著人工智能技術的快速發展&#xff0c;AI測試工具正在成為提升軟件研發效能的關鍵。每款AI的特性各有差異&#xff0c;今天&#xff0c;我們就給大家介紹一款專注于Web和移動應用的端到端的AI測試工具--Testim。 Testim的簡介 官網地址&#xff1a;https://www.testim.io/ 簡…

【默子AI】萬字長文:MCP與A2A協議詳解

【默子AI】萬字長文&#xff1a;MCP與A2A協議詳解 引言&#xff1a; 讓一個大模型憑空解決所有問題&#xff0c;就像讓一個書呆子不借助工具就去修汽車 即便他腦子里裝滿了理論知識&#xff0c;也缺少實踐的“手腳”。 長期以來&#xff0c;AI助手&#xff08;尤其是LLM&#x…