VINS-Mono-后端优化 (二:预积分残差雅可比推导)


这里是求预积分对约束的参数块进行求导,有这个雅可比矩阵才能进行优化步长的计算,这个是预积分这个约束因子对各个优化变量的求导,后面还有相机的观测

残差块中的 θ \theta θ 是3维的,但是参数块中的四元数是4维的,因为相减后残差只剩虚部了,但是参数是从4个参数变过来的

预积分的残差具体如下,总共有15维的自由度,即y有15维
在这里插入图片描述
而参数块 x x x , 维护的是 k k k k + 1 k+1 k+1 时刻的 P , Q , V , B a , B g P,Q,V,Ba,Bg P,Q,V,Ba,Bg
P是3维,Q是四元数有4维,因为是过参数化的形式,而 V , B a , B g V,Ba,Bg V,Ba,Bg 总共是9维的参数块
所以整个参数块 x x x 的大小为 7+9

残差对残差参数块的求导
[ ∂ e ∂ P k ∂ e ∂ V k ∂ e ∂ P k + 1 ∂ e ∂ V k + 1 ∂ e 1 ∂ P k ∂ e 1 ∂ V k ∂ e 1 ∂ P k + 1 ∂ e 1 ∂ V k + 1 ⋮ ] \begin{bmatrix} \frac{\partial e}{\partial P_{k}} &\frac{\partial e}{\partial V_{k}}&\frac{\partial e}{\partial P_{k+1}}&\frac{\partial e}{\partial V_{k+1}}\\ \frac{\partial e_{1}}{\partial P_{k}} &\frac{\partial e_{1}}{\partial V_{k}}&\frac{\partial e_{1}}{\partial P_{k+1}}&\frac{\partial e_{1}}{\partial V_{k+1}}\\ \vdots \end{bmatrix} PkePke1VkeVke1Pk+1ePk+1e1Vk+1eVk+1e1
这个矩阵有15行,因为误差矩阵 e e e 是15维的(残差分别是 α , β , θ , B a , B g 构成,各自都是 3 个维度 \alpha,\beta,\theta,B_{a},B_{g}构成,各自都是3个维度 α,β,θ,Ba,Bg构成,各自都是3个维度),参数块 P P P 是7维,参数块 V V V 是9维
所以把这个雅可比矩阵分块成了 15 × 7 15×7 15×7 15 × 9 15×9 15×9 15 × 7 15×7 15×7 15 × 9 15×9 15×9 的形式
误差矩阵的维度和参数是不同的,求导就是对构成这个误差函数的里面的全部变量进行求导

由于我们维护的是 R w c R_{wc} Rwc ,所以我们的扰动是右乘的,十四讲里面维护的是 R c w R_{cw} Rcw 所以才使用左乘

对这个误差矩阵进行求导的时候,也可以按照误差参数块进行分别求导的,15=3*5,前三行雅可比使用位移的函数对 P k , V k , P k + 1 , V k + 1 P_{k},V_{k},P_{k+1},V_{k+1} Pk,Vk,Pk+1,Vk+1 进行求导

对位置 δ α \delta\alpha δα 进行求导

以下示例都是对 k k k 时刻的状态量进行求导, k + 1 k+1 k+1 时刻的同理
使用 δ α b k + 1 b k = … \delta\alpha^{b_{k}}_{b_{k+1}}=\dots δαbk+1bk= 分别对 P , Q , V , B a , B g P,Q,V,Ba,Bg P,Q,V,Ba,Bg 进行求导

位置误差 δ α \delta\alpha δα 对平移 P b k w P^{w}_{b_{k}} Pbkw 的求导

代码中的 Q i Q_{i} Qi R b k w R^{w}_{b_{k}} Rbkw ,所以代码中要取逆

∂ δ α b k + 1 b k ∂ P b k w = − R w b k \frac{\partial\delta\alpha^{b_{k}}_{b_{k+1}}}{\partial P^{w}_{b_{k}}}=-R^{b_{k}}_{w} Pbkwδαbk+1bk=Rwbk

位置 δ α \delta\alpha δα 对旋转 R w b k R^{b_{k}}_{w} Rwbk 进行求导

接下来是对旋转 R w b k R^{b_{k}}_{w} Rwbk 进行求导,由于代码中维护的是 R b k w R^{w}_{b_{k}} Rbkw ,所以这里的公式推导要取逆,方便代码的维护,这样是一个旋转方向的问题,如果直接左乘的话旋转方向就是反过来的了,这样操作的话旋转方向就是按照代码中维护的量的方向来进行操作

后面一串相乘后就是一个向量,当作向量 a a a
∂ δ α b k + 1 b k ∂ R w b k = l i m ϕ → 0 ( R b k w e x p ( ϕ ∧ ) ) − 1 ⋅ a − R w b k ⋅ a ϕ \frac{\partial\delta\alpha^{b_{k}}_{b_{k+1}}}{\partial R^{b_{k}}_{w}}=lim_{\phi\rightarrow0}\frac{(R^{w}_{b_{k}}exp(\phi^{\wedge}))^{-1}·a-R^{b_{k}}_{w}·a}{\phi} Rwbkδαbk+1bk=limϕ0ϕ(Rbkwexp(ϕ))1aRwbka

有公式 ( A ⋅ B ) − 1 = B − 1 ⋅ A − 1 (A·B)^{-1}=B^{-1}·A^{-1} (AB)1=B1A1
对旋转向量 ϕ \phi ϕ 取逆,相当于是换了一个旋转方向,所以 ϕ − 1 = − ϕ \phi^{-1}=-\phi ϕ1=ϕ
= ( I − ϕ ∧ ) R w b k ⋅ a − R w b k ⋅ a =(I-\phi^{\wedge})R^{b_{k}}_{w}·a-R^{b_{k}}_{w}·a =(Iϕ)RwbkaRwbka
= − ϕ ∧ ⋅ R w b k ⋅ a =-\phi^{\wedge}·R^{b_{k}}_{w}·a =ϕRwbka

叉乘有一个性质, a ⃗ × b ⃗ = − b ⃗ × a ⃗ \vec{a}×\vec{b}=-\vec{b}×\vec{a} a ×b =b ×a
a ⃗ × b ⃗ = a ∧ ⋅ b \vec{a}×\vec{b}=a^{\wedge}·b a ×b =ab
− b ⃗ × a ⃗ = − b ∧ ⋅ a -\vec{b}×\vec{a}=-b^{\wedge}·a b ×a =ba
a ∧ ⋅ b = − b ∧ ⋅ a a^{\wedge}·b=-b^{\wedge}·a ab=ba

则上面有
= ( R w b k ⋅ a ) ∧ ⋅ ϕ =(R^{b_{k}}_{w}·a)^{\wedge}·\phi =(Rwbka)ϕ

然后约掉分母上的 ϕ \phi ϕ
∂ δ α b k + 1 b k ∂ R w b k = ( R w b k ⋅ a ) ∧ \frac{\partial\delta\alpha^{b_{k}}_{b_{k+1}}}{\partial R^{b_{k}}_{w}}=(R^{b_{k}}_{w}·a)^{\wedge} Rwbkδαbk+1bk=(Rwbka)

对速度 δ β \delta\beta δβ 进行求导

也是使用 δ β b k + 1 b k = … \delta\beta^{b_{k}}_{b_{k+1}}=\dots δβbk+1bk= 分别对 P , Q , V , B a , B w P,Q,V,Ba,Bw P,Q,V,Ba,Bw 进行求导

速度 δ β \delta\beta δβ 对位置 P b k w P^{w}_{b_{k}} Pbkw 求导

由于公式里面不含位置,所以这块导数 = 0

速度 δ β \delta\beta δβ 对旋转 R w b k R^{b_{k}}_{w} Rwbk 求导

整体公式结构和上面的位移对旋转求导一致,所以求导结果也是 ( R w b k ⋅ a ) ∧ (R^{b_{k}}_{w}·a)^{\wedge} (Rwbka)

对旋转 δ θ \delta\theta δθ 进行求导

分别对 P , Q , V , B a , B g P,Q,V,Ba,Bg P,Q,V,Ba,Bg 进行求导

由于公式中不包含平移和速度量,所以对应的雅可比也为0
δ θ = 2 ⋅ ( γ b k + 1 b k ) − 1 ⊗ ( q b k w ) − 1 ⊗ q b k + 1 w \delta\theta=2·(\gamma^{b_{k}}_{b_{k+1}})^{-1}\otimes(q^{w}_{b_{k}})^{-1}\otimes q^{w}_{b_{k+1}} δθ=2(γbk+1bk)1(qbkw)1qbk+1w
k对应代码中的 i ,k+1对应代码中的 j

旋转 δ θ \delta\theta δθ q b k w q^{w}_{b_{k}} qbkw 进行求导

就是在右边加一个扰动,扰动为 [ 1 θ 2 ] T [1 \ \frac{\theta}{2}]^{T} [1 2θ]T
∂ δ θ ∂ q b k w = ( γ b k + 1 b k ) − 1 ⊗ ( q b k w ⊗ [ 1 θ 2 ] ) − 1 ⊗ q b k + 1 w − ( γ b k + 1 b k ) − 1 ⊗ ( q b k w ) − 1 ⊗ q b k + 1 w θ \frac{\partial \delta\theta}{\partial q^{w}_{b_{k}}}=\frac{(\gamma^{b_{k}}_{b_{k+1}})^{-1}\otimes(q^{w}_{b_{k}}\otimes\begin{bmatrix}1\\\frac{\theta}{2} \end{bmatrix})^{-1}\otimes q^{w}_{b_{k+1}}-(\gamma^{b_{k}}_{b_{k+1}})^{-1}\otimes(q^{w}_{b_{k}})^{-1}\otimes q^{w}_{b_{k+1}}}{\theta} qbkwδθ=θ(γbk+1bk)1(qbkw[12θ])1qbk+1w(γbk+1bk)1(qbkw)1qbk+1w

把逆乘进去,对于扰动那里其实就是把虚部 n ⃗ \vec n n 变一个旋转方向,所以是取个负号
= ( γ b k + 1 b k ) − 1 ⊗ [ 1 − θ 2 ] ⊗ q b k w − 1 ⊗ q b k + 1 w − ( γ b k + 1 b k ) − 1 ⊗ ( q b k w ) − 1 ⊗ q b k + 1 w =(\gamma^{b_{k}}_{b_{k+1}})^{-1}\otimes\begin{bmatrix}1\\-\frac{\theta}{2} \end{bmatrix}\otimes q^{w-1}_{b_{k}}\otimes q^{w}_{b_{k+1}}-(\gamma^{b_{k}}_{b_{k+1}})^{-1}\otimes(q^{w}_{b_{k}})^{-1}\otimes q^{w}_{b_{k+1}} =(γbk+1bk)1[12θ]qbkw1qbk+1w(γbk+1bk)1(qbkw)1qbk+1w

这里会用一个四元数的性质
a ⊗ b = [ a ] L ⋅ b = [ b ] R ⋅ a a\otimes b=[a]_{L}·b=[b]_{R}·a ab=[a]Lb=[b]Ra
具体看这篇文章讲解VINS-Mono-IMU预积分 (二:连续时间的PVQ积分+四元数求导)

公式变成
= 2 [ q b k w − 1 ⊗ q b k + 1 w ] R ⋅ [ [ ( γ b k + 1 b k ) − 1 ] L ⋅ [ 1 − θ 2 ] ] − [ q b k w − 1 ⊗ q b k + 1 w ] R ⋅ [ [ ( γ b k + 1 b k ) − 1 ] L ⋅ [ 1 0 ⋮ ] ] =2[q^{w-1}_{b_{k}}\otimes q^{w}_{b_{k+1}}]_{R}·\begin{bmatrix}[(\gamma^{b_{k}}_{b_{k+1}})^{-1}]_{L}·\begin{bmatrix}1\\-\frac{\theta}{2} \end{bmatrix}\end{bmatrix}-[q^{w-1}_{b_{k}}\otimes q^{w}_{b_{k+1}}]_{R}·\begin{bmatrix}[(\gamma^{b_{k}}_{b_{k+1}})^{-1}]_{L}·\begin{bmatrix}1\\ 0 \\\vdots \end{bmatrix}\end{bmatrix} =2[qbkw1qbk+1w]R[[(γbk+1bk)1]L[12θ]][qbkw1qbk+1w]R [(γbk+1bk)1]L 10
= 2 [ q b k w − 1 ⊗ q b k + 1 w ] R ⋅ [ ( γ b k + 1 b k ) − 1 ] L ⋅ [ [ 1 − θ 2 ] − [ 1 0 ⋮ ] ] =2[q^{w-1}_{b_{k}}\otimes q^{w}_{b_{k+1}}]_{R}·[(\gamma^{b_{k}}_{b_{k+1}})^{-1}]_{L}·\begin{bmatrix} \begin{bmatrix}1\\-\frac{\theta}{2} \end{bmatrix} - \begin{bmatrix}1\\ 0 \\\vdots \end{bmatrix}\end{bmatrix} =2[qbkw1qbk+1w]R[(γbk+1bk)1]L [12θ] 10
= [ q b k w − 1 ⊗ q b k + 1 w ] R ⋅ [ ( γ b k + 1 b k ) − 1 ] L ⋅ [ 0 − θ ] x y z θ =\frac{[q^{w-1}_{b_{k}}\otimes q^{w}_{b_{k+1}}]_{R}·[(\gamma^{b_{k}}_{b_{k+1}})^{-1}]_{L}· \begin{bmatrix}0\\-\theta \end{bmatrix}_{xyz}}{\theta} =θ[qbkw1qbk+1w]R[(γbk+1bk)1]L[0θ]xyz

θ \theta θ 约掉

= − [ q b k w − 1 ⊗ q b k + 1 w ] R ⋅ [ ( γ b k + 1 b k ) − 1 ] L =-[q^{w-1}_{b_{k}}\otimes q^{w}_{b_{k+1}}]_{R}·[(\gamma^{b_{k}}_{b_{k+1}})^{-1}]_{L} =[qbkw1qbk+1w]R[(γbk+1bk)1]L

这里乘完后的结果只有四元数的虚部 x y z xyz xyz
所以把四元数进行矩阵化的公式会有点变动
原本的
[ q ] L = q w ⋅ I + [ 0 − q T q q × ] [q]_{L}=q_{w}·I+\begin{bmatrix}0&-q^{T}\\q&q_{×} \end{bmatrix} [q]L=qwI+[0qqTq×]
[ q ] R = q w ⋅ I + [ 0 − q T q − q × ] [q]_{R}=q_{w}·I+\begin{bmatrix}0&-q^{T}\\q&-q_{×} \end{bmatrix} [q]R=qwI+[0qqTq×]
当只取虚部的时候
[ q ] L = q w ⋅ I + q × [q]_{L}=q_{w}·I+q_{×} [q]L=qwI+q×
[ q ] R = q w ⋅ I − q × [q]_{R}=q_{w}·I-q_{×} [q]R=qwIq×

对于一个四元数取逆的时候
q = [ c o s θ 2 n ⃗ ⋅ s i n θ 2 ] q=\begin{bmatrix}cos\frac{\theta}{2}\\\vec n·sin\frac{\theta}{2}\end{bmatrix} q=[cos2θn sin2θ]
其实就是把旋转轴的方向换成反方向,实部是不变的,只有虚部会反方向
q − 1 = [ c o s θ 2 − n ⃗ ⋅ s i n θ 2 ] q^{-1}=\begin{bmatrix}cos\frac{\theta}{2}\\-\vec n·sin\frac{\theta}{2}\end{bmatrix} q1=[cos2θn sin2θ]

[ q − 1 ] L = q w ⋅ I − q × = [ q ] R [q^{-1}]_{L}=q_{w}·I-q_{×}=[q]_{R} [q1]L=qwIq×=[q]R
[ q − 1 ] R = q w ⋅ I + q × = [ q ] L [q^{-1}]_{R}=q_{w}·I+q_{×}=[q]_{L} [q1]R=qwI+q×=[q]L

我们推导的公式是这样的
= − [ q b k w − 1 ⊗ q b k + 1 w ] R ⋅ [ ( γ b k + 1 b k ) − 1 ] L =-[q^{w-1}_{b_{k}}\otimes q^{w}_{b_{k+1}}]_{R}·[(\gamma^{b_{k}}_{b_{k+1}})^{-1}]_{L} =[qbkw1qbk+1w]R[(γbk+1bk)1]L

代码中用了上面的变换关系,代码中的公式是这样的
其实就是对四元数取个逆就可以进行左右乘矩阵的变换

= − [ q b k + 1 w − 1 ⊗ q b k w ] L ⋅ [ ( γ b k + 1 b k ) ] R =-[q^{w-1}_{b_{k+1}}\otimes q^{w}_{b_{k}}]_{L}·[(\gamma^{b_{k}}_{b_{k+1}})]_{R} =[qbk+1w1qbkw]L[(γbk+1bk)]R

γ \gamma γ 是预积分量来的
在计算这个雅可比前也还是会用实时修正的零偏对预积分量进行调整,调整后才进入雅可比的计算

对零偏进行求导

上面的公式中没有包含零偏的项,这里要用到预积分一阶近似更新公式
在这里插入图片描述
用这个近似公式代替前面的预积分,再对零偏进行求导

平移 δ α \delta\alpha δα 对 k/i 时刻的 b a 、 b w b_{a}、b_{w} babw的扰动

其实就是对预积分量进行一个扰动,此时预积分量前面的参数都等于是常数直接为0
公式为
− [ ( α ^ b k + 1 b k + J b a α Δ b a ) − α b k + 1 b k ] Δ b a = − J b a α \frac{-[(\hat \alpha^{b_{k}}_{b_{k+1}}+J^{\alpha}_{b_{a}}\Delta b_{a})-\alpha^{b_{k}}_{b_{k+1}}]}{\Delta b_{a}}=-J^{\alpha}_{b_{a}} Δba[(α^bk+1bk+JbaαΔba)αbk+1bk]=Jbaα

b g b_{g} bg 求导也是同理的, α 和 β 都是一样的建模方式 \alpha 和 \beta 都是一样的建模方式 αβ都是一样的建模方式,结果也是一样的
上面是对 i / k 时刻的零偏的求导,这里的零偏也是第 i 时刻的

δ b a \delta b_{a} δba 对 i时刻ba的求导就是 − I -I I b g b_{g} bg 同理

由于预积分量中零偏的建模中都是假设零偏与 k k k 时刻有关,与 k + 1 k+1 k+1 时刻无关的,因为假设预积分过程中零偏是不会变的,虽然有联合优化零偏,但是零偏是通过一阶近似的方式加入到第 k k k 时刻的零偏中,所以 α , β , θ \alpha,\beta,\theta α,β,θ 对于 k + 1 k+1 k+1 时刻的零偏求导都是 0

θ \theta θ 对陀螺仪零偏求导

2 ( γ b k + 1 b k [ 1 1 2 J b w γ δ b w k ] ) − 1 ⊗ ( q b k w ) − 1 ⊗ q b k + 1 w − 2 ( γ b k + 1 b k ) − 1 ⊗ ( q b k w ) − 1 ⊗ q b k + 1 w 2(\gamma^{b_{k}}_{b_{k+1}}\begin{bmatrix}1\\\frac{1}{2}J^{\gamma}_{b_{w}}\delta b_{w_{k}} \end{bmatrix})^{-1}\otimes(q^{w}_{b_{k}})^{-1}\otimes q^{w}_{b_{k+1}}-2(\gamma^{b_{k}}_{b_{k+1}})^{-1}\otimes(q^{w}_{b_{k}})^{-1}\otimes q^{w}_{b_{k+1}} 2(γbk+1bk[121Jbwγδbwk])1(qbkw)1qbk+1w2(γbk+1bk)1(qbkw)1qbk+1w

解开逆
= 2 [ 1 − 1 2 J b w γ δ b w k ] ⊗ ( γ b k + 1 b k ) − 1 ⊗ ( q b k w ) − 1 ⊗ q b k + 1 w − 2 ( γ b k + 1 b k ) − 1 ⊗ ( q b k w ) − 1 ⊗ q b k + 1 w =2\begin{bmatrix}1\\-\frac{1}{2}J^{\gamma}_{b_{w}}\delta b_{w_{k}} \end{bmatrix}\otimes(\gamma^{b_{k}}_{b_{k+1}})^{-1}\otimes(q^{w}_{b_{k}})^{-1}\otimes q^{w}_{b_{k+1}}-2(\gamma^{b_{k}}_{b_{k+1}})^{-1}\otimes(q^{w}_{b_{k}})^{-1}\otimes q^{w}_{b_{k+1}} =2[121Jbwγδbwk](γbk+1bk)1(qbkw)1qbk+1w2(γbk+1bk)1(qbkw)1qbk+1w

= [ 0 − J b w γ δ b w k ] ⊗ ( γ b k + 1 b k ) − 1 ⊗ ( q b k w ) − 1 ⊗ q b k + 1 w =\begin{bmatrix}0\\-J^{\gamma}_{b_{w}}\delta b_{w_{k}} \end{bmatrix}\otimes(\gamma^{b_{k}}_{b_{k+1}})^{-1}\otimes(q^{w}_{b_{k}})^{-1}\otimes q^{w}_{b_{k+1}} =[0Jbwγδbwk](γbk+1bk)1(qbkw)1qbk+1w

= [ ( γ b k + 1 b k ) − 1 ⊗ ( q b k w ) − 1 ⊗ q b k + 1 w ] R ⋅ [ 0 − J b w γ δ b w k ] ∂ b w k =\frac{\begin{bmatrix} (\gamma^{b_{k}}_{b_{k+1}})^{-1}\otimes(q^{w}_{b_{k}})^{-1}\otimes q^{w}_{b_{k+1}} \end{bmatrix}_{R}·\begin{bmatrix}0\\-J^{\gamma}_{b_{w}}\delta b_{w_{k}} \end{bmatrix}}{\partial b_{w_{k}}} =bwk[(γbk+1bk)1(qbkw)1qbk+1w]R[0Jbwγδbwk]

约掉 b w k b_{w_{k}} bwk
= [ ( γ b k + 1 b k ) − 1 ⊗ ( q b k w ) − 1 ⊗ q b k + 1 w ] R ⋅ − J b w γ =\begin{bmatrix} (\gamma^{b_{k}}_{b_{k+1}})^{-1}\otimes(q^{w}_{b_{k}})^{-1}\otimes q^{w}_{b_{k+1}} \end{bmatrix}_{R}·-J^{\gamma}_{b_{w}} =[(γbk+1bk)1(qbkw)1qbk+1w]RJbwγ

= − [ ( ⊗ q b k + 1 w ) − 1 ⊗ q b k w ⊗ γ b k + 1 b k ] L ⋅ J b w γ =-\begin{bmatrix} (\otimes q^{w}_{b_{k+1}})^{-1}\otimes q^{w}_{b_{k}}\otimes \gamma^{b_{k}}_{b_{k+1}} \end{bmatrix}_{L}·J^{\gamma}_{b_{w}} =[(qbk+1w)1qbkwγbk+1bk]LJbwγ

最后这样的形式就和代码中的公式一致了

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/138658.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

使用零拷贝技术实现消息转发功能

零拷贝技术介绍&#xff1a;史上最全零拷贝总结-CSDN博客 这是一个简单的基于epoll的Linux TCP代理程序&#xff0c;通过匿名管道和零拷贝技术的splice函数&#xff0c;将两个TCP端口相互连接&#xff0c;并转发数据。 #define _GNU_SOURCE 1 #include <sys/socket.h> …

前端安全方面有哪些攻击方式?

在前端开发中&#xff0c;存在一些常见的安全攻击方式。以下是一些常见的前端安全攻击方式&#xff1a; 1&#xff1a;跨站脚本攻击&#xff08;XSS&#xff09;&#xff1a; XSS攻击是指攻击者通过在网页中注入恶意脚本&#xff0c;使得用户在浏览器中执行该脚本&#xff0c;…

C语言 每日一题 PTA 11.7 day13

1.求e的近似值 自然常数 e 可以用级数 1 1 / 1! 1 / 2! ⋯ 1 / n! ⋯ 来近似计算。 本题要求对给定的非负整数 n&#xff0c;求该级数的前 n 1 项和。 代码实现 #include<stdio.h> void main() {int a, i, j; double b 1; double c 1;printf("请输入一个数\n…

Linux RPM包安装、卸载和升级

我们以安装 apache 程序为例。因为后续章节还会介绍使用源码包的方式安装 apache 程序&#xff0c;读者可以直观地感受到源码包和 RPM 包的区别。 RPM包默认安装路径 通常情况下&#xff0c;RPM 包采用系统默认的安装路径&#xff0c;所有安装文件会按照类别分散安装到表 1 所…

如何使用 GTX750 或 1050 显卡安装 CUDA11+

前言 由于兼容性问题&#xff0c;使得我们若想用较新版本的 PyTorch&#xff0c;通过 GPU 方式训练模型&#xff0c;也得更换较新版本得 CUDA 工具包。然而 CUDA 的版本又与电脑显卡的驱动程序版本关联&#xff0c;如果是低版本的显卡驱动程序安装 CUDA11 及以上肯定会失败。 比…

Java TCP服务端多线程接收RFID网络读卡器上传数据

本示例使用设备介绍&#xff1a;WIFI/TCP/UDP/HTTP协议RFID液显网络读卡器可二次开发语音播报POE-淘宝网 (taobao.com) import java.io.IOException; import java.io.InputStream; import java.io.OutputStream; import java.net.ServerSocket; import java.net.Socket; impor…

计算机毕设 基于机器学习的文本聚类 - 可用于舆情分析

文章目录 0 简介1 项目介绍1.1 提取文本特征1.2 聚类算法选择 2 代码实现2.1 中文文本预处理2.2 特征提取2.2.1 Tf-idf2.2.2 word2vec 2.3 聚类算法2.3.1 k-means 2.3.2 DBSCAN2.4 实现效果2.4.1 tf-idf k-means聚类结果2.4.2 word2vec k-means 聚类结果 最后 0 简介 今天学…

抢量双11!抖音商城「官方立减」 缘何成为“爆单神器”?

10月20日抖音商城双11好物节正式开跑&#xff0c;仅仅三天&#xff0c;抖音商城整体GMV对比去年同期提升了200%&#xff0c;而在开跑一周后&#xff0c;一些品牌的销售额已经超过了今年整个618&#xff0c;可谓增势迅猛。其中&#xff0c;平台官方特别推出的「官方立减」玩法&a…

acwing算法基础之搜索与图论--kruskal算法

目录 1 基础知识2 模板3 工程化 1 基础知识 kruskal算法的关键步骤为&#xff1a; 将所有边按照权重从小到大排序。定义集合S&#xff0c;表示生成树。枚举每条边(a,b,c)&#xff0c;起点a&#xff0c;终点b&#xff0c;边长c。如果结点a和结点b不连通&#xff08;用并查集来…

K8S篇之Pod一直处于Pending状态原因解析

常见现象&#xff1a;Pod一直处于Pending状态。 废话不多说&#xff0c;直接上料。 可能原因1&#xff1a;Pod未被调度到节点上。 当 Pod 一直处于 Pending 状态时&#xff0c;说明该 Pod 还未被调度到某个节点上&#xff0c;需查看 Pod 分析问题原因。 例如执行&#xff1a…

计算机网络技术

深入浅出计算机网络 微课视频_哔哩哔哩_bilibili 第一章概述 1.1 信息时代的计算机网络 1. 计算机网络各类应用 2. 计算机网络带来的负面问题 3. 我国互联网发展情况 1.2 因特网概述 1. 网络、互连网&#xff08;互联网&#xff09;与因特网的区别与关系 如图所示&#xff0…

【机器学习2】模型评估

模型评估主要分为离线评估和在线评估两个阶段。 针对分类、 排序、 回归、序列预测等不同类型的机器学习问题&#xff0c; 评估指标的选择也有所不同。 1 评估指标 1.1准确率 准确率是指分类正确的样本占总样本个数的比例 但是准确率存在明显的问题&#xff0c;比如当负样本…

【React】05.JSX语法使用上的细节

JSX构建视图的基础知识 JSX&#xff1a;javascript and xml&#xff08;html&#xff09;把JS和HTML标签混合在了一起[并不是我们之前玩的字符串标签] 1、vscode如何支持JSX语法[格式化、快捷提示…] 创建的js文件&#xff0c;把后缀名设置为jsx即可&#xff0c;这样js文件中就…

单词规律问题

给定一种规律 pattern 和一个字符串 s &#xff0c;判断 s 是否遵循相同的规律。 这里的 遵循 指完全匹配&#xff0c;例如&#xff0c; pattern 里的每个字母和字符串 s 中的每个非空单词之间存在着双向连接的对应规律。 示例1: 输入: pattern “abba”, s “dog cat cat d…

可以体现Python语法精妙的十个例子!

文章目录 前言1.for - else2.一颗星*和两颗星**3.三元表达式4.with - as5.列表推导式6.列表索引的各种骚操作7.lambda函数8.yield 以及生成器和迭代器9.装饰器10.巧用断言assertPython技术资源分享1、Python所有方向的学习路线2、学习软件3、精品书籍4、入门学习视频5、实战案例…

“目标值排列匹配“和“背包组合问题“的区别和leetcode例题详解

1 目标值排列匹配 1.1 从目标字符串的角度来看&#xff0c;LC139是一个排列问题&#xff0c;因为最终目标子串的各个字符的顺序是固定的&#xff1f; 当我们从目标字符串 s 的角度来看 LC139 “单词拆分” 问题&#xff0c;确实可以认为它涉及到排列的概念&#xff0c;但这种…

React组件通信:如何优雅地实现组件间的数据传递

在React应用中&#xff0c;组件通信是至关重要的一部分。通过合适的数据传递和交互方式&#xff0c;我们可以构建出更加灵活和高效的前端应用。本文将介绍React组件通信的各种方式&#xff0c;并提供代码实现&#xff0c;帮助你更好地理解和应用这些技术。 1. 使用props进行父子…

acwing算法基础之搜索与图论--prim算法

目录 1 基础知识2 模板3 工程化 1 基础知识 朴素版prim算法的关键步骤&#xff1a; 初始化距离数组dist&#xff0c;将其内的所有元素都设为正无穷大。定义集合S&#xff0c;表示生成树。循环n次&#xff1a;找到不在集合S中且距离集合S最近的结点t&#xff0c;用它去更新剩余…

Java Post请求参数格式为XML

方式一&#xff1a; public static void PostXml1(String url, String xml) throws IOException {OkHttpClient client new OkHttpClient().newBuilder().build();//okhttp3.MediaType mediaType okhttp3.MediaType.parse("application/xml");okhttp3.MediaType m…

MySQL -- mysql connect

MySQL – mysql connect 文章目录 MySQL -- mysql connect一、Connector/C 使用1.环境安装2.尝试链接mysql client 二、MySQL接口1.初始化2.链接数据库3.下发mysql命令4.获取执行结果5.关闭mysql链接6.在C语言中连接MySQL 三、MySQL图形化界面推荐 使用C接口库来进行连接 一、…