rust的学习笔记

参考文献 I2K Workshop Tutorial Developing Plugins for ImJoy 概述 开发ImJoy插件既简单又快速，可直接使用运行在web上的内置的代码编辑器，而不需要额外的 IDE 或编译器。 ImJoy 插件系统的主要功能有： （1）支持 Python 和 JavaScript * JavaScript 插件与安全沙箱隔离 * Python 插件在自己的进程中运行 * 使用 async/await 语法支持并发 API 调用 * 支持 Python 的虚拟环境和 pip 包 * 支持托管在 GitHub 或 CDN 上的 JavaScript

这一篇主要介绍ImJoy中的核心概念。 参考文献： I2K Workshop Tutorial ImJoy插件 ImJoy 提供了一个灵活的框架来开发具有不同类型的 Web 或 Python 编程语言的插件。 有四种类型的插件，其可用于不同的目的： （1）Web 插件直接在浏览器中运行，支持如下三种类型： * Window (HTML/CSS/JS)(type=window) 插件，用于使用 HTML5/CSS 和 JavaScript 构建丰富的交互式用户界面； * Web Worker (JS)(type=web-worker) 插件，用于使用 JavaScript 或 WebA

从该博文开始，将会对ImJoy这一开源深度学习计算平台做一详细解析。 简介 （这部分是对官方文档（在这里）的翻译理解） ImJoy是一个由插件驱动的混合计算平台，用于部署深度学习应用程序，例如高级图像分析工具。 ImJoy可以运行在跨操作系统的移动和桌面环境中，其中的插件可以运行在浏览器、本地主机、远程和云服务器中。 借助 ImJoy，凭借其灵活的插件系统和可共享的插件 URL，可以非常简单地向最终用户提供深度学习工具，免去了用户自己配置深度学习环境、安装应用程序的繁琐和痛苦。对于开发人员来说，也可以轻松地对自己现有的Python代码添加丰富的交互式 Web 界面，从而让自己的程序更加“触手

本文基本是对A Gentle Introduction to Graph Neural Networks这篇文章的翻译理解。 （注意：原文中有很多可交互的动画，更有启发性。本文对原文中的有些图像进行了调整，方便初学者理解） 简介 （这部分大都来自于这篇参考文献） 曾有学者将本次人工智能浪潮的兴起归因于三个条件，分别是： （1）计算资源的快速发展（如GPU） （2）大量训练数据的可用性 （3）深度学习从欧氏空间数据中提取潜在特征的有效性 尽管传统的深度学习方法被应用在提取欧氏空间数据的特征方面取得了巨大的成功，但许多实际应用场景中的数据是从非欧式空间生成的，传统的深度学习方法在处理非欧式空间数

本文解析一下ImagePy的三维画布。 以如下例子入手： 首先，原始图像是一个5乘5的方形图像，其中间是4乘4的白色，周围是一圈黑色。 由这张原始图根据距离变换得到右上角的高程图，继而对该高程图做三维可视化。 渲染插件 二维平面的三维可视化插件是这样写的： 1 2 3 4 5 6 7 8 9 10 11 12 13 14 class Surface2D(Simple): title = '2D Surface' note = ['8-bit', '16-bit', 'float'] para = {'name':'undifine', 'sample':2, '

参考文献 你能分得清楚 Chromium, V8, Blink, Gecko, WebKit 之间的区别吗？ 丝般顺滑的 Electron 跨端开发体验 Electron 免费视频教程-用前端技术开发桌面应用 Electron 快速入门 基础概念 引擎 JavaScript引擎的作用是解释和编译JavaScript代码。 而浏览器引擎不仅负责管理网页的布局，同时其包括JavaScript引擎。 当前市场上只有 3 个主要的浏览器引擎：Mozilla 的 Gecko、Google 的 Blink、还有苹果的的 WebKit（Blink 的近亲）。 Blink 是 Google Chrome浏览

参考文献 保姆级教程：图解Transformer Transformer模型详解 Transformer 详解 盘点 | 2021年paper大热的Transformer (ViT) “未来”的经典之作ViT：transformer is all you need! ViT( Vision Transformer) 简介 Attention Is All You Need是一篇Google于2017年提出的将Attention思想发挥到极致的论文。这篇论文中提出一个全新的模型，叫 Transformer，抛弃了以往深度学习任务里面使用到的 CNN 和 RNN ，目前大热的Bert、GPT和D

简介 一直以来，网页浏览器编程所用的编程语言主力就是JavaScript，浏览器就是一个JavaScript的原生解释器。 那么Python能不能直接运行在浏览器上呢，或者说Python能不能作为浏览器开发的编程语言？ 本文对这一问题做了详细的调研，结果可以用一句话总结：可以，但很鸡肋。 可用方案 调研过程中，发现了很多有趣的解决方案，总结起来可以有两类： （1）将Python语言编译成JavaScript 即将现成的Python语言翻译成JavaScript，然后在浏览器网页中运行，比如： Brython Skulpt Transcrypt （2）在浏览器中内置Python解释器 即将Py

参考文献 SIFT算法深入理解 特征点匹配——SIFT算法详解 图像金字塔（高斯金字塔，拉普拉斯金字塔，图像缩放resize函数） SIFT算法详解 简介 SIFT（Scale Invariant Feature Transform），尺度不变特征变换匹配算法，是由David G. Lowe在1999年（《Object Recognition from Local Scale-Invariant Features》）提出的高效区域检测算法，在2004年（《Distinctive Image Features from Scale-Invariant Keypoints》）得以完善。 SIFT

基本思想 生成对抗网络——原理解释和数学推导 首先有一个“生成器(Generator)”：其实就是一个神经网络，或者是更简单的理解，他就是一个函数(Function)。输入一组向量，经由生成器，产生一组目标矩阵（如果你要生成图片，那么矩阵就是图片的像素集合，具体的输出视你的任务而定）。它的目的就是使得自己造样本的能力尽可能强，强到什么程度呢，强到你判别网络没法判断我是真样本还是假样本。 同时还有一个“判别器(Discriminator)”：判别器的目的就是能判别出来一张图它是来自真实样本集还是假样本集。假如输入的是真样本，网络输出就接近 1，输入的是假样本，网络输出接近 0，那么很完美，达到了