Cappy in a Haystack locations
For the mission from the beloved Fallout 4 Nuka-World DLC coc DLC04KiddieKingdomFunHouse01; player.moveto 06015A94 coc NukaWorldWildWestExt02; player.moveto 06015A8A coc DLC04BottlingPlant01; player.moveto 060445DF coc DLC04BottlingPlant01; player.moveto 0604A812 coc DLC04GalacticZoneExt04; player.moveto 06015A8E coc DLC04GalacticZoneExt04; player.moveto ..
更多
FreeRTOS深入理解优先级翻转
Foreword 深入理解FreeRTOS中的互斥量、信号量、优先级反转、优先级继承等概念 理解基础 有一些知识基础才能看明白下为什么这么设计，这么说 中断不应该被阻塞 操作系统相关优先级远低于硬件中断，仅仅讨论操作系统内的情况，不考虑中断介入的更复杂情况 优先级翻转 假设： 系统中有3个任务Task1，Task2和Task3，优先级分别为3，2，1，也就是Task1的优先级最高 任务Task1和Task3互斥访问串口打印printf，采用二值信号实现互斥访问。 起初Task3通过二值信号量正在调用printf，被任务Task1抢占，开始执行任务Task1。 问题产生： 任务Task1运行的过程需要调用..
更多
Nuxt3创建SSE server以及client的简明教程
SSE(server-sent events)是什么MDN上有关于SSE的介绍，可以把SSE理解为单向的WebSocket。普通请求 + WebSocket + SSE联手一起完善了浏览器网络请求体系。它们的区别如下： 普通请求(GET,POST,PUT等等)：浏览器--->服务器，单向非持续数据流。 WebSocket：浏览器<--->服务器，双向持续数据流。 SSE：浏览器<---服务器，单向持续数据流。 SSE的表现形式上和WebSocket差不多，依旧由浏览器主动发起请求，但是服务端不会立即返回，而是保持长连接，伺机返回数据，相应的，浏览器端则需要监听事件。 场景解析知道了SSE能实现什么功能，你可能已经跃跃欲试了，但是SSE的使用场景是什么呢？为什么不直接使用WebS..
更多
RFID
Foreword 学生时代探索的超高频RFID应用，现在还要捡起来看一下，好多内容都忘记了 RFID RFID 标签有多种形状和大小，可以是“无源”的，也可以是“有源”的。 但最常见的是无源标签，这意味着它们不需要电池等集成电源。 无源标签通常由 RFID Inlay和防止物理损伤的外壳组成。 Inlay由一个小型硅微芯片组成，用以存储数字 ID 和其他数据，并粘贴到纸或塑料 (PET) 薄膜等薄基板上的天线上。 无源标签的天线接收来自读写器的无线电波，并将其传输到微芯片，微芯片收集该能量，并用来将无线信号发送回读写器。 Inlay的尺寸很薄，因此很容易嵌入到传统标签中，使其成为智能标签，或嵌入到非常坚固的塑料（硬标签）或生物兼容玻璃（玻璃标签）中，用于极端恶劣的环境或注射到动物体内。 类型 ..
更多
使用 Cloudflare Workers自建完全免费Docker镜像服务
使用Cloudflare Workers自建完全免费Docker镜像本方法 不需要服务器 也不需要域名自月初docker镜像被封禁之后，国内的镜像源也同步都停掉了。国内服务器拉取镜像变得完全不方便。目前有几种方法挂代理, 给配置文件增加代理proxy配置;自建转发服务器，配置文件增加registry-mirrors镜像源:自建服务器，给nginx配置反向代理， 如crproxy;蹭Cloudflare Workers免费资源，手动写请求转发代码，如cloudflare-docker-proxy最终我选择了Cloudflare Workers方式，因为这个方法完全不需要服务器，甚至也不需要域名，只需要注册一个cloudflare帐号就能用。我真的服了cloudflare也是太大方了，真的什么都给大家免费用。..
更多Making subprocess async friendly in Python
It's been a while since i wrote something in English, mostly because there's nothing really interesting, until now. Occasionally, when facing a long running task in Python, I would choose either a distrubuted tasks queue system, or for the convenience, just the subprocess module. It's built-in and well designed for grabbing outputs of a child process runn..
更多人声分离简单评测
娃要去表演唱歌，老师要求提供MTV。。 视频是这个，需要去掉人声部分 先用 ffmpeg 提音轨 ffmpeg -i v.mp4 -ac 1 1.mp3 微信小程序上的全是骗充值的，网上的服务： 没卵用 https://vocalremover.org/ 名气很大，搜出来第一就这个 没用 https://www.conversion-tool.com/karaoke/ 卡死 https://www.songpeel.com/song-to-karaoke 要安装 https://github.com/adefossez/demucs 要6G显存 https://github.com/Anjok07/ultimatevocalremovergui 效果很好！ https://tunebat.com/Vo..
更多吐槽pynsq，另外给subprocess糊了一个异步
pynsq太烂了 起初是因为需要在 Web API 里消费一个消息队列(nsq)，给浏览器返回 EventSource 做实时输出。但是没想到官方库pynsq居然写得这么渣： def _handle_term_signal(sig_num, frame): logging.getLogger(__name__).info( 'TERM Signal handler called with signal %r', sig_num) tornado.ioloop.IOLoop.current().stop() def run(): """ Starts any instantiated :class:`nsq.Reader` or :class:`nsq.Wr..
更多
多模态-ViLT
最近面试了一北京候选者，之前使用电子病例以及CT图像两种模态信息，训练ViLT多模态预测模型，提高肺结节良恶性预测准确率。正好我对多模态如何对齐也比较感兴趣，以Transformers-Tutorials提供的代码为例，来看下其内部是如何实现的。数据集我没有从VQA下载，太大了，这里也强烈安利huggingface提供的lmms-lab/VQAv2 dataset。 剩下就改下VQADataset部分，其他保持不变。 这里记录比较有趣的几个点。 1. text和image如何对齐？答案：在第二维对齐。 具体来说，text部分使用的是BertTokenizer,max_position为40（所以如果有长文本，这里就坑了），假设batch_size为4,text embedding出来后就是(4, 40, ..
更多SHAP机器学习模型解释
介绍分享个模型可解释的库SHAP，其可以对XGBoost等机器学习库进行结果解释。 更多还有类似Paddle中的TrustAI。 什么是SHAP？SHAP（SHapley Additive exPlanations）是用来解释机器学习模型的工具。它告诉我们每个特征对模型预测结果的贡献有多大。想象一下你和几个朋友一起干活，最后得到了一笔报酬。你想知道每个人应该分多少钱，SHAP就是在做类似的事情，只不过它是在告诉你每个特征对模型预测结果的贡献。 核心概念1. Shapley值： 想象一个团队在完成任务后得到一笔奖金，我们想公平地分配这笔奖金。Shapley值就是一种分配方法，告诉我们每个成员（在机器学习中是每个特征）应得的报酬（对预测结果的贡献）。 2. 边际贡献： 假设我们在玩一个游戏，每次加入一..
更多