大语言模型之LLaMa2
基于Linux系统下的奥比中光Genmini安装与调用
关于如何使用Inno Setup打包Windows后台服务应用的方法
基于AES ECB算法的文件加密与解密 高级加密标准(AES,Advanced Encryption Standard)为最常见的对称加密算法(例如微信公众平台，百度API等都是采用的这种加密算法)。对称加密算法也就是加密和解密用相同的密钥，具体的加密流程如下图：
添加Mac的Time Machine备份到smb网络硬盘 家里的极路由支持smb协议，也就是windows 共享文件夹。路由器上插上移动硬盘，然后装上局域网文件中转站插件即可。
基于Hough变换原理的文档图像倾斜角检测与校正 霍夫变换是一种特征检测(feature extraction)，被广泛应用在图像分析（image analysis）、计算机视觉(computer vision)以及数位影像处理(digital image processing)。霍夫变换是用来辨别找出物件中的特征，例如：线条。他的算法流程大致如下，给定一个物件、要辨别的形状的种类，算法会在参数空间(parameter space)中执行投票来决定物体的形状，而这是由累加空间(accumulator space)里的局部最大值(local maximum)来决定。 现在广泛使用的霍夫变换是由RichardDuda和PeterHart在公元1972年发明，并称之为广义霍夫变换(generalizedHoughtransform)，广义霍夫变换和更早前1962年的PaulHough的专利有关。经典的霍夫变换是侦测图片中的直线，之后，霍夫变换不仅能识别直线，也能够识别任何形状，常见的有圆形、椭圆形。1981年，因为DanaH.Ballard的一篇期刊论文”Generalizing the Hough transform to detect arbitrary shapes”，让霍夫变换开始流行于计算机视觉界。1
人脸特征点置信度算法 使用训练好的模型进行人脸特征点标记的时候，经常会生成一些特征点标记不准确、顺序错误或散乱的数据，每次标记完成后还要再经过人工进行筛选，特别耗时，少量数据还好，对于大数据集来说简直就是灾难。针对此种情况，根据人脸面部特征的规律现总结出一个算法用来计算特征点的置信度，给它起名叫FCC\(Facial Landmark Confidence Coefficient\)人脸置信度系数。该算法可以粗略的判断出模型标记的人脸特征点是否正确，使用人工标记的数据对算法进行测试，其有效识别率在95%左右。为了提高算法的可靠性又加入了两个辅助系数，CER和IER。在辅助系数的共同作用下有效识别率在97.65%以上。目前该算法还有待优化，有效识别率为97.65%也就意味着误判率为3左右%，每100张就有3张误判，每10000张误判数量就会高达300张。如果使用这些数据再进行其他网络的训练就会影响新模型的准确度。为了尽可能降低算法的误判率，我们可以对系数范围进行微调。例如 0.85 < FCC <= 1.9 识别率为97.65%，而 0.82 < FCC <= 2.3 时，可以将有效识别率提高至98.6%。这样做也有一个风险，强行扩大系数范围虽然能够少量提高有效识别率，但却使得有效识别的数据极有可能存在伪数据，所以在不同的场景下想要微调系数还需要斟酌。
基于HRNet的人脸特征点检测 摘要 在本篇文章中我们主要研究人脸特征点检测，使用的网络结构为中科大与微软亚洲研究院，发布的HRNet。HRNet着重于输出可靠的高分辨率表征（reliable highresolution representation）。目前现有的大多数方法都是从高分辨率到低分辨率网络（high-to-low resolution network）产生的低分辨率表征中恢复高分辨率表征。相反，HRNet能在整个过程中都保持高分辨率的表征。
Pynsist制作Python程序的Windows安装包 使用Python语言编写GUI程序时，往往需要将程序中的依赖包连同程序一同打包成.exe安装文件， 打包完成后，便于在其他Window电脑上安装并使用该程序。本篇文章主要讲解如何使用Pynsist进行打包。
Tensorflow模型转换之TFJS、Tensorflow Lite 最近在搭建一个人工智能学习平台，主要包括在线训练图像分类模型、自学习聊天机器人、模型在线转换等功能。 本篇文章主要讲解如何将训练好的Save Model模型，转换成移动端使用的Tensorflow Lite模型与Web端使用的Tensorflow JS模型。 此处我们以Posenet为例来实现Lite与JS模型的转换。