Cyrus' Blog

这是浙江大学2024春夏数字逻辑设计的课程设计，我们小组基于FPGA制作了一个魔塔游戏。视频演示： https://www.bilibili.com/video/BV1i9gkeAEEk/ 其中，本人主要负责代码的编写，包括时钟控制模块、VGA模块、地图渲染、数字渲染、地图交互、COE文件生成脚本、地图编辑器、Vivado TCL脚本等。 开发环境使用Vivado，利用Vivado TCL脚本 + git来管理和协作开发。 VGA模块我编写的时候使用了一个RAM映射到VGA输出，这样其他模块可以通过写RAM来渲染，实现解耦合和其他的一些好处。没有采用给的参考代码里输出x, y输入color的方法。 主要的逻辑并不复杂，当相应的移动按键被按下之后，会生成一个预移动信号，检测移动目标位置是否符合特定规则（如目标为门且钥匙足够，目标为怪物且生命值足够等），如果符合规则，则会生成一个移动信号，更新人物坐标，否则保持原地不动。 开发过程中发现自己对时序逻辑的理解还不够深，经常出现仿真/下板结果和预期不符合，需要反复下板验证，由于项目到后期之后生成比特流的速度变得非常慢，制约了开发的速度。（该死 ...

什么是 Diffie–Hellman 密钥交换？ Diffie-Hellman是一种密钥交换方法，可以让双方从不安全信道中建立一个共同的密钥来加密通讯内容。 DH方法本身很简单，但它却是许多现代安全协议的基础，如TLS安全传输层协议，安全外壳协议以及IPSec互联网安全协议，都部分使用到了DH算法。 Diffie–Hellman 密钥交换的过程 Diffie-Hellman密钥交换的过程如下： 双方协定一个质数ppp和基数ggg。这两个数无需保密，可以随意协商或传输。 Alice生成一个随机数aaa，并计算 A=gamod  pA=g^a \mod{p}A=gamodp 。 Bob生成一个随机数bbb，并计算B=gb(modp)B=g^b\pmod{p}B=gb(modp)。 Alice发送AAA给Bob。 Bob发送BBB给Alice。 Alice计算s=Ba(modp)s=B^a\pmod{p}s=Ba(modp) Bob计算s=Ab(modp)s=A^b\pmod{p}s=Ab(modp) 由于 (ga)b≡gab≡(gb)a{(g^a)}^b \equiv g^{ab} ...

引入 我们早就学过了计算串并联电阻的等效电阻的公式： 针对混合的电阻网络，有些时候我们依然可以反复运用这两个公式来计算等效电阻。在有些电阻网络中，这样是无法得到答案的： 如果你熟悉星三角变换，你应该能很快算出答案。（或者你能看出这就是一个平衡桥，那就能口算了） 星三角变换固然是一种手工计算等效电阻的很好方法，但是对于计算机而言，利用这个方法计算电阻会很麻烦。下面，我将使用高斯消元法来计算两点之间的等效电阻。 建模 我们可以把两点之间的纯电阻网络看作是一张有向图，节点表示导线，边表示电阻，边权表示电阻的大小。要求源点和汇点之间的等效电阻大小。 为什么要建成有向边呢，因为虽然电阻是无向的，但是电流是有向的，我们一开始并不知道电流的方向，但是可以任意地假定一个方向，然后给每一条边赋上一个电流IiI_iIi​，当IiI_iIi​为正，表示电流方向与箭头同向，当IiI_iIi​为负，表示电流方向与箭头反向。然后我们再假定汇点的电势为000，其余每个节点赋上一个电势φi\varphi_iφi​。 若要求源点到汇点的等效电阻，只需要知道源点的电势φs\varphi_sφs​和汇点的电势φt\ ...

Lecture 5 Neural Network 线性分类器的局限 Linear Classifier能做的其实很有限，从Lecture 3的“几何视角”中，我们知道了线性分类相当于画了一个超平面来将超空间分类。然而并非所有情况下样本点都可以被一个平面简单的分割。 一种方法是对原有数据集做一些变换，使得线性分类器能够分割变换后的数据。 这种方法的确能取得不错的结果，只需要人工提取出数据集的一些特征，然后用这些特征来训练线性分类器。比如，对于图像分类，可以设计算法来提取图像的边缘、颜色、纹理等特征，然后用这些特征来训练线性分类器。同时，也有一些data-driven的方法可以用来提取特征。 但是这种方法的缺点也很明显，就是研究者必须知道哪一些特征变换对于分类是有效的。而神经网络解决了这个问题。 或许，神经网络只是将特征提取的步骤和训练的步骤融合在了一起。 从线性分类器到神经网络 神经网络其实只是线性分类器的叠加 Linear Score Function: f=Wxf=\boldsymbol{W}xf=Wx 2-layer Neural Network: f=W2σ(W1x)f= ...

初学微积分的时候，看到课本上证明所谓的“一阶微分形式不变性”看得云里雾里，想着“d𝑦=𝑓′(𝑥)d𝑥竟然也需要证？”．但当我仔细看了看微积分中导数𝑓′(𝑥)，微分d𝑥的定义，明晰了以前一直混淆的概念，发现这确实需要证明．不禁又一次感叹微积分的严谨（上一次是理解𝜀 − 𝛿语言时）．"

课程介绍 Deep Learning for Computer Vision是一门介绍深度学习在计算机视觉中的应用的课程，本课程中介绍了如何实现、训练和调试自己的神经网络，并详细展示了计算机视觉的前沿研究。课程中还包括一些训练和微调视觉识别任务网络的实用工程技巧。CS231n是斯坦福大学的版本，由于这门课程在网络上最新的版本是2017年比较早，因此我选择了教学大纲基本相同，但有额外扩充内容的另一门课程，密歇根大学的EECS498/598，这门课在网上公开的最新版本是FA2019。 课程相关链接： https://web.archive.org/web/20230328031120/https://web.eecs.umich.edu/~justincj/teaching/eecs498/FA2020/ http://cs231n.stanford.edu/schedule.html 课后作业答案 下面是我的作业解答链接 https://github.com/cyrus28214/EECS598-solutions Lecture 1 对计算机视觉做了简单的引入，主要介绍了计算机视觉的 ...

前言 有时候，写前端代码更像是一种体力活。在前端的世界，你经常需要写出重复嵌套的HTML元素，冗长的CSS样式。俗话说：不会偷懒的程序员不是好程序员，如果你还在手写HTML和CSS代码，那你必须要知道Emmet，这个可以显著加快你的代码速度的插件。 介绍 Emmet是一个可以极大加速web开发工作流的工具。Emmet为HTML/XML和CSS设计了一套便于记忆和使用的缩写，你只需要键入这些缩写，就可以自动展开成相应的代码。 安装 Emmet支持几乎所有的编辑器。包括VSCode、Sublime、Atom、WebStorm、Vim、Emacs等等。 如果你是用的是宇宙第一编辑器——VSCode，那么你不需要做任何事，因为VSCode默认集成了Emmet，不需要安装任何VSCode扩展。Emmet功能会在html、xml、css、sass、php等类型的文件中启用。详见https://code.visualstudio.com/docs/editor/emmet#_how-to-expand-emmet-abbreviations-and-snippets 如果你是其他编辑器的用户，这 ...

概念 OSI模型（Open Systems Interconnection model）是由国际标准化组织（ISO）制定的一种用将各个计算机连接成网络的标准框架。 OSI模型将通信系统中的数据流划分成8层，从上至下分别是应用层、表示层、会话层、传输层、网络层、数据链路层、物理层。每一层都在下一层的基础上构建，为其上一层提供功能。从一台计算机发送信息到另一台计算机时，这些信息会从N层开始，向N-1层传递，直到物理层，使用物理的线路进行传输，传输到另一台计算机后，再从低至高解析数据，直到第N层，再交给某个应用程序处理。 OSI是一种概念模型，这意味着OSI并没有规定具体的实现，而只是描述了一些概念，用来为实际的标准制定和开发提供参考。也就是说，对于同一层可能有多种不同的协议来实现。 应用层（Application Layer） 应用层是最贴近用户的一层，应用程序通过网络传输数据，根据程序的功能，处理数据、为用户提供图形界面、发送数据等。直接为网络应用提供服务。 具体的应用举例：浏览器、QQ 应用层的网络协议有：HTTP（上网协议）、FTP（文件传输协议）、SMTP（电子邮件传输协议）等 ...