清理C盘
Windows C 盘安全清理笔记 目标:在不影响系统正常运行的前提下,快速释放 C 盘空间。 一、先查看空间被谁占用了方法一:Windows 存储分析操作步骤 按 Win + I 打开: 1系统 → 存储 可以看到: 应用和功能 临时文件 文档 图片 其他 点击每一项可以查看详细占用情况。 方法二:使用磁盘分析工具推荐工具: WizTree(速度最快) WinDirStat(功能全面) 作用: 查看哪些文件夹占用了大量空间 快速定位几十 GB 的大文件 避免盲目删除系统文件 二、清理临时文件方法一:Windows 设置进入: 1设置 → 系统 → 存储 → 临时文件 建议勾选: ✅ Windows 更新清理 ✅ 临时文件 ✅ DirectX 着色器缓存 ✅ 缩略图 ✅ 回收站(确认没有需要恢复的文件) 谨慎勾选: ⚠️ 下载(Downloads) ⚠️ 以前的 Windows 安装 最后点击: 1删除文件 方法二:磁盘清理工具操作步骤 按 Win + R 输入: 1cleanmgr 选择: 1C: 点击: 1清理系统文件 建议勾选:...
solidity学习随记
Solidity 学习随记本文集中记录 Solidity 函数可见性、状态可变性和数据位置。理解这三部分能够避免调用上下文混淆、状态误修改和不必要的 Gas 消耗。 函数可见性 可见性 合约内部调用 外部调用 典型用途 private 仅当前合约 不允许 局部实现细节 internal 当前合约与派生合约 不允许 可继承的内部逻辑 public 允许 允许 同时服务内部与外部 external 不能按函数名直接调用 允许 外部接口入口 external 的正确调用方式同一合约中的 external 函数不能写成 operation() 进行内部调用。使用 this.operation() 可以调用,但它会经过 ABI 编码并执行一次 EVM 外部调用,msg.sender 也会变为当前合约地址。 1234567891011121314151617181920// SPDX-License-Identifier: MITpragma solidity ^0.8.20;contract VisibilityDemo { function op...
特征工程
特征工程特征工程是把原始数据转换为模型可学习信号的过程。目标不是盲目增加字段,而是用稳定、可解释且可复现的方式表达与任务相关的信息,同时避免数据泄漏。 标准流程123456789flowchart LR A[原始数据] --> B[数据剖析] B --> C[清洗与缺失处理] C --> D[特征构造] D --> E[编码与缩放] E --> F[特征选择] F --> G[训练与交叉验证] G --> H[线上特征服务] H --> I[漂移监控] 常用处理方法数值特征 缺失值可使用中位数、分组统计量或模型方法填补,并增加缺失指示字段。 偏态分布可使用对数变换或分位数变换。 对距离敏感的模型可执行标准化或归一化,树模型通常不依赖缩放。 极端值应结合业务规则截断,不宜仅凭统计阈值删除。 类别特征低基数类别适合独热编码。高基数类别可使用频次编码、哈希编码或带交叉验证的目标编码。未知类别必须有稳定的兜底值,避免线上推理失败。 时间与文本特征时间字段可拆分为小时、星期、月份和节假日,也...
AI算法赛个人经验总结(下)
比赛官网 :https://competition.ai4s.com.cn/race/10/description 赛题解读 :https://ailc.datawhale.cn/hall/group/91/task/162 RNA-蛋白结构预测算法竞赛经验总结一、总体竞赛流程这类结构生物学竞赛与传统机器学习竞赛最大的区别在于: 传统竞赛关注的是: 数据 → 特征 → 模型 → 分数 而结构预测竞赛更接近: 序列 → 结构生成 → 候选结构筛选 → 提交结构 → 分数 因此整体流程建议按照以下顺序推进: 第一阶段:Baseline复现目标: 跑通官方代码 生成完整预测结果 获得第一版提交成绩 重点检查: 是否所有样本均成功预测 是否存在OOM(显存爆炸) 是否成功生成全部cif文件 是否成功生成confidence文件 不要急于优化。 先确保: 所有题目都有答案。 第二阶段:结果筛选优化目标: 从模型已经生成的多个候选结构中挑出最优答案。 流程: 生成多个候选结构 → 读取置信度指标 → 筛选最优结构 → 提交 这类优化成本极低。 往往是最容易获得收益的方向。 ...
CrossTickSwap
CrossTickSwapCrossTickSwap 指集中流动性自动做市商中的跨刻度交换。交易推动当前价格越过一个或多个已初始化刻度时,协议必须分段计算成交量,并在每个边界更新有效流动性。理解该过程的关键是区分当前有效流动性、刻度上的净流动性变化和价格方向。 核心对象 sqrtPriceX96:当前价格平方根乘以 2^96 后的定点数。 tick:离散价格索引,价格近似满足 price = 1.0001^tick。 liquidity:当前价格区间内可参与交易的有效流动性。 liquidityNet:穿越某个已初始化刻度时应加入或移除的净流动性。 feePips:以百万分之一为精度表示的手续费率。 跨刻度执行流程12345678910111213flowchart TD A[接收输入数量与价格限制] --> B[定位当前刻度和有效流动性] B --> C[查找交易方向上的下一个初始化刻度] C --> D[计算到目标价格所需的输入和输出] D --> E{本轮输入是否足够到达目标价格} E -- 否 -...
LiquidityNet
LiquidityNetLiquidityNet 是集中流动性池在某个刻度边界上的净流动性变化量。它不是该刻度拥有的流动性总额,而是价格穿越边界后,当前有效流动性应增加或减少的差值。 与 LiquidityGross 的区别 liquidityGross 记录引用该刻度的所有仓位流动性绝对值之和,用于判断刻度是否已初始化。 liquidityNet 记录从低价方向向高价方向穿越刻度时,有效流动性的净变化。 一个刻度可以具有较大的 liquidityGross,同时 liquidityNet 接近零。这说明在该边界开始和结束的仓位规模相近。 仓位如何影响边界流动性提供者在区间 [tickLower, tickUpper) 增加数量 L 时,两个边界按以下规则记录: 12liquidityNet[tickLower] += LliquidityNet[tickUpper] -= L 12345flowchart LR A[低于 tickLower] -->|向上穿越下界 加 L| B[仓位处于有效区间] B -->|向上穿越上界 减 L| C[高于 tic...
Viem_vs_Ethers.js
Viem 与 Ethers.js 对比Viem 与 Ethers.js 都能完成以太坊 RPC 调用、合约交互、日志解析和交易签名。选择时应关注项目现有技术栈、类型安全要求、插件兼容性与团队经验,而不是简单判断某个库更先进。 设计差异 维度 Viem Ethers.js API 风格 函数式客户端与显式账户 面向对象的 Provider、Signer 与 Contract 类型系统 基于 ABI 推导参数和返回类型 类型支持完善,可配合 TypeChain 模块组织 公共客户端与钱包客户端分离 读取与签名能力通过对象组合 包体与导入 支持细粒度导入 核心入口统一,使用直观 生态 常与 Wagmi 等现代前端工具配合 历史项目、脚本和教程覆盖广泛 迁移成本 API 差异较大,需要重写调用层 版本升级也需关注破坏性变化 12345678910flowchart LR A[应用业务层] --> B{客户端库} B --> C[Viem publicClient] B --> D[Ethers Pr...
CACD
CACDCACD 是一个存在多种展开方式的缩写,仅凭标题无法可靠确定其业务含义。它可能指某个算法、系统模块、论文方法或项目内部组件。为避免把不同领域的概念错误合并,本笔记先建立术语确认与技术分析框架。获得来源链接、完整英文名或代码仓库后,应替换本节并补充具体实现。 术语确认步骤1234567flowchart TD A[获得 CACD 名称] --> B[定位来源文档或代码仓库] B --> C[确认完整英文名] C --> D[识别所属领域] D --> E[记录输入与输出] E --> F[梳理核心算法或业务流程] F --> G[通过示例验证理解] 建议记录结构 定义:用一句话说明 CACD 解决的问题。 背景:说明现有方法的限制及引入 CACD 的原因。 输入与输出:列出数据类型、约束和结果形式。 核心流程:描述各阶段状态变化与依赖关系。 关键参数:记录默认值、允许范围和调优影响。 复杂度:分析时间、空间、网络或存储成本。 失败模式:列出异常输入、边界条件和恢复策略。 验证方法:给出最小示例、测试用...
Web3_入门学习路线:从单一基础到多领域精进
Web3 入门学习路线Web3 通常指以区块链、智能合约、密码学身份和可编程数字资产为基础的应用体系。它把部分数据与业务规则放入多方共同维护的网络,使用户能够直接验证状态并持有链上资产。去中心化并非天然目标,实际系统需要在安全、成本、性能、隐私与治理之间权衡。 本文提供从基础原理到开发、安全、数据和金融应用的学习路线。所有金融内容仅用于技术学习,不构成投资建议。 学习路线总览1234567891011flowchart TD A[计算机与网络基础] --> B[密码学与区块链原理] B --> C[钱包 交易 Gas 与节点] C --> D[Solidity 与 EVM] D --> E[合约测试与 DApp 前端] E --> F{选择进阶方向} F --> G[协议开发] F --> H[安全审计] F --> I[链上数据] F --> J[DeFi 与机制研究] F --> K[其他虚拟机与跨链] 第一阶段:理解区块链从 Web1...
AI算法赛个人经验总结(上)
比赛官网 :https://competition.ai4s.com.cn/ 能源电力赛题解读 :https://ailc.datawhale.cn/hall/group/76/task/164 针对比赛的经验AI算法赛的核心不是一次性做出最优方案,而是建立一套“实验—评估—提交—反馈—优化”的闭环迭代流程。 一、理解比赛评价体系在开始优化前,首先明确比赛的目标指标。 1. 官方评分指标需要明确: 排行榜依据什么评分 分数越大越好还是越小越好 线上评分与线下评分是否一致 例如(电力方向): 任务类型 常见指标 回归预测 RMSE、MAE 分类任务 Accuracy、F1 排序推荐 NDCG、MAP 策略优化 总收益、收益率 2. 建立本地评估体系任何改动都必须先经过本地验证。 常见本地指标: 验证集 RMSE 验证集 MAE F1 Score AUC 平均收益 原则: 误差类指标越小越好 准确率类指标越大越好 收益类指标越大越好 例如: 原模型: 12RMSE = 0.648平均收益 = 11618 改进后: 12RMSE = ...










