最近几周，我开始尝试自己在家制作冰淇淋。整个过程比我想象中要复杂一些，但容错率还是相当大的。 这篇文章主要记录了从使用最简单的预制冰淇淋粉开始，到自己调配抹茶和香草口味的两次尝试。 关于冰淇淋机冰淇淋机有两种：有压缩机的和无压缩机的，分别对于主动和被动制冷。（至于为什么不提半导体制冷，那种制冷能力面对冰淇淋太幽默了，只适合炒个酸奶） 有压缩机的：昂贵，费电，本质上是小型冰箱，通常适用于大规模生产

本文包含大量作者的主观价值导向的内容，仅代表个人的认知和理解。 库比蒂诺的最后通牒2025 年秋，苹果公司发布了一款名为 iPhone 17 Air 的新设备。它正如其名一般强大而轻薄：性能强悍的处理器，史无前例轻薄的机身。 但最受（至少中国）用户关注的并非这些，而是手机机身上一个以各种形式延续了数十年的开孔终于在这一代彻底消失了：继在美国等市场试

已在 https://draw-list.strexp.net 上线。所有代码均在 https://github.com/YukariChiba/dnsdraw 中放出。 前言(这个机制其实已经部署在网络中超过 6 个月了，但是总觉得它还是值得一写的。) 其实，先前就有若干网友（注：指玩网络的朋友）实现了类似的念诗功能，但是大部分无非是展示一段静态

本文包含大量作者的主观价值导向的内容，仅代表由个人经历出发的认知和理解。 本文是上一文章的接续，如果没有看过前一章的话建议先行阅读。上一篇文章发出后，陆续收到了来自评论区和私信的一些问题，现进行解答。 全文将主要以问答+个人陈述的方式展现。 问答环节 Q: 你在自己性别身份的转换上，取得了那些成功，遇到了哪些问题，准备怎么应对？ 以抑郁为代

本文包含大量作者的主观价值导向的内容，仅代表由个人经历出发的认知和理解。 本来这个系列文章应该在上个月的31日发出，但是由于一系列原因咕咕了，最近准备缓慢地补完。 全文将主要以问答+个人陈述的方式展现。 基本概念如果您还没有了解跨性别（Transgender）相关的概念，以下有一些链接可供参考阅读： 性別不一致 | 维基百科 性别不安 | 百度百

由于历史原因，几个月前收了一台 剑派 8800UV 对讲机。它是长这样的。 一开始我被它看似强大的功能和彩屏吸引，拿到手上后才发现，事实上跟 UV-5R 没有什么本质上的区别。 前几天学校在筹建无线电社团，因此把这个台拿出来，准备写点频道进去，但并不知道该用什么软件来写入。 尝试 1：官方下载失败。 我尝试搜索这个厂家，并没有在淘宝/天猫外看到其它销售渠道乃至任何官方网站。 尝试 2：

Multivariate Time Series多变量时序（MTS）这个 Topic，主要是两个方面，预测和异常检测（后者事实上也可以通过预测来得到结果）。 目前根据咱的方向，主要是做基于图的时序数据挖掘，事实上在大多数论文中，这被分成了两个步骤： 首先通过时序数据，提取特征，构建图模型。 然后使用基于图的机器学习模型，完成给定的任务。 组会相关这次组会主要有提及三种不同的在时序数据上构建图的

这篇文章将介绍 IFSolverR 对于匹配到的图片是如何生成网格、检测错误识别并排版生成最后的输出的。 生成网格先前说到，IFSolverR 对所有的图片进行匹配并得到了一份映射坐标列表，而最后输出需要的数据显然应该是一个矩阵 $ M $，使得对于行 $ i $ 和 列 $ j $： $$ M= \begin{pmatrix} \displaylines{ (P_{x1}, P_{

在这篇文章里，将详细介绍 IFSolverR 是如何匹配特征的，这是本次更新中最核心的环节。 简要介绍与先前的 IFSolver 不同，使用 SIFT 进行全图匹配一定会引入一些错误的特征点，如何判断某个匹配是否是符合要求的，以及如何处理图中存在的多个匹配，是本节需要关注的主要问题。 粗匹配1bestMatches = BFMatcher.matchDescriptor(d, dFull)

这篇文章里，将具体说明 SIFTExtractor 的情况，这主要是使用 SIFT 进行特征提取。 SIFT 算法SIFT 是 David Lowe 提出的一种尺度不变特征变换匹配算法。它的一大特点是提取出的特征对于平移、旋转等特性具有不变性。 它主要做了如下几个步骤： 建立尺度空间的高斯差分金字塔。 在尺度空间内检索极值点。 对特征点赋值，获取位置、尺度、方向的信息。 对于第一步，总的来