主页

基于openstreetmap数据的算路引擎，括路径规划、等时线计算、高程采样、地图匹配和旅行优化 核心特性 Tiled Hierarchical Data Structure: Allows for small memory footprint on constrained devices, enables offline routing, and provides a means for regional extracts and partial updates. 支持在资源受限设备上使用较小内存，便于离线路由，并支持区域提取与局部更新。 Dynamic Runtime Costing: Edge and vertex costing via a plugin archite...

在图形渲染领域，有一个不成文的共识：一切几何，最终都要变成三角形。 无论你在建模时使用的是曲面、N边形、多边折线还是Bezier曲线，到了 GPU 渲染阶段，都会经历一个不可或缺的步骤——三角化（Triangulation）。 这篇文章将带你理解：为什么渲染一定要三角化？有哪些主流三角化算法？OpenGL 又是如何处理三角形的？ 一、为什么渲染必须三角化？ 1. 三角形是最稳定的平面单位 任意三个不共线的点，唯一确定一个平面。 多边形（如四边形）如果顶点不共面，就可能出现 扭曲 或 不确定面方向。 三角形天然“平”，不管顶点位置如何，都不会在图形管线中引起数学歧义。 稳定性意味着更少的渲染bug、更容易进行裁剪、光照、纹理插值等操作。 2. 三角形最适...

简介 提供两个文件的 binary diff 的patch 补丁 Patch 的数据结构 Control Data: 补丁过层指导 Diff Data: 新旧两个版本文件的差异 Extra data：在新文件里完全没有的data 基于stream的设计 通过stream来抽象 io 操作，方便在多种环境（实测linux server， android，ios设备都有一致性， server打出来的patch 可以直接在端上merge） 二进制diff算法 Suffix Array Generation 后缀数组 针对于 老文件，进行 利用 qsufsort 进行排序，实际上就是产出一份方便匹配的数据 为每个字节值创建桶（0-255） 计算每个字...

spdlog 和 GLOG 的核心区别 维度 GLOG (Google Logging) spdlog 项目起源 Google 内部老项目（2000年代初） 轻量、高性能现代日志库（C++11以后） 库大小 很重、依赖复杂（GFLAGS、线程库） 单头文件版也有，非常轻量 初始化 必须全局初始化（InitGoogleLogging） 直接即用，支持单独 logger、多 logger 依赖 gflags、pth...

Tippecanoe 是一个命令行工具，用于从大型地理空间数据集构建矢量瓦片集。其主要目的是实现尺度无关的可视化，在所有缩放级别上保留原始数据的密度和细节， 简化（RDP）、索引（R-Tree）、裁剪（Clipping）、投影（Mercator）、合并（Union）等 概述 结构 1. 命令行工具 tippecanoe：主要工具，用于生成矢量瓦片 tile-join：用于合并瓦片和连接 CSV 属性的工具 tippecanoe-decode：将矢量瓦片转换回 GeoJSON 的工具 tippecanoe-json-tool：用于操作 GeoJSON 的实用工具 tippecanoe-enumerate：列出 MBTiles 文件中的瓦片 2. 核...

主要优化点 PR标题: Fuse q_a_proj and kv_a_proj for DeepSeek models 动机（Motivation）： 在 DeepSeek V3 模型的 Self-Attention 结构中， q_a_proj（query after attention projection）和 kv_a_proj（key-value after attention projection）都以同一个 hidden state 作为输入。 因此可以把它们合并为一个模块， 这样： 只需要 一次 DeepGemm 调用（矩阵乘）， 减少了一次 kernel launch 开销， 提升整体推理速度。 具体修改（Modifications） ...

1. SFT 微调概述 SFT（Supervised Fine-Tuning）指的是在大模型预训练完成后，使用人工标注的 (prompt, response) 对，进行标准监督学习训练， 目的是引导模型输出符合特定任务要求的响应。 输入/输出定义 输入 ( x )：Prompt（指令） 输出 ( y = (y_1, y_2, \ldots, y_T) )：Response 的 token 序列 2. SFT 训练流程（带公式） 2.1 目标函数（Objective） SFT 训练的目标是： 最大化在已知输入 Prompt ( x ) 条件下，生成正确 Response ( y ) 的概率。 换句话说，最小化负对数似然（Negative Log-Likeli...

DragonflyDB 和 Redis 主要区别有这些： 方面 Redis DragonflyDB 架构 单线程（IO多路复用 + pipeline优化） 多线程（基于”shared-nothing”并行架构，线程间无锁） 性能 单核极限高，但多核扩展性一般 原生支持多核扩展，吞吐量更高（官方称同硬件上可以比 Redis 高 25x） 内存管理 自己管理内存（jemalloc优化） 自研内存模型（基于 Small-Object Arena + Slab ...