引言

在深度学习领域，卷积神经网络（Convolutional Neural Network，CNN）是专为图像、视频、网格类数据设计的经典算法，也是计算机视觉技术的基石。

从手机人脸识别、相册智能分类，到自动驾驶路况识别、医学影像病灶检测，都离不开它的支撑。

CNN 的核心设计思路，是模拟人类大脑视觉皮层的工作原理：我们观察物体时，会先捕捉边缘、线条等基础特征，再逐步组合成完整的物体轮廓；而 CNN 通过分层特征提取，自动从数据中学习有效信息，无需人工手动设计特征，完美解决了传统算法处理图像时效率低、准确率差的问题。

CNN 核心结构极简解析

1. 卷积层

算法核心，通过卷积核（过滤器）在图像上滑动，提取边缘、纹理、色彩等基础视觉特征，利用权值共享、局部连接大幅减少模型参数，提升计算效率。

2. 池化层

对特征图进行降维采样，在保留关键特征的同时，压缩数据量、降低计算复杂度，还能增强模型的鲁棒性。

3. 全连接层

汇总前面提取的所有特征，将高维特征映射到样本标签空间，最终完成分类、识别等任务输出。

CNN 核心优势

• 自动提取特征：省去繁琐的人工特征工程，让模型自己学习有效信息。
• 处理效果好：对图像、语音等结构化数据处理效果极佳，泛化能力强。
• 效率高：参数量少、训练效率高，适配深度学习多层架构。

典型应用场景

总结

卷积神经网络凭借独特的结构优势，成为计算机视觉领域最主流的算法，也是深度学习入门必学模型。

即便没有深厚的数学基础，也能快速理解其核心逻辑，轻松上手相关实践任务。

引言

神经网络是深度学习的核心，本质是模拟人脑神经元连接，通过多层结构自动学习数据特征，完成分类、回归、生成、决策等任务。本文按基础结构 + 经典网络 + 专用领域模型做清晰汇总，兼顾原理和应用，适合快速建立知识体系。

一、基础神经网络（入门必学）

1. 感知机（Perceptron）

• 最早的神经元模型，单层结构
• 只能处理线性可分问题
• 是所有神经网络的最小单元

2. 前馈神经网络（FFNN / MLP）

• 全称：多层感知机
• 结构：输入层 → 隐藏层 → 输出层，数据单向传播
• 适用：表格数据、简单分类/回归
• 局限：对图像、序列数据效率极低

3. 反向传播（BP 神经网络）

• 带误差反向传播的 MLP
• 通过梯度下降更新权重，是深度学习训练的基础

二、图像处理专用神经网络

1. 卷积神经网络（CNN）

• 核心层：卷积层 + 池化层 + 全连接层
• 优势：局部连接、权值共享，大幅减少参数量
• 擅长：图像分类、检测、分割、人脸识别

经典模型：

2. 目标检测类衍生网络

• 两阶段（高精度）：R-CNN → Fast R-CNN → Faster R-CNN
• 一阶段（高速度）：YOLO、SSD

三、序列/文本数据专用网络

1. 循环神经网络（RNN）

• 带记忆，可处理变长序列
• 问题：长序列会出现梯度消失/爆炸

2. LSTM（长短期记忆网络）

• RNN 的改进版，加入门控机制（输入门/遗忘门/输出门）
• 解决长序列训练问题
• 适用：语音识别、文本生成、时间序列预测

3. GRU

• LSTM 的简化版，参数更少、速度更快
• 效果接近 LSTM，工业界常用

四、注意力机制与 Transformer 家族

1. Attention（注意力机制）

• 让模型自动关注重要信息，忽略无关内容
• 彻底解决长序列依赖问题

2. Transformer

• 完全基于自注意力机制，不依赖 RNN/CNN
• 结构：Encoder + Decoder
• 奠定现代大模型基础

3. 基于 Transformer 的主流模型

五、生成式神经网络

1. 自编码器（AE）

• 结构：Encoder 压缩 + Decoder 还原
• 用途：降维、去噪、特征学习

2. VAE（变分自编码器）

• 概率版自编码器，可生成新样本

3. GAN（生成对抗网络）

• 生成器：造假数据
• 判别器：分辨真假
• 用途：图像生成、风格迁移、超分辨率

六、强化学习类神经网络

1. DQN（深度 Q 网络）

• CNN + Q-Learning
• 代表：AlphaGo 前身、游戏 AI

2. Policy Gradient / Actor-Critic

• 适合连续动作、机器人控制
• 广泛用于自动驾驶、智能体决策

七、核心能力总结

八、学习路线建议

1. 先学 MLP/BP 理解基本训练逻辑
2. 再学 CNN 做图像
3. 再学 LSTM/GRU 做序列
4. 最后主攻 Transformer（现代 AI 主流）

引言

提到深度学习，绕不开卷积神经网络（CNN）——它是专门为处理图像、视频等网格状数据而生的算法，也是如今人脸识别、图像识别、自动驾驶等技术的核心。

不用复杂推导，新手也能快速 get 它的核心逻辑。

一、什么是 CNN？

简单说，CNN 是一种模仿人类视觉系统的深度学习模型。

我们看一张图片时，会先注意到整体轮廓，再聚焦细节（比如五官、纹理）。CNN 就像”智能眼睛”，通过分层处理，自动提取图像的特征，从简单的线条、颜色，到复杂的物体形状、场景，最终实现图像的识别和分类。

和传统算法相比，CNN 最大的优势是**”自动提取特征”**——不用人工手动设计特征，它能自己从数据中学习，大大降低了人工成本，也提升了识别的准确率。

二、CNN 核心结构（极简版）

CNN 的结构不复杂，核心就 3 个关键层，层层递进处理图像：

1. 卷积层（核心）

相当于**”特征探测器”**，用一个”小窗口”（卷积核）在图像上滑动，捕捉图像的线条、边缘、颜色等简单特征，是 CNN 能识别图像的基础。

2. 池化层

相当于**”精简器”**，在不丢失关键特征的前提下，缩小图像尺寸，减少计算量，让模型运行更快。

3. 全连接层

相当于**”决策者”**，把前面提取到的所有特征汇总，进行分类判断（比如判断图像是猫、狗，还是汽车）。

三、常见应用场景

CNN 的应用早已渗透日常，我们每天都在接触：

四、新手小总结

CNN 的核心逻辑很简单：分层提取图像特征，从简单到复杂，最终实现识别和分类。

它不用复杂的数学基础，核心优势是擅长处理图像类数据，也是深度学习新手入门的首选算法之一。

如果想进一步尝试，新手可以从简单的图像分类案例（比如识别猫狗）入手，直观感受 CNN 的强大！

引言

在无监督机器学习领域，K-均值聚类 (K-Means) 绝对是最经典、最易上手的算法之一。

它无需标注数据，就能自动从杂乱无章的数据中找到隐藏的分组规律，像“智能分类器”一样，把相似的数据归为一类。

本文将用最通俗的语言带你快速掌握其核心逻辑。

一、什么是 K-均值聚类？

简单来说，核心目标是将一组无标签数据，划分为 K 个互不重叠的“簇”（即小组）。

• K：预先指定的簇数量。
• 均值：每个簇的中心（质心），是该簇内所有数据的平均值向量。

🍎 生活实例：
想象有一堆混合的水果。K-均值就像一个自动分类器，它会根据大小、颜色、形状等特征，把苹果归为一类、橙子归为一类、香蕉归为一类。这里的 K 就等于 3。

二、核心步骤：4 步完成聚类

K-均值聚类的逻辑非常直观，核心是“迭代优化”。

1. 预设 K 值：确定要把数据分成多少个簇（如 K=2, K=3）。
2. 初始化质心：随机从数据集中选择 K 个数据点，作为初始质心。
3. 分配与更新：
   • 计算每个点到所有质心的距离（常用欧氏距离）。
   • 将点归到距离最近的簇。
   • 重新计算每个簇的质心（即簇内均值）。
4. 迭代收敛：重复“分配 - 更新”，直到质心不再变化或达到最大迭代次数。

三、常见应用场景

四、新手避坑指南

K-均值虽简单，但有两个关键点：

1. K 值选择：常用“手肘法”（观察簇内误差变化拐点）辅助确定。
2. 初始质心敏感：随机选择可能导致局部最优，建议多次运行取最优结果。

总结

K-均值聚类是无监督学习的入门必备算法。无需复杂知识即可实现数据分组，无论是新手练习还是实际业务中的简单聚类，它都是首选工具！

引言

最近开源圈爆火的 Hermes Agent，凭借”自我进化”的闭环学习能力、多平台兼容特性，以及 52800+ GitHub Stars 的热度，成为很多开发者和AI爱好者的首选智能代理工具。

它不同于传统Agent框架，无需复杂配置就能部署，还能在使用中自动提炼技能、积累记忆，真正实现”越用越懂你”。

今天就给大家带来一篇保姆级博文，从安装到进阶使用，全程无坑，新手也能轻松拿捏～

Hermes Agent 简介
由 Nous Research 开发的开源自主AI Agent，基于 MIT 协议完全开源。核心优势：

• 闭环学习：自动沉淀技能
• 长期记忆：跨会话不”失忆”
• 多模型自由切换：支持 OpenAI, Claude, Kimi, MiniMax 等

一、安装前准备：确认环境，避免踩坑

在安装前，先确认你的设备满足以下基础要求，避免后续出现兼容性问题：

• 操作系统：支持 Linux、macOS、Windows WSL2、Android Termux（不支持 Windows 原生系统）；
• Python版本：必须是 3.10及以上（低于3.10会出现语法错误）；
• 硬件要求：基础使用需 4GB+ 内存；
• 网络要求：需能访问 GitHub；国内用户可选择 Kimi、MiniMax 等模型。

检查 Python 版本

打开终端输入：

1
2

python3 --version
# 预期输出：Python 3.11.x

若版本低于 3.10，可通过 pyenv 升级：

1
2
3

curl https://pyenv.run | bash
pyenv install 3.11
pyenv global 3.11

二、两种安装方式：一键安装 + 手动安装

方式1：一键安装（推荐，Linux/macOS/WSL2/Termux通用）

官方提供了一键安装脚本，会自动完成 Python 依赖安装、路径配置、初始化向导触发：

1. 执行安装命令：

   1	curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash

2. 加载环境变量：

   1	source ~/.bashrc # 或 source ~/.zshrc

3. 验证安装：

   1	hermes --version

方式2：手动安装（网络受限环境）

若一键安装脚本无法访问，可通过 Git 克隆源码手动安装：

1
2
3

git clone https://github.com/NousResearch/hermes-agent.git
cd hermes-agent
pip install -r requirements.txt

三、首次配置：3步完成初始化

安装成功后，首次启动会进入交互式配置向导：

1. 选择 LLM 模型：推荐国内用户使用 Kimi 或 MiniMax，无需额外网络配置；
2. 配置工具模块：按需开启文件操作、Shell 执行、网络请求等工具；
3. 配置消息网关：接入 Telegram、Discord、微信等平台。

四、实用使用技巧：从基础到进阶

1. 技能管理：让 Agent 自动”成长”

这是 Hermes Agent 最核心的技巧——闭环学习。

• 首次执行复杂任务后，Agent 会自动提炼最优路径生成技能文件。
• 查看技能：hermes skills list
• 调用技能：下次直接输入指令调用，效率翻倍。

2. 多模型切换：一键切换

Hermes Agent 不绑定任何模型，支持 200+ 模型自由切换：

1

hermes model set kimi

• 简单任务（如文本总结）：使用轻量模型（GPT-4o-mini, Kimi 轻量版），节省成本。
• 复杂任务（如代码开发）：使用强力模型（GPT-4o, Claude 3.5），提升准确率。

3. 长期记忆：跨会话不”失忆”

内置 SOUL 记忆系统，能跨会话积累用户偏好。比如周五处理的任务，周一启动后直接说”接着处理”，Agent 会自动召回进度。

4. 定时任务 + 子代理：无人值守

• 自然语言调度：直接说”每天晚上11点自动备份”，Agent 自动转化为 Cron 脚本。
• 子代理委派：自动拆解任务，克隆子代理并行执行（最多 8 节点并发）。

五、常见问题排查

总结

Hermes Agent 的最大优势是 **”简单部署 + 自我进化”**。

• 新手建议：先从基础交互和简单任务开始，熟悉后再尝试技能管理。
• 高效建议：多让 Agent 处理重复任务，鼓励它生成技能文件。

目前 Hermes Agent 已更新到 v0.10.0 版本，后续还会持续迭代。如果你在安装或使用过程中遇到其他问题，欢迎在评论区留言探讨！

Hermes Agent 架构解析：从一次性工具到自进化系统

先给出结论：Hermes 强，不是因为模型强，而是因为它把“AI 从一次性工具，变成了可积累的系统”。

以下从“架构层级”拆解其核心设计逻辑。

一、解决行业级痛点：AI“失忆”问题

传统 AI 交互面临的最大问题是“无状态”：每次对话重新开始，上下文依赖拼接。Hermes 通过持久记忆（Structured Memory），结构化地存储项目上下文与个人习惯。

二、核心差异化：自进化闭环

Hermes 构建了闭环：任务 -> 执行 -> 评估 -> 抽象 -> 生成 Skill -> 下次复用。系统将“过程”转化为“固有能力”，下次直接调用。

三、Agent Operating System (Agent OS)

Hermes 是一个 Agent Runtime，架构分三层：

• Agent 执行层：推理、工具调用。
• 平台层：CLI / Gateway、调度。
• 持久层（核心）：Memory、Skills、Profile。

四、模型无关 (Model Agnostic)

支持 OpenAI, Claude, GLM, Ollama 等 200+ 模型，将“模型”变为可替换组件。

五、从“认知系统”升级为“行动系统”

普通 AI：你问 -> 它答。
Hermes：你说目标 -> 它执行（写代码、调终端、操作文件）。

六、能力公式与复利效应

能力 = 模型 × (记忆 + 技能 + 工具 + 时间)

随着使用时间增长，系统呈现复利效应。

七、针对技术团队的落地价值

1. 流程资产化：将流程变成可复用的 Skill。
2. 系统拥有者：从工具使用者变为 Agent 拥有者。
3. 落地架构：构建”AI 提案自动评审系统”。

八、局限性与冷思考

• 初期较弱（缺乏积累）。
• 依赖高质量流程引导。
• LLM 本质（幻觉风险）。

总结：Hermes Agent 的本质，是将 AI 从“函数调用”升级成“长期运行的状态系统”。

一文读懂：AI 界的“判断大师”——逻辑回归算法

摘要：逻辑回归（Logistic Regression）是机器学习中最经典的分类算法。本文从线性回归的局限性出发，深入解析 Sigmoid 函数的作用机制、对数损失函数的原理及其在工业界的广泛应用。

1. 为什么不能直接用线性回归做分类？

线性回归擅长预测连续数值，但在面对“非黑即白”的分类问题（如垃圾邮件检测、肿瘤良恶性判断）时，它会遇到两个致命问题：

1. 数值越界：线性回归的输出范围是 $(-\infty, \infty)$，而分类问题的概率必须限制在 $[0, 1]$ 之间。
2. 对异常值敏感：极端值会严重拉偏拟合直线，导致分类边界失效。

为了解决这个问题，我们需要一种方法，将线性回归的无限输出“压缩”到 0 和 1 之间。

2. 核心魔法：Sigmoid 函数

逻辑回归的核心在于引入了 Sigmoid 函数（也称 S 型函数）。

$$y = \frac{1}{1 + e^{-z}}$$

这个函数的形状像一个平滑的”S”。它的特性是：无论输入的 $z$ 是多大的正数或负数，输出结果永远被严格限制在 $(0, 1)$ 区间内。

3. 算法的底层逻辑

逻辑回归的运作可以看作“线性回归 + Sigmoid 外衣”：

第一步：线性打分

计算特征的线性组合：$z = w_1x_1 + … + w_nx_n + b$。

第二步：概率转化

将 $z$ 输入 Sigmoid 函数，得到概率 $P$。例如 $P=0.85$ 表示模型认为该样本属于正类（如恶性肿瘤）的概率是 85%。

第三步：决策

设定阈值（通常为 0.5）。若 $P \ge 0.5$ 则判定为 1，否则为 0。

4. 模型训练：对数损失函数

在逻辑回归中，均方误差（MSE）不再适用，因为加上 Sigmoid 函数后，损失曲面会变得非凸，难以优化。因此，逻辑回归采用对数损失函数（Log Loss / Cross-Entropy Loss）。

其核心逻辑是“惩罚盲目自信的错误”：

• 如果真实标签是 1，而模型预测概率是 0.01（极其自信地认为是 0），损失函数会给出极大的惩罚值。
• 模型通过梯度下降法不断调整参数，以最小化这种惩罚。

5. 优缺点分析

优势

• 输出概率：不仅给出分类结果，还提供置信度。这在医疗诊断、金融风控等领域至关重要。
• 计算高效：训练和推理速度极快，占用资源少，常作为工业界（如推荐系统粗排）的基线模型（Baseline）。
• 可解释性强：权重 $w$ 直接反映了特征的重要性。

局限性

• 线性边界：逻辑回归本质上只能学习线性决策边界。面对非线性可分数据（如异或问题），单纯使用逻辑回归效果不佳，需要配合复杂的特征工程。

6. 总结

从预测数值的线性回归，到预测概率的逻辑回归，这是理解机器学习决策过程的关键一步。尽管深度学习模型日益强大，但逻辑回归凭借其出色的效率与可解释性，依然是现代互联网架构中不可或缺的基石。

如果你觉得这篇文章有帮助，欢迎分享给需要的朋友。

一文读懂线性回归算法

摘要：线性回归（Linear Regression）是机器学习领域最基础、最经典的算法。本文将从直观案例出发，系统梳理其数学原理、优化过程以及工程实践中的优缺点。

1. 什么是线性回归？

线性回归是监督学习中最基础的算法之一。它的核心思想是：假设输入特征 $x$ 与输出目标 $y$ 之间存在线性关系，通过历史数据拟合出一条最优的直线（或超平面），从而对未知数据进行预测。

一个直观的例子是房价预测：

• 横轴表示房屋面积，纵轴表示成交价格
• 历史数据点大致排列成一条向右上倾斜的直线
• 线性回归的目标就是找到这条“最优拟合线”

2. 数学模型

线性回归的数学本质是一元一次方程的扩展。

2.1 一元线性回归

$$y = wx + b$$

其中：

• $y$：目标变量（标签），需要预测的结果（如房价）
• $x$：特征（输入），已知信息（如房屋面积）
• $w$：权重（Weight），直线的斜率，代表特征的重要程度
• $b$：偏置（Bias），直线的截距，表示基础值

2.2 多元线性回归

当影响目标的因素不止一个时（如面积、房间数、楼层、学区等），公式扩展为：

$$y = w_1x_1 + w_2x_2 + … + w_nx_n + b$$

或用向量形式表示：

$$y = \mathbf{w}^T\mathbf{x} + b$$

3. 模型训练：机器如何”学习”？

训练线性回归模型的核心是寻找最优的 $w$ 和 $b$，使得预测值与真实值的误差最小。

3.1 损失函数：衡量预测误差

最常用的损失函数是均方误差（Mean Squared Error, MSE）：

$$MSE = \frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2$$

其中 $y_i$ 是真实值，$\hat{y}_i$ 是预测值。MSE 越小，模型拟合效果越好。

3.2 梯度下降法：参数优化

梯度下降（Gradient Descent）是最常用的优化算法：

1. 随机初始化 $w$ 和 $b$
2. 计算当前参数下的损失函数梯度
3. 沿梯度反方向更新参数，步长由学习率 $\alpha$ 控制
4. 重复上述过程，直到损失收敛

$$w := w - \alpha \frac{\partial MSE}{\partial w}$$
$$b := b - \alpha \frac{\partial MSE}{\partial b}$$

4. 优缺点分析

优势

• 可解释性强：相比深度学习的“黑盒”模型，线性回归的公式一目了然，可以清晰地解释每个特征对结果的影响程度。
• 计算效率高：不需要大量算力，训练和推理速度都很快，适合轻量级任务和初步数据探索。
• 实现简单：几乎所有机器学习库都内置了线性回归实现。

局限性

• 只能建模线性关系：如果数据的真实关系是非线性的（如年龄与身高的关系），线性回归的拟合效果会很差。
• 对异常值敏感：极端值会显著影响拟合直线的方向，通常需要进行数据清洗或使用鲁棒回归。
• 多重共线性问题：当特征之间存在强相关性时，权重估计可能不稳定。

5. 总结

在如今动辄千亿参数的 Transformer 大模型时代，线性回归显得朴素而经典。但正是从 $y = wx + b$ 这个简单的等式开始，人类赋予了计算机从历史数据中总结规律、并预测未来的能力。理解线性回归，是通往整个机器学习领域的必经之路。

如果你觉得这篇文章有帮助，欢迎分享给需要的朋友。

匈牙利算法（Hungarian Algorithm）是组合优化领域最经典的算法之一，用于解决两类核心问题：二分图最大匹配和任务分配问题。它由匈牙利数学家 Dénes Kőnig 和 Jenő Egerváry 的理论奠基，后由 Harold Kuhn 于 1955 年正式提出。

什么是二分图？

在深入算法之前，我们需要先理解几个基本概念。

二分图（Bipartite Graph）是一种特殊的图结构，它的顶点可以被划分为两个互不相交的集合 U 和 V，使得图中的每一条边都连接 U 中的一个顶点和 V 中的一个顶点。

简单来说：二分图中的边只会”跨界”连接，不会在同一个集合内部连接。

匹配（Matching）是指图中一组没有公共顶点的边。换句话说，每个顶点最多只被一条边选中。

最大匹配就是包含边数最多的匹配。

匈牙利算法（二分图匹配版）

这是最常见的”匈牙利算法”，用于求解二分图的最大匹配。

核心思想：增广路

匈牙利算法的核心定理是 Berge 增广路定理：

一个匹配是最大匹配，当且仅当图中不存在增广路。

增广路（Augmenting Path）的定义：

• 路径的起点和终点都是未匹配的顶点
• 路径上的边交替出现”未匹配边”和”已匹配边”

增广路有一个神奇的性质：如果我们将增广路上所有边的状态取反（匹配变未匹配，未匹配变匹配），匹配的边数会增加 1。

算法步骤

1
2
3
4
5
6

1. 初始化匹配为空
2. 对于每个未匹配的左部顶点 u：
   a. 从 u 开始搜索增广路（DFS/BFS）
   b. 如果找到增广路，翻转路径上的边，匹配数 +1
   c. 否则，u 无法匹配
3. 重复直到所有顶点都尝试过

Python 实现

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35

def hungarian_bipartite(graph, n_left, n_right):
    """
    graph: 邻接表，graph[u] = [v1, v2, ...] 表示左部顶点 u 可以匹配右部的 v1, v2...
    n_left: 左部顶点数
    n_right: 右部顶点数
    返回: 最大匹配数
    """
    match_right = [-1] * n_right  # 右部顶点的匹配对象
    visited = [False] * n_right
    
    def dfs(u):
        for v in graph[u]:
            if not visited[v]:
                visited[v] = True
                # 如果 v 未匹配，或者可以为 match_right[v] 找到新的匹配
                if match_right[v] == -1 or dfs(match_right[v]):
                    match_right[v] = u
                    return True
        return False
    
    count = 0
    for u in range(n_left):
        visited = [False] * n_right
        if dfs(u):
            count += 1
    return count

# 示例：4 个男生，4 个女生，边的关系如下
graph = {
    0: [0, 1],      # 男生 0 可以和女生 0, 1 匹配
    1: [1, 2],      # 男生 1 可以和女生 1, 2 匹配
    2: [2, 3],      # 男生 2 可以和女生 2, 3 匹配
    3: [3],         # 男生 3 可以和女生 3 匹配
}
print(hungarian_bipartite(graph, 4, 4))  # 输出: 4（完美匹配）

匈牙利算法（任务分配版）

另一种”匈牙利算法”用于解决带权二分图的最小/最大权匹配问题，也称为 Kuhn-Munkres 算法 或 分配问题算法。

问题描述

有 n 个工人和 n 项任务，每个工人完成每项任务的成本不同。如何分配才能使总成本最小？

这就是经典的任务分配问题，可以用一个 n×n 的代价矩阵表示。

算法步骤

1
2
3
4
5

1. 每行减去该行的最小值
2. 每列减去该列的最小值
3. 用最少的线覆盖所有零
   - 如果线数 = n，找到最优分配，算法结束
   - 否则，调整矩阵，返回步骤 3

时间复杂度

任务分配版的匈牙利算法时间复杂度为 **O(n³)**，在多项式时间内解决了这个组合优化问题。

应用场景

复杂度分析

• 二分图匹配版：O(V×E)，其中 V 是顶点数，E 是边数
• 任务分配版：O(n³)，其中 n 是矩阵维度

总结

匈牙利算法虽然有两个不同的版本，但它们都源于同一个数学理论：二分图的完美匹配理论。理解增广路的概念是掌握这个算法的关键。

无论是简单的二分图匹配，还是复杂的任务分配问题，匈牙利算法都提供了一个优雅且高效的解决方案。

延伸阅读：

• 《算法导论》第 26 章：最大流
• Harold W. Kuhn, “The Hungarian Method for the Assignment Problem” (1955)
• 网络流算法（Dinic、Edmonds-Karp）

go语言内存分析

最新看了一下go语言，感觉语言设计的比Java要好一些，底层实现了对并发的支持。
他的内存结构和内存回收跟Java的模型也有很大的不同，抽空写一下go语言的内存分析，后续也会写一篇G1和GMS用来坐对比。

nginx使用try_files配置vue

组内的小伙伴最近独立开发的一个项目，前端使用VUE，路由模式使用history。
部署时发现无法访问，自己研究半天后，无法解决，向我寻求帮助，发现是他的nginx配置错误

其实 vue router 的文档里有部署方式，https://router.vuejs.org/zh/guide/essentials/history-mode.html#%E6%9C%8D%E5%8A%A1%E5%99%A8%E9%85%8D%E7%BD%AE%E7%A4%BA%E4%BE%8B
服务器配置示例：
location / {
try_files $uri $uri/ /index.html;
}

随手写篇文章记录一下，nginx的location下的配置中
root，alias，try_files 区别，未来有时间可以写一篇nginx的深入文章，包含负载均衡、双机热备、缓存等高级功能。

root:
location /test/ {
root /var/www/image
}
若按照上述配置的话，访问/test目录里面的文件时, nginx会自动去/var/www/image/test去找。

alias:
location /test/ {
alias /var/www/image/
}
若按照上述配置的话，访问/img目录里面的文件时, nginx会自动去/var/www/image目录找文件, 也就是不会把后缀带上，常用来配置静态文件。

try_files:
location /test/ {
try_files $uri $uri/ /index.html;
}
try_files 会到硬盘里尝试找这个文件, 找不到，就会 fall back 到 try_files 的最后一个选项index.html,将请求转发返回index.html上，然后html里的vue router再去跟去后缀路由对应的页面。

至此，完成history的转发。

升级成了WIN11

年前公司给换了笔记本电脑，之前在公司一直用的是MACP15款。个人是更偏向苹果系统的，但是无奈老机子太卡了。
申请换电脑时，只能申请win笔记本了。拿到手后是win10，自己下载升级成了win11。

刚用11时，感觉很惊喜，跟MAC用起来很像，又能解决MAC的一些老软件兼容性问题，虽然小BUG比较多。

写一个系统的问题和小技巧吧，会持续更新这个文章

1，在执行shell命令时，报在此系统上禁止运行脚本。

解决方案，管理员身份 打开终端，执行 set-ExecutionPolicy RemoteSigned 解决

2，可以直接下载Linux，在应用市场搜索ubuntu。

3，如果下载视频是ev4加密视频的话，建议购买使用正版命令打开。（临时需要可以找我破解，python解密）

4，自带粘贴板记录功能 win + v 打开

5，自带多功能截图 win + shift + s

6，带多桌面功能，触控板可以设置的跟MAC一样。