fix index.html

Author: naonao-cola

_coverpage.md

@@ -1,16 +1,16 @@
-<!--_coverpage.md-->
-
-<p align="center">
-  <img src="./images/profile.jpg" style="max-width: 200px; width: 100%">
-</p>
-
-# 闹闹 <small>3.5</small>
-
-# 一个正在慢慢整理迭代的个人知识库
-
-码坛皮条客 | 团队背锅侠 | AI绝缘体 | BUG收割机
-
-领导难以启齿的过去 | 同事不堪回首的曾经 | 产品挥之不去的噩梦 | 测试心里永远无法抹去的痛
-
-[GitHub](https://github.com/naonao-cola)
-[Get Started](README.md)
+<!--_coverpage.md-->
+
+<p align="center">
+  <img src="./images/profile.jpg" style="max-width: 200px; width: 100%">
+</p>
+
+# 闹闹 <small>3.5</small>
+
+# 一个正在慢慢整理迭代的个人知识库
+
+码坛皮条客 | 团队背锅侠 | AI绝缘体 | BUG收割机
+
+领导难以启齿的过去 | 同事不堪回首的曾经 | 产品挥之不去的噩梦 | 测试心里永远无法抹去的痛
+
+[GitHub](https://github.com/naonao-cola)
+[Get Started](README.md)

cxx/nvidia.md

@@ -1,45 +1,45 @@
-## 常用命令
-
-```bash
-//代码简单时，编译器会进行优化
-nvprof --metrics branch_efficiency 
-
-// 每个SM在每个cycle能够达到的最大active warp数目占总warp的比例
-nvprof --metrics achieved_occupancy
-
-//带宽  全局内存加载事务数
-nvprof --metrics gld_throughput
-
-//带宽比值
-nvprof --metrics gld_efficiency
-
-
-nvprof --metrics gst_efficiency
-
-//每个warp上执行的指令数目的平均值
-nvprof --metrics inst_per_warp
-
-//同一个thread中如果能有更多的独立的load/store操作
-nvprof --metrics dram_read_throughput
-
-
-//用来验证由于__syncthreads导致更少的warp
-nvprof --metrics stall_sync
-
-//图表
-nvvp 
-
-//设备 主机 调用情况
-nvprof
-
-//
-nvprof --devices 0 --metrics gld_efficiency
-
-//全局内存存储事务数
-nvprof --devices 0 --metrics gld_efficiency --metrics gst_efficiency
-
-nvprof --devices 0 --metrics gld_efficiency,gst_efficiency
-
-//功能被转移到ncu了
-ncu --metrics
-```
+## 常用命令
+
+```bash
+//代码简单时，编译器会进行优化
+nvprof --metrics branch_efficiency 
+
+// 每个SM在每个cycle能够达到的最大active warp数目占总warp的比例
+nvprof --metrics achieved_occupancy
+
+//带宽  全局内存加载事务数
+nvprof --metrics gld_throughput
+
+//带宽比值
+nvprof --metrics gld_efficiency
+
+
+nvprof --metrics gst_efficiency
+
+//每个warp上执行的指令数目的平均值
+nvprof --metrics inst_per_warp
+
+//同一个thread中如果能有更多的独立的load/store操作
+nvprof --metrics dram_read_throughput
+
+
+//用来验证由于__syncthreads导致更少的warp
+nvprof --metrics stall_sync
+
+//图表
+nvvp 
+
+//设备 主机 调用情况
+nvprof
+
+//
+nvprof --devices 0 --metrics gld_efficiency
+
+//全局内存存储事务数
+nvprof --devices 0 --metrics gld_efficiency --metrics gst_efficiency
+
+nvprof --devices 0 --metrics gld_efficiency,gst_efficiency
+
+//功能被转移到ncu了
+ncu --metrics
+```

index.html

@@ -21,7 +21,7 @@
     window.$docsify = {
       name: 'Blog',
       repo: 'https://github.com/naonao-cola',
-       el: '#app',
+      el: '#app',
       loadNavbar: true, // 默认加载 _navbar.md，作为顶部导航栏
       loadSidebar: true,
       // 开启目录,最大层级为2
@@ -98,7 +98,7 @@
         logo: '🔝',				// logo:字符串或svg矢量图代码，默认为svg代码图标。
         bgColor: '#2096ff'    	// 背景颜色，#fff、pink等，logo为svg图标时，不填。
       },
-       giscus: {
+      giscus: {
         repo: "SeaHI-Robot/docsify_template",
         repoId: "R_kgDOKG_QPQ",
         category: "Announcements",
@@ -114,23 +114,23 @@
       },
       markdown: {
         renderer: {
-            image: function(href, title, text) {
-                // 按照原来的渲染 img
-                var image_html = this.origin.image.apply(this, arguments)
-                // 用 figure 包一下图片，实现居中
-                return '<figure>' + image_html + '<figcaption>' + text +
-                    '</figcaption></figure>'
-            }
+          image: function (href, title, text) {
+            // 按照原来的渲染 img
+            var image_html = this.origin.image.apply(this, arguments)
+            // 用 figure 包一下图片，实现居中
+            return '<figure>' + image_html + '<figcaption>' + text +
+              '</figcaption></figure>'
+          }
         }
-      }，
+      }
     }
   </script>
-<style>
-figure {
-    text-align: center
-}
-</style>
-  
+  <style>
+    figure {
+      text-align: center
+    }
+  </style>
+
   <!-- Docsify v4 -->
   <script src="//cdn.jsdelivr.net/npm/docsify@4"></script>
 
@@ -194,4 +194,4 @@
 
 </body>
 
-</html>
+</html>

math/math.md

@@ -37,29 +37,16 @@ double s4 = 0.5 * std::abs(cv::determinant(m4));
 A为n阶矩阵，若数λ和n维非0列向量x满足Ax=λx，那么数λ称为A的特征值，x称为A的对应于特征值λ的特征向量。式Ax=λx也可写成( A-λE)x=0，并且|λE-A|叫做A 的特征多项式。当特征多项式等于0的时候，称为A的特征方程，特征方程是一个齐次线性方程组，求解特征值的过程其实就是求解特征方程的解。
 
 
-<p align="center">
-  <img src="../images/mat_1.png" width=100%/>
-</p>
-
-
 ![](../images/mat_1.png)
 
+![](../images/mat_2.png)
 
-<p align="center">
-  <img src="../images/mat_2.png" style="max-width: 800px; width: 100%">
-</p>
 
+![](../images/mat_3.png)
 
 
-<p align="center">
-  <img src="../images/mat_3.png" style="max-width: 300px; width: 100%">
-</p>
-
 计算A的特征值与特征向量
 
-
-
-
 ```c++
 //https://blog.csdn.net/weixin_46537710/article/details/106337476
 Mat src;
@@ -71,95 +58,64 @@ eigen(src, eValuesMat, eVectorsMat);//通过openCV中eigen函数得到特征值
 求出特征值和特征向量有什么好处呢？ 就是我们可以将矩阵A特征分解。如果我们求出了矩阵A的n个特征值 ，以及这n个特征值所对应的特征向量。那么矩阵A就可以用下式的特征分解表示：
 
 
-
-<p align="center">
-  <img src="../images/mat_5.png" style="max-width: 600px; width: 100%">
-</p>
+![](../images/mat_5.png)
 
 其中W是这n个特征向量所张成的n×n维矩阵，而Σ为这n个特征值为主对角线的n×n维矩阵。要进行特征分解，矩阵A必须为方阵。
 
 ### 矩阵分解
 #### svd分解
 SVD也是对矩阵进行分解，但是和特征分解不同，SVD并不要求要分解的矩阵为方阵。假设我们的矩阵A是一个m×n的矩阵，那么我们定义矩阵A的SVD为：
 
-
-
-<p align="center">
-  <img src="../images/mat_6.png" style="max-width: 600px; width: 100%">
-</p>
-
+![](../images/mat_6.png)
 
 其中U是一个m * m的矩阵， 中间的是一个m * n的矩阵，除了主对角线上的元素以外全为0，主对角线上的每个元素都称为奇异值， V是一个 n*n的矩阵。 U和V都是酉矩阵，即满足它的共轭转置与自身相乘等于单位矩阵。酉矩阵是满秩的，每一列都是单位向量，其每两列都是正交的。这类矩阵性质非常好。
-<p align="center">
-  <img src="../images/mat_7.png" style="max-width: 800px; width: 100%">
-</p>
 
-<p align="center">
-  <img src="../images/mat_8.png" style="max-width: 800px; width: 100%">
-</p>
+![](../images/mat_7.png)
 
+![](../images/mat_8.png)
 
 对于奇异值,它跟我们特征分解中的特征值类似，在奇异值矩阵中也是按照从大到小排列，而且奇异值的减少特别的快，在很多情况下，前10%甚至1%的奇异值的和就占了全部的奇异值之和的99%以上的比例。也就是说，我们也可以用最大的k个的奇异值和对应的左右奇异向量来近似描述矩阵。
 
-
-<p align="center">
-  <img src="../images/mat_9.png" style="max-width: 600px; width: 100%">
-</p>
+![](../images/mat_9.png)
 
 如下图所示，现在我们的矩阵A只需要灰色的部分的三个小矩阵就可以近似描述了。
 
-<p align="center">
-  <img src="../images/mat_10.png" style="max-width: 800px; width: 100%">
-</p>
-<p align="center">
-  <img src="../images/mat_11.png" style="max-width: 800px; width: 100%">
-</p>
+![](../images/mat_10.png)
+
+![](../images/mat_11.png)
 
 
 #### QR分解
 
 
 ## 二维变化
 
-<p align="center">
-  <img src="../images/rotate.jpg" style="max-width: 800px; width: 100%">
-</p>
+![](../images/rotate.jpg)
+
+![](../images/rotate_1.png)
 
-<p align="center">
-  <img src="../images/rotate_1.png" style="max-width: 1000px; width: 100%">
-</p>
 
 ## 三维空间中的旋转变换
 
 绕Z轴旋转
 
-<p align="center">
-  <img src="../images/rotate_2.jpg" style="max-width: 800px; width: 100%">
-</p>
+![](../images/rotate_2.jpg)
 
 绕X轴旋转
 
-<p align="center">
-  <img src="../images/rotate_3.jpg" style="max-width: 800px; width: 100%">
-</p>
+![](../images/rotate_3.jpg)
 
 绕Y轴旋转
 
-<p align="center">
-  <img src="../images/rotate_4.jpg" style="max-width: 800px; width: 100%">
-</p>
+![](../images/rotate_4.jpg)
 
 绕任意轴旋转的公式：给定具有单位长的
-<p align="center">
-  <img src="../images/rotate_6.jpg" style="max-width: 800px; width: 100%">
-</p>
 
-则物体绕OA轴旋转变换的矩阵表示可确定如下：
+![](../images/rotate_6.jpg)
 
-<p align="center">
-  <img src="../images/rotate_5.jpg" style="max-width: 800px; width: 100%">
-</p>
+则物体绕OA轴旋转变换的矩阵表示可确定如下：
 
+![](../images/rotate_5.jpg)
 
 
 ### 根据对应的三维点估计刚体变换的旋转平移矩阵