高分笔记

• 这里主要记录竞赛中其他团队公开的笔记。

HGNet-V2-Starter

• 链接见^[1]。

• 根据作者介绍，这篇笔记思路源于另一篇笔记UNet with float16 dataset^[2]，其中UNet笔记内容简要如下

  1. 网络：Unet+ResidualDoubleConv [32-64-128-256-512-1024-512-256-128-64-32-1]
  2. 数据集：没有使用原始float32数据，而是使用float16数据加载训练网络。显然可以减少显存占用（64批次大小只需要7G显存训练）和加速训练时间。

  本篇笔记主要工作是：

  1. 翻转增强
  2. 数据预处理
  3. EMA
  4. 编码器预训练
  5. Monai上采样（医疗图像分析工具库）

赛题一 基于网络流量的恶意攻击检测

Prethinking

• 一年级上的课程选了网络系统安全，小组汇报的内容便做过这个课题。拿到数据集也发现和当时做的差不多。

  于是最开始的思路便是按照之前的做法尝试，因为当时汇报要求五分钟内，所以其实做的很浅，这次也算又重新回顾了一遍。

• 前置技能：

  1. python基础。
  2. conda以及jupyter notebook的使用。
  3. pandas、sklearn、numpy等库的使用。
  4. pytorch使用。

• 最近也是折腾了一台存储服务器，实际上它不仅仅作NAS（网络附接存储）使用，也跑着一些计算，但是为了方便起见就叫它NAS了。

  本文既算是一个记录也可以算是一个教程，包含材料选配、硬件组装、系统安装以及网络设置。如果你也准备建一台NAS的话，本文末也有一些QA帮助你分析是否真的需要、需要何种配置。

材料选配

• 全部配置单如下

  硬件	类型	参考价格	来源
  准系统	Dell R730XD准系统(带单电双散+背板扩展)	$850$	TB
  阵列卡	H730	准系统带	TB
  网卡	双千双万电口	准系统带	TB
  CPU	$\text{E5-2697V4}\times 2$	$215\times 2$	TB
  GPU	丽台K600	$55$	XY
  内存	$\text{三星 64G 4DRx4 ECC 2400 DDR4}\times 8$	$255\times 8$	XY
  数据盘	$\text{400G东芝 SSD} \times 2\\ \text{4T Dell东芝盘体} \times 6\\ \text{4T 希捷银河003A} \times 2\\ \text{4T DELL 0295}\times 2$	平均$250\times 12$	TB
  系统盘	$\text{三星 EVO 870 1T SSD}\times 2$	$435\times 2$	TB

  此外准系统不带盘架，还花了$60$买了14个盘架以及其他物品搭建环境

  硬件	类型	参考价格	来源
  UPS	$\text{山特 C2KR}+\text{配线}$	$380+5\times 7+70$	XY
  电池	$\text{12v9ah电池}\times 8$	$50\times 8$	TB
  路由器	TL-R3473G	45	XY

• 实际上如果只是组件一台NAS的话，有很多地方可以减配，不过由于自身的一些需求所以最终配置是这样。

  例如，家用买R730 8盘就够用了，用不上XD以及背板扩展，网口也不需要万兆，阵列卡走直通用ZFS软RAID的话H330就够了，这样大概650就能拿下准系统。

  以及内存的考量是由于ZFS依赖ECC纠错+大内存做缓存，不过自用实际上两条64G也绰绰有余了，这样内存500预算就够了（如果组硬阵列可以更低）。

  包括CPU，不需要计算只常规NAS使用两个E5-2640V4就够了。

  数据盘方面也是同样，这里我购买两条SSD的作用是做SLOG+缓存，自用实际上可以不用考虑，全部机械就够了。

  系统盘方面，实际上R730系列主板都是支持SD模块的，买两张闪存卡做Mirror搭建系统也是一样的。

  综上，这套配置花了7245+900=8145元，如果只是考虑NAS（4T*8）使用的话3500就足够了。

  后续更新

  1. 实际组装我才知道机器主板自带核显，所以根本不需要亮机卡，反而亮机卡不知是驱动还是什么问题无法使用。
  2. 主板不能使用VGA转DP/HDMI线，这也坑了我很久，最后还是直接使用iDrac连接的。

• DOI：10.1007/s00466-025-02600-w

• 全波形反演（FWI）是一种强大的工具，能够基于波传播获得的稀疏测量数据来重建物质场。对于特定问题，使用神经网络（NN）对物质场进行离散化可以提高相应优化问题的鲁棒性和重建质量。本文将这种方法称为基于神经网络的FWI。从初始预测开始，迭代更新神经网络的权重，以使模拟的波形信号与稀疏测量数据集相拟合。对于基于梯度的优化，选择合适的初始预测（即合适的神经网络权重初始化）对于实现快速且稳健的收敛至关重要。

  本文提出了一种新颖的迁移学习方法，以进一步改进基于神经网络的FWI。该方法利用监督预训练来提供更好的神经网络权重初始化，从而加快后续优化问题的收敛速度。此外，反演结果还能得到物理上更有意义的局部最小值。网络被预训练以使用传统FWI第一次迭代中的梯度信息来预测未知的物质场。在二维域计算实验中，训练数据集由具有任意位置、不同形状和方向的椭圆形空洞的参考模拟组成。

  本文将所提出的迁移学习基于神经网络的FWI与另外三种方法进行了性能比较：传统FWI、未进行预训练的基于神经网络的FWI，以及使用预训练神经网络预测的初始猜测的传统FWI。结果表明，迁移学习基于神经网络的FWI在收敛速度和重建质量方面均优于其他方法。

• Venture是一个适用于「Screeps」的自动化机器人。

  项目代码：github.com/X3NNY/Venture，欢迎提交issue和PR。

功能目标

布局

• 这里的布局可以参考hoho建筑布局教程中的内容，不同的布局方式将应用不同的工作流程，例如，你也可以规划出一种多级布局，即上一级化工厂使用下一级化工厂作为底物化工厂进行合成。

  在Venture中，我选择使用常规的中心布局以及固定底物化工厂的模式，将中间两个化工厂作为底物化工厂，其他化工厂处理合成和BOOST工作，优点是设计简单，流程清晰。

• 当游戏渡过新手期后（房间等级>=3），此时大量的工地待修建，更多的扩展需要能量运输，控制器升级能量需求。单靠房间中的两个能源点不足以覆盖上述能量需求，此时便可以考虑像其他房间扩展。

  一次完整的外矿采集可以分为以下四个阶段：

  1. 侦查预订
  2. 排险防御
  3. 建设采集
  4. 资源运输

  当然，由于游戏中还有中央房间和高速通道的存在，在这两种特殊房间上的外矿开采会稍有不同。

常规流程

侦查预订

• 当指定了外矿采集房间之后，如果没有目标房间的视野，将首先生成一个外房斥候爬爬到目标房间获取视野。

  同时应中立房间的能源矿只有1500储藏，所以还要孵化一个外房预订爬爬对目标房间控制器进行预订。

• 房间孵化任务主要负责整个房间运维，这里的房间运维主要指在没有敌人的情况下，如何快速利用房间内的资源进行建造。我们整个设计思路为建筑任务驱动+爬爬角色角色驱动，对于房间运维来说，主要便是母巢何时发布合适的孵化任务。

  我们按照房间等级，将游戏进程分为不同阶段。注意：我们这里只考虑理想情况下的运维，在真实世界中还需要配合其他模块保证整个计划稳步进行。

开荒期

• 定义：room.level <= 2

• 此时的主要任务为收集足够的能量用于建造，此时会发布更多的采集爬爬获取更多的矿工，同时通用爬爬作为基础爬爬负责最开始的能量流通。

  同时开始着手生成建造爬爬完成容器建造工作。

• 这个阶段主要是构建房间布局、设置工地等其他工作，完成之后便可以得到容器和一些扩展。

• 2024考研「高等数学」笔记&复习要点。

极限

导数

中值定理

微分方程

积分

积分应用

无穷级数

幂级数

傅里叶级数

多元微分

二重积分

多重积分

三重积分

曲线积分

多重积分应用

曲面积分

空间几何

重积分（复习）

空间积分

• 2024考研「计算机网络」笔记&复习要点。

综合考点

传输时间、速率

• 时延积带宽（第一个比特到终点时已经发出了多少） = 传播时延 * 带宽
• 发送时延：分组长度/带宽
• 传播时延：距离/电磁波速率
• 处理时延：存储转发所需时间
• 排队时延：路由器中排队等待时间
• 总时延
  • $(n-1)$*发送时延 + 发送时延 + 传播时延 + 中间设备*（发送时延 + 传播时延）
  • 也就是前n-1个分组一直发+最后一个分组的完整传播时间