墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
700+累计阅读
730平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
import tensorflow as tf
import numpy as np
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1 + 0.3
#print(x_data)
#print(y_data)
Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
biases = tf.Variable(tf.zeros([1]))
print(Weights)
print(Weights)
人工智能毕业设计选题指南与实战推荐
机器学习与深度学习技术在毕业设计中的应用已成为计算机专业的热门方向。从技术原理来看，基于监督学习的分类、检测等任务依赖标注数据与模型优化，而强化学习等进阶领域则需要特定环境支持。在实际工程落地时，需重点考虑数据获取、算力消耗和评估指标等核心要素。本文针对计算机视觉（如YOLO目标检测）、自然语言处理（如BERT信息抽取）等典型AI应用场景，提供包含数据集来源、模型架构选择、创新点设计在内的完整实现路径。特别推荐医疗影像分割、法律文书处理等具有明确行业价值的选题方向，并强调通过模型压缩、数据增强等技术解决实际
OpenCSG公益课：零基础入门大模型技术实战指南
大模型技术作为人工智能领域的核心突破，正在重塑各行业的智能化进程。其核心原理基于Transformer架构，通过自注意力机制实现上下文建模。对于开发者而言，掌握大模型应用开发需要理解从数据处理、模型微调到部署上线的完整技术链。OpenCSG公益课程采用阶梯式教学法，通过Python编程基础、Pandas数据处理等模块化内容，结合Gradio快速部署等实战项目，帮助学员跨越技术门槛。课程特别设计了可视化学习平台和模型沙箱环境，使学员能够直观理解注意力机制等复杂概念，并快速掌握Fine-tuning等关键技术。
AI基础设施：从模型到生产，揭秘RLHF与天授框架背后的工程哲学
你肯定听过这句话：“想法不值钱，执行才值钱。”在 AI 领域，这句话可以更精确地改写为：“模型不值钱，基础设施才值钱。”当所有人都在追逐最新的模型架构、更大的参数量、更炫的榜单分数时，真正决定一个 AI 系统能否从实验室走向生产、能否从单次演示变成稳定服务的，往往不是模型本身，而是它背后那套看不见的“铲子”——基础设施。 最近，从国内开源的“天授”框架，到 OpenAI 内部用于 RLHF 的庞大基础设施，都在反复印证这一点。我们讨论 RLHF，讨论 SFT，讨论 PPO，但很少有人去拆解，为了让这些算法稳
莫烦Tensorflow教程（1~14）
一、Tensorflow结构 import tensorflow as tf import numpy as np #create data x_data=np.random.rand(100).astype(np.float32) y_data=x_data*0.1+0.3 #create tensorflow structure Weights=tf.Variable(tf.random_...
AI产品经理转型指南：技术驱动与业务赋能的职业路径
机器学习与人工智能技术正在重塑产品经理的职业发展路径。作为连接技术与商业的关键角色，AI产品经理需要掌握从算法原理到工程落地的全链条知识，同时具备将业务需求转化为技术方案的能力。技术驱动型岗位侧重机器学习平台、开发者工具等基础设施构建，要求熟悉TensorFlow/PyTorch等框架及模型部署流程；业务赋能型岗位则聚焦金融、医疗等行业解决方案，需要将AI技术转化为实际业务价值。成功的转型关键在于将原有领域经验与AI能力有机结合，通过构建数据闭环、优化模型迭代周期等技术手段，在智能客服、智能投顾等典型场景中
h5-to-weights
将keras的.h5权重文件转换成darknet的weights，需要有模型结构文件
CV之OD之YOLO：将yolo的.weights文件转换为tensorflow、keras等深度学习框架模型所需的.h5文件的图文教程(源代码来自YOLO)
CV之OD之YOLO：将yolo的.weights文件转换为tensorflow、keras等深度学习框架模型所需的.h5文件的图文教程(源代码来自YOLO)
igh ethercat 实时性测试
组备注std(us)max(us)a无锁核，无rt补丁8.38108b锁核+FIFO调度+内存锁定，无rt补丁0.9216c锁核+FIFO调度+内存锁定，+rt补丁0.9922可以看到 a组 使用ethercat不做其他优化，周期抖动非常大，且max能达到 100 多 us;通过 锁核+FIFO调度+内存锁定 进行优化，可以看到 抖动明显降低，且max 为 20 us 左右;
TensorFlow学习笔记（四）自己动手求Weights和biases
这里自己构造一些数据，求Weights和biases 源码： import tensorflow as tf import numpy as np # create data x_data = np.random.rand(100).astype(np.float32) y_data = x_data*0.1 + 0.3 ### create tensorflow str
深入GSConv代码：逐行解析这个混合了标准卷积与深度可分离卷积的‘新算子’
本文深入解析GSConv代码，详细介绍了这个混合标准卷积与深度可分离卷积的‘新算子’的设计哲学与实现框架。通过PyTorch代码逐行分析，揭示GSConv如何在轻量级卷积神经网络中平衡计算效率与特征表达能力，特别适用于Slim-Neck架构，显著降低计算量同时保持高精度。
基于EKF的UWB-IMU融合定位系统在农业机器人中的抗干扰优化与Matlab仿真
本文探讨了基于扩展卡尔曼滤波（EKF）的UWB-IMU传感器融合定位系统在农业机器人中的应用。通过Matlab仿真验证，该系统有效解决了农业环境中UWB信号遮挡和IMU累积误差问题，实现了厘米级高精度定位，显著提升了机器人在复杂场景下的抗干扰能力和导航可靠性。
SPADE框架解析：自适应环境与自对弈驱动的智能体进化平台
强化学习通过智能体与环境的交互，基于奖励信号优化策略，是实现通用人工智能的关键路径之一。其核心原理在于利用马尔可夫决策过程建模，通过价值函数或策略梯度方法进行学习。该技术的核心价值在于能够解决复杂序列决策问题，尤其在动态、高维状态空间中展现出强大潜力。应用场景广泛覆盖游戏AI、机器人控制、自动驾驶及资源调度等领域。本文聚焦的SPADE框架，正是强化学习研究的前沿工具，它通过构建自适应合成环境与自对弈机制，为探索智能体在动态挑战中的自主进化提供了平台。该框架特别适用于研究课程学习和多智能体协作等热点方向，帮助
11 CO配置-控制-成本中心会计-定义分割结构(OKES-Define Splitting Structure)
业务背景：定义分割结构 事务码: OKES SPRO路径：SPRO->控制->成本中心会计->实际过账->期末结算->作业分配->划分->定义分割结构 第1步，SPRO路径进入 第2步，选择“新的条目”创建 分割结构 第3步，选择分割结构代码 点击“分割规则”进行下一个界面，点击“新条目”创建 分割结构规则 第4步，点击“为规则选择” 为分割结构规则创建版本并保存 第5步，选择“分配”，点击“新的条目” 输入分割结构分配
机器人控制策略对比：扩散策略与强化学习的实战选型指南
在机器人控制与决策领域，策略学习是实现智能行为的关键技术。其核心原理是让机器人通过与环境的交互或学习专家数据，自主优化其动作序列。从技术价值看，这直接决定了机器人的适应性、效率和最终任务表现。经典强化学习（如PPO、SAC）通过奖励信号在仿真中试错学习，适合探索型任务和仿真到现实的迁移。而扩散策略作为一种新兴的生成模型，通过学习数据分布来生成动作，在需要高稳定性和模仿复杂技能的场景中展现出独特优势。本文聚焦于机器人学习中的策略部署，结合**宇树G1**等开源实践和**PPO**算法优化，深入对比两种范式在核
ZYNQ PS-PL数据交互方式总结
一，中断 二，IO方式：MIO EMIO GPIO 三，BRAM或FIFO或EMIF （1）通过BRAM实现PL/PS之间交互 PS 的配置如下图所示。使能 M_AXI_GP0 口，将 FCLK_CLK0 设为 100MHz，使能 PL 至 PS 的中断。 AXI BRAM Controller IP 核连接 PS 的 M_AXI_GP0 口和 BRAM，完成 AXI 接口至 BRAM 接口的转换。 添加BRAM，将BRAM设置为双口RAM，将PORTA与AXI B...
基于MATLAB开发AUTOSAR软件应用层模块-part2.建立一个AUTOSAR的模型，并生成autosar格式代码
上一篇我们建立了一个空模型，这篇我们接着上篇文章，建立一个简单的模型 点击 Library Browser，打开simulink模块库，见下图 左侧是模块库的列表，右侧是每个模块库里包含的具体的模块。 点击通用模块库，里边是一些常见的模块， 我们选取里边的3个模块，分别是输入，输出和增益三个模块，右键点击模块，选择add block to model xx，可以把模块添加到模型中。 然后练好连线 一个简单的模型就搭建好了，之后我们修改配置，将模型修改为AUT...
CNN文本分类实战：轻量高效场景下的工程选型指南
文本分类是自然语言处理中最基础且高频的落地任务，其技术选型本质是模型能力与工程约束的动态平衡。CNN凭借局部模式捕获能力强、参数量小、推理延迟低等特性，在短文本、小样本、边缘部署及低延迟API等场景中仍具不可替代性；而Transformer虽在长程依赖建模和准确率上限上占优，但伴随显著的计算开销、显存压力与冷启动延迟。当面对AG News类新闻标题分类、政务知识库标签识别或嵌入式NLP应用时，合理设计Embedding维度、多尺度卷积核、任务感知停用词表及严格的数据泄漏防控机制，可使CNN在准确率仅略低1–
RTT Studio和Cubemx联合开发
1. RTT studio创建工程 创建工程 ## 创建完成以后的目录结构 2. 配置CubuMx 双击cubumx的图标打开CubeMx 配置时钟 生成代码 构建后的代码结构 编译代码满屏错误：不要慌 3. 新增脚本 新建scons脚本文件 SConscript 脚本内容如下 import os from building import * cwd = GetCurrentDir() src = Glob('*.c') # add cubemx drivers src = Split('''
2026大模型求职指南：技术栈、工程能力与细分领域突破
大模型技术作为AI领域的重要分支，其核心在于通过深度学习框架实现复杂任务的自动化处理。从技术原理看，大模型依赖Transformer等架构，结合分布式训练和推理优化技术，实现高效计算。在工程实践中，PyTorch、DeepSpeed等工具链成为标配，而模型量化、蒸馏等技术显著降低部署成本。当前行业应用已从通用场景转向医疗、金融等垂直领域，要求从业者兼具领域知识和技术能力。面对2026年求职市场，掌握MoE架构、vLLM推理框架等前沿技术，以及具备完整的工程化落地经验将成为核心竞争力。特别是在生物医药大模型等
热更新方案 HybridCLR 学习教程 |（一）原理及准备工作
前面文章介绍了热更新相关的知识，包括使用xLua实现热更新实战等 那本文就来介绍一下 热更新方案 HybridCLR(代号wolong，原huatuo)和基本使用方法。 若是想了解更多关于HybridCLR的东西也可以去 官网 详细查阅。
RU DOS版、EFI版32bit/64bit BIOS常用工具
DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
企业级大模型本地化训练与部署实战：从环境搭建到服务化
大语言模型（LLM）作为当前人工智能领域的核心技术，其训练与部署是企业实现AI能力私有化、满足数据安全与合规要求的关键。其原理在于通过海量数据预训练，使模型掌握通用语言理解与生成能力。对于企业而言，其技术价值在于能够基于开源基座模型，利用特定领域数据进行指令微调，从而构建专属的、高性能的智能应用。这一过程尤其适用于对数据隐私、服务延迟有严格要求的金融、医疗等场景。本文聚焦于**大模型本地化训练**与**服务化部署**的完整工程实践，详细拆解了从环境准备、数据处理、基于LoRA的模型微调，到使用FastAPI
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
AI大模型开发学习路径与实战技巧
人工智能开发尤其是大模型应用已成为技术热点，掌握正确的学习路径至关重要。不同于传统编程，AI开发更注重数据理解和实验迭代能力。从工具使用到原理深入，开发者需要建立工程思维，掌握API调用、提示工程等核心技能。RAG系统开发、模型微调等实战场景中，合理使用LangChain、LoRA等技术栈能显著提升效率。本文通过具体案例，分享如何避免常见误区，构建从零基础到项目实战的完整学习路线，帮助开发者快速掌握AI大模型开发的关键技术。
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
图像分类工程化实践：从数据到部署的全流程指南
图像分类作为计算机视觉的基础任务，其核心是让机器自动识别并标注图像内容。该技术基于深度学习模型，尤其是卷积神经网络（CNN），通过多层特征提取实现从像素到语义的映射。其技术价值在于将人类视觉能力自动化，广泛应用于安防监控、医疗影像分析、电商推荐、自动驾驶等领域。在工程实践中，数据质量往往比模型结构更为关键，数据清洗与增强是提升模型泛化能力的重要手段。同时，模型部署需考虑实际环境约束，量化与剪枝等技术能有效平衡精度与效率。本文聚焦图像分类项目的全生命周期，涵盖数据工程、模型选型、训练调优及生产部署等核心环节，
Giskard实战指南：AI模型质量与安全评测平台的核心原理与应用
在人工智能模型开发与部署过程中，模型质量与安全评估是确保其可靠性的关键环节。其核心原理在于通过系统化的行为测试，模拟真实场景下的输入与边缘情况，从而验证模型的鲁棒性、公平性和可解释性。这一技术价值在于能够提前发现模型在部署后可能出现的潜在缺陷，降低生产环境中的风险。应用场景广泛覆盖大语言模型和计算机视觉模型，例如在LLM中检测毒性、偏见和信息泄露，在CV模型中评估对抗性攻击和公平性表现。通过自动化扫描、定制化测试和可视化分析，Giskard平台自然收敛到为AI项目提供标准化的质量与安全评测解决方案，有效融入
深度学习新手入门：从零搭建MNIST手写数字识别项目全流程
深度学习作为人工智能的核心技术，其核心原理是通过构建多层神经网络模型，从数据中自动学习特征表示，从而实现分类、预测等复杂任务。这项技术的价值在于能够处理高维、非结构化的数据，如图像、文本和语音，在计算机视觉、自然语言处理等领域展现出强大能力。对于初学者而言，快速上手实践是理解深度学习的关键。本文以经典的图像分类任务——MNIST手写数字识别为例，详细演示如何从环境搭建到模型部署的完整流程。通过使用PyTorch框架和Jupyter Notebook工具，读者可以在普通计算机上完成数据加载、模型训练、评估测试
AI Agent闭环系统架构设计与工程实践
AI Agent系统通过感知-决策-执行-反馈的闭环架构实现智能行为。感知模块采用多模态融合技术处理视觉、语音等输入，决策层运用强化学习与经典规划算法生成最优策略。工程实践中，执行监控和容错机制保障系统可靠性，而反馈学习则持续优化模型性能。这种架构在智能客服、工业自动化等场景展现价值，其中多模态感知和强化学习是提升Agent适应性的关键技术。系统设计需平衡算法复杂度与工程可行性，通过分布式架构和量化加速解决性能瓶颈。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
337
扫一扫
