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
800+累计阅读
881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
近半年，AI 相关工具的发布不断更新了大家的认知，好用的新工具在不断涌现，搭建 AI 应用的门槛在逐渐降低，方便开发者更简单快速地构建酷炫项目 - 因此，我们收集了一些可以直接拿来构建 AI 应用的开源 infra 项目。🐍
出道半年，Chroma 今年四月初宣布了 1800 万美金种子轮。它是一个向量嵌入（embedding）存储，嵌入是 AI 原生表示不同类型数据的方式，因此也是与 AI 驱动的工具和算法的完美选择。 虽然已经有不少向量数据库解决方案，但 Chroma 团队认为都不够开发环境友好（没有找到想要的东西，所以就自己来写一个），它内置了你搭建 AI 应用在嵌入存储方面会需要的所有东西，只要 pip install chromadb 就可以了，无需配置或者额外安装别的东西。
因为羡慕，所以再来看一眼他们星光璀璨的资方列表。
LangChain 2022 年 10 月发布，是一个能使开发 AI 应用程序更加灵活的框架。 LLM 虽然可以执行许多任务，但无法为某个深入领域知识或专业知识的问题提供具
Dify vs LangChain：两大开源AI开发平台深度对比（2024最新版）
本文深度对比了2024年最新版Dify和LangChain两大开源AI开发平台的核心架构、AI Agent实现机制、工作流引擎能力及生产环境部署实践。Dify采用领域驱动设计，适合企业级用户；LangChain则以轻量级SDK见长，适合快速原型验证。文章还分析了开发者体验与生态支持，帮助技术团队做出明智选型决策。
[Dify 实战] Dify 与 LangChain 的区别与组合方式：从工作流到编排框架的深度解析
Dify与LangChain是互补而非竞争的AI编排工具。Dify是面向非技术人员的可视化应用平台，提供无代码构建AI工作流的能力；LangChain则是面向开发者的编程框架，支持复杂逻辑和细粒度控制。两者可通过两种方式结合：在Dify插件中嵌入LangChain脚本，或由LangChain调用Dify的API。实际应用中，Dify适合快速构建企业级应用，LangChain更适合研究复杂推理场景。最佳实践是使用Dify作为"操作系统"管理流程，LangChain作为"编程语言&
当 AI + 可视化融入消防：开启智能消防新时代
总结来说，AI + 可视化技术融入消防，开启了智能消防新时代。它以精准预警、高效救援和全面资源管理，革新消防工作方式。从前期规划到系统搭建，再到后期运维，每个环节都为提升消防能力奠定基础。尽管面临技术成本、数据安全和人员适应等挑战，但随着技术发展和应用推广，这些问题将逐步解决。相信在 AI + 可视化助力下，消防领域将不断进步，为人们创造更安全生活环境，有效抵御火灾威胁。
别再傻傻分不清！一文讲透电子产品‘冲击’与‘碰撞’试验的区别与选用（附GB/T 2423标准解读）
本文详细解析了电子产品可靠性测试中冲击与碰撞试验的核心区别与应用场景，结合GB/T 2423标准提供实用指南。冲击测试模拟瞬时高强度事件（如跌落），而碰撞测试针对重复性力学环境（如运输颠簸）。通过参数对比和标准解读，帮助研发人员精准选择测试方案，提升产品可靠性验证效率。
VXLAN技术详解
VXLAN（虚拟可扩展局域网）是一种Overlay二层虚拟化技术，通过MAC-in-UDP封装在IP网络上构建大规模虚拟二层网络。核心组件包括VTEP（隧道端点）、24位VNI（支持1600万个虚拟网络）和VXLAN网关。相比VLAN，VXLAN具有超大规模扩展、跨三层互联、支持虚拟机无缝迁移等优势，适用于云数据中心多租户隔离、跨数据中心互联等场景。其基于IP路由的封装方式无需改造物理网络，为现代云网络提供了弹性、安全的虚拟化解决方案。
2020.12.25丨CRISPResso2安装教程
一个月前接到一个项目，说是做关于CRISPR的编辑效率个性化分析。本来这个分析以前是没有做过的，不过客户发了参考文献。里面流程和命令行都非常清楚，再加上读研期间CRISPR的项目“中道崩殂”，让我对CRiSPR的技术有些执念，便下决心接下来试试。 整个测序分析使用的工具就是CRISPResso，，下面介绍最快捷的安装方式。 首先，CRISPResso只支持python2.X，不支持3.X你需要下载Anaconda或者miniconda，以Miniconda为例： 安装环境： Linux 64-bi
NTN(三) Timing
这篇看下k_offset和k_mac，如38.300所述，k_offset是配置的调度偏移量，需要大于或等于service link RTT和Common TA之和；k_mac 是配置的偏移量，需要大于或等于 RP 和 gNB 之间的 RTT。 相关参数会通过RRC层NTN-config配置，其中的cellSpecificKoffset-r17和kmac-r17主要用于各种Timing场景的偏移。 kmac：如果DL和UL frame timing 在 gNB端未对齐，网络端
使用epiDisplay包中的logistic
其中的logistic.display函数可以用于获取逻辑回归模型的汇总统计信息，包括自变量的优势比和置信区间，以及回归系数的Wald检验的p值。最后，我们使用print函数打印出汇总统计信息。使用epiDisplay包中的logistic.display函数获取逻辑回归模型的汇总统计信息（包括自变量的初始和调整后的优势比及置信区间，回归系数的Wald检验的p值）- R语言。通过使用logistic.display函数，我们可以方便地获取逻辑回归模型的重要统计信息，并对自变量的影响进行解释和推断。
基于Python的网贷平台数据爬虫实战：Scrapy+Selenium+反反爬策略
python复制下载# items.py本文详细介绍了如何使用Python构建一个完整的网贷平台数据爬虫系统，涵盖了从基础爬取到高级反反爬策略的全套解决方案。我们使用了Scrapy框架作为基础，结合Selenium处理动态内容，实现了多种反反爬策略，并探讨了分布式爬虫的实现方式。机器学习识别验证码基于深度学习的网页结构变化检测自动化行为模拟的更精细控制基于Kubernetes的弹性爬虫集群。
【时时三省】vector cast 常见错误解决/vcast常见错误解决
介绍在使用 vector cast/vcast 软件的过程中，遇到的异常问题。其它异常可以私信解决（购买专栏的前提下）。
IDEA的使用指南
IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
假人有限元模型
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
624
扫一扫
