<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[CDB3399的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/CDB3399</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; CDB3399]]></copyright><item><title><![CDATA[FPGA技术为什么越来越牛，这是有原因的！]]></title><link>https://blog.youkuaiyun.com/CDB3399/article/details/144390683</link><guid>https://blog.youkuaiyun.com/CDB3399/article/details/144390683</guid><author>CDB3399</author><pubDate>Wed, 11 Dec 2024 09:58:39 +0800</pubDate><description><![CDATA[似乎有种感觉，FPGA 将掌控全局，CPU 上的计算任务反而变得碎片化，受 FPGA 的驱使。同一机架内延迟在 3 微秒以内；因此我的博士研究把 FPGA 定义为通信的「大管家」，不管是服务器跟服务器之间的通信，虚拟机跟虚拟机之间的通信，进程跟进程之间的通信，CPU 跟存储设备之间的通信，都可以用 FPGA 来加速。我对 FPGA 业界主要的遗憾是，FPGA 在数据中心的主流用法，从除微软外的互联网巨头，到两大 FPGA 厂商，再到学术界，大多是把 FPGA 当作跟 GPU 一样的计算密集型任务的加速卡。]]></description><category></category></item><item><title><![CDATA[2024学习之前端微信小程序开发教程，从入门到精通-含基础+实战+源码code]]></title><link>https://blog.youkuaiyun.com/CDB3399/article/details/144133550</link><guid>https://blog.youkuaiyun.com/CDB3399/article/details/144133550</guid><author>CDB3399</author><pubDate>Fri, 29 Nov 2024 13:23:22 +0800</pubDate><description><![CDATA[有人说，小程序在手，天下我有；有人说，天降大任于斯人也,必先学习vue，再学习 react, 最后学习小程序，行拂乱其所为，所以动心忍性，曾益其所不能；有人说，小程序像风像雾又像雨......，江湖留言，似假非真，事实到底如何？诸位看官，就不想一探究竟？小程序是个乾坤炉子，淬炼各家语法，但终究自成一派。本视频将会从入门到实战，深度剖析小程序，不吹不黑，只求真相。妖魔鬼怪现原形，只留真人在人间。结课测试|来赴一场满分之约吧结束语|道阳且长，行则将至。]]></description><category></category></item><item><title><![CDATA[2024学习笔记之-AI大模型企业应用实战分享]]></title><link>https://blog.youkuaiyun.com/CDB3399/article/details/144131505</link><guid>https://blog.youkuaiyun.com/CDB3399/article/details/144131505</guid><author>CDB3399</author><pubDate>Fri, 29 Nov 2024 11:33:18 +0800</pubDate><description><![CDATA[首先gpt不是用于企业内部的数据训练而成的，那它的回复效果就会相关性大打折扣，接下来我们去使用check gbt的时候我们是人在使用它它的回复是自然语言，对于我们来说是非常容易理解的而当我们把它融入到程序当中去的时候你会发现程序需要的输入是一个稳定和确定性很强的输入，所以它的融入是有一定技巧性的，再有gbt需要和你企业内部的环境进行一个交互它会需要去调用其他服务而它是一个大语言模型那怎么做到这一切呢我想这些挑战都是一些公共挑战。免费获取全面的学习课程资源，看下面订阅我的公众号「资源充电吧」]]></description><category></category></item><item><title><![CDATA[Qwen-Agent 核心点说明]]></title><link>https://blog.youkuaiyun.com/CDB3399/article/details/143910011</link><guid>https://blog.youkuaiyun.com/CDB3399/article/details/143910011</guid><author>CDB3399</author><pubDate>Wed, 20 Nov 2024 14:10:30 +0800</pubDate><description><![CDATA[Qwen-Agent是一个基于Qwen模型的框架，专为构建大型语言模型（LLM）的智能Agent应用而设计。指令遵循与工具使用：Qwen-Agent整合了通义千问模型（Qwen），赋予开发者强大的指令遵循、工具运用、策略规划以及持久记忆等核心能力。技术架构：Qwen-Agent的技术架构由语言模型（LLMs）、工具（Tools）和智能代理（Agents）等核心组件构成。它支持接入阿里云DashScope服务提供的Qwen模型服务，也支持通过OpenAI API方式接入开源的Qwen模型服务。功能特点。]]></description><category></category></item><item><title><![CDATA[大模型学习综合概述超详细解析-文末含源码-]]></title><link>https://blog.youkuaiyun.com/CDB3399/article/details/143239630</link><guid>https://blog.youkuaiyun.com/CDB3399/article/details/143239630</guid><author>CDB3399</author><pubDate>Fri, 25 Oct 2024 17:26:40 +0800</pubDate><description><![CDATA[1）对于语言来说顺序是十分重要的，顺序提供了一定的信息，“我爱你”和“你爱我“，就是两个不同的情况。RNN一个重视序列信息的网络，序列即前后关系。2）HIDDEN STATE(隐状态)：保存信息3）缺点：数据输入时间越早，在隐状态中占据的影响就越小。4）应用场景：机器翻译｜图生文｜语音识别｜量化交易模型1）受限于网络结构，RNN只实现N to N(机器翻译任务，一个词翻译一个词)或者1 to N，N to 1，不能解决N to M的问题。]]></description><category></category></item><item><title><![CDATA[开源人形机器人全套图纸+代码（文末领取）！稚晖君1024玩了个大的！]]></title><link>https://blog.youkuaiyun.com/CDB3399/article/details/143239330</link><guid>https://blog.youkuaiyun.com/CDB3399/article/details/143239330</guid><author>CDB3399</author><pubDate>Fri, 25 Oct 2024 17:19:39 +0800</pubDate><description><![CDATA[末领取：开源人形机器人全套图纸+代码赶着的程序员节，刚刚发了个大福利：智元人形机器人，，包括设计图纸和代码！具体而言，这次开源的是智元家的。]]></description><category></category></item><item><title><![CDATA[如何使用OpenCV摄像头测距，实战教程，文末附源码]]></title><link>https://blog.youkuaiyun.com/CDB3399/article/details/143189724</link><guid>https://blog.youkuaiyun.com/CDB3399/article/details/143189724</guid><author>CDB3399</author><pubDate>Wed, 23 Oct 2024 17:34:17 +0800</pubDate><description><![CDATA[通过这篇文章，我们学会了使用相似三角形计算图片中一个已知物体到相机的距离。需要先测量出目标物体的实际宽度和目标物体到相机的距离，然后使用图像处理的方法自动计算图片中目标物体的像素宽度，并使用相似三角形计算出相机的焦距。根据相机的焦距就可以计算图片中的目标物体到相机的距离。完整代码获取订阅我的公众号「资源充电吧」]]></description><category></category></item><item><title><![CDATA[6 张图带你深入了解 kube-scheduler（附源码）]]></title><link>https://blog.youkuaiyun.com/CDB3399/article/details/143187807</link><guid>https://blog.youkuaiyun.com/CDB3399/article/details/143187807</guid><author>CDB3399</author><pubDate>Wed, 23 Oct 2024 16:37:23 +0800</pubDate><description><![CDATA[kube-scheduler 用途
Scheduler调度过程中依赖 Node、Pod 的实时信息，根据 Node、Pod 信息，决策 Pod 调度到哪个Node上合适，每次调度 调 Apiserver ，显然低效， 得在本地缓存一份数据，2）同一时间如果有大量待调度的 Pod，如果处理，如果保证不能漏掉，应该先处理哪个 Pod，调度过程中，如果失败，如何处理，  所以得。5）Pod 绑定过程中 可能依赖 pvc 绑定等，耗时较长， 所以绑定得是异步的， 但是匹配哪个Node合适的算法 需要同步执行，所。]]></description><category></category></item><item><title><![CDATA[基于zbar的二维码识别和机器人视觉巡线，附源码，使用ROS 2与OpenCV 结合的方式，让机器人识别二维码并执行设定动作]]></title><link>https://blog.youkuaiyun.com/CDB3399/article/details/143143323</link><guid>https://blog.youkuaiyun.com/CDB3399/article/details/143143323</guid><author>CDB3399</author><pubDate>Tue, 22 Oct 2024 11:09:20 +0800</pubDate><description><![CDATA[微信登录要扫二维码，手机支付要扫二维码，共享单车也要扫二维码。除了这些在日常生活中已经非常普及的扫码场景之外，二维码在工业生产中也已经普遍应用，比如使用二维码标记物料型号，或者在二维码中保存产品的生产信息，只要通过相机扫一扫，很快就可以看到对应的内容。既然二维码可以保存很多信息，那有没有可能和机器人应用结合？当然没有问题，在很多机器人应用场景中也有广泛的二维码识别需求。]]></description><category></category></item><item><title><![CDATA[基于sklearn的机器学习 — K近邻（KNN）]]></title><link>https://blog.youkuaiyun.com/CDB3399/article/details/143142256</link><guid>https://blog.youkuaiyun.com/CDB3399/article/details/143142256</guid><author>CDB3399</author><pubDate>Tue, 22 Oct 2024 10:42:39 +0800</pubDate><description><![CDATA[k-nearest neighbors（KNN）算法是监督机器学习中最简单但最常用的算法之一。KNN通常被认为是一种惰性的学习算法，从技术上讲，它只是存储训练数据集，而不经历训练阶段。KNN的原理是将新样本的特征与数据集中现有样本的特征进行比较。然后通过算法选择最接近的k个样本（k是自定义参数），新样本的输出是基于"k"最近样本的多数类(用于分类)或平均值(用于回归)确定的。]]></description><category></category></item><item><title><![CDATA[基于MATLAB/Simulink的模型降阶方法介绍]]></title><link>https://blog.youkuaiyun.com/CDB3399/article/details/143133611</link><guid>https://blog.youkuaiyun.com/CDB3399/article/details/143133611</guid><author>CDB3399</author><pubDate>Mon, 21 Oct 2024 21:16:31 +0800</pubDate><description><![CDATA[此外还有类似POD、Krylov subspace、CGM、GMRES、PRIMA、SPRIM 等降阶方法。这些方法大多用于不同领域的数值仿真、优化和模型简化，包括机械、电子、电磁等工程问题。在MATLAB/Simulink中不但可以借助内置的各类工具箱实现模型降阶，也可以通过MORLAB这类第三方工具箱实现。对于基于物理与模型的降阶而言，MATLAB对第三方CAE/CFD/FAE软件的兼容性在不断地提高，同时也支持最新的FMI/FMU模型的导入。]]></description><category></category></item><item><title><![CDATA[数值计算与仿真中的 “刚性” 是什么？]]></title><link>https://blog.youkuaiyun.com/CDB3399/article/details/143133425</link><guid>https://blog.youkuaiyun.com/CDB3399/article/details/143133425</guid><author>CDB3399</author><pubDate>Mon, 21 Oct 2024 21:13:59 +0800</pubDate><description><![CDATA[在数值计算分析领域，描述的是在求解微分方程时，由于系统中存在显著不同的时间尺度或空间尺度，导致数值解的稳定性和计算效率出现问题的现象。刚性一般用于描述包含多个时间尺度的常微分方程（ODE），由于存在多个不同的时间尺度，有的部分变化很快，有的部分变化很慢。这会导致传统的数值方法（如显式欧拉法）需要非常小的步长才能保持数值稳定性。刚性本身并不是一个数学上严格定义的术语，但它在数值计算及模拟中具有重要的应用意义。其可类比于物理学中的刚体概念。]]></description><category></category></item><item><title><![CDATA[小白也能看懂的YOLOv8预测参数详解（全面详细、重点突出）]]></title><link>https://blog.youkuaiyun.com/CDB3399/article/details/143034905</link><guid>https://blog.youkuaiyun.com/CDB3399/article/details/143034905</guid><author>CDB3399</author><pubDate>Fri, 18 Oct 2024 09:57:03 +0800</pubDate><description><![CDATA[YOLOv8现在可以接受输入很多，如下表所示。包括图像、URL、PIL图像、OpenCV、NumPy数组、Torch张量、CSV文件、视频、目录、通配符、YouTube视频和视频流。表格✅指示了每个输入源是否可以在流模式下使用，并给出了每个输入源使用流模式的示例参数。]]></description><category></category></item><item><title><![CDATA[esp32上使用chatGPT做一些有意思的事情]]></title><link>https://blog.youkuaiyun.com/CDB3399/article/details/143025342</link><guid>https://blog.youkuaiyun.com/CDB3399/article/details/143025342</guid><author>CDB3399</author><pubDate>Thu, 17 Oct 2024 18:09:46 +0800</pubDate><description><![CDATA[在自定义数据集上训练卷积神经网络时，选择正确的图像尺寸至关重要，因为这将影响模型的训练时间和性能。我们将选择合适的最佳训练图像尺寸的步骤分为两步，第一步是可视化数据集中图像大小，第二步是分析数据分布情况选择最佳训练尺寸。缩小：较大的图像将被缩小，这使得CNN更难了解分类或检测所需的特征，因为关键特征所在的像素数量将显著减少。该数据集有 7000 多张不同大小和分辨率的图像，通过下面代码可视化数据集中图像的尺寸分布情况。因此，我们必须选择自己的训练图像尺寸，我们越接近最佳图像大小，效果就越好。]]></description><category></category></item><item><title><![CDATA[如何用AI提升产品体验]]></title><link>https://blog.youkuaiyun.com/CDB3399/article/details/142972936</link><guid>https://blog.youkuaiyun.com/CDB3399/article/details/142972936</guid><author>CDB3399</author><pubDate>Wed, 16 Oct 2024 10:18:07 +0800</pubDate><description><![CDATA[本质上 Github 的 Copilot 是重构了原有的用户体验，原有的体验不是产品本身提供的，是用户没有选择的选择，链路很长，中间信息割裂，再加上传统搜索本身的局限，很难有一个好的体验。但是它可以进行更加复杂的查询了，选定不论是一个字、一个词、还是一句话，都可以进行查询，查询返回的结果可以是字典、词典里的，也可以是搜索引擎返回的，也可以是 AI 对书的内容理解之后的回答。第二个思路是，在产品的使用场景中，能够通过 AI 技术，创造出一些全新的体验，而这些体验又能极大提升用户使用产品的效率。]]></description><category></category></item><item><title><![CDATA[一文带你搞透CCD和CMOS图像传感器之间的区别]]></title><link>https://blog.youkuaiyun.com/CDB3399/article/details/140042590</link><guid>https://blog.youkuaiyun.com/CDB3399/article/details/140042590</guid><author>CDB3399</author><pubDate>Fri, 28 Jun 2024 14:28:56 +0800</pubDate><description><![CDATA[根据Jacob Fraden的“现代传感器手册”，CCD传感器可以消耗高达100倍的相对CMOS图像传感器的功率。结合CMOS成像器的低噪声，高速度和高功效性能，10 GigE机器视觉系统是旨在满足超高速和快速移动环境中的成像要求的性能强大的设备。简而言之，您很可能会找到一款配备CCD成像传感器的相机，其中光敏度是一个重要的因素，或者高质量，高分辨率的图像使所有的差异。虽然CCD图像传感器在市场上已经有了更长的时间，而且成熟得多，但CMOS传感器快速发展使其成为现代工业机器视觉的首选。]]></description><category></category></item><item><title><![CDATA[字节扣子模型广场，给AI大模型搭了一座擂台]]></title><link>https://blog.youkuaiyun.com/CDB3399/article/details/139802137</link><guid>https://blog.youkuaiyun.com/CDB3399/article/details/139802137</guid><author>CDB3399</author><pubDate>Wed, 19 Jun 2024 14:25:20 +0800</pubDate><description><![CDATA[再比如在硬件行业，AI手机、AI PC、AI电视、AI穿戴、AI汽车更是蔚然成风，继OPPO、vivo、荣耀、三星、华为、魅族等安卓巨头加码AI硬件后，WWDC 24上苹果的动作更表明，AI手机以及AI硬件是大势所趋。不论是移动互联网还是AI大模型，软件与硬件均密不可分。AI想要普及，必须下沉到各类软硬件产品上，要么成为AI硬件，要么成为融入到AI硬件中的AI应用——其中最具代表性的是Bot，即Robot（机器人）的缩写，它是当前应用最广泛的智能应用形态，具有代表性的是ChatGPT、字节豆包、文心一言。]]></description><category></category></item><item><title><![CDATA[解决 Transformer 根本缺陷，CoPE 论文爆火：所有大模型都能获得巨大改进！]]></title><link>https://blog.youkuaiyun.com/CDB3399/article/details/139410639</link><guid>https://blog.youkuaiyun.com/CDB3399/article/details/139410639</guid><author>CDB3399</author><pubDate>Mon, 03 Jun 2024 11:41:26 +0800</pubDate><description><![CDATA[首先，我们可以看到位置明显具有上下文相关性，因为无论它们的相对位置如何，注意力都倾向于落在特定的 token 上。绝对 PE 的表现更差。在 CoPE 中，这是可能的，因为一个注意力头可以计数段落，而另一个注意力头计数部分，然后它可以只关注位置 0。在 CoPE 中，位置是通过上下文相关的方式来测量的，而不是简单的 token 计数。作为当前大型语言模型 (LLM) 的主要支柱 Transformer 架构，依赖于注意力机制，而这种机制本身就缺乏顺序信息，因此，需要一种额外的机制来编码数据的位置信息。]]></description><category></category></item><item><title><![CDATA[ChatGPT的工作原理，这篇文章说清楚了！]]></title><link>https://blog.youkuaiyun.com/CDB3399/article/details/139302457</link><guid>https://blog.youkuaiyun.com/CDB3399/article/details/139302457</guid><author>CDB3399</author><pubDate>Wed, 29 May 2024 18:01:06 +0800</pubDate><description><![CDATA[而且，为了与巫术的想法保持一致，有一个特定的所谓 “温度” 参数（temperature parameter），它决定了以什么样的频率使用排名较低的词，而对于论文的生成，事实证明，0.8 的 “温度” 似乎是最好的。但是，如果一个人在处理具有特殊的、已知的结构的数据时，这种全连接的网络（大概）是过剩的。因此，例如，在处理图像的早期阶段，典型的做法是使用所谓的卷积神经网络（“convnets”），其中的神经元被有效地布置在一个类似于图像中的像素的网格上 —— 并且只与网格上附近的神经元相连。]]></description><category></category></item><item><title><![CDATA[什么是 ChatGPT？深度解析 ChatGPT的基本原理]]></title><link>https://blog.youkuaiyun.com/CDB3399/article/details/139302307</link><guid>https://blog.youkuaiyun.com/CDB3399/article/details/139302307</guid><author>CDB3399</author><pubDate>Wed, 29 May 2024 17:57:31 +0800</pubDate><description><![CDATA[ChatGPT 是由 OpenAI 开发的一种基于语言模型的人工智能程序，它可以与人类进行自然语言交互。基于 GPT（Generative Pre-trained Transformer）技术构建。GPT 代表“生成式预训练”，它是一种基于深度学习的自然语言处 理技术，利用海量的语言数据进行预训练，从而能够在多个自然 语言任务上表现出色。]]></description><category></category></item></channel></rss>