单端输入和差分输入

ADC 差分输入与单端输入的区别 - 虚室生白 - 虚室生白
 
如图所示,单端输入只有一个输入引脚ADCIN,使用公共地GND作为电路的返回端,ADC的采样值=ADCIN电压-GND的电压(0V)。这种输入方式优点就是简单,缺点是如果vin受到干扰,由于GND电位始终是0V,所以最终ADC的采样值也会随着干扰而变化。
ADC 差分输入与单端输入的区别 - 虚室生白 - 虚室生白
而差分输入比单端输入多了一根线,最终的ADC采样值=(ADCIN电压)-(ADCIN-电压),由于通常这两根差分线会布在一起,所以他们受到的干扰是差不多的,输入共模干扰,在输入ADC时会被减掉,从而降低了干扰,缺点就是接线复杂一些。而且需要VIN+和VIN-两路反相的输入信号。

ADC 差分输入与单端输入的区别 - 虚室生白 - 虚室生白
 
  为了既有差分输入的优点又有单端输入简单的优点,还有一种伪差分输入,通过把信号地连到ADCIN-端实现一种类似差分的连接,也具有一定的共模抑制能力,只是由于输入信号VIN的阻抗和其地线的阻抗不同,所以在受到干扰时产生的电压尖峰也不会相等,所以共模抑制能力并不是很强
### 使用 Ollama 构建 RAG 向量数据库的方法 构建基于 Ollama 的 RAG(检索增强生成)向量数据库涉及多个步骤,包括下载配置大模型、处理文档数据并将其嵌入向量空间,最后通过向量数据库实现高效的数据检索。以下是具体方法: #### 1. 下载运行 Ollama 大模型 Ollama 提供了一个简单的方式来管理运行本地的大语言模型 (LLM),可以通过以下命令完成模型的拉取启动: ```bash ollama pull llama2 ollama run llama2 --interactive ``` 这一步骤允许用户在本地环境中部署所需的 LLM 模型[^1]。 #### 2. 准备文档数据 为了使 RAG 工作流有效运作,需要准备一组结构化或非结构化的文档数据集。这些数据可以来自 PDF 文件、网页抓取或其他形式的文字材料。假设我们已经拥有一份名为 `document.txt` 的文件,则下一步是对该文本进行预处理。 #### 3. 切分文本为较小片段 由于大多数向量存储库对单个条目有长度限制,因此有必要先将原始文档切分成更小的部分。推荐使用 LangChain 中提供的工具来执行此操作: ```python from langchain.text_splitter import RecursiveCharacterTextSplitter text_splitter = RecursiveCharacterTextSplitter( chunk_size=1000, chunk_overlap=200 ) with open('document.txt', 'r') as file: document_text = file.read() texts = text_splitter.split_text(document_text) ``` 上述代码会把输入字符串按照指定大小拆解成若干子串,并保留一定重叠度以保持上下文连贯性[^4]。 #### 4. 创建嵌入函数 接下来定义一个用于计算每段文字特征表示的方法。这里选用 Hugging Face 上训练好的 Sentence Transformer 来生成高质量语义编码: ```python from langchain.embeddings import HuggingFaceEmbeddings embedding_function = HuggingFaceEmbeddings(model_name="all-MiniLM-L6-v2") ``` #### 5. 初始化 Chroma 数据库存储对象 利用之前创建的 embedding function 及分割得到的小节列表初始化 chroma vector store 实例: ```python from langchain.vectorstores import Chroma vectorstore = Chroma.from_texts(texts=texts, embedding=embedding_function, persist_directory="./chroma_db") ``` 这样就完成了整个 pipeline 的搭建过程——从加载基础模型到最终形成可供查询的知识图谱体系[^3]。 #### 6. 查询机制设计 当实际应用时,可通过如下方式调用已建立起来的服务端口来进行相似问句匹配或者信息抽取等工作负载下的性能测试评估活动。 ```python query_result = vectorstore.similarity_search(query="What is the capital of France?", k=2) print([doc.page_content for doc in query_result]) ``` 以上即为借助于 ollama 平台配合其他开源组件共同协作达成目标的整体思路概述[^2]。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值