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
1.6k累计阅读
1.7k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
活动介绍
Feature Store作为MLOps领域的热门话题，国内已有多家公司拥有自己的技术实现，同时出现了许多云上产品和开源项目。2022年4月10日（周日）14：00-18：00，由星策开源社区主办的FeatureStore Meetup第二期将于线上开展。
本次meetup将更加聚焦特征平台与Feature Store，特别邀请中国开源推进联盟副秘书长、开放原子基金会TOC副主席-谭中意；第四范式系统架构师、开源项目 OpenMLDB 负责人-卢冕；中国工商银行软件开发中心大数据和人工智能实验室副主任-黄炳；AWS数据分析解决方案架构师-唐清原、网易云音乐人工智能研究员-吴官林，从不同领域不同视角下的深入探讨FeatureStore在各行业内的实践演进。
详细议程见海报，欢迎大家扫码进群、报名参会～
MLOps交流群：https://sourl.cn/mmznEF
墨刀原型设计工具操作使用指南及实践操作
该指南通过异常场景处理、像素级参数说明、复杂交互示例，覆盖了墨刀操作的全细节，适合从新手到资深用户的进阶学习。结合 PlantUML 思维导图的层级化展示，可快速定位具体功能的操作要点与问题解决方法，真正实现 “照指南即可操作” 的实用价值。
北京大学计算机王迪,IEEEPKU迎新会圆满成功
2014年10月8日IEEEPKU举办了新一届骨干成员的迎新会。我们迎来了近40位新的小伙伴，新老成员总共60人将在今后的一年为大家带来更多的惊喜。人员组成理事会 :文永正 马晓 李梦歌 王思萌 孟洋 甘霞青 张番栋主席团 :毛逸飞 马文佳 邸绍岩 向玙 宋德华 刘力顾问团: 张佳琪 刘跃全 王悦涵 王诗吟 赵钰迪 孟凡翔 李云团队分配为了让大家在协会中尽可能多地得到全面的锻炼机会，本学期的活动开...
Vofa+使用笔记（1）：用Vofa+通过串口连接显示波形
1. 介绍 Vofa+有三种协议设置 rawdata：你发什么就显示什么，跟普通的串口助手一样 firewater：最简单在VOFA+里绘制波形的协议，建议仅在通道数量不多、发送频率不高的时候使用。 justfloat：有一定的数据格式，此协议非常适合用在通道数量多、发送频率高的时候。 2. 使用步骤 设置号下面三个地方，使用的协议以及传输的方式 拉出控件 （最开始上位机没有识别到你的数据的时候，右边是没有数据显示的，如果你想要y轴显示什么数据，右边设置显示也可以，右键波形图然后Y轴设置也行） 把进
FeatureStore meetup V4回顾｜腾讯 & 微软 & 第四范式特征平台技术解析与应用实践
由星策社区主办的第四期「Feature Store Meetup」于线上开展，活动特邀请星策社区发起人-谭中意；第四范式系统架构师、OpenMLDB研发负责人-卢冕；腾讯推荐中台架构师-赵喜生；微软首席数据科学家-朱晓勇，4位大咖讲师共同探讨分享了 Feature Store 在各自项目/领域中的设计解析与应用实践。累计观看人次超过1.8w+。
Windows10环境下激活虚拟环境报错【source : 无法将“source”项识别为 cmdlet、函数、脚本文件或可运行程序的名称】
在使用Django创建Web程序前，需要创建一个虚拟的工作环境，在使用【source ll_env/bin/activate】命令激活虚拟环境时报错：source : 无法将“source”项识别为 cmdlet、函数、脚本文件或可运行程序的名称。请检查名称的拼写，如果包括路径，请确保路径正确，然后再试一次。所在位置 行:1 字符: 2。
ardupilot开发 --- 避障篇
适配ardupilot的雷达避障功能开发，使用低成本雷达思岚科技系列雷达，配置简单，灵敏度高，障碍物检测范围不低于30m。
Meetup回顾｜星策社区FeatureStore Meetup V2
继2021年12月11日举办第一次Feature Store Meetup之后，星策开源社区于2022年4月10日举办了第二期「FeatureStore Meetup V2 」，本次活动邀请星策社区发起人---中国开源推进联盟副秘书长、开放原子基金会TOC副主席-谭中意；第四范式系统架构师、开源项目 OpenMLDB 负责人-卢冕；中国工商银行软件开发中心大数据和人工智能实验室副主任-黄炳；AWS数据分析解决方案架构师-唐清原、网易云音乐人工智能研究员-吴官林，深入探讨FeatureStore未来趋势
【异常】出现“‘git‘ 不是内部或外部命令,也不是可运行的程序”的错误
出现“‘git’ 不是内部或外部命令,也不是可运行的程序”的错误通常意味着 Git 没有被正确安装在你的系统上，或者其可执行文件的路径没有被添加到系统的环境变量中。
直播预告｜FeatureStore Meetup V3 重磅来袭！
本次meetup将特别邀请开源爱好者—曾中铭、第四范式平台架构师，开源项目OpenMLDB PMC—陈迪豪、众安保险金融数据应用团队负责人—郭育波，从不同视角深入探讨Feature Store在各行业内的设计解析与应用实践。............
【Apache Paimon】-- 13 -- 利用 paimon-flink-action 同步 mysql 表数据
在Paimon 诞生以前，若 mysql/pg 等数据源的表结构发生变化时，我们有几种处理方式（1）人工通知（比如常规的使用邮件），然后运维人员手动同步到数据仓库中（2）使用 flink 消费 DDL binlog ，然后自动更新 Hive 的外部表和内部表 schema那么现在，有了 Paimon ，我们可以利用其特性，自动识别并同步 DDL 这些变化，并同步至 hive 的 paimon 格式表中。
Open3D (C++) KD tree的使用【2025最新版】
Open3D (C++) KD tree的使用，博客长期更新，本文最近更新时间为：2025年1月6日。
直播预告｜FeatureStore Meetup V4携手第四范式 & 腾讯 & 微软大咖讲师，共探特征平台实践
在机器学习领域以数据为生产资料的新型生产关系中，特征的质量成为AI/ML算法效果的天花板。Feature Store 的出现可以加速推荐建模优化的迭代，简化机器学习中的特征管理和特征计算，并提升机器学习的生产力。为了共同探讨如何实现和应用好特征平台 FeatureStore ，交流建设心得，传播经验体会，星策社区特此开展了 FeatureStore Meetup 活动，目前已邀请了来自。为了继续探索不同场景下 FeatureStore 的实现方式与设计思路，加强技术交流，星策社区。推荐中台架构师-赵喜生；
【Bluetooth蓝牙开发】十一、一文秒懂 | 超详细的Bluez交叉编译
1、开篇词 2、蓝牙开发入门 3、蓝牙协议栈总览 4、蓝牙协议栈——物理层 5、蓝牙协议栈——链路层 6、蓝牙协议栈——传输层 7、蓝牙协议栈——L2CAP协议 8、蓝牙协议栈——ATT协议 9、蓝牙协议栈——GATT协议 10、蓝牙通信流程分析 11、蓝牙协议栈——Bluez交叉编译 12、蓝牙调试工具汇总
Feature Store Meetup V3回顾｜华为商城&第四范式&众安保险特征平台建设实践
活动围绕 “Feature Store 特征平台的建设实践”，特邀星策社区发起人谭中意，分享 “ Feature Store 的概念与发展概况”；华为商城算法工程师曾中铭，分享 “华为商城特征平台建设实践”；第四范式 OpenMLDB PMC 陈迪豪，分享 “ OpenMLDB 解决生产环境上线面临的数据特征挑战”，众安保险金融数据应用团队负责人郭育波，分享 “众安保险金融特征中台建设”；几位嘉宾分别从技术角度对 Feature Store 的应用实践进行全方位解读。...
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
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。
视频隐私脱敏工程化：CSRT/KCF追踪算法在本地推理中的实现与边界
在短视频内容合规审查中，动态遮挡（Dynamic Masking）是高频且高耗时的环节。传统手动关键帧打码不仅效率低下，且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度，解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
6 款电商 AI 图片生成软件实测｜国内 + 跨境卖家工具清单
电商 AI 作图工具已经从 "能不能用" 进入了 "好不好用" 的阶段。对于绝大多数卖家而言，现在的 AI 工具已经可以覆盖 60%-80% 的基础商品图需求，显著降低拍摄和设计成本。选择工具的核心逻辑不是 "哪款最强"，而是 "哪款最适配你的品类、平台规模和团队能力"。垂直电商工具胜在工作流效率，通用生图工具强在创意上限，模板类工具赢在上手速度。建议根据自身业务阶段，搭配 1-2 款主力工具 + 1 款辅助工具，形成适合自己的视觉生产流程。
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
我用 GPUWorks 在 M1 Pro 上搭了个发票识别原型
公司里经常要看电子发票。我想先做个小原型：把 PDF 发给一个自己部署的图文模型，让它提取发票类型、日期、交易双方和金额，再把结果交给同事核对。这个原型不用先接财务系统，先看看从部署到调用要走多少步，模型返回的内容能不能帮上忙。
在Codex 让AI模型 拥有长期智能记忆
本文介绍Claude-Mem V15新功能——智能记忆召回，解决AI遗忘、重复提示、执行不一致等问题。通过本地部署claude-mem，实现自动记录决策（如数据库选型）、跨会话智能召回，支持记忆写入、检索、遗忘全流程闭环。相比传统记忆方案，其基于Hooks自动捕获工具调用，结构化存储，可追溯、可共享、可清理，显著提升工程效率与协作一致性，是长期项目中理想的“工作黑匣子”与“工程脑”。
医疗 AI 有两种，别混着谈：一个改流程，一个改范式
InfoXMed 是面向医生、医学生和医学科研人员的 AI 医学工具平台，提供文献检索、全文翻译、AI 解读、指南查询和题库练习等功能，辅助临床学习、科研汇报与医学备考。原文是日本医学会杂志（JMA Journal）的一篇综述（Review Article）：基本事实：这一点必须先说清：这篇论文提出的是一个研究纲领。它文中的"预测"指的是科学设想，不是可以拿来用的临床预测能力。文中甚至自己承认了一个硬缺口（见第三节）。本文只谈它的术语辨析与科学方法论，不转述任何可作为临床依据的预测或处置主张。这篇论文的全部
您您这可以把问小白的多个会话比如说。左侧的多个会话一次性导出吗？不是单条会话里面的多次会对话。AI导出鸭
第三层是格式编译层。这个决策背后的判断很清晰：一个批量导出工具的价值，不在于“试三次”，而在于你真正用它处理了几十份技术文档、访谈记录或课程讲义之后，它是否值得留在你的工作流里。问小白的会话列表通过分页接口加载，AI导出鸭 在页面运行时建立旁路监听，捕获每一次分页请求返回的完整对话清单，包括会话 ID、标题、时间戳和隐藏的元数据字段。让AI导出回归优雅——这句话说的是：导出不该是体力活，而应该是一次完整的、可预期的文件交付。注意：这里的“批量”指的是左侧列表里的多个独立会话，不是一条会话内的多轮对话。
AI Agent之核心框架
A： 显式 Thought 有三类价值：可解释性（便于人类审计）、可调试性（定位哪一步选错工具）、学习信号（可做监督微调或评估中间步骤质量）。ReAct 把推理与 可执行行动 绑定，每一步行动后都有 真实 Observation 反馈，从而用工具结果约束生成，降低闭卷幻觉。做完不等于结束——还要 评估做得好不好，把 教训 记下来，下次 带着教训重试，反思作为 记忆，影响后续尝试的策略。工作流程：Action → Evaluation → Reflection → Retry。A： 普通 CoT 只在。
河道漂浮物目标检测数据集
目标检测，yolo，河道漂浮物目标检测数据集
AI 应用开发工程师技术实践：大模型接入、通用组件封装与性能优化
本文提出AI应用从PoC到生产的核心挑战：模型调用的持续可用、可控与可优化。通过构建统一LLM网关实现多供应商路由与故障转移，封装对话、工具调用与RAG组件以解耦业务逻辑，结合前缀缓存、批处理与流式背压治理等性能优化手段，形成“接通→接稳→接快”的工程路径，最终以工程化能力决定AI应用的生产可用性。
AI前沿日报 · 2026-11-04 | 祛魅时刻：Astra“纯读权重“神话的崩塌
①Astra"裸权重通吃"被spaCy创始人Honnibal精准祛魅——仅1/3实验真裸读，数学能力提升依赖Python+50次迭代；②Simon Willison用Qwen 3.8-27B端侧复现权重空间编程；③Nvidia开源Auto-Ontology自动知识图谱；④$800开源全域抓取机器人Stringman；⑤OpenAI悄然重开Codex训练开关引信任危机；⑥DeepMind发布Gemini 4 Argon机器人基础模型；⑦美国科技巨头隐性AI债务达3.2万亿美元，6个月增90%。
大模型 Embedding 与向量相似度详解
Embedding 解决的问题：计算机不懂文字，但懂数字│▼文本 → 向量（1024维浮点数数组）│▼相似度解决的问题：怎么判断两个向量（文本）有多接近│▼余弦相似度：看向量方向的夹角，越接近0°越相似│▼最终效果：语义搜索——理解意思，而非字面匹配一句话总结：Embedding 把文字变成数字，余弦相似度比较数字的方向，两者结合实现了"理解语义"的搜索。
GPT-1 架构和计算细节
下面配合框图，对 GPT-1 的每个组件做公式展开 + 数值实例（配置：12 层 × 768，12 头，FFN 3072，词表 40478，共 117M 参数）。GPT-1 把翻译模型的编码器-解码器砍掉一半，只留解码器，然后以"预测下一个词"为目标在 BooksCorpus 上预训练。与 2017 原版的四个架构差异（框图中标 ★）：h0=E[token]+Epos[position],E∈R40478×768, Epos∈R512×768h^0 = E[\text{token}] + E_{pos}[\
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
4945
扫一扫
