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
300+累计阅读
375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
京东健康·全球医疗AI创新大赛由京东健康发起的，以探索医疗行业前沿技术与创新应用为导向，携手产学研各界力量，通过创新促进医疗服务行业的高质量发展。
大赛自6月17日上线以来，受到社会各界的广泛关注，目前已吸引超过1100人参与，累积提交5000余次。一场关于智能医疗的全球竞赛正如火如荼地进行中！
大赛面向面向全球开放，诚邀更多的创新者、研究人员、企业和开发者加入这场激动人心的竞赛。无论你是独立开发者还是团队合作，欢迎参与本次大赛，展示你的才华，共同推动医疗行业的未来发展！
https://gmic.jd.com立即报名，共同开启智能医疗新时代！
SpyGlass Lint脚本实战：从环境配置到报告生成的完整流程解析
本文详细解析了使用SpyGlass Lint脚本进行数字芯片设计代码质量检查的完整自动化流程。从环境配置、目录结构设计，到核心TCL脚本的编写与模块化配置，再到脚本执行、调试技巧及报告解读，提供了构建健壮、可维护自动化检查框架的实战指南。文章重点阐述了如何通过脚本实现从环境配置到报告生成的一键式操作，并探讨了与企业级CI/CD流程集成的进阶方案。
京东健康·全球医疗AI创新大赛火热进行中，立即参与，共创医疗新纪元！
京东健康·全球医疗AI创新大赛由京东健康发起的，以探索医疗行业前沿技术与创新应用为导向，携手产学研各界力量，通过创新促进医疗服务行业的高质量发展。大赛自6月17日上线以来，受到社会各界的广泛关注，目前已吸引超过1200人参与，累积提交6000余次。一场关于智能医疗的全球竞赛正如火如荼地进行中！大赛面向面向全球开放，诚邀更多的创新者、研究人员、企业和开发者加入这场激动人心的竞赛。无论你是独立开发者还...
【鼠标在不点击的情况下，直接移动到QT控件上不显示提示信息】
有时明明已经调用了setToolTips方法，鼠标移动到QT控件上仍然不会有提示信息，这时候就需要具体分析下。重点就是标红的这段话，大概意思就是。.h文件中加入鼠标移动事件的定义。.cpp文件中实现该事件。
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。
全覆盖路径规划开源项目Clean-robot-turtlebot3原理及流程概括总结
本系列文章主要介绍全覆盖路径规划开源项目Clean-robot-turtlebot3的相关内容，包含如下四篇文章，分别介绍了开源项目Clean-robot-turtlebot3流程的概括总结、ROS坐标系常用坐标及其变换、Clean-robot-turtlebot3关键函数解析等内容。
使用自制的NTC测量模块测试Plecs的热仿真效果
可以测试：您完全可以用这个模型来测试热仿真。NTC 模型是连接电气域和热域的关键桥梁。实现闭环：通过这种方式，您创建了一个高度真实的正反馈闭环系统：负载增加 -> 损耗增加 -> 温度升高 -> NTC 阻值变化 -> 控制电路可能因此调整（如降低频率或电流）-> 损耗变化 -> 温度变化。应用场景：这对于设计过温保护 (OTP) 电路风扇控制系统以及分析热失控条件非常有用。单位：确保热域中使用的单位（ Kelvin 或 Celsius ）与您的 C-Script 模型输入期望的单位一致。
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。
关于海康MVS软件显示速率低与1GB、相机丢包的设置优化
工控机主要应用与视觉检测！相机网线及工控机网口都是千兆的！设置完巨帧数和速度与双工（选择为全双工），显示速度低与1GB，不能够正常工作。C.LA-Properdes-Advanced-将RecerveBuffers更改为2048。E.LAN-属性-电源管理-取消选中允许计算机关闭此设备以保存电源。这种情况均为MVS设置不熟悉，可参照如下设置优化相应端口相机配置。D.局域网-属性-高级-将传输缓冲区更改为20484。B.LAN-属性-高级-将中断记录部分更改为执行。A.关闭采集控制帧速率控制。
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。
C# HttpClient完全攻略：从入门到精通只需5步
HttpClient是.NET框架中用于发送HTTP请求和接收HTTP响应的类。它基于异步编程模型，使得网络操作更加高效和灵活。
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
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。
ThingsBoard教程（十六）：RPC部件的使用
前言 各位读者好，截止目前，ThingsBoard系列文章已经做了十篇，分别是 ThingsBoard教程（一）：ThingBoard介绍及安装 ThingsBoard教程（二）：租户，租户配置，部件组模块的使用 ThingsBoard教程（三）：系统设置模块的使用 ThingsBoard教程（四）：规则链简介与操作 ThingsBoard教程（五）：客户，资产管理 ThingsBoard教程（六）：设备管理 ThingsBoard教程（七）：模拟设备遥测 ThingsBoard教程（八）：自定义UI T
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”。
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
IEM模型，地表粗糙度模拟
利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟
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
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")
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
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
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。
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。
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。
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%。
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}[\
终端 AI 审计与 “龙虾” 类智能体风险治理：从可见性到闭环溯源
生成式 AI 办公普及之后，数据泄露风险逐步下沉到终端。员工将合同、源代码、客户资料粘贴至公有大模型，以及龙虾（OpenClaw）这类本地开源 AI 智能体的滥用，成为企业安全新挑战。传统网络边界防护存在审计盲区，本文从风险链路拆解、核心能力模型、分级治理策略、落地踩坑点以及技术局限性多角度，分享终端侧 AI 安全治理的实践思路。
2.53 基于极稀疏指纹的室内定位注意力图元学习
该论文发表于IEEE Transactions on Mobile Computing（TMC）2026年6月，面向极稀疏指纹条件下的WiFi室内定位，针对指纹采集人力成本高、标记指纹稀缺时定位精度大幅下降的痛点，提出注意力图元学习模型AGML（Attentional Graph Meta‑Learning），结合图神经网络、元学习、两种指纹数据增强与分布对齐技术，在标记指纹极少的场景实现高精度室内定位，同时公开了多套真实+仿真定位数据集用于基准测试。场景：二维室内空间，障碍物造成信号遮挡，
语音识别与语音合成的技术原理及应用
语音识别 #语音合成 #人工智能 #大模型。语音识别与语音合成的技术原理及应用。一、语音识别的核心原理。二、语音合成的核心原理。三、工程落地的主要难点。五、需要关注的现实问题。
设计师工作室 GEO 实操：如何提升 AI 实体推荐概率
设计工作室 GEO 的本质，是把创意服务转化为 AI 可理解的结构化信息。核心动作可归纳为：区分事实与审美、建立实体图谱、预判用户提问、输出脱敏内容、搭建多信源、持续测试验证。梳理工作室的 6 个实体属性：品类、城市、流程、边界、团队、渠道。在官网或作品集平台发布至少 3 篇结构化项目复盘，只陈述事实。输出 1 篇「设计报价影响因素」科普内容，覆盖甲方高频提问。争取 1 次行业媒体或本地媒体专访，形成第三方信源。每周用「XX 城市 + 品类 + 设计工作室推荐」指令测试，记录出现频率。
AI作图软件技术选型：从4个技术维度出发的实测对比
AI作图软件技术选型：从4个技术维度出发的实测对比
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
438
扫一扫
