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
200+累计阅读
234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
在使用python绘制数据曲线时，我们往往需要设置图中曲线的颜色，这时候可以使用Color Picker这个软件，网址为：https://www.webfx.com/web-design/color-picker/。在在网站上选择了合适的颜色后，就可以复制它的颜色代码，然后在python中使用这个代码，如图：
这里我选择了一个颜色，然后在python中使用matplotlib库绘制函数曲线时，就可以使用这个颜色的代码：
plt.plot(verify_lengths, fpga_speedup, linestyle='-', color='#f6b969', label='On FPGA', linewidth=3)
域随机化：如何让AI模型在仿真中“见多识广”，轻松应对现实挑战
本文深入探讨了域随机化（Domain Randomization）技术如何帮助AI模型在仿真训练中适应现实世界的多样性挑战。通过主动制造环境变数，如随机化光照、物体属性和场景布局，模型能够抓住本质特征，显著提升在现实场景中的表现。文章还提供了实战案例、避坑指南和前沿工具推荐，为开发者提供了一套完整的域随机化实施方案。
YOLO12模型参数详解：从入门到调优
本文介绍了YOLO12实时目标检测模型V1.0的核心参数调优方法。该镜像可在星图GPU平台上实现自动化部署，其典型应用场景包括安防监控、交通标志识别等实时视频流中的多目标检测与分析，帮助开发者快速构建高效的视觉AI应用。
域随机化：如何让AI在仿真中“见多识广”，轻松应对现实挑战
本文深入探讨了域随机化技术如何通过在仿真环境中系统性地引入视觉、物理等参数的随机变化，训练出能从容应对现实世界复杂性与不确定性的AI模型。文章结合机器人抓取与自动驾驶感知等实战案例，阐述了其核心原理、关键参数设计策略及实践心得，揭示了这一“混乱训练法”如何让AI在仿真中“见多识广”，从而提升其在真实场景中的鲁棒性与泛化能力。
Qwen3-VL-30B在快递包裹单据信息提取中的效率提升
本文介绍Qwen3-VL-30B多模态大模型在快递包裹单据信息提取中的应用，对比传统OCR技术，展现其在结构理解、泛化能力和自动化方面的显著优势，提升物流分拣效率，降低人工成本。
基于YOLOv12与PyQt5的红外火灾检测系统：从模型训练到科幻风UI实战
本文详细介绍了如何构建一个基于YOLOv12深度学习模型的红外火灾检测系统，并为其开发了一个科幻风格的PyQt5 UI界面。内容涵盖从准备YOLO数据集、训练优化模型，到设计多线程架构以避免UI卡顿，最终实现图片、视频及实时摄像头的流畅检测与预警。项目旨在将强大的AI算法与专业、直观的用户体验相结合，为森林防火等场景提供完整的解决方案。
Claude AI桌宠硬件：从软件到实体的具身智能交互实践
嵌入式系统与物联网技术正推动人机交互从纯软件向软硬结合演进。其核心原理在于通过微控制器、传感器与云端服务的协同，实现环境感知与智能反馈。这种技术架构的价值在于创造更自然、沉浸式的交互体验，将AI能力从虚拟界面延伸至物理空间。在智能家居、个人助理等应用场景中，实体交互终端通过多模态反馈（如语音、灯光）增强用户连接感。本文探讨的Claude桌宠硬件正是这一趋势的典型代表，它基于端云协同架构，集成了语音唤醒、情绪灯光等模块，体现了深圳硬件产业链在快速原型与量产方面的工程能力，为AIoT领域提供了具身智能的新范本。
简单帅气的折纸机器人_【见多识广】逆天了！开一次机就 3 万费用的手术机器人到底有多牛！...
原标题：【见多识广】逆天了！开一次机就 3 万费用的手术机器人到底有多牛！中南大学湘雅三医院有一场特殊的"手术"——手术机器人"达芬奇"剥小龙虾。10分钟内，"达芬奇"将小龙虾剥壳去虾线，还将剩下的虾头虾壳拼出一个完成的小龙虾形状。网友：太贵了，吃不起。今天让我们就来聊聊这个黑科技。人类为了让工作能够更简单高效，数千年以来鼓捣出了无数“科技”产物，比如解放并增强人类双手的机械臂。▼然而你敢信，目前...
LiteBounD：基于边界引导知识蒸馏的轻量化医学图像分割框架
知识蒸馏是一种将大型、复杂模型（教师模型）的知识迁移到小型、高效模型（学生模型）的技术，旨在解决模型效率与精度之间的平衡难题。其核心原理在于通过设计特定的损失函数，让学生模型在输出层或中间特征层上模仿教师模型的行为，从而在保持轻量化的同时获得接近甚至超越教师模型的性能。这项技术的核心价值在于，它使得高性能的AI模型能够部署在计算资源受限的边缘设备或实时应用场景中，例如自动驾驶、移动端应用和实时医学影像分析。在医学图像分割领域，精确勾勒目标的边界（如肿瘤、息肉轮廓）是核心挑战，传统轻量化模型常在此处表现不佳。
华为等团队揭秘：机器人“预知未来“比“见多识广“更可靠？
华为等团队揭秘：机器人"预知未来"比"见多识广"更可靠？
果实成熟度检测实战：复杂自然条件下的YOLOv5模型优化（解决光照影响与颜色特征识别难题）
做完这个项目，你会发现自己完整走过了“数据采集→标注→模型训练→功能集成→界面开发”的毕设全流程，这不仅是技术能力的证明，更是对“技术赋能农业”这一理念的实践。答辩时，你可以重点讲这几点：系统解决了农业采收的哪些痛点、YOLOv5在果实检测中的性能优势、系统未来能怎么优化（比如对接果园物联网、扩展更多水果类型识别）。未来，这个系统还能往“更智能”的方向发展：比如结合产量估算功能、开发移动端APP让果农田间即测、在智慧农业中实现全自动采收决策……想象空间很大。
零基础学AI：用Python训练你的第一个“猫狗识别”模型
本文介绍了一个零基础使用Python构建猫狗识别图像分类模型的教程。文章分为六个部分：首先介绍准备工作，包括环境搭建和数据集准备；其次解释卷积神经网络(CNN)的工作原理；然后详细说明数据预处理步骤；接着展示如何构建CNN模型架构；最后介绍模型训练过程。 该教程使用TensorFlow和Keras框架，基于经典的Dogs vs Cats数据集，通过数据增强技术提高模型泛化能力。模型包含4层卷积和池化操作，以及全连接层，最终实现二分类任务。文章强调无需高深数学基础，仅需普通电脑即可实现，适合AI初学者快速入门
Qwen3多模态应用：基于卷积神经网络的图像特征提取实战
本文介绍了如何在星图GPU平台上自动化部署🎨 Class Qwen3: 多模态对话视觉黑板报镜像，以构建融合大模型与卷积神经网络（CNN）的视觉理解系统。该方案利用Qwen3的全局语义理解能力，结合CNN的细粒度特征提取优势，可高效应用于医疗影像分析、工业质检等专业场景的图片智能分析与理解。
金证股份软件测试笔试题面试题
boss上这家公司的HR找到了我，我看了一下这家公司的业务，是我以前做过的基金与证券。还是很感兴趣的，决定去面试看看情况。 （因为只是想去涨面试经验，没有想拿offer，一些回答有点不太对，为后面木有offer埋下伏笔。其实有点亏，毕竟走路过去，而且还花了3个小时） 地点在金证股份科技大楼8楼。 2月25号 主要分为笔试题和面试。 1、笔试题 进来的时候直接给我一份笔试题做，做了一个半小时吧。 分为3道选择题和1道SQL查询题、1道案例设计题 选择题都是考察SQL函数，可能日常生活中没有见过
认知-洞察力：洞察力
ylbtech-认知-洞察力：洞察力 洞察力(insight)是指深入事物或问题的能力，是人通过表面现象精确判断出背后本质能力。 1.返回顶部 1、 中文名：洞察力外文名：insight定义：透过现象看本质洞察方向：个人认知、情感、行为 目录 1洞察力的定义 2图书目录 2、 ...
Langfuse落地教程：从Docker部署到项目接入，掌控LLM调用链路
大模型应用开发中，调用链路的透明度直接决定调试效率与成本控制。可观测性技术通过记录每次请求的输入、输出、模型参数与Token消耗，帮助开发者快速定位问题。Langfuse作为开源LLM可观测性平台，将Trace、Prompt版本管理、评分等能力集成于一体，支持Docker Compose自托管部署，并提供Python/JS SDK与REST API。借助部署后的控制台，团队能够直观追踪RAG检索、Agent工具调用等复杂流程中的每一步耗时与资源占用，实现从黑盒调用到全链路可视化的转变。无论是本地调试、线上排
手把手教你用C#实现TwinCAT 3 ADS通讯（附完整代码示例）
本文详细解析了如何使用C#实现TwinCAT 3 ADS通讯，包括协议核心价值、开发环境配置、变量通信实践及高级应用场景。通过完整代码示例和性能优化技巧，帮助开发者高效实现工业自动化系统中的实时数据交换，特别适合倍福（Beckhoff）平台用户。
Matlab中的plotyy细讲（双坐标图）
文章目录eg1 基本操作eg2 三条线，其中两条线用左轴，第三条线用右轴eg3 指定绘图函数更多设置 eg1 基本操作 clc,clear,close all; t=0:0.1:9*pi; figure; [AX,Ha,Hb]=plotyy(t,sin(t),t,exp(t)); % 绘图并创建句柄 % ----------------- 设置刻度 %set(AX(1),'yTick',[0:0.25:1.25]) % 设置左边Y轴的刻度 %set(AX(2),'yTick',[0:3
先进封装技术 Part03---重布线层（RDL）的科普
RDL是一种在芯片封装过程中用于重新分布电气连接的技术。它通过在芯片表面或中介层上形成额外的布线层，重新分配芯片的I/O（输入/输出）位置，以适应不同的封装需求和提高电气连接的灵活性。
百度千帆Qianfan-OCR：4B参数实现文档智能统一端到端理解突破
百度千帆Qianfan-OCR：4B参数实现文档智能统一端到端理解突破
LaTeX公式转Word竟这么简单？Python三行代码实现学术论文格式无忧
本文介绍如何利用Python的latex2word库，仅需三行代码即可将LaTeX数学公式精准转换为Word原生Office Math对象，解决学术写作中LaTeX与Word格式割裂的难题。该方法支持批量处理、格式保真，并能与Markdown、Jupyter Notebook等工具集成，构建自动化写作流程，实现学术论文格式无忧。
FPGA控制AD5754实现模数转换Verilog代码与测试激励
本文提供了使用FPGA控制AD5754芯片实现数字信号转模拟信号的Verilog代码和测试激励。AD5754芯片简介：AD5754是一款16位数字信号转模拟信号的芯片。通信方式：FPGA与AD5754之间通过SPI接口进行通信，SPI时钟clk的最大频率为30MHz。模拟输出：AD5754提供了四路模拟输出。工作方式：当前AD5754采用单极性工作方式。指令刷新：根据现有理解，同轴的速度和电流指令应同时刷新。利用LDAC引脚控制模拟信号的刷新，但需实际验证。CLR信号验证。
Adobe团队发布EditVerse：一个模型搞定所有图片和视频编辑
Adobe团队发布EditVerse：一个模型搞定所有图片和视频编辑
数据结构课程设计C/C++版--美团餐馆预定信息的管理与分析 1 2
本关任务：从文件user.txt中读取用户信息，包括账号、密码、联系方式等，创建一个用户信息的顺序表，根据账号判断顺序表中是否存在当前用户。如果存在，则添加失败。否则，判断输入的用户信息中是否有非法输入，若有则添加失败，否则将该用户作为新结点，按顺序插入到顺序表的相应位置，并将用户顺序表写入user.txt中。本关任务：从文件user.txt中读取用户信息，存入顺序表中。输入待查找的用户账号，调用折半查找算法判断用户顺序表中是否存在该用户的账号信息。如果存在，则返回其在顺序表中的位置，说明查找成功；
MogFace人脸检测模型在复杂光照下的鲁棒性效果展示与调优建议
本文介绍了如何在星图GPU平台上自动化部署MogFace人脸检测模型-WebUI镜像，并探讨了该模型在复杂光照下的性能表现与调优方法。通过该平台，用户可以快速搭建人脸检测环境，并将其应用于智能安防、门禁系统等场景，有效应对逆光、阴影等挑战，提升检测鲁棒性。
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
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
python儿童编程培训
前面我们讲解了使用海龟库（turtle）绘制图形的基本流程，重点是掌握参考坐标系以及基本绘制步骤。 少儿Python编程培训手册系列之——平面图形绘制的基本思路 本文中，我们通过几个简单案例学习掌握绘制图形的一般规律。 01案例一：绘制四个相切圆 题目要求：绘制四个相切圆，直径分别为100、70、40、10。 首先，需要将直径换算为半径：50、35、20、5，因为函数circle(半径)传入参数要求为半径。 最常规的实现代码，是调用四次circle()函数。即： t1.circle(100
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")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
206
扫一扫
