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
100+累计阅读
175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
OSCAR 开源产业大会是国内开源领域的顶级峰会，旨在进一步探索我国开源发展模式，加速开源技术在国内市场落地，提升企业开源治理能力，促进优秀开源项目和社区的蓬勃发展。
本届开源产业大会由中国信息通信研究院、中国标准化协会联合主办。
截至 9 月 15 日，本次开源大会收到了业界广泛的响应，得到了 60 余家开源项目和社区的支持。
蚂蚁集团的高级技术专家——田阳
受邀于 9 月 17 日下午 16:40—17:00
在开源产业大会上与开发者进行分享和交流
围绕「开源社区治理与运营」主题演讲
《把开源项目交给社区 — MOSN 的回顾和展望》
敬请期待～
本周推荐阅读
拯救我的老平板三星note8.0 table（GT-N5110）升级到lineage os-14.1（android7.1）全记录
买了多年的三星平板note8.0已经闲置了一段时间，今天在家不能出门，也没啥事，就把它拿出来刷新系统。不成想居然搞了一天，还差点变成了砖。 原版的系统是安卓4.0的系统，很多软件已经不能用了，微信、优酷都不支持，而且三星也不提供更新升级，于是寻求第三方解决方案。折腾过程一波三折，就不赘述了，我就讲一下正确的操作过程吧。 切记我这里讲的过程只针对三星note8.0 table，国行版本，版本号是...
MOSN 社区「田阳」在“2021 OSCAR 开源产业大会” 进行精彩演讲
MOSN 受邀出席本届OSCAR 开源产业大会的开源社会治理与运营论坛。蚂蚁集团的高级技术专家「田阳」，从 MOSN 的开源历程出发，对未来开源社区的发展进行探讨与展望。OSCAR - ...
用COMSOL计算复合材料板频散曲线：从建模到绘图全流程
导波在板结构中传播时，不同频率成分的速度不同，即频散现象。理解频散曲线是识别导波模态、确定相速度与群速度的基础，也是无损检测和结构健康监测中信号解读的关键。对于碳纤维增强复合材料等各向异性板，频散关系更加复杂，传统解析方法难以求解，数值仿真成为主流手段。通过COMSOL结合周期性边界条件与特征频率扫描，可以高效计算出复合材料板的频散曲线，进而绘制相速度和群速度随频率变化的图谱，为实验模态识别、换能器激励频率选择提供依据。本文以一个2毫米单向碳纤维板为例，详细介绍几何建模、材料参数设置、网格收敛验证、参数扫描
UOS Firefox 手动安装：独立目录、命令入口与桌面快捷方式
1. 用途介绍 Firefox 是用于访问 Web 应用和验证网站兼容性的浏览器，不是后台网络服务。本文整理原 UOS 实验的压缩包部署流程：独立目录放置程序、建立命令入口、添加 desktop 快捷方式并检查版本。 2. 准备运行环境 UOS Linux 图形桌面、普通桌面账号、与CPU架构和系统库兼容的 Firefox 包。安装到系统目录需要管理员权限，
SAP MM 物料描述MAKTX 40个字符不够用的问题处理
SAP物料描述表，长度40个字符一般情况下，40个字符在描述中也够用了，但是要加上规格之类的额外描述就不一定了，特别是对于辅助件-刀具。解决方案一：对maktx增强，换成CHAR80或者CHAR100的，但是风险较大，涉及到好多地方，另外SAP+ 算号器 也不支持。解决方案二：增强字段。内部顾问，建议在 那就在这里加一个字段，具体过程如下：1、创建域2、创建架构3、附加架构4、GUI 设置 5、后台设置6、MASS/MM17字段新增。过程1、创建域 SE112、创建结构 se11 3、MARA附加架构
ArcGIS实战：地形湿度指数（TWI）计算全流程解析
本文详细解析了ArcGIS中地形湿度指数（TWI）的计算全流程，从DEM数据获取、填洼处理到水流方向与汇流累积量计算，最终实现TWI的精准计算。通过实战步骤指导，帮助读者掌握水文建模和土壤湿度预测的关键技术，适用于农业规划、生态研究等领域。
TongWeb移植过程中功能参数、配置差异说明
在移植过程中TongWeb与其它应用服务器会在功能参数、配置方面有些差异，现就这些移动过程中的常配置项做一个说明。这些配置在之前文章中也有说明，只不过这次为了懒人总结到一块。
总结-NuerIPS2023-Direct Preference Optimization:Your Language Model is Secretly a Reward Model
对比PPO，DPO的泛化能力更强。
3D ACIS Modeler 在测量软件里怎么用？几何查询、区域判断与测点布点
本文面向测量软件开发团队，梳理 CAD 模型导入三坐标测量软件后的几何判断工作：如何借助 3D ACIS Modeler 完成模型对象访问、测量区域判断与空间关系分析，并结合 LK Metrology CAMIO 官方案例说明内核与应用的分工，最后给出自研与引入内核的评估思路。
OV5640摄像头DVP与MIPI接口配置实战：从30Hz到60Hz的性能优化指南
本文详细解析了OV5640摄像头在DVP与MIPI接口下的60Hz性能优化方法，重点解决720p分辨率下帧率仅30Hz的常见问题。通过精确配置时钟树、传感器寄存器和接口参数，提供DVP与MIPI接口的实战配置代码，并分享调试工具与性能验证技巧，帮助开发者实现稳定的60fps输出。
ViViT视频分类实战：从Tubelet Embedding到4种Attention变体的保姆级解析
本文深入解析ViViT(Video Vision Transformer)在视频分类中的实战应用，重点介绍Tubelet Embedding技术和4种Attention变体的实现细节。通过对比分析Spatio-Temporal、Factorised Encoder等不同Attention机制的性能特点，提供工程优化策略和Kinetics数据集上的实战示例，帮助开发者掌握这一前沿视频理解技术。
3D CAD参数化建模原理详解：尺寸参数、几何约束与特征关系
3DCAD参数化建模通过尺寸参数、几何约束与特征依赖关系，将设计意图融入模型，实现自动更新。其核心在于明确变量关联、合理设置约束、理顺特征逻辑。修改时，系统依规则重算几何，但需防范约束冲突、依赖失效等问题。提升可维护性需规划关键参数、优化建模结构，并验证多场景适用性。大腾智能ZCAD以自主内核与智能交互支持高效参数化设计，兼顾传统建模与同步修改需求，助力系列化开发与持续迭代。
LLaMA-Factory微调教程2：命令行sft微调
本文介绍了如何使用llama-factory项目在本地运行Qwen2-7B大语言模型进行对话。首先通过llamafactory-cli env查看环境配置，然后使用git lfs下载Qwen2-7B模型。创建配置文件qwen2_7b_instruct.yaml，修改模型路径和模板参数。最后通过llamafactory-cli chat命令启动对话服务，加载模型配置文件和tokenizer，完成环境初始化后即可进行交互式对话。
AI时代，Delft3D如何打通标量输运、波浪、粒子与溢油模拟
学完不仅能独立完成模型构建、参数设置和结果分析，还能真正掌握从“建模型”到“用模型解决实际问题”的完整方法。做 Delft3D 模拟，最难的不是“会点软件”，而是理论如何落地、参数如何设置、案例如何跑通，以及模型结果如何真正用于科研和项目。既适合零基础入门，也适合已有水动力基础、想进一步提升应用能力的科研人员、研究生及水文、水环境、海洋、水利、环评等领域技术工作者。1.拉格朗日粒子模型理论2.拉格朗日粒子法的适用情况3.拉格朗日粒子法的参数4.波浪模型后处理。这门课从基础到进阶，一次打通。
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。
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
虚拟仿真实训基地的技术实现路径：从3D采集、资源库到仿真平台的完整链路
本文提出“五段式”虚拟仿真实训链路——采集、建模、资源、平台、展示，破解职业教育实训资源持续产出难题。通过设备选型、AI建模、统一管理与过程留痕，实现教学资源标准化、可复用、可更新。强调元数据规范、轻量化处理与验收指标，避免“只采不建”“仿真脱节”等五大工程陷阱，确保基地长效运行，支撑岗位技能对接与教学改革。
温度PID控制PLC程序
温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值
【测评】SenseNova6.8Flash模型正式发布，支持动态 PPT 及 3D 设计
SenseNova 6.8 Flash将设计生成拓展至多种创作形态，支持Web、SVG、Three.js、Blender、PPT等形式，满足多样化的AI Native Design需求，并支持动态PPT、动态Poster与Agentic 3D设计。同时，模型可接入Figma等专业工作流，帮助用户将AI设计能力融入现有的专业设计流程。此外，模型还支持三维场景与交互内容创作，可综合处理空间布局、材质与光照、镜头控制及动画编排等因素，构建可在网页中实时渲染的三维内容，拓展从立体视觉展示到动态交互的表达方式。
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")
船舶安全培训怎么用AI生成3D预演？从甲板通道、设备热点到网页回放
船舶甲板能够漫游，不等于培训内容可信。本文梳理从培训任务、资料台账、空间白模到设备热点、步骤关联和网页交付的制作流程，说明如何用稳定设备 ID 追溯来源，通过三轮审核核对技术、课程与网页表现，并提供弱网图文回退和上线清单。AI 适合辅助场景与交互原型，不能替代专业审核、上船实训或正式安全程序。
项目选型 3D 相机推荐｜自动化项目落地全流程选型指南
项目选型和单纯产品选型最大区别：所有参数都要服务于产线工艺目标，优先锁定 5 个基础边界条件，这是筛选相机的前置条件，也是很多项目踩坑的源头。项目选型 3D 相机，核心不是选出参数最好的硬件，而是选出适配项目工况、可控风险、可按时验收、运维成本可控的整套视觉方案。对于自动化系统集成商来说，优先选择拥有自研光学、算法、标定工具链，并且具备大量量产项目沉淀的国产 3D 视觉厂商，能够有效降低方案设计、现场调试、项目交付的不确定性。
DEM 数据源选型完全指南：SRTM、ASTER GDEM、ALOS AW3D30 与商业高分辨率的工程级对比
本文回答一个工程选型问题：SRTM、ASTER GDEM、ALOS AW3D30 和商业高分辨率 DEM 怎么选。核心结论：先确认数据表达的是裸地还是含地物表面，再确认垂直基准，最后才看分辨率。格网再细，表面层错了或基准没对齐，断面和汇水结果仍然不可用。
百炼 CLI 生成物流主题 3D 视觉概念图教程：一个关键词出主视角/鸟瞰/特写/风格变体一套图，含默认开关与水印坑实测
做物流投标配图、方案配图的人经常遇到同一个需求：手里只有一个关键词，交付物却是一整套 3D 视觉概念图。本文以「无人仓储中心」为例，用百炼命令行的两条命令搭一条两段式生图链路，一个关键词产出主视角、鸟瞰、设备特写与风格变体成套图，并把四条可选路线的等待时间、画面文字注入情况和成套一致性一次测完，给出可直接抄的接法与参数。
机器视觉 3D 相机与机器人引导全解析：四大成像原理、手眼标定与七步落地流程
3D 视觉的精度上限，80% 取决于。
从CAD装配模型到3D装配动画：模型复用与工艺步序设计
本文阐述了从三维CAD模型生成装配动画的关键流程，涵盖模型准备、结构确认、工艺步序定义、动画表达与资料输出五大环节。指出传统方法存在重复整理、工艺脱节等问题，提出通过“3D工艺大师”等工具实现模型复用与工艺步序驱动，由工艺人员直接定义装配逻辑，自动生成动画并协同输出工艺文件，提升效率与准确性，真正实现设计数据向生产指导的无缝转化。
把带贴图的 OBJ / glTF 转成 3D Tiles：我写了个 mesh-to-tiles
做倾斜摄影或单体模型上 Cesium 时，经常卡在同一件事：手上是一份带贴图的 OBJ 或 glTF，场景里要的是 3D Tiles。现成工具能转，但 LOD、图集和纹理压缩往往要再串一圈。我把这条链路收成了一个 Node 命令行工具，输入网格，输出 3D Tiles 1.1 隐式八叉树。，协议 MIT。
连锁门店方案怎么用AI生成3D预演？从需求表、空间白模到网页评审
连锁门店如何用 AI 辅助比较布局，并让品牌、运营与设计团队在线评审？本文从需求表和场地底稿出发，介绍双尺寸核对、区域与设备编号、固定观察点，以及从审核母版派生网页轻量版的方法，并通过品牌运营、空间资料、网页权限三轮审核保持版本对应。AI 用于生成候选与辅助表达，网页用于沟通方案，两者都不能替代现场测量、专业设计及工程审核。
微缩场景怎么用AI生成3D？单图、分件参考还是布局草图，按4层输入减少返工
一张港口概念图能说明场景气氛，却未必交代道路、高差、建筑背面和对象边界。本文按整体构图、空间布局、对象分件、尺寸与交付四层整理 AI 生成 3D 场景的输入，比较主图、布局草图和分件参考各自的作用与局限，并提供三轮试跑方法和可复制输入卡。生成后通过检查背面、量测尺寸、单独移动房屋及重新导入目标软件，判断候选是否满足后续编辑要求。
3D Forward Simulation of TMI Data：三维总磁场强度正演入门
本文面向初学者，基于SimPEG教程介绍三维磁法正演模拟。通过构建含球体的地下磁化率模型，结合地形与地磁场，预测地表17×17个测点的总磁场强度异常（TMI）。重点讲解磁化率、诱导磁化、TMI测量原理及三维积分正演机制，演示如何使用TensorMesh、active_cells和Simulation3DIntegral实现正演计算。代码可复现地形图、磁化率剖面与TMI异常图，并支持导出合成数据。实验建议调整磁化率、飞行高度、倾角等参数，理解其对异常形态的影响。强调磁异常非唯一性，需结合地质约束。适用于磁测设
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2万+
扫一扫
