#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
╔══════════════════════════════════════════════════════════════════════════╗
║ 龍魂统一DNA登记册 · 物理+虚拟全维身份锚定 v1.0 ║
║ LongHun Unified DNA Registry · One Person, One Life ║
╠══════════════════════════════════════════════════════════════════════════╣
║ DNA: #龍芯⚡️丙午·丙申·甲寅·壬申-UNIFIED-DNA-REGISTRY-v1.0 ║
║ 哲学: 一世一双人 · 物理虚拟不二分 · 哈希可对人不可见 · 追溯本源 ║
║ 铁律: 本人可查·他人不可见 · 哈希可验证 · 不可篡改 · 不可删除 ║
║ 📇 身份 · 联系 · 支持 → assets/PUBLIC_IDENTITY.md ║
╚══════════════════════════════════════════════════════════════════════════╝
设计理念:
一个人的 DNA = 所有物理资产 + 所有虚拟身份 的 Merkle 根哈希
本人能看到完整清单,外人只能看到哈希
哈希对得上 = 归属验证通过
被骗/被剽窃/被盗 → 追溯本源 → 一搜就知道
用法:
python3 bin/lh_unified_dna_registry.py register <uid> <资产类型> <资产编号> [标签...]
python3 bin/lh_unified_dna_registry.py list <uid>
python3 bin/lh_unified_dna_registry.py verify <uid> <资产类型> <资产编号>
python3 bin/lh_unified_dna_registry.py master <uid>
python3 bin/lh_unified_dna_registry.py status <uid>
资产类型(内置 · 可扩展):
物理资产: watch 手表 | patent 专利 | ip 知识产权 | engine 发动机 | computer 电脑
| phone 手机 | sim SIM卡 | card 证件 | contract 合同 | deed 契据
虚拟资产: email 邮箱 | domain 域名 | social 社交账号 | wallet 钱包地址
| gpg GPG密钥 | api API密钥 | ssl SSL证书 | repo 代码仓库
身份资产: id_card 身份证 | passport 护照 | driver 驾照 | military 退伍证
"""
import hashlib
import json
import os
import time
import sys
from pathlib import Path
from typing import Dict, List, Optional, Tuple
from dataclasses import dataclass, field, asdict
from datetime import datetime
# ═══════════════════════════════════════════════════════════
# L0 常量 · 焊死
# ═══════════════════════════════════════════════════════════
注册表目录 = Path.home() / ".龍魂" / "unified_dna_registry"
注册表目录.mkdir(parents=True, exist_ok=True)
# 资产类型定义 · 物理 + 虚拟 + 身份
资产类型表 = {
# ── 物理资产 ──
"watch": {"类别": "物理", "名称": "手表/精密机械", "验证方式": "序列号/购买凭证/保卡"},
"patent": {"类别": "物理", "名称": "专利", "验证方式": "专利号/授权书/国家局查询"},
"ip": {"类别": "物理", "名称": "知识产权", "验证方式": "登记号/证书/版权局查询"},
"engine": {"类别": "物理", "名称": "发动机", "验证方式": "发动机号/行驶证"},
"computer": {"类别": "物理", "名称": "电脑", "验证方式": "序列号/购买凭证"},
"phone": {"类别": "物理", "名称": "手机", "验证方式": "IMEI/SN/购买凭证"},
"sim": {"类别": "物理", "名称": "SIM卡", "验证方式": "ICCID/运营商"},
"card": {"类别": "物理", "名称": "证件", "验证方式": "证件号/发证机关"},
"contract": {"类别": "物理", "名称": "合同/契约", "验证方式": "合同编号/签署方"},
"deed": {"类别": "物理", "名称": "契据/房契", "验证方式": "权证号/不动产登记"},
"vehicle": {"类别": "物理", "名称": "车辆", "验证方式": "VIN/车牌号"},
"device": {"类别": "物理", "名称": "设备/硬件", "验证方式": "序列号/MAC地址"},
# ── 虚拟资产 ──
"email": {"类别": "虚拟", "名称": "邮箱", "验证方式": "邮箱地址/所有权验证"},
"domain": {"类别": "虚拟", "名称": "域名", "验证方式": "WHOIS/DNS验证"},
"social": {"类别": "虚拟", "名称": "社交账号", "验证方式": "平台ID/主页链接"},
"wallet": {"类别": "虚拟", "名称": "钱包地址", "验证方式": "区块链地址/签名验证"},
"gpg": {"类别": "虚拟", "名称": "GPG密钥", "验证方式": "指纹/公钥验证"},
"api": {"类别": "虚拟", "名称": "API密钥", "验证方式": "密钥指纹"},
"ssl": {"类别": "虚拟", "名称": "SSL证书", "验证方式": "证书指纹"},
"repo": {"类别": "虚拟", "名称": "代码仓库", "验证方式": "仓库URL/所有者"},
"game": {"类别": "虚拟", "名称": "游戏账号", "验证方式": "平台/ID"},
"nft": {"类别": "虚拟", "名称": "NFT/数字藏品", "验证方式": "合约地址/TokenID"},
# ── 身份资产 ──
"id_card": {"类别": "身份", "名称": "身份证", "验证方式": "仅存哈希·不存明文"},
"passport": {"类别": "身份", "名称": "护照", "验证方式": "仅存哈希·不存明文"},
"driver": {"类别": "身份", "名称": "驾照", "验证方式": "仅存哈希·不存明文"},
"military": {"类别": "身份", "名称": "退伍证", "验证方式": "仅存哈希·不存明文"},
}
# 资产类别颜色
类别色 = {"物理": "🔵", "虚拟": "🟣", "身份": "🔴"}
# ═══════════════════════════════════════════════════════════
# 核心数据结构
# ═══════════════════════════════════════════════════════════
@dataclass
class DNA资产条目:
"""单条资产登记"""
资产类型: str # 如 watch/patent/email
资产编号哈希: str # SHA256(资产编号) → 前16位
资产标签: List[str] # 用户自定义标签
登记时间: str # ISO 时间戳
登记干支: str # 农历干支
验证状态: str # 已验证/待验证/争议中
DNA码: str # 本条资产的独立DNA
备注哈希: str # SHA256(备注) 可选
def to_dict(self) -> dict:
return asdict(self)
@classmethod
def from_dict(cls, d: dict) -> "DNA资产条目":
return cls(**d)
@dataclass
class DNA登记册:
"""一个人的完整DNA登记册"""
UID: str
创建时间: str
更新时间: str
资产清单: Dict[str, List[DNA资产条目]] # key = 资产类型
主DNA哈希: str # Merkle根哈希·一世一双人的DNA
版本: int = 1
确认码: str = ""
GPG指纹: str = ""
def to_dict(self) -> dict:
d = asdict(self)
d["资产清单"] = {
k: [item.to_dict() for item in v]
for k, v in self.资产清单.items()
}
return d
@classmethod
def from_dict(cls, d: dict) -> "DNA登记册":
资产清单 = {}
for k, v in d.get("资产清单", {}).items():
资产清单[k] = [DNA资产条目.from_dict(item) for item in v]
d["资产清单"] = 资产清单
return cls(**{k: v for k, v in d.items() if k != "资产清单"})
# ═══════════════════════════════════════════════════════════
# 核心算法
# ═══════════════════════════════════════════════════════════
def 哈希资产编号(资产类型: str, 资产编号: str) -> str:
"""对资产编号做 SHA256 哈希,返回前 16 位。原始编号永不明文存储。"""
raw = f"{资产类型}:{资产编号}"
return hashlib.sha256(raw.encode()).hexdigest()[:16]
def 生成资产DNA(uid: str, 资产类型: str, 资产编号哈希: str, 时间戳: str) -> str:
"""为单条资产生成独立 DNA 码"""
raw = f"{uid}:{资产类型}:{资产编号哈希}:{时间戳}"
return hashlib.sha256(raw.encode()).hexdigest()[:12]
def 计算主DNA哈希(登记册: DNA登记册) -> str:
"""
Merkle 根哈希 · 一世一双人的 DNA
算法:
1. 收集所有资产条目的 DNA 码
2. 排序后拼接
3. SHA256 取前 16 位
4. 这就是这个人的「物理+虚拟」统一DNA
"""
all_dna = []
for 类型, 条目列表 in 登记册.资产清单.items():
for 条目 in 条目列表:
all_dna.append(条目.DNA码)
all_dna.sort()
merkle_input = "|".join(all_dna) + f"|{登记册.UID}"
return hashlib.sha256(merkle_input.encode()).hexdigest()[:16]
def 验证资产归属(uid: str, 资产类型: str, 资产编号: str, 登记册: DNA登记册) -> Tuple[bool, str]:
"""
验证一条资产是否属于某人
不需要看到原始编号,只要哈希对得上就行
"""
编号哈希 = 哈希资产编号(资产类型, 资产编号)
if 资产类型 not in 登记册.资产清单:
return False, f"资产类型 [{资产类型}] 未登记"
for 条目 in 登记册.资产清单[资产类型]:
if 条目.资产编号哈希 == 编号哈希:
return True, f"✅ 验证通过 · {资产类型表.get(资产类型, {}).get('名称', 资产类型)} 归属 {uid} · DNA: {条目.DNA码}"
return False, f"❌ 未找到匹配 · 此 {资产类型} 未在 {uid} 名下登记"
# ═══════════════════════════════════════════════════════════
# CRUD 操作
# ═══════════════════════════════════════════════════════════
def 加载登记册(uid: str) -> Optional[DNA登记册]:
"""从本地加载已存在的登记册"""
path = 注册表目录 / f"{uid}.json"
if not path.exists():
return None
with open(path, "r", encoding="utf-8") as f:
data = json.load(f)
return DNA登记册.from_dict(data)
def 保存登记册(登记册: DNA登记册):
"""保存登记册到本地(append-only 语义)"""
path = 注册表目录 / f"{登记册.UID}.json"
# 备份旧版本
if path.exists():
backup = 注册表目录 / f"{登记册.UID}.v{登记册.版本 - 1}.json"
path.rename(backup)
登记册.更新时间 = datetime.utcnow().isoformat() + "Z"
with open(path, "w", encoding="utf-8") as f:
json.dump(登记册.to_dict(), f, ensure_ascii=False, indent=2)
def 注册资产(uid: str, 资产类型: str, 资产编号: str, 标签: List[str] = None,
备注: str = "", 验证状态: str = "待验证") -> Tuple[bool, str, Optional[str]]:
"""
注册一条资产到某人的 DNA 登记册
返回: (成功, 消息, DNA码)
"""
if 资产类型 not in 资产类型表:
return False, f"未知资产类型: {资产类型}。可用类型: {', '.join(资产类型表.keys())}", None
登记册 = 加载登记册(uid)
if 登记册 is None:
登记册 = DNA登记册(
UID=uid,
创建时间=datetime.utcnow().isoformat() + "Z",
更新时间=datetime.utcnow().isoformat() + "Z",
资产清单={},
主DNA哈希="",
版本=1,
)
编号哈希 = 哈希资产编号(资产类型, 资产编号)
备注哈希 = hashlib.sha256(备注.encode()).hexdigest()[:16] if 备注 else ""
# 获取干支
try:
sys.path.insert(0, str(Path(__file__).parent.parent / "calendar-context-logger"))
from calendar_core import LunarEngine
g = LunarEngine().get_ganzhi()
干支 = f"{g['year_zhu']}·{g['month_zhu']}·{g['day_zhu']}·{g['hour_zhu']}"
except Exception:
干支 = datetime.utcnow().strftime("%Y-%m-%dT%H:%M:%S")
时间戳 = datetime.utcnow().isoformat() + "Z"
dna码 = 生成资产DNA(uid, 资产类型, 编号哈希, 时间戳)
# 去重检查
if 资产类型 in 登记册.资产清单:
for 条目 in 登记册.资产清单[资产类型]:
if 条目.资产编号哈希 == 编号哈希:
return False, f"此 {资产类型} 已登记 (DNA: {条目.DNA码})", None
条目 = DNA资产条目(
资产类型=资产类型,
资产编号哈希=编号哈希,
资产标签=标签 or [],
登记时间=时间戳,
登记干支=干支,
验证状态=验证状态,
DNA码=dna码,
备注哈希=备注哈希,
)
if 资产类型 not in 登记册.资产清单:
登记册.资产清单[资产类型] = []
登记册.资产清单[资产类型].append(条目)
登记册.版本 += 1
登记册.主DNA哈希 = 计算主DNA哈希(登记册)
保存登记册(登记册)
return True, f"✅ {资产类型表[资产类型]['名称']} 已注册", dna码
def 列出资产(uid: str) -> Tuple[bool, str]:
"""列出某人的完整资产清单"""
登记册 = 加载登记册(uid)
if 登记册 is None:
return False, f"UID [{uid}] 尚未建立DNA登记册"
总资产数 = sum(len(v) for v in 登记册.资产清单.values())
lines = [
"╔══════════════════════════════════════════════════════╗",
f"║ 🧬 龍魂统一DNA登记册 · {uid} ║",
"╠══════════════════════════════════════════════════════╣",
f"║ 主DNA哈希: {登记册.主DNA哈希} ║",
f"║ 总资产数: {总资产数} ║",
f"║ 版本: v{登记册.版本} ║",
"╠══════════════════════════════════════════════════════╣",
]
for 类别名 in ["物理", "虚拟", "身份"]:
类别资产 = [
(t, items) for t, items in 登记册.资产清单.items()
if 资产类型表.get(t, {}).get("类别") == 类别名
]
if not 类别资产:
continue
emoji = 类别色[类别名]
lines.append(f"║ {emoji} {类别名}资产 ║")
for 类型, 条目列表 in 类别资产:
名称 = 资产类型表[类型]["名称"]
for item in 条目列表:
标签 = " ".join([f"#{t}" for t in item.资产标签]) if item.资产标签 else ""
lines.append(f"║ [{名称}] · {item.资产编号哈希} · {item.验证状态} {标签}")
lines.append(f"║ DNA: {item.DNA码}")
lines.append("║ ║")
lines.append("╠══════════════════════════════════════════════════════╣")
lines.append("║ 🔒 本人可查 · 他人不可见 · 哈希可验证 · 不可篡改 ║")
lines.append("╚══════════════════════════════════════════════════════╝")
return True, "\n".join(lines)
def 获取主DNA(uid: str) -> Tuple[bool, str]:
"""获取某人的主DNA哈希(对外唯一标识)"""
登记册 = 加载登记册(uid)
if 登记册 is None:
return False, f"UID [{uid}] 尚未建立DNA登记册"
return True, 登记册.主DNA哈希
def 获取状态(uid: str) -> Tuple[bool, str]:
"""获取某人登记册状态摘要"""
登记册 = 加载登记册(uid)
if 登记册 is None:
return True, f"UID [{uid}] · 状态:未建立 · 需要 `register` 创建首条资产"
物理数 = sum(
len(v) for k, v in 登记册.资产清单.items()
if 资产类型表.get(k, {}).get("类别") == "物理"
)
虚拟数 = sum(
len(v) for k, v in 登记册.资产清单.items()
if 资产类型表.get(k, {}).get("类别") == "虚拟"
)
身份数 = sum(
len(v) for k, v in 登记册.资产清单.items()
if 资产类型表.get(k, {}).get("类别") == "身份"
)
总数 = 物理数 + 虚拟数 + 身份数
return True, (
f"🧬 UID [{uid}]\n"
f" 主DNA: {登记册.主DNA哈希 or '(尚无资产)'}\n"
f" 资产: 🔵物理{物理数}项 🟣虚拟{虚拟数}项 🔴身份{身份数}项 · 共{总数}项\n"
f" 版本: v{登记册.版本}\n"
f" 创建: {登记册.创建时间}\n"
f" 更新: {登记册.更新时间}"
)
# ═══════════════════════════════════════════════════════════
# CLI 入口
# ═══════════════════════════════════════════════════════════
if __name__ == "__main__":
if len(sys.argv) < 2:
print("🧬 龍魂统一DNA登记册 · 物理+虚拟全维身份锚定")
print()
print("用法:")
print(" python3 bin/lh_unified_dna_registry.py register <uid> <资产类型> <资产编号> [标签...]")
print(" python3 bin/lh_unified_dna_registry.py list <uid>")
print(" python3 bin/lh_unified_dna_registry.py verify <uid> <资产类型> <资产编号>")
print(" python3 bin/lh_unified_dna_registry.py master <uid>")
print(" python3 bin/lh_unified_dna_registry.py status <uid>")
print()
print("资产类型:")
for t, info in 资产类型表.items():
print(f" {类别色[info['类别']]} {t:<12} {info['名称']:<10} {info['验证方式']}")
print()
print("示例:")
print(' python3 bin/lh_unified_dna_registry.py register UID9622 watch "ROLEX-116610LN-2020" 機械 潛水')
print(' python3 bin/lh_unified_dna_registry.py register UID9622 patent "CN20241000001" AI算法')
print(' python3 bin/lh_unified_dna_registry.py register UID9622 email "uid9622@longhun.dev" 主邮箱')
print(' python3 bin/lh_unified_dna_registry.py verify UID9622 watch "ROLEX-116610LN-2020"')
print(' python3 bin/lh_unified_dna_registry.py master UID9622')
sys.exit(0)
cmd = sys.argv[1]
if cmd == "register" and len(sys.argv) >= 5:
uid = sys.argv[2]
资产类型 = sys.argv[3]
资产编号 = sys.argv[4]
标签 = sys.argv[5:] if len(sys.argv) > 5 else []
ok, msg, dna = 注册资产(uid, 资产类型, 资产编号, 标签)
print(msg)
if dna:
print(f" DNA: {dna}")
# 刷新主DNA
ok2, master = 获取主DNA(uid)
if ok2:
print(f" 主DNA: {master}")
elif cmd == "list" and len(sys.argv) >= 3:
uid = sys.argv[2]
ok, msg = 列出资产(uid)
print(msg)
elif cmd == "verify" and len(sys.argv) >= 5:
uid = sys.argv[2]
资产类型 = sys.argv[3]
资产编号 = sys.argv[4]
登记册 = 加载登记册(uid)
if 登记册 is None:
print(f"UID [{uid}] 尚未建立DNA登记册")
sys.exit(1)
ok, msg = 验证资产归属(uid, 资产类型, 资产编号, 登记册)
print(msg)
sys.exit(0 if ok else 1)
elif cmd == "master" and len(sys.argv) >= 3:
uid = sys.argv[2]
ok, msg = 获取主DNA(uid)
print(msg)
elif cmd == "status" and len(sys.argv) >= 3:
uid = sys.argv[2]
ok, msg = 获取状态(uid)
print(msg)
elif cmd == "types":
print("可用资产类型:")
for t, info in 资产类型表.items():
print(f" {类别色[info['类别']]} {t:<12} {info['名称']:<10} → {info['验证方式']}")
else:
print(f"未知命令: {cmd}")
相关推荐
Win10家庭版如何添加本地用户和组
在众多Windows版本中,Windows 10以其丰富的功能和卓越的性能吸引了大量用户。然而,对于使用Win10家庭版的用户来说,他们可能会遇到一些功能上的限制,特别是在用户和组管理方面。虽然家庭版在某些高级功能上有所缩减,但我们仍然可以通过一些技巧来实现对本地用户和组的管理。本文将详细介绍如何在Win10家庭版中添加本地用户和组,以便用户能够更好地管理计算机资源。
RNNoise-SpeexDSP-WebRTC使用说明
本文介绍RNNoise、SpeexDSP与WebRTC音频处理库的下载、调用及参数配置方法,适用于Android语音工程集成。RNNoise基于深度学习,适合非稳态噪声降噪,需48kHz输入;SpeexDSP支持多采样率与回声消除,适用于全双工场景;WebRTC提供轻量级窄带处理。三者可串联使用:麦克风信号先经前级降噪(RNNoise或SpeexDSP),再进入WebRTC媒体引擎进行编码。重点说明各库的典型应用场景、接口调用方式、关键参数调节策略及采样率转换注意事项,帮助开发者高效集成与优化语音处理链路。
Perplexity SPACE沙箱平台:安全AI开发环境实战解析
沙箱技术通过资源隔离和权限控制创建受限执行环境,其核心原理是容器化隔离机制。在AI开发领域,这种技术解决了环境配置复杂性和安全风险等关键问题。SPACE沙箱平台作为AI代码执行环境,提供了标准化的开发沙箱,支持Python生态和主流AI框架。通过实战案例展示,该平台特别适用于情感分析等NLP任务的快速原型验证,帮助开发者在安全隔离的环境中测试AI模型和算法,显著提升开发效率并降低系统风险。
Transformer 为什么能取代 RNN?从自注意力讲起
2017 年谷歌在《Attention Is All You Need》中提出 Transformer,核心是。它如今是 GPT、BERT、ChatGPT 的共同底座。
为什么你的SSE连接总断?深入对比EventSource与fetch-event-source的5大差异点
本文深入对比了原生EventSource与@microsoft/fetch-event-source库在SSE连接稳定性上的五大关键差异。重点剖析了后者在请求能力、连接控制、错误处理、数据解析及性能优化方面的优势,特别是其支持POST请求、自定义Header、精细化的重连策略与生命周期管理,为解决生产环境中SSE连接频繁断开的问题提供了专业方案。
Altium Designer20-柔性PCB绘制技巧
Altium Designer2020-柔性PCB绘制技巧 注:教程所用PCB随意找的,并没有完全绘制完,大家学习PCB折弯方法即可。 1.打开PCB,点击视图->板子规划模式1,如下图所示 2.点击设计->定义分割线,用两条分割线绘出要折弯的区域 3.点击设计->定义弯曲线(弯曲线呈现黄色) 4.用快捷键d,k进入layer manage stack(层叠管理器),在f...
基于深度学习的商品评论情感分析系统-毕业设计
面向商品评论的中文情感分析系统,支持单条预测、批量分析、情感分布与关键词、报告导出。TextCNN、BiLSTM、Transformer 在同一词表、同一数据切分、同一种子与超参下公平对比,测试集 F1 分别为 0.9101、0.9089、0.9075。结论是这一规模下模型复杂度未带来收益,但误差结构不同。附技术栈、截图、文档预览与演示视频。
电子凸轮追剪算法深度解析:2500字图解+代码实战
工艺需求:在物料连续运动过程中完成精准切割核心矛盾:切割瞬间刀具与物料必须绝对同步传统方案:机械凸轮(结构复杂,调整困难)现代方案:电子凸轮(柔性可调,精度更高)
【原创深度学习项目】基于深度学习的建筑工地防护装备检测系统|安全帽与反光衣检测系统(RT-DETR-L 模型)
本文设计并实现了一套基于RT-DETR-L的建筑工地防护装备检测系统,采用Django+Vue前后端架构,实现对安全帽、反光背心等7类装备及“无PPE”“未戴安全帽”等缺失状态的精准识别。系统支持图片、视频、摄像头实时检测,具备参数可调、数据可视化与统计分析功能,有效解决小目标漏检、误检及管理难问题,助力智慧工地安全管理落地。文末可获取源码。
季节性注意力的时间序列预测模型 SAITS 进行数据补齐 完整代码数据
季节性注意力的时间序列预测模型 SAITS 进行数据补齐 完整代码数据
QML从入门到实战 - 完整学习路线
想入门 QML 开发?来 “从零开始学 QML” 专栏,海量源码 + 实战案例 + 大型项目拆解,手把手教你搞定跨平台 UI 设计,小白也能轻松掌握!
图解循环神经网络(RNN)
RNN(循环神经网络)就是“带记忆的网络”:让网络拥有一块“记忆”,在处理当前数据时,能同时参考之前看过的内容;它不一次性看完全部输入,而是像人读书一样,一个字一个字地读,每读一个字就更新一次脑子里的记忆,然后用这份记忆去理解当前这个字。但便签一直在被改写,新信息不断挤占旧信息,传到第 40 步时,“巴黎”的痕迹已经淡得几乎没了。读到“贵”的时候,网络并没有重新去查“好看”这个词——但“好看”的影响已经融在了便签里(那个 1.5)。这三个困难的共同点:答案不在当前这一个字里,而在“前面那串东西”里。
YOLO26改进策略【卷积层】| HWD,引入`Haar小波变换`到下采样模块中,减少信息丢失
本文记录的是。传统的卷积神经网络中常用的最大池化平均池化和步长为2的卷积等操作进行下采样可能会导致信息丢失,为了解决信息丢失问题,HWD作者受无损信息变换方法的启发,引入Haar小波变换到下采样模块中,
神经网络入门指南:从 CNN、RNN 到 Attention
神经网络的学习,本质是“预测—比较—纠错”的循环;CNN 通过局部连接与权重共享理解图像;RNN 通过隐藏状态传递上下文;LSTM 和 GRU 用门控机制管理记忆;Encoder–Decoder 把理解与生成拆成两个阶段;Attention 则让模型在每一步都能主动寻找最相关的信息。到这里,我们已经走完了从普通神经网络到 Attention 的完整路线。下一篇将正式进入 Transformer,看看它如何摆脱 RNN 的顺序计算,又如何让每个 Token 直接找到与自己相关的信息。
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
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
AI 学习第 15 课:变长序列不 pack 直接喂 RNN,隐状态全被 0 污染
NLP 的 batch 里句子长短不一,短句垫 0 补齐后直接喂 RNN,看似能跑,实际上每个 0 垫步都在更新隐状态——短序列的最后一步输出根本不是它真实句子的结果。这一课用 torch 2.15(
C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正
CNN 卷积神经网络深度解析:卷积、池化与特征提取的底层原理
卷积核(Kernel),也叫滤波器(Filter),本质上是一个可以训练的权重矩阵。1 0 -11 0 -11 0 -1这个卷积核可以对图像中的局部像素进行加权计算。不同的卷积核能够提取不同类型的特征:水平边缘特征垂直边缘特征纹理特征角点特征局部形状特征在传统图像处理中,滤波器通常由人工设计。而在 CNN 中,卷积核的权重通过训练数据和反向传播自动学习得到。这也是 CNN 能够自动提取图像特征的关键。# 第一层卷积padding=1# 第二层卷积padding=1。
迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)
迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)
图解常用深度学习优化器
来隐式构造 Hessian 逆的近似,从而直接估计出“谷底在哪”,而非仅仅判断“哪边最陡”。即SGD/Adam 主要看“当前坡度”,LBFGS 还会看“最近几步坡度怎么变”,像用局部地形图来规划路线。训练 Transformer 时,有些层梯度大,有些层梯度小。如果用 Adam + L2,梯度大的参数反而可能被“少衰减”,正则效果不稳定;:你要下山,但每次迈步前都要派侦察兵把整座山的每一个坡面都测量一遍,算出“绝对最陡”的方向才走一步。:还是下山,但这次你只问身边一个路人“哪边最陡”,然后就走。
【无标题】无人机视角道路坑洞坑洼目标检测数据集深度学习 目标检测 无人机航拍 道路坑洞 路面病害 YOLO格式 数据集发布9032期
(一)类别构成该数据集聚焦单一类别——坑洞(类别 ID 为 0),任务指向明确,围绕无人机俯视视角下的道路坑洞目标开展检测标注。类别体系精简,与公路路面病害巡检的实际需求高度契合,图像中的坑洞样本可直接作为路面破损识别的核心正样本,便于对接道路养护排查流程。(二)数据数量数据集规模为 3285 张无人机俯视航拍图像,采用标准 YOLO txt 标注格式,标注框总计 4457 个,其中带有效标注的图片 2007 张,全部图片均带有有效标注。
第 05/24 期:计算图与自动微分:深度学习如何计算梯度
本文系统阐述了神经网络训练中梯度计算的本质:损失对参数的敏感性。通过构建计算图,将复杂函数分解为基本运算,利用链式法则实现反向传播。核心在于反向模式自动微分——以一次前向计算为基础,通过传播输出对中间变量的敏感性,高效求得所有参数梯度。相比前向模式,反向模式在参数多、目标为标量的场景下更高效。计算图不仅适用于神经网络,也广泛适用于任意可微程序。关键思想是:梯度是局部导数与上游敏感性的乘积,分支路径的贡献需累加,从而保证导数计算的正确性与效率。
基于深度学习的猫图像目标检测方法研究:YOLOv8s模型海选、多种子对比训练与Django+ONNX部署实现详解
本课题基于深度学习研究猫图像目标检测问题。数据集含1000张猫图像、1188个标注框,按固定比例划分并冻结清单;训练前在多个候选族中短训海选,确定YOLOv8s为主模型,经学习率搜索与显存标定后完成150轮训练,验证集mAP50达到0.92,并以7个随机种子的对比实验验证稳定性。最优权重导出为ONNX接入Django系统,提供图片、视频、摄像头三种识别方式,配套识别记录管理与统计大屏,形成从训练到应用的完整闭环。
【深度学习项目实战·30】PM2.5短期预测:用LSTM构造没有未来信息的滑动窗口
本文基于北京PM2.5数据,使用LSTM实现从最近24小时历史观测预测下一小时PM2.5。重点解决时间切分、因果填补、滑动窗口构建与标准化等关键问题,确保模型仅依赖过去信息,避免未来泄漏。通过滚动单步预测与持续性基线对比,评估在原始单位下的MAE/RMSE,验证模型有效性。强调时间顺序与数据完整性,为时序预测提供可复现的实践框架。
深度学习 目标检测 无人机巡检 防震锤 电力设备 YOLO格式 数据集发布
深度学习 目标检测 无人机巡检 防震锤 电力设备 YOLO格式 数据集发布 9038期
无人机巡检道路路面异常检测数据集 深度学习 目标检测 无人机巡检 道路病害 路面异常 YOLO格式 数据集发布9028期
无人机巡检道路路面异常检测数据集 深度学习 目标检测 无人机巡检 道路病害 路面异常 YOLO格式 数据集发布9028期
AI 学习第 14 课:CNN 训 6 轮卡在 0.5352,数据没打乱
第 13 课把 Conv2d 的参数量和池化后的尺寸算清了,这课把卷积块拼成一个能训练的完整网络,跑满 6 个 epoch。第一版直接卡死:loss 从 2.6104 掉到 0.6989 就再也不动,
深度学习基本原理:从数学基础到神经网络训练
深度学习训练的核心,是先确定模型结构,再通过前向计算得到损失,利用链式法则和反向传播计算梯度,最后借助优化器与学习率不断更新参数。真正理解这条链路,后续学习更复杂的网络结构才有可靠的基础。
计算机毕业设计选题推荐:【基于深度学习的车辆损坏严重程度评估方法研究】ResNet50 图像分类
系统用 ResNet50 完成轻微、中度、严重三档分类,输出类别、置信度和单次耗时;视频按每秒一帧抽帧识别,历史区同步出图,没识别出来的帧也保留原图;识别记录可检索、看详情和删除,大屏按类别、时段和任务类型做统计。训练采用迁移学习,部署走 ONNX,推理前加纯色和域外两道拒识,尽量避免把非车损画面硬判成某一类。
4558



被折叠的 条评论
为什么被折叠?



