第一天没有带DC,惨……谁叫我是穷人自己没有钱买呢。不过就算第一天带了也没有时间去拍照——作品差点都没有演示出来,还好最后峰回路转居然靠老天爷帮忙给弄出来了,第二天心情大好,找同学借了DC准备好好地拍了一下,可惜已经临近尾声,很多展位都没有拍到,比如交大的那个用3mm大小的微型电机做出来的厘米级的蓝牙遥控机器人,遗憾。
总体来说这次比赛收获不小,之前我想我们的这个作品如果能顺利演示一定能拿到一等奖,因为乍一听到我们的作品名称的人都会觉得非常有技术含量和看点(我们的课题是“基于眼电的脑机界面”,就是用眼球的转动来控制鼠标移动,生科那边提供的资料),不过看过其他学校的展品后才知道这个想法实在太幼稚了,比如我上面说的交大学生提交的作品,还有邦德学院弄的一个自动仓库模型,很赞,大小有一立方米,骨架都是自己搭建的,机械传动部件和控制电路也是自己设计出来的,演示指令放在RFID卡里,照一下就自动演示,周立功对这个作品也是赞不绝口。我这个搞软件的看到这么复杂的电路当时就晕菜了,看来搞嵌入式不懂硬件还是不行的,电工系的同学在这方面就很占优势。记得我从神游离职的时候,陈sir就对我说过,从软件转去搞硬件难度非常大,反之则容易得多,象他自己本科念得就是物理。
其实现在对于该怎么走,我也是很迷惑,现在软硬件都结合得很紧密,写嵌入式的软件的话当然要懂得硬件的知识,但是具体要懂多少、要不要达到能进行电路设计的程度?心中还是没有一个明确的答案。毕业以后真的就决定改行去搞硬件,搞电路设计?实验室今年毕业的几个博士硕士,一半去了M$,一半去了Intel,他们在公司都不是做和硬件结合紧密的嵌入式,象一个去了微软亚洲工程院的MA,现在做的居然是.Net的开发。去Intel的不是在写编译器就是在写Intel主推的下一代BIOS标准。sigh,前途迷茫阿……
相关推荐
别再只懂ToTensor了!PyTorch Transforms实战:从图片加载到TensorBoard可视化一条龙
本文深入探讨PyTorch Transforms在图像预处理中的实战应用,从基础ToTensor操作到完整的预处理流水线设计,涵盖图片加载、尺寸调整、归一化及TensorBoard可视化等关键步骤。通过解析常见错误和优化技巧,帮助开发者提升深度学习模型的训练效果和可视化调试效率。
别再只盯着Loss曲线了!用Tensorboard直方图诊断你的PyTorch模型训练瓶颈
本文探讨了如何利用Tensorboard直方图工具诊断PyTorch模型训练中的瓶颈问题,超越传统的Loss曲线分析。通过权重与梯度的分布变化,精准定位梯度消失、参数饱和等深层问题,提升模型调试效率。文章结合实战案例,展示了直方图在梯度监控、权重评估、激活值分析和优化器状态检查中的四大核心应用场景。
从TensorBoard到精美图表:Python数据导出与科研级重绘实战
本文详细介绍了如何从TensorBoard导出曲线数据,并通过Python进行数据清洗与科研级图表重绘。文章涵盖TensorBoard数据导出流程、pandas数据清洗技巧以及使用matplotlib绘制符合学术规范的图表,帮助研究人员高效准备论文图表。
别再只盯着Loss曲线了!用Tensorboard直方图帮你诊断PyTorch模型训练中的梯度消失/爆炸
本文探讨了如何利用Tensorboard直方图功能诊断PyTorch模型训练中的梯度消失和爆炸问题。通过分析梯度分布特征,结合实战案例和高级分析技巧,帮助开发者更精准地识别和解决模型训练中的隐性问题,提升训练效率和模型性能。
Unity ML-Agents入门实战:从零搭建强化学习训练环境与AI智能体
强化学习作为机器学习的重要分支,通过智能体与环境的交互试错来学习最优策略,其核心原理基于奖励机制与价值函数优化。在游戏开发与AI研究领域,这一技术能创造出更自适应、更富挑战性的非玩家角色(NPC)行为。Unity ML-Agents工具包将强大的Unity实时3D引擎与PyTorch等主流机器学习框架连接,为开发者提供了一个高效的虚拟训练场。它解决了传统基于规则的状态机行为僵硬、难以维护的问题,通过环境配置、智能体脚本编写与训练流程整合,让AI能够自主学会移动、决策等复杂技能。本文以经典的RollerBal
TensorBoard可视化进阶:一个命令同时对比YOLOv6的多个训练实验(附logdir路径设置避坑指南)
本文详细介绍了如何利用TensorBoard的进阶功能,通过一个命令同时对比YOLOv6的多个训练实验,包括logdir路径设置技巧、远程服务器操作指南以及曲线对比的黄金法则。特别针对Linux环境下使用Xshell进行端口转发的配置方法,帮助开发者高效管理多实验可视化分析。
TensorFlow入门实战:从计算图到模型部署的完整学习路径
深度学习框架的选择常让初学者陷入纠结,真正核心的是理解计算图、自动微分与反向传播等底层原理。TensorFlow 作为工业级深度学习工具,凭借 Keras 高层 API、tf.data 数据管线以及 TFLite/Serving 部署生态,覆盖了从研究实验到工程落地的完整链路。本文从张量与动态图的基础概念切入,解析梯度传播的内在机制,并给出 Ubuntu/Windows 环境配置、图像分类模型构建、自定义训练循环及模型保存部署的具体代码示例。无论是准备课程作业还是论文复现,掌握这套知识体系都能帮助你快速建立
神经网络概念解码:从黑箱到可理解、可调试、可迁移的AI建模能力
神经网络不是数学公式的堆砌,而是物理硬件、人类认知与演化逻辑共同塑造的复杂系统。理解其本质需超越反向传播推导和API调用,深入信号在GPU中的真实流动、大脑对注意力的天然建模机制,以及Dropout、BatchNorm等技术在历史演进中的真实动因。这种‘概念优先’的思维范式,将激活函数、损失函数、优化器转化为可测量(如梯度稳定性窗口、业务风险映射、有效学习率)、可验证(梯度流完整性测试、概念漂移监测)、可操作(概念切片调试工作流)的工程要素。它面向已具备代码实践但遭遇建模瓶颈的工程师,目标是构建一套扎根于硬
PowerBI散点图实战:从基础到进阶,教你玩转数据可视化(附完整案例)
本文深入解析PowerBI中散点图、气泡图与点阵图的核心差异与应用场景,通过产品绩效四象限分析和价格分布密度两个完整实战案例,手把手教你从基础度量值构建到高级动态播放轴功能的完整操作流程,助你掌握这一强大的数据可视化工具,深度挖掘数据关联与业务洞察。
深度学习训练过程可视化:从监控到洞察的实用工具指南
本文详细介绍了深度学习训练过程可视化的实用工具和方法,帮助开发者从基础监控到进阶洞察全面掌握模型训练状态。通过TensorBoard、Weights & Biases等工具的应用示例,展示了如何实时监控损失曲线、学习率动态及权重分布,快速定位过拟合、梯度消失等问题,提升模型调试效率。
基于Unity ML-Agents与MA-POCA的多智能体足球强化学习实战
多智能体强化学习(MARL)是人工智能领域的重要分支,它研究多个智能体在共享环境中通过交互学习协作或竞争策略。其核心原理在于每个智能体基于局部观测做出决策,并通过奖励信号不断优化行为,以最大化团队或个体长期收益。这一技术对于解决现实世界中的分布式决策问题具有重要价值,尤其在需要复杂协同的场景中。在游戏AI、机器人协作、自动驾驶车队调度等应用场景中,MARL能够训练智能体自主演化出高效的协同策略。本文聚焦于使用Unity ML-Agents工具包和MA-POCA算法,实战训练AI智能体在模拟足球环境中学会团队
12个Chrome插件:机器学习工程师的浏览器效率中枢
浏览器是数据科学家和机器学习工程师的核心工作界面,承载着文档查阅、API调试、代码复现、模型分析等关键任务。其本质是轻量级、上下文感知的前端交互环境,依赖HTML/JSON解析、DOM操作、跨域通信等Web基础能力。技术价值在于将重复性信息处理动作内聚于当前页面,消除终端切换与上下文丢失,显著降低认知负荷。典型应用场景包括PyTorch/TensorFlow文档源码跳转、Hugging Face API响应可视化、Kaggle notebook一键GitHub同步、TensorBoard多窗口空间管理等。本
基于ViZDoom与强化学习的游戏AI智能体实战开发指南
AI智能体(Agent)作为能够感知环境、自主决策并执行动作的程序实体,其核心原理在于通过与环境交互来学习最优策略。在强化学习框架中,智能体通过最大化累积奖励来优化决策,这一技术价值在于能够应对复杂动态环境,实现超越预设规则的适应性行为。在游戏开发、机器人控制、自动化测试等应用场景中,智能体技术正发挥着越来越重要的作用。本文以经典游戏《毁灭战士》为实验环境,结合ViZDoom平台与PyTorch框架,详细讲解如何构建一个能够进行实时决策与对抗的AI智能体,其中涉及环境搭建、状态感知、奖励函数设计以及规则与学
元学习时间序列预测:小样本快速适配新任务
时间序列预测面临多源异构、小样本冷启动和模型泛化弱等共性挑战。元学习(Meta-Learning)通过在大量历史任务上学习‘如何学习’,使模型获得跨任务快速适应能力——仅需3~5个新数据点即可完成精准预测。其核心原理是优化一组通用初始化参数(meta-parameters),支持在新任务上通过极少量梯度更新(如MAML的inner-loop fine-tuning)实现高性能。该技术显著降低部署成本、提升IoT设备预测性维护、金融信号生成与多源业务指标监控等场景的工程落地效率。DeepTime作为面向时序的
基于街景与生成式AI的3D场景重建:从NeRF到Project Genie实践
计算机视觉中的3D重建技术旨在从二维图像恢复三维场景的几何与外观信息,其核心原理是通过多视图几何或深度学习模型理解空间结构。神经辐射场(NeRF)作为隐式神经表示的代表,通过神经网络将场景编码为连续函数,实现了高质量的新视角合成,为动态、逼真的数字孪生构建提供了技术基础。该技术的工程价值在于大幅降低了高保真虚拟环境的生产成本,在自动驾驶仿真、数字孪生城市、元宇宙内容生成等领域具有广泛应用。本文聚焦于如何利用街景数据与生成式AI,结合NeRF和扩散模型,实现可控的3D场景编辑与扩展,为构建智能化的地理空间模拟
YOLOv8训练避坑指南:default.yaml配置常见问题与解决方案
本文深入解析YOLOv8训练中default.yaml配置文件的核心作用与常见陷阱。针对路径配置、超参数调优、图像尺寸与批量大小设置等关键环节,提供了详细的避坑指南和解决方案,帮助开发者高效配置,避免因参数误解或配置错误导致的训练失败与资源浪费。
机器学习可视化六大核心图表与实战指南
机器学习可视化是连接数学模型与业务决策的关键桥梁,其本质是将抽象的算法逻辑转化为可感知、可验证、可沟通的图形表达。从线性回归系数图到神经网络Grad-CAM热力图,每类图表对应特定建模阶段的核心验证目标:结构图揭示模型架构,特征重要性图锚定业务焦点,残差图诊断假设偏差,SHAP/LIME图实现个体级归因解释。这些技术不仅支撑模型调试与可信部署,更直接服务于监管合规、跨团队协同与AI产品落地。掌握这六类基础可视化,是构建可解释、可维护、可交付机器学习系统的工程底线。
局域网内用平板+本地服务器搭建AI开发环境
AI开发不再依赖云端或高性能笔记本,而是回归本地算力与轻量交互的协同范式。其核心原理是将计算层(GPU服务器)与交互层(平板浏览器)物理分离,通过局域网实现低延迟、高安全的数据闭环。这种架构显著提升数据主权保障能力,规避公网暴露与第三方依赖风险,同时兼顾工程可控性与使用灵活性。典型应用场景包括私有AI实验室搭建、算法工程师移动调试、学生低成本深度学习实践等。本文聚焦‘本地服务器+平板浏览器’这一轻量化、零云依赖的AI开发模式,深入解析Jupyter Lab定制部署、四层安全加固及触控交互优化等关键技术。
382



被折叠的 条评论
为什么被折叠?



