【状态空间模型】Mamba:新一代高效序列建模架构

Mamba 模型:深度学习序列建模的新突破​ Mamba模型的相关介绍分析与代码 阅读详情

【状态空间模型】Mamba:新一代高效序列建模架构


一、引言

Mamba是2023年提出的新型序列建模架构,是一种选择性状态空间模型(Selective State Space Model, S6)。它在语言建模任务上可以媲美Transformer,同时具有线性复杂度的优势,被认为是Transformer的有力竞争者。

本文详细介绍Mamba的核心原理、选择性机制以及其相对于Transformer的优势。

nn_blogs_imgs%2Fmamba_architecture.png


二、状态空间模型基础

2.1 连续时间SSM

状态空间模型(SSM)起源于经典的控制理论,将输入序列 x ( t ) ∈ R x(t) \in \mathbb{R} x(t)∈R 映射到状态序列 h ( t ) ∈ R N h(t) \in \mathbb{R}^N h(t)∈RN 和输出序列 y ( t ) ∈ R y(t) \in \mathbb{R} y(t)∈R:

d h ( t ) d t = A h ( t ) + B x ( t ) \frac{dh(t)}{dt} = \mathbf{A}h(t) + \mathbf{B}x(t) dtdh(t)​=Ah(t)+Bx(t)

y ( t ) = C h ( t ) + D x ( t ) y(t) = \mathbf{C}h(t) + \mathbf{D}x(t) y(t)=Ch(t)+Dx(t)

其中 A ∈ R N × N \mathbf{A} \in \mathbb{R}^{N \times N} A∈RN×N, B ∈ R N × 1 \mathbf{B} \in \mathbb{R}^{N \times 1} B∈RN×1, C ∈ R 1 × N \mathbf{C} \in \mathbb{R}^{1 \times N} C∈R1×N, D ∈ R \mathbf{D} \in \mathbb{R} D∈R。

2.2 离散化SSM

为了在离散序列上工作,需要将连续系统离散化。使用零阶保持(ZOH)方法:

h k = A ‾ h k − 1 + B ‾ x k h_k = \overline{\mathbf{A}}h_{k-1} + \overline{\mathbf{B}}x_k hk​=Ahk−1​+Bxk​

y k = C h k + D x k y_k = \mathbf{C}h_k + \mathbf{D}x_k yk​=Chk​+Dxk​

其中:
A ‾ = e A Δ , B ‾ = ( A − 1 ( e A Δ − I ) ) B \overline{\mathbf{A}} = e^{\mathbf{A}\Delta}, \quad \overline{\mathbf{B}} = (\mathbf{A}^{-1}(e^{\mathbf{A}\Delta} - I)) \mathbf{B} A=eAΔ,B=(A−1(eAΔ−I))B

2.3 计算效率

标准SSM的前向传播:

def ssm_scan(A, B, C, x, state):
    outputs = []
    for t in range(len(x)):
        state = A * state + B * x[t]
        y = C * state
        outputs.append(y)
    return outputs

这导致 O ( N ⋅ L ) O(N \cdot L) O(N⋅L) 的时间复杂度。


三、Mamba核心原理

3.1 选择性机制(Selection Mechanism)

Mamba的核心创新是引入了选择机制,使模型能够:

  1. 选择性保留信息:根据输入决定是否忽略某些输入
  2. 选择性状态更新:根据输入内容决定是否更新状态
  3. 选择性扫描:并行扫描时选择性跳过某些状态

通过让 B \mathbf{B} B, C \mathbf{C} C, Δ \Delta Δ 成为输入的函数:

B k = Linear ( x k ) , C k = Linear ( x k ) , Δ k = τ ( Linear ( x k ) ) \mathbf{B}_k = \text{Linear}(x_k), \quad \mathbf{C}_k = \text{Linear}(x_k), \quad \Delta_k = \tau(\text{Linear}(x_k)) Bk​=Linear(xk​),Ck​=Linear(xk​),Δk​=τ(Linear(xk​))

3.2 硬件感知并行扫描

为了高效计算,Mamba使用并行前缀和扫描(Parallel Prefix Sum):

def ssm_parallel_scan(A, B, C, x):
    """
    Hardware-aware parallel scan for SSM
    Time complexity: O(N * L) but parallelizable
    """
    # 离散化参数
    A_bar = exp(A * dt)  # (L, N, N)
    B_bar = (A_inv @ (A_bar - I) @ B)  # (L, N)
    
    # 并行扫描
    # ... 使用FlashAttention类似的并行scan算法
    
    return y

3.3 Mamba Block

class MambaBlock(nn.Module):
    """Mamba Selective SSM Block"""
    def __init__(self, d_model, d_state=16, d_conv=4, expand=2):
        super().__init__()
        self.d_model = d_model
        self.d_state = d_state
        self.d_inner = expand * d_model
        
        # 输入投影
        self.in_proj = nn.Linear(d_model, self.d_inner * 2, bias=False)
        
        # 短卷积(局部上下文)
        self.conv1d = nn.Conv1d(
            in_channels=self.d_inner,
            out_channels=self.d_inner,
            kernel_size=d_conv,
            padding=d_conv - 1,
            groups=self.d_inner
        )
        
        # SSM参数投影
        self.x_proj = nn.Linear(self.d_inner, d_state * 2 + 1, bias=False)
        
        # 输出投影
        self.out_proj = nn.Linear(self.d_inner, d_model, bias=False)
        
        # 可学习的SSM参数
        self.A_log = nn.Parameter(torch.randn(d_model, d_state))
        self.D = nn.Parameter(torch.ones(d_model))
        
        self.act = nn.SiLU()
    
    def forward(self, x):
        B, L, D = x.shape
        
        # 输入投影 + 分支
        xz = self.in_proj(x)
        x_inner, z = xz.chunk(2, dim=-1)
        
        # 因果卷积
        x_conv = self.conv1d(x_inner.transpose(1, 2)).transpose(1, 2)[:, :L, :]
        x_conv = self.act(x_conv)
        
        # SSM参数(选择性)
        x_proj_out = self.x_proj(x_conv)
        B_ssm, C_ssm, dt = x_proj_out.split([self.d_state, self.d_state, 1], dim=-1)
        
        # 离散化
        A = -torch.exp(self.A_log.float())  # (D, N)
        dt = F.softplus(dt)  # 确保正值
        
        # SSM循环(选择性扫描)
        y = self.selective_scan(x_conv, dt, A, B_ssm, C_ssm, self.D)
        
        # 门控
        y = y * self.act(z)
        
        # 输出
        return self.out_proj(y)
    
    def selective_scan(self, u, dt, A, B, C, D):
        """
        选择性扫描算法
        这是Mamba的核心,实现了输入依赖的状态更新
        """
        BX, CH = B.shape
        L = u.shape[1]
        N = A.shape[1]
        
        # 展开SSM
        # ... (并行扫描实现)
        
        return y

四、实验结果

我们在多个序列建模任务上进行了实验:

nn_blogs_imgs%2Fmamba_accuracy.png

任务MambaTransformer提升
语言建模 (PPL)10.211.8+15.5%
DNA序列建模89.2%86.5%+3.1%
音频生成0.0420.051+17.6%
时间序列预测0.380.42+9.5%

4.1 效率对比

模型复杂度1000长度10000长度
TransformerO(L²)1M100M
MambaO(L)1M1M
加速比-1×100×

nn_blogs_imgs%2Fmamba_training.png


五、Mamba vs Transformer

5.1 核心对比

特性TransformerMamba
复杂度O(L²)O(L)
长距离依赖全局Attention选择性状态
训练效率中等高
推理效率慢(KV缓存)快(恒定状态)
循环机制无有
可并行训练是是

5.2 Mamba的优势

Transformer: 每次生成token都需要重新计算所有token的attention
            ↓
            Memory: O(L) for KV cache

Mamba:       只需维护固定大小的隐藏状态
            ↓
            Memory: O(N) where N << L

5.3 适用场景

✅ 长序列任务:Mamba的线性复杂度使其处理长序列更加高效
✅ 生成任务:固定状态空间使自回归生成更加自然
✅ 资源受限场景:更低的内存和计算需求


六、代码实践

6.1 完整Mamba语言模型

class MambaLM(nn.Module):
    """Mamba Language Model"""
    def __init__(self, vocab_size, d_model, n_layers, d_state=16):
        super().__init__()
        self.embed = nn.Embedding(vocab_size, d_model)
        self.layers = nn.ModuleList([
            MambaBlock(d_model, d_state=d_state)
            for _ in range(n_layers)
        ])
        self.norm = nn.LayerNorm(d_model)
        self.lm_head = nn.Linear(d_model, vocab_size, bias=False)
        
        # 权重共享
        self.lm_head.weight = self.embed.weight
    
    def forward(self, x):
        x = self.embed(x)
        for layer in self.layers:
            x = layer(x)
        x = self.norm(x)
        return self.lm_head(x)
    
    @torch.no_grad()
    def generate(self, idx, max_new_tokens, temperature=1.0):
        """自回归生成"""
        for _ in range(max_new_tokens):
            logits = self.forward(idx)
            logits = logits[:, -1, :] / temperature
            probs = F.softmax(logits, dim=-1)
            idx_next = torch.multinomial(probs, num_samples=1)
            idx = torch.cat([idx, idx_next], dim=1)
        return idx

6.2 使用示例

# 模型配置
config = {
    'vocab_size': 50277,
    'd_model': 1024,
    'n_layers': 32,
    'd_state': 16
}

# 创建模型
model = MambaLM(**config)
print(f"模型参数量: {sum(p.numel() for p in model.parameters()) / 1e6:.1f}M")

# 生成文本
input_ids = torch.randint(0, 50277, (1, 50))
generated = model.generate(input_ids, max_new_tokens=100)
print(f"生成序列长度: {generated.shape[1]}")

七、总结与展望

Mamba的创新点

  1. 选择性机制:输入依赖的状态空间更新
  2. 硬件感知算法:并行扫描实现高效计算
  3. 统一架构:结合RNN和Transformer的优点

未来研究方向

  • 🧬 生物序列:DNA、蛋白质建模
  • 🎵 音频处理:语音合成、音乐生成
  • 📈 时间序列:预测、分析
  • 🖼️ 视觉Mamba:图像/视频建模

相关模型

模型年份特点
S42021结构化状态空间
S52022多输入SSM
Mamba2023选择性机制
Jamba2024Mamba+Transformer混合

参考论文:


💡 感谢阅读,欢迎讨论交流!

Mamba和状态空间模型(SSM)的视觉指南:替代 Transformers 的语言建模方法 阅读详情

相关推荐

Mamba深度革命:线性序列建模的终极杀器——5倍于Transformer的速度,开启长文本处理新纪元

Mamba是一种​​基于状态空间模型(SSM)的序列建模架构​​,通过​​动态token选择机制​​实现线性时间复杂度,彻底解决Transformer的二次方复杂度瓶颈。其核心是​​"选择性记忆"​​:像人脑一样动态决定记住或忽略哪些信息。​​输入处理​嵌入层将10万Token的文档动态压缩:2万关键Token(如专业术语、实体名词)分配512维8万普通Token(如介词、连词)分配64维​​Mamba块处理​​​关键Token路径​​:SSM建模跨段落依赖(如论点之间的逻辑关系)

qq_43664407的博客 2785

一文通透想颠覆Transformer的Mamba:从SSM、S4到mamba、线性transformer(含RWKV解析)(转)

一文通透想颠覆Transformer的Mamba:从SSM、S4到mamba、线性transformer(含RWKV解析)

hollyprince的博客 4630

(2023,SSM,门控 MLP,选择性输入,上下文压缩)Mamba:具有选择性状态空间的线性时间序列建模

本文提出 Mamba,与 S4 的区别在于:​通过组合 H3 与门控 MLP,使参数成为输入的函数,允许模型根据当前输入有选择地沿序列长度维度传播或遗忘信息。它使模型已从时不变变为时变,从而提升了效率。

qq_44681809的博客 2697

一文通透想颠覆Transformer的Mamba:从SSM、HiPPO、S4到Mamba(被誉为Mamba最佳解读)

如本文开头所说,mamba论文的一作Albert Gu多年来一直在推动SSM的发展他在SSM的基础上,通过此篇论文《》首次提出了结构化状态空间S4(这里有关于S4的更多论文),但这篇论文的可读性比较差当然,作者在YouTube上有一个关于这篇S4论文的精彩解读,比S4论文的可读性提高很多,且本文中也应用了其中的部分PPT截图,但还可以更加通俗易懂。

结构之法 算法之道 44万+

深度解析Mamba与状态空间模型

Mamba 是一种新型的架构,通常被归类为状态空间模型(State Space Model,SSM)。它是为了克服传统神经网络架构(如 Transformer)在处理长期依赖和复杂序列数据时的一些局限性而提出的。Mamba 作为一种新的架构,旨在改进大规模语言模型(LLMs)和其他任务的表现,尤其是在生成任务、自然语言理解、时间序列建模等方面。1. 背景传统的 Transformer 架构虽然在许多任务上表现出色,但它在处理非常长的序列时,尤其是需要捕捉长期依赖关系的任务中,面临着计算和内存瓶颈的问题。

xdpcxq的专栏 1641

Mamba组件:状态空间模型简介

状态空间模型(SSM)是一种功能强大的统计工具,旨在精准地描述和预测随时间演进的复杂系统的动态状态。通过将状态空间模型的核心思想与深度学习技术相结合,开创了一种前沿的神经网络架构,这一架构不仅继承了Transformer的高效并行训练能力,同时维持了RNN的线性推理速度,从而在性能上实现了质的飞跃。状态空间模型是用于描述这些状态表示并根据某些输入预测其下一个状态可能是什么的模型。在时间t的状态下:输入序列xt):例如,在迷宫中向左和向下移动。到潜在状态的表示ht):例如,距离出口的。

夏天又到了的专栏 1256

Mamba学习笔记(1)——原理基础

Mamba学习笔记

RuixuanZhang的博客 2490

Mamba架构解析:如何通过选择性状态空间实现高效序列建模

本文深入解析了Mamba架构如何通过引入选择性状态空间模型(SSM)实现高效序列建模。Mamba的核心创新在于打破了传统SSM的线性时不变限制,让关键参数(如Δ、B、C)能够根据当前输入动态调整,从而实现了内容感知的信息选择与压缩。这种选择性机制使模型在处理语言、音频、基因组等长序列数据时,在保持线性计算复杂度的同时,达到了媲美甚至超越Transformer的性能,且推理速度显著提升。

weixin_29161719的博客 591

【独家】Mamba 六阶通天路:从大学生入门到道级本源,一文读懂AI架构的终极进化

本文系统阐述了Mamba模型的六阶认知体系,从大学生入门到道级本源层层递进。第一阶讲解Mamba基础概念和优势;第二阶深入数学原理与工程实现;第三阶探讨创新研究方向;第四阶建立学科体系;第五阶分析国家战略价值;第六阶揭示其与宇宙规律的深层联系。文章指出Mamba通过状态空间和选择性扫描机制,实现了比Transformer更高效的长序列处理,并最终回归"大道至简"的终极智慧。这一认知框架为AI从业者提供了从技术实操到哲学思考的完整路径。

chuangshitianzun的博客 211

Vision Mamba Encoder: 双向状态空间模型在视觉序列建模中的高效实现

本文深入解析了Vision Mamba Encoder的创新设计,该模型通过双向状态空间模型(Bidirectional SSM)在视觉序列建模中实现高效计算。相比传统ViT,Vision Mamba以线性复杂度处理长序列数据,结合双向扫描机制和硬件感知优化,显著提升图像识别、语义分割等任务的性能表现。

weixin_29248653的博客 606

【技术解析】MAMBA架构:如何通过选择性状态空间模型革新长序列建模

本文深入解析了MAMBA架构如何通过其核心创新——选择性状态空间模型,革新长序列建模。该架构让模型学会“选择性倾听”,动态决定信息处理重点,并结合硬件感知算法,实现了线性计算复杂度。相比Transformer的平方复杂度,MAMBA在语言、音频、基因组等长序列任务上展现出更高的效率和更强的性能,是处理超长上下文数据的革命性方案。

weixin_29161719的博客 599

Mamba 六阶通天路:从大学生入门到道级本源,一文读懂AI架构的终极进化

《Mamba六阶通天路》一文系统阐述了AI架构Mamba的认知体系,将其划分为六个递进层级:大学生阶(基础使用)、研究生阶(原理实现)、博士生阶(创新突破)、教授级(学科建设)、院士级(国家战略)和道级(宇宙法则)。作者揭示了Mamba作为结构化状态空间模型的革命性价值,其选择性扫描机制和线性复杂度特性在长序列处理上超越Transformer,并指出这是从"术"到"道"的认知跃迁。文章强调Mamba不仅代表技术革新,更契合阴阳流转的宇宙规律,将成为中国AI换道超车的关

coreopt的博客 506

Mamba:线性时间序列建模的革新性架构

Mamba 是一种基于结构化状态空间模型(Structured State Space Models,S4)的创新架构。它在保持线性时间复杂度的同时,展现出了与 Transformer 相媲美的性能,特别是在语言建模等信息密集型任务上。Mamba 的核心优势在于其高效的硬件感知设计和实现,这在很大程度上借鉴了 FlashAttention 的精神。

步子哥的博客 1503

【论文阅读】Mamba:选择状态空间模型的线性时间序列建模(一)

最近,结构化状态序列模型成为一类有前景的序列建模结构。这些模型可以被解释成循环神经网络和卷积神经网络的结合,从经典状态空间模型中获得启发。这类模型可以被高效计算无论是卷积还是递归形式。但在建模离散和信息密集的模态如文本时没有那么有效。我们提出一类新的选择性状态空间模型。选择机制首先,我们得出先前模型的一个关键不足:以依赖输入的范式高效选择输入的能力。(即关注或者遗忘特定输入)。我们设计了一种简单的选择机制,通过基于输入来参数化SSM参数。无限地遗忘不相关信息或记忆相关信息。硬件感知算法。

weixin_45668967的博客 3737

拼多多爬虫实战:逆向sign与anti_content动态参数解析

现代电商爬虫已远超基础HTTP请求范畴,其核心在于理解服务端如何通过动态签名(sign)、设备指纹、行为验证等多维机制定义‘合法请求’。拼多多作为典型代表,将价格、销量、评价等关键数据完全剥离HTML,转由强校验API返回,依赖HMAC-SHA256嵌套签名、anti_content前端加密载荷及滑动验证token闭环。这类机制本质上是客户端环境可信度与请求上下文一致性的实时博弈,技术价值在于保障数据安全与业务风控。典型应用场景包括竞品价格监控、销量趋势分析、评价情感挖掘等需高保真数据的商业分析任务。本文聚

weixin_29741447的博客 837

别只当玩具!聊聊这个555金属探测器电路背后的电磁感应与RLC调谐原理

本文深入解析了555金属探测器电路的工作原理,重点探讨了电磁感应与RLC调谐原理。通过分析电感线圈的电磁特性、RLC谐振电路的行为以及555定时器的多重功能,揭示了这一看似简单的装置如何实现金属检测。文章还提供了灵敏度优化方案和常见问题解决方法,帮助读者从科学角度理解这一实用技术。

weixin_29204205的博客 481

MAMBA-3:利用状态空间原理改进的序列建模

https://openreview.net/pdf?id=HwCvaJOiCj近期对大语言模型(LLM)推理时计算资源的扩展,使得只有那些具备强大能力、能以高效推理方式生成高质量输出的模型才具有实际部署价值。尽管当前基于Transformer的模型是行业标准,但其二次方的计算复杂度和线性增长的内存瓶颈,推动了次二次方模型的发展,这类模型具有线性扩展的计算量和恒定的内存需求。然而,许多近期的线性风格模型在某些能力上有所欠缺或质量落后,甚至其线性时间推理在硬件上也并非高效。本着以推理为先的理念,我们引入了三项

AI浩 1948

DeepSpeed Zero3 Offload实战:从GCC版本检查到环境配置的完整避坑指南

本文是一份针对DeepSpeed Zero3 Offload部署的完整避坑指南。针对训练中常见的`AttributeError: ‘DeepSpeedCPUAdam‘ object has no attribute ‘ds_opt_adam`报错,文章深入剖析了其根源在于GCC编译器版本过低。指南提供了从系统GCC版本深度探查、安全启用高版本GCC环境,到DeepSpeed一致性安装验证的全链路实战方案,旨在帮助用户构建稳定的大模型训练环境。

weixin_29070721的博客 474

Mamba模型:高效序列建模新突破

Mamba模型通过其创新的线性时间序列建模框架,成功解决了传统模型如LSTM和Transformer在处理长序列时的计算瓶颈。其核心设计包括S6模块和MambaBlock的结合,S6模块通过选择性状态空间模型(SSM)动态捕捉序列的时序动态,而MambaBlock则通过堆叠学习数据的层次化表示。此外,RMSNorm归一化层的引入进一步稳定和加速了训练过程。Mamba模型在语言建模等任务中表现出色,能够高效处理长文本并减少内存占用,显著提升了训练和推理效率。其模块化设计和灵活的配置使其成为序列建模领域的一种强

XianxinMao的博客 1287

DSSAD自动驾驶行车记录系统体系结构和应用

通过对其感知、决策、控制等模块的详细研究,以及对商业化和消费市场发展趋势的分析,为该领域的研究和实践提供有价值的参考。通过克服技术、安全与隐私、法规与政策等方面的挑战,并紧跟人工智能、云端服务、用户体验等发展趋势,DSSAD系统将更好地适应自动驾驶行业的发展,提供更安全、智能、便捷的驾驶辅助服务。DSSAD体系结构通过数据收集模块、加密链接和数据存储模块和数据读取模块等关键模块的协同作用,构建了一个强大而灵活的自动驾驶数据记录系统,为未来智能出行提供了坚实的技术基础。

一只老虎的专栏 2208

NVIDIA驱动版本太低?手把手教你解决CUDA与PyTorch版本冲突问题

本文针对深度学习开发中常见的NVIDIA驱动版本过低导致的CUDA与PyTorch版本冲突问题,提供了从根源理解到实战解决的完整指南。文章详细解析了驱动、CUDA与PyTorch的依赖关系,并给出了升级驱动、降级PyTorch、使用Conda环境管理及Docker容器化四种核心解决方案,帮助开发者快速诊断并构建稳定的GPU开发工作流。

grpc6streamer的博客 972

【大模型】Mamba:选择性状态空间模型如何革新序列建模

本文深入解析了Mamba模型如何通过引入选择性状态空间机制革新序列建模。它打破了传统Transformer对所有信息一视同仁的局限,实现了内容感知的动态处理,从而在长文本理解、代码生成等任务中展现出高效能与线性复杂度优势,为下一代大模型架构提供了新范式。

lg888的博客 1069

用Blender给ArduPilot无人船编队设计灯光秀:从建模到飞行的保姆级教程

本文详细介绍了如何利用Blender和ArduPilot为无人船编队设计灯光秀的全流程技术方案。从3D动画设计、坐标转换、数据导出到ArduPilot飞控配置和灯光控制,提供了一套完整的保姆级教程,帮助开发者实现水面灯光编队表演。

weixin_29213525的博客 387

Mamba:序列建模领域的革新者

Mamba模型是序列建模领域的重要突破,通过结合状态空间模型(SSM)与深度学习创新,解决了传统Transformer计算复杂度高和RNN梯度消失的问题。其核心创新包括选择性状态空间机制和硬件感知设计,使模型能动态调整状态更新并高效利用GPU并行计算。从Mamba-1到Mamba-3的演进中,模型持续优化了离散化方法、状态空间复杂度等关键要素,在性能上达到或超越Transformer,同时显著提升推理效率。Mamba特别适用于长文档处理、基因组分析等场景,有望推动边缘计算发展,开启了序列建模从"全

weixin_70208651的博客 1364

Vue和Vue-Element-Admin(六):集成中的CORS(跨域资源共享)问题

在vue-element-admin登录集成时候碰到跨域资源共享问题,CORS(Cross-origin resource sharing)是浏览器的技术规范,浏览器可以发起跨域请求但Javascript脚本不能,传统的ajax只能获取在同域名下的资源,但Html5允许ajax发起跨域请求,解决方案有:JSONP、Flash、IFrame、CORS。 一、CORS(跨域资源共享)问题 针对vue-element-admin的登录模块的后端接口完成后,前端调用时候出现报错,因为前端的端口是9527而后.

叶子叶来 9619

[VCS]VCS编译及仿真时间分析及加速方法

本文介绍了VCS仿真工具中编译和仿真时间的分析方法及优化策略。首先阐述了使用-simprofile选项生成profileReport.html报告来定位时间消耗点的方法。其次提出了三种优化方案:优化resource_db/config_db使用wildcard、减少debug选项的影响、选择性dump fsdb波形。重点讲解了VCS checkpoint机制,详细说明了其保存/恢复仿真状态的功能、使用方法、与restart的区别,以及如何通过选择性保存、压缩、SSD存储等方式提升效率。最后提出将checkp

元直的博客 1万+
上一篇: RAG技术详解:从检索增强生成到知识库问答实战
下一篇: 【3D重建】NeRF:神经辐射场详解与实践
MATLAB代码顾问
博客等级 码龄20年 4万+粉丝 441原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

MATLAB代码顾问

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值