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
291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
1. 等高布局
// margin和padding高度抵消，但多了9999px可用高度，overflow使得视觉上等高。
.container {
overflow: hidden;
}
.column-left,
.column-right {
margin-bottom: -9999px;
padding-bottom: 9999px;
}
// table-cell天然等高
.column-left,
.column-right {
display: table-cell;
}
Marin公开训练全流程：端到端大模型工程实践
在机器学习工程中，模型算法只是冰山一角，真正决定项目成败的往往是数据清洗、配置管理、训练监控与模型评估等环节的衔接效率。所谓“公开训练全流程”，就是将这套从原始数据到模型产出的链路标准化、可复现、可审计，让任何团队成员都能稳定跑出可追踪的结果。端到端的流水线设计通过配置与代码分离、数据与模型分离，确保大模型训练过程中每个步骤可观测、可配置、可回滚，从而降低分布式训练和工程落地的门槛。无论是算法工程师还是平台开发者，都能基于这套方法论快速搭建最小闭环。Marin项目作为一套完整的公开训练参考模板，演示了数据预
padding和margin有何不同
设置为50px, 正常来说, 两个div的上下距离应该为。让我们验证一下, 快速新建一个文件, 内容结构如下。的距离均为50px, 且没有背景颜色, 证明。(可折叠的), 举个例子, 有如下两个组件。, 但实际上, 两者之间的距离为。是内容和边框之间的区域, 而。的距离均为50px, 但是在。从控制台可以很清晰的看到这些。还有一个特点, 那就是。设置为20px, 在。
Marin项目深度解析：从开放训练到模型复现的完整实践指南
在AI领域，开源项目并不少见，但能将代码、数据与实验记录全链路公开的却寥寥无几。理解一个模型的训练过程，往往比单纯调用推理接口更能触达技术本质。开放训练作为一种强调可验证性的项目形态，通过暴露训练循环、数据预处理和实验配置，让开发者能够真正实现白盒复现。这种模式不仅降低了算法工程师与研究者的复现门槛，也为知识迁移与二次开发提供了工程参考。从环境准备、数据校验到小规模冒烟测试，再到完整训练与指标对比，每一个环节都考验着对细节的把控。本文以Marin项目为切入点，系统梳理开放训练项目的价值拆解、复现流程与常见坑
marin：开源框架助力基础模型研究
在现代人工智能领域，基础模型（Foundation Model）的研究和开发已经成为技术革新的关键。为了简化这一复杂过程，开源框架 `marin` 应运而生。`marin` 致力于提供一套完整的工具，用于研究和开发能够处理多种任务的大型语言模型，如 Llama、DeepSeek、Qwen 等。该框架的核心特色是 **可重现性**：从原始数据到最终模型的每一步都被记录下来，包括失败的实验，确保整个研
Marin说PCB之total etch length规则知多少？
二，第二个问题就是我们在设置一组BUS线的总的长度规则的时候是不能用那个total etch length这个规则的，主要原因是因为这个total etch length这个规则是只是包含了你的走线路径上所有线段的长度之和，不会包含这个NET上的换层过孔的长度以及芯片的PIN_delay的长度的。这是第一个问题，正常来说老员工都不应该犯这个低级错误的，但是有时候你一个人同时做好几板子，这样的强度下难免也会出现一些问题的，这个可以理解的，不过一般的大公司都会有评审流程的，正常是可以检查出这个问题的。
Towards Mitigating API Hallucination in Code Generated by LLMs with Hierarchical Dependency Aware
摘要应用程序编程接口（API）在现代软件开发中至关重要。大语言模型（LLMs）辅助自动化代码生成，但在实际开发场景中常面临API幻觉问题，包括调用不存在的API和误用现有API。现有研究借助检索增强生成（RAG）方法缓解幻觉问题，但往往失败，因为它们通常忽略实际项目中的结构依赖，且未真正验证生成的API是否可用。为解决这些局限，我们提出MARIN，一种基于层次依赖感知的缓解LLMs生成代码中API幻觉的框架。
浅谈 html——margin & padding
每个HTML标签都可看做是一个盒子，当我们在页面上写各种HTML标签的时候，其实就是页面上摆放各种各样的盒子。 ·border（边框）：每个盒子都是有边框的，默认情况下不显示而已； ·padding（内边距）：指内容距离边框的长度，如果要内容居中，那么很明显需要四个内边距都相等； ·margin（外边距）：指盒子与盒子之间的距离，好比两个div之间相隔距离是多少；也可以理解为对象与父容器的距...
无刷电机控制基础（2）——有感和无感驱动、调速
上一篇文章我们讲了一些无刷电机的基础知识，包括无刷电机的内部结构，驱动原理等，我们知道了只需要按照转子的当前位置，来按顺序给定子线圈通电，就能让电机转动起来。但是，上一篇中我们跳过了一个关键步骤，就是如何检测转子的位置。本篇我们就讲讲常用的位置检测方法，以及引出的一些相关问题。我们知道，获取磁铁的位置可以用霍尔传感器，无刷电机的转子就是永磁体，因此只要在合适的位置安装霍尔传感器，就能知道转子的旋转位置。在无刷电机中，一般用3个开关型霍尔器件就能检测转子的位置。
HTML之margin和padding的区别
想要理解margin和padding的区别，首先应该明白在进行网页制作时都会遇到设定边距的情况，边距又分为外边距（margin）和内边距（padding） margin的用法 1、设置距离同级标签的间距； 2、设置距离父标签的间距； 关于边距距离的设定，规则如下： margin: 20px;/*四周相同*/ margin: 10px 20px;/*10px上下 20px左右 */ margin: ...
探索Python融合地学：一文解决osgeo库安装失败问题
总结一下，要安装osgeo模块，关键在GDAL依赖库的安装，如果能够顺利安装GDAL依赖库，因其是osego的模块，因此osgeo的部分模块也能够得到自动安装，此时再运行代码，发现代码并不报错，能够正常运行了。第一步，我们要安装imagecodecs库，它支持多种常见的图像格式，当然也包含我们的目标tif格式，为方便后续的图像处理和安装osgeo模块，先安装此库。目前GDAL已经更新到了3.10版本，这里主要看你的Python版本是上面，小编用的是Python3.13，电脑是64位的，因此，我们选择。
电化学阻抗谱（EIS）在锂离子电池中的应用
摘要电化学阻抗谱(electrochemical impedance spectroscopy, EIS)是一种重要的电化学测试方法，在锂离子电池动力学反应机理研究及动力学参数测量等方面具有广泛的应用。在锂离子电池运行过程中，各反应步骤的动力学参数及时间常数不同，而EIS可以在较宽的频率范围内对体系施加小幅正弦激励信号，使得在特定频率下突出特定时间常数的电极过程，从而将复杂的电极过程分离，实现单一电极过程动力学的分析。通过对交流阻抗信息的研究，也可以为锂离子电池及其他电池的应用与管理、电化学过程设计及电极材
居中! 居中! 居中!
1,行内元素的居中方法:text-align:center: 2,对于块元素,margin:0 auto; 前提是这个块元素必须定义宽度; 3,有table表格来实现居中 4,块装换为行内元素来实现块级元素水平居中 5,父盒子,子盒子都采用相对定位,父元素left:50%;子元素left:-50%,相对自己的长度减回了50%,这样实现向右偏移后拉回多的部分 6,css3的flexbox...
Oracle11g安装教程、配置实例、监听、客户端程序详解_Windows篇
Oracle11g安装教程、配置实例、监听、客户端程序详解_Windows篇 文章目录Oracle11g安装教程、配置实例、监听、客户端程序详解_Windows篇前言一、数据库的安装前准备，前提是没有安装过！！！二、仅安装数据库软件(数据库运行环境)三、添加数据库实例四、设置监听程序，让数据库可以通过网络访问五、为目标数据库设置网名总结 前言 如果需要安装包:联系我看到会给你链接，因为现在官网已经不提供10g,11g的安装包了,在网盘保存望悉知(回复不会很及时，下班看到会回复敬请谅解)。 提示：以下
Marin模型训练实战：提升效率的5个专业技巧
Marin是一个开源的基础模型研发框架，旨在帮助开发者高效构建和训练大型语言模型。本文将分享5个提升Marin模型训练效率的专业技巧，帮助你在有限的资源下获得更好的训练效果。 ## 1. 优化数据并行策略 数据并行是提升训练效率的关键技术之一。在Marin框架中，合理配置数据并行策略可以显著提高模型训练速度。通过将数据分布到多个设备上并行处理，可以充分利用硬件资源，减少训练时间。 [ 是一个开源的基座模型研究与开发框架，其开源缩放套件 **Delphi** 将 LLM 训练配方从 3e18 扩展到 1e23 FLOPs，包含三部分
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
Marin MoE 故障恢复指南：训练中断后如何完整恢复训练状态
大规模 MoE（混合专家）模型动辄数百卡、训练数周，一次硬件故障、网络抖动或程序挂起就可能让整个任务停摆。Marin 开源框架针对这一痛点，在 `experiments/grug/` 实验体系中内置了一套完整的**训练故障恢复机制**：多源检查点自动扫描与降级回退、全状态（含优化器）恢复、权重级冷启动、挂起检测与看门狗、以及恢复耗时基准测试。本文面向新手和普通用户，用 5 个小节带你从零看懂 Ma
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
Marin训练全流程：构建可复现的深度学习管道
在机器学习工程中，模型训练的可复现性往往比单次精度更重要。许多团队遇到的训练事故——loss突变为nan、结果无法回溯、换环境后指标漂移——根源都在于流程缺乏系统性，而非模型本身。可复现训练的本质，是将数据、环境、基线、监控、评估和归档等环节标准化，使每次实验都有据可查。数据版本控制能锁定样本与切分方案，环境依赖锁定避免因版本不一致导致的结果偏移，基线模型提供对比基准，完整的检查点与日志则支撑断点续训和异常排查。这套流程不仅适合个人迭代，也能在团队协作中形成共同语言，大幅降低沟通与排障成本。无论是目标检测、
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
Marin公开训练全流程指南：从环境搭建到模型部署
深度学习模型的成功落地，并不只是写好网络结构，更关键的是把“环境准备、数据准备、训练配置、模型训练、效果评估、导出部署”这一整条链路打通。训练的本质是让模型在数据分布上迭代参数，而硬件门槛（如GPU显存）直接决定了可训练的模型规模和batch size；同时，借助增量训练和LoRA这类技术，可以在消费级显卡上高效微调专有模型。这类全流程能力广泛应用于图像检测、OCR、语音识别等垂直场景，无论是复现公开baseline还是将训练好的模型封装成批量推理API，都依赖清晰的流程设计和工程规范。本文以Marin公开
Iris抢占与故障恢复：Marin大训练作业保持存活的4大秘诀
在Marin开源框架上，跑在数百颗TPU/GPU芯片上的**大训练作业**几乎不可避免地遭遇**抢占**与硬件故障。内置的分布式作业编排系统 **Iris** 通过优先级抢占、双重试预算、自动扩缩容健康退避和滚动检查点续训，让这样的**大训练作业**始终保持存活。本文带你拆解这4大**故障恢复**秘诀。 ## 为什么抢占是TPU大训练的"日常"？ Marin 的模型训练通常拆成多个长周期阶段，
Marin 8B训练全解析：JAX+Pax小模型精训工程实践
大语言模型训练不再唯参数量论，小模型（如8B级别）正成为工程落地的关键突破口。其核心在于利用JAX的函数式编译、细粒度并行与确定性调试能力，结合Pax框架的声明式并行抽象，实现显存可控、通信高效、容错性强的训练闭环。这类方案显著降低GPU资源门槛，适配单机多卡甚至消费级硬件，同时支撑代码补全、指令微调等高价值垂直场景。Marin 8B正是这一范式的典型代表——它不追求榜单SOTA，而以数据外科手术、梯度自适应裁剪、子模型热插拔等硬核工程设计，验证了‘约束驱动创新’在LLM训练中的技术可行性与落地普适性。
Marin 框架实战：从零构建 Foundation Models 的全链路工具链
在现代 AI 研究中，从头搭建一套完整的模型训练流程耗时耗力，而斯坦福大学开源的 Marin 框架恰好提供了从数据处理到模型评估的一站式解决方案。本文带你深入了解 Marin 的核心架构与实战方法，看看它是如何降低大模型研发门槛的。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
346
扫一扫
