<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[gitblog_02337的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/gitblog_02337</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; gitblog_02337]]></copyright><item><title><![CDATA[Farm 核心工具箱 farmfe_toolkit 全解析：AST 解析、代码生成、压缩与 Sourcemap 链追踪的 Rust 实现]]></title><link>https://blog.youkuaiyun.com/gitblog_02337/article/details/144613037</link><guid>https://blog.youkuaiyun.com/gitblog_02337/article/details/144613037</guid><author>gitblog_02337</author><pubDate>Mon, 12 Oct 2026 21:50:16 +0800</pubDate><description><![CDATA[farmfe_toolkit 是 Farm（用 Rust 编写的极速 Vite 兼容构建工具）的核心 Rust 工具箱 crate，它聚合了 SWC 家族的 ECMAScript / CSS / HTML 解析、转换、压缩与代码生成能力，为 Farm 编译流水线的各插件提供统一封装。本文以 `crates/toolkit/CHANGELOG.md` 的版本演进为主线，结合仓库源码逐一拆解其模块划分]]></description><category></category></item><item><title><![CDATA[Function Calling 实战：在 generative-ai-for-beginners 课程中用 Azure OpenAI 构建结构化数据与外部 API 调用]]></title><link>https://blog.youkuaiyun.com/gitblog_02337/article/details/149824734</link><guid>https://blog.youkuaiyun.com/gitblog_02337/article/details/149824734</guid><author>gitblog_02337</author><pubDate>Sat, 05 Sep 2026 14:40:35 +0800</pubDate><description><![CDATA[本文基于 generative-ai-for-beginners 课程第 11 课《Integrating with Function Calling》，完整讲解 Function Calling（函数调用）的原理与落地方法：为什么 LLM 的原始响应格式不一致、如何通过 Responses API 的 `tools` 机制让模型输出严格受约束的结构化参数、以及如何把模型返回的 `function]]></description><category></category></item><item><title><![CDATA[Signature Pad 电子签名文件体积优化解决方案深度解析]]></title><link>https://blog.youkuaiyun.com/gitblog_02337/article/details/145113053</link><guid>https://blog.youkuaiyun.com/gitblog_02337/article/details/145113053</guid><author>gitblog_02337</author><pubDate>Mon, 25 May 2026 14:31:14 +0800</pubDate><description><![CDATA[Signature Pad 是一个基于 HTML5 Canvas 的平滑签名绘制库，广泛应用于金融、法律、医疗等行业的电子签名场景。然而，默认配置下生成的签名文件体积过大，常导致存储成本增加、加载延迟和传输效率低下。本文提供一套完整的电子签名文件体积优化解决方案，帮助技术决策者和开发者实现签名质量与文件大小的完美平衡。

## 问题分析：签名文件体积过大的根源

电子签名文件体积过大的问题主要源于]]></description><category></category></item><item><title><![CDATA[5分钟快速掌握大麦网智能抢票工具：告别手速慢的终极解决方案]]></title><link>https://blog.youkuaiyun.com/gitblog_02337/article/details/144712436</link><guid>https://blog.youkuaiyun.com/gitblog_02337/article/details/144712436</guid><author>gitblog_02337</author><pubDate>Fri, 22 May 2026 18:17:32 +0800</pubDate><description><![CDATA[还在为抢不到心仪演唱会门票而烦恼吗？大麦网自动抢票工具正是您需要的解决方案！这款基于Python开发的智能抢票系统，通过自动化技术实现精准、高效的票务抢购，让您告别手动刷新页面的烦恼，轻松获取热门演出门票。无论是周杰伦、刘若英还是其他热门艺人的演唱会，这款工具都能帮助您在开票瞬间完成自动下单。

## 🎯 为什么选择大麦自动抢票工具？

传统抢票方式依赖人工操作，往往因为网络延迟、操作失误而错失]]></description><category></category></item><item><title><![CDATA[Day.js SEO优化：搜索引擎友好的日期显示终极指南]]></title><link>https://blog.youkuaiyun.com/gitblog_02337/article/details/150380117</link><guid>https://blog.youkuaiyun.com/gitblog_02337/article/details/150380117</guid><author>gitblog_02337</author><pubDate>Sat, 25 Apr 2026 11:12:50 +0800</pubDate><description><![CDATA[Day.js 是一款轻量级的日期时间处理库，仅2KB大小，提供与Moment.js相同的现代API，同时保持不可变特性。对于注重网站性能和搜索引擎优化（SEO）的开发者来说，Day.js不仅能高效处理日期时间，还能通过优化日期显示格式提升网站在搜索引擎中的可见度。本文将详细介绍如何利用Day.js实现搜索引擎友好的日期显示，帮助你的网站获得更好的排名。

## 为什么日期显示对SEO至关重要

搜]]></description><category></category></item><item><title><![CDATA[前端性能优化终极指南：Lighthouse CI与WebPageTest实战解析]]></title><link>https://blog.youkuaiyun.com/gitblog_02337/article/details/150261625</link><guid>https://blog.youkuaiyun.com/gitblog_02337/article/details/150261625</guid><author>gitblog_02337</author><pubDate>Sat, 25 Apr 2026 10:40:20 +0800</pubDate><description><![CDATA[在现代Web开发中，前端性能优化已成为提升用户体验和搜索引擎排名的关键因素。本指南将带你深入了解如何利用Lighthouse CI和WebPageTest这两款强大工具，系统性地诊断和解决前端性能问题，让你的网站加载速度更快、交互更流畅。

[![前端性能优化背景图](https://raw.gitcode.com/gh_mirrors/fr/Front-end-Developer-Intervi]]></description><category></category></item><item><title><![CDATA[Keras图像处理工具终极指南：从入门到精通]]></title><link>https://blog.youkuaiyun.com/gitblog_02337/article/details/150261120</link><guid>https://blog.youkuaiyun.com/gitblog_02337/article/details/150261120</guid><author>gitblog_02337</author><pubDate>Sat, 25 Apr 2026 10:29:28 +0800</pubDate><description><![CDATA[Keras作为一款面向人类的深度学习框架，提供了强大且易用的图像处理工具，帮助开发者轻松构建和训练图像识别模型。本文将带你全面了解Keras图像处理工具的核心功能、使用方法和最佳实践，让你快速掌握从数据预处理到模型构建的完整流程。

## 为什么选择Keras进行图像处理？

Keras图像处理工具集以简洁的API设计和高效的后端支持著称，无论是初学者还是专业开发者都能快速上手。其主要优势包括：
]]></description><category></category></item><item><title><![CDATA[kohya_ss训练日志解析：关键指标提取与分析完整指南]]></title><link>https://blog.youkuaiyun.com/gitblog_02337/article/details/144691195</link><guid>https://blog.youkuaiyun.com/gitblog_02337/article/details/144691195</guid><author>gitblog_02337</author><pubDate>Thu, 19 Mar 2026 07:36:04 +0800</pubDate><description><![CDATA[想要掌握AI模型训练的核心技巧吗？kohya_ss训练日志解析是你必须掌握的关键技能。kohya_ss作为当前最流行的Stable Diffusion训练工具，其训练日志包含了模型训练过程中的所有关键信息。通过深入解析这些日志，你可以优化训练参数、诊断问题并提升模型质量。本文将为你提供完整的kohya_ss训练日志解析指南，帮助你从新手快速成长为训练专家。🎯

## 为什么训练日志分析如此重要？]]></description><category></category></item><item><title><![CDATA[如何使用TrackEval快速评估多目标跟踪算法性能？新手入门指南]]></title><link>https://blog.youkuaiyun.com/gitblog_02337/article/details/144882425</link><guid>https://blog.youkuaiyun.com/gitblog_02337/article/details/144882425</guid><author>gitblog_02337</author><pubDate>Tue, 17 Mar 2026 01:35:10 +0800</pubDate><description><![CDATA[TrackEval是一款专业的多目标跟踪（MOT）算法评估工具，支持HOTA等多种评估指标，能帮助开发者快速准确地衡量跟踪算法性能。本文将为新手提供一份全面的入门指南，带你轻松掌握TrackEval的安装与使用。

## 一、TrackEval简介：为什么选择它？

TrackEval作为多个权威跟踪基准（如MOTChallenge、RobMOTS）的官方评估代码，具有三大核心优势：
- **指标]]></description><category></category></item><item><title><![CDATA[LittleJS核心功能详解：从渲染系统到物理引擎的完整教程]]></title><link>https://blog.youkuaiyun.com/gitblog_02337/article/details/149627106</link><guid>https://blog.youkuaiyun.com/gitblog_02337/article/details/149627106</guid><author>gitblog_02337</author><pubDate>Sun, 25 Jan 2026 04:20:37 +0800</pubDate><description><![CDATA[LittleJS是一款轻量级的JavaScript游戏引擎，它以简洁高效的设计理念，为开发者提供了从渲染系统到物理引擎的全套游戏开发解决方案。无论是新手入门还是独立开发者快速原型开发，LittleJS都能满足你的需求。

## 为什么选择LittleJS？

LittleJS作为一款微型游戏引擎，却拥有强大的功能集合。它体积小巧，易于集成，同时提供了丰富的API和工具，帮助开发者快速构建2D游戏。]]></description><category></category></item><item><title><![CDATA[Postcat批量测试功能详解：一次运行多个API测试用例]]></title><link>https://blog.youkuaiyun.com/gitblog_02337/article/details/144712351</link><guid>https://blog.youkuaiyun.com/gitblog_02337/article/details/144712351</guid><author>gitblog_02337</author><pubDate>Sun, 25 Jan 2026 03:06:57 +0800</pubDate><description><![CDATA[Postcat 是一个可扩展的 API 工具平台，集合基础的 API 管理和测试功能，并且可以通过插件简化你的 API 开发工作，让你可以更快更好地创建 API。其中批量测试功能能够帮助开发者一次运行多个API测试用例，极大提升测试效率。

[![Postcat批量测试功能介绍图](https://raw.gitcode.com/gh_mirrors/po/postcat/raw/b3dbb57e]]></description><category></category></item><item><title><![CDATA[TensorFlow-Examples：TPU使用教程 - 终极完整指南]]></title><link>https://blog.youkuaiyun.com/gitblog_02337/article/details/149682871</link><guid>https://blog.youkuaiyun.com/gitblog_02337/article/details/149682871</guid><author>gitblog_02337</author><pubDate>Thu, 08 Jan 2026 01:16:21 +0800</pubDate><description><![CDATA[TensorFlow TPU（张量处理单元）是谷歌专门为机器学习设计的硬件加速器，能够大幅提升模型训练速度。作为TensorFlow-Examples项目的重要组成部分，TPU教程为初学者提供了完整的硬件加速学习路径。通过本指南，你将掌握TPU的基本使用方法和最佳实践。🚀

## 什么是TPU及其核心优势

TPU是谷歌专门为神经网络计算设计的专用芯片，相比传统GPU具有更高的计算效率和能效比。]]></description><category></category></item><item><title><![CDATA[一张消费级4090跑DeepSeek-R1？这份极限“抠门”的量化与显存优化指南请收好]]></title><link>https://blog.youkuaiyun.com/gitblog_02337/article/details/150380316</link><guid>https://blog.youkuaiyun.com/gitblog_02337/article/details/150380316</guid><author>gitblog_02337</author><pubDate>Thu, 14 Aug 2025 09:00:35 +0800</pubDate><description><![CDATA[一张消费级4090跑DeepSeek-R1？这份极限“抠门”的量化与显存优化指南请收好

    
        
            【免费下载链接】DeepSeek-R1
            探索新一代推理模型，DeepSeek-R1系列以大规模强化学习为基础，实现自主推理，表现卓越，推理行为强大且独特。开源共享，助力研究社区深入探索LLM推理能力，推动行业发展。【此简介由AI生成】...]]></description><category></category></item><item><title><![CDATA[【性能革命】5个工具让ViT-base-patch16-224推理速度提升300%：从学术模型到工业级部署全攻略]]></title><link>https://blog.youkuaiyun.com/gitblog_02337/article/details/149706970</link><guid>https://blog.youkuaiyun.com/gitblog_02337/article/details/149706970</guid><author>gitblog_02337</author><pubDate>Mon, 28 Jul 2025 09:00:06 +0800</pubDate><description><![CDATA[你是否正面临这些痛点？训练好的ViT模型在GPU上推理一张图片需要300ms，无法满足实时性要求；模型文件高达300MB，边缘设备部署困难；Python推理代码在高并发场景下频频崩溃。本文将系统介绍5个生态工具，通过量化压缩、推理优化、部署加速三大维度，帮助你实现ViT模型的工业级落地，读完你将获得：
- 掌握模型体积减少75%的量化技术
- 学会推理速度提升3倍的优化方案
- 获取5种部署场景的...]]></description><category></category></item><item><title><![CDATA[256K上下文+混合架构革命：Jamba-v0.1全链路技术拆解与本地化部署指南]]></title><link>https://blog.youkuaiyun.com/gitblog_02337/article/details/149627779</link><guid>https://blog.youkuaiyun.com/gitblog_02337/article/details/149627779</guid><author>gitblog_02337</author><pubDate>Fri, 25 Jul 2025 09:05:32 +0800</pubDate><description><![CDATA[你是否还在为长文本处理时的算力瓶颈发愁？是否在寻找兼顾性能与速度的下一代大语言模型解决方案？Jamba-v0.1的出现，为这些问题提供了突破性答案。作为AI21 Labs推出的混合架构大语言模型（LLM），Jamba-v0.1创新性地融合了Transformer与状态空间模型（State Space Model, SSM）的优势，在保持高性能的同时实现了吞吐量的显著提升。

读完本文，你将获得：
...]]></description><category></category></item><item><title><![CDATA[【限时免费】 深度拆解AnyGPT-chat：从基座到技术实现]]></title><link>https://blog.youkuaiyun.com/gitblog_02337/article/details/149626648</link><guid>https://blog.youkuaiyun.com/gitblog_02337/article/details/149626648</guid><author>gitblog_02337</author><pubDate>Fri, 25 Jul 2025 09:02:19 +0800</pubDate><description><![CDATA[深度拆解AnyGPT-chat：从基座到技术实现

    
        
            【免费下载链接】AnyGPT-chat
            
            
                
                项目地址: https://gitcode.com/jonecui/AnyGPT-chat
            
        
 ...]]></description><category></category></item><item><title><![CDATA[突破音频压缩极限：Meta EnCodec 24kHz实时神经网络编解码器全解析]]></title><link>https://blog.youkuaiyun.com/gitblog_02337/article/details/149593190</link><guid>https://blog.youkuaiyun.com/gitblog_02337/article/details/149593190</guid><author>gitblog_02337</author><pubDate>Thu, 24 Jul 2025 09:00:05 +0800</pubDate><description><![CDATA[你是否还在为音频压缩中的质量损失而困扰？是否在寻找既能节省带宽又能保持高保真音质的解决方案？本文将深入剖析Meta AI推出的革命性音频编解码技术——EnCodec 24kHz，带你全面了解这一神经网络音频编码领域的突破性成果。读完本文，你将掌握EnCodec的核心原理、技术优势、实战应用方法以及未来发展前景，轻松应对各种音频压缩场景的挑战。

## 音频编码的痛点与EnCodec的革命性解决方案...]]></description><category></category></item><item><title><![CDATA[选择最适合你的AI模型：深入比较LLama-2 7B与其它主流模型]]></title><link>https://blog.youkuaiyun.com/gitblog_02337/article/details/145257362</link><guid>https://blog.youkuaiyun.com/gitblog_02337/article/details/145257362</guid><author>gitblog_02337</author><pubDate>Mon, 20 Jan 2025 10:41:23 +0800</pubDate><description><![CDATA[选择最适合你的AI模型：深入比较LLama-2 7B与其它主流模型
在当今人工智能技术飞速发展的背景下，选择一个合适的AI模型对于项目的成功至关重要。本文将围绕LLama-2 7B模型，与其它主流模型进行详细的比较，帮助您更好地理解各模型的特性，从而做出明智的决策。
需求分析
在开始比较之前，明确项目目标和性能要求是关键。假设您的项目需要一个人工智能模型来处理自然语言，具备高质量的对话能力和灵活的...]]></description><category></category></item><item><title><![CDATA[5步极速出图：LCM-Dreamshaper_v7实战指南（含4K模型优化与效率对比）]]></title><link>https://blog.youkuaiyun.com/gitblog_02337/article/details/145155163</link><guid>https://blog.youkuaiyun.com/gitblog_02337/article/details/145155163</guid><author>gitblog_02337</author><pubDate>Wed, 15 Jan 2025 10:30:55 +0800</pubDate><description><![CDATA[你还在为AI绘图等待几十秒？Stable Diffusion生成一张768x768图片需要50步迭代，而Latent Consistency Models（LCM）仅需4步即可完成，速度提升12倍！本文将带你从环境搭建到4K超分全流程落地，掌握这种革命性文本生成图像（Text-to-Image, T2I）技术。

读完本文你将获得：
- 3分钟从零部署LCM-Dreamshaper_v7生成环境
...]]></description><category></category></item><item><title><![CDATA[探索 BERT multilingual base model (cased) 的使用技巧]]></title><link>https://blog.youkuaiyun.com/gitblog_02337/article/details/145003844</link><guid>https://blog.youkuaiyun.com/gitblog_02337/article/details/145003844</guid><author>gitblog_02337</author><pubDate>Wed, 08 Jan 2025 11:34:05 +0800</pubDate><description><![CDATA[探索 BERT multilingual base model (cased) 的使用技巧
在当今多语言数据处理领域，BERT multilingual base model (cased) 凭借其卓越的性能和广泛的适应性，成为了众多研究者和开发者的首选工具。本文将为您详细介绍如何高效使用这一模型，分享一些实用的技巧，帮助您在多语言文本处理任务中取得更好的成果。
提高效率的技巧
快捷操作方法
在使...]]></description><category></category></item></channel></rss>