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
700+累计阅读
721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
R语言中生成序列和重复序列的方法
学习R中的关于数字序列的一些内容
在R中创建数字序列的最简单方法是使用:运算符，我们在console里输入1:20：
> 1:20
[1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20返回了一个1到20的整数数列，我们还可以用它来创建一个实数数列：
> pi:10
[1] 3.141593 4.141593 5.141593 6.141593 7.141593 8.141593 9.141593结果是一个以pi (3.142 ...)开始并以1递增的实数向量。由于我们序列中的下一个数将大于10，所以永远不会达到上限10。
如果我们输入15:1会怎么样？
> 15:1
[1] 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1返回的是以1递减的实数向量。
视觉特征-自监督-掩码特征预测【2025-06】：V-JEPA-2【100万小时互联网视频，每样本：4秒×4➜16帧】【Stage1：表征学习⮕Stage2：V-JEPA2-AC（自回归下一帧预测）】
图14 展示了在实验室1中，使用杯子进行抓取操作任务的起始和目标框架示例。对于抓取和带物体到达任务，模型仅看到一个目标图像。对于拾取-放置任务，除了最终目标外，我们还向模型展示两个子目标图像。第一个目标图像显示物体被抓取，第二个目标图像显示物体在目标位置附近。模型首先针对第一个子目标优化动作4个时间步，然后自动切换到第二个子目标进行接下来的10个时间步，最后针对第三个目标进行最后4个时间步。
VLA-2025-03：GR00T N1【骨架：Eagle-2；端到端双系统VLA：S2 VLM+S1 DiT+FM；数据：单/双臂+人形，机器人+人类+仿真+神经共592.9M帧/8375.7小时】
通用机器人需要多功能的躯体和智能的头脑。近年来，人形机器人的发展在构建人类世界中通用自主性的硬件平台方面展现出巨大潜力。一个基于海量多样化数据源训练的机器人基础模型，对于使机器人能够推理新情况、稳健应对现实世界的多变性以及快速学习新任务至关重要。为此，我们推出了GR00T N1，一个面向人形机器人的开放基础模型。GR00T N1是一个具有双系统架构的视觉‑语言‑动作（VLA）模型。视觉语言模块（系统2）通过视觉和语言指令来解读环境。随后的扩散Transformer模块（系统1）实时生成流畅的电机动作。
视觉特征-自监督-同源不同crop视图一致性【2023-04】：DINOv2（无监督学习鲁棒视觉特征）【12 亿张互不重复的图像】【判别式自监督方法】【交叉熵损失+iBOT损失】
近期，自然语言处理领域在大量数据上进行模型 Pretraining 取得的突破，为计算机视觉中类似Foundation Model 的发展开辟了道路。这些模型能够生成通用视觉特征，即无需微调即可跨图像分布和任务发挥作用的特征，从而大幅简化图像在任何系统中的使用。本研究表明，现有的 Pretraining 方法，尤其是自监督方法，如果在来自多样化来源的充足精选数据上进行训练，便能够产生此类特征。我们重新审视了现有方法，并结合不同技术，从数据规模和模型规模两方面扩展我们的 Pretraining。
LaTeX+Vim构建可搜索、可执行的数学笔记系统
数学笔记本质上是结构化知识的编码过程，其核心在于语义完整性与机器可读性。传统WYSIWYG工具破坏数学符号的逻辑结构，而LaTeX以纯文本源码显式表达定义、定理、证明等语义单元，配合Vim实现零延迟编辑与精准grep搜索，使知识具备可验证、可回溯、可重构的技术特性。这种‘笔记即代码’范式支撑起模块化组织、Git版本控制与自动化测试能力，广泛应用于高等数学学习、科研推导复用及开源数学库协作等工程化场景。本文聚焦LaTeX与Vim协同构建高可靠性、高响应速度的数学知识操作系统。
强化学习中的Token-Level能量感知：突破文本生成行动瓶颈的新方法
在强化学习领域，智能体通过与环境的交互学习最优策略，其核心挑战之一是如何在复杂动作空间中高效探索与利用。传统方法如PPO（Proximal Policy Optimization）依赖稀疏的回合奖励信号，这在序列生成等任务中容易导致“行动瓶颈”——智能体因缺乏即时反馈而在多步决策中累积错误，最终限制输出质量。为解决这一问题，研究者引入了Token-Level能量感知机制，通过设计可微分的能量函数实时评估每个动作（如生成的词元）的潜在风险，并将其作为内在奖励整合到策略优化中。这一技术价值在于实现了对生成过程的
基于LSTM的锂电池寿命预测：从时间序列分析到深度学习实战
时间序列预测是数据分析与机器学习领域的核心问题之一，旨在基于历史数据预测未来趋势。其原理在于挖掘数据点之间的时间依赖关系，常用模型如ARIMA、RNN等。深度学习技术，特别是长短期记忆网络，通过门控机制有效捕捉长期依赖，显著提升了复杂序列模式的建模能力。在工业预测与健康管理领域，精准预测设备剩余寿命对运维决策至关重要。本文以锂电池剩余寿命预测为具体场景，详细阐述了如何利用LSTM网络处理容量衰减序列，涵盖了从数据获取、特征工程、序列构造到模型构建与评估的完整工程实践流程，为相关领域的时序预测任务提供了可复用
Qwen3.5小模型工程化评测实战：SGLang+EvalScope全链路指南
大语言模型评测已从单纯跑分走向真实场景验证，核心在于模型能力、推理框架兼容性与工程部署稳定性的三维协同。Qwen3.5系列采用Gated Delta Networks与稀疏MoE架构，在2B/4B量级实现多模态理解、工具调用与超长上下文支持，其轻量化智能体定位正契合边缘部署与Agent系统落地需求。评测需突破VLLM兼容瓶颈，依托SGLang深度适配trust_remote_code机制，并通过EvalScope构建中文友好、模块解耦、可压测的全流程评估体系。覆盖GSM8K（结构化推理）、IFEval（格式
R语言中seq函数的用法
seq函数是R语言中用于生成数值序列的常用函数。除了基本用法外，还可以通过指定长度来生成序列，生成逆序序列，以及生成等间隔的数值序列。其中，from表示序列的起始值，to表示序列的终止值，by表示序列的步长。在这个示例中，我们通过seq函数生成了一个长度为10的等差数列，起始值为1。在这个示例中，我们通过seq函数生成了一个从10到1的逆序序列，步长为-1。在这个示例中，我们通过seq函数生成了一个从0到1的等间隔序列，长度为11。在这个示例中，我们通过seq函数生成了一个从1到10的整数序列，步长为1。
LingBot-World 2.0：Infinite Worlds with Versatile Interactions
† 项目负责人Abstract摘要我们提出 LingBot-World 2.0(也称为 LingBot-World-Infinity)，这是 LingBot-World 的一个高级迭代版本，具有四项显著升级。(1)我们的模型在保持稳定输出质量的同时，实现了无界的交互时域，这得益于精心设计的因果Pretraining 范式。(2)通过从基础模型中蒸馏出一个实时变体，我们的系统可保证快速响应时间，足以驱动720p、60fps的视频流。
从零构建物联网数据中台：MQTT协议、Node.js服务、MongoDB与InfluxDB双存储及React可视化实战
本文详细介绍了从零构建物联网数据中台的完整实战方案。通过采用MQTT协议作为设备通信标准，结合Node.js搭建高并发数据处理服务，并创新性地使用MongoDB与InfluxDB双存储架构分别管理设备元数据与海量时序数据，最后利用React构建了实时数据可视化控制台。该架构有效解决了物联网项目中数据异构、查询性能低下等核心痛点，为构建高效、可扩展的物联网平台提供了清晰路径。
2006NOIP普及组真题 4. 数列
从上述推理中，我们发现要输出的幂次和中的第 N 项（也就是幂次和中的序号N），对应的二进制位数和幂次和对应的二进制位数相同。当 k=3 时，k的幂次为1, 3, 9, 27, 81…，即第0位，第2位均为1，转成 k 进制（k=3）时。，即第2位，第3位均为1，转成 k 进制（k=3）时。转成 k 进制（k=3）时的幂次和为。，即第0位，第1位，第2位均为1，（即第0位，第1位，第2位均为1）N=12时，12的二进制是。（即第0位，第2位均为1）（即第2位，第3位均为1）结论：这道题就变成了。
解决[WARN] : Controller Spawner couldn‘t find the expected controller_manager ROS interface.思路
rrbot例程ros_control配置问题的解决思路 本人刚入门ROS机器人开发，在学习rrbot例程出现了control_manager无法启动的bug。 在启动rrbot_control.launch的时候，出现下列warning： [WARN] [1594362016.372059]: Controller Spawner couldn't find the expected controller_manager ROS interface. 之后再按教程的步骤 rosservice call /
睿尔曼超轻量仿人机械臂-ROS第一篇 启动机械臂的Moveit
本文主要讲述了睿尔曼六轴机械臂在ROS中的功能包配置，及如何根据文件启动Moveit做仿真。
ARM双核锁步DCLS Lockstep技术研究（FPGA实现）
基于《Applying Dual-Core Lockstep in Embedded Processors to Mitigate Radiation-induced Soft Errors》文章总结 RISC-V双核锁步DCLS Lockstep技术参考之前文章： RISC-V双核锁步DCLS Lockstep技术总结_远古架构师alanwu的博客-优快云博客https://blog.youkuaiyun.com/heyuming20062007/article/details/123329537ARM+RIS
【项目实战】SOVD协议（面向服务的车辆诊断协议）
此外，AUTOSAR组织将SOVD部分内容的软件实现定义在了R22-11及以上版本的AUTOSAR Adaptive规范中，还支持动态发现车内诊断功能、获取高性能计算机（HPC）的Log信息等新的诊断需求，更符合当前软件定义汽车概念下的行业趋势。而SOVDGateway作为边缘节点，也肩负着对SOVD Client进行认证以及权限控制的责任，从而保证车辆的信息安全。相较于传统的UDS（Unified Diagnostic Services）协议，SOVD不仅保留了传统的读写数据、例程控制、故障读取等功能，
使用xlwings在Python中对Excel表格进行操作是非常方便的，可以实现自动化处理、批量数据处理等功能
使用xlwings在Python中对Excel表格进行操作是非常方便的，可以实现自动化处理、批量数据处理等功能。本篇文章主要介绍如何使用xlwings对Excel表格进行多行多列数据设置和操作，并给出相应的源代码。接着，我们可以对这个范围内的所有单元格进行操作，如设置字体颜色、填充颜色、对齐方式等。以上就是使用xlwings对Excel表格进行多行多列数据操作和设置字体颜色、填充色和对齐方式的全部内容。最后，我们可以将数据写入到单元格中，也可以从单元格中读取数据。在Excel中，可以通过。
HCIP - Al Solution 华为认证—— 3、大模型基础
00:20核心目标: 与GPT类似，旨在学习一个通用的预训练模型，以便在大量不同任务上通过微调快速适配。与GPT的对比: BERT的效果在实验数据上优于GPT-1。模型特点: 采用双向的Transformer编码器结构，能够实现不同位置信息之间的互通，这与GPT的单向结构不同。06:3735:45核心思想: 尝试将标准的Transformer结构直接应用于图像，并对图像分类流程进行最少的修改。具体操作流程:图像分块: 将整幅图像拆分成多个小的图像块（Patch）。
IEM模型，地表粗糙度模拟
利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟
efm32 入门.pdf
本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
97
扫一扫
