- 博客(341)
- 资源 (20)
- 问答 (1)
- 收藏
- 关注
RSS订阅
原创 DeepSeek R1完全本地部署实战教程01-课程大纲
11.DeepSeek r1 外部访问身份认证api-key。12.DeepSeek r1 公网服务发布-内网穿透设置。8.DeepSeek r1 本地模型路径设置。9.DeepSeek r1 本地访问身份认证。5.DeepSeek r1配置外部网络访问。6.DeepSeek r1多任务并发配置。7.DeepSeek r1 访问性能优化。（1）deepseek r1 模型获取。（2）deepseek r1 模型配置。（1）webui可视化界面部署。（2）ollama安装和配置。4.webui安装和配置。
2025-02-10 15:52:49
525
原创 《大模型在汽车行业的典型应用实践》100w字长文预告
当前大模型已经全面赋能汽车产业全链路并形成了典型的应用场景。，具体包括芯片、存储网络等基础设施、通用大模型、大模型开发平台等，上层应用涉及从研发、生产、销售、服务、车端应用等各个方向。，产品端的大模型技术部署早于企业内部的大模型变革，其中大模型支持的营销类应用、智能驾驶大模型、智能座舱大模型是车企投入的首选。
2024-12-03 21:39:56
1270
原创 YOLOv11项目实战2：道路缺陷检测系统优化【Python源码+数据集+界面】
YOLO11是一种单阶段目标检测算法，其核心思想是将整个图像划分为多个网格，每个网格负责预测固定数量的边界框及其对应的类别概率。相比于两阶段检测器（如Faster R-CNN），YOLO11具有更快的推理速度，适合于实时应用场景。本文对上一篇博文《YOLO11项目实战1：道路缺陷检测系统设计【Python源码+数据集+运行演示】》的升级和改进，主要是解决了非目标检测区域对于检测结果的影响。新增了区域检测功能。
2024-10-03 17:32:47
1291
原创 YOLOv1–v11: 版本演进及其关键技术解析
YOLO (You Only Look Once) 是一种高效的目标检测算法，自其初代发布以来，经过多次迭代，逐步提升了检测速度和精度。本文将详细介绍 YOLO 从 v1 到 v11 的各个版本，涵盖每个版本的发布日期、作者、项目地址及主要功能特性。
2024-10-02 06:53:38
2914
原创 chatGPT小白快速入门培训课程-001
本文是《chatGPT小白快速入门培训课程》的第001篇文章，全部内容采用chatGPT和chatGPT开源平替软件生成。《chatGPT小白快速入门课程大纲》。本系列文章，参与： AIGC征文活动 #AIGC技术创作内容征文#ChatGPT是什么?ChatGPT是由谁开发的?ChatGPT是一个什么样的语言模型?
2023-08-11 19:04:04
1394
原创 Llms大模型中国开源项目大全（更新至2023-08-10）
你了解中国ChatGPT相关开源项目的情况吗？ 如果想要从事chatGPT相关项目的开发和研究，有哪些可以借鉴和开源项目？ 中国的chatGPT开源项目发展如何，本文将给你带来答案。
2023-08-10 15:39:51
1543
原创 VITS开源项目汇总（更新至2023-08-10）
VITS一键克隆，中英日三语，VITS中文模型，优质，分块流式推理，VITS歌声转换，多人模型，
2023-06-01 11:36:01
4932
3
原创 电商零售数仓建模之平台02：平台业务模型v2.0
一、前言本文是上一篇《电商零售数仓建模之平台01：平台业务模型》的升级版本，主要是对于平台业务模型的04.流量部分做了更进一步的拆分，同时考虑到数据分析的需求，整理出来相关的数据指标。业务建模，尤其是一个陌生领域的业务建模，是一个逐步迭代的过程，不要试图一撮而就，可以快速的拿出第一个版本，作为标靶，放到实践中，用业务需求来进行验证。关于设计有一句个人总结经验：实践是检验设计的唯一标准。二、工作流程数仓模型设计的工作流程，基于场景不同略有差异，Kimball维度建模工具箱中提到了四步骤建模法：
2021-08-24 20:26:40
539
原创 电商零售数仓建模之平台01：平台业务模型
一、前言数仓建模的成熟度在金融领域，尤其是银行、保险和证券行业得益于传统数据仓库服务厂商的推动，具有非常好的最佳实践，但是在互联网领域却从未形成真正的标准和规范。本文基于汽车电商零售领域的实践总结和沉淀而来，作为随笔，发布与此，共享给大家。二、工作流程数仓模型设计的工作流程，基于场景不同略有差异，Kimball维度建模工具箱中提到了四步骤建模法：活动选择、定义粒度、确定维度、确定指标，适合的是特定场景和特定业务活动的建模，并不适用开放型的场景和系统性的数仓建设。以下工作流程是改进之后的，自顶向下
2021-08-17 10:33:22
591
原创 电商零售数仓建模之商品01：车源业务模型
一、前言数仓建模的成熟度在金融领域，尤其是银行、保险和证券行业得益于传统数据仓库服务厂商的推动，具有非常好的最佳实践，但是在互联网领域却从未形成真正的标准和规范。本文基于汽车电商零售领域的实践总结和沉淀而来，作为随笔，发布与此，共享给大家。二、工作流程数仓模型设计的工作流程，基于场景不同略有差异，Kimball维度建模工具箱中提到了四步骤建模法：活动选择、定义粒度、确定维度、确定指标，适合的是特定场景和特定业务活动的建模，并不适用开放型的场景和系统性的数仓建设。以下工作流程是改进之后的，自顶向下
2021-08-16 19:48:42
601
3
原创 数据中台体系结构、建设方法和落地实践（3）数据中台的商业价值模型
这里写自定义目录标题一、前言二、正文2.1 数据中台的商业价值困境2.1.1 量化之困2.1.2 归因之惑2.1.3 人心难平2.2 数据中台的商业价值模型2.2.1 基础价值：业务呈现2.2.2 增量价值：业务赋能三、未完待续四、相关文章一、前言数据中台建设历经坎坷，有过高潮，也有过低谷，被各类自媒体小文写死过无数次，一旦有草动风吹，就从棺材板里，拉出来，锤一波。无聊的同时，也能感受到行业的焦虑和躁动不安，数据中台的概念因阿里而兴，却不会因为阿里数据中台之死而死，换个名字，换个身份，继续折腾而已，比如
2021-02-24 17:49:41
546
原创 数据中台体系结构、建设方法和落地实践（2）：数据中台的概念定义
一、前言 关于数据中台的概念定义，业内有各种各样的版本，尤其是涉及数据中台与数据仓库、数据平台等相关概念的差异一直争议不断，可谓一百个人眼中，就有一百个数据中台，千百万人眼中，就有千百万个数据中台。关于概念之争论，笔者无意逐一罗列，更无意参与其中，而是希望从工程实践者的视角，提供一种全新的关于数据中台定义的思考逻辑。本章内容围绕数据中台的定义，采用两种方法，三个视角，给大家阐述，在工程实践者的眼中，数据中台的概念定义。二、正文2.1 什么是数据中台数据中台概念的理解，我们可...
2020-07-30 09:12:05
3215
1
原创 数据中台体系结构、建设方法和落地实践（1）- 目录
数据中台体系结构、建设方法和落地实践第一部分： 体系结构篇：关键词：数据仓库：内容组织 内容数据平台：存储和计算 技术数据中台：数据服务 应用概念定义：中台、平台、数仓体系结构：一个中心，两套体系，三项服务，四类用户第二部分： 建设方法篇：数据中台建设方法论设计方法：四个方法-专家法、参照法、归纳法、混合法设计原则：两个原则-面向业务，基于团队实施策略：单点切入：平台建设、内容建设、工具建设、数据应用；横向拓展：工具-》内容；工具-》...
2020-07-10 08:48:29
1636
原创 数据产品经理类型划分和工作汇报框架
一、前言数据产品经理按照其工作内容，可以分为工具型数据产品经理、应用型数据产品经理和数据内容建设型数据产品经理、运营型数据产品经理和策略型数据产品经理。其中数据应用型产品经理，又可分为数据报表设计和商业数据分析型数据产品经理，两个子分类。详细的划分结构如下图所示：不同类型的数据产品经理，其工作职责和内容各有不同，工具型数据产品经理的主要职责是工具平台的建设和推广，本文重点介绍工具型数据产品经理的工作汇报方法，通过结构化的方式，呈现工具型数据产品经理的工作汇报框架。二、正文工具型数据产品经
2020-06-08 14:07:03
1286
1
原创 DeepSeek R1大语言模型实战工作坊02：deepseek发展演进
核心功能：致力于 AGI功能介绍：由知名量化资管巨头幻方量化创立，其掌门人梁文锋是 DeepSeek 的创始人。
2025-03-05 18:20:49
1046
原创 专题02.DeepSeek R1大语言模型发展演进
本文是《DeepSeek R1大语言模型实战工作坊》系列文章的第02节，旨在通过时间维度，介绍deepSeek R1大模型的发展演进。
2025-03-05 10:34:55
706
原创 AI产品经理必须掌握九大互联网思维模式
互联网思维是在（移动）互联网、大数据和云计算等科技迅速发展的背景下，对市场、用户、产品、企业价值链乃至整个商业生态进行重新审视的思考方式。它不仅仅局限于互联网产品或企业，而是涵盖了所有可以“互联网+”的事物。互联网思维的核心在于降低维度，让互联网产业积极地与实体产业融合。
2025-02-23 07:30:56
421
原创 deepseek r1从零搭建本地知识库10：嵌入模型和知识库建设
嵌入模型是一种将文本、图像、音频等非结构化数据转化为**低维稠密向量（Dense Vector）**的算法模型，这些向量（通常几百到几千维）能够捕捉数据的语义信息。核心目标：将抽象内容转化为计算机可理解的数值形式，同时保留其语义关联性
2025-02-16 17:47:23
1817
3
原创 deepseek r1从零搭建本地知识库11：嵌入模型-跟着榜单去选型
2.1 MTEB 是什么？定位：权威的文本嵌入模型性能评测基准，覆盖检索（Retrieval）、分类（Classification）、聚类（Clustering）、语义相似度（Semantic Similarity）等 8 大类任务、58 个子任务。数据：涵盖 112 种语言，支持多语言模型横向对比。更新频率：排行榜定期更新，收录最新开源和商业模型。2.2 如何使用该排行榜？查看模型排名：默认按综合得分（）排序，可点击表头按特定任务（如检索）排序。筛选模型。
2025-02-16 17:42:23
735
原创 deepseek r1完全本地部署实战教程10
Ollama使用环境变量来进行配置，允许用户根据需要调整其行为。通过合理配置这些环境变量，用户可以优化Ollama的性能、安全性以及功能适应性，使其更好地服务于特定的应用场景或开发需求。
2025-02-08 09:15:17
415
原创 专题1：AI大模型在汽车行业的应用现状与展望
其他车企目前比较普遍的做法是将大模型作为工具辅助汽车的智驾训练，如吉利、广汽等，利用大模型在大量corner case场景进行泛化，弥补真实数据不足的情况，解决智能驾驶场景中的难题，但大模型仍然存在可解释性差、需要海量高质量数据等劣势。汽车行业作为制造业的一个细分领域，除了车辆本身的智能化以外，大模型也将深入影响汽车行业价值链中的各个环节，例如在生产制造环节，宝马、奔驰、通用等国外车企均利用大模型提高生产效率和质量，且已有明显效果，可供国内车企进行参考。
2024-12-03 23:02:00
342
原创 AI智能助理在企业内部的8大应用场景
通过这些应用场景，AI智能助理不仅能够减轻员工的工作负担，还能促进企业内部的信息流通和协作效率。随着技术的进步，未来还将有更多创新的功能被开发出来，以满足不断变化的企业需求。AI智能助理在企业内部办公方向的应用可以极大地提高工作效率、优化流程，并为员工提供更加个性化的支持。
2024-10-13 23:54:26
1862
原创 揭秘语音识别巨头：国内外顶尖技术服务商全解析01：微软语音，商业No.1（万字长文）
微软在语音技术领域有着悠久的历史和卓越的成绩。从个人数字助理Cortana到Azure Cognitive Services中的Speech Service，再到支持多语言即时翻译的耳机产品，微软一直致力于开发能够理解自然语言、促进人机交互以及改善用户体验的技术。这些成果背后，是微软对深度学习算法、大数据处理能力及云计算平台的强大支持。Edge-TTS是一个基于WebAssembly实现的轻量级文本转语音库，支持通过JavaScript调用，在浏览器或Node.js环境下运行。
2024-10-12 23:54:48
1337
原创 揭秘语音识别巨头1：国内外顶尖技术服务商全解析01（万字长文）
解密语音识别巨头：国内顶尖技术服务商全解析00：学习地图解密语音识别巨头：国内顶尖技术服务商全解析01：微软语音，商业No.1解密语音识别巨头：国内顶尖技术服务商全解析02：百度语音，长跑选手解密语音识别巨头：国内顶尖技术服务商全解析03：火山引擎，番茄听书解密语音识别巨头：国内顶尖技术服务商全解析04：科大讯飞，方言之星解密语音识别巨头：国内顶尖技术服务商全解析05：Whisper，开源No.1解密语音识别巨头：国内顶尖技术服务商全解析06：SenseVoice，阿里巴巴新作。
2024-10-12 20:35:10
920
原创 从零开始掌握YOLOv11：揭秘三大损失函数的理想值（源码+实战）
在YOLO11或其他深度学习模型中，损失函数的具体理想值并不是一个固定的数值，而是取决于多个因素，包括数据集的复杂性、模型架构、训练策略等。然而，可以提供一些一般性的指导原则和经验法则来帮助你理解理想的损失值范围。
2024-10-03 19:54:53
1218
原创 从零开始掌握YOLOv11：一文读懂损失函数的奥秘（源码+实操）
DFL Loss 通常与传统的交叉熵损失结合使用，以增强模型对困难样本的学习能力。其核心思想是通过对每个类别的预测概率进行加权，使得模型更加关注那些难以正确分类的样本。5.3 DFL Loss 的具体意义通过引入平衡因子 α，DFL Loss 可以更好地处理类别不平衡问题。对于少数类别的样本，可以通过增加其权重来提升其重要性，从而提高模型对这些类别的检测性能。通过聚焦参数 γ，DFL Loss 可以让模型更加关注那些难以正确分类的样本。当。
2024-10-03 19:39:49
8954
2
原创 Yolov11项目实战1：道路缺陷检测系统设计【Python源码+数据集+运行演示】
YOLO11是一种单阶段目标检测算法，其核心思想是将整个图像划分为多个网格，每个网格负责预测固定数量的边界框及其对应的类别概率。相比于两阶段检测器（如Faster R-CNN），YOLO11具有更快的推理速度，适合于实时应用场景。YOLO11道路缺陷检测系统通过结合高效的YOLO11算法和先进的计算机视觉技术，实现了对道路缺陷的自动化检测。该系统不仅提高了检测效率，还大大降低了人工巡检的成本和时间。通过对大量数据的训练和优化，系统能够准确地识别出多种类型的道路缺陷，并在实时视频流中进行标注。
2024-10-03 17:07:26
1717
原创 YOLO v11实时目标检测3：训练数据集格式说明
了解 YOLOv11 的数据集格式对于成功地进行目标检测任务至关重要。通过遵循上述指南，你可以轻松地准备和组织你的数据集，从而充分发挥 YOLOv11的强大性能。希望这篇博客能够帮助你更好地理解和使用 YOLOv11的数据集格式。如果你有任何问题或需要进一步的帮助，请随时联系我！
2024-10-02 15:36:42
1766
原创 YOLOv11目标检测实战2：人流统计、车流统计和跟踪（附源码）
通过上述步骤，我们已经介绍了如何使用 YOLOv11 进行人流统计、车流统计和多目标跟踪。YOLOv11 的高效性和准确性使其成为这些任务的理想选择。希望这篇博客能够帮助读者更好地理解和应用 YOLOv11 在实际项目中的强大功能。如果你有任何问题或建议，欢迎留言交流！
2024-10-02 14:57:16
1666
原创 Yolo v11目标检测实战1：对象分割和人流跟踪（附源码）
通过上述步骤，你应该能够成功地安装 YOLO11 并设置好开发环境。一旦安装完成，你就可以开始探索 YOLO11 的强大功能，包括目标检测、对象分割和多目标跟踪。如果有任何疑问或遇到问题，查阅官方文档或社区支持通常是很好的起点。祝你在使用 YOLO11 的过程中取得成功！
2024-10-02 14:39:26
1378
原创 YOLOv11：重新定义实时目标检测的未来
Ultralytics YOLOv11 是备受赞誉的实时目标检测和图像分割模型的最新版本。YOLOv11 基于深度学习和计算机视觉领域的最先进进展，提供了无与伦比的速度和精度性能。其简洁的设计使其适用于各种应用场景，并且可以轻松适应从边缘设备到云端 API 的不同硬件平台。2024.10Ultralytics 团队自豪地宣布推出 YOLOv11，这是其备受赞誉的实时目标检测和图像分割模型系列的最新版本。YOLOv11 基于最新的深度学习和计算机视觉技术，提供了前所未有的速度和精度。
2024-10-02 07:24:39
3620
原创 ubuntu22.04 安装部署05：禁用默认显卡驱动
Ubuntu22.04 默认显卡驱动，如果安装cuda，需要单独安装显卡驱动，并禁止默认显卡驱动。
2024-02-08 17:35:44
1678
原创 Conda历史版本下载地址和python对应关系
因为Conda安装版本问题，带来了很多问题，虽然不能直接确定二者之间的关系，但是安装指定版本的conda,确实是一个比较好的方法。特此记忆。
2024-02-08 00:58:45
2323
原创 ubuntu22.04 安装部署04：经常死机，鼠标，键盘无响应
1. 开机一小时后，突然之间网络掉线，鼠标、键盘无反应。2.强制重启后，恢复正常。3.多次重复出现该问题。
2024-02-05 06:24:52
2370
1
WebSphere MQv7 实例源码
2012-03-23
请教3dslicer 图像标注工具github地址在哪里可以下载到
2022-03-15
TA创建的收藏夹 TA关注的收藏夹
TA关注的人