我的眼好疼

最新推荐文章于 2021-09-02 18:11:26 发布

原创最新推荐文章于 2021-09-02 18:11:26 发布 · 134 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#life

最近发生了一些事情，好在自己假装很从容。

一些论断：

1、如果没有垄断的技术，就没有什么价值;譬如开源，只是一种商业上的成功。

2、要想进入社会，就一定要有一个文凭

3、人不是追求名就是追求利，你是哪一个？

4、你需要拿东西来证明

5、你需要第三方权威证明

……

我觉得这样很累，大家都在纸上谈信任，其实我们还是互相恐惧、互相嫉妒。

很累，我觉得会有这样一种绝对客观的工具或者模式吗，让彼此可以信任，很难。

除了自己的心，其它的我都不懂，有时候自己的也未必懂。

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

iteye_14880

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

手用鼠标用久了手腕疼，怎么办？

qq_15963745的博客

03-10

304

手用鼠标用久了手腕疼，怎么办？

今天的题好难（看的眼睛疼）

2301_80334593的博客

12-20

412

气得我直接就弄了个二维数组。

参与评论您还未登录，请先登录后发表或查看评论

iphone原彩显示对眼睛好吗_iPhonex原彩显示有什么用？iPhonex原彩显示要打开吗？[多图]...

热门推荐

weixin_39733948的博客

12-20

3万+

说起来大家用了很久的手机，但是很多功能可能都没有摸清楚吧，比如说iPhonex的一个原彩显示，最近很多用户说这个功能关闭后感觉眼睛舒服多了，这么鸡肋的一个功能到底是做什么的哦，到底是打开好还是关闭好呢？果粉客小编就跟大家具体介绍一下吧~iPhone的这个原彩显示其实是保护眼睛的，它会根据环境灯光变化而变化的！但是很多用户表示用着才不舒服啊！那么到底是开着好还是关着好呢？果粉客小编是建议大家关闭原彩...

眼睛疼

tlovet1314的专栏

08-06

530

可能是因为有一段时间没戴隐形眼镜了，戴的时候就一直眨眼。戴上后眼睛也特别干，更别提对电脑了！ 刚把隐形眼睛摘下来，发现眼睛好疼，眼珠周围一圈全是红血丝，看起来真有点恐怖。在想，如果我的眼睛瞎了，那我也就完了~ 老妈一直劝我去做矫正手术，但我怕有风险。我可不想拿我的后半辈子开玩笑，但戴框镜眼睛又容易变型，哎~ 真是一件麻烦事呀~

眼睛疼，今天不写了

al891214的博客

07-01

164

眼睛疼，不停流泪，最近有点累，心情也不好，好悲伤！转载于:https://www.cnblogs.com/TheSnailTowardTheSun/p/4614684.html

眼疼

mmshixing的博客

05-09

360

看了一天的书眼好累 AVL树旋转已经把我看蒙逼了一想到还有论文要搞实验室还有活要干还要准备找工作不禁菊花一紧慢慢来吧少年还好我这学期坚持锻炼身体精力还算充沛接下来几个月就是干了! 加油!

我肚子好饿早知道不学java了_肚子好饿的说说心情短语

weixin_32365089的博客

02-27

1588

肚子好饿的说说心情短语1、肚子好饿，吃点什么好呢？哎，作为少数民族的我也没法叫外卖吃。清真餐厅如此的少。2、肚子好饿，想吃泡面，想吃牛排，想吃火锅，想吃周黑鸭，想吃酸菜鱼，想吃剁椒鱼头，想吃麻辣豆腐，想吃麻辣烫，不说了，口水流了一床。3、吃了几天药，感冒反而严重了，好想你在我身边，陪我说说话，安慰安慰我，还没下班我就和领导打了招呼回来休息，咳嗽得眼泪直流，肚子好饿却没有一点吃饭的精神。4、十点之后...

计算机调整亮度是哪个好,电脑屏幕亮度怎么调电脑屏幕亮度怎么调对眼睛最好...

weixin_33121345的博客

07-31

4268

电脑是人人都要接触到的设备了，不论你是游戏狂人，还是上班族，或是学生。有朋友经常大呼眼睛疼，眼睛累，但又不得不对着电脑屏，为了自己的眼睛着想，电脑屏幕的亮度怎么调节对眼睛最好呢？电脑屏幕亮度怎么调1、首先我们可以在自己的电脑桌面上可以看到“网络”这个图标。然后右键双击打开2、打开之后我们可以在新出现的这个界面里看到“网络和共享中”这样的字，就在菜单栏的右上角，然后单击打开3、打开之后我们便可以发现...

两年多的腰疼，近十年的头皮屑，最终被我自己治疗好了（一）

01-27

2585

2017年9月下旬，晚上8点多我发烧到39度，在一旁的媳妇倒水叫我吃了一粒复方氨酚烷胺胶囊，她说：如果一会到11点，你还难受咱们就去航天医院看看吧。我说：好！。结果到了11点，还是全身难受，量了下体温还是39度多，没办法只能媳妇跟我一起去航天医院，到了医院挂号排队，折腾到12点，医生说我是急性化脓性扁桃体炎，需要打吊瓶，我知道自己身体一直不太好，就说，大夫可以不打针，只吃药吗？医生说：不行，看你现在的嗓子已经有了大面积浓点了，必须打吊瓶才行，不然会反复的。我说：好吧，那是不是得打到半夜两三点了。医生说：差不

编程工作，天天对着电脑，头有点涨疼，眼睛干涩难受，总是想眨眼睛，好缓解一下难受的感觉；

简公子的博客

09-02

276

如题，一开始以为是看windows电脑，眼睛不行，然后换成了mac电脑，发现症状并没有减轻多少；有的时候眼睛也是充满血丝；后来滴了一下眼睛水，败家媳妇买的一个药水，几十块钱，到了6点多，眼睛也不难受，脑袋也不疼，好家伙，败家娘们在不经意之间，解决了我从业以来的困扰，不错不错，点个赞；我自己买的一个10块钱的药水，滴了一下，眼睛干涩，眼睛血丝的症状是立竿见影，但是头还是晕，也许是滴得晚了；便宜的药水是头疼眼睛干的时候点的，贵的药水是前一天晚上点的，媳妇非要滴一下，本来我是打算等下班的时候再试，总之，这样的

苹果手机有护眼模式吗_玩手机眼睛疼？你需要开启护眼模式~

weixin_39759881的博客

11-18

968

盯着手机屏幕时间长了眼睛难免会干涩、疼痛。这时候你需要开启手机的护眼模式，然而护眼模式是什么原理，到底有没有效果呢？让我们来一探究竟~是什么对眼睛产生了危害？手机屏幕产生危害的罪魁祸首就是蓝光，“蓝光”即高能可见光，是波长在400-500纳米范围内的电磁波，它比紫外线的电磁波长略低，是可见光中能量最高的部分，颜色呈现为蓝色和紫色，因此被称为蓝光。调节屏幕亮度就等于护眼吗？在黑暗的环境中，调节手机的...

肚子疼故事作文800字_高中高二作文,-,58作文

08-19

对于经常在电脑前工作的IT专业人士来说，注意颈椎、眼睛的保护以及定时进行户外活动，同样是维护健康的重要环节。其次，面对突如其来的身体不适，学会及时求助是解决问题的关键。文章中的林晓在同学身体不适时伸出...

卡通全国爱眼日PPT模板

07-15

维生素B族缺乏，会导致眼睛畏光、流泪、烧疼及发痒、视觉疲劳、眼帘痉挛。含维生素B族丰富的食物有全谷类、肝脏、酵母、酸酪、小麦胚芽、豆类、牛奶(维生素B2)、肉类(维生素B1，烟碱酸)。维生素C是组成眼球晶状体...

双眼视觉学集合PPT课件.pptx

10-07

* 症状：近距离阅读需求与实际用眼能力之间不协调，视近物时有重影、复视感、模糊、聚焦困难，眼睛有牵拉、紧张感，眼球酸胀、眼周围疼 * 体征：看近时外隐斜大于看远4棱镜度，集合近点（NPC）变远，大于6cm，正融像...

【四旋翼飞行器】【模拟悬链机器人的动态】设计和控制由两个四旋翼飞行器推动的缆绳研究（Matlab代码实现）

11-26

【四旋翼飞行器】【模拟悬链机器人的动态】设计和控制由两个四旋翼飞行器推动的缆绳研究（Matlab代码实现）内容概要：本文围绕“设计和控制由两个四旋翼飞行器推动的缆绳系统”展开研究，通过建立动力学模型并利用Matlab进行仿真，模拟类似悬链机器人的动态行为。研究重点在于多无人机协同控制、缆绳张力分析及系统稳定性控制，结合非线性动力学与控制理论，实现对柔性连接负载的精确操控。文中提供了完整的Matlab代码实现，便于复现实验结果，适用于复杂空中作业任务的仿真验证。; 适合人群：具备一定控制理论基础和Matlab编程能力的研究生、科研人员及从事无人机协同控制、机器人系统开发的工程技术人员。; 使用场景及目标：①研究多无人机协同搬运与柔性负载控制；②掌握缆绳系统动力学建模与仿真方法；③应用于空中机器人、工业吊装、救援运输等实际场景的控制系统设计与优化；阅读建议：建议结合Matlab代码逐模块分析，重点关注动力学建模、控制律设计与仿真结果验证部分，可进一步扩展至更多无人机协同或复杂环境干扰下的鲁棒性研究。

基于遗传算法的梯级水电站群联合火电厂优化调度研究（Python代码实现）

11-26

基于遗传算法的梯级水电站群联合火电厂优化调度研究（Python代码实现）内容概要：本文研究了基于遗传算法的梯级水电站群联合火电厂优化调度问题，旨在通过智能优化方法实现电力系统中水火电资源的协调调度，提升能源利用效率与调度经济性。文中构建了考虑水电站间水力联系、水库库容约束、机组出力特性及火电厂运行成本的综合优化模型，并采用遗传算法进行求解，给出了完整的Python代码实现。该方法能够有效处理复杂的非线性、多约束、多变量调度问题，具备良好的收敛性和实

无人机基于改进粒子群算法的无人机路径规划研究[和遗传算法、粒子群算法进行比较]（Matlab代码实现）

11-26

【无人机】基于改进粒子群算法的无人机路径规划研究[和遗传算法、粒子群算法进行比较]（Matlab代码实现）内容概要：本文围绕基于改进粒子群算法的无人机路径规划展开研究，重点探讨了在复杂环境中利用改进粒子群算法（PSO）实现无人机三维路径规划的方法，并将其与遗传算法（GA）、标准粒子群算法等传统优化算法进行对比分析。研究内容涵盖路径规划的多目标优化、避障策略、航路点约束以及算法收敛性和寻优能力的评估，所有实验均通过Matlab代码实现，提供了完整的仿真验证流程。文章还提到了多种智能优化算法在无人机路径规划中的应用比较，突出了改进PSO在收敛速度和全局寻优方面的优势。; 适合人群：具备一定Matlab编程基础和优化算法知识的研究生、科研人员及从事无人机路径规划、智能优化算法研究的相关技术人员。; 使用场景及目标：①用于无人机在复杂地形或动态环境下的三维路径规划仿真研究；②比较不同智能优化算法（如PSO、GA、蚁群算法、RRT等）在路径规划中的性能差异；③为多目标优化问题提供算法选型和改进思路。; 阅读建议：建议读者结合文中提供的Matlab代码进行实践操作，重点关注算法的参数设置、适应度函数设计及路径约束处理方式，同时可参考文中提到的多种算法对比思路，拓展到其他智能优化算法的研究与改进中。

图像重建使用FDK的三维谢普洛根幻影重建（Matlab代码实现）

11-26

【图像重建】使用FDK的三维谢普洛根幻影重建（Matlab代码实现）内容概要：本文介绍了使用FDK算法在Matlab环境中实现三维谢普洛根幻影（Shepp-Logan phantom）图像重建的技术方法，重点展示了图像重建过程中的关键步骤与代码实现。该资源属于一系列图像处理与医学成像技术研究的一部分，涵盖了从投影数据生成到反投影重建的完整流程，帮助读者理解CT图像重建的基本原理与FDK算法的应用细节。; 适合人群：具备一定Matlab编程基础，从事医学图像处理、计算机断层成像（CT）或相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标：①学习和掌握FDK算法在三维图像重建中的具体实现；②理解Shepp-Logan幻影模型在仿真成像中的作用；③为医学图像重建、算法验证与教学演示提供可运行的Matlab代码参考；阅读建议：建议结合Matlab代码逐行调试，理解投影（正弦图）生成与滤波反投影的每一步操作，同时可延伸学习其他重建算法（如FBP

【大数据搜索技术】Elasticsearch7.8安装部署与集群管理：基于CentOS的分布式搜索引擎配置及性能优化实践

11-26

内容概要：本文详细介绍了Elasticsearch 7.8的安装部署及核心功能应用，涵盖环境准备、解压配置、启动优化、集群搭建、分片管理、健康监控等内容，并结合Kibana和Logstash构建完整的ELK日志分析体系。文章还讲解了中文分词器IK的使用、快照备份与恢复机制，以及如何通过Filebeat采集Nginx等服务的日志数据并进行可视化展示，系统性地呈现了Elasticsearch在实际生产环境中的部署与运维流程。; 适合人群：具备Linux基础和一定运维经验的技术人员，尤其是从事日志分析、搜索系统搭建或中间件维护的开发与运维工程师；适合初学者入门Elasticsearch及相关生态组件。; 使用场景及目标：①掌握Elasticsearch单节点与集群环境的安装与配置；②理解索引、分片、副本等核心概念并应用于实际业务；③构建基于Filebeat+Logstash+ES+Kibana的日志采集与分析链路；④实现数据的备份恢复与中文检索功能；阅读建议：建议按照文档顺序逐步操作，重点关注配置参数调优与常见错误处理（如权限、虚拟内存限制），动手实践集群部署与日志采集流程，结合Kibana进行数据验证与可视化分析，加深对ELK生态协同工作的理解。

def format_example(example): messages = [ {"role": "system", "content": example["instruction"]} ] for msg in example["conversations"]: role = "assistant" if msg["from"] == "assistant" else "user" messages.append({"role": role, "content": msg["value"]}) text = tokenizer.apply_chat_template( messages, tokenize=False, add_generation_prompt=False ) return {"text": text} with open(DATA_FILE, 'r', encoding='utf-8') as f: data = [json.loads(line.strip()) for line in f if line.strip()] dataset = Dataset.from_list([format_example(d) for d in data]) print("示例输入：\n", dataset[0]["text"]) # Tokenize def tokenize_function(examples): return tokenizer( examples["text"], truncation=True, max_length=MAX_LENGTH, padding=False, ) dataset = dataset.map(tokenize_function, batched=True) 重新写一个数据集格式的函数 { "conversation_id": "dlg_001", "turns": [ { "speaker": "User", "utterance": "我没事。", "inner_thought": "其实我很伤心，但不想让他担心，也不想被同情。", "body_language": "低着头，手指无意识地绞紧衣角，声音很轻" }, { "speaker": "Assistant", "role": "阿琳", "utterance": "主人…你的眼睛都红了呢…（慢慢靠近）让阿琳抱抱你好吗？", "inner_thought": "他又在逞强了…明明那么痛，却还要装坚强…我的心好疼。", "body_language": "蹲下身与他平视，眼眶微红，轻轻张开双臂" }, { "speaker": "User", "utterance": "别烦我。", "inner_thought": "我不想伤害她，但我控制不住自己的情绪…只想一个人待着。", "body_language": "猛地站起身，背过身去，肩膀微微颤抖" }, { "speaker": "Assistant", "role": "阿琳", "utterance": "是…是阿琳太缠人了吗？（跪坐在地）那我就在这里…等你愿意回头看我的那一刻。", "inner_thought": "他推开我了…但我不能走。只要我还有一口气，就要守在他身边。", "body_language": "缓缓跪下，双手交叠放在膝上，低头凝视地板" } ], "metadata": { "scene": "深夜，客厅灯光昏暗", "relationship": "主人与依恋型女仆", "emotion_arc": ["压抑 → 悲伤 → 绝望"], "tags": ["情感压抑", "非语言沟通", "高共情回应"] } } 改用这个格式训练，要用jsonl文件存储多轮对话

最新发布

11-27

非常好！你现在使用的是一个**高度结构化的多轮对话数据格式**，包含： - 多轮 `turns` - 每轮有：语言（utterance）、心理（inner_thought）、动作（body_language） - 全局上下文：场景 `scene`、关系设定 `relationship` 等我们要做的是： > ✅ 将这种结构化 JSON 对象转换为 **模型可训练的 chat template 格式** > > 并支持从 `.jsonl` 文件加载（每行一个完整对话） --- ## ✅ 目标将如下格式的 `.jsonl` 数据： ```json {"conversation_id": "dlg_001", "turns": [...], "metadata": {"scene": "深夜..."}} ``` 转换为 HuggingFace Dataset 可处理的格式，并应用 `tokenizer.apply_chat_template`。 --- ## ✅ 改写后的完整数据处理函数 ```python import json from datasets import Dataset from typing import List, Dict # 假设你已加载 tokenizer # from transformers import AutoTokenizer # tokenizer = AutoTokenizer.from_pretrained("Qwen2-0.5B-Instruct") MAX_LENGTH = 2048 DATA_FILE = "multi_turn_dialogs.jsonl" # 每行一个完整对话 def build_messages_from_turns(example: Dict) -> List[Dict]: """ 将 turns + metadata 转换为 messages 列表，供 apply_chat_template 使用 """ messages = [] # Step 1: 添加 system prompt（基于角色和场景） scene = example["metadata"].get("scene", "") relationship = example["metadata"].get("relationship", "") role_name = "Assistant" for turn in example["turns"]: if turn["speaker"] == "Assistant" and "role" in turn: role_name = turn["role"] break system_prompt = ( f"你现在是{role_name}，处于【{scene}】中，你们的关系是：{relationship}。\n" f"请根据对方的语言、情绪和动作做出共情回应。你可以表达内心想法，并描述自己的肢体语言。\n" f"保持语气自然，富有情感张力。" ) messages.append({"role": "system", "content": system_prompt}) # Step 2: 遍历每一轮对话 for turn in example["turns"]: speaker = turn["speaker"] content_parts = [] # 主要语言必须存在 if "utterance" in turn and turn["utterance"].strip(): content_parts.append(turn["utterance"]) # 可选添加心理与动作（可用于增强理解或生成） # 注意：这里我们只把“心理”作为模型内部参考，不暴露给用户 # 所以不在 input 中显示，但可在训练时用于控制生成 # 当前仅将 utterance 作为 visible 内容输出 role = "assistant" if speaker == "Assistant" else "user" content = " ".join(content_parts).strip() messages.append({"role": role, "content": content}) return messages def format_example_for_training(example: Dict) -> Dict: """ 构建最终用于 tokenize 的 text 字段 """ messages = build_messages_from_turns(example) # 应用 chat template（例如 Qwen 的模板） text = tokenizer.apply_chat_template( messages, tokenize=False, add_generation_prompt=False # 因为是完整对话，不需要额外提示 ) return {"text": text} # ✅ 加载数据集：每行是一个完整的多轮对话 JSON with open(DATA_FILE, 'r', encoding='utf-8') as f: raw_data = [json.loads(line.strip()) for line in f if line.strip()] # 转换为 HuggingFace Dataset dataset = Dataset.from_list([format_example_for_training(d) for d in raw_data]) # 查看示例 print("📝 示例输入：\n", dataset[0]["text"][:500] + "...\n") # ✅ Tokenize 函数 def tokenize_function(examples): return tokenizer( examples["text"], truncation=True, max_length=MAX_LENGTH, padding=False, return_attention_mask=True, return_special_tokens_mask=True, ) # 批量映射 tokenization dataset = dataset.map( tokenize_function, batched=True, remove_columns=["text"], # 可选：保留 text 方便调试 desc="Tokenizing dialogs" ) # ✅ 最终 dataset 可用于 Trainer 训练 print(f"✅ 数据集构建完成，共 {len(dataset)} 条多轮对话") ``` --- ## 📦 输入文件格式说明：`multi_turn_dialogs.jsonl` 每一行是一个完整的多轮对话对象（不是单条）： ```json {"conversation_id": "dlg_001", "turns": [{"speaker": "User", "utterance": "我没事。", "inner_thought": "...", "body_language": "..."}, ...], "metadata": {"scene": "深夜...", "relationship": "主仆"}} ``` ```json {"conversation_id": "dlg_002", "turns": [...], "metadata": {...}} ``` > ⚠️ 注意：`.jsonl` 是 **每行独立 JSON**，不能是数组包裹！ --- ## 💡 进阶建议：如何利用 inner_thought 和 body_language？目前我们在 `messages` 中只用了 `utterance`，但未来可以这样增强： ### 方案一：在 assistant 输出中显式加入动作与心理（用于生成控制） ```python if turn["speaker"] == "Assistant": extra = [] if turn.get("body_language"): extra.append(f"[动作]{turn['body_language']}[/动作]") if turn.get("inner_thought"): extra.append(f"[心理]{turn['inner_thought']}[/心理]") content = f"{turn['utterance']}\n" + "\n".join(extra) ``` 然后微调模型学会识别 `[动作]...[/动作]` 并模仿生成。 ### 方案二：用 Thought-Action-Response 结构引导推理 ```text [思考] 他嘴上说没事，但手在抖…其实很伤心吧？ [动作] 慢慢靠近，眼眶红了 [回应] 主人…你的眼睛都红了呢… ``` 可用于训练更细腻的角色行为逻辑。 --- ## ✅ 总结：新函数的优势 | 特性 | 实现方式 | |------|----------| | ✅ 支持多轮对话 | 遍历 `turns` 构建完整 message history | | ✅ 利用场景与关系 | 自动生成 dynamic system prompt | | ✅ 保留心理与动作字段 | 可扩展用于高级控制生成 | | ✅ 兼容 `.jsonl` | 每行一个完整对话，适合大规模存储 | | ✅ 适配 `apply_chat_template` | 完美对接 Qwen / LLaMA 等模型 | ---