- 博客(469)
- 问答 (1)
- 收藏
- 关注
RSS订阅原创 DeepSeek-OCR解读
相比于传统的OCR技术，DeepSeek OCR 因为融入了先进的深度学习AI，所以它：更聪明：识别准确率更高，尤其对复杂版面和手写体（在一定清晰度下）效果更好。更强大：能处理各种“刁难”的场景，比如文字倾斜、光线不均等。更全能：通常支持多种语言混合识别，表格识别等复杂任务。总而言之，DeepSeek OCR 就是一个能帮你把“死”图片里的文字“救活”，变成“活”的电子文本的AI神器！
2025-11-01 14:14:09
421
原创 Kimi 系列技术报告(K1.5+K2)解读
Kimi已经完成了一次重要的战略升级。它不再仅仅是一个‘能处理长文本的专家’，而是进化成了一个‘全能型的AI助手’。这次升级可以概括为两部分：一是极致的上下文长度（K1.5），另一个是顶级的通用能力（K2）。
2025-10-02 22:02:44
1094
原创 大模型Prompt总结
在与大模型进行交流的过程中，由于用户经验不足、模型差异性会出现Prompt指令不当的问题，因此需要通过Prompt工程，使用户能够控制模型的输出，使其生成相关、准确且高质量的文本。：在我们输入一段很长文本给大模型时，由于字数限制大模型可能无法全部读取，此时我们能将全篇文本进行分段，将前面内容让大模型总结从而将总结的内容衔接后面的内容，达到层层递进理解的效果。：我们在提出问题时可以在开头加一个"用户输入的问题："，这样相当于强调我们主要要分析的内容是开头输入的这部分内容，帮助大模型更好的进行分析。
2025-10-01 23:06:56
653
原创 Qwen-Image-Edit解读
它边看“配方卡片”（文本特征），边用**“扩散手艺”——先大火乱炖，再小火精调——一点点把噪声煮成和配方完全匹配的“浓汤块”。等要出图时，再“把汤块加水还原”**成高清大图。他两只耳朵分别听着“话”、两只眼睛同时盯着“图”，用Transformer 的交叉注意力把两句话里的关键词——“星空”“向日葵”“花田”——一一对应到画布的不同位置。你说一句“我想要一只戴墨镜的柯基在沙滩冲浪”，它立刻把这句话翻译成**“厨师能听懂的配方卡片”——一串包含“柯基、墨镜、沙滩、冲浪”等细节的 文本特征向量**。
2025-10-01 21:35:03
1056
原创 Layer Normalization（层归一化） 和 Batch Normalization（批量归一化）
它一次看一个批次（Batch）的数据（比如32个学生），计算这32个学生的语文平均分和语文成绩的波动程度（方差），然后用这个均值和方差来标准化这32个学生的语文成绩。它计算这个学生所有科目（语文、数学、英语）的总平均分和所有科目成绩的波动程度（方差），然后用这个均值和方差来标准化这个学生所有科目的成绩。因为RNN的序列长度会变，每个Batch的形态可能不一致，很难计算稳定的均值和方差。假设你的数据是一个表格（比如学生成绩单），行是不同的人（样本），列是不同的特征（科目，如语文、数学、英语）。
2025-09-26 19:50:31
454
原创 RNN和LSTM模型研究
该门会读取h_{t-1}和x_t，输出一个在 0 到 1 之间的数值给每个在细胞状态C_{t-1}中的数字。LSTM 有通过精心设计的称作为“门”的结构来去除或者增加信息到细胞状态的能力。然后，一个 tanh 层创建一个新的候选值向量，C_t 会被加入到状态中。在标准的 RNN 中，这个重复的模块只有一个非常简单的结构，例如一个 tanh 层。LSTM 同样是这样的结构，但是重复的模块拥有一个不同的结构。现在是更新旧细胞状态的时间了，C_{t-1}更新为C_t。RNN 是包含循环的网络，允许信息的持久化。
2025-09-01 16:16:24
325
原创 时间序列模型LSTM的漫谈
pytorch-实现LSTM实现多变量输入多步预测。lstm多指标预测一个值 python代码。多指标/多参数/多变量/多特征 预测。
2025-08-13 15:28:28
217
原创 趣味AI神经网络
把大脑比作一个乐高积木工厂，里面有成千上万的小乐高积木工人（神经元）。这些工人不会一直忙碌，他们需要知道什么时候该工作，什么时候该休息。激活函数就像是告诉这些小工人“该干活了！”或者“休息一下吧！”的指挥官。激活函数被比喻为神经元的指挥家，神经网络的灵魂，能够创建更复杂的结构，而不仅仅是按照简单的规则（如每次加一块积木）来工作。这使得神经网络能够学习更复杂的模式。激活函数确保神经元的输出不会过大或过小，类似于确保乐高积木不会堆得太高而倒塌，或者留出足够的空间以避免过于拥挤，这样可以保持模型的稳定性。
2025-06-04 16:49:16
302
原创 非结构化数据比较成熟的分析方法及应用
是一种从大量文本数据中提取有用信息和知识的技术。文本挖掘的主要任务包括等。在商业领域，文本挖掘可以帮助企业分析消费者对产品的反馈和情感态度，从而更好地调整营销策略。在金融领域，文本挖掘可以帮助投资者分析股票市场的趋势和情绪，从而更好地把握投资机会。在医疗领域，文本挖掘可以帮助医生分析病人的病历和医学文献，从而更好地制定治疗方案。信息抽取是从文本中提取出结构化信息的技术。它可以将非结构化的文本转化为结构化的数据。信息抽取的主要任务包括等。
2025-04-10 09:41:57
471
原创 DeepSeek在日常办公中可以辅助大家做什么
文案撰写与润色：DeepSeek可以快速生成各类文案，包括报告、邮件、会议纪要等。例如，通过简单的提示词，它能生成一份产品推广文案或项目报告，并根据需要进行润色。文档校对与翻译：在WPS或Word中集成DeepSeek后，可以直接对文档内容进行校对、润色、翻译等操作。比如，选中一段文本后点击“生成”，DeepSeek会自动处理并生成优化后的结果。
2025-03-11 11:31:24
1613
原创 问答系统简述
PaddleNLP Pipelines带你10分钟完成抽取式智能问答系统。dureader baseline 的 tensorflow版。PaddleNLP带你十分钟搭建FAQ智能问答系统。信息抽取：只能从原有文本中抽取关键字。自己搭建个聊天机器人吧！开放域对话：有问题，机器会反问。生成式问答：运行错误？BERT 抽取式问答。
2025-02-09 23:57:35
812
原创 大模型最新进展跟踪（202410）
国内模型GLM-4-Plus、SenseChat 5.5、AndesGPT-2.0和Qwen2.5-72B-Instruct排名国内并列第一，有接近70分的表现，小幅落后于ChatGPT-4o-latest。（2）紧随其后的位列国内 Top10 的模型有 Hunyuan-Turbo、360gpt2-pro、Step-2-16k、DeepSeek-V2.5、Doubao-pro-0828、Baichuan4、山海大模型4.0、TeleChat2-Large，均有不俗表现。
2025-01-02 14:23:51
1301
1
原创 语音识别(音频转文本)
模型下载OpenAI的Whisper模型Whisper是OpenAI推出的一个多语言、端到端的语音识别模型，它能在多种情境下进行语音理解，包括跨语言对话、混合语言输入等。而Vosk则是一个轻量级的离线语音识别引擎，特别适合于资源有限的环境或对实时性要求高的场景。whisper集团 离线语音转写。
2024-11-06 09:08:10
1128
原创 Prompt工程(提示词工程)简述
Prompt是一种基于人工智能（AI）指令的技术，通过明确而具体的指令，指导语言模型的输出。在提示词工程中，Prompt的定义涵盖了任务、指令和角色三个主要元素，以确保模型生成符合用户需求的文本。任务： Prompt明确而简洁地陈述了用户要求模型生成的内容。这包括在特定应用场景中，用户希望模型完成的任务或生成的文本类型。指令： 模型在生成文本时应遵循的指令是Prompt中的关键要素之一。这些指令具体规定了模型生成文本的方式，通过清晰的语言来引导模型以获得所需的输出。
2024-10-12 09:24:07
512
原创 大模型微调方法简述
PEFT（Parameter-Efficient Fine-Tuning）是hugging face开源的一个参数高效微调大模型的工具，里面集成了4种微调大模型的方法，可以通过微调少量参数就达到接近微调全量参数的效果，使得在GPU资源不足的情况下也可以微调大模型。而当训练好新的参数后，利用重参的方式，将新参数和老的模型参数合并，这样既能在新任务上到达fine-tune整个模型的效果，又不会在推断的时候增加推断的耗时。低秩矩阵是指在线性代数中，其秩（即矩阵中线性无关的行或列的最大数目）较低的矩阵。
2024-09-02 13:59:52
937
原创 AI大模型简述
智谱清言ChatGLM，GLM全称”General Language Model“ 来源自清华的一篇论文——基于自回归空白填充目标的通用预训练框架，作为国产第一梯队的自研模型，这也是后续智谱AI发布的所有AI应用的底座。大模型是指拥有超过10亿个参数的深度神经网络，它们能够处理海量数据、完成各种复杂的任务，如自然语言处理、计算机视觉、语音识别等。华为盘古AI大模型包括了NLP大模型、CV大模型、科学计算大模型等多个AI大模型在内的合集，使其可以被应用到科学研究、教育、交通、工业等多个行业中。
2024-08-03 12:51:24
818
原创 flask创建登录页面
flask实现一个登录界面基础的Flask项目结构forms.py：定义登录表单和表单字段的文件。templates/login.html：用于渲染登录表单的 HTML 模板文件。routes.py：定义应用的路由和视图函数的文件。__init__.py：创建并初始化 Flask 应用的文件。run.py：启动应用的文件。Flask实现登录功能（参考）在上部署一个任务列表，在后期应设置为每个用户专用的列表登录页面设计。
2024-03-02 19:47:42
756
1
原创 向量数据库简介
当我们有一份文档需要 GPT 处理时，例如这份文档是客服培训资料或者操作手册，我们可以先将这份文档的所有内容转化成向量（这个过程称之为 Vector Embedding），然后当用户提出相关问题时，我们将用户的搜索内容转换成向量，然后在数据库中搜索最相似的向量，匹配最相似的几个上下文，最后将上下文返回给 GPT。向量数据库的核心思想是将文本转换成向量，然后将向量存储在数据库中，当用户输入问题时，将问题转换成向量，然后在数据库中搜索最相似的向量和上下文，最后将文本返回给用户。阿里巴巴智能引擎事业部团队。
2023-10-16 11:10:30
556
原创 2022-WACV-LaMa: Resolution-robust Large Mask Inpainting with Fourier Convolutions
试玩地址：https://huggingface.co/spaces/akhaliq/lama。PyTorch 中的傅立叶卷积：通过 FFT 有效计算大核卷积的数学原理和代码实现。基于LAMA的图像修复界面。
2023-09-18 11:27:05
218
原创 2023-Inpaint Anything: Segment Anything Meets Image Inpainting
区别于传统图像修补模型，IA 模型无需精细化操作生成掩码，支持了一键点击标记选定对象，IA 即可实现移除一切物体（Remove Anything）、填补一切内容（Fill Anything）、替换一切场景（Replace Anything），涵盖了包括目标移除、目标填充、背景替换等在内的多种典型图像修补应用场景。SAM在设计上可以同时输入原图和特定提示（点、框、阴影、文本），然后根据不同的提示输出不同的分割结果图，并且SAM支持不同提示的交互式分割。
2023-08-01 08:45:14
778
原创 基于CLEval的OCR精度评价指标
对“RIVERSIDE”的检测展示了细粒度的问题，对“WALK”的识别体现了正确性问题。TotalNum代表GT或检测到的字符的总数，CorrectNum代表正确的字符的总数。正确性表示的是文本与检测的匹配程度，在检测结果中，理想情况是每个字符被且仅被检测到一次。1.实例匹配过程：针对细粒度问题，将所有可能的gt和det做匹配，这里的匹配要求gt和det起码包含一个以上的共享字符。该论文提出了一种针对字符级别信息的评估方式，这种方式是对独立的文本检测、文本识别和端到端的文本发掘的细化评估。
2023-07-06 11:11:24
336
原创 PaddleOCR代码解读
在使用 训练模型 进行快速推理时，配置参数为image_shape: [736, 1280]，此时对象中的数据成员self.resize_type的值应该为1。当self.resize_type为2时，首先是从图片宽高中找出最长边，计算缩放比例，然后保持图片的宽高比不变进行缩放。这里使用的图像归一化是常见的方法，先乘上scale进行线性变换，再减去对应通道的平均值，最后除以对应通道的标准差。当self.resize_type为0时，将把图片宽高等比例缩放成均在参数限制内的、32的整数倍。
2023-07-02 21:31:26
1072
原创 OCR解码
CTC是最为经典的OCR解码算法，假设CRNN特征抽取器的输出维度Txn，其中T=8，n包含blank(记作 - )字符(blank字符是间隔符，意思是前后字符不连续)。对每一列1xn进行softmax得到概率最大的字符，得到的最终序列需要去除连续的重复字符，比如最终得到的序列为-stt-ate，那么去重合并后就得到state序列。2.将CNN的输出维度转换为25个1x512的序列，送入深层双向LSTM中，得到CRNN的输出特征，维度转换成为25xn(n是字符集合总数)。CRNN+CTC的文字识别算法。
2023-07-02 21:29:45
209
原创 2022-TPAMI-华科白翔-DBNet++
DBNet++网络在DBNet的基础上对head部分做了改进，DBNet直接把几个头分支concat起来，DBNet++通过Adaptive Scale Fusion (ASF)(自适应尺度融合)模块来连接，使用了空间自注意力机制来加强多尺度变化特征的刻画。论文主要动机：已有的算法耗时长。开发一种算法降低时间消耗，提高尺度鲁棒性。DBNet++：在DBNet的基础上引入了ASF结构。
2023-07-02 21:25:18
208
原创 2020-AAAI-华科白翔-DBNet文本检测
在基于分割的文本检测网络中，最终的二值化map都是使用的固定阈值来获取，并且阈值不同对性能影响较大。本文中，对每一个像素点进行自适应二值化，二值化阈值由网络学习得到，彻底将二值化这一步骤加入到网络里一起训练，这样最终的输出图对于阈值就会非常鲁棒。第一模块：使用CNN网络，对输入图像提取特征，得到特征图，本实验使用的骨干网络是轻量化网络MobileNetv3，同时使用了FPN结构，获取多尺度的特征，在本实验中，我们提取4个不同尺度下的特征图做拼接。DBNet属于基于分割的方法。做文字检测（基于分割的方法）
2023-07-02 21:24:00
247
原创 PyTorch模型量化方法
per channel是对于tensor的某一个维度（通常是channel的维度）上的值按照一种方式去scale和offset，也就是一个tensor里有多种不同的scale和offset的方式（组成一个vector），如此以来，在量化的时候相比per tensor的方式会引入更少的错误。动态量化，或者叫作Weight-only的量化，是提前把模型中某些op的参数量化为INT8，然后在运行的时候动态的把输入量化为INT8，然后在当前op输出的时候再把结果requantization回到float32类型。
2023-06-02 16:41:47
1587
3
原创 模型加速框架
前者在业界有许多非常优秀的框架：Google的GRPC、百度的BRPC等，甚至可以用python的Flask和Tornado框架，对于熟悉Python的算法工程师可以说是非常方便的。Triton支持从不同的框架（TensorRT、ONNX、Pytorch、TensorFlow）中托管/部署模型，并提供标准的模型推理API，减少了工程师的维护工作。TensorRT：为inference（推理）为生，是NVIDIA研发的一款针对深度学习模型在GPU上的计算，显著提高GPU上的模型推理性能。
2023-05-03 23:37:16
480
原创 模型压缩简介
模型部署是生产应用的最后一环，它将深度学习模型推理过程封装成服务，内部实现模型加载、模型版本管理、批处理以及服务接口封装等功能，对外提供RPC/HTTP接口。模型优化不彻底：TensorRT、TF-TRT等工具主要针对主干网络优化，但忽略了预处理部分，因此整个模型优化并不充分或者无法优化。另一种模型压缩还可以直接改变模型架构，虽然做不到模仿人脑进行稀疏连接，依然有很好的压缩效果，这种方法称为模型蒸馏。模型压缩领域对大脑的稀疏激活的应用是模型剪枝，相当于把模型做窄，永久失活一部分神经元，而不改变模型架构。
2023-04-06 09:14:03
301
原创 以图搜图综述
但特征的学习方式，尤其是引入度量学习的思路之后，即便是同一个网络的同一层特征，不同的训练方式对最后的精度也会有很大的影响。online部分，其中特征提取（query）和offline的特征提取（database）需要保持高度的一致性。2. 如何解决全量的特征迭代的问题，也就是说query和database的特征需要同步；以图搜图技术需要根据不同的使用场景来选择合适的技术方案，尤其是特征的选择。3. 特征增强，在检索结构确定的情况下获得更好的检索效果；1. 如何解决检索库动态增加的问题；4. 高并发低延迟；
2023-03-01 17:05:00
722
原创 特征匹配算法
它可以使复杂度为O(MN)的求和，求方差等运算降低到O(1)或近似于O(1)的复杂度，也就是说与邻域尺寸无关了，有点类似积分图吧，但是貌似比积分图更快（与它的实现方式有关）。对于二维的矩阵来讲，每一级Haar小波变换，需要先后进行水平方向和竖直方向上的两次一维小波变换，行和列的先后次序对结果不影响。盒子滤波是一种非常有用的线性滤波，也叫方框滤波，最简单的均值滤波就是盒子滤波归一化的情况。3.通过匹配特征点描述子，找到两张图中匹配的特征点对（这里可能存在错误匹配）2.提取每个特征点对应的描述子。
2023-02-13 16:22:18
321
原创 SURF特征匹配算法
在特征点周围取一个正方形框，框的边长为20s(s是所检测到该特征点所在的尺度)。然后把该框分为16个子区域，每个子区域统计25个像素的水平方向和垂直方向的haar小波特征，这里的水平和垂直方向都是相对主方向而言的。该haar小波特征为水平方向值之和，水平方向绝对值之和，垂直方向之和，垂直方向绝对值之和。用SIFT算法来实现图像拼接是很常用的方法，但是因为SIFT计算量很大，所以在速度要求很高的场合下不再适用。Surf算法的基本路程也可以分为四大部分：尺度空间建立、特征点定位、特征点方向确定，特征点描述。
2023-02-13 16:20:18
352
原创 正则表达式匹配
六种在正则表达式中的常见函数，分别是re.match、re.search、re.findall、re.compile、re.split和re.sub。re.match 尝试从字符串的起始位置匹配一个模式，如果不是起始位置匹配成功的话，match() 就返回 none。print(re.match('com', 'www.runoob.com')) # 不在起始位置匹配。print(re.match('www', 'www.runoob.com').span()) # 在起始位置匹配。
2023-02-13 15:39:59
177
原创 条码识别算法2
第二，为 了条码的可识读性，条码在制作时条和空之间有着较大的反射率差，从而条码区域内的灰度对比度较大，而且边缘信息丰富。第一，条码区域内的条空是平行排列的，方向趋于一致；基于方向一致性的条码定位算法。
2023-01-20 17:48:40
837
原创 条码识别算法
将最细的线宽设为 «1»，那么2倍的线宽就是«11»，3倍的线宽就是 «111»，以此类推。空白宽度按照同样原则，分别代表 «0»， «00» 或 «000»。Code-128码是11位条码。把序列拆分成11位数据块，生成字符串并显示。通过纵横配置像素，能够存储更大的信息量，不仅能表达数字，还能表达各类语言。对条码的条杠（＝线）及空间的宽度（间隔）差异进行感测，以此来读取数据。包括3种条杠，用3条杠和3格空格表达1个字符。用5条杠和4格空格表达1个字符的条码规格。符号（-,.,空格,$,/,+,%）
2023-01-20 17:47:29
2400
原创 C++调用yolov5 onnx模型的初步探索
用opencv的dnn模块做yolov5目标检测的程序，包含两个步骤：(1).把pytorch的训练模型.pth文件转换到.onnx文件。第二步编写yolov5.py文件，把yolov5的网络结构定义在.py文件里，此时需要注意网络结构里不能包含切片对象赋值操作，F.interpolate里的size参数需要加int强制转换。不过，最近我发现在yolov5-pytorch程序里，其实可以直接把原始训练模型.pt文件转换生成onnx文件的，而且我在一个yolov5检测人脸+关键点的程序里实验成功了。
2023-01-20 17:44:32
2768
原创 初步学习c++ createthread()多线程
要使用的这个线程需要将这个资源（取钱这个过程）先“锁”起来，然后用好之后再解锁，这期间别的线程就无法使用了，其他线程的也是类似的过程。cout
2023-01-20 17:02:10
438
原创 microsoft visual c++ build tools
因为visual studio的安装包太大，所以在不需要开发的情况下，可以选择使用microsoft visual c++ build tools安装c++编译器，这个工具会小很多。安装使用Visual C++ 编译器的 standalone（独立）版，而不需要安装庞大的Visual Studio。可以使用Microsoft C++ 生成/构建工具（Build Tools）来安装Visual C++ 编译器。visual c++ build tools的安装与使用。
2023-01-20 16:59:36
11088
双目视频视差图变化剧烈
2017-07-06
TA创建的收藏夹 TA关注的收藏夹
TA关注的人