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
300+累计阅读
310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
ERE-EN数据集是一个常用于文本类任务的数据集，特别是在处理与事件抽取和事件关系相关的任务时。该数据集通常与LDC2015E29、LDC2015E68、LDC2015E78等文件目录相关联。然而，关于ERE-EN数据集的具体内容、结构和标注方式，可能会因版本和发布者的不同而有所变化。文件结构如下：
获取方法：
方法1：注册LDC账号并加入组织获取数据，官网链接：LDC官网
方法2：关注公众号，回复ERE-ENLDC语料小助手
https://mp.weixin.qq.com/s/8GgZFh9XAr7FYwivQ_ajRg
A+Comparison+of+the+Events+and+Relations+Across+ACE,+ERE,+TAC-KB
摘要在计算语义中努力的兴起已导致各种类型的关系提取和语义解析的兴趣增加。尽管存在用于实现此工作的各种手动注释资源，但是在开发这些材料时考虑了不同的标准和目标。为
ERE-EN数据集介绍，编号LDC2015E68
ERE-EN数据集是一个常用于文本类任务的数据集，特别是在处理与事件抽取和事件关系相关的任务时。该数据集通常与LDC2015E29、LDC2015E68、LDC2015E78等文件目录相关联。然而，关于ERE-EN数据集的具体内容、结构和标注方式，可能会因版本和发布者的不同而有所变化。方法2：关注公众号，回复ERE-EN。
Ubuntu 24.04 安装 ROS2 Jazzy
手把手教你在Ubuntu24.04上安装JazzyROS2操作系统。
DEGREE: A Data-Efficient Generation-Based Event Extraction Model论文解读
在本文中，我们关注低资源端到端事件抽取，并提出了DEGREE，这是一个数据高效模型，将事件抽取表述为一个条件生成问题。给定一篇文章和一个手动设计的提示，DEGREE学会将文章中提到的事件总结成一个遵循预定义模式的自然句子。然后用确定性算法从生成的句子中抽取出最终的事件预测。
Pwntools不只是PWN：用它写个自动化Fuzz脚本，挖掘Linux命令行工具漏洞
本文探讨了如何利用Pwntools构建自动化Fuzz脚本，挖掘Linux命令行工具中的漏洞。通过详细的代码示例和实战案例，展示了Pwntools在Fuzzing中的高效性和灵活性，特别适合快速验证特定场景的安全问题。文章还提供了进阶技巧和避坑指南，帮助安全研究人员快速上手并提升测试效率。
TPL5010硬件看门狗电路
在做一些采集频率很低的产品的时候，会考虑电池供电，比如表、电气表等，为了控制功耗，往往会在设备不需要工作的时候让它进入低功耗模式。为了设备的稳定性，避免死机后无法恢复，必须配置看门狗，一般的看门狗芯片，喂狗间隔时间是几秒钟。这样在喂狗和低功耗之间就产生了一个矛盾，频繁的喂狗就需要频繁的醒过来，这样功耗就很难做到很低。这颗看门狗芯片，特别适合上面的应用。2小时的间隔意味着主控芯片每2小时醒过来喂狗一次即可，而在2.5V供电的情况下，功耗仅仅35nA，几乎可以忽略不计。
技术动态 | 事件图谱schema生成关键前沿技术：如何基于语言模型生成Event Schema代表工作解读...
转载公众号| 老刘说NLP做过事件抽取的朋友们都知道，事件schema是一个十分重要的存在，事件schema又称事件模式。事件模式提供了一种概念性的、结构性的和形式化的语言来表示事件和对世界事件知识进行建模。不过，在实际的研发过程中，我们会发现，由于现实世界事件的开放性、事件表达的多样性和事件知识的稀缺性，自动生成高质量和高覆盖率的事件模式难度较大。最近，《Harvesting Event Sc...
DeepSeek掘金——用DeepSeek模型构建AI 代理
在本综合指南中，我们将探讨如何利用 DeepSeek 的功能构建能够以有意义的方式理解、推理和交互的复杂 AI 代理。人工智能领域正在迅速发展，DeepSeek 的模型代表了智能 AI 代理开发的重大进步。在本综合指南中，我们将探讨如何利用 DeepSeek 的功能构建能够以有意义的方式理解、推理和交互的复杂 AI 代理。
EACL 2023 | 多编码器的事件抽取混合检测生成框架
©PaperWeekly 原创 ·作者 |werge研究方向 |自然语言处理传统事件抽取任务一般分为的事件检测（ED, Event Detection）和事件论元抽取（EAE, Event Argument Extraction）两个子任务。前者用于识别事件触发词并对其对应的事件类型进行分类；后者则主要用于提取触发词对应的论元及其角色。事件抽取任务一般使用多个分类任务框架建模，或者采用统一的...
基于毫米波雷达的智能风扇算法设计与实现
摘要：本文设计了一种基于毫米波雷达的智能风扇控制系统，采用FMCW雷达实现人体目标的精准检测与定位。系统通过距离FFT、速度FFT、CFAR检测和AoA估计构建完整的信号处理链路，并针对风扇叶片干扰设计了基于自相关函数的抗干扰算法。创新性地提出了人在开机、多人优先送风、摇头追踪等控制策略。研究采用MATLAB完成全链路算法仿真验证，并在STM32平台上实现实物系统。实验表明，该系统可实现0.15m测距精度和±60°方位角覆盖，有效解决了传统风扇的能源浪费和用户体验问题。本文提供了完整的MATLAB仿真代码和
基于Jeecgboot3.9.0的vue3版本前后端分离的flowable流程管理平台
基于Jeecgboot3.9.0的vue3版本前后端分离的flowable流程管理平台
ERE-EN数据集介绍，编号LDC2015E78
Rich ERE数据集常用于关系抽取任务，文件结构如下：
华为od 面试八股文_前端_02_含答案
华为od 面试八股文_前端_02_含答案
Linguistic Data Consortium (LDC)
搞NLP的人经常会听到一个神秘的名字LDC，因为大量的论文所使用的数据都来自于LDC，本文就来揭露其神秘面目。 About LDC： LDC，全名Linguistic Data Consortium，是一个由大学、图书馆、企业、政府、研究机构共同合办的联合企业，成立于1992年，目前由宾夕法尼亚大学负责主要运营。LDC最初的角色只是保存与分发科研要用到的语言数据，后来有钱了，就也自己收集、自己...
一个严谨的STM32串口DMA发送&接收（1.5Mbps波特率）机制
本文描述串口DMA收/发机制设计，及STM32串口DMA收/发实现。
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")
【论文阅读笔记|ACL2022】Query and Extract: Refining Event Extractionas Type-oriented Binary Decoding
我们提出了一个新的事件抽取框架，它使用事件类型和论元角色作为自然语言查询，从输入文本中提取候选触发词和论元。
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
自然语言处理的技术演进与核心任务
从早期的规则与统计方法，到以神经网络为代表的深度学习方法，再到当前以大规模预训练语言模型为主导的范式，这一领域发生了深刻变化。早期的自然语言处理高度依赖人工编写的语言规则与词典，虽在受限场景可用，却难以覆盖语言的开放性与多样性。这种先通识后专精的范式，使自然语言处理从分散的小模型走向统一的能力底座，也催生了对话、写作、摘要等丰富应用。对话系统把理解与生成结合，在上下文中持续回应。这类能力极大提升了内容生产的效率，但也带来事实准确性与原创性的挑战，需要配合检索与人工审核，避免流畅却失实的表达误导读者。
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
总结1：大语言模型概述
AI是什么 → AI发展从1.0到2.0的演变 → 什么是大语言模型LLM → 市面上常见大模型介绍 → 大模型各行各业落地应用 → 大模型未来趋势与现存挑战、解决办法
11.04 大语言模型研究简报：OpenAI 工程 Agent 在 BenchCAD 2.0 上达到 0.875 分
大型语言模型的应用场景正在从代码编写延伸至真实的工程设计。2026 年 11 月 3 日，OpenAI 发表《Accelerating engineering for the physical world》，介绍 GPT-6 Astra 与 Codex 在机械设计、计算机辅助设计（CAD）、印刷电路板（PCB）设计、有限元分析（FEA）及制造工作流中的应用。
港大 RosettaSim 让语言模型学会长时交通仿真（ECCV 2026）
在验证集 2% 子集、骨干冻结及单个 epoch 的训练预算下，Qwen2.5-0.5B-Instruct 的综合分数达到 0.7620，优于 Llama-3.2-1B-Instruct 的 0.7594、TinyLlama 的 0.7397 和 GPT-2-Small 的 0.5425。SMART 和 CAT-K 的行为整体分数较高，而 RosettaSim 在持续补充新参与者的同时，取得了更好的交通流表现与综合分数。在常见的短时设置中，模拟器主要关注初始场景里的参与者，预测它们接下来如何运动。
论文 | WebCopass：面向代码语言模型的多模态Web编码评估 | 多模态网页编码评估基准
WebCompass：面向代码语言模型的多模态Web编码评估多模态基准测试平台完整的 lifecycle：生成-编辑-修复用任务感知评估方法，需要强大的功能推理能力，还深入的视觉设计理解和更高的输出一致性。代码生成评估流程图：流程：模型上下文协议（MCP）对真实浏览器的控制。
新书预告 从《Transformer与大语言模型》到《LLM量化实战》
《Transformer 与大语言模型》完结，新系列《LLM 量化实战》启动。上一本解析“为什么”设计大模型，本册聚焦“怎么”让模型变小变快——从FP16到4-bit量化，详解GPTQ、AWQ、QLoRA、GGUF等技术，结合RTX 4090实测，手把手教你压缩模型、降低显存、部署推理。适合想在8GB~24GB显存设备上运行7B/70B模型的开发者与工程师。原理+实战双线并进，只写真实跑通的结果。
总结2：大语言模型入门
我用开一家AI小餐馆做整套比喻： 把大模型想象成一家餐馆，大语言模型就是餐馆本身；训练原理就是装修、培训后厨；使用技巧是顾客怎么点菜才能吃到合心意的菜；解决幻觉就是避免后厨瞎编菜品；Agent智能体是雇来的全能店长；模型生态就是选后厨是自研（开源）还是外包（闭源），以及调整后厨规模大小。下面按顺序梳理，每个专业术语配一句话解释+生活化例子。
来自Transformers的双向编码器表示(BERT)
BERT是一种基于Transformer编码器的双向预训练语言模型，通过自监督学习在大规模语料上进行掩蔽语言模型（MLM）和下一句预测（NSP）任务预训练。其输入包含词元、片段和可学习位置嵌入，利用双向上下文表示词元。预训练后，可微调用于下游自然语言处理任务。实验表明，BERT能生成上下文敏感的词向量，有效捕捉语义信息。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
329
扫一扫
