Mac OS终端安装zsh和oh my zsh之后，之前安装的Anaconda3无法使用的解决方法

最新推荐文章于 2025-06-04 12:28:16 发布
最新推荐文章于 2025-06-04 12:28:16 发布
阅读量4.5k 收藏 6
点赞数 2
分类专栏： 初级
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/liuhui_1211/article/details/79439137
版权

开发Web-APP需要使用python3，将Mac自带bash更新为oh my zsh之后，shell没有重启之前输入python3可以进入python，但是重启shell之后，输入“python3”，shell显示：

zsh: command not found: python3


究其原因，认为是Anaconda的路径没有加入导致。

但事实上，在安装Anaconda时，该路径已经自动加上了。

但作为尝试，手动再次将该路径加入，输入：

echo 'export PATH="/Users/liuhui/anaconda3/bin:$PATH"'>>~/.zshrc #zsh

其中，/Users/liuhui/anaconda3/ 为安装anaconda3的绝对路径。

之后，在shell中输入

source ~/.zshrc #zsh

再次输入python3，可以正常进入而不报错。

【论文阅读】PERCEIVER-ACTOR: A Multi-Task Transformer for Robotic Manipulation
qq_33673253的博客
09-16 1783
transformers凭借其对大型数据集的扩展能力，彻底改变了视觉和自然语言处理。但在机器人操作中，数据既有限又昂贵。通过正确的问题表述，操纵仍然可以从变形金刚中受益吗？我们使用peract来研究这个问题，peract是一种用于的。peract使用感知器transformer[1]对语言目标和rgb-d体素观测值进行编码，并通过“。与在2d图像上操作的框架不同，体素化的3d观察和动作空间为有效学习6-dof动作。
【论文阅读】GNFactor: Multi-Task Real Robot Learning with Generalizable Neural Feature Fields
qq_33673253的博客
09-21 1289
在机器人技术中，开发 agents 是一项长期存在的问题，能够从非结构化现实世界环境中的视觉观察中执行不同的操作任务。为了实现这一目标，机器人需要对场景的 3d 结构和语义进行全面理解。在这项工作中，我们提出了 gnfactor，这是一种用于具有可泛化神经特征场的多任务机器人操作的视觉行为克隆 agent。gnfactor 通过利用共享的深度 3d 体素表示，联合优化可泛化的神经场 (gnf) 作为重建模块和感知器 transformer 作为决策模块。
PERCEIVER-ACTOR: A Multi-Task Transformer for Robotic Manipulation
s_m_c的博客
08-16 715
这种基于体素的形式提供了强大的结构先验，有几个好处：融合多视图观察的自然方法、学习稳健的以动作为中心的 表示和启用 6-DoF 中的数据增强——所有这些都有助于通过关注多样化而不是狭窄的多任务数据来学习可泛化的技能。：在这项工作中，我们的目标是利用voxel patches 的 3D 结构，以实现与Transformer有效的6自由度行为克隆(类似于视觉转换器[4]如何利用图像patch的2D结构)。我们发现更多的潜在向量通常会提高代理对更多任务进行建模的能力，但对于简单的短视距任务，更少的潜在就足够了。
PerAct 开源项目安装与使用指南
gitblog_00103的博客
08-27 831
PerAct 开源项目安装与使用指南 peractPerceiver-Actor: A Multi-Task Transformer for Robotic Manipulation项目地址:https://gitcode.com/gh_mirrors/pe/peract 1. 目录结构及介绍 PerAct 是一个基于Transformer的多任务机器人操作代理，设计用于通过语言条件的任务执行。...
PerAct 项目使用教程
gitblog_00424的博客
08-26 353
PerAct 项目使用教程 peractPerceiver-Actor: A Multi-Task Transformer for Robotic Manipulation项目地址:https://gitcode.com/gh_mirrors/pe/peract 项目介绍 PerAct 是一个端到端的行为克隆代理，专门设计用于执行多种语言条件下的机器人操作任务。该项目利用 Transformer...
PERCEIVER-ACTOR: 用于机器人操作的多任务Transformer
yorkhunter的博客
10-08 1106
22年11月来自华盛顿大学和Nvidia的论文 “PERCEIVER-ACTOR: A Multi-Task Transformer for Robotic Manipulation”。
探索未来机器人交互的边界：Perceiver-Actor深度解析与应用探索
gitblog_00027的博客
06-08 1087
探索未来机器人交互的边界：Perceiver-Actor深度解析与应用探索 peractPerceiver-Actor: A Multi-Task Transformer for Robotic Manipulation项目地址:https://gitcode.com/gh_mirrors/pe/peract 项目介绍 在机器人技术和自然语言处理的交汇点，一个名为Perceiver-Actor的...
pybullet与peract获取数据集
weixin_61996736的博客
07-04 304
pybullet中的数据如何在peract中使用
Perceiver解读：使用transformer进行多模态分类
SSyangguang的博客
05-25 6934
Perceiver解读 最近在看多模态学习的工作，发现一个使用transformer进行多模态融合的模型很有趣，分享一下，文章是Perceiver: General Perception with Iterative Attention。 Perceiver的共享主要包括两点：1.使得transformer的层数可以更深，实验中可以堆叠48层；2.可以在不改变模型结构的基础上处理多种模态的数据，实验中对图像、音频、视频、点云数据都进行了测试，目前研究在图像、点云、音频、视频、音频+视频数据上进行了分类实
论文阅读：CLIP:Learning Transferable Visual Models From Natural Language Supervision
记录图像处理中遇到的点点滴滴
06-03 801
openai_CLIP论文泛读，深入打通文字和图片的壁垒
【人工智能】deepseek七篇论文阅读笔记大纲
Lifelong learning.
05-29 512
研读了deepseek的论文，文章内容太多觉得有必要亲自整理，自己动手才记得住
论文笔记： Urban Region Embedding via Multi-View Contrastive Prediction
qq_40206371的博客
05-31 532
摘要：本文提出了一种新的多视图区域嵌入一致性学习框架ReCP，突破了传统"单视图表示+多视图融合"范式的局限性。ReCP通过视图内对比学习和自动编码器捕获视图特有特征，同时创新性地设计了视图间对比学习和双重预测机制，有效利用多视图间的信息一致性作为学习约束，实现知识跨视图迁移。该方法在AAAI2024会议上展示，实验验证了其有效性。
【论文笔记】High-Resolution Representations for Labeling Pixels and Regions
Word_And_Me_的博客
06-03 1013
【题目】：High-Resolution Representations for Labeling Pixels and Regions【引用格式】：Sun K, Zhao Y, Jiang B, et al. High-resolution representations for labeling pixels and regions[J]. arXiv preprint arXiv:1904.04514, 2019.【网址】：https://arxiv.org/pdf/1904.04514【开源代码】：
π0论文阅读
https://github.com/heatMa
06-01 1394
摘要：π₀模型通过动作专家模块结合流匹配（Flow Matching）技术，实现高效连续动作生成，优于传统自回归离散化方法。动作专家模块利用预训练视觉语言模型处理多模态输入，流匹配通过噪声扰动和去噪过程直接输出连续动作序列，支持高频（50Hz）精细控制。相比自回归方法，流匹配避免了量化误差，提升了动作精度和生成效率，适用于衣物折叠等复杂任务。实验证明其跨实体兼容性和鲁棒性，成功率近100%。
Med-R1论文阅读理解-1
guoguozgw的博客
05-30 1199
Med-R1 为医学视觉-语言模型提供了一条全新的发展路径。不仅在性能上超越了现有 SFT 方法和更大规模的模型，还在泛化性和可解释性方面实现了突破。首次将强化学习应用于医学多模态推理。提出了 GRPO + 规则奖励的新型训练范式。验证了参数效率模型也能取得卓越性能。
Pluto论文阅读笔记
最新发布
ZHANG8023ZHEN的博客
06-04 252
主要还是参考了这一篇论文笔记：https://zhuanlan.zhihu.com/p/18319150220。对于正负样本的对比loss，其中的相似度可以使用余弦相似度等。其他对比学习的loss。
[论文阅读]Poisonprompt: Backdoor attack on prompt-based large language models
m0_52911108的博客
05-30 1232
探讨了外包提示的安全漏洞，这些漏洞在发布前被恶意注入了后门。提示的后门行为可以通过注入查询句的几个触发器来激活；否则，提示行为正常。探讨了在下一个词预测任务的背景下的后门攻击。在提示调优过程中向提示注入后门带来了巨大的挑战。首先，在低熵提示上与提示调优一起训练后门任务是困难的。因此，后门攻击应该利用大型语言模型的上下文推理能力来有效地响应输入符元的微小变化。其次，向提示注入后门将不可避免地降低提示的性能。为了应对这一挑战，后门攻击的训练应同时优化提示调优任务，以保持其在下游任务上的性能。
【论文笔记】SecAlign: Defending Against Prompt Injection with Preference Optimization
AustinCyy的博客
06-01 1342
SecAlign: Defending Against Prompt Injection with Preference Optimization - CSS 25
【论文阅读】DanceGRPO: Unleashing GRPO on Visual Generation
xianshuiyihui的博客
05-30 1317
DanceGRPO：第一个视觉生成大一统强化学习框架--论文详解
MOKA: Open-World Robotic Manipulation through Mark-Based Visual Prompting
03-08
### MOKA 开放世界机器人操作概述 MOKA 是一种创新性的框架，旨在使机器人能够在开放环境中执行复杂的操纵任务。该框架利用基于标记的视觉提示技术来指导机器人的动作[^1]。 #### 基于标记的视觉提示机制 为了实现在未知环境下的有效交互，MOKA 使用特定设计的视觉标记作为引导信号。这些标记被放置在目标物体周围或表面上，提供给机器人清晰可见的位置指示和操作指令。当摄像头捕捉到带有编码信息的图像时，算法会解析其中蕴含的数据并转换成具体的运动命令。这种方法不仅提高了识别精度，而且简化了训练模型所需的数据集构建过程。 ```python def parse_visual_prompt(image): """ 解析来自图像中的视觉标记，并返回相应的操作指令。 参数: image (numpy.ndarray): 输入RGB图像 返回: dict: 包含位置和其他必要参数的操作指令字典 """ markers = detect_markers_in_image(image) instructions = {} for marker_id, position in markers.items(): instruction = decode_marker(marker_id) instructions.update({ 'position': position, **instruction }) return instructions ``` #### 实现细节与优势 - **鲁棒性**: 即便是在光照变化较大或者存在遮挡的情况下，精心设计的标记依然能够保持较高的检测成功率； - **灵活性**: 可以轻松调整不同场景下的需求，只需改变所使用的标记样式即可适应新的应用场合； - **效率高**: 减少了对大规模标注数据的需求，在一定程度上降低了开发成本和技术门槛； 通过上述方式，MOKA 成功实现了让机器人理解复杂多变的真实世界的潜力，为自动化领域带来了全新的可能性。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值