- 博客(222)
- 收藏
- 关注
RSS订阅原创 yolvv8火焰检测模型下载
更大的模型如 `yolov8l.pt` 或 `yolov8x.pt` 则提供更高的精度，但计算成本更高。下载 YOLOv8 的火焰检测预训练模型通常涉及两个主要步骤：确认是否有可用的特定领域预训练权重（例如火焰检测），或者使用通用 COCO 数据集上的预训练权重并对其进行微调。这些模型是在 COCO 数据集上预训练的，可以作为火焰检测任务的良好起点。如果没有现成的火焰检测模型，则可以从 COCO 预训练模型出发，利用自己的火焰标注数据集进行微调。# 加载 COCO 预训练的 YOLOv8n 模型。
2025-04-04 10:27:08
292
原创 软件工程概论
软件工程是一门系统化的学科，旨在通过系统化的方法、工具和流程，高效开发高质量软件。敏捷开发：迭代开发（如Scrum、XP），强调客户协作和快速响应变化，适合需求多变的环境。定义：软件工程结合工程原则与计算机科学，覆盖软件的全生命周期（开发、维护、测试、管理）。瀑布模型：线性阶段（需求→设计→编码→测试→维护），适合需求明确的项目，但灵活性差。目标：交付满足用户需求、可靠、高效、可维护的软件，同时控制成本和时间。文档：需求文档、API文档等，平衡敏捷与文档需求。混合模型：结合瀑布与敏捷，平衡灵活性与结构化。
2025-03-07 09:40:44
422
原创 VS2022安装速成指南
Windows 10/11（版本 1909 或更高）或 Windows Server 2019/2022。启动 VS2022，使用 Microsoft 账户登录（可选，但可同步设置和获取社区版授权）通过以上步骤，30 分钟内即可完成 VS2022 的安装与基础配置，快速投入开发！，等待下载和安装完成（时间取决于网络和所选组件，通常 30 分钟至 2 小时）），编译并运行 "Hello World"：至少 20-50 GB（根据所选组件）：推荐 8 GB 或更高。目录，或通过安装程序。
2025-03-02 23:36:22
859
原创 Wireshark插件开发实用技巧分享
通过以上技巧，开发者可以快速构建高效可靠的Wireshark插件，精准解析自定义协议。安装编译工具链（如GCC、CMake）和Wireshark开发包（减少Lua中的字符串拼接，C插件中避免深层协议树嵌套。确保Wireshark启用Lua支持（安装时勾选或通过。避免频繁内存分配，使用。API实时监控数据。
2025-03-02 23:32:00
1136
原创 俄罗斯块代码（Python）
游戏网格由 10 列 × 20 行的小方格组成，每个方格大小为 30x30 像素。下落的 Tetrimino 使用不同颜色表示，固定后的方块保留颜色并显示白色边框。
2025-02-28 18:17:36
251
原创 Java继承
继承是Java中实现代码重用和多态的。通过高效扩展关键字，子类可以继承父类的功能，并通过重要方法重写和多态性实现灵活性。正确使用继承，结合抽象类、接口和组合，构建可以、可维护的Java程序。
2025-02-28 18:14:20
589
原创 KNN算法优化实战分享
通过上述优化策略的组合使用，可使KNN算法在准确率和效率上达到工业级应用要求。建议根据具体场景选择3-4种互补策略进行组合实验。
2025-02-28 16:41:52
292
原创 DeepSeek 部署中的常见问题及解决方案
检查 CUDA 和 cuDNN 安装，确认驱动版本兼容，并在配置文件中启用 GPU 选项4。：使用国内镜像源（如清华源）加速安装，确保依赖版本与 DeepSeek 要求一致410。，结合昆仑芯万卡集群，支持大规模训练和高效推理，降低成本并提升稳定性3。：检查训练数据质量，调整超参数（如学习率、温度系数）或重新训练模型4。：优先使用加速工具优化网络，尝试本地化部署规避服务器问题。：检查网络连接，使用加速工具或更换下载镜像源410。），监控资源使用情况，及时更新依赖库和模型版本。
2025-02-28 16:38:26
1365
原创 Conda环境搭建实战
Conda 是管理 Python 环境和依赖的利器，通过隔离项目环境，避免版本冲突。熟练掌握环境创建、包安装和 YAML 配置导出，能大幅提升开发效率。：Conda 是一个开源的包管理和环境管理工具，支持 Python、R 等语言，能隔离不同项目的依赖。# Windows：双击运行 .exe 文件，按提示安装。包含 Conda、Python 和 150+ 科学计算库。跨平台（Windows/macOS/Linux）。仅包含 Conda 和 Python 基础环境。安装、更新、删除第三方库。
2025-02-28 16:32:34
593
原创 Transformer详解
在Transformer中，把每个 Token（对应离散的输入数据，如单词或符号）映射到高维稠密向量空间的工作是由嵌入层（Embedding Layer）来实现的。这些工作为后续模块（如自注意力机制和前馈网络）的处理和任务执行奠定了基础。
2025-02-28 16:28:57
1166
原创 Java中ArrayList的常见用法
ArrayList只能直接存储引用类型。如果要存储基本数据类型，可以通过包装类实现，依赖于自动装箱和拆箱机制。对于需要混合存储多种类型的数据，可以使用或自定义类、Map等其他结构。
2025-02-25 19:13:39
313
原创 WPS接入AI大模型
以上是调用OfficeAI自带的模型处理的数据，如果我们要调用自己本地的AI大模型或者调用在线的AI大模型的话就需要安装一个本地客户端。这时候就有了OficeAI了，点击右侧面板，就会在右边窗口显示出来了，用微信扫码登录。本地：LM Studio、Ollama（模型看本地自己下载了哪些，选择对应的就可以了）不过注意要看看自己的key有没有token，没有的话就得充值了，不然就会调用失败。打开有些人的会弹出这个提示，点击进行管理，然后点击启用AI就可以。没有显示那个弹窗的话就自己开启下，点击文件-->选项。
2025-02-25 19:11:22
1153
原创 Deepseek R1模型本地化部署+API接口调用详细教程
data = {"prompt": "解释量子计算原理", "max_tokens": 500}显存：16GB+（7B模型需8GB显存，14B需26GB显存，671B版本需336GB显存）：使用私有化部署方案，通过知识库训练构建垂直领域智能体（如政策咨询、应急响应）9。：采用混合云架构，结合超算互联网API与本地私有化部署，满足数据合规要求9。：优先选择Ollama框架，7B模型在16GB显存设备上可流畅运行5。：升级CUDA版本至11.8+，启用批处理支持3。内存：32GB+（根据模型大小调整）
2025-02-23 02:35:18
762
原创 浏览器页面怎么实现跨域通信？
CORS 是一种基于 HTTP 头的机制，允许服务器标示哪些其他域名可以访问其资源。通过在服务器端设置相应的 HTTP 响应头，可以允许跨域请求。对于主域名相同，但子域名不同的页面，可以通过设置 document.domain 来实现跨域通信。// 在 http://another.sub.example.com 页面中。通过在同域名下设置一个代理服务器，将请求转发到目标服务器，从而实现跨域。// 在 http://sub.example.com 页面中。"name": "张三",4. Proxy 代理。
2025-02-23 02:30:54
281
原创 DeepSeek与Crok：会取代搜索引擎和人工客服的人工智能革命
然而，技术的进步也带来了新的挑战和思考。未来，随着技术的不断完善和社会的逐步适应，我们有理由相信人工智能将在更多领域发挥更大的作用，为人类创造更美好的生活体验。DeepSeek与Crok都建立在大规模预训练模型的基础上，通过海量数据的学习和持续优化，不断提升自身的智能水平。情感化互动：Crok通过分析用户的语气、语调和表情（在视频客服中），能够感知用户情绪并做出相应的回应，从而提升用户体验。个性化推荐：基于用户的历史行为和偏好，DeepSeek能够提供定制化的内容推荐，满足不同用户群体的需求。
2025-02-22 20:27:12
411
原创 Node.js 实现简单爬虫
在 Node.js 中实现一个简单的爬虫可以使用 `axios` 来发送 HTTP 请求，并使用 `cheerio` 来解析 HTML 文档。- 并发请求：使用 `Promise.all` 或 `async/await` 实现并发请求，提高爬取效率。- 遵守 Robots.txt：在爬取网站时，务必遵守目标网站的 `robots.txt` 文件中的规则。- 处理动态内容：对于动态加载的内容，可以使用 `puppeteer` 来模拟浏览器行为。- 分页爬取：通过解析分页链接，爬取多个页面的内容。
2025-02-10 21:15:59
738
原创 自编码器(Autoencoder)
的神经网络模型，旨在通过编码（压缩）与解码（重建）过程，学习数据的低维表示（潜在特征）。：在损失函数中加入稀疏性约束（如L1正则化），迫使潜在表示稀疏化。：通过编码器生成潜在表示（如将784维图像压缩为32维向量）。：数据压缩、去噪、异常检测、生成模型（如变分自编码器）等。：对复杂数据（如图像）的重建结果可能模糊（尤其VAE）。：通过重建误差识别异常样本（误差大的样本可能异常）。：计算输入与重建输出的差异（如均方误差MSE）。：训练时输入噪声图像，输出干净图像（如DAE）。
2025-02-08 02:49:15
1185
原创 人工神经网络（ANN）与多层感知机（MLP）
单层感知机（Perceptron）因无法解决异或问题（XOR）受限，加入隐藏层后发展为MLP，成为解决非线性问题的关键。受生物神经系统启发的计算模型，由大量互联的“神经元”（节点）组成，通过调整权重和偏置学习输入与输出之间的复杂映射关系。ANN的一种具体实现形式，由至少一个输入层、一个或多个隐藏层、一个输出层组成的前馈神经网络。：其他复杂神经网络（如CNN、RNN）在MLP基础上引入特殊结构（如卷积、循环连接）。通用术语，涵盖多种类型的神经网络结构（如MLP、CNN、RNN等）。
2025-02-08 02:45:20
1005
原创 生成对抗网络(GAN)
GAN通过对抗性训练实现了强大的生成能力，推动了生成模型的发展，但其训练难度和理论挑战仍待深入研究。随着技术的演进（如扩散模型的兴起），GAN的改进与创新仍在持续。：生成器与判别器的平衡难以控制，容易陷入模式崩溃（Mode Collapse）。目标：最小化判别器对生成数据的判别能力（即让判别器误判）。：学习生成与真实数据分布相似的假数据（如图像、文本）。：能够生成逼真、多样化的样本（尤其在图像领域）。：生成足够逼真的数据，让判别器无法分辨真假。目标：最大化对真实数据和生成数据的判别能力。
2025-02-08 02:43:26
381
原创 神经网络（neural network）
神经网络（neural network）是一种模拟人脑神经思维方式的数据模型，神经网络有多种，包括BP神经网络、卷积神经网络，多层感知器MLP等，最为经典为神经网络为多层感知器MLP（Multi-Layer Perception），SPSSAU默认使用该模型。类似其它的机器学习模型（比如决策树、随机森林、支持向量机SVM等），神经网络模型构建时首先将数据分为训练集和测试集，训练集用于训练模型，测试集用于测试模型的优劣，并且神经网络模型可用于特征重要性识别、数据预测使用，也或者训练好模型用于部署工程使用等。
2025-02-08 02:41:17
719
原创 图神经网络（GNN）
图神经网络（GNN）是一类强大的深度学习模型，特别适用于图结构数据。通过节点间的信息传递和聚合，GNN能够有效地捕捉图中的结构和关系信息，广泛应用于社交网络、推荐系统、化学分子分析、知识图谱等领域。随着技术的不断发展，GNN的架构和应用场景还在持续扩展，成为图数据分析的重要工具。
2025-02-08 02:39:21
684
原创 长短期记忆网络（LSTM）
LSTM是为了克服标准RNN在处理长序列时的梯度消失问题而提出的一种改进架构。通过引入细胞状态和门控机制，LSTM能够灵活地选择性记住或丢弃信息，并有效捕捉长期依赖关系。它在许多时序建模任务中表现出色，成为了深度学习中处理序列数据的核心技术之一。
2025-02-08 02:37:55
565
原创 循环神经网络（RNN）
RNN是一种能够处理序列数据的神经网络，能够利用前一时刻的记忆来预测当前时刻的输出。尽管RNN有梯度消失等问题，但其衍生出来的LSTM和GRU改进了这些缺点，使得RNN能够更有效地处理长序列任务。RNN及其变种在自然语言处理、语音识别、时间序列预测等领域具有广泛的应用。
2025-02-08 02:35:39
428
原创 PyTorch详细教程
支持即时定义和修改计算流程，适合调试和复杂模型（如RNN）。通过CUDA无缝调用GPU资源，大幅提升计算效率。自动计算梯度，简化反向传播实现。提供torch.nn等模块，快速搭建神经网络。支持ONNX、TorchScript、TorchServe等工具链，适配生产环境。
2025-02-08 02:29:53
916
原创 残差连接（Residual Connection）
残差连接是一个简洁而有效的技术，通过直接将输入和输出相加的方式，解决了深度神经网络训练中的一些难题。它是ResNet网络能够成功的核心原因之一。
2025-02-08 02:26:52
305
原创 SENet（Squeeze-and-Excitation Networks）
传统CNN平等对待所有特征通道，但不同通道对最终任务的贡献不同。SENet通过自适应学习通道权重，增强关键特征通道的响应。模块参数量少（仅占原模型约1%），可无缝嵌入现有网络（如ResNet、Inception）。SE模块分为和。
2025-02-08 02:22:11
966
原创 卷积神经网络（CNN）
self.conv1 = nn.Conv2d(1, 32, 3, padding=1) # 输入1通道，输出32通道。max_pool = nn.MaxPool2d(kernel_size=2, stride=2) # 输出尺寸减半。in_channels=3, # 输入通道数（如RGB图像）out_channels=64, # 输出通道数（卷积核数量）卷积核（Kernel）：权重矩阵（如3×3、5×5）。步长（Stride）：滑动步长（通常1或2）。：取局部区域最大值（保留显著特征）。
2025-02-08 02:19:38
944
原创 二叉树算法
操作平均时间复杂度（平衡树）最坏时间复杂度（退化为链表）插入/删除/查找O(log n)O(n)遍历O(n)O(n)掌握二叉树算法是理解更复杂数据结构（如红黑树、B树）的基础，建议通过LeetCode等平台练习典型题目（如#94、#101、#104），深入理解递归与迭代的实现逻辑。
2025-02-08 02:13:56
621
原创 AI技术在中医领域的应用
AI脉诊仪通过柔性传感器和生物电信号捕捉血管波动，可识别28种脉象，准确率比人类高23%，耗时仅18秒211。舌诊方面，手机小程序（如支付宝“舌象健康”）结合摄像头拍摄舌象，快速生成体质分析报告，10秒内辨识106种体质状态19。此外，AI还能预测疾病风险，提前干预，如通过基因检测预防癌症11。例如，安徽省针灸医院的“中医AI舌诊仪”通过舌象和问卷快速生成体检报告，准确率达88%以上19。AI通过大数据分析中药成分，加速新药研发。中医证候复杂，临床数据多维且模糊，缺乏统一标准，影响AI模型的普适性11。
2025-02-08 02:06:07
729
原创 使用Selenium爬取动态网页
Selenium是一个Web的自动化测试工具，最初是为网站自动化测试而开发的，类型像我们玩游戏用的按键精灵，可以按指定的命令自动操作，不同是Selenium 可以直接运行在浏览器上，它支持所有主流的浏览器（包括PhantomJS这些无界面的浏览器）。在musicSpider类增加方法get_comment方法，根据获取到的歌曲链接URL，访问此网页，并获取歌曲名字及当前页的评价，保存到txt文件中，在控制台打印出下载过程。系统环境 Windows 系统 Windows 10。
2025-02-07 02:37:22
898
原创 keil项目固件库移植
STM32标准外设库也称固件函数库或简称固件库，是一个固件函数包，它由程序、数据结构和宏组成，包括了微控制器所有外设的性能特征。该函数库还包括每一个外设的驱动描述和应用实例，为开发者访问底层硬件提供了一个中间API，通过使用固件函数库，无需深入掌握底层硬件细节，开发者就可以轻松应用每一个外设。因此，使用固态函数库可以大大减少用户的程序编写时间，进而降低开发成本。每个外设驱动都由一组函数组成，这组函数覆盖了该外设所有功能。
2025-02-07 02:26:22
734
原创 keil建立工程模板
然后，将“启动及内核文件”中的core_cm3.c、core_cm3.h 、system_stm32f10x.c、system_stm32f10x.h、stm32f10x.h文件复制到工程文件夹Template\Libraries\CMSIS中（CMSIS为新建的文件夹），如下图所示。首先，把“启动及内核文件”中的“startup_stm32f10x_hd.s”文件复制到工程文件夹“Template\Libraries\STARTUP”中（STARTUP为新建的文件夹）。工程新建完成以后需要添加组文件夹。
2025-02-07 02:24:44
1100
Linux操作系统基础操作与文本处理实验：从入门到实践
2025-02-07
Hadoop集群构建详解：全分布式模式环境搭建、配置与管理
2025-02-07
基于Hadoop的MapReduce分布式气象数据分析处理技术及应用
2025-02-07
搭建基于YARN的Spark大数据集群与开发环境实践指南
2025-02-07
1.试选用CD4532、74HC4511、七段共阴极显示器等器件，设计8线-3线译码器和译码显示电路，要求将开关（十进制0-7）
2024-10-23
设计一个简易CPU 功能的数字电路，实验至少要求采用4个74HC/HCT194作为 4 个存储单元
2023-12-10
关于#网络安全#的问题：网络安全方向怎么样
2023-12-11
怎样学习好C语言呢？
2022-10-10
TA创建的收藏夹 TA关注的收藏夹
TA关注的人