git clone https://github.com/nv-tlabs/Difix3D.git
conda create -n difix python=3.9
conda activate difix
pip install -r requirements.txt
给的requirements文件中pytorch和xformers的版本没有指定，这里测试过以下版本，可以成功运行
torch==2.0.0+cu118
torchvision==0.15.1+cu118
xformers==0.0.19
triton==2.0.0
如果出现，以下错误重新pip install trion==2.0.0即可
A matching Triton is not available, some optimizations will not be enabled.
将readme中的demo代码新建一个python脚本复制进去，然后将脚本放在src目录中运行。
froDiffix3D+复现指南：扩散模型与3D高斯泼溅的工程实践
三维重建与生成模型是计算机视觉与AIGC领域的核心技术，而扩散模型凭借强大的先验能力，为稀疏视角下的物体生成提供了新思路。3D高斯泼溅作为一种高效的场景表示方法，近年来在实时渲染与高质量重建中表现突出。当两者结合，便能实现“看不全也能补得对”的多视角一致生成。本文从工程复现角度，系统梳理Diffix3D+项目的环境配置、数据管线、扩散先验注入机制、多阶段训练策略及调参经验，并汇总了编译报错、位姿漂移、损失权重失衡等常见坑位。无论你是想复现3D生成方向的工作，还是希望将扩散先验引入自有管线，这份实践笔记都能提
Ubuntu 22.04 从零复现 3D Gaussian Splatting：环境搭建、训练与避坑指南
三维重建中，3D Gaussian Splatting（3DGS）通过三维高斯球表示场景，结合可微光栅化实现实时渲染，训练速度比 NeRF 快一到两个数量级。其核心原理是将高斯投影到屏幕并优化参数，技术价值在于高效高质量重建。典型应用包括 SLAM、虚拟现实等。复现时，Ubuntu 22.04 环境配置、CUDA 与 PyTorch 版本对齐、colmap 稀疏重建及训练参数调优是关键。本文聚焦 Ubuntu 22.04 下 3DGS 复现全流程，涵盖环境搭建、数据准备、训练命令与常见问题排查，帮助开发者避
Ubuntu 22.04 从零复现 3DGS：colmap 安装与稀疏重建完整指南
3D Gaussian Splatting（3DGS）是一种基于三维高斯椭球的实时渲染技术，其核心原理是通过稀疏重建获取相机位姿，再优化高斯参数实现快速训练与渲染。在 Ubuntu 22.04 上复现 3DGS 时，colmap 安装与稀疏重建是关键前置步骤，涉及显卡驱动、CUDA 环境配置及特征提取匹配。该技术价值在于训练速度快、渲染实时，适用于虚拟现实、三维重建等场景。本文聚焦 Ubuntu 22.04 下 colmap 的安装与稀疏重建全流程，帮助新手避开环境配置与编译中的常见陷阱。
YOLO26算法车道线检测+训练好的模型+360张数据集+pyqt可视化界面.zip
附训练好的 YOLO 权重与 PyQt 可视化检测界面，页面底部含可视化效果预览，毕设/课设开箱即用。 【数据集概况】 · 检测类别（中文）：[未获取()] 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 55 个 epoch，最终轮指标： 指标 | 数值 mAP50 | **0.9512** mAP50-95 | 0.6746 Precision | 0.8796 Recall | 0.8825 train/box_loss | 0.8608 train/cls_loss | 0.7232 val/box_loss | 0.9955 val/cls_loss | 0.5511 【训练过程分析】 这轮训练我经历了从初始到稳定的曲折过程。前 20 个epoch，loss 曲线呈现了陡峭的下降趋势，mAP50 指标从 0.8 开始逐步攀升，仿佛在寻找一个合适的平衡点。然而，从第 21 个epoch 开始，mAP50 的提升速率显著放缓，整体曲线显得有些曲折，有时甚至停滞不前，让我一度以为训练出现了问题。直到第 35 个epoch，loss 开始逐渐趋于平稳，这标志着模型已经找到了一个较好的收敛区间。到了最后的 20 个 epoch，尽管 mAP50 依旧在稳步上升，但提升幅度已经不大，这意味着模型已经接近其性能天花板。 在这个过程中，我重点关注了 box_loss 和 cls_loss 的变化。初期阶段，box_loss 快速下降，从 0.9 逐渐降至 0.86，而 cls_loss 则从 0.75 逐步下降至... 使用场景：毕业设计、课程设计、深度学习入门、工业场景落地验证。
关于AI开发方法论-以文档为索引的高质量协作开发：让一次现象描述精准命中几个代码块
对AI的编码规范进行约束
syslog_test.py
syslog_test.py
Simulink “双碳”背景下汽车减少碳排放建模与仿真
内容概要：本文围绕“双碳”战略背景，系统阐述了基于Simulink的汽车碳排放建模与仿真技术，重点引入模糊PID控制优化动力系统性能，以实现节能减排目标。文档整合了多个Matlab/Simulink科研仿真案例，涵盖无刷直流电机（BLDC）控制、三相PWM整流器、电池管理系统、路径规划、信号处理、智能优化算法及图像处理等领域，全面展示Matlab在智能控制与绿色能源系统中的应用价值。同时强调科研应兼具严谨逻辑、创新思维与工具赋能，并提供完整的仿真资源链接与学习路径支持实践落地。; 适合人群：具备Matlab/Simulink基础，从事自动化、电气工程、车辆工程、控制科学、电力电子及智能制造等相关领域的科研人员或高年级本科生、研究生；适用于开展节能减排、新能源系统优化、智能控制算法研究等课题的研究者。; 使用场景及目标：①学习在Simulink中构建汽车能耗与排放仿真模型并应用模糊PID进行动态优化；②掌握BLDC、PWM整流器等关键部件的建模与控制策略设计；③借鉴丰富案例提升科研效率，拓展在智能控制、路径规划、信号处理等方向的应用能力；④通过提供的网盘资源获取完整代码与资料，支撑论文写作与项目开发。; 阅读建议：建议按照资源目录顺序系统学习，结合百度网盘提供的Matlab/Simulink代码动手实践，重点关注控制策略的设计、仿真结果的分析与优化过程，同时注重培养科研思维与工程实际问题的结合能力。
西部牛仔_1794033330851.apk
西部牛仔_1794033330851.apk
状态估计变分贝叶斯近似的递归噪声自适应卡尔曼滤波（Matlab代码实现）
内容概要：本文详细介绍了一种基于变分贝叶斯近似的递归噪声自适应卡尔曼滤波方法，并配套提供了完整的Matlab代码实现。该方法旨在解决传统卡尔曼滤波在面对过程噪声和观测噪声统计特性未知或时变情况下性能退化的问题，通过引入变分贝叶斯推断技术，实现对噪声协方差的在线联合估计与动态更新，从而提升滤波器在非平稳环境中的状态估计精度与鲁棒性。文中系统阐述了算法的理论基础、数学推导流程、递归计算结构及关键实现步骤，涵盖了概率图模型构建、似然函数近似、变分迭代优化等核心技术环节，适用于复杂动态系统中的自适应信号处理与状态估计任务。; 适合人群：具备良好线性系统理论、概率统计与贝叶斯估计基础，并熟悉Matlab编程的研究生、科研人员及从事导航、控制、传感融合等相关领域的工程技术人员； 使用场景及目标：①应对实际工程中因噪声先验信息缺失或环境变化导致的标准卡尔曼滤波失效问题；②应用于无人机导航、智能驾驶、工业状态监测、传感器融合等高精度自适应估计场景，提升系统在不确定环境下的稳定性和准确性； 阅读建议：建议读者结合所提供的Matlab代码逐模块研读，重点理解变分贝叶斯迭代过程中噪声协方差矩阵的后验更新机制，并通过仿真实验对比所提方法与标准KF/EKF/UKF的估计性能差异，深入掌握噪声自适应滤波的设计思想与实现技巧。
COD论文笔记VSCode: General Visual Salient and Camouflaged Object Detection with 2D Prompt Learning
VSCode模型通过引入领域特定提示和任务特定提示，结合提示区分损失，成功地在单一模型中处理多个显著目标检测和伪装目标检测任务。这种方法不仅提高了模型的性能，还展示了其对未见任务的泛化能力。作者使用 Visual saliency transformer ICCV 2021 作为baseline model这张图展示了VSCode模型的整体框架，特别强调了2D提示学习方法。
C#中的Chart控件——当数据源很多时可以显示进度条拉动观察，也可以记录到后台文本详细对照
C#中的Chart控件——当数据源很多时可以显示进度条拉动观察，也可以记录到后台文本详细对照下面进行详细步骤说明，感兴趣的同学可以看一下： 1简单示例（一条线）： 2.数据源随着时间不断变化，进度条变化 。多条线： 3.看在整段时期内的数据大体图（消去或出现）进度条： 4.后台将时刻记录变化记录到一个txt文本里以供详细校验： 话不多说上码： using System; using Sys...
别再为采样窗口发愁了！手把手教你用STM32实现三电阻分扇区电流采样（附代码避坑）
本文详细介绍了STM32平台下三电阻分扇区电流采样的实现方法，重点解决采样窗口选择不当和扇区切换逻辑问题。通过PWM定时器与ADC协同工作的底层机制分析，提供可移植的代码示例和实战经验，帮助工程师在电机矢量控制（FOC）系统中实现高精度相电流采样。
PICO+Unity MR空间网格开发实战：从零构建透视交互场景
本文详细介绍了使用PICO 4 Ultra与Unity引擎进行MR空间网格开发的完整实战流程。从环境准备、项目初始化、核心组件配置，到空间网格的生成、可视化与物理交互实现，手把手教你构建一个能识别真实环境并发射虚拟小球的透视交互场景。文章重点解析了PICO SDK中空间网格功能的关键配置与优化技巧，并提供了真机部署与调试的实用指南。
方差迭代计算公式
方差迭代计算过程推导术语约定递推公式过程推导 术语约定 (1)En=1n∑i=1nxi E_n =\frac{1}{n} \sum_{i=1}^{n}x_i \tag{1} En=n1i=1∑nxi(1) (2)F(n)=∑i=1n(x2−En) F(n) = \sum_{i=1}^{n}{(x^2-E_n)} \tag{2} F(n)=i=1∑n(x2−En)(2) (3)V(n)...
AArch64 ARM64 寄存器介绍
除了上述通用寄存器，还有FPSR（浮点状态寄存器）和 FPCR（浮点控制寄存器）等。X29寄存器和X30寄存器在函数调用和堆栈帧的管理中扮演着关键角色。AArch64架构提供了31个通用寄存器，每个寄存器都可以用作64位X寄存器（X0～X30）或32位W寄存器（W0～W30）。使用X寄存器将导致64位的计算，使用W寄存器将导致32位的计算。EL0、EL1、EL2和EL3是AArch64架构中定义的四个特权级别（Exception Levels），用于支持不同的执行环境和特权级别。
反应动力学仿真软件：ChemkinPro_（11）.敏感性分析
敏感性分析是化学反应动力学仿真中的一项重要技术，通过对模型参数的变化对模型输出的影响进行评估，可以帮助研究人员优化模型、验证实验数据和评估不确定性。ChemkinPro 提供了强大的敏感性分析功能，可以方便地进行参数选择、仿真设置和结果解读。通过实际案例研究，我们可以看到敏感性分析在燃烧、催化和环境化学等领域的广泛应用，为科学研究和工程应用提供了有力支持。
Spring AI 项目实战（三）：Spring Boot + AI + DeepSeek 打造智能客服系统（附完整源码）
摘要 本文介绍了基于Spring Boot 3.2和Spring AI 1.0.0-M4构建智能客服系统的技术方案。系统采用分层架构设计，集成DeepSeek API提供自然语言处理能力，使用MyBatis和H2数据库实现数据持久化，并通过Thymeleaf+Bootstrap构建前端界面。文章详细阐述了项目的技术栈选择、Maven依赖配置、应用架构设计，以及各模块的功能划分，为开发者提供了完整的智能客服系统实现方案，涵盖从后端服务到前端交互的全流程开发指导。
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
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")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
312
扫一扫
