南七小僧的学海无涯

当硅谷还在教用户如何"驯化AI"时，中国团队打造的DeepSeek正在重新定义人机交互的规则。这款完全免费的国产大模型，正在用颠覆性的"中文思维"改写AI使用范式。经过200+小时实测，我们整理出这份全网最深度使用指南，内含5大核心技巧及3个关键禁区。核心发现：DeepSeek月活用户环比增长380%（数据来源：艾瑞咨询2024Q1报告）效率提升：测试团队平均任务处理时间缩短67%行业影响：已有23家上市公司采购企业版部署场景化理解：准确捕捉"话外之音"中文思维适配：成语俗语理解准确率91.2%

上述步骤已经利用 API 的返回拼装出了含有某个城市查询天气情况的所有信息，我们用 “AI对话” 模块来总结回复，记得将对话模型切换为 Qwen。

下图是论文中的不同δ值对随机位移场的影响，下图左上角为原图，右上角为δ较小的情况(可以发现，位移方向非常随机)，左下角和右下角为较大的不同δ值。step6：弹性变形最终输出的imageC中每个位置的灰度值大小，组成一副变形图像，现在imageC中每个像素点存储的是(x+△x, y+△y)，如下图中的A’，那怎么转化成灰度值呢，依据论文，作者是根据imageB中的B位置的双线性插值灰度值作为A’点的像素灰度值大小，最终将imageC输出得到变形图像。其位移范围在(-1, 1)之间，得到一个随机位移场(

骨架下载成功后，将骨架.rar文件解压，会看到两个.fbx文件（VehicleSkeletonBinary.fbx，VehicleSkeletonfbx）。然后选中车轮，按L键，快速选中所有车辆，再按P，使之成为独立个体，对所有车轮如此操作。然后进入物理模型中，添加调整车辆运动模型，添加下列部分，部分可以在下图2中复制粘贴。然后进入物体模式，选中骨骼后，按A键，选中所有，再按CTRL+p选择附带空顶点组。完成之后可以进入姿态模式，选中骨骼，按R进行旋转，检测骨骼所连接的车轮是否正确。

搜索vehicle后点击VehicleAnimInstance，然后在Target Skeleton中搜索v3（我们模型车名称），弹出了v3_Skeleton（这个是我们前面导入.fbx文件时产生了文件），点击v3_Skeleton，就完成了Animation文件的创建，我们将它命名为BP_v3_anim，双击该文件进入到该文件的编辑界面中，过程比较繁琐，具体编辑过程参考视频【1】，有详细操作，这里主要给出关键的操作步骤，编辑之后的最终效果如下图所示。具体过程这里不再叙述，请参看上面文章。

既可在其中下载最新的MinGW，我的电脑是64位的windows11, 所以我下载的是x86_64-12.2.0-release-win32-seh-rt_v10-rev0.对于8.1.0，直接使用-stdc++17编译的话，会有一些问题，ps：好像是在9版本之后才修复的。点击download，下翻找到MinGW-builds的。一个很大的问题就是版本太久了，最新的到8.1.0。那么我想下载解压即用的新版MinGW该怎么办呢？

电脑系统：Windows10家庭中文版。

问题：cMake编译报错：No CUDA toolset found.将该路径下的四个文件 C:\Program Files\NVIDIA。解决：在stackoverflow找到解决方案。注意：换成自己的路径。

是无人车最基础也是最核心的模块之一。作为软件层提供的第一项服务，标定质量和准确度极大地影响着等模块。在 Apollo 开源自动驾驶平台中，我们提供了丰富的多传感器标定服务，如等多种传感器之间的标定。算法覆盖常规 Level 2-Level 4 级别自动驾驶的传感器配置和标定需求。

它被开发为一个虚幻的插件，可以简单地放到任何你想要的虚幻环境中。第一类是基于合成的数据，对环境、感知及车辆进行模拟，这里的感知大多数是图像层面的感知，这类模拟器主要用于感知、规划算法的初步开发上，Carla、AirSim、Udacity self-driving car simulator就属于这类；第二类是基于真实数据的回放，这里的真实数据包括图像、lidar、radar等各种传感器的数据，这类模拟器主要用于测试无人驾驶中信息融合算法以及车辆不同部件的性能，Apollo和Autoware就属于这类。

碧桂园立足无人农场的最终场景，建立智慧农业云平台，立足“耕种管收运”全农业流程的无人化作业，在无人化农机产品化落地、多机协同调度、智慧农业等领域真正实现了无人驾驶在农业领域的场景化开发，符合农场当前需求，满足农艺要求，为农业的大规模、标准化、无人化的作业模式的普及提供了技术支持，引领了智慧农业、农机自动驾驶前沿技术，在自动驾驶在农机复杂环境感知与避障、田间最优全局路径规划、高精度轨迹跟踪控制、多机调度等方面的技术达到了行业领先水平。与此同时，在国家政策的强力拉动下，农村土地迅速流转集中。

图1：路径规划在决策控制三大子领域中的主要应用首先需要说明的是：路径规划（本文不严格区分轨迹规划与路径规划的定义，一律按照路径规划称呼）并不止属于单车自动驾驶，在车队列协同控制、交通流车辆协同规划、人机共驾等等各个领域中路径规划普遍存在。单车自动驾驶中，规划算法可与预测类算法结合提高车辆安全性；车队列协同控制中，不论车队列控制形式为leader-following还是predecessor-following等等，总要有某个智能体进行规划，后续车辆跟随并保证队列稳定性；

对，你无看错，是欧美的。在直播带货案例里，我们把模型导入到ue4，我们给模型在ue4里预设了四个动作（站着、站着说话、坐着、坐着说话），三个表情（平静、开发、愤怒），三个镜头（全局、近矩说话、看显示器播放商品展示）。我们只需要把目标主播的直播给录制下来，提取样本数据，然后训练一个从粉丝的不同刺激的组合，到主播的不同响应方式的多元逻辑回归的数学模型参数即可。

人体三维重构论文 开源集合

3、BiLSTM + CRF NER 任务可以参考：https://blog.youkuaiyun.com/qq_44193969/article/details/116008734-文章写的有点潦草，代码可以跑通，后续有空会重新编辑一下，感兴趣的同学将就着看吧哈哈。10、至此，我们就选择好了所有的配置，看起来很麻烦事因为我说的比较细，就怕有些同学看不懂。文件格式也可以是CSV，按理说只要是一行一条数据的都可以，感兴趣的同学可以自己探索下。注意：标注完成后，一定要点击Submit提交已标注的数据，要不然，一天白干。..

领悟一下这里，kernel用的是1.如果自己设计一个 已中心为1，四周发散的膨胀核再去卷积呢？最简单的做法就是 设计一个高斯膨胀核。那么怎么设计高斯膨胀核呢？# 高斯核生成函数def creat_gauss_kernel(kernel_size=3, sigma=1, k=1): if sigma == 0: sigma = ((kernel_size - 1) * 0.5 - 1) * 0.3 + 0.8 X = np.linspace(-k, k,..

本文来自OpenCV中文网粉丝小庄头发很多投稿。(原文链接：https://blog.youkuaiyun.com/weixin_39928773/article/details/103910850)引言对于机器视觉从事者或者研究者来说，把训练好模型部署到项目中是关键的一步。现如今各大相机厂商都会提供相机的二次开发包，供给使用者进行使用和开发。据博主所知，目前大部分的相机开发包并不支持Python语言，而主流的深度学习框架都是基于Python语言，训练好的模型难以部署到自己的软件中。举个例子..

/* This sample illustrates how to create a video file in MP4 format.*/using System;using Basler.Pylon;namespace Grab{ class Grab { const int countOfImagesToGrab = 100; ...

源码地址：https://github.com/jiuxianghedonglu/AnimeHeadDetection1. DatasetAll the images in the dataset are collected fromkonachan.netand labeled by myself withLabelImg.Download datase...

1.获得数据集2.参数初始化3.梯度下降python代码如下import numpy as np import matplotlib.pyplot as plt #原始数据及x=np.mat([1,2,3,4,5,6])y=np.mat([2,4,6,8,10,12])a=0b=0canshu=np.mat([a,b])plt.xlabel('x')plt.ylabel('y'...

1.获得数据2.建立方程-初始化参数3.梯度下降import numpy as np import matplotlib.pyplot as plt #原始数据 假设关系为 y=3+x+2z ==== y=a+bx+czx=np.mat([1,2,3,4,5,6])z=np.mat([1,1,2,2,3,3])y=np.mat([6,7,10,11,14,15])y=y.Ta=0...

import numpy as np import matplotlib.pyplot as plt #原始数据 假设关系为 y=3+x+2z ==== y=a+bx+czx=np.mat([1,2,3,4,5,6])z=np.mat([1,1,2,2,3,3])y=np.mat([6,7,10,11,14,15])y=y.Ta=0b=0c=0canshu=np.mat([...

1.获得数据集2.建立sigmoid函数3.求sigmoid 的导数4.求cost的导数5.求loss的导数6.递归下降求参数import numpy as np import matplotlib.pyplot as plt import math#原始数据 得出的边界为7-2xx=np.mat([1,2,3,3.3,3.4,3.6,4,5,6])y=np.mat([1,1,1,1,...

异或问题何为异或问题？对于给定的两个二进制输入，我们通过异或逻辑门得到一个预测输出，这一过程即为异或问题。注意，输入不相等时输出为 1，否则为 0。表 1 展示了异或函数的所有可能的输出结果：那么现在我们就画出数据分布图来探究它的本质。 def plot_data(data, labels): """ argument: data: np.array cont...

# -*- coding: utf-8 -*-"""Created on Wed Feb 28 23:06:31 2018@author: xkk"""import tensorflow as tfimport numpy as npx_data=np.random.rand(100).astype(np.float32)z_data=np.random.rand(100).a...

# -*- coding: utf-8 -*-"""Created on Thu Mar  1 12:58:06 2018@author: pc"""import tensorflow as tfimport numpy as npdef add_layer(inputs,in_size,out_size,activition_function=None):    Weight = tf.Vari...

神经网络是一种数学模型，是存在于计算机的神经系统，由大量的神经元相连接并进行计算，在外界信息的基础上，改变内部的结构，常用来对输入和输出间复杂的关系进行建模。神经网络由大量的节点和之间的联系构成，负责传递信息和加工信息，神经元也可以通过训练而被强化。这个图就是一个神经网络系统，它由很多层构成。输入层就是负责接收信息，比如说一只猫的图片。输出层就是计算机对这个输入信息的认知，它是不是猫。隐藏层就是对...

利用yolo mrcnn faster fast等网络标注bbox后，将bbox截取出来，data augmentation，做分类---》检测网络专注bbox目标检测，分类增强交给别的网络，如果二分类的话，可以逻辑回归等。因为检测网络，难以大规模augmentation 这个思路对于小数据集特别有效...

梯度退化按照我们的惯性思维，一个网络越深则这个网络就应该具有更好的学习能力，而梯度退化是指下面一种现象：随着网络层数的增加，网络的效果先是变好到饱和，然后立即下降的一个现象。在这里，我们引用一幅来自Resnet里面的图片，更加直观的理解这个现象：  从上图我们可以看出，一个56层的网络的训练误差和测试误差都大于一个20层的网络。常规的网络的堆叠（plain network）在网络很深的...

了解网站的反爬机制一般网站从以下几个方面反爬虫：1. 通过Headers反爬虫从用户请求的Headers反爬虫是最常见的反爬虫策略。很多网站都会对Headers的User-Agent进行检测，还有一部分网站会对Referer进行检测（一些资源网站的防盗链就是检测Referer）。如果遇到了这类反爬虫机制，可以直接在爬虫中添加Headers，将浏览器的User-Agent复制到爬虫的...

论文：Xception: Deep Learning with Depthwise Separable Convolutions 论文链接：https://arxiv.org/abs/1610.02357算法详解： Xception是google继Inception后提出的对Inception v3的另一种改进，主要是采用depthwise separable convolution来替换原...

一．Bitmap类Bitmap对象封装了ＧＤＩ+中的一个位图，此位图由图形图像及其属性的像素数据组成.因此Bitmap是用于处理由像素数据定义的图像的对象.该类的主要方法和属性如下：1. GetPixel方法和SetPixel方法：获取和设置一个图像的指定像素的颜色.2. PixelFormat属性：返回图像的像素格式.3. Palette属性：获取和设置图像所使用的颜色调色板....

我好像发明了一种理论，叫宝藏理论先记录一下 #from gensim.models import Word2Vec as wv#import pandas as pd##pd.read_csv('F:\\BaiduNetdiskDownload\\new_data\\train_set.csv')#from PIL import Image import nump...

　在文本挖掘中，主题模型是比较特殊的一块，它的思想不同于我们常用的机器学习算法，因此这里我们需要专门来总结文本主题模型的算法。本文关注于潜在语义索引算法(LSI)的原理。1. 文本主题模型的问题特点　　　　在数据分析中，我们经常会进行非监督学习的聚类算法，它可以对我们的特征数据进行非监督的聚类。而主题模型也是非监督的算法，目的是得到文本按照主题的概率分布。从这个方面来说，主题模型和普通的聚...

1. 基本原理  帧间差分法是一种通过对视频图像序列的连续两帧图像做差分运算获取运动目标轮廓的方法。当监控场景中出现异常目标运动时，相邻两帧图像之间会出现较为明显的差别，两帧相减，求得图像对应位置像素值差的绝对值，判断其是否大于某一阈值，进而分析视频或图像序列的物体运动特性。其数学公式描述如下：    D(x,y)为连续两帧图像之间的差分图像，I(t)和I(t-1)分别为t和t-1时刻...

眨眼检测与用于计算闪烁的传统图像处理方法不同，闪烁通常涉及以下的某些组合：眼睛定位。 阈值找到眼睛的白色。 确定眼睛的“白色”区域是否消失一段时间（表示眨眼）。眼睛纵横比是一种  更优雅的解决方案，其涉及  基于眼睛的面部地标之间的距离比率的非常简单的计算。这种用于眨眼检测的方法快速，有效且易于实现。人脸全局关键点：眼部关键点我们视频中的一帧是这样的：...

def findjd(request): print('推荐中') shixi = pd.read_table('shixi.txt', delimiter="\n") stopwords = '' with open('stopwords.txt', 'r') as f: stopwords = f.readline() jdldalis...

LDA的原理：LDA（Latent Dirichlet Allocation）是一种文档主题生成模型，也称为一个三层贝叶斯概率模型，包含词、主题和文档三层结构。所谓生成模型，就是说，我们认为一篇文章的每个词都是通过“以一定概率选择了某个主题，并从这个主题中以一定概率选择某个词语”这样一个过程得到。文档到主题服从多项式分布，主题到词服从多项式分布。什么是主题因为LDA是一种主题模型，那么...

import jieba as jbimport numpy as npimport pandas as pdfrom gensim.models.doc2vec import Doc2Vec, TaggedDocumentshixi = pd.read_table('shixi.txt')print(shixi)s = '哈哈哈哈大师赛的小康康'w = jb.cut(s)jd...

之前看了SSD的论文，但也只是仅仅停留在论文层面，这几天在github上找到了一位大神在一年前用Tensorflow实现了SSD算法。这几天也抽空阅读了下代码，主要分析了下几个重要的模块，接下来做一个简单的总结。SSD（Single Shot MultiBox Detector）是大神Wei Liu在 ECCV 2016上发表的一种的目标检测算法。对于输入图像大小300x300的版本在VOC2...