|
| |
| 戴维作品 | |
|
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
4.2k累计阅读
4.3k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 →
码龄23年
|
| |
| 戴维作品 | |
|
NuPlayer 之 Renderer
触发postDrainAudioQueue_l()或postDrainVideoQueue()开始渲染。解码器输出数据 → NuPlayer::Decoder::onMessageReceived。音频数据存入mAudioQueue,视频数据存入mVideoQueue。• 每次写入后通过mNotifyConsumed通知解码器。• 通过AudioSink::write()写入音频设备。• 根据VSync信号和音频时钟调整渲染时机。• 通过Surface直接提交给显示系统。
多维输入法启示
多维的含义? 谓之多维,是希望拼音输入法可以从更多的角度来处理用户输入,就像人在面对一个问题的时候,总是要从诸多方面进行考虑,这也就是所谓的智能。当然,智能一词 过于复杂,也过于宽泛,对于输入法而言,其智能应该在于其具有敏捷的学习功能,在于语言模型的鲁棒性,并能让用户感觉面对的是一个活物,不要那么机械,这 大概也就是多维拼音输入法的目标。值得一提的是“多维”一词,也是我昵称D
S32K3实战:手把手教你用eMIOS模块实现电机PWM控制(附代码)
本文详细解析了NXP S32K3系列MCU的eMIOS模块在电机PWM控制中的应用,从硬件设计到软件实现,再到调试与优化,提供了完整的实战指南。通过eMIOS模块的硬件级PWM生成能力,工程师可以实现高精度的电机控制,适用于汽车电子和工业控制领域。
多维拼音输入法 - Davepy V1.0 正式版
多维拼音输入法“秀才”版本(1.0正式版)在beta版本发布半年后发布,其间因为工作上的波折,时间和精力上都让我无暇顾及输入法的改进,致使其时间上有所拖延。经过多方面的努力,“秀才”版本之于beta版本,无论是算法还是界面上都进行了比较大的改进。 多维拼音输入法主页仍然采用sourceforge:http://davepy.sourceforge.net/ 多维拼音输入法的相关
k-shape时间序列聚类实战:从理论到tslearn实现
本文深入探讨了k-shape时间序列聚类算法,从核心原理到tslearn库的实战应用。k-shape通过标准化互相关系数衡量序列形状相似性,专注于识别波动模式而非绝对数值。文章详细介绍了算法流程、Python环境搭建、数据预处理、最佳K值确定方法,并通过完整代码示例展示了模型训练与结果可视化,帮助读者掌握这一强大的“形状捕手”工具。
在 Windows 上安装 OpenCV – C++ / Python
而且,安装并不是一件容易的事。这些安装程序仅适用于安装 OpenCV for C++。如果您想安装适用于 Python 的 OpenCV,您将在博客后面找到相关信息。在这篇博文中,我们将在 Windows 上安装适用于 C++ 和 Python 的 OpenCV。C++ 安装是在自定义安装 exe 文件的帮助下完成的。而Python的安装是通过Anaconda完成的。从源代码安装 OpenCV 需要花费大量时间。根据您的硬件和安装配置,该过程可能需要 5 分钟到 2 小时不等。
我的中文句法分析器
鉴于上次“如此开源”之痛,所以花了几天时间,边看《诛仙》边完成了一个通用的中文句法分析器,采用Earley的Chart Parsing算法,当然也基于我强大的中文分词标注一体化系统。偶然想到在这个一体化系统上再融合进句法分析,实在是一个不错的升华想法,不过还没有弄到Penn Chinese Treebank的训练语料,所以还没法做概率句法分析,等有机会吧。还要抽时间把我的sourceforge目录
pgsql:还原数据库后出现重复序列导致“more than one owned sequence found“报错问题的解决
pgsql数据库通过备份数据库文件进行还原时,如果表中有自增序列,还原后可能会出现重复的序列,此时若向表中插入新行时会出现“more than one owned sequence found”的报错提示。还原数据库时把序列取消勾选,选择不还原序列。因为还原表的同时,会自动将自增序列还原上去,此处勾选会导致数据库重复创建序列。点击还原数据库完毕后,可以看到序列仅有一个,没有出现重复序列。但此时的序列当前值是从1开始的,需要重置。点击菜单“其它”-》“序列”,可以看到有多个重复序列。
自然语言处理技术产品化
【一段时间的磕磕碰碰,偶尔思索,偶尔躁动,依然难以找到一个可以完美说服自己的理由。彷徨在各种各样的自我设想的十字路口,本来清晰的视野也变得黯淡,所以还是要定期梳理一下自己的思绪。】 随着各大互联网公司输入法的推出,这个原本“小家碧玉”般的产品也开始搬上“上层公司”的日常话题。在这个崇尚技术的年代,任何代表先进技术的产品都在有意无意地被日益放大,输入法当然就是最典型的例子。最初自然语
【用unity实现100个游戏之2】复刻实现经典2d平台跳跃游戏《蔚蓝 Celeste》(附工程源码)
蔚蓝》是一款备受好评的独立游戏,由游戏开发工作室开发并由发行。这款游戏于2016年首次发布,并在玩家和评论界收获了广泛赞誉。蔚蓝以其独特的艺术风格和引人入胜的故事而著称。游戏以深海为背景,玩家将扮演一个能够探索水下世界的神秘生物。游戏通过惊人的视觉表现和动态的海洋生态系统为玩家带来了令人难忘的游戏体验。无论是广阔的水下景观还是充满生机的海洋生物,蔚蓝都让玩家感受到深海的神秘和美丽。蔚蓝在玩法上注重探索和解谜。玩家可以在海底环境中自由游动,发现隐藏的地点和秘密,与各种生物互动,并解决环境谜题以继续前进。
计算机组成原理(第三版)唐朔飞-第五章输入输出系统-课后习题
计算机组成原理(第三版)唐朔飞-第五章输入输出系统-课后习题
多文档话题跟踪展示技术的有趣实现
留意过bbs上合集的同学可能会发现,一个火的帖子,跟者云集,并且跟贴的话题频频变化,但是一般最后会回到最初的主题上来,看看水木上主题丰富热火朝天的WL板块就知道。虽然经常浏览合集,但是起初这个现象我倒没有留心,偶尔一次lp在旁边嘀咕,说这种五花八门的回帖要是有个程序分析一下输出一个图像,就像google trends一样,那感情有趣。 有趣归有趣,可实现这种东西也不是那么简单的事情
使用 MATLAB/Simulink 进行锂电池SOC估算和等效电路建模
本文介绍了使用MATLAB/Simulink进行锂电池SOC估算与等效电路建模的方法。首先阐述了SOC估算和等效电路模型的背景及重要性,然后详细讲解了系统结构设计的主要组成部分,包括电池模块、SOC估算模块(采用卡尔曼滤波器算法)和等效电路模型等。文章重点分步说明了建模过程:从创建Simulink项目、搭建电池模块,到实现SOC估算算法(提供示例代码),构建等效电路模型(Thevenin模型示例),添加传感器模块,最后设置仿真参数。通过仿真运行分析关键指标(SOC估算误差、电压偏差等)来评估模型性能,为锂电
读《语言本能》一书
《语言本能》 The Language Instinct - How the Mind Creates Language Steve Pinker 一位科学家赠与我的书,之前工作太忙一直没时间读完,后来他离开中国回了美国,整理他留给我的书籍时才重新开始阅读。边阅读边写下一些记忆的碎片,将来或许可以拼成某种景象。 在深入读这本书之前,最好怀疑一下:语言不是后先习得得一种
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
IEM模型,地表粗糙度模拟
利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟
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。
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
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
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
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。
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。
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。
BERT模型详解:为什么它擅长文本理解与分类?核心机制、应用实战与变种进化
学习目标:理解BERT出现前传统NLP模型的局限,以及BERT如何通过双向编码突破瓶颈比如GPT系列采用自回归式(Autoregressive)生成,只能从左到右建模文本;全文依次讲解BERT的诞生:解决NLP的单向困境、BERT核心原理深度解析、为什么BERT擅长文本理解与分类?、BERT实战:文本分类任务示例、BERT的变种与进化等内容。
TALLRec:一种有效且高效的调优框架,使大型语言模型与推荐保持一致
大型语言模型(LLM)在不同领域表现出了卓越的性能,从而促使研究人员探索其在推荐系统中的应用潜力。最初的尝试利用了 LLM 的卓越能力,例如通过上下文学习丰富的知识和强大的泛化能力,其中涉及将推荐任务表述为提示。然而,由于LLM的训练任务和推荐任务之间存在巨大差异,以及预训练期间的推荐数据不足,LLM在推荐任务中的表现仍然不够理想。为了弥补这一差距,我们考虑通过使用推荐数据调整 LLM 来构建大型推荐语言模型。为此,我们提出了一个高效且有效的调整框架,用于使 LLM 与建议保持一致,即 TALLRec。

被折叠的 条评论
为什么被折叠?



