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
4k累计阅读
4.1k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
简述 LLaMA（Large Language Model Meta AI）的基本原理
简述 LLaMA（Large Language Model Meta AI）的基本原理
多维拼音输入法 - Davepy V1.0 Beta
多维拼音输入法Davepy 戴维作品
ST-LLM+ 交通拥堵预警：把路网邻接矩阵塞进大语言模型
空间智能实验室 Vol.16：ST-LLM+ 交通拥堵预警：把路网邻接矩阵塞进大语言模型 大语言模型做交通预测，听起来像蹭概念，其实这条路线有明确的技术动机：交通流量的时序模式和人话里的时序模式长得一样，上下文、周期、趋
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
DP链路训练从HPD触发到通道对齐：原理与调试实战
高速数字接口的稳定工作依赖物理层信号的精确协商，链路训练正是DisplayPort接口中确保源端与接收端在速率、摆幅和时序上达成一致的关键机制。HPD作为链路状态变化的触发信号，与通道对齐一同构成了训练流程的首尾环节。理解从时钟恢复到均衡再到多通道对齐的完整过程，有助于快速定位显示异常问题。在工程实践中，借助DPCD寄存器交互和AUX通道日志，可以系统性地排查训练失败原因。围绕链路训练全流程进行剖析，重点探讨HPD触发机制、训练图案选择、寄存器配置以及链路降级策略，为显示方案开发与调试提供工程参考。
同花顺Supermind量化交易 风险控制建模--海龟交易法则
A.市场与标的海龟交易法则应用于流动性高的市场中，选择交易量较大的标的进行交易。本文以沪深300指数ETF为标的，构建海龟交易法则。B、仓位：仓位是海龟交易系统最核心的部分，通过ATR真实波幅指标来管理仓位。第一步：计算True Range，简称TR。TR = Max ( H−L , H−P , P−L ) ，其中H为当日日内最高价，L为当日日内最低价，P为前一日收盘价。第二步：计算ATRATR = mean ( TR , 20 ) , 即计算过去20天的TR的平均值，ATR是TR的移动平均值。
多维拼音输入法相关网址列表
为了维护和更新的方便，多维拼音输入法现在主要通过其官方博客以及Sourceforge上的davepy项目对外进行展示，相关地址列表如下，随着新版本的发布，此列表中下载地址有可能继续增加，届时将会对其进行及时更新。Sourceforge中davepy项目主页：http://davepy.sourceforge.net/Sourceforge中davepy下载地址：https://sourceforg
如何在NVIDIA CX6 网卡和华为CE交换机上为RDMA协议使能DCQCN和PFC
【代码】如何在NVIDIA CX6 网卡和华为CE交换机上使能DCQCN和PFC。
这是一个新的开始
定在新年的头一天发布输入法，只是希望给自己一份新年的礼物，同时也给支持我输入法的朋友们一份小小的礼物。回顾这一年，专注于自然语言处理技术的研发，虽然公司发展有些波折，但非我所能左右之事情，所以潜心技术，也还是自得其乐。 生活不就是如此吗，十之八九不如意，而对我而言若能取得一分乐趣，我也当十分来享受。多维拼音输入项目Davepy本来是安置在sourceforge下，但由于台湾地震导致国际光缆断裂
SAP Joule 在顾问与开发者场景的双擎定位：Joule for Consultants 与 Joule for Developers 全面解读
SAP推出企业级AI助手Joule，分为顾问版(Joule for Consultants)和开发者版(Joule for Developers)两个版本。顾问版聚焦咨询业务，整合SAP知识库和方法论，辅助方案设计、差距分析和实施落地；开发者版嵌入开发工具链，支持代码生成、解释、测试和迁移。两者共享智能底座但面向不同场景：顾问版优化项目交付流程，开发者版提升工程效率。典型案例显示，Joule能有效缩短云转型周期，实现从业务咨询到技术落地的无缝衔接。该产品通过AI代理和知识图谱技术，为企业数字化转型提供端到端
Camunda 7.x 系列【22】全局监听器
Camunda支持义一个全局ExecutionListener和一个全局TaskListener，会捕获流程中发生的所有事件的通知，这样可以定义一个全局的审批人检查监听器，作用于所有用户任务。
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。
PyQt5开发应聘简历模版
该工具旨在帮助用户对Excel、CSV格式的数据进行快速导入、分析及可视化展示，支持折线图、柱状图、饼图等多种图表类型，提供数据筛选、排序、统计等功能，适用于企业数据分析人员日常工作。：一款用于本地文件管理的桌面应用，支持文件的新建、复制、移动、删除、重命名等基本操作，具备文件搜索、分类整理、批量操作及文件信息查看等功能，提升用户文件管理效率。：熟悉QSS（Qt Style Sheet）样式表，可对PyQt5界面进行个性化美化，包括控件颜色、字体、边框、布局等样式定制，提升应用视觉体验。
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
基于Simulink进行步进电机的重复控制仿真建模
目的：通过引入一个周期延迟环节来补偿系统的周期性误差，从而提高系统对周期性参考信号或扰动的跟踪性能。方法内部模型原理：在控制器中嵌入一个与周期性信号相关的模型（例如周期延迟环节），以实现对周期性误差的零稳态误差控制。滤波器设计：为了避免高频噪声放大，通常会在重复控制器中加入低通滤波器。优势对周期性信号具有良好的跟踪性能。不需要精确的数学模型即可实现高性能控制。挑战：需要合理设计重复控制器的参数以避免系统不稳定。
[STC32G144K246入门第一步]点亮LED
STC32G144K246是一款高性能32位8051单片机，集成了丰富外设资源，适用于工业控制和复杂算法处理。该芯片支持双模式内核，内置硬件加速器，提供246KB Flash和144KB SRAM存储空间。文章详细介绍了开发环境搭建步骤、寄存器配置方法，并给出了LED驱动示例代码，通过推挽输出控制P42口实现闪烁效果。虽然开发环境相比ARM存在不足，但通过合理配置仍可满足项目需求。该教程为开发者快速上手STC32G144K246提供了实用参考。
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。
lwip-2.0.3
lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。
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。
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")
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
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。
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！
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?
到【灌水乐园】发言
308
扫一扫
