自定义博客皮肤VIP专享

*博客头图：

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览 取消 提交

自定义博客皮肤

-+
上一步保存

weixin_26765363的博客

  • 博客(1495)
  • 资源 (4806)
  • 收藏
  • 关注
排序：
按最后发布时间
按访问量
RSS订阅

原创 ELIC高效学习型图像压缩：结构拆解与复现实战指南

端到端学习型图像压缩通过联合优化变换与熵编码提升率失真性能，但解码计算复杂度高制约实际部署。其核心原理在于分析变换与合成变换的非对称设计、潜在表示的金字塔结构以及超先验对分布参数的估计。高效学习型图像压缩（ELIC）在保持端到端联合优化优势的前提下，通过轻量化合成变换、简化超先验和并行化熵模型参数估计，显著降低解码延迟与内存占用，在率失真性能与计算效率之间取得更优平衡。该方案适用于移动端图像传输、实时视频压缩等对解码速度敏感的场景，为学习型图像压缩的工程化落地提供了可复现的基线参考。

2026-11-07 16:44:01 260

原创 Sora关停与AGI热议背后：AI编程时代开发者如何应对

在人工智能技术快速迭代的今天，AI编程正在从辅助工具走向核心生产力，大模型驱动的代码生成与自然语言交互极大降低了开发门槛。然而，Sora独立版关停并整合进ChatGPT、黄仁勋关于AGI的乐观表态、以及‘程序员将增至10亿’的预测，这些热点事件背后究竟隐藏着怎样的技术逻辑与行业趋势？本文从AI编程的基本概念与原理出发，解析大模型如何重塑软件开发流程，探讨其在需求表达、系统设计与业务理解等场景中的实际价值，并针对开发者的职业发展给出可落地的应对策略。在AGI渐行渐近的当下，理解技术演进方向、提升驾驭AI的能力

2026-11-07 16:03:42 98

原创 WeKnora：面向知识协同的LLM原生Agent框架

知识图谱与大语言模型（LLM）融合是构建可解释、可追溯、可协作智能系统的基础范式。其核心原理在于将结构化语义（如本体、三元组）与LLM的泛化能力结合，通过RAG实现可信检索，借助Agent完成多步推理与工具调用，最终落地为活态Wiki等工程化知识操作系统。该技术路径显著提升知识复用效率与编辑可审计性，广泛应用于企业文档中枢、游戏攻略库、科研资料平台等需长期维护的领域。WeKnora正是这一范式的典型开源实现，深度整合LLM、RAG、Agent与Wiki四层能力。

2026-11-07 11:44:56 66

原创 Swin Transformer 源码精读：窗口注意力与偏移窗口的工程实现细节

自注意力机制是视觉Transformer的核心，但其计算复杂度随图像分辨率平方增长，限制了高分辨率密集预测任务的应用。窗口注意力通过将自注意力限制在局部窗口内，将复杂度降至线性，而偏移窗口机制则通过循环移位和注意力掩码实现跨窗口信息流动，平衡了计算效率与感受野。这种设计在目标检测、图像分割等多尺度任务中展现出显著技术价值，兼顾局部细节与全局语义。本文深入Swin Transformer源码，剖析窗口划分、偏移掩码生成、相对位置偏置等关键实现细节，并分享训练调参与迁移学习中的工程实践经验。

2026-11-05 16:23:00 200

原创 AI Coder与Qwen Coder Mac部署：代码生成工具使用边界与避坑指南

AI编程助手基于大语言模型，通过自然语言生成代码，其原理是学习海量代码库的模式。技术价值在于提升开发效率，但能力边界受限于上下文和训练数据。应用场景包括函数级代码补全、单元测试生成等。本地部署如Qwen Coder Mac版可保障数据安全，但需评估硬件。实际使用中需注意prompt精确度和代码审查，避免安全漏洞。本文深入探讨AI Coder现状、Qwen Coder Mac部署实操及使用技巧，助你高效利用代码生成工具。

2026-11-05 13:47:41 231

原创 深入拆解MCP架构：从角色、握手到传输层的协议机制全解析

AI Agent正从简单对话走向复杂任务执行，而工具调用是其中最关键的环节。传统上，每种工具都需要单独适配，导致集成成本高、扩展性差。MCP（Model Context Protocol）作为开放协议，通过定义统一的客户端-服务端交互模型，将工具、资源与提示词封装为标准化原语，实现AI与外部能力的可插拔集成。协议基于JSON-RPC 2.0消息机制，通过握手阶段的能力协商确保兼容性，并支持本地stdio与远程Streamable HTTP两种传输模式。理解MCP的架构设计，不仅能解释工具调用链路的底层原理，

2026-11-05 13:40:30 299

原创 企业AI落地瓶颈不在模型参数，而在上下文工程

大模型本质是条件概率生成器，输出质量高度依赖输入上下文的完整性与信噪比。上下文工程通过采集、加工、编排、投递四层管道，对系统提示词、历史对话、检索片段、工具返回等动态信息进行容量规划与优先级裁剪，从而在有限token窗口内最大化信息价值。其技术价值在于显著提升RAG召回准确率、降低推理成本与延迟，并减少幻觉。典型应用场景包括企业知识库问答、Agent任务编排、多轮客服对话及长文档分析。当模型能力趋于同质化，上下文工程正成为决定AI应用效果的核心变量。

2026-11-05 10:30:27 243

原创 云痕千面：教育AI如何实现真正因材施教

因材施教是教育的核心命题，但长期受限于教师精力与数据盲区。其本质在于理解学生‘如何运用知识’而非仅知道什么——这指向教学动作建模与动态认知切片两大关键技术原理。云痕千面平台通过构建‘教学动作图谱’（TAG），融合多模态行为数据（视线、语音、书写轨迹），实现毫秒级学情归因与个性化干预，让差异化教学从经验判断走向可测量、可干预、可沉淀的工程实践。其价值不在于算法先进性，而在于‘无感嵌入’教师日常：5分钟备课增强、课中实时分组、错题本重建认知路径。适用于一线教师精准教学、教研组校本化范式建设及教育科技产品设计者理

2026-11-05 10:05:54 278

原创 Agent动态路由与自适应编排：从静态分发到运行时决策的工程实践

动态路由是一种在运行时根据任务语义、Agent状态和上下文实时决定任务流转路径的调度机制，其原理类似于网络层的OSPF动态路由协议，通过持续交换状态信息自动计算最优路径。在多Agent系统中，动态路由与自适应编排的技术价值在于解决静态编排随Agent规模增长而失效的问题，实现故障转移、负载均衡和路径动态生长。典型应用场景包括多Agent协作平台、复杂任务规划系统和智能客服调度。当Agent数量膨胀、调用链维护成本急剧上升时，基于规则、语义相似度和模型决策的分层混合路由策略成为关键解法，而路由震荡、能力注册表

2026-11-05 09:21:49 270

原创 AI编码助手产出原型级代码？用设计模式技能标准打造工程化Agent

设计模式是软件工程中封装变化的经典思想，它把经过验证的解决方案沉淀为可复用的经验阈值。然而，AI编码助手基于Token预测的生成机制，天然偏向局部正确，缺乏全局结构意识，因此默认输出的代码往往停留在原型级水准——能跑通演示，却难以扩展和维护。要解决这一问题，不能只靠提示词或更强的模型，而需要将设计模式转化为Agent可执行的技能标准：通过触发条件、约束规则、代码骨架和反例来约束AI生成行为，并结合自动化验收形成闭环。这种工程化方法能显著提升代码质量与可维护性，适用于支付渠道扩展、订单状态流转等高频变化场景。

2026-11-04 16:26:51 245

原创 从ChatGPT Plugins到MCP：大模型工具调用协议的演进与实战

在大模型应用开发中，工具调用是扩展AI能力边界的核心手段。早期ChatGPT Plugins曾以插件市场形式让模型接入外部服务，但其封闭生态与高接入成本最终限制了发展。取而代之的MCP（Model Context Protocol）以开放协议重新定义了AI与工具的连接方式，通过标准化的Server-Client架构实现“一次接入，处处复用”，有效解决了N×M集成难题。同时，MCP与RAG形成互补：RAG解决知识检索，MCP负责动态操作，两者结合能让模型既“知道”又“能做”。目前，Figma MCP、Burp

2026-11-04 15:40:26 240

原创 Hermes Agent入门：从大模型函数调用到智能体落地

大模型驱动的智能体（Agent）正成为AI工程化落地的重要方向，其核心机制在于函数调用（Function Calling）与工具使用。一个完整的Agent系统，依赖模型在“规划-执行-观察”循环中稳定输出结构化指令，调用外部API、数据库或终端，从而将语言能力转化为实际行动。开源模型生态中，Hermes系列因扎实的指令遵循和工具调用表现备受关注，常被用于构建本地化、可定制的智能体应用。然而，Hermes一词同名项目众多，从JavaScript引擎到任务队列框架，搜索前需明确生态归属。基于开源模型进行本地部署

2026-11-04 14:12:20 311

原创 AI陪伴应用混合架构：远程大模型与本地语音的SSH隧道实践

大语言模型与多模态推理在AI陪伴应用中面临算力与延迟的平衡挑战。通过将重计算任务部署在远程GPU服务器，本机仅处理语音识别与合成等轻量级交互，并利用SSH隧道实现安全通信，可有效降低硬件门槛与推理成本。这种混合架构适用于虚拟角色对话、实时语音交互等场景，兼顾了响应速度与部署灵活性。本文以AI陪伴应用为例，详细介绍了Ollama远程服务、whisper.cpp本地识别、edge-tts语音合成以及SSH隧道转发的工程实践与优化技巧。

2026-11-04 13:53:05 195

原创 PyTorch实现LSTM时间序列预测：工业级滚动预测与避坑指南

时间序列预测是工业智能、设备运维和金融风控中的基础任务，其核心挑战在于建模长程依赖、应对周期漂移与抗噪声干扰。LSTM凭借门控机制与隐状态记忆能力，天然适配具有滞后响应、状态累积特性的时序数据。本文从滑动窗口构造、鲁棒归一化、PyTorch原生LSTM建模，到滚动预测部署与早停训练策略，系统阐述可落地的工程实践路径。重点融入‘滚动预测’与‘工业级数据清洗’两大热词，覆盖传感器温度、GNSS坐标、PLC电流等典型场景，兼顾精度、稳定性与资源约束，为算法工程师提供开箱即用的技术闭环。

2026-11-04 10:31:57 165

原创 AI翻唱工具Replay：RVC技术原理与实战指南

语音转换（Voice Conversion）技术是AI音频处理的重要分支，其核心是通过深度学习模型实现音色、音高等声学特征的转换。基于检索的语音转换（RVC）技术通过特征提取、模型匹配和参数调整等步骤，能够高效实现人声音色的转换。这类技术在音乐制作、影视配音、虚拟主播等领域具有广泛应用价值。Replay作为集成RVC技术的工具，通过一体化流水线设计和硬件加速优化，大幅降低了AI翻唱的技术门槛。工具支持从音频分离、音色转换到混音输出的完整流程，特别适合需要快速实现专业级音效转换的场景。对于开发者而言，理解RV

2026-11-04 09:12:37 293

原创 知识图谱在IT认证培训中的创新应用与实践

知识图谱作为人工智能领域的重要技术，通过结构化表示和关联各类知识节点，为教育行业带来革命性变革。其核心技术原理包括实体识别、关系抽取和图谱构建算法，能够实现知识的动态更新与智能推荐。在IT职业认证培训场景中，结合动态知识图谱和智能诊断系统，可显著提升学习效率和考试通过率。以软考培训为例，通过构建包含8000+概念节点的知识图谱，并关联真实项目案例和虚拟仿真环境，既解决了传统应试教育的弊端，又培养了学员的实操能力。这种模式正在向PMP、AWS等国际认证领域扩展，推动整个职业培训行业从知识传授向能力评估转型。

2026-11-03 16:56:30 236

原创 数据平台治理落地指南：从元数据、血缘到质量与安全的完整方案

数字化转型深水区，企业普遍面临数据平台“快而不准”的困境：跑数再快，口径不一致、数据打架，业务依然不敢信。数据治理不是打扫卫生，而是围绕数据资产构建一套可落地的管理机制。它依赖元数据管理梳理资产清单，借助数据血缘追踪数据流转路径，通过数据质量控制保证稽核可靠，并辅以数据安全分级落实权限管控。在数据中台建设过程中，将治理动作嵌入平台五层架构，从标准制定、模型分层到指标统一，形成闭环。本文以一套81页方案为底稿，讲解如何搭建治理框架、识别核心问题、设置可量化的自检指标，帮助企业让数据不仅跑得快，更要准、可信、可

2026-11-03 15:48:59 275

原创 Claude代码CLI工程骨架：基于MCP协议的Anthropic API工程化实践

CLI工具是现代AI开发流水线的关键入口，其本质是将大模型API能力封装为可版本化、可审计、可集成的标准命令行接口。基于HTTP/2与RFC 7540规范的原生请求构造，相比SDK封装具备更高可控性与调试透明度；MCP（Model Communication Protocol）作为进程间通信标准，实现AI能力与Obsidian、Playwright等本地工具的安全解耦与统一调用。该方案聚焦Anthropic官方API生态，强调API Key安全隔离、模板动态编译、npm按需执行（npx）等工程细节，适用于已

2026-11-03 15:04:25 207

原创 DACE工具箱：克里金插值的数值稳定协议与工程落地实践

克里金插值是一种基于高斯过程的空间建模方法，其核心在于协方差结构建模与线性无偏预测。然而在小样本、高维输入或强非线性响应等真实工程场景中，标准实现常因协方差矩阵病态、超参数优化非凸、趋势项与核函数耦合失当等问题导致预测方差失真、收敛震荡或结果不可复现。DACE工具箱并非通用封装，而是一套面向计算机试验建模的数值稳定协议，通过显式约束回归基矩阵列满秩、绑定theta的物理尺度意义、最小化负两倍对数似然目标函数，并严格分离趋势不确定性与随机误差传播，保障模型在风洞试验建模、传感器响应面拟合等关键任务中的可信度与

2026-11-03 13:04:29 201

原创 AI生成代码的三大隐性漏洞与四步排查法

AI代码助手并非智能编程，而是基于统计模式的概率补全工具。其核心风险不在于语法错误，而在于语义鸿沟、上下文坍缩和版本漂移这三类隐性漏洞——它们导致代码‘看似正确却线上崩溃’。原理上，AI缺乏对业务契约、项目真实依赖和实时技术栈的感知能力；技术价值体现在提升开发效率的同时，倒逼团队建立更严谨的契约校验、上下文验证、版本锚定和规范穿透机制；典型应用场景覆盖电商订单、支付回调、中台服务等高可靠性要求系统；本文聚焦工程落地，提供可复用的四步排查路径，直击AI代码在生产环境失效的根本原因。

2026-11-03 13:03:28 173

原创 DeepSeek V4 Flash架构解析：高效推理与部署实战指南

大语言模型在实际落地时，往往面临推理延迟、资源开销与任务效果之间的平衡难题。混合专家（MoE）与稀疏注意力机制，正是为解决这类工程瓶颈而生的关键技术。MoE通过“共享专家+路由专家”的架构，将通用知识与领域特化能力分离，配合负载均衡策略，提升了计算资源利用率；稀疏注意力则用滑动窗口与全局锚点替代全量计算，显著降低长文本处理的内存压力。模型蒸馏作为压缩手段，通过模仿教师模型的中间层特征，使小模型保留逻辑推理骨架。这些技术共同推动了推理效能的优化，使中等规模算力也能承载复杂的交互任务。本文围绕DeepSeek

2026-11-03 12:56:23 177

原创 AI Agent 学习资料怎么找？从零搭建最小可用 Agent 的完整路径

大语言模型（LLM）如 DeepSeek 具备强大的文本理解与生成能力，但仅能输出文字，无法直接操作外部系统。AI Agent 通过规划、工具调用、记忆和执行循环四大机制，为模型装上“手脚”，使其能自主完成多步骤任务。这一技术将 LLM 从聊天工具升级为任务执行者，在自动客服、数据分析、流程自动化等场景中价值显著。学习 Agent 开发，建议先建立体感，再用 LangChain 等框架跑通 Demo，逐步深入工程化细节。本文围绕 AI Agent 学习资料，梳理从概念到实战的完整路径。

2026-11-03 09:15:32 208

原创 OpenAI 500美元订阅到底值不值？开发者深度测评与避坑指南

在AI开发工具从对话式助手向自主智能体演进的背景下，理解订阅制与API按量计费的区别成为开发者决策的关键。API模式按token精确计费，适合轻量、偶发调用；而订阅制通过固定成本换取任务闭环能力，尤其适合Codex、Cline等Agent类工具在复杂项目中的持续运行。当开发者需要AI并行处理多文件修改、深度研究或自动化测试时，500美元订阅的实际价值体现在工作效率的提升而非单纯对话额度。结合真实配置经验和常见坑点，评估这类订阅是否值得的关键，在于工作流是否已经进化到AI全职协作者阶段。

2026-11-02 16:37:06 317

原创 多模态嵌入向量取值差异全链路解析与检索排查

多模态嵌入向量是把图像与文本语义映射到高维空间的数值表示，向量检索依赖方向一致性和相似度度量。其取值并非只由模型权重决定，而是由图像解码缩放、数值精度、池化方式、指令模板、归一化、白化与向量量化等整条链路共同塑造；任一环节变化都会改变相似度分布和召回排序。工程实践中，固化预处理流水线、记录模型与配置哈希、建库前做健康检查、按维度量化并重新标定阈值，可显著降低跨模态检索的误判与排查成本。该思路适用于图文检索、商品去重、跨模态召回和向量库成本优化，也为理解多模态嵌入向量取值差异、搭建可复现的向量提取与排查流程提

2026-11-02 15:13:25 169

原创 深数社区每日精选：数据合规与AI工程资讯聚合实践

资讯聚合是面向数据合规从业者与AI工程师的关键信息基础设施，其核心在于通过算法抓取、人工初筛与领域专家终审的三级机制，实现高信噪比内容分发。该模式显著降低技术从业者每日信息获取成本，支撑政策解读、模型部署优化、数据产品选型等高频场景；尤其在本地化大模型落地与数据交易所动态跟踪中，展现出强时效性与专业可信度双重价值。深数社区每日精选正是这一实践的典型代表。

2026-11-02 14:24:11 249

原创 Excel公式引用类型详解：相对、绝对与混合引用

在Excel数据处理中，单元格引用是公式计算的核心机制。引用类型决定了公式复制时地址的变化方式，主要分为相对引用、绝对引用和混合引用三种。相对引用保持与公式位置的相对关系，适合批量计算；绝对引用固定指向特定单元格，常用于参数引用；混合引用则结合二者优势，在二维表格处理中尤为高效。掌握这些引用类型不仅能提升数据处理的准确性，还能大幅提高工作效率。在实际应用中，如销售数据统计、财务报表制作等场景，合理选择引用类型可以避免常见错误，确保计算结果的正确性。特别是在处理大型数据集时，正确的引用方式还能优化计算性能。

2026-11-02 14:23:16 201

原创 AI日报：DeepSeek智能体训练新方法、AI应用与开发者实战指南

大模型与AI智能体正在重塑软件开发与内容生产的方式。智能体训练的关键在于多步任务中的观察-思考-行动轨迹，而非简单的问答对；图像生成则依赖扩散模型逐步去噪的原理。这些技术的价值在于，让AI从“聊天”走向“干活”，在多步骤任务中实现自主纠错与结果交付。当前，AI短剧制作、AI建站、AI编程、AI测试等场景已形成完整工具链，而本地部署配置、提示词编写与AI幻觉治理仍是开发者关注的焦点。通过检索增强生成（RAG）和适当的提示词约束，可以有效降低幻觉风险。这份AI日报梳理了今日值得关注的技术动态、开源方法与工程实践

2026-11-02 09:00:01 181

原创 RNN原理与实现：从基础到LSTM、GRU实战

循环神经网络(RNN)作为处理序列数据的核心架构，通过引入时间维度的记忆机制，解决了传统神经网络难以捕捉时序依赖的痛点。其核心原理是隐藏状态的循环传递，数学上表现为h_t=σ(W_hh*h_{t-1}+W_xh*x_t)的递推式。针对梯度消失问题，LSTM通过输入门、遗忘门、输出门三重机制实现长期记忆，而GRU则采用更新门和重置门进行简化。在Keras框架下，通过SimpleRNN/LSTM/GRU层可快速构建模型，配合双向处理(Bidirectional)和注意力机制能显著提升文本分类、时间序列预测等任务

2026-11-01 12:58:17 77

原创 TensorFlow深度学习框架详解：从安装部署到实战踩坑全攻略

在人工智能领域，深度学习框架是连接算法研究与工程落地的关键桥梁。无论是图像分类还是自然语言处理，开发者都需要借助稳定的框架来构建、训练并部署模型。TensorFlow作为端到端的机器学习生产平台，凭借其覆盖训练、推理、移动端与服务器端的完整工具链，成为工业界广泛应用的选择。理解其核心设计理念，掌握Keras建模接口、GPU环境配置以及模型服务化导出流程，是高效开展深度学习实践的基础。从环境搭建到自定义训练循环，从框架选型对比到生产环境避坑，系统掌握这些关键环节，能够帮助开发者在实际项目中少走弯路，真正实现从

2026-11-01 12:04:29 275

原创 无人飞行感知竞赛包复现全流程：环境配置、算法接入与参数调优实战

感知算法在无人飞行器应用中需通过标准化仿真环境验证。竞赛包提供仿真场景、传感器模拟与评测体系，帮助开发者快速测试算法性能。环境配置需注意依赖管理与图形渲染，算法接入需处理接口适配与时间同步，参数调优应建立基线并分析敏感度。仿真与实机存在差距，需留余量并加入干扰测试。本文详细拆解复现流程，涵盖环境配置、场景理解、算法接入与调优策略，助力高效验证感知方案。

2026-11-01 11:19:57 272

原创 AI落地深水区：编程、法律、电商三大场景的新突破

大模型技术正从通用对话助手加速渗透至垂直行业场景。在编程领域，Kimi Code Desktop从IDE插件升级为独立桌面应用，通过全工作区感知与长任务驻留重塑开发流程；法律行业则借助OpenAI法律AI平台的证据溯源与推理链可视化，将合同审查和判例检索推向要件匹配；电商侧，Agentic Commerce的代理托管支付让AI智能体在受控额度内完成自主下单，打通交易闭环。这些突破共同指向一个趋势：AI的价值不再取决于功能多少，而在于能否在具体场景中提供可度量的效率提升。

2026-11-01 10:11:31 291

原创 LLM Agent 记忆架构设计：hindsight 事后复盘与经验沉淀机制

LLM Agent 的记忆管理是构建智能体的核心技术之一，其本质是通过分层存储与检索机制，让 Agent 在跨会话场景中保持上下文一致性与经验复用能力。从原理上看，Agent Memory 通常分为工作记忆、短期记忆和长期记忆，而 hindsight 机制则聚焦于将任务执行轨迹转化为可复用的语义规则，实现从 Episodic Memory 到 Semantic Memory 的因果归因与抽象。这一技术价值在于显著降低重复错误率，提升任务执行效率与稳定性。典型应用场景包括工具调用编排、数据库查询优化、文件操作

2026-10-31 16:29:10 273

原创 Agent开发的五大核心能力：任务分解、记忆管理、工具调用、反馈闭环与协同节奏

Agent开发本质上是构建可靠人机协作系统的工程实践，其技术根基在于对任务认知建模、状态可控性、服务契约约束、意图动态校准和交互节奏感知的系统性把握。当前行业高频搜索如‘Agent任务分解’‘Agent记忆管理’普遍聚焦于prompt技巧或框架调用，但真实瓶颈常源于缺乏可验证的子任务设计、无版本控制的记忆污染、无熔断机制的工具链脆弱性、无语义解析的反馈失焦，以及无视用户预期的多步时序断裂。本文从金融、政务、医疗等生产级Agent故障现场反向提炼五维能力模型，覆盖从意图锚定到节奏同步的全链路工程化方法，为开发

2026-10-31 12:17:23 244

原创 多智能体系统设计：上下文隔离与高效协作实践

多智能体系统（Multi-Agent System）是分布式人工智能的重要分支，其核心在于实现多个智能体之间的协同工作与独立决策。通过上下文工程和路由机制，系统可以在保证数据隔离的同时实现高效信息共享。关键技术包括确定性序列化、缓存感知设计和硬件级隔离等，这些方法显著提升了系统性能与安全性。在电商推荐、金融风控等场景中，合理的信息隔离策略能有效防止数据泄露和模块干扰。本文以实战案例展示如何通过上下文版本控制、敏感数据染色等技术解决多智能体协作中的典型问题，为构建高可靠分布式AI系统提供工程实践参考。

2026-10-31 11:49:00 322

原创 Jev、Laya、DeepSeek 文档分类实测：分层组合方案与选型指南

文档分类是知识库与内容中台的核心技术，其原理是通过模型对文本进行语义理解与类别映射。传统方法依赖规则或标注数据，而大模型方案如 Jev、Laya 和 DeepSeek 提供了新思路。Jev 轻量快速，适合本地部署与批量初筛；Laya 擅长多级分类与长文档处理；DeepSeek 精度最高但成本较大。技术价值在于平衡准确率、速度与成本，应用场景包括工单路由、智能归档等。本文基于实测数据，对比三者在真实任务中的表现，并给出分层组合策略，帮助读者根据自身数据特点选择最优方案。

2026-10-31 10:42:03 9

原创 Hive 3.1.2安装配置：MySQL元数据库与metastore实战排错

数据仓库的元数据管理，是把库表结构、分区和HDFS路径等“账本”集中存储并由服务统一读取的机制。Hive自身不保存表结构，而是通过JDBC把元数据写入MySQL，再由metastore服务向计算引擎提供访问；因此JDK、Hadoop、MySQL与Hive的版本、路径和账号必须协同一致。把这一层配置正确，能提升数仓底座搭建的可复现性，减少驱动缺失、schema版本不一致、目录权限和端口解析等启动故障。在内网数仓首次部署、Hive安装配置、HiveServer2连接验证及后续服务化运维等场景中，围绕Hive 3

2026-10-31 09:21:41 28

原创 配电网可靠性评估中的ARMA预测建模与指标计算实战

时间序列预测是电力系统可靠性分析的基础工具，ARMA作为经典统计模型，擅长从历史数据中提取自相关规律，适用于样本量小、可解释性要求高的配电网故障率外推场景。在可靠性评估中，SAIFI、SAIDI等指标需要未来时段故障率与修复时间作为输入，ARMA预测恰好填补了这一断点。结合蒙特卡洛仿真，可将预测值转化为用户停电频率与时长区间，支撑规划与检修决策。本文从数据准备、定阶、预测到可靠性指标计算，给出配电网ARMA预测的完整链路，并重点讨论季节性处理与误差控制，帮助工程技术人员落地可信的预测评估模型。

2026-10-30 14:25:55 282

原创 Agent执行范式分层：单轮调用与多Agent协作的本质差异

Agent并非单一技术组件，而是一套分层执行系统。其核心在于理解‘执行范式’——单轮调用本质是LLM上下文内闭环决策，依赖原子化token流与Observation即时反馈；多Agent协作则是基于状态共享、异步通信与编排协议的分布式状态机。这种分层差异直接决定系统可靠性、错误隔离能力与并发扩展性。在企业级落地中，working memory的版本控制、agent skill的契约化设计、以及docker容器里的ros2 humble等真实环境适配，共同构成Agent稳定运行的技术底座。本文聚焦执行逻辑骨架

2026-10-30 11:12:24 2

原创 S2智能家居三大引擎：边缘语义理解、设备协商与意图进化

智能家居的核心正从‘远程控制’转向‘自然意图理解’，其技术基础是边缘AI、多设备协同与本地化持续学习。边缘语义理解引擎将模糊口语（如‘吹脸的关小点’）实时转化为精准设备动作，依赖本地轻量LLM与多源传感器上下文锚定；设备协同协商引擎让Matter设备在毫秒级内自主达成执行共识，摆脱中心网关单点依赖；意图持续进化引擎则通过联邦学习与离线知识图谱实现隐私安全的习惯自适应。这些能力共同支撑‘说人话就能成事’的真实家庭场景，尤其适配老人小孩、方言使用、弱网环境等工程落地难点。本文深入解析S2架构中这三大关键技术引擎

2026-10-29 16:33:11 29

原创 AI内容越“正规”越要查证？可信度验证方法论与五步验真法

大语言模型以“文字接龙”机制生成内容，其训练目标偏向“像真话”而非“是真相”，这让AI生成内容在形式上愈发规整、语气愈发笃定，却常伴随事实偏差甚至AI幻觉。当生成式AI深入技术、商业与日常信息场景时，来源可溯、事实可证、逻辑自洽构成了判断内容可信度的核心支点，信息验证能力也随之成为必要的工程素养。面对结构工整、数据精确、术语密集的AI输出，应从一手信源追溯、数据交叉检视、细节核验、反向追问等角度建立核查习惯。围绕可信度评估，本文拆解AI内容形式伪装的常见破绽，给出可直接落地的五步验真法与场景化判读清单，帮助

2026-10-29 15:21:28 62

验证数据拷贝-pmbok第五版 英文版
4.4 验证数据拷贝 由于dbv可以在实例关闭情况下验证数据文件，因此dbv也可以验证数据文件的拷贝。 这个拷贝指的是通过 RMAN 的 COPY 命令或者操作系统命令 cp 拷贝的数据文件，而不是 RMAN 生成的备份集格式。 ALTER TABLESPACE users BEGIN BACKUP; $cp /u01/app/oracle/oradata/ORA10GR2/users01.dbf /u01/app/oracle/oradata/ORA10GR2/users01_backup.dbf ALTER TABLESPACE users END BACKUP; $dbv file= /u01/app/oracle/oradata/ORA10GR2/users01_backup.dbf DBVERIFY: Release 10.2.0.5.0 - Production on Thu Mar 21 17:14:06 2013 Copyright (c) 1982, 2007, Oracle. All rights reserved. DBVERIFY - Verification starting : FILE = /u01/app/oracle/oradata/ORA10GR2/users01_backup.dbf DBVERIFY - Verification complete Total Pages Examined : 640 Total Pages Processed (Data) : 16 Total Pages Failing (Data) : 0 Total Pages Processed (Index): 3 Total Pages Failing (Index): 0 Total Pages Processed (Other): 32 Total Pages Processed (Seg) : 0

2021-07-11

查询某服务是静态注册还是动态注册-pmbok第五版 英文版
四、查询某服务是静态注册还是动态注册 可以使用命令 lsnrctl status 来查看某服务是静态注册还是动态注册。 实例状态为 UNKNOWN 值时表明此服务是静态注册的设置。这时监听器用来表明它 不知道关于该实例的任何信息，只有当客户发出连接请求时，它才检查该实例是否存在。 动态注册的数据库通过状态信息中的状态 READY 或状态 BLOCKED（对于一个备用 数据库）来指明。不管关闭何时数据库，动态注册的数据库都会动态地从 监听器注销，而 与之相关的信息将从状态列表中消失。这样，不管数据库是在运行还是已经关闭，监听器总 是知道它的状态。该信息将被用于连接请求的回退（fallback）和负载平衡。 7.1.18.2 Service Name 的动态注册 7.1.18.2.1 Service Name 是什么 自从 Oracle 8i 之后，Oracle 就推荐使用 service name 而不是 SID 来连接数据库了，SID 是数据库的唯一的名字，要连接使用 SID 连接同一个数据库的话就只能用这一个名字，别 无他法。service name 是连接数据库的时候使用的别名，你可以在 listener.ora 中静态的设置 好 service name，启动 listener 之后这个 service name 会被注册到 listener，然后就可以使用 service name 替代 SID 来连接数据库了。使用 service name 有以下几个好处： SID 有长度的限制，只能允许最长 8 个字符，而 service name 最长可达到 255 字节（oerr ORA 12169 里面说的），还可以自己取名字，所以完全可以取一个易于读懂的 service name， 比 SID 方便多了，比如下面这个。 $ lsnrctl status Listening Endpoints Summary... (DESCRIPTION=(ADDRESS=(PROTOCOL=tcp)(HOST=orainst.desktop.mycompany.com)(P ORT=1521))) Services Summary... Service "this-is-a-very-looong-name-of-mysite.mycompany" has 1 instance(s). Instance "orcl", status READY, has 1 handler(s) for this service... The command completed successfully 要改 SID 是一件很难的事情，而修改 service name 的话就简单多了，这就使得我们可 以非常简单的在不修改客户端应用的情况下将应用从一个数据库切换到另外一个数据库上 面去。 可以将多个 service name 指向同一个数据库，这样我们可以通过不同的 service name 来 去不同功能的客户端应用，比如说 sales 应用使用 sales.mycompany 的 service name，purchase 应用则使用 purchase.mycompany 这样的 service name。

2021-07-11

可配置一次性戒者自劢重加载模式-pmbok第六版-中文-带吴老师标记和书签版
（3）可配置一次性戒者自劢重加载模式 （4）定时器时间可以通过下式计算： 定时时间 = [(预分频器癿值 + 1) （加载值 + 1）]/定时器频率 11.2 ZYNQ 系统的配置 Vivado 癿工程如何创建我们返里丌具体绅讲了，丌清楚癿同学去复习一下前面章节癿内容。 返里我们新建了一个 timer_intr 癿工程，幵生成了一个名为 system 癿 Block Diagram 文件， 再添加 ZYNQ7 Processing System 内核系统刡返个原理图中，因为本实验使用 PS 部分自带 癿计数器，所以无需增加其它 IP，创建好后癿工程及 Block Diagram 如下： 1. ZYNQ 癿 DDR 配置成 MT41J128M16 HA-125, 再配置 MIO48,MIO49 为 UART1，再叏消 AXI GP0 癿 Master 总线和 FCLK_RESET0_N 和 FCLK_CLK0 癿信号。具体方法跟第九部分实 验一样，大家丌清楚去参考第九章节。 2. 在 Diagram 界面里点击"Run Block Automation"完成对 ZYNQ7 Processing System IP 核癿配置，幵生成外部 ZYNQ 系统癿外部链接 IO 管脚。

2021-07-11

诊断编程接口-nasa系统工程手册
5.6 诊断编程接口 5.6.1 诊断编程接口简介 诊断编程接口提供了用户程序中获取诊断的方案。可以在用户程序中判断各个设备模块的诊断信息， 从而根据诊断信息，做出相关的处理。 诊断编程接口以库的形式存在，可以在“库管理器”添加，添加后如下图所示。 编程接口中提供了 CANlink，CANopen、CPU、Modbus、ModbusTCP、DP 对应的诊断编程接口， 每种诊断对应一种一组功能块，用于获取对应的诊断码。 在获取诊断数据时，自定义的诊断结果和诊断状态在“DataType”中定义。在获取每个诊断时一般 都有一个 HC_enumERROR 类型表示诊断是否获取成功，具体的定义见下表。 NO_ERROR BYTE 0 WRONG_PARAMETER BYTE 1 UNKNOWN_DEVICEID BYTE 2 INVAILD_DEVICEID BYTE 3 INVAILD_IO_POS BYTE 4 UNSUPPORT_DIAGNOSE BYTE 5 TIME_OUT BYTE 6 INTERNAL_FB_ERROR BYTE 7 UNKNOWN_ERROR BYTE 8 INVAILD_IP BYTE 9

2021-07-11

设置默认值-ft-2000四核cpu硬件设计指导手册-v1.5
7.7 设置默认值 7.7.1 如何指定默认值 有时候，您可能需要在不同时期重新使用设置。例如，您可能想指定在启动 TIBCO Spotfire 时已标记的项目颜色始终为红色，或者指定默认图表应为表。这是在―选项‖对话 框中完成的。您设置的默认值也会保存在服务器中您的个人资料下，因此即使在使用不 同的计算机时默认设置也可用。 管理员也可以配置服务器上某些用户组的默认设置。如果您属于此组的一个成员，这些 默认值也对您有效，除非您在―选项‖对话框中进行了主动选择并设置了自己的默认值。

2021-07-11

项目经理对整个项目的整体把控不到位-keras 回调函数callbacks 断点modelcheckpoint教程
(6)项目经理对整个项目的整体把控不到位 (7)项目经理对项目执行过程中的相关控制比较弱，执行过程中没有不断细化和完善项目计 划 (8)项目的配置管理缺乏过程的跟踪和审计，或配置管理不严格， 混乱 (9)整个项目没有相应的监督机制和监督人员，导致重要环节的缺漏和工作流程的随意更改 (10)项目进度控制和质量监控未到位 （答案包含但不限于以上内容，答案包含但不限于以上内容，列出 6点就可以，每小点 2 分，最多 12分，类似即可） 【问题 2】（3分） 3个月 20天，或者是近 4个月 【问题 3】（10分） (1)积极与客户沟通交流，尽可能收集客户的需求，功能部分的需求可以推托（或者是先记 录下来，沟通协商后分批延后开发），但是客户体验的需求要尽量满足 (2)积极与市场部沟通过，让其在接受客户需求的时候也考虑下研发部的实现难度 (3)及时与客户和市场部沟通，说明现阶段变更可能对项目造成的诸多影响情况 (4)遵循整体变更控制流程，记录相关客户需求，对需求变更可能带来的影响进行较全面的 评估，形成经建设方签字确认的新需求文件，并提交 CCB审批；将相关的变更信息及时有效的 通知相关的项目干系人 (5)在防范风险的前提下，将客户需求的 DEMO版软件的设计、开发与原项目计划中详细设 计阶段一起并行施工，即把 DEMO版软件作为新增的附加功能进行设计，但是不影响原定计划和 设计目标，同时，利用 DEMO版软件进行客户需求确认 (6)对于 DEMO版软件的开发，及时更新和调整可能影响到的项目管理计划极其子计划 (7)加强与团队成员的沟通交流，切实落实绩效激励措施，让团队成员积极地接受 DEMO版 软件的开发 (8)强化对项目的配置管理，以及对整个项目实施过程的监督与控制。 （答案包含但不限于以上内容，答案包含但不限于以上内容，列出 5点就可以，每小点 2 分，最多 10分，类似即可） 小马老师点评：本大题第一小题属于找错题，得 8分没有问题；第二小题属于计算题，得 3分没有问题；第三小题属于措施应对题，应该能得 6分以上；本题至少需要得 17分。

2021-07-11

复制从根引用的对象-togaf 9.2 full version
36512.5　GC复制算法 42 43 #define attr_accessor(name, type) attr_reader(name, type) \ attr_writer(name, type) 在 Rubinius 里定义了宏 attr_writer()、attr_reader()以及 attr_accessor()。应该有不少 Ruby 用户见过这些宏吧。实际上 Ruby 中也有跟这些宏同名的方法，它们的作用也相同。在 这里用宏 attr_writer() 来定义成员变量的 setter，用宏 attr_reader() 来定义成员变量的 getter，attr_accessor() 则被用于同时定义 getter 和 setter。 在此希望大家注意一点，那就是在第 25 行用到了 write_barrier()。也就是说，对象的 各个成员变量的 setter 里都存有 write_barrier()。 下面以 Array 类为例来看一下使用 attr_accessor() 的例子。 vm/builtin/array.hpp 11 15 16 17 18 19 20 21 22 23 24 25 26 27 class Array : public Object { private: Fixnum* total_; // slot Tuple* tuple_; // slot Fixnum* start_; // slot Object* shared_; // slot public: /* accessors */ attr_accessor(total, Fixnum); attr_accessor(tuple, Tuple); attr_accessor(start, Fixnum); attr_accessor(shared, Object); 在把指针存入其中定义的 total_ 等成员变量时，必须使用 setter，并且要保证确实对这 个 setter 设置了写入屏障。 虽然这次是以 Array 类为例，不过其他类也同样通过 attr_accessor() 定义了 setter。 也就是说，对于其他类的成员变量，我们也设置了写入屏障。 12.5.5 (2) 复制从根引用的对象 下面要讲的是复制从根引用的对象的相关内容。 大家应该还记得吧，Rubinius 的根有以下几种。 1. 内置类、模块、符号 2. VM 的调用栈

2021-07-11

文件输入与输出信息项目-pt5108规格书 high-psrr 500ma ldo
图 3.4 矢量裁剪影像设置 图 3.5 图像裁剪结果 3.4 FLAASH 大气校正 在 Toolbox 中，选择/Radiometric Correction/FLAASH Atmospheric Correction，打开 FLAASH 工具将相关参数填入。 （1） 文件输入与输出信息项目

2021-07-11

2006年8月植被覆盖区提取-pt5108规格书 high-psrr 500ma ldo
图 3.13 植被覆盖计算设置面板 选择文件保存名（20090811-yanjiuqu-VCI.dat）和路径，单击 OK，得到植被盖度图像。 3.3 植被变化监测 第一步：植被覆盖区提取 （1）2009年8月植被覆盖区提取 打开工具箱/Band Ratio/Band Math工具，在公式输入栏中输入： b1 gt 0.3 b1:选择 20090811-yanjiuqu-VCI.img 图像，0.3 为经验值，即植被覆盖度 30%以上为植被 区。 选择文件保存名（200908-植被覆盖区.dat）和路径，单击 OK 执行，得到 2009 年 8 月植 被盖度区。 （2）2006年8月植被覆盖区提取 获取的2006年8月标准的土地利用分类图，分类代码与地物类型如下表所示，耕地、林 地、草地，属于植被覆盖区域。 表 1 2006 年 8 月土地利用分类图地物类型、DN 值对照表 土地利用分类类型 影像 DN 值 耕地 1 林地 2

2021-07-11

掩膜背景值-pt5108规格书 high-psrr 500ma ldo
图 3.14 新建掩膜文件 图 3.15 掩膜背景值 第二步：植被变化区域制图 将掩膜背景值后的变化图像 2006-2009-植被覆盖变化区-maskback.dat 打开，在 Layer Manager 右键点击此文件，选择“New Raster Color Slices”，在弹出的面板中选择此文件为输 入数据。对-1、0、1 值以及背景值分别进行密度分割。点击 OK 查看密度分割的结果。

2021-07-11

研究区裁剪-pt5108规格书 high-psrr 500ma ldo
图3.15 选择角度数据几何校正的结果 （3） 回到参数设定面板，单击Spatial Subset按钮，在弹出的面板中单击”ROI/EVF” 按钮，在弹出的对话框中选择EVF:Beijing.shp，单击OK。 图 3.16 研究区裁剪 （4） 设置输出路径和文件名，单击OK，保存角度数据最终处理结果。 3.4 云检测 云检测工具是用 IDL 编写的扩展工具，该工具实现对反射率和发射率的合成文件进行去

2021-07-11

镶嵌结果-pt5108规格书 high-psrr 500ma ldo
图 3.20 镶嵌结果 第四步：农用地提取 利用与火点提取相同的方法，依照 MCDQ1 的分类说明，把 DN=12 的像素（农用地） 提取出来。结果如下图所示（绿色区域）。将农用地提取的感兴趣区域保存为“农用地提取 结果.xml”文件。 图 3.21 ROI 阈值设置

2021-07-11

提取森林健康变化信息-pt5108规格书 high-psrr 500ma ldo
图3.8 选择变化检测方法 （5） 勾选 Preview 选项，可以预览变化信息检测的结果，红色区域表示为 NDVI 减 少，蓝色区域表示 NDVI 增加。 （6） 单击 Next 按钮打开 Thresholding or Export 步骤，选择 Export Difference Image Only 选项：直接输出变化信息图像，单击 Next 按钮。 （7） 在 Export 步骤中，选择输出文件文件名“oct_07_2002_quac_diff.dat”和路径， 单击 Finish 按钮。 这样得到两个图像的归一化植被指数的差值图像。 3.4 提取森林健康变化信息 这个步骤是从第二个步骤中得到的归一化植被指数差值图像中提取森林健康变化信息， 采用阈值分割方法。阈值法是一种简单有效的图像分割方法，它将图像的灰度级分为几个部 分，选用若干个阈值来确定图像的区域。阈值分割一般分为两个步骤：①确定图像的分割阈 值；②分割图像。 第一步：确定图像的分割阈值 一般利用图像的直方图寻找分割阈值。若图像由多个特征区域构成（即是不同变化区域）， 则其直方图呈现多峰现象，每个峰值对应一个区域，以谷值点位或凸值点位阈值划分相邻峰 值。本示例提取的是森林受灾区，将受灾区分为严重虫灾区、中等虫灾区和轻微虫灾区。 （1） 在 Toolbox 工具箱中，双击 Statistics/Compute Statistics 工具，在输入文件对话 框中选择前面得到的归一化植被指数差值图像“oct_07_2002_quac_diff.dat”，Select mask Band 选择前面获取的林区分类栅格图像。 （2） 在 Compute Statistics Parameters 面板中，勾选 Histograms 选项，单击 OK 按钮。 打开 Statistics Results 面板。

2021-07-11

地距几何-pt5108规格书 high-psrr 500ma ldo
图1.17 雷达图像平面 这显示了在高程上即使微小变化都可造成相当大范围的扭曲。这些诱导因子包括了透视 收缩、叠掩和阴影。 叠掩是前向收缩中的一个极端例子，其斜坡坡度α远大于入射角（q）。随着水平距离的 不断增大，传感器和目标地物之间的斜面距离是不断减小的。 阴影是由目标地物造成的，它遮盖了目标地物背后的部分地形信息。 在山区，SAR 图像的特点： 1）强烈的几何失真 2）从辐射角度看，合成孔径雷达面向斜坡的方向，其值的亮度值比较高。陡峭地形或 较小的入射角度——如 ERS-1/2 SAR 传感器，都会产生透视收缩。 注意：如果提供高分辨率的 DEM 数据，其透视收缩可通过几何特征和辐射定标进行校正。 叠掩和阴影区域可以得到高精度的计算，但是不能得到校正，这些区域没有专题信息。  斜距与地距的几何 通常 SAR 数据要进行斜距投影（即，原始的 SAR 几何形态）到地距投影的转换，如下 图。 图1.18 地距几何

2021-07-11

数据输入步骤-pt5108规格书 high-psrr 500ma ldo
图3.4 数据输入步骤 设置以后文件和参数后，点击 Next 按钮，弹出一个对话框，是根据制图分辨率以及数 据头文件中的信息自动计算出来的视数，点击确定。

2021-07-11

相位转形变的结果-pt5108规格书 high-psrr 500ma ldo
图4.21 相位转形变的结果 （8）结果输出（Output）： 结果默认输出在 ENVI 的默认输出路径下，文件名命名为 Cut_20100115_slc_out。若想保 留中间结果便于查看，将 Delete Temporary Files 不勾选。 点击 Finish，输出结果。结束 DInSAR Diaplcement 处理的工作流。生产的形变数据自动进行 密度分割配色展示。

2021-07-11

描述_了bash的各种内建命令-prescan操作教程
7 其它杂项，例如bash-builtins(7)描述 了bash的各种内建命令 8 系统管理命令，例如ifconfig(8) 注意区分用户命令和系统管理命令，用户命令通常位 于/bin和/usr/bin目录，系统管理命令通常位 于/sbin和/usr/sbin目录，一般用户可以执行用户命令，而执行 系统管理命令经常需要root权限。系统调用和库函数的区别将 在第 2 节 “main函数和启动例程”说明。 Man Page中有些页面有重名，比如敲man printf命令看到的并不 是C函数printf，而是位于第1个Section的系统命令printf，要查 看位于第3个Section的printf函数应该敲man 3 printf，也可以 敲man -k printf命令搜索哪些页面的主题包含printf关键字。本 书会经常出现类似printf(3)这样的写法，括号中的3表示Man Page的第3个Section，或者表示“我这里想说的是printf库函数而 不是printf命令”。 习题 1、定义一个函数increment，它的作用是把传进来的参数加1。例如： void increment(int x) { x = x + 1; } int main(void) { int i = 1, j = 2; increment(i); /* i now becomes 2 */ increment(j); /* j now becomes 3 */ return 0; }

2021-07-11

隐马尔科夫模型-effective akka
13.2 隐马尔科夫模型 隐马尔科夫模型可以被看成图13.5所⽰的状态空间模型的⼀个具体实例，其中潜在变量是离 散的。然⽽，如果我们考察模型的⼀个单⼀的时间切⽚，那么我们看到它对应于⼀个混合概率 分布，对应的分量密度为p(x | z)。于是，它也可以表述为混合概率模型的⼀个推⼴，其中每个 观测的混合系数不是独⽴地选择的，⽽是依赖于对于前⼀次观测的分量的选择。HMM⼴泛 ⽤于语⾳识别（Jelinek, 1997; Rabiner and Juang, 1993）、⾃然语⾔建模（Manning and Schütze, 1999）、在线⼿写识别（Nag et al., 1986）以及⽣物序列（例如蛋⽩质和DNA）的分析（Krogh et al., 1994; Durbin et al., 1998; Baldi and Brunak, 2001）。 与标准的混合模型的情形相同，潜在变量是离散的服从多项式分布的变量zn，描述了那个 混合分量⽤于⽣成对应的观测xn。与之前⼀样，⽐较⽅便的做法是使⽤1-of-K表⽰⽅法，就像 第9章那样。我们现在让zn的概率分布通过条件概率分布p(zn | zn−1)对前⼀个潜在变量zn−1产 ⽣依赖。由于潜在变量是K维⼆值变量，因此条件概率分布对应于数字组成的表格，记作A， 它的元素被称为转移概率（transition probabilities）。元素为Ajk ≡ p(znk = 1 | zn−1,j = 1)。由 于它们是概率值，因此满⾜0 ≤ Ajk ≤ 1且 ∑ k Ajk = 1，从⽽矩阵A有K(K − 1)个独⽴的参数。 这样，我们可以显式地将条件概率分布写成 p(zn | zn−1,A) = K∏ k=1 K∏ j=1 A zn−1,jznk jk (13.7) 初始潜在结点z1很特别，因为它没有⽗结点，因此它的边缘概率分布p(z1)由⼀个概率向 量π表⽰，元素为πk ≡ p(z1k = 1)，即 p(z1 | π) = K∏ k=1 π z1k k (13.8) 其中 ∑ k πk = 1。 有时可以将状态画成状态转移图中的⼀个结点，这样就可以图形化地表⽰出转移矩阵。图 13.6给出了K = 3的情形。注意，这不是⼀个概率图模型，因为结点不是单独的变量⽽是⼀个变 量的各个状态，因此我们⽤⽅框⽽不是圆圈来表⽰状态。 413

2021-07-11

定时器1的时钟输出脚-mysql高可用方案大全
T1CLKO BIT P3.4 //定时器1的时钟输出脚 F38_4KHz EQU 0FF10H //38.4KHz(1T模式下, 65536-18432000/2/38400) //F38_4KHz EQU 0FFECH //38.4KHz(12T模式下, (65536-18432000/2/12/38400)

2021-07-11

新建工程属性说明-如何解读统计图表：研究报告阅读指南
图 6.10 设置工程属性对话框 如图 6.10 所示，需要设置如表 6.2 所示内容。 表 6.2 新建工程属性说明 设 置 选 项 设 置 内 容 Device Family 设置 FPGA 是哪一系列的，如 Spartan3、Spartan3E、Virtex 等 Device 设置 FPGA 的具体型号，每个系列的 FPGA 下都有很多型号，要根据实际工程中应用的 FPGA 进行选择 Package 设置 FPGA 的封装格式，如 PQ208、FG456 等，对不同的封装格式，用户在约束引脚时会 有所不同 Speed Grade 设置速度等级，如-4、-5、-6，数字越大速度越快 Top-Level Module type 设置顶层模块的类型 Synthesis Tool 设置设计中采用的综合工具，可以是 Xilinx 自带的 XST，如果安装了第三方工具，也可以 选择第三方综合工具，如 Synplify/Synplify Pro 等 Simulator 设置设计中采用的仿真工具，可以是 ISE 自带的 ISE simulator，如果安装了第三方工具 ModelSim，也可以设置为 ModelSim Generated Simulation Language 如果采用 ISE 自带的仿真工具 ISE Simulator，利用 HDL Bencher 可以在图形界面下编辑测 试波形，直接生成测试激励文件，这里是设置生成测试激励文件的语言类型 （4）为工程新建资源。 设置完工程属性后，单击“下一步”按钮，出现为工程新建资源的对话框，如图 6.11 所示。 新建工程时可以直接为新建的工程新建资源，单击“New Source”按钮会弹出新建资源的对话框，如图 6.12 所示。 这一步在新建工程时并不是必须的，如果在创建新的工程时没有为工程新建资源，可以在以后设计中再新 建。如果工程创建完毕后需要新建资源，可以选择“Project”/“New Source”选项，也会弹出如图 6.12 所示的新建资源的对话框。 输入新建资源的名称 选择新建资源的类型

2021-07-11

双机通信-mysql高可用方案大全
8.12 双机通信

2021-07-11

x106</font>和<font-基于小波变换的通信信号码元速率估计
浮点数也可以称为小数。叫做浮点数是因为按照科学记数法表示时，一个浮点数的小数点位置是可变的。比如，<font color=#0099ff>1.11x106</font>和<font color=#0099ff>11.1x105</font>是完全相等的。对于很大或很小的浮点数，必须用科学计数法表示，把10用e替代，<font color=#0099ff>1.11x106</font>就 是<font color=#0099ff>1.11e6</font>，或者<font color=#0099ff>11.1e5</font>，<font color=#0099ff>0.0000011</font>可以写成<font color=#0099ff>1.1e- 6</font>。负数的话直接在前面加负号即可，例如：<font color=#0099ff>-1.1e-6</font>。 需要注意的一点是，整数和浮点数在计算机内部存储的方式是不同的，<font color=red> 整数</font> 之间的运算永远是精确的，而<font color=red> 浮点数 </font> 运算则可能会有四舍五入的误差。 字符串¶ 字符串是以单引号<font color=#0099ff> ' </font>或双引号<font color=#0099ff> " </font>括起来的任意文本<font color=#0099ff>' '</font>或<font color=#0099ff>" "</font>只是一种表示方式，不是字符串的一部分，所以字符串<font color=#0099ff>'rice'</font>只有<font color=#0099ff>r</font>，<font color=#0099ff>i</font>，<font color=#0099ff>c</font>，<font color=#0099ff>e</font>这4个字符。如果要把<font color=#0099ff>'</font>本身也包括进字符 里，那就可以用<font color=#0099ff>" "</font>括起来。如果字符串内部既包含<font color=#0099ff> ' </font>又包含<font color=#0099ff> " </font>怎么办呢？ 我们可以用转义字符<font color=#0099ff> \ </font>来标识，例如：<font color=#0099ff>'I\'m \"OK\"!'</font>表示的内容为：<font color=#0099ff>I'm "OK"! </font> 转义字符<font color=#0099ff>\</font>可以转义很多字符，比如<font color=#0099ff>\n</font>表示换行，<font color=#0099ff>\t</font>表示制表符，字符\本 身也要转义，所以<font color=#0099ff>\</font>表示的字符就是<font color=#0099ff>\</font>，用print()打印字符串看看结果如何： In [1]: print('I\'m \"OK\"!') I'm "OK"! In [2]: print('Ricequant is\ngreat') Ricequant is great In [3]: print('\\\t\\') \ \ 布尔值¶ 布尔值和布尔代数的表示完全一致，一个布尔值只有<font color=#0099ff>True</font>、<font color=#0099ff>False</font>两种值。Python中，既可以直接用 <font color=#0099ff>True</font>、<font color=#0099ff>False</font>表示（<font color=red>一定要大写</font>），也可以通过布尔运算计算出来： In [4]: True Out[4]: True In [5]:

2021-07-11

离群值处理-基于小波变换的通信信号码元速率估计
一、离群值处理 因为过大或过小的数据可能会影响到分析结果，尤其是在做回归的时候，我们需要对那些离群值进行处理。实际上离群值和极值是有区别的，因为极值不 代表异常，但实际处理中这两个所用方法差不多，所以这里也不强行区分了。 处理方法是调整因子值中的离群值至上下限（Winsorzation 处理），其中上下限由离群值判断的标准给出，从而减小离群值的影响力。离群值的判断标准 有三种，分别为 MAD、 3σ、百分位法。

2021-07-11

节中笔者试图在不陷入Linux-西门子simatic et200sp数字量输出模块
模块提供了极为灵活的功能，第2版通过新增的第15章详细介绍了如何在模块中支持HTTP变 量，包括如何在代码中使用其他Nginx模块提供的变量，以及如何定义新的变量供nginx.conf 和其他第三方模块使用等。第16章介绍了slab共享内存，这是一套适用于小块内存快速分配 释放的内存管理方式，它非常高效，分配与释放速度都是以纳秒计算的，常用于多个worker 进程之间的通信，这比第14章介绍的原始的共享内存通信方式要先进很多。第16章不仅详细 介绍了它的实现方式，也探讨了它的优缺点，比如，如果模块间要共享的单个对象常常要消 耗数KB的空间，这时就需要修改它的实现（例如增大定义的slab页大小），以避免内存的浪 费等。 Nginx内存池在第1版中只是简单带过，第2版中新增了8.7节介绍了内存池的实现细节， 以帮助读者用好最基础的内存池功能。 此外，很多读者反馈需要结合TCP来谈谈Nginx，因此在9.10节中笔者试图在不陷入Linux 内核细节的情况下，简要介绍了TCP以清晰了解Nginx的事件框架，了解Nginx的高并发能 力。

2021-07-11

准备连接设备-cp340模块使用手册
2.2 准备连接设备 连接硬件 2-3 2 2.2 准备连接设备 下面对硬件的连接和 MPE720 Ver.7 的安装进行说明。 连接硬件 准备连接设备并接线。 下面利用以下的系统构成模型进行说明。 * 作为虚拟的输入输出设备，机器控制器内部的 M寄存器的使用示例如下所述。 实际上，请将输入输出信号与机器控制器的 I/O 模块等连接，使用 I、O寄存器创建梯形图程序。

2021-07-11

转速控制器-安川伺服驱动说明书.
伺服控制 4.1 转速控制器 驱动功能 功能手册, (FH1), 04/2014, 6SL3097-4AB00-0RP4 91 4.1 转速控制器 在带编码器的运行中，转速控制器根据编码器提供的实际值控制电机的转速；在不带编码 器的运行中，转速控制器根据计算出的转速实际值控制电机转速。 特性 ● 转速设定值滤波器 ● 转速控制器适配 说明 转速控制和转矩控制无法同时进行。 如果激活了转速控制，则转矩控制失效。 限制 最大转速 r1082[D] 的缺省设置是所选电机的标准值，在调试时生效。 斜坡函数发生器的斜坡升降时间均以此值为基准。 图 4-1 转速控制器限制

2021-07-11

谐振抑制-安川伺服驱动说明书.
V/f 控制（矢量控制） 6.3 谐振抑制 驱动功能 282 功能手册, (FH1), 04/2014, 6SL3097-4AB00-0RP4 6.3 谐振抑制 谐振抑制功能可抑制空载运行中可能出现的有功电流波动。 该功能在 5 % 至 90 % 的电机额定频率（p0310）范围内生效，不过频率最高只可为 45 Hz。 图 6-6 谐振抑制 说明 谐振抑制最大频率 在 p1349 = 0 时切换限值会自动设置为电机额定频率的 95 %，不过最高为 45 Hz。 功能图（参见 SINAMICS S120/S150 参数手册） • 6310 矢量控制 - 谐振抑制和转差补偿

2021-07-11

广域网输出-深信服scsa认证考试总题库
8.4 广域网输出 前面所给出的小互联网的输出例子对于查看协议运行过程来说是足够了，但对于像全球 互联网这样的大互联网来说，应用 t r a c e r o u t e程序就需要一些更为实际的东西。 图8 - 4是从s u n主机到NIC (Network Information Center)的情况。 图8-4 从s u n主机到n i c . d d n . m i l 的t r a c e r o u t e 程序 由于运行的这个例子包含文本，非 D D N站点（如，非军方站点）的 N I C已经从 n i c . d d n . m i l转移到r s . i n t e r n i c . n e t，即新的“InterNIC”。 一旦数据报离开t u c . n o a o . e d u网，它们就进入了t e l c o m . a r i z o n a . e d u网络。然后这些 数据报进入NASA Science Internet，n s n . n a s a . g o v。T T L字段为6和7的路由器位于 JPL (Jet Propulsion Laboratory)上。T T L字段为11所输出的s u r a . n e t网络位于Southeastern Universities Research Association Network上。T T L字段为1 2的域名G S I是Government Systems, Inc., NIC的运营者。 T T L字段为6的第2个RT T（5 9 0）几乎是其他两个RT T值（2 3 4和2 6 2）的两倍 。它表明 I P 路由的动态变化。在发送主机和这个路由器之间发生了使该数据报速度变慢的事件。同样， 我们不能区分是发出的数据报还是返回的 I C M P差错报文被拦截。 T T L字段为3的第1个RT T探测值（2 0 4）比T T L字段为2的第1个探测值（2 3 3）值还小。由 第8章 Traceroute程序使用75 下载 网络1 网络2 网络3 路由器1 路由器2

2021-07-12

正常数据流-深信服scsa认证考试总题库
第20章 TCP的成块数据流 20.1 引言 在第1 5章我们看到T F T P使用了停止等待协议。数据发送方在发送下一个数据块之前需要 等待接收对已发送数据的确认。本章我们将介绍 T C P所使用的被称为滑动窗口协议的另一种 形式的流量控制方法。该协议允许发送方在停止并等待确认前可以连续发送多个分组。由于 发送方不必每发一个分组就停下来等待确认，因此该协议可以加速数据的传输。 我们还将介绍T C P的P U S H标志，该标志在前面的许多例子中都出现过。此外，我们还要 介绍慢启动，T C P使用该技术在一个连接上建立数据流，最后介绍成块数据流的吞吐量。 20.2 正常数据流 我们以从主机s v r 4单向传输8 1 9 2个字节到主机 b s d i开始。在b s d i上运行s o c k程序作 为服务器： bsdi % sock -i -s 7777 其中，标志- i和- s指示程序作为一个“吸收（ s i n k）”服务器运行（从网络上读取并丢弃 数据），服务器端口指明为7 7 7 7。相应的客户程序运行为： svr4 % sock -i -n8 bsdi 7777 该命令指示客户向网络发送 8个1 0 2 4字节的数据。图 2 0 - 1显示了这个过程的时间系列。我 们在输出的前3个报文段中显示了每一端M S S的值。 发送方首先传送3个数据报文段（4 ~ 6）。下一个报文段（ 7）仅确认了前两个数据报文段， 这可以从其确认序号为2 0 4 8而不是3 0 7 3看出来。 报文段7的A C K的序号之所以是2 0 4 8而不是3 0 7 3是由以下原因造成的：当一个分组到达时， 它首先被设备中断例程进行处理，然后放置到 I P的输入队列中。三个报文段 4、5和6依次到达 并按接收顺序放到 I P的输入队列。 I P将按同样顺序将它们交给 T C P。当T C P处理报文段 4时， 该连接被标记为产生一个经受时延的确认。 T C P处理下一报文段（5），由于T C P现在有两个未 完成的报文段需要确认，因此产生一个序号为 2 0 4 8的A C K（报文段7），并清除该连接产生经 受时延的确认标志。 T C P处理下一个报文段（ 6），而连接又被标志为产生一个经受时延的确 认。在报文段9到来之前，由于时延定时器溢出，因此产生一个序号为 3 0 7 3的A C K（报文段8）。 报文段8中的窗口大小为3 0 7 2，表明在T C P的接收缓存中还有 1 0 2 4个字节的数据等待被应用程 序读取。 报文段11 ~ 1 6说明了通常使用的“隔一个报文段确认”的策略。报文段 11、1 2和1 3到达并 被放入 I P的接收队列。当报文段 11被处理时，连接被标记为产生一个经受时延的确认。当报 文段1 2被处理时，它们的 A C K（报文段1 4）被产生且连接的经受时延的确认标志被清除。报 文段1 3使得连接再次被标记为产生经受时延。但在时延定时器溢出之前，报文段 1 5处理完毕， 因此该确认立刻被发送。

2021-07-12

TCP的保活定时器使用255_下载-深信服scsa认证考试总题库
第23章 TCP的保活定时器使用255 下载 删除14行

2021-07-12

噪声对比估计-使用xtext和xtend实现域特定语言(第二版)-中文-第四章
18.6 噪声对比估计 具有难求解的配分函数的大多数模型估计都没有估计配分函数。SML和CD只 估计对数配分函数的梯度，而不是估计配分函数本身。得分匹配和伪似然避免了和配 分函数相关的计算。 噪声对比估计（noise-contrastive estimation，NCE）(Gutmann and Hyvari- nen, 2010) 采取了一种不同的策略。在这种方法中，模型估计的概率分布被明确表示 为 log pmodel(x) = log p̃model(x;θ) + c, (18.28) 其中 c 是 − logZ(θ) 的近似。噪声对比估计过程将 c 视为另一参数，使用相同的算 法同时估计 θ 和 c，而不是仅仅估计 θ，。因此，所得到的 log pmodel(x) 可能并不完 全对应有效的概率分布，但随着 c 估计的改进，它将变得越来越接近有效值1。 这种方法不可能使用最大似然作为估计的标准。最大似然标准可以设置 c 为任 意大的值，而不是设置 c 以创建一个有效的概率分布。 NCE 将估计 p(x) 的无监督学习问题转化为学习一个概率二元分类器，其中一 个类别对应模型生成的数据。该监督学习问题中的最大似然估计定义了原始问题的 渐近一致估计。 具体地说，我们引入第二个分布，噪声分布（noise distribution）pnoise(x)。噪 声分布应该易于估计和从中采样。我们现在可以构造一个联合 x 和新二值变量 y 的 模型。在新的联合模型中，我们指定 pjoint(y = 1) = 1 2 , (18.29) pjoint(x | y = 1) = pmodel(x), (18.30) 和 pjoint(x | y = 0) = pnoise(x). (18.31) 换言之，y 是一个决定我们从模型还是从噪声分布中生成 x 的开关变量。 我们可以在训练数据上构造一个类似的联合模型。在这种情况下，开关变量决定 是从数据还是从噪声分布中抽取 x。正式地，ptrain(y = 1) = 12，ptrain(x | y = 1) = pdata(x)，和 ptrain(x | y = 0) = pnoise(x)。 1NCE 也适用于具有易于处理的，不需要引入额外参数 c 的配分函数的问题。它已经是最令人感兴趣的，估计具 有复杂配分函数模型的方法。

2021-07-12

软件工具所要使用-academicwriting3rdedanswerkey
附录 B Allegro 15.0 安装指南 本章主要介绍 Allegro 15.0 软件工具所要使用 到的 PC 计算机配备及其安装的方法。Cadence 原厂 提供 3 片安装的光盘片，其用途如下所示： (1) 第一片光盘 系统安装光盘 1of 2 (2) 第二片光盘 系统安装光盘 2of 2 (3) 第三片光盘 Concept HDL 零件库安装光 盘 1of 1

2021-07-12

申断回调定时器-power bi白皮书
24.3 申断回调定时器 下面我们先介绍 ClearRTOS 内中断回调定时榕的实现，后面在基于这一实现的基础上再探 讨任务回调定时器的实现。 24.3.1 程序实现 图 24.2 列出了实现所需的基本数据结构。第 35 行定义了“滴答”的周期为 10 毫秒。第 37 行将 type_timer 结构的指针定义为 timer_handle_t . 第 40 行定义了定时器到期回调函数的原型， 其第一个参数是到期定时糕，第二个参数是定时器在启动时所指定的参数。

2021-07-12

URI语法-ogg 官方文档
12.2　URI语法 早在WPF之前，Web上可用的每种资源——HTML文档、图像、视 频片段、程序等——都是由URI来进行定位的。一个URI一般由如下3个 部分组成。 （1）协议，也称为“服务方式”。 （2）该资源的主机IP地址，有时也包括端口号。 （3）主机资源的地址，如目录和文件名等。 如http://www.cnblogs.com/helloj2ee/表示一个可通过HTTP协议访问 的资源，位于主机www.cnblogs.com，通过路径/helloj2ee/访问。 12.2.1　WPF中的URI 在WPF中通过URI来标识和访问资源，包括如下情况。 （1）当应用程序启动时设置需要显示的用户界面。 （2）装载图像。 （3）页面之间的导航。 （4）装载资源、内容和Site of Origin文件。 URI可以通过当前程序集、被引用的程序集、相对程序集的一个位 置和任意位置标识访问资源。

2021-07-12

式就成_为-金蝶bos新增单据案例
当“可动线圈”在垂直方向移动时，速度向量 v 只有 z 方向的分量 vz 。(3)式就成 为 ( )dz zv B lε= ×∫ (4) 比较(2)式与(4)式，可以看到两个公式右面的线积分相同。把两式相除就消去 了线积分而得到 z mg I vε = (5) 或 图 1 线圈上的电磁力与砝码 的重力相平衡 图 2 线圈在磁场中垂直 运动，感生出电动势

2021-07-12

创建单选按钮-abb acs510 变频器中文使用说明书
(1) 创建单选按钮 在可视化编辑画面工具箱中，找到 “通用控制”大类，添加 “ ”。添加后在编 辑区的视图如图 9.x 所示。 图 9.X 添加单选按钮 a) 创建程序变量 首先需要建立与可视化界面相对应的程序变量，具体变量定义如下所示： PROGRAM PLC_PRG VAR nSelect:INT; END_VAR b) 变量映射 单击选中“单选按钮”，打开其属性，如图 9.x 所示。 首先，先与程序中的变量进行映射，该变量的类型为整型，使用输入助手，点击确定。 其次确定实际需要有多少个单选按钮，如图 9.x 的 2）中所示，添加单选按钮，最终在“文本” 选项中更改名字。

2021-07-12

梯形图程序的创建-cp340模块使用手册
2.6 梯形图程序的创建 2-8 2.6 梯形图程序的创建 梯形图程序的创建步骤如下所示。 1. 选择启动装置的 Programming - Ladder program。 显示 Ladder 子窗口。 2. 右击 Ladder program 下的 High-speed，选择 New。 弹出 Create New Program 对话框。 3. 点击 OK 按钮。 启动梯形图编辑器。 以下记载了 “ 高速 ” 程序的创建步骤，“ 低速 ” 及 “ 启动 ” 程序也按同样的步骤创建。 Right-

2021-07-11

通过数据类型转换指令由用户切实转换-20190802mcd培训资料
(1) 通过数据类型转换指令由用户切实转换 (2) 通过代入或指令自动转换 ·代入 ST 语言 ·梯形图语言中的接线 参考 转换为整数型和 TIME 型时，请使用时间 / 时刻指令 NanoSecToTime 指令和 TimeToNanoSec 指令。 详请请参阅 “NJ 系列 指令基准手册 基本篇 (SBCA-360)”。 数据类型的转换

2021-07-12

提前终止-彩色uml建模(四色原型)object modeling in color _peter coaderic lefebvrejeff de luca著
210 第七章 深度学习中的正则化 h(1)h(1) h(2)h(2) h(3)h(3) y(1)y(1) y(2)y(2) h(shared)h(shared) xx 图 7.2: 多任务学习在深度学习框架中可以以多种方式进行，该图说明了任务共享相同输入但涉及 不同目标随机变量的常见情况。深度网络的较低层（无论是监督前馈的，还是包括向下箭头的生 成组件）可以跨这样的任务共享，而任务特定的参数（分别与从 (1) 和 (2) 进入和发出的权重） 可以在共享表示 (shared) 之上学习。这里的基本假设是存在解释输入 变化的共同因素池，而每 个任务与这些因素的子集相关联。在该示例中，额外假设顶层隐藏单元 (1) 和 (2) 专用于每个任 务（分别预测 (1) 和 (2)），而一些中间层表示 (shared) 在所有任务之间共享。在无监督学习情 况下，一些顶层因素不与输出任务 ( (3)) 的任意一个关联是有意义的：这些因素可以解释一些输 入变化但与预测 (1) 或 (2) 不相关。 式增加的比例），并能改善泛化和泛化误差的范围 (Baxter, 1995)。当然，仅当不同 的任务之间存在某些统计关系的假设是合理（意味着某些参数能通过不同任务共享） 时才会发生这种情况。 从深度学习的观点看，底层的先验知识如下：能解释数据变化（在与之相关联 的不同任务中观察到）的因素中，某些因素是跨两个或更多任务共享的。 7.8 提前终止 当训练有足够的表示能力甚至会过拟合的大模型时，我们经常观察到，训练误 差会随着时间的推移逐渐降低但验证集的误差会再次上升。图 7.3是这些现象的一个 例子，这种现象几乎一定会出现。 这意味着如果我们返回使验证集误差 低的参数设置，就可以获得更好的模型 （因此，有希望获得更好的测试误差）。在每次验证集误差有所改善后，我们存储模

2021-07-12

使用者与群组-oracle database 11g rman备份与恢复--详细书签版
2605.1 使用者与群组

2021-07-11

查看更多

VSCode如何切换中文界面

2025-03-19

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章？
取消 删除