流水线 深度 逻辑 模型
【深度学习】PyTorch 图片识别分类器
下载数据集 import torch import torchvision import torchvision.transforms as transforms # 定义数据预处理的转换 transform = transforms.Compose( [transforms.ToTensor(), ......
技巧 EntityFrameworkCore 实现 CodeFirst 通过模型生成数据库表时自动携带模型及字段注释信息
今天分享自己在项目中用到的一个小技巧，就是使用 EntityFrameworkCore 时我们在通过代码去 Update-Database 生成数据库时如何自动将代码模型上的注释和字段上的注释携带到数据库中，方便后续在数据库直接查看各个表和各个字段的含义。 实现效果如下： 可以看到我们每张表都有明确 ......
【深度学习】PyTorch的基本运算 与 构造简单神经网络模型
基本运算 import torch # 创建一个自定义的张量 t = torch.tensor([1.0, 2.0, 3.0]) # tensor([1., 2., 3.]) # 求平均值 t.mean() # tensor(2.) # 创建一个指定行列的张量 x = torch.empty(3,5 ......
使用单卡v100 32g或更低显存的卡，使用peft工具qlora或lora混合精度训练大模型chatGLM2-6b，torch混合精度加速稳定训练,解决qlora loss变成nan的问题！
最近新换了工作，以后的工作内容会和大模型相关，所以先抽空跑了一下chatGLM2-6b的demo，使用Qlora或lora微调模型 今天简单写个文档记录一下，顺便也是一个简单的教程，并且踩了qlora loss变成nan训练不稳定的问题 本教程并没有写lora的原理，需要的话自行查阅 1.chatG ......
【行云流水线实践】基于“OneBuild”方法对镜像进行快速装箱
在云原生领域，无论使用哪种编排调度平台，Kubernetes，DockerSwarm，OpenShift等，业务都需要基于镜像进行交付，我们在内部实践“Source-to-image”和链式构建，总而总结出“OneBuild”模式。其核心思想是：一处构建，多处使用。 ......
得物自研客服IM中收发聊天消息背后的技术逻辑和思考实现
本文将探秘得物自研客服IM中收发聊天消息背后的技术逻辑和思考实现，帮助大家了解如何在IM聊天场景中提供高效、安全、可靠和良好的用户体验。 ......
模型复现
GG-CNN git地址：GitHub - dougsm/ggcnn: Generative Grasping CNN from "Closing the Loop for Robotic Grasping: A Real-time, Generative Grasp Synthesis Appro ......
三维模型的顶层合并构建几个注意事项探讨
三维工厂K3DMaker是一款三维模型浏览、分析、轻量化、顶层合并构建、几何校正、格式转换、调色裁切等功能专业处理软件。可以进行三维模型的网格简化、纹理压缩、层级优化等操作，从而实现三维模型轻量化。轻量化压缩比大，模型轻量化效率高，自动化处理能力高；采用多种算法对三维模型进行几何精纠正处理，精度高，... ......
基于Googlenet深度学习网络的交通工具种类识别matlab仿真
1.算法运行效果图预览 2.算法运行软件版本 matlab2022a 3.算法理论概述 VGG在2014年由牛津大学著名研究组vGG (Visual Geometry Group)提出，斩获该年lmageNet竞赛中Localization Task (定位任务)第一名和 Classificatio ......
R语言广义加性混合模型(GAMM)分析长沙气象因子、空气污染、PM2.5浓度、显著性检验、逐日变化可视化|附代码数据
全文链接：https://tecdat.cn/?p=32981 原文出处：拓端数据部落公众号 气候变化和空气污染对现代社会产生了越来越大的影响。在这种背景下，研究气象和空气污染之间的关系以及其对PM2.5浓度的影响变得非常重要。为了更好地理解和解释这些关系，广义加性混合模型（GAMM）成为一种强大的 ......
基于开源模型搭建实时人脸识别系统（五）：人脸跟踪
继续填坑，之前已经讲了人脸检测，人脸检测是定位出画面中人脸的位置，理论上把检测到的人脸进行提特征就能做人脸识别了，不过直接这样做是有缺陷，一是存在很大的资源浪费，毕竟同一个人出现在画面，我们实际上应该只需要做一次识别就知道他的身份（理想情况下），而不需要每一帧都去做；二是如果对每一帧都进行独立的检测 ......
逻辑门一览
逻辑门 在这个学习系列中，与门和非门是基础的逻辑门，可以由他们构建出更多种类的逻辑门和元件。 本文对其介绍并构建出更多逻辑门。 与门（AND） 标识 AND 输入端个数 2 输出端个数 1 真值表： 输入1 输入2 输出 0 0 0 0 1 0 1 0 0 1 1 1 当两个输入均为1时，输出1 非 ......
算术逻辑单元（ALU）
算术逻辑单元（ALU） 构建一个四位算术逻辑单元，可以实现两个四位二进制数的加减法运算。 减法 一个二进制数字表示如下： 0010 四位可以表示从0~15的十进制数。 若使最高位设置为符号位，0表示正数，1表示负数，那么可以表示从-8~7的十进制数。 则0010表示2. 负数的表示方法有：原码、反码 ......
逻辑卷 （虚拟硬盘）
逻辑卷 linux上使用硬盘 1、分区 2、格式化 3、挂载 分区缺点：①分区无法扩容，只能重新分区，这样数据丢失 ②必须是硬盘上连续的空间 逻辑卷诞生就是解决这两个缺点！ 逻辑卷的作用 1、无线扩容/缩容（ 不能缩容），不会影响数据 2、空间可以不连续 3、有限的备份功能 制造逻辑卷的过程 （pv ......
diffuser扩散模型\datawhale组队学习——v6.DDIM和音频
今日学习来源：《扩散模型从原理到实践》学习手册 - 飞书云文档 (feishu.cn) 任务四 学习内容： 1、DDIM（把小猫变成小狗） 2、音频生成。 首先还是熟悉的环境安装环节，会报错，先把unit1的 ......
磁盘分区---低级格式化(物理格式化)、逻辑格式化
低级格式化（物理分区）：划分扇区、为每个扇区使用特殊数据结构，包括检验码 分区第一步: 将磁盘划分为一个或多个柱面组成的分区，即C、D盘 分区第二步: 逻辑格式化:逻辑格式化：将初始的文件系统数据结构存储到磁盘上，这些数据结构包括空闲和已分配的空间以及一个初始为空的目录 ......
Go 进阶训练营对标字节跳动2-2级能力模型，实践驱动掌握云计算第一语言
最近整理了下收集的Go学习资料，包含了Go学习社区、入门、进阶、性能优化、面试和Go学习书籍，还是比较全面的，在这里推荐给大家。 废话不多说，先献上Go技能升级地图，自己照着地图修炼 Go学习社区 Golang 中国：国内较早的 Go 社区，汇聚各类信息与服务 Learn Go：比较好的Golang ......
逻辑回归
1. 分类 1.1 motivation 只有两种分类结果的问题成为二分类问题，通常使用0指代false，1指代true 样本也可分为负样本(negative class)和正样本(positive class)，例如针对邮件是否为垃圾邮件的问题，正常邮件就是负样本，垃圾邮件就是正样本 由此可知，正 ......
知识图谱与大模型相结合的3种方法，1+1>2
知识图谱（KG）和大语言模型（LLM）都是知识的表示形式。将LLM和KG协同使用，同时利用它们的优势，是一种互补的做法。 ......
APP攻防--安卓逆向&数据修改&逻辑修改&视图修改
APP攻防--安卓逆向&数据修改&逻辑修改&视图修改 @目录APP攻防--安卓逆向&数据修改&逻辑修改&视图修改工具集apk目录意义逆向数据修改逆向逻辑修改逆向视图修改某小说升级vip某兔去除广告某壁纸升级vip 工具集 MT管理器 NP管理器 APK查壳工具PKID 开发助手专业版破解版 v6.8 ......
vue3 compositon api 和 common下写业务逻辑的区别
区别： Vue 3 的 Composition API 是一种处理和组织 Vue 组件内部逻辑的方式。它可以让你更灵活地组织和复用你的代码。 使用composition API可以将组件的逻辑拆分为小的、独立的函数或模块，并使用setup函数进行组合和重用。这对于一些复杂的业务逻辑或需要高内聚、低耦 ......
【MME编写入门】光照模型
float4x4 WorldViewMatrix : WORLDVIEW; float4x4 WorldViewProjMatrix : WORLDVIEWPROJECTION; float4x4 WorldMatrix : WORLD; //需要用到的矩阵 //需要用到光的位置、相机位置 floa ......
神经网络基础篇：详解逻辑回归 & m个样本梯度下降
逻辑回归中的梯度下降 本篇讲解怎样通过计算偏导数来实现逻辑回归的梯度下降算法。它的关键点是几个重要公式，其作用是用来实现逻辑回归中梯度下降算法。但是在本博客中，将使用计算图对梯度下降算法进行计算。必须要承认的是，使用计算图来计算逻辑回归的梯度下降算法有点大材小用了。但是，认为以这个例子作为开始来讲解 ......
关于二叉树中三种深度遍历方式的理解
今日刷题，538. 把二叉搜索树转换为累加树。明确知道利用二叉搜索树中序遍历的情况下是有序数组这一个特点，进行“逆中序”来累加。但是在递归时却还是有些没有搞清楚一些细节，终究还是没有掌握。 问题主要还是在于递归返回值的处理上： 在中序遍历的情况下，似乎对于左右两个节点的遍历，不太方便进行返回值的操作 ......
深度学习之Attention Model（注意力模型）
https://www.cnblogs.com/jiangxinyang/p/9367497.html 1、Attention Model 概述 深度学习里的Attention model其实模拟的是人脑的注意力模型，举个例子来说，当我们观赏一幅画时，虽然我们可以看到整幅画的全貌，但是在我们深入仔细 ......
倾斜摄影三维模型数据几何坐标重建方法分析
三维工厂K3DMaker是一款三维模型浏览、分析、轻量化、顶层合并构建、几何校正、格式转换、调色裁切等功能专业处理软件。可以进行三维模型的网格简化、纹理压缩、层级优化等操作，从而实现三维模型轻量化。轻量化压缩比大，模型轻量化效率高，自动化处理能力高；采用多种算法对三维模型进行几何精纠正处理，精度高，... ......
基于LSTM深度学习网络的时间序列分析matlab仿真
1.算法运行效果图预览 2.算法运行软件版本 matlab2022a 3.算法理论概述 LSTM是一种循环神经网络（RNN）的变体，专门设计用于处理序列数据。LSTM网络通过记忆单元和门控机制来捕捉时间序列中的长期依赖关系，避免了传统RNN中的梯度消失问题。LSTM的核心原理包括三种门控：输入门（i ......
E---完型填空---逻辑一致性
总-分结构： 1、 前面的sinals 带s，是复数，故为总分结构，选B 2、 前面的cases是复数，总--分结构，选B/D 3、 依然是总分，C ......