博客 RSS 訂閱

u_16099268 頭像

碼海探險先鋒 - 飛槳博士會第四期回顧，場景文字識別的算法創新與應用 - 飛槳PaddlePaddle的個人空間 -

DeepSeek-OCR: Optical Compression Solves LLM Long Context Challenge 文章摘要 DeepSeek-OCR提出了一種革命性的方法，通過將文本轉換為圖像並使用專門的視覺編碼器進行光學壓縮，解決了大語言模型在處理長文本時面臨的計算成本爆炸性增長問題，實現了10:1的壓縮比下97%的準

語言模型 , ocr , deepseek , 人工智能 , Css , 大模型 , 前端開發 , HTML

收藏 評論

u_16099355 頭像

數據挖掘者 - jQuery源碼分析_LQW

Qwen3 模型用於因果語言建模（Causal Language Modeling, CLM）的主類 Qwen3ForCausalLM，它是整個大模型在推理和訓練階段的核心接口。 🧱 1. 類定義 @auto_docstring class Qwen3ForCausalLM(Qwen3PreTrainedModel, Genera

初始化 , Qwen3 , 權重 , Css , 大模型 , 前端開發 , HTML , Git

收藏 評論

u_16213606 頭像

mob64ca13fdd43c - [源碼分析] Facebook如何訓練超大模型 --- (2) -

文章目錄 實戰量化Facebook OPT模型 Facebook OPT模型介紹 auto-gptq方式量化 1、定義量化配置 2、加載模型量化 3、檢查量化正確性 4、保存量化後的模型權重 5、使用量化模型進行文本生成 6、使用自定義的數據集

數據集 , 語言模型 , 加載 , 人工智能 , Css , 前端開發 , 量化 , HTML

收藏 評論

u_19261 頭像

戀上一隻豬 - 藍橋杯第十二講--圖論【習題】

題目鏈接 題解： 首先，我們需要考慮一下整個是一顆樹，輸入的是起點到終點，還有起點到終點的危險值，算出固定長度下所有路的風險值的總和。 所以直接遍歷這棵樹，遍歷每一個點，1到N，用深搜，一段路長度達到 k 就結束，不夠也要結束，為了防止重複，還得開一個布爾數組，防止走回頭路，走過的要進行標記已走過，沒有走過的

藍橋杯 , c++ , ci , 前端開發 , 子節點 , 圖論 , Javascript

收藏 評論

u_14152 頭像

feiry - typescript 對象遍歷賦值

一、作用 　　（1）為各種“集合”的數據結構，提供一個統一的、簡便的訪問接口 Object 正是因為無法確認屬性的遍歷的順序，所以沒有部署Iterator接口） 　　（3）使得“集合”數據結構能運用for....of循環遍歷，Iterator 接口主要供for...of消費。 二、原理 本質是一個指針對象），不斷調用next方法，返回一個包含valu

運算符 , 數組 , 數據結構 , 前端開發 , typescript , typescript 對象遍歷賦值

收藏 評論

u_16213690 頭像

mob64ca1411e411 - logstash的安裝和簡單使用

第二步：配置 Logstash（接收 Filebeat 日誌，處理後發送到 Elasticsearch） 1. 創建 Logstash 管道配置文件 進入 Logstash 安裝目錄的config文件夾（如C:\logstash-9.2.1\config），新建一個文件springcloud-pipeline.conf，內容如下： conf

spring , elastic , Css , 前端開發 , HTML , Json

收藏 評論

u_16099239 頭像

夢裏憂鬱 - 基於GDBUS 的例子_gdbus-codegen

使用 gdbu-codegen 的好處 使用gdbus-codegen工具根據定義的接口 XML 文件生成.c和.h文件，是利用 GDBus 進行進程間通信（IPC）編程的一種常見做法。這種做法有以下幾個主要好處： 1.簡化編碼工作 手動編寫 D-Bus 方法調用、信號處理等代碼不僅繁瑣，而且容易出錯。通過gdbus-codegen自動

服務端 , xml , 客户端 , Css , 前端開發 , HTML

收藏 評論

Itstars 頭像

新茶十九 - 高德地圖在 Web 端的兩大核心渲染技術：WebGL 和 Canvas

高德地圖在 Web 端的兩大核心渲染技術：WebGL 和 Canvas。 這是一個關於底層渲染引擎的選擇，直接影響地圖的性能、效果和兼容性。簡單來説，這是一個 “增強模式” vs “兼容模式” 的關係。 🆚 核心區別對比 特性 WebGL 渲染 (高級模式) Canvas 2D 渲染 (兼容模式)

vue.js , API , 3d , webgl , 前端開發

收藏 評論

u_15903730 頭像

WangLanguager - Word2Vec介紹和代碼示例

Word2Vec 介紹 Word2Vec 是一種用於生成詞嵌入（word embeddings）的模型，由 Google 的研究團隊於 2013 年提出。它能夠將詞彙映射到一個低維度的向量空間，使得相似的詞在向量空間中距離較近。 Word2Vec 的兩種主要模型 Skip-Gram：給定一個詞，預測其上下文中的詞。適用於處理稀

yyds乾貨盤點 , 加載 , 自然語言處理 , 詞向量 , 前端開發 , Javascript

收藏 評論

u_14306629 頭像

k_nice - revit安裝失敗，如何使用reit卸載工具，完全徹底刪除乾淨revit各種殘留註冊表和文件。

revit安裝失敗，如何使用revit卸載工具，完全徹底刪除乾淨revit各種殘留註冊表和文件。有的同學由於一些原因想把revit卸載掉重新安裝，但是revit安裝到一半就失敗了或者顯示已安裝或者未完成，還有的同學會遇到“安裝錯誤1625：系統策略禁止這個安裝，請與系統管理^員聯繫”，然後會問revit無法重新是怎麼回事？那麼在win10或者win11系統下安裝revit安裝失敗

重新安裝 , cad , 卸載工具 , revit , Css , 前端開發 , HTML

收藏 評論

u_17141077 頭像

g天命風流 - 併發編程之變量的線程安全分析的詳細解析

4.4 變量的線程安全分析 成員變量和靜態變量是否線程安全？ 如果它們沒有共享，則線程安全 如果它們被共享了，根據它們的狀態是否能夠改變，又分兩種情況 如果只有讀操作，則線程安全 如果有讀寫操作，則這段代碼是臨界區，需要考慮線程安全 局部變量是否線程安全？ 局部變量是線程安全的 但局部變量引用的對象則未必 如果該對象沒有逃離方法的作用訪問，它是

d3 , 線程安全 , JAVA , 前端開發 , Javascript

收藏 評論

u_14256 頭像

laojean - 【Java數據結構】集合PriorityQueue及其背後的數據結構堆（優先級隊列）（一）

目錄 一、引言 二、什麼是優先級隊列？ 2.1 基本概念 三、堆：優先級隊列的底層實現 3.1 堆的基本概念 3.1.1 堆的定義 3.1.2堆的存儲 3.2 堆的核心操作 3.2.1 向下調整（Shift Down） 3.2.2向上調整（Shift Up） 3.2.3插入與刪除操作

sed , 數據結構 , 優先級隊列 , JAVA , 大根堆 , 前端開發 , Javascript

收藏 評論

u_17443142 頭像

51搜不到你 - 專業漂白工具

日常工作和生活裏，處理圖像時常讓人頭疼。掃描的文件、手機拍的文檔，甚至孩子的作業照片，幾乎總帶着陰影、灰暗背景，還有各種雜亂的干擾元素。這些瑕疵讓圖片顯得模糊不清，觀感差勁，更別提打印時會多費墨粉，平白增加開銷了。 今天分享一款神器“原本”——專業級圖片漂白軟件 當老師發羣裏的作業打印出來歪歪扭扭時，當需要大型掃描儀時，當適用於高質量圖片存檔時

3c , 批量操作 , 下載地址 , 前端開發 , Javascript

收藏 評論

u_17350491 頭像

轉角處的湯姆 - JavaScript 中的閉包：理解與應用

在 JavaScript 的世界中，閉包是一個非常重要且常用的概念。它不僅是 JavaScript 中的核心特性之一，也是許多複雜編程模式的基礎。無論是為了解決數據封裝問題，還是為了實現一些高效的異步編程模式，閉包都發揮着至關重要的作用。在本文中，我們將詳細探討閉包的概念、工作原理及常見應用，幫助你更好地理解並運用閉包。 目錄 什麼是閉包？ 閉包的工

詞法 , 作用域 , 數據封裝 , 前端開發 , Javascript

收藏 評論

u_16213342 頭像

mob64ca12dab0a2 - 人臉編輯 diffusion

人臉編輯 diffusion是一種利用深度學習技術生成和修改人臉圖像的方式。然而，當這種技術出現問題時，可能會導致無效或不準確的人臉編輯。這篇博文將詳細探討這個問題的背景、錯誤現象、根因分析、解決方案，以及如何進行驗證測試和預防優化。 問題背景 在使用人臉編輯 diffusion 技術時，團隊發現了一些異常表現，主要表現在圖像合成的準確性和質量方面。具體現象如下： 人

System , aigc , 解決方案 , ci

收藏 評論

u_16175498 頭像

mob649e8163f390 - 葉秋stable diffusion繪世啓動

在進行“葉秋stable diffusion繪世啓動”的研究時，我們發現問題主要圍繞不兼容的代碼版本和依賴關係。為了更深入理解這個問題，我決定將其解決過程記錄為一篇博文。以下是我們處理“葉秋stable diffusion繪世啓動”的詳細過程。 在現代的數據驅動環境中，生成模型如 Stable Diffusion 已廣泛應用於生成高質量的圖像、視頻等媒介。然而，實際的應用過程中，啓動

性能優化 , app , aigc , ci

收藏 評論

u_16213309 頭像

mob64ca12d2a342 - Code Llama 70B顯存要求

Code Llama 70B顯存要求可能是許多AI開發者在實現和部署大型語言模型時面臨的一個重要問題。本文將為您詳細解讀Code Llama 70B的顯存需求，並提供對應的解決方案，包括版本對比、遷移指南、兼容性處理以及實戰案例等內容。 版本對比與兼容性分析 在考慮顯存需求的時候，我們首先需要對不同版本的Code Llama進行比較，以便了解它們在顯存上的要求和特性。以下是不同版

code , 不同版本 , 配置文件 , aigc

收藏 評論

u_15368545 頭像

叫做長大จุ๊บ - 文心 5.0 登場：打破邊界，定義未來智能新範式，開啓原生全模態智能新時代！

作為一名每天與代碼為伴、重度依賴AI工具的開發者，我經歷過從早期語言模型的稚嫩，到如今大模型混戰的喧囂。就在剛剛GPT推出了5.1而百度推出了文心5.0，當看到ERNIE 5.0發佈時，我的第一反應是：又一個版本更新？但在深入瞭解後，我必須承認——這次，真的不一樣。 一、重新定義"全模態"：從概念到生產力 看看這個界面： 文檔區：圖片、

AIGC二三事 , 文心一言 , 數據 , aigc , 開發者 , 模態 , 百度

收藏 評論

u_16213306 頭像

mob64ca12d1e6a9 - langchain HuggingFaceEmbeddings 如何加載遠程embeddings模型

在構建複雜的自然語言處理應用時，我們往往需要使用各種嵌入模型（embeddings）來進行文本表示與計算。最近，我遇到了一個問題，要求在langchain中加載遠程的HuggingFace嵌入模型。這一過程的重要性不僅在於提升模型性能，更關乎業務數據處理的效率與準確性。 問題背景 在實際應用中，嵌入模型常常決定了文本表示的質量，從而影響後續的解析與分析能力。正如以下公式所示，嵌入

文本處理 , System , 加載 , aigc

收藏 評論

u_16175473 頭像

mob649e815ddfb8 - GitHub Copilot Device Activation

GitHub Copilot Device Activation問題的解決方案 GitHub Copilot 是一個強大的編程助手，能夠根據上下文生成代碼片段。但在設備激活過程中，用户有時會遭遇“GitHub Copilot Device Activation”相關的問題。本文將詳細説明如何準備環境、分步指導操作、配置詳解、驗證測試、排錯指南和擴展應用，以幫助用户順利完成設備激活。

code , 排錯 , User , aigc

收藏 評論

u_16213383 頭像

mob64ca12e4d52e - tinkpad copilot怎麼顯示出來

在本次博文中，我將詳細記錄如何解決“tinkpad copilot怎麼顯示出來”的問題。隨着人工智能助手的普及，很多用户對其功能產生了依賴，而 ThinkPad Copilot 的問題直接關係到用户的工作效率與體驗，解決此問題將能夠大大提升用户的生產力。 問題背景 隨着業務依賴 AI 和智能助手的程度加深，ThinkPad 用户發現他們無法顯示 ThinkPad Copilot，

錯誤日誌 , aigc , 重啓 , 解決方案

收藏 評論

u_16213431 頭像

mob64ca12f062df - ollama模型下載換路徑

在一次項目中，我遇到了一些關於“ollama模型下載換路徑”的問題。為了分享我解決這個問題的過程，我特別記錄下了這整個過程的細節，希望能為他人提供參考。下面將詳細介紹解決這一問題的演示和實操步驟。 環境預檢 在切換模型下載路徑之前，我首先進行了環境的預檢，包括了硬件配置和依賴版本的對比。 我使用了下圖展示了我的硬件拓撲： mindmap root 硬件拓撲

依賴包 , bash , aigc , 安裝過程

收藏 評論

u_16213368 頭像

mob64ca12e1497a - LangchainGo

LangchainGo是一個基於Go語言構建的高性能鏈式模型框架，旨在為開發者提供更靈活和高效的鏈式處理能力。在實踐中，我們可能會遇到一些常見和複雜的問題，本文將詳細記錄如何解決這些“LangchainGo”相關的問題。 背景定位 在實際應用中，大規模數據處理及其對鏈式任務調度的需求不斷增加，因此我們在使用LangchainGo時可能會面臨性能瓶頸和配置複雜度等問題。特別是在處理

錯誤信息 , 數據丟失 , aigc , 配置項

收藏 評論

u_16175479 頭像

mob649e815f494b - ollama模型調整

在現代AI模型應用中，進行"ollama模型調整"是確保模型更好性能的關鍵一環。這篇博文將帶你深入理解如何有效地進行模型調整，涵蓋從環境預檢到遷移指南的整個過程，讓我們一起來看吧。 環境預檢 在啓動模型調整之前，首先需要確保你的環境設置是合適的。在這裏，我們將構建一張思維導圖來梳理出必需的硬件拓撲。同時，我們也需要檢查一下依賴版本。如果某個庫的版本不兼容，將直接導致模型無法正常運

numpy , bash , aigc , 回滾

收藏 評論