博客 RSS 訂閱

u_16213647 頭像

mob64ca14079fb3 - mem0 RAG效果

hi，大家好，我是成田，這期分享怎麼樣調出有顆粒感的失真音色 首先來看下我這塊Laney的失真單塊，上面也是有四個旋鈕，那現在先來認識一下它們，並不是每個朋友和我都是同款，還是那句話，我先解説我的，大家拿着手上的單塊比劃就好，最重要是學習調節思路： 首先是左上角的D，就是Distortion的意思，失真度的大小，扭大，失真就變

機器學習 , ai怎麼取消顆粒效果 , 人工智能 , mem0 RAG效果

收藏 評論

u_12190 頭像

藍月亮 - 如何實現快遞物流軌跡展示 demo

隨着公司的發展，越來越多的文件和物品都要來回郵寄，整理大量的快遞單又成為我們的一大噩夢。如果您的公司是電商企業，那就更不用説痛苦的程度了。對於這些問題，傳統的excel表格記錄+網頁查詢的方法已經不能滿足業務展開。 電商企業需要發送大量的快遞。這些快遞不出問題還好，一旦一個訂單出現問題客服可能就要逐張找到對應的快遞單號，然後在查詢快遞信息。加大了工

機器學習 , saas , 超級表格 , 人工智能 , 在線表格 , 多人協作 , 如何實現快遞物流軌跡展示 demo

收藏 評論

u_16099217 頭像

技術博客達人 - resnet與cnn的關係

卷積神經網絡在視覺識別任務上的表現令人稱奇。好的CNN網絡是帶有上百萬參數和許多隱含層的“龐然怪物”。事實上，一個不好的經驗規則是：網絡越深，效果越好。AlexNet，VGG，Inception和ResNet是最近一些流行的CNN網絡。為什麼這些網絡表現如此之好？它們是如何設計出來的？為什麼它們設計成那樣的結構？回答這些問題並不簡單，但是這裏我們試着去探討上面的一些問題。網絡結構

機器學習 , 卷積 , 卷積核 , resnet與cnn的關係 , 人工智能 , 特徵提取

收藏 評論

u_16099217 頭像

技術博客達人 - 安裝EDEMpy

技能變現 .content { top: 126px; } .modal-text { font-size: 18px; } 距離 社保代繳 佣金比例: 20%／月 地點: 蘭州 人數: 20人 預計佣金：￥5000 已被接單 招聘業務 佣金比例: 25%／筆 地點: 南京 人數: 10人 預計佣金：￥5000 已被接單 培訓業務 佣金比例

機器學習 , 變現 , 安裝EDEMpy , Android , 人工智能 , html hall.html安卓 , ios

收藏 評論

u_13544 頭像

deanyuancn - 如何改變vfp的已讀模式變為可以修改模式

一個C++程序員，想要進一步提升技術水平的話，應該多瞭解一些語言的語意細節。對於使用VC++的程序員來説，還應該瞭解一些VC++對於C++的詮釋。Inside the C++ Object Model雖然是一本好書，然而，書的篇幅多一些，又和具體的VC++關係小一些。因此，從篇幅和內容來看，譯者認為本文是深入理解C++對象模型比較好的一個出發點。

struct , 人工智能 , 編譯器 , 計算機視覺 , delete , c , vc++

收藏 評論

u_16213682 頭像

mob64ca140fd7c1 - postgis授權其它schema

剛剛裝完了PostgreSql與pgadmin，現在又要裝PostGIS。説實話，現在還不知道它是幹嗎用的。據説，是個類似處理地理信息數據的增強包。可以有更豐富的函數調用。也有人叫擴展。（今天剛接觸，説的不對的，歡迎批評指正。後期，我瞭解了再更改見解吧）。不扯閒篇，下面就介紹安裝過程。 首先，還是借鑑前人的經驗，參考文獻：； 安裝上面的

機器學習 , 配置文件 , postgresql , 人工智能 , 安裝過程 , postgis授權其它schema

收藏 評論

u_16213695 頭像

mob64ca1412ee79 - qemu啓動debian

新功能 - 動態調度程序：SPDK輕量級線程現在可以動態地調度到SPDK事件框架中的reactor上。調度程序會重新平衡空閒線程，調整CPU頻率，並將空閒的reactor切換到中斷模式。有關詳細信息，請參見https://www.spdk.io/doc/scheduler.html。此功能目前是實驗性的。 - vfio-user用户 NVMe

機器學習 , js , Linux , 人工智能 , JAVA , qemu啓動debian , Python

收藏 評論

u_15591470 頭像

ceshiren2022 - 構建智能測試閉環：深入解析ReAct範式與LangGraph的實用應用

一、ReAct範式簡介 在AI智能測試和Agent開發中，ReAct（Reasoning + Acting）範式是核心方法。它通過邊思考邊行動的方式，實現智能體閉環動態決策。 • Reasoning（推理）：分析任務信息、環境狀態和歷史數據，生成下一步行動策略。 • Acting（行動）：根據策略執行動作，如調用接口、生成測試用例或運行任務。 🔹 對測試開發人員來説，ReAct能讓

react , 智能體 , 人工智能 , 深度學習

收藏 評論

u_15591470 頭像

ceshiren2022 - 簡化接口測試：利用Dify工作流結合CI/CD，實現一鍵式迴歸驗證

在敏捷開發與DevOps成為主流的今天，我們追求的是快速迭代、持續交付。然而，每當新功能開發完成或代碼發生變更時，繁瑣的接口迴歸測試往往成為流程中的“剎車片”。手動執行測試用例、核對響應數據、撰寫測試報告……這些重複性工作不僅效率低下，還容易出錯，嚴重拖慢了交付節奏。 有沒有一種方法，能將接口測試無縫嵌入到CI/CD流水線中，實現一鍵觸發、全自動迴歸驗證，並將結果清晰可溯地反饋給團隊？答

API , 人工智能 , 深度學習 , dify , 接口測試

收藏 評論

u_13961087 頭像

代碼AI弗森 - 多模態不再縫縫補補：文心 5.0 正在重寫大模型的“世界觀”

背景 我們的日常使用大模型，就像是在不同模型間打補丁：“這個模型會看圖，但不會講故事；那個模型能生成視頻，但不懂視頻在表達什麼。” 於是乎，大致像這樣，想用圖像模型，就得跑去找midjourney；想做視頻模型，又得等 Sora；想讓模型理解視頻劇情，還得靠那些半懂不懂的“視覺語言拼接模型”；想讓模型讀情緒，甚至還得給它加一堆“情緒標籤的模板提示詞”。 而就在昨天，我

人工智能 , 深度學習 , 貼圖 , 模態 , 百度

收藏 評論

u_16827017 頭像

全棧技術開發者 - 如何理解「128倍更少數據，卻能獲得更強智能體行為」？如何直觀地理解「少即是多（Less is More）」在智能體訓練中意義？

在人工智能尤其是智能體訓練領域，數據量的需求長期被認為是提升模型行為表現的核心驅動力。傳統強化學習方法和深度學習策略普遍依賴大量訓練數據，以期覆蓋智能體在複雜環境中可能遇到的各種狀態和動作組合。這種大規模數據驅動的訓練模式在某種程度上保證了智能體策略的穩健性和泛化能力，但同時也帶來了顯著的資源消耗、計算壓力以及訓練效率低下的問題。尤其在高維環境和複雜任務下，數據量呈指數級增長，訓

yyds乾貨盤點 , 數據 , 模塊化 , 人工智能 , 深度學習 , 子任務 , 大模型

收藏 評論

u_13250 頭像

flybirdfly - knn近鄰分類算法k值大值

k-近鄰算法原理 K-近鄰算法採用測量不同特徵值之間的距離方法進行分類。 • 優點：精度高、對異常值不敏感、無數據輸入假定。 • 缺點：時間複雜度高、空間複雜度高。 適用數據範圍：數值型和標稱型。 工作原理 存在一個樣本數據集合，也稱作訓練樣本集，並且樣本集中每個數據都存在標籤，即我

機器學習 , 數據集 , 樣本集 , 數據 , 算法 , knn近鄰分類算法k值大值 , 人工智能

收藏 評論

u_15641375 頭像

芯動大師 - ROS機器視覺入門：從基礎到人臉識別與目標檢測

前言 從本文開始，我們將開始學習ROS機器視覺處理，剛開始先學習一部分外圍的知識，為後續的人臉識別、目標跟蹤和YOLOV5目標檢測做準備工作。我採用的筆記本是聯想拯救者遊戲本，系統採用Ubuntu20.04，ROS採用noetic。 顏色編碼格式，圖像格式和視頻壓縮格式 （1）RGB和BGR：這是兩種常見的顏色編碼格式，分別代表了紅、綠、藍三原色。不同之處在於，

sed , yyds乾貨盤點 , 數據 , 人工智能 , 數據結構與算法 , ide

收藏 評論

u_17569005 頭像

wx6906fb3f9b17a - 智能一卡（碼、臉）通系統通過整合門禁、梯控、消費、訪客、停車場等多個子系統，實現了一卡一庫一平台的管理模式。系統支持多種識別方式，包括人臉、QR、刷卡、指紋、虹膜、靜脈等，確保系統的高安全性

多奧智能一卡通系統各組件的技術參數、接口協議及安裝配置要求 速通門、擺臂、三輥閘等出入口設備的控制邏輯與安全防護機制 梯控系統與電梯廠商的對接方案及防干擾技術實現 消費機繼電器輸出功能與門禁系統的聯動應用場景 車牌識別系統與停車場管理軟件的數據交互流程及支付集成方案

門禁一卡通 , 梯控一卡通 , 消費一卡通 , 人工智能 , 深度學習 , 智能一卡通 , 考勤一卡通

收藏 評論

u_16099240 頭像

陌陌香閣 - DVFS技術 服務器

文章目錄 服務配置 端口配置 遊戲客户端配置 代理配置 PC端 安卓端 IOS端 代理檢查 運營指南 進服提示 新用户郵件獎勵 常見問題 遠程聯機有兩種方案，使用雲服務器(雲

遊戲 , 服務器 , DVFS技術 服務器 , Linux , 人工智能 , 計算機視覺

收藏 評論

u_13521 頭像

cnolnic - 迴歸任務網絡可視化

回退（Rollback WorkItem） 回退是工作流參與者對自己“待辦任務”（實際是對工作項）的一種操作，即參與者主動回退待辦任務列表中的任務到已經執行過的人工節點。 為什麼要回退？ 參與者接受任務後，發現不應由自己辦理此任務或以前的執行者辦理有錯誤等情況後，需要將此接受的任務回退給以前某個節點的執行者重新辦理。

機器學習 , 迴歸任務網絡可視化 , 條件判斷 , 工作 , 人工智能 , 多實例 , 工作流引擎

收藏 評論

u_16099361 頭像

16099361 - vue 打包後不顯示源碼 productionSourceMap不生效

最近在做一個vue項目，後台還沒有開始，只是根據提供的原型ui把前台靜態頁面設計出來，也是本人第一次做，開始做的時候用的是cli-4.x版本，給我的感覺，簡化了很多，目錄結構很簡潔。然而在打包準備上線測試的時候遇到了很多問題，以此記錄下來，希望我的文章能夠幫到有需要的童鞋。大神輕噴。 一、初始打包 命令npm run build

機器學習 , 靜態資源 , 目錄結構 , Vue , 人工智能 , Css

收藏 評論

u_16406293 頭像

東林知識庫 - 鴻蒙5：HarmonyOS應用開發-面試錄音（下）

1.4. 面試錄音 1.4.1. 頁面結構 目的：準備頁面的組件結構，搭建頁面基本效果 pages/Audio/AudioPage.ets import { promptAction } from '@kit.ArkUI' import { Permissions } from '@kit.AbilityKit' imp

移動開發 , Android , 鴻蒙

收藏 評論

u_16406293 頭像

東林知識庫 - 鴻蒙5：HarmonyOS應用開發-自適應佈局

3.1. 自適應佈局 自適應佈局 自適應佈局的能力有 7 種,主要解決的是：窗口尺寸在【一定範圍內】變化時，頁面能夠正常顯示 自適應佈局能力 使用場景

移動開發 , Android , 鴻蒙

收藏 評論

u_16406293 頭像

東林知識庫 - 鴻蒙5：HarmonyOS應用開發-響應式佈局

3.2. 響應式佈局 響應式佈局 自適應佈局可以保證窗口尺寸在【一定範圍內變化】時，頁面的顯示是正常的。但是將窗口尺寸【變化較大】時（如窗口寬度從400vp變化為1000vp），僅僅依靠自適應佈局可能出現圖片異常放大或頁面內容稀疏、留白過多等問題，此時就需要藉助響應式佈局能力調整頁面結構。 響應式佈局是指頁面內的元素可以根據特定的特徵（

移動開發 , Android , 鴻蒙

收藏 評論

u_16406293 頭像

東林知識庫 - 鴻蒙5：HarmonyOS應用開發-項目打包申請證書和上架

1. 項目打包上架? 調試完畢後，您便可以打包HarmonyOS應用，在AGC提交上架。 HarmonyOS通過數字證書（.cer文件）和Profile文件（.p7b文件）等簽名信息來保證應用的完整性，應用如需上架到華為應用市場必須通過簽名校驗。因此，您需要使用發佈證書和Profile文件對應用進行簽名後才能發佈。 上架成功後，用户即可

移動開發 , Android , 開發者 , 鴻蒙

收藏 評論

u_15777557 頭像

江上清風山間明月 - Android 系統中進程和線程的區別

理解Android 系統中進程和線程的區別對於開發高性能、響應迅速的應用程序至關重要。 核心概念速覽 特性 進程 線程 本質 程序的執行實例，資源分配的基本單位 進程內的執行流，CPU調度的基本單位 資源佔用 擁有獨立的

指尖人生 , 移動開發 , 主線程 , 進程 , Android , JAVA , ui

收藏 評論

u_17213027 頭像

wx676be6175e246 - Android 關於CountDownTimer的設計

作為Android系統專為倒計時場景設計的工具類，CountDownTimer在實現精確時間控制的同時，提供了原生的UI線程同步機制。這一特性使其在需要實時更新界面的倒計時場景中具有不可替代的優勢。 核心架構與參數解析 CountDownTimer通過兩個核心參數構建計時框架： 總計時時長（millisInFuture）：定義倒計時的總時間跨度

移動開發 , Android , 應用場景 , ide , ui

收藏 評論