收藏 / 列表

u_16380863 頭像

未聞花名AI - 構建AI智能體：二十、妙筆生花：Gradio集成DashScope Qwen-Image模型實現文生圖

一、循序漸進 今天按計劃是想講一些RAG的高階屬性的，但連着幾天的燒腦模式，着實腦袋也有點疲憊，經常長篇大論的理論學説，看着可能也覺得枯燥了，今天計劃結合前面的幾篇文章，做個綜合性的演示，温故而知新，同時也讓大腦短暫的放鬆放鬆，事緩則圓，多幾分從容！ 考慮良久，決定搭建一個基於 Gradio 與 DashScope Qwen-Image 模型的文生圖演示應用！此應用通

yyds乾貨盤點 , gradio , qwen-image , 提示詞工程 , aigc , AI作畫

u_16213315 頭像

mob64ca12d42833 - 如何修改llama模型的每層的結構

如何修改llama模型的每層的結構 在深度學習領域，llama模型由於其出色的性能被廣泛應用於自然語言處理（NLP）任務。然而，隨着具體業務需求的不斷變化和技術的持續發展，我發現需要對llama模型的每層結構進行修改以提升模型的適應性和效果。本文將詳細記錄這個過程，包括相關的背景信息、問題現象、深層次的根因分析、具體的解決方案、驗證測試結果，以及預防優化的方法。 問題背景 隨

加載 , 權重 , aigc , 解決方案

u_16175513 頭像

mob649e8167c4a3 - modelscope 運行 llama

modelscope 運行 llama 的問題，是在進行大規模深度學習模型實驗時我所遇到的一個技術挑戰。本文將詳細記錄解決這一問題的思路和過程。 首先進行業務場景分析，我們的主要目標是使得模型能夠在不同的環境下高效而準確地運行。基於此，我繪製了一張四象限圖，以展示團隊在技術債務的分佈情況，幫助識別優先級和影響力的關係。 quadrantChart title 技術債務分佈

優先級 , aigc , 基礎設施 , 迭代

u_16175473 頭像

mob649e815ddfb8 - llama3如何在win下漢化

llama3如何在win下漢化的過程描述 在如今高度依賴人工智能應用的時代，用户常常需要將各種工具和模型本地化，以更好地適應自己的需求。比如，llama3這款在文本生成領域表現優異的模型，用户們希望在Windows環境下進行漢化，以便更便利地使用英文模型完成中文任務。在這個過程中，用户通常面臨許多挑戰，包括字符編碼不兼容、語言轉化工具匱乏以及模型輸出的準確性等等。接下來，我們將詳細描

User , windows , aigc , ci

u_16213334 頭像

mob64ca12d8c182 - deepseek code v2 多模態

深度學習在計算機視覺中的應用越來越廣泛，而“deepseek code v2 多模態”作為重要的框架，在處理多種數據形式時表現出了其強大的能力。本文將詳細記錄解決“deepseek code v2 多模態”問題的整個過程，涵蓋版本對比、遷移指南、兼容性處理、實戰案例、排錯指南及生態擴展等六個部分。 版本對比 對比不同版本的“deepseek code v2 多模態”，我們可以看到

數據 , aigc , 模態 , 代碼示例

u_16213305 頭像

mob64ca12d1a59e - idea copilot切換用户

在使用 IntelliJ IDEA Copilot 的過程中，用户之間的切換可能會遭遇一些問題。隨着業務需求的增加，協作開發的方式也逐漸顯現出更高的複雜性，特別是當需要頻繁切換用户時，可能會導致環境配置的錯亂、參數失效等問題。本文將逐步分析這一問題的背景、演進歷程、架構設計、性能攻堅以及擴展應用，為開發者同行提供參考和解決思路。 背景定位 在現代軟件開發過程中，團隊成員往往需要使

壓測 , 架構設計 , aigc , 環境配置

u_16213393 頭像

mob64ca12e732bb - 二次封裝elementui plustable

在現代前端開發中，將框架組件進行“二次封裝”是一項常見的需求，旨在提高代碼的複用性和可維護性。本文將重點介紹如何實現element-ui中的plustable組件的二次封裝，涵蓋環境準備、集成步驟、配置詳解、實戰應用、排錯指南以及性能優化等模塊。 環境準備 首先，確保您擁有正確的開發環境。對於使用element-ui和plustable的項目，您應該使用以下依賴： | 依賴

性能優化 , 封裝 , aigc , ci

u_16175507 頭像

mob649e8166179a - ollama 跑雙顯卡的原因不跑GPU

ollama 跑雙顯卡的原因不跑GPU 在當今的深度學習和人工智能應用中，使用雙顯卡的配置可以極大地提升模型訓練和推理的性能。然而，許多用户在使用 ollama 時，發現儘管配置了雙顯卡，卻仍然無法有效利用 GPU。本文將深入探討這個問題的背後原因，並提供解決方案。 背景定位 適用場景分析，人們希望在高性能計算任務中充分利用硬件資源，尤其是在進行深度學習模型訓練時，雙顯卡的配

性能需求 , aigc , 深度學習 , CUDA

u_16213349 頭像

mob64ca12dc88a3 - ollama linux下載模型位置

ollama linux下載模型位置的描述 在現代機器學習和人工智能發展的背景下，模型的下載和使用變得愈發重要。對於使用ollama的用户，確保Linux環境中的模型下載位置正確配置是實施高效工作流程的關鍵。本文將詳細記錄如何解決“ollama linux下載模型位置”的問題，以便在實際應用中提供充分支持。 環境準備 在正式進行模型下載配置之前，首先需要確保Linux環境配置

硬件資源 , bash , aigc , ci

u_16213431 頭像

mob64ca12f062df - sparksql的saveAsTable 後創建了表但是沒有數據

在使用Spark SQL時，很多用户可能會遇到“使用saveAsTable創建了表但沒有數據”的問題，這種情況可能由於多種原因引起。在本文中，我將詳細介紹如何解決此問題，包括環境準備、集成步驟、配置詳解、實戰應用、性能優化和生態擴展等方面，以確保大家都能順利使用Spark SQL來保存數據到表中。 環境準備 在解決此問題之前，我們需要為Spark SQL設置適合的開發環境。以下是

spark , 技術棧 , hive , aigc

u_16213358 頭像

mob64ca12dedda8 - ollama Windows 怎麼使用GPU

在使用 Ollama 進行開發時，許多用户希望能夠利用其強大的 GPU 加速能力，尤其是在 Windows 操作系統上。然而，很多人可能會發現實現這一點並不那麼簡單。本文將詳細記錄如何解決“ollama Windows 怎麼使用GPU”這一問題，包括使用GPU的背景，可能遇到的錯誤現象，根因分析，具體的解決方案，以及後續的驗證和預防措施。 問題背景 在近年來的開發中，隨着數據處理

驅動程序 , aigc , 解決方案 , CUDA

u_16213421 頭像

mob64ca12edea6e - ollama下載的權重文件在何方

ollama下載的權重文件在何方 在使用ollama這款生成模型工具時，許多用户會遇到一個常見的問題，就是如何找到下載的權重文件。下面我們將一步步梳理出解決這一問題的全過程。 環境準備 在開始之前，我們需要確保有一個合適的環境來運行ollama。首先，確保你的計算機或服務器上已經安裝了以下前置依賴。 操作系統：Linux (Ubuntu 20.04 以上), ma

權重 , aigc , Docker , Python

u_16213413 頭像

mob64ca12ebf2cc - OllamaLLM函數調用過程中的url參數

在本文中，我們將深入探討“OllamaLLM函數調用過程中的url參數”問題的解決方案，幫助你更好地理解和應用這一挑戰。以下是相關的各個部分，將涵蓋整個過程。 環境準備 為了讓你的項目成功運行，首先必須確保你具備相應的環境。下面是一些依賴安裝指南。 依賴名稱 版本 備註 Ollam

函數調用 , 配置文件 , aigc , JAVA

u_17507674 頭像

網易雲信IM - 領跑招採數字化！招採會議組件，以合規與效率重構行業標準

在國家加快建設全國統一大市場、推廣遠程異地評標的政策導向下，招採行業正迎來數字化轉型的關鍵拐點。遠程異地評標、在線開標、多方會商等場景已從 “可選” 變為 “必選”，但招採平台廠商普遍面臨三大核心痛點：音視頻技術研發門檻高、系統集成成本高昂、政策適配響應滯後。作為深耕音視頻通信領域十餘年的頭部企業，網易雲信依託億級用户服務經驗與深厚技術沉澱，重磅推出業界首個全面遵循《遠程異地評標

音視頻 , 會議組件 , aigc , bard , 招採 , 解決方案 , 遠程異地評標

u_16175438 頭像

mob649e815574e6 - ollama ubuntu 開放API

ollama ubuntu 開放API 是一個強大的工具，可以幫助開發者快速集成並利用各種服務。本文將詳細介紹在 Ubuntu 中使用 Ollama 開放 API 的過程，包括環境準備、集成步驟、配置詳解、實戰應用、排錯指南和性能優化等方面。讓我們開始吧！ 環境準備 在開始之前，我們需要確保環境中已安裝必要的軟件。以下是支持 Ollama API 的版本和相應的技術棧兼容性。

API , bash , aigc , Ubuntu

u_16175487 頭像

mob649e816138f5 - docker pull ollama 國內鏡像

為了在中國國內順利執行 docker pull ollama 的操作，首先必須確保有一個適宜的環境。以下是該過程的詳細記錄。 環境準備 在開始之前，必須確保你的硬件和軟件環境滿足以下要求： 組件 最低要求 推薦要求 CPU 2 核心 4 核心

aigc , Docker , Json

lookingdream 頭像

yzy121403725 - gitlab+kubeflow+minio/oss對象存儲搭建MLOps

核心思路 我們將利用： • GitLab：作為代碼倉庫、CI/CD 流水線的編排者和觸發器。它負責監控代碼變更、運行自動化測試、構建鏡像並與 Kubeflow 交互。 • Kubeflow：作為運行在 Kubernetes 上的機器學習專用平台。它負責執行復雜的模型訓練（通過 Pipelines）和模型部署（通過 Serving）任務。 整個 MLOps

gitlab+kubeflow , MLOps , aigc , llama

u_17469189 頭像

mb68738fa1c4e31 - TRAE SOLO 3.0：從氛圍編程到精準編程的演進與實戰策略?

🎯 TRAE SOLO 3.0：從氛圍編程到精準編程的演進與實戰策略 一、TRAE SOLO 的版本迭代與架構升級 TRAE SOLO 工具歷經了多次迭代，旨在實現更精細化的控制和更高效的編程效果。 版本歷程： 從 2025 年 3 月的 1.0 版本，到 8 月的 2.0 版本，最終演進至 11 月的 3.0 版本。

商業價值 , 開發過程 , AI寫作 , aigc , 開發者

u_16213384 頭像

mob64ca12e51ecb - aigc學習指南

在這篇博文中，我將分享創建“AIGC學習指南”的完整過程。此流程涵蓋環境準備、分步指南、配置詳解、驗證測試、優化技巧以及排錯指南的所有細節，讓我們一起深入瞭解這一主題。 環境準備 在開始之前，我們需要確保所有前置依賴項安裝完畢。以下是安裝所需軟件的版本兼容性矩陣： | 軟件 | 版本 | 兼容性 | |-------------|--------

排錯 , aigc , 環境搭建 , Python

u_16516078 頭像

博納軟雲之玉面飛龍 - JAVA枱球助教枱球教練多端系統源碼支持微信小程序+微信公眾號+H5+APP

JAVA枱球助教多端系統：體育培訓行業數字化升級的技術架構與商業創新 一、系統架構優勢與行業前景分析 在體育產業數字化轉型升級的浪潮中，基於SpringBoot+MyBatisPlus+MySQL技術棧構建的枱球助教多端系統，通過微信小程序、微信公眾號、H5、APP等多渠道觸達，實現了枱球教練資源的智能化調度與精細化運營。該系統採用分佈式微服務架構設計，支持高併發訪問

redis , List , 功能實現 , 後端開發 , JAVA

u_15469972 頭像

mb61c46a7ab1eee - 完整教程：[嵌入式系統-100]：常見的IoT（物聯網）開發板

以下是一些常見的IoT（物聯網）開發板及其特點和應用場景的介紹： 一、通用型IoT開發板 Arduino系列： 特點：開源電子原型平台，基於易用的硬件和軟件，採用類C語言編程，主函數僅需setup和loop兩個模塊，適合初學者快速上手。 應用場景：教育和創客項目、飛快原型設計、IoT和智能家居、機器人控制、傳感器數據採集等。

開發板 , 物聯網 , 應用場景 , Css , 前端開發 , HTML

u_16213598 頭像

mob64ca13fbd761 - 街道車輛目標檢測公開數據集 車輛目標檢測的意義

車輛是視頻場景中最關鍵的對象之一，車輛 和 人 是視頻檢測永恆的話題。 車輛檢測是車輛分析中關鍵的一步，是後續進行車型識別、車標識別、車牌識別、車輛特徵 關於檢測的方法和框架有很多，不外乎是特徵訓練和分類，這裏推薦兩篇綜述性文章： [1] Benenson R, Omran M, Hosang

數據集 , 行人檢測 , 人工智能 , 計算機視覺 , 街道車輛目標檢測公開數據集 , 下載地址

u_16213341 頭像

mob64ca12da726f - Stable Diffusion 有mac版嗎

在計算機視覺的快速發展中，模型生成圖像的效果日益引人注目，其中“Stable Diffusion”作為一個頗具知名度的圖像生成模型，因其優越的性能和質量吸引了廣泛的關注。然而，對於Mac用户而言，是否存在適合其系統的Stable Diffusion版本，成為了一個重要的問題。 初始技術痛點 在探索Stable Diffusion是否有Mac版之前，首先需要釐清用户的痛點。在大多數

aigc , ci , 迭代 , Mac