大模型实战营第二期——2. 浦语大模型趣味Demo

已于 2024-02-08 21:38:10 修改
阅读量882 收藏 16
点赞数 9
分类专栏： 意外接触的一些知识 # 大模型实战营 文章标签： 大模型
于 2024-02-08 21:32:27 首次发布
本文为博主原创文章，未经博主允许不得转载。
本文链接：https://blog.csdn.net/Castlehe/article/details/136073765
版权

文章目录


视频链接： 轻松玩转书生·浦语大模型趣味Demo
文档链接： InternLM/tutorial/helloworld/hello_world.md
Intern-Studio链接： Intern-Studio控制台

1. 大模型及InternLM模型介绍

在这里插入图片描述
在这里插入图片描述

  • 大模型：参数规模大的模型，
  • 这个大的量级指的是： 十亿甚至千亿以上的参数

在这里插入图片描述

2. InternLM-Chat-7B智能对话Demo

在这里插入图片描述

2.1 基本说明

在这里插入图片描述

  • 7B（Billion， 10亿），70亿ca参数
  • 8K token的上下文窗口长度

2.2 实际操作

2.2.1 创建开发机

在课程分配的InterStudio中，创建新的开发机，进行相应的选择，类似：

在这里插入图片描述
对于InternLM-Chat-7B的部署测试，使用A100（1/4）即可（1个A100的显存是80GB，四分之一就是20GB）

在这里插入图片描述
创建完成之后，刚开始会显示排队（其实是在为你分配资源），分配好之后，右侧的SSH连接和进入开发机就可以使用了

进入开发机会新打开一个页面，就是改了点界面的jupyter，那就不需要用vscode走ssh连接了，直接jupyter操作好了。
在这里插入图片描述

2.2.2 conda环境配置

接下来根据文档的提示，配置一些必要的环境

# 1. 请每次使用 jupyter lab 打开终端时务必先执行 bash 命令进入 bash 中
bash 

# 2. 执行该脚本文件来安装项目实验环境, 从本地克隆一个已有的 pytorch 2.0.1 的环境
bash /root/share/install_conda_env_internlm_base.sh internlm-demo  
# 这个要按一会的，等着吧

# 3. 检查conda环境
conda info -e                                                                                
# conda environments:
#
base                  *  /root/.conda
internlm-demo            /root/.conda/envs/internlm-demo

# 4.然后激活刚刚新建的环境
conda activate internlm-demo 
# 则conda环境从base变成了internlm-demo

# 5.并在环境中安装运行 demo 所需要的依赖。
python -m pip install --upgrade pip # 升级pip
pip install modelscope==1.9.5
# 其实安装modelscope的过程中，也会安装 huggingface-hub-0.20.3 包
pip install transformers==4.35.2
pip install streamlit==1.24.0
pip install sentencepiece==0.1.99
pip install accelerate==0.24.1

一些探索：

# 其实本机使用的shell就是bash，也不需要切换
(base) root@intern-studio-052101:/opt/jupyterlab$ echo $SHELL
/bin/bash
(base) root@intern-studio-052101:/opt/jupyterlab$ cat /etc/shells
# /etc/shells: valid login shells
/bin/sh
/bin/bash
/usr/bin/bash
/bin/rbash
/usr/bin/rbash
/bin/dash
/usr/bin/dash

关于bash，之前写过macOS的terminal的zsh颜色主题设置及zsh和bash切换

2.2.3 模型下载

InternStudio 平台的 share 目录下已经为我们准备了全系列的 InternLM 模型，所以我们可以直接复制即可

# 注意，这里所说的share是/root/share/model_repos/目录
ls /root/share/model_repos/
> internlm-20b       internlm-chat-7b       internlm2-20b       internlm2-base-7b         internlm2-chat-20b-sft   internlm2-chat-7b-sft
internlm-7b        internlm-chat-7b-8k    internlm2-7b        internlm2-chat-20b        internlm2-chat-7b
internlm-chat-20b  internlm-chat-7b-v1_1  internlm2-base-20b  internlm2-chat-20b-4bits  internlm2-chat-7b-4bits
# 而不是下面这个目录
ls /root/share/temp/model_repos
> internlm-chat-7b  internlm-xcomposer-7b

# 复制是为了留个备份
mkdir -p /root/model/Shanghai_AI_Laboratory
cp -r /root/share/temp/model_repos/internlm-chat-7b /root/model/Shanghai_AI_Laboratory

# 复制好之后可以去看看文件内容，可以用jupyter左侧的目录看，也可以用命令行查看详情
ls -lh /root/model/Shanghai_AI_Laboratory/internlm-chat-7b 
total 14G
-rw------- 1 root root  12K Feb  8 15:36 README.md
-rw------- 1 root root  731 Feb  8 15:36 config.json
-rw------- 1 root root   62 Feb  8 15:36 configuration.json
-rw------- 1 root root 5.1K Feb  8 15:36 configuration_internlm.py
-rw------- 1 root root  132 Feb  8 15:36 generation_config.json
-rw------- 1 root root  43K Feb  8 15:36 modeling_internlm.py
-rw------- 1 root root 1.9G Feb  8 15:36 pytorch_model-00001-of-00008.bin
-rw------- 1 root root 1.9G Feb  8 15:36 pytorch_model-00002-of-00008.bin
-rw------- 1 root root 1.9G Feb  8 15:36 pytorch_model-00003-of-00008.bin
-rw------- 1 root root 1.9G Feb  8 15:36 pytorch_model-00004-of-00008.bin
-rw------- 1 root root 1.9G Feb  8 15:36 pytorch_model-00005-of-00008.bin
-rw------- 1 root root 1.9G Feb  8 15:36 pytorch_model-00006-of-00008.bin
-rw------- 1 root root 1.9G Feb  8 15:36 pytorch_model-00007-of-00008.bin
-rw------- 1 root root 807M Feb  8 15:36 pytorch_model-00008-of-00008.bin
-rw------- 1 root root  37K Feb  8 15:36 pytorch_model.bin.index.json
-rw------- 1 root root   95 Feb  8 15:36 special_tokens_map.json
-rw------- 1 root root 8.8K Feb  8 15:36 tokenization_internlm.py
-rw------- 1 root root 1.6M Feb  8 15:36 tokenizer.model
-rw------- 1 root root  343 Feb  8 15:36 tokenizer_config.json

很明显，里面有8个bin文件夹是用来存放权重的，加起来大约是14GB左右。
在这里插入图片描述

如果使用的是非InterStudio平台进行训练部署，那么可以使用modelscope进行下载，模型大小为 14 GB，下载模型大概需要 10~20 分钟

import torch
from modelscope import snapshot_download, AutoModel, AutoTokenizer
import os
model_dir = snapshot_download('Shanghai_AI_Laboratory/internlm-chat-7b', cache_dir='/root/model', revision='v1.0.3')

参考：

2.2.4 InternLM代码库下载和修改

mkdir /root/code
cd /root/code
git clone https://gitee.com/internlm/InternLM.git

# 切换到教程的分支，保证更好的复现效果
cd InternLM
git checkout 3028f07cb79e5b1d7342f4ad8d11efad3fd13d17

然后将/root/code/InternLM/web_demo.py 中 29 行和 33 行的模型更换为本地的 /root/model/Shanghai_AI_Laboratory/internlm-chat-7b

2.2.5 cli运行

可以在 /root/code/InternLM 目录下新建一个 cli_demo.py 文件，将以下代码填入其中：

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM


model_name_or_path = "/root/model/Shanghai_AI_Laboratory/internlm-chat-7b"

tokenizer = AutoTokenizer.from_pretrained(model_name_or_path, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(model_name_or_path, trust_remote_code=True, torch_dtype=torch.bfloat16, device_map='auto')
model = model.eval()

system_prompt = """You are an AI assistant whose name is InternLM (书生·浦语).
- InternLM (书生·浦语) is a conversational language model that is developed by Shanghai AI Laboratory (上海人工智能实验室). It is designed to be helpful, honest, and harmless.
- InternLM (书生·浦语) can understand and communicate fluently in the language chosen by the user such as English and 中文.
"""

messages = [(system_prompt, '')]

print("=============Welcome to InternLM chatbot, type 'exit' to exit.=============")

while True:
    input_text = input("User  >>> ")
    input_text = input_text.replace(' ', '')
    if input_text == "exit":
        break
    response, history = model.chat(tokenizer, input_text, history=messages)
    messages.append((input_text, response))
    print(f"robot >>> {response}")

然后去运行上面的脚本（建议这里去vscode的终端运行下面的命令，看起来会比较好看。
另外因为使用的是绝对路径，所以不用担心cli的当前执行路径问题）

python /root/code/InternLM/cli_demo.py

# 需要一些时间加载模型
> Loading checkpoint shards: 100%|███████████████████████████████████████████████████████████| 8/8 [00:40<00:00,  5.02s/it]
# 然后就会出现对话界面，等待输入对话，速度有点慢，等等就好。
=============Welcome to InternLM chatbot, type 'exit' to exit.=============
User  >>> 有什么好用的本地markdown编辑笔记软件吗
robot >>> 目前有许多好用的本地 Markdown 编辑软件供您选择。以下是一些常用的本地 Markdown 编辑器：

1. Typora - 一个简单易用的 Markdown 编辑器，具有实时预览功能。
2. Marked - 一个轻量级的 Markdown 编辑器，支持多种输出格式。
3. Marked2 - 另一个轻量级的 Markdown 编辑器，具有类似于 Typora 的实时预览功能。
4. Sublime Text - 一款功能强大的代码编辑器，也支持 Markdown 格式。
5. Atom - 由 GitHub 开发的一个开源文本编辑器，支持 Markdown 和许多其他编程语言。
6. Vim - 一款经典的文本编辑器，支持多种编程语言，包括 Markdown。
7. Nano - 一个轻量级的文本编辑器，支持 Markdown 和 Git。
8. Visual Studio Code - 一个免费的跨平台代码编辑器，支持 Markdown 和许多其他编程语言。

这些工具都具有不同的优点和缺点，您可以根据自己的需要选择最适合您的工具。

输入exit即可退出

2.2.6 web_demo运行

这个就切换到vscode里去运行吧。。

# 切换到vscode，就需要重新进入对应的conda和shell环境了
bash
conda activate internlm-demo  # 首次进入 vscode 会默认是 base 环境，所以首先切换环境
cd /root/code/InternLM
streamlit run web_demo.py --server.address 127.0.0.1 --server.port 6006

教程里说需要配置端口，其实不用。。。（6006默认是tensorboard的端口），

  • 如果是jupyter的命令行，则不可以，
  • 但是如果是vscode里的命令行运行，则就可以打开
    在这里插入图片描述

在这里插入图片描述
运行这个命令等待一会，然后就可以看到右侧弹出一个窗口，点击Open in Browser，就可以打开网页了。

打开网页链接之后，模型才会开始加载
在这里插入图片描述

加载模型结束之后才会显示这个界面。

3. Lagent智能体工具调用Demo

在这里插入图片描述

3.1 基本说明

在这里插入图片描述

3.2 实际操作

3.2.1 准备操作

  1. 和上一个智能对话Demo需要的conda环境是一致的
  2. 需要下载的预训练模型也是InternLM-Chat-7B

需要安装的代码库不是InternLM.git了，而是lagent.git，为了保证下载速度，这里用的都是gitee上的链接，而不是github。

与上面的操作类似，

cd /root/code
git clone https://gitee.com/internlm/lagent.git
cd /root/code/lagent
git checkout 511b03889010c4811b1701abb153e02b8e94fb5e # 尽量保证和教程commit版本一致
pip install -e . # 源码安装

3.2.2 修改代码

然后直接复制3.4 修改代码中的内容到/root/code/lagent/examples/react_web_demo.py中。

其实有意义的修改没几个，主要还是修改预训练模型的位置，其它就是注释掉一些页面显示元素，以及空格换行等格式
在这里插入图片描述

3.2.3 运行web_demo

和上面也是类似的

streamlit run /root/code/lagent/examples/react_web_demo.py --server.address 127.0.0.1 --server.port 6006

这里有了Lagent，就可以针对具体的场景，进行一些适配，比如求解数学问题。
试了一下经典的鸡兔同笼问题：

现有一笼子，里面有鸡和兔子若干只，数一数，共有头14个，腿38条，聪明的小朋友，你能算出鸡和兔子各有多少只吗？

反应比较慢，可以通过命令行查看模型加载情况：
在这里插入图片描述

效果还挺好的🥳🥳🥳
在这里插入图片描述
在这里插入图片描述

另外，由于左侧有上传文件的按钮，所以试了一下，不是多模态的，哈哈哈，不支持图。
在这里插入图片描述
又试了一下，
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
并不具备生图的能力，所以还是以文字为主

在这里插入图片描述

4. 浦语.灵笔图文创作理解Demo

在这里插入图片描述

4.1 基本说明

在这里插入图片描述

4.2 实际操作

4.2.1 调整开发机配置

在这里插入图片描述

  • 关闭之前的页面，停止开发机，然后点击升降配置，选择 A100(1/4)*2，再次启动。
  • 可以看到，root目录下，之前创建的model和root文件夹内容还在，
  • 同时conda info -e可以看到，之前创建的环境internlm-demo还在，就可以继续使用了

4.2.2 conda环境配置

# 这里用的conda环境的脚本和internlm-demo的一样，只是名字改了，
# 因此如果是在之前开发机的基础上升降配置得到的，这步可以不执行
# 需要激活的则是： conda activate internlm-demo

# 否则，如果是新建的开发机，就还要继续执行
/root/share/install_conda_env_internlm_base.sh xcomposer-demo
conda activate xcomposer-demo


# 但是pip安装则和之前区别很大,这个必须要执行
pip install transformers==4.33.1 timm==0.4.12 sentencepiece==0.1.99 gradio==3.44.4 markdown2==2.4.10 xlsxwriter==3.1.2 einops accelerate

4.2.3 模型下载

mkdir -p /root/model/Shanghai_AI_Laboratory
cp -r /root/share/temp/model_repos/internlm-xcomposer-7b /root/model/Shanghai_AI_Laboratory

也可以通过代码下载，类似上面(只是模型名字不一样)：

import torch
from modelscope import snapshot_download, AutoModel, AutoTokenizer
import os
model_dir = snapshot_download('Shanghai_AI_Laboratory/internlm-xcomposer-7b', cache_dir='/root/model', revision='master')

4.2.4 InternLM-XComposer代码库下载和运行

cd /root/code
git clone https://gitee.com/internlm/InternLM-XComposer.git
cd /root/code/InternLM-XComposer
git checkout 3e8c79051a1356b9c388a6447867355c0634932d  # 最好保证和教程的 commit 版本一致

这次没啥要改的了，直接跑命令行就行

cd /root/code/InternLM-XComposer
python examples/web_demo.py  \
    --folder /root/model/Shanghai_AI_Laboratory/internlm-xcomposer-7b \
    --num_gpus 1 \
    --port 6006

# OSError: Cannot find empty port in range: 6006-6006. You can specify a different port by setting the GRADIO_SERVER_PORT environment variable or passing the `server_port` parameter to `launch()`
# 如果报错端口被占用，则换一个端口号即可，比如: 6008或者别的任何一个

这里 num_gpus 1 是因为InternStudio平台对于 A100(1/4)*2 识别仍为一张显卡。但如果之后使用两张 3090 来运行此 demo，仍需将 num_gpus 设置为 2 。

但是我的gradio页面显示很乱。。
在这里插入图片描述

运行时终端提示：
Could not create share link. Missing file: /root/.conda/envs/internlm-demo/lib/python3.10/site-packages/gradio/frpc_linux_amd64_v0.2. 

Please check your internet connection. This can happen if your antivirus software blocks the download of this file. You can install manually by following these steps: 

1. Download this file: https://cdn-media.huggingface.co/frpc-gradio-0.2/frpc_linux_amd64
2. Rename the downloaded file to: frpc_linux_amd64_v0.2
3. Move the file to this location: /root/.conda/envs/internlm-demo/lib/python3.10/site-packages/gradio

如果命令行下载不下来，可以先在本机下载，然后上传到服务器，然后再复制过去
cp /root/code/frpc_linux_amd64_v0.2 /root/.conda/envs/internlm-demo/lib/python3.10/site-packages/gradio

没用，不报这个错了，但是页面显示依然乱码。。哈哈哈

5. 通用环境配置

在这里插入图片描述
详见：tutorial/helloworld/hello_world.md——5. 通用环境配置
在这里插入图片描述

在这里插入图片描述

可以使用Huggingface下载模型

在这里插入图片描述

也可以使用OpenXLab下载

在这里插入图片描述
也可以通过魔塔社区——ModelScope阿里达摩院开源模型平台（通义千问），下载，

吨吨不打野
关注
专栏目录
大模型部署手记（13）LLaMa2+Chinese-LLaMA-Plus-2-7B+Windows+LangChain+摘要问答
张小白
10-10 6229
这里需要重装一下GPU版的torch再来：貌似字符集有什么问题。参考Python读取文件时出现UnicodeDecodeError: ‘gbk‘ codec can‘t decode byte 0x80 in position ...​blog.csdn.net/qq_31267769/article/details/109128882将 langchain_sum.py改为再来：缺protobuf库？再来：再来：
大模型实战营第二期——4. XTuner 大模型单卡低成本微调实战
啷个哩个啷
02-25 966
一般通过海量数据训练来的就是一个大的预训练模型/基座模型，如果不进行额外训练/微调，则询问什么是肺癌？，则模型不会意识到这是个需要回答的问题，只会去找训练集中拟合分布的对应结果，类似词嵌入会找最相近的词语。因此需要进行指令微调，让大模型理解指令的意图，才会给我们想要的答案。
大模型实战营第二期——3. 基于 InternLM 和 LangChain 搭建你的知识库
啷个哩个啷
02-10 1336
完成 LangChain 的自定义 LLM 子类之后，可以以完全一致的方式调用 LangChain 的接口，而无需考虑底层模型调用的不一致。demo所使用的数据考虑到版权等问题，选择由上海人工智能实验室开源的一系列大模型工具开源仓库作为语料库来源，包括：opencompass，lmdeploy，xtuner等。开源词向量模型 ，也可以选用别的开源词向量模型来进行 Embedding，目前选用这个模型是相对轻量、支持中文且效果较好的，也可以自由尝试别的开源词向量模型。另外，用到的词向量模型是。
InternLM 实战营 (第2期)——轻松玩转书生·浦语大模型趣味 Demo
yangli080511的专栏
05-27 200
第一步本地终端 ssh 连上开发机（win10以上可直接在powershell中使用ssh连接）解决方案：删除/root文件重置开发机（释放开发机也无法清空/root文件，必须手动删除）第三步重启开发机,系统会重置 /root 路径下的配置文件。第一个坑：conda:command not found。误把连接开发机的ssh代码贴入，重新修改后正常访问。按照教程步骤逐一执行，过程中踩到2个坑。第二个坑：无法访问127.0.0.1。
InternLM 实战营 第二课——轻松玩转书生·浦语大模型趣味 Demo
yuanwei416的博客
04-02 299
操作参考：https://github.com/InternLM/Tutorial/blob/camp2/helloworld/hello_world.md。
第二节课笔记+作业——书生·浦语大模型实战营
weixin_52626049的博客
01-11 1037
2.因为密钥默认情况存储下在~/.ssh/目录下，三个回车（更改目录，设置密码，确认密码），这样做的好处是用ssh命令来进行本地终端映射服务器端口时，可以免密登录(这里设置好要稍等一会，有可能会出现一直让你输密码的情况，过一会就好了)图文理解功能不错，图文创作总有不小的概率出现bug：首先我先用较小显存A100跑，图文理解会error,图文创作只会生成几行文字。改了下，终于没啥毛病了，图文理解运行流畅，图文创作还是要多提交几次，才能把图片加载出来，个人感觉这方面还要进一步优化。
[书生·浦语大模型实战营]——轻松玩转书生·浦语大模型趣味 Demo
qq_41776136的博客
01-06 594
大模型通常指的是机器学习或人工智能领域中参数数量巨大、拥有庞大计算能力和参数规模的模型。这些模型利用大量数据进行训练，并且拥有数十亿甚至数千亿个参数。
[书生·浦语大模型实战营]——第二节：轻松玩转书生·浦语大模型趣味 Demo
qq_41776136的博客
05-25 765
八戒-Chat-1.8B 是利用《西游记》剧本中所有关于猪八戒的台词和语句以及 LLM API 生成的相关数据结果，进行全量微调得到的猪八戒聊天模型。作为 Roleplay-with-XiYou 子项目之一，八戒-Chat-1.8B 能够以较低的训练成本达到不错的角色模仿能力，同时低部署条件能够为后续工作降低算力门槛。Lagent 是一个轻量级、开源的基于大语言模型的智能体（agent）框架，支持用户快速地将一个大语言模型转变为多种类型的智能体，并提供了一些典型工具为大语言模型赋能。
书生·浦语大模型实战营——第二课
Dominikzhuan的博客
04-04 1208
实战：部署实战营优秀作品。待GPU权限提升之后更新。权限后才可开启此章节）
【Unity 实战100例】 教程 专栏《导航目录帖》带你深入学习Unity实战经验
热门推荐
努力前行，总会成为自己心中的那道光
12-22 6万+
Unity 实战100例 教程 专栏 导航帖，正在积极更新中！ 本系列博客争取把Unity入门阶段的实战小项目都包含住。 本专栏适用人群：对Unity有一个基本的认识，开始上手Unity的实战内容。 当然你也完全可以零基础观看本系列博客，如果需要速学Unity也可以来这个专栏学习Unity系统学习专栏⭐️ Unity 实战100例 教程
吴恩达《深度学习专项》笔记+代码实战（二）：简单的神经网络——逻辑回归
a119334的博客
05-31 1118
这堂课要学习的是逻辑回归——一种求解二分类任务的算法。同时，这堂课会补充实现逻辑回归必备的数学知识、编程知识。学完这堂课后，同学们应该能够用Python实现一个简单的小猫分类器。
《程序员创业指南：一人公司实现财富自由之路》从字节跳动架构师到“一人公司”创始人：AI大模型个人生产力工具创业实战指南2——程序员创业项目集锦100 个
程序员光剑
09-21 9
在当今快速发展的科技世界中，越来越多的程序员开始思考如何通过创业实现财富自由。作为一名资深程序员，你已经积累了丰富的技术经验和行业洞见，这为你创立一个人的公司奠定了良好基础。本文将为你提供一个详尽的创业计划和执行步骤，助你一臂之力，开启通往财富自由之路。在创业初期，了解市场需求至关重要。你需要进行深入的市场调研，找出潜在客户的需求痛点，并确定你的产品或服务能否满足这些需求。例如，在AI大模型领域，大型模型有望助力个人转型为超级生产力者，预示着智能化转型的新阶段。因此，你可以考虑开发基于AI大模型的个人生产力
Android Studio 4，Android开发入门与实战
m0_64604842的博客
12-27 352
接下来我会依据 Android Dev Summit 分享的内容以及自己的理解，为大家介绍 Android Studio 4.0 的最新进展，没关注的小伙伴记得关注鸭！如果觉得这些文章有点意思，记得分享转发评论点赞鸭！ 编译构建方面 ======================================================================== 新的 Build 窗口，在每一次 Build 之后，会出现一个新的 Build Speed 窗口，我们可以在这个窗口里面查看在整个
AI 图像识别项目从入门到上线
GitChat
07-03 2666
课程介绍 本课程是一个完整的项目实战课程，从项目调研开始到项目最终上线，完整的复现了基于深度学习的实战项目的流程。 本课程系列文章具有很强的工程性质，同时内容追求循序渐进，建议从头开始学习。 第 01~02 课，将讲述如何调研一个项目，如何获取数据与整理数据。 第 03~05 课，将介绍 Linux、图像、Python 等开源包，以及神经网络的基础知识，为接下来的项目做准备。 第 06~08 课...
基于springboot的中小型医院网站的开题报告.docx
09-26
基于springboot的中小型医院网站的开题报告.docx
基于springboot的学生网上请假系统设计与实现的开题报告.docx
09-26
基于springboot的学生网上请假系统设计与实现的开题报告.docx
【散热器设计】基于matlab暖气智能温控器设计【含Matlab源码 8015期】.zip
最新发布
09-26
CSDN海神之光上传的全部代码均可运行，亲测可用，尽我所能，为你服务； 1、代码压缩包内容 主函数：main.m； 调用函数：其他m文件；无需运行 运行结果效果图； 2、代码运行版本 Matlab 2019b；若运行有误，根据提示修改；若不会，可私信博主； 3、运行操作步骤 步骤一：将所有文件放到Matlab的当前文件夹中； 步骤二：双击打开main.m文件； 步骤三：点击运行，等程序运行完得到结果； 4、物理应用 仿真：导航、地震、电磁、电路、电能、机械、工业控制、水位控制、直流电机、平面电磁波、管道瞬变流、刚度计算 光学：光栅、杨氏双缝、单缝、多缝、圆孔、矩孔衍射、夫琅禾费、干涉、拉盖尔高斯、光束、光波、涡旋 定位问题：chan、taylor、RSSI、music、卡尔曼滤波UWB 气动学：弹道、气体扩散、龙格库弹道 运动学：倒立摆、泊车 天体学：卫星轨道、姿态 船舶：控制、运动 电磁学：电场分布、电偶极子、永磁同步、变压器
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

吨吨不打野

解决了问题，觉得还行就给点

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值