自定义博客皮肤VIP专享

*博客头图：

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览 取消 提交

自定义博客皮肤

-+
上一步保存

白洞，白色的明天在等着我们

  • 博客(375)
  • 资源 (50)
  • 收藏
  • 关注
排序：
按最后发布时间
按访问量
RSS订阅

原创 Bright Data Scraper Studio Worker 选型指南：Code Worker 与 Browser Worker 怎么选，爬虫效率翻倍

文章摘要： Bright Data Scraper Studio提供两种爬虫工作模式：Code Worker（轻量HTTP协议）和Browser Worker（全浏览器模拟）。前者速度快、成本低，适合静态页面；后者支持JS渲染和交互，适用于动态网站。核心选型原则是优先尝试Code Worker，仅当数据不全时切换Browser Worker。针对多阶段任务（如列表页+详情页），推荐开启分段配置（Worker per stage），为不同阶段匹配最优模式，兼顾效率与成本。实测表明，合理选型可节省50%以上资源

2026-06-24 23:00:01 8884 51

原创 Agent 时代，OCR 认字够用了吗？?xParse、PaddleOCR、MinerU三款工具横评

本文对比了三款主流文档解析工具（xParse、PaddleOCR、MinerU）在复杂表格识别上的表现，重点测试了多层表头、密集小字表、嵌套表格和跨页长表四类业务场景。前面横评解决了"选谁"的问题，接下来要解决"怎么用"的问题。选出 xParse 只是第一步。真正的问题是： **xParse嵌入Agent后，在真实业务场景里能不能稳住？** 表格解析对了，但模型理解错了，或者解析对了、模型也理解对了，但下游执行动作歪了——这些才是落地时的真正问题。

2026-06-17 12:53:17 15275 39

原创 “一机一调“的笨仿真，救不了物理AI——但物理AI的Windows，已经有人开始造了

物理AI时代亟需一套标准化"操作系统"来打通仿真资产的全生命周期管理，解决当前技术落地难的核心痛点。本文提出物理AI的"可信度三角"理论框架，指出仿真资产必须同时满足物理正确性、时空连续性和数据驱动预测三大条件。通过分析衍像平台的三层架构（工业级仿真底座、标准化资产管理层、智能体应用层），揭示了如何构建仿真资产的工业化生产体系，实现"一次建模、处处可用"的产业愿景。文章强调，只有建立统一的Sim Ready标准，才能让物理AI从实验室Demo真正走向工业现场，推动具身智能、通用机器人等技术的规模

2026-06-15 13:05:35 26103 50

原创 给到夯，Claude Code重磅更新：Auto Mode 与 ultracode 是个什么东西

Anthropic近期为ClaudeCode推出两项重磅功能——AutoMode和DynamicWorkflows（ultracode）。AutoMode通过独立分类器模型实现自动执行操作，减少人工确认频率，内置熔断机制保障安全。DynamicWorkflows允许Claude自动生成JavaScript编排脚本，调度多个子代理协同完成复杂任务，支持跨文件代码审计、大规模迁移等场景。ultracode模式结合xhigh推理强度与自动工作流编排，显著提升任务质量但消耗更多token。

2026-06-08 12:25:20 4916

原创 全平台抓取 API 性能实测：从搜索到电商社交，5 大平台硬指标全解析

长期做海外数据采集的开发从业者应该清楚，现阶段行业内并没有一套能够通吃全平台的采集解决方案。常规业务模式下，技术团队需要单独对接搜索、电商、社交不同赛道的抓取服务商，单独维护多套密钥、接口适配层、异常处理逻辑。这种碎片化的接入方式，不仅会拉高开发接入成本，后续运维、问题排查、版本迭代的隐性成本同样居高不下。近期Dataify推出一体化统一抓取API，官方核心卖点十分直白：过简单的 API 调用，即可获取来自搜索引擎、社交媒体、电商和视频平台的数据，为 AI 与商业分析提供数据支持。从架构层面来看，这种统一封

2026-06-03 12:55:33 62792 30

原创 MiniMax M3正式发布，体验实感，是夯爆了还是拉完了

《MiniMax M3模型初体验：工程驱动的AI新选择》摘要：MiniMax最新发布的M3模型展现出与M2系列显著不同的特质。实际体验发现，M3在思考深度上明显提升，会主动考虑反例并提出多个备选方案，任务执行时能智能分解并调用工具链。相比DeepSeek V4的算法驱动路线，M3采用工程驱动的MSA架构，虽内存占用较大但信息零损失，且对开源生态更友好。价格方面，M3或将低于V4 Flash的0.14美元/百万token，可能引发新一轮市场竞争。作者认为，在算法先进性之外，模型的"人性化"

2026-06-01 21:43:58 2838

原创 当 OpenClaw 遇上 SenseNova U1，解锁智能体原生多模态新体验

摘要：本文介绍了如何利用商汤开源的SenseNova U1多模态模型构建"从大纲到成品图"的闭环工作流。相比传统拼凑式多模态方案，SenseNova U1采用NEO-unify架构实现语言与视觉的统一建模，显著提升了生成一致性。文章详细演示了通过OpenClaw智能体框架接入SenseNova-Skills技能库的具体步骤，包括环境准备、API配置和技能加载。最后通过"柠檬万能指南"信息图生成案例，展示了该方案在理解复杂语义关系、自动设计视觉层级方面的优势，验证了原生多模态模型在专业内容创作中的实用价值。

2026-05-28 14:53:02 11035

原创 Claude Code Agent Teams：让多个AI替你协作打工 配置指南+使用心法

本文介绍了Claude Code的Agent Teams功能，该功能通过创建多个AI智能体并行协作，解决复杂项目开发中的效率问题。不同于传统的单线程subagent模式，Agent Teams允许智能体之间直接通信、互相质疑和协作，模拟真实团队工作场景。文章详细讲解了配置方法、使用场景和注意事项，指出该功能特别适合并行调研和跨层开发任务，能通过多视角碰撞产生更优解决方案。作者认为Agent Teams的价值不仅在于提升效率，更在于实现单智能体无法完成的复杂协作。

2026-05-17 11:36:55 23701

原创 Graphiti：让AI拥有“记忆“这件事，终于有人做对了

Graphiti创新性地解决了AI记忆的结构化问题，超越了传统RAG的检索式思维。其核心在于构建时序知识图谱，通过双时态数据模型追踪信息的时效性，而非简单存储数据。系统包含Episode、Entity、Edge三大要素，支持实体去重合并和关系时效标记。Graphiti采用三层混合检索机制（关键词+向量+图遍历），并引入社区发现功能自动聚类相关话题。其Saga设计能串联相关事件形成故事线。相比传统方法，Graphiti通过结构化记忆显著降低了AI推理成本，但依赖LLM的抽取质量仍是关键局限。

2026-05-13 21:30:32 3112

原创 从“看得见”到“可操作”：Multiverse 3.0 如何定义物理AI时代的数字孪生？

当你打开手机，用AI生成一幅梵高风格的画作时，你可能会惊叹于AI对色彩、笔触乃至情绪的精准把握。然而，如果让同样的AI去“推开一扇门”或“拧紧一个螺丝”，它会怎么做？答案是：**它会犯错，而且错得离谱**。这不是AI的缺陷，而是AI发展史上一个深刻的结构性矛盾——**我们正处在一个AI已经能够完美驾驭“比特世界”（文字、图像、音视频），却仍在“原子世界”（物理实体、物理交互）中举步维艰的时代**。

2026-04-24 08:59:24 39613

原创 @开源人，百万激励池！第八届CCF开源创新大赛等你来战！

CCF开源创新大赛开启技术盛宴！ 八年沉淀，CCF开源创新大赛已成长为国内顶级开源赛事。2026年第八届大赛全新升级，由中国计算机学会主办，联合小米、蚂蚁集团等领军企业推出人工智能、操作系统等热门赛道。参赛者将直面真实产业赛题，争夺百万激励金，并有机会亮相重庆决赛现场。大赛还提供技术公开课、专家指导等丰富资源，助力开发者成长。无论高校师生还是从业者，1-5人组队即可参赛，用代码连接创新与产业，共同推动开源生态发展。 立即报名，开启你的开源征程！

2026-04-22 10:02:59 7032

原创 用 QClaw 做了一个工程合同风险审计技能，说说我的完整实践过程

本文分享了基于QClaw开发工程合同风险审计技能的完整实践。作者针对工程合同审查"多、专、烦"的痛点，利用OpenClaw的Skill机制开发了一个自动化审计工具。该技能通过四阶段流程：文本抽取→模板比对→风险量化→生成报告，将公司审查经验固化为可执行规则，实现风险条款自动识别、财务影响量化及修改建议生成。核心优势在于本地化处理保障数据安全，通过语义分析而非简单文本匹配提高准确性，并支持多IM平台便捷使用。开发过程主要涉及Markdown规则定义和简单脚本编写，适合有基础编程经验者快速实

2026-04-16 13:38:23 9827

原创 真正让Claude Code效率翻倍的几个玩法

最近几周，我每天都在用 Claude Code。一开始跟大多数人一样——让它写代码、跑测试、查 bug。后来发现，这工具用得好不好，差距能差出好几倍。今天不聊什么配置、什么架构。只聊几招真正管用的野路子。

2026-04-14 11:29:01 9017

原创 为什么一夜之间大家都在做 CLI？

**摘要：**近期多家企业不约而同推出CLI工具，如飞书、Google、Stripe等将核心服务能力封装为命令行接口。这一现象源于AI时代CLI的独特优势：结构化交互契合AI处理能力、Unix哲学与Agent设计同构、可编程性扩展自动化潜力。相比GUI，CLI在可组合性、资源占用和远程操作等方面表现更优，能有效缓解开发者面临的技术栈迭代快、项目复杂度高等痛点。巨头如Anthropic、OpenAI和Google纷纷布局CLI战略，开源社区也积极参与。深层原因是LLM能力跨越临界点、开发范式向"自然

2026-03-31 08:38:20 15579

原创 从失控到可控：企业级AI四层安全隔离架构实战

企业级AI系统需解决"敢不敢用"问题，构建可控、可监管的安全治理框架。OpenClaw安全事件暴露了AI工具在企业应用中的治理缺口，包括权限失控、数据泄露等风险。FinClaw采用四层安全隔离架构（MicroVM/容器/系统沙箱/运行时）实现纵深防御，通过工具调用三态控制、细粒度审批流和全链路审计日志，确保AI操作在受控环境中执行。系统内置四层脱敏机制，覆盖输入、处理、输出和日志环节，并支持与企业现有身份认证体系集成，使AI助手真正融入企业IT治理体系。这种"可治理的自主&qu

2026-03-24 08:34:40 26121

原创 微信迈出开放第一步！微信 ClawBot 接入 OpenClaw 原理 与 如何将自定义聊天通道接入 OpenClaw

这是本文的核心干货部分。如果你想把任何一个自定义聊天平台接入 OpenClaw，需要理解并实践以下几个关键步骤。微信迈出了开放的第一步，就看其他 Agent 厂商愿不愿意跟进了，拭目以待。OpenClaw 的 Channel 插件架构设计优雅，扩展性强。无论是微信、钉钉还是任何自定义平台，只要实现 ChannelProvider 接口，就能无缝接入这个 AI Agent 生态。对于开发者而言，这是一个前所未有的机会。掌握 OpenClaw 插件开发，就等于掌握了下一次 AI 时代的入口。

2026-03-23 13:29:24 10037

原创 OpenClaw 2026.3.13 配置完全解析：敢改+会修才是真掌握

配置文件不是圣旨，它是你的工具箱。OpenClaw 为什么好用？因为它把控制权交给了你。哪个渠道能接、哪个模型能用、哪些技能要开、哪些日志要记——全部由你决定。不敢改，永远只是使用者。敢改、会修，才能成为真正的主人。下次面对配置文件，别慌。敢改+会修，才是真掌握。本文基于 OpenClaw v2026.3.13 版本编写，配置示例仅供参考，请根据实际情况调整。

2026-03-18 16:12:34 4438 1

原创 大模型显存计算攻略：推理与训练微调所需显存估算指南

本文系统介绍了大语言模型在不同场景下的显存计算方法。首先分析了推理场景下模型权重、KV缓存和激活值的显存占用，FP16精度下每10亿参数约需2GB显存。全参数微调时显存需求激增，约为推理的3-4倍，7B模型需要110-140GB显存。LoRA微调通过冻结原参数、训练低秩适配器，7B模型仅需24-28GB显存。QLoRA结合4位量化技术，65B大模型微调仅需48GB显存。文章还提供了常见模型的显存参考表，并推荐了多个在线计算工具，帮助开发者合理规划硬件配置和优化策略。

2026-03-17 21:42:39 14504

原创 OpenClaw 3.13重磅更新，小龙虾这次真的能流畅操作浏览器了

OpenClaw 3.13版本带来重大更新：可直接操控用户当前Chrome浏览器会话，保留所有登录状态和Cookies。通过Chrome DevTools MCP协议实现无缝连接，解决以往需要重新登录的问题。新增Browser Profile功能，简化浏览器调用配置；支持批量操作和CSS/XPath精准定位，大幅提升效率；采用CDP协议降低延迟，复用浏览器实例节省资源。该版本能有效规避传统反爬虫机制，适用于合法自动化场景。升级简单，配置友好，显著改善浏览器自动化体验。

2026-03-17 17:39:19 3572 1

原创 Serverless 时代的内核革命——华为 openYuanrong 深度解析 异构多级缓存与 D2D 高速传输实测

华为开源的openYuanrong是首个Serverless分布式计算引擎，采用"分布式内核"设计理念，旨在让开发者获得单机编程体验的同时实现分布式高性能运行。针对AI大模型训练与推理的挑战，openYuanrong通过多语言函数运行时、函数系统和数据系统三大核心组件，创新性地提出DPOSIX标准，支持异构资源调度与GPU高速传输。其数据系统通过计算旁置、共享内存机制和多级缓存优化，显著提升GPU利用率并降低延迟。部署支持x86/ARM架构，提供从单机测试到多节点生产环境的灵活方

2026-03-15 16:25:48 6500 1

原创 为什么我建议你还是自己写小龙虾的 Skills？手把手教你打造专属自动化文献阅读工作流

最近我发现一个有趣的现象：很多人跟风安装了OpenClaw，配置好了模型渠道，却在“技能市场”（ClawHub）里挑花了眼。下载了几十个Skills，结果发现——**用起来并不顺手**。要么是功能太通用，跟自己的实际工作流对不上号；要么是权限太大，安全性让人心里发毛；要么就是水土不服，各种报错。这其实是一个必然阶段。OpenClaw的核心优势不在于它自带多少工具，而在于它的**Skills（技能）系统**——你可以把它理解成一个“可插拔的工具箱”。别人写的技能再好，那也是别人的工作流；真正能让AI成

2026-03-13 14:23:17 2107

原创 烧完五百块token费用后，我把OpenClaw的Token消耗砍掉了70%，我的OpenClaw省钱指南

打开社交平台，满屏都是「Token焦虑」和「龙虾受害者」的哀嚎。有人6小时消耗**9000万Token，账单170美元**；有人实测复杂程序调试，**一天烧掉10亿Token，花费近万元；有人养不起了，放弃养虾，找人花299上门卸载。**「开源免费」的标签贴在OpenClaw身上，但当你真正把它跑起来，会发现**免费的只是门票，养AI的成本才是真正的门槛**。今天带来的是一份**真金白银换来的省钱实战方案**。**核心逻辑一句话：理解Token去向，让对的模型干对的事。**

2026-03-12 10:46:50 7676

原创 【一点浅思】Transformer架构是否已经触及性能天花板？未来架构突破的方向在哪里？

**Transformer架构虽主导AI领域，但面临计算复杂度、组合推理能力和幻觉问题三大局限。业界正探索改进方案：状态空间模型（如Mamba-3）实现线性复杂度突破，RWKV架构提升效率，混合专家模型（如DeepSeek MoE）优化推理性能。短期通过注意力机制优化和强化学习挖掘Transformer潜力，中长期新架构将与Transformer融合。尽管Transformer生态惯性巨大，但AI技术演进已进入多元化探索阶段，未来5-10年或将见证下一代架构的规模化应用。

2026-03-09 13:19:35 13602

原创 OpenClaw到底能做什么？有什么用？先装这几个实用的Skills

OpenClaw的核心竞争力在于其Skills生态系统，通过5000+专业工具扩展AI能力。主要推荐Skills包括：Gog（Google Workspace管理，48万安装）、Summarize（内容摘要，37万安装）、Nano PDF（PDF编辑）、Notion/Obsidian（知识管理）等。用户可通过ClawHub官方市场或Awesome OpenClaw社区精选获取，使用简单命令行安装。建议新手从Gog和Summarize开始，逐步构建自动化工作流，同时注意选择官方认证Skills保障安全。

2026-03-03 13:31:32 19445

原创 # Agent记忆机制：人工智能拥有“记忆”意味着什么

如果你正在构建一个真正智能的AI助手，它能否记住上一次对话中用户提到的偏好？能否从过去的失败中学习到有效的策略？能否在处理长文档时保持对关键信息的追踪？这些能力的背后，都离不开一个核心机制——Agent记忆系统。本文将深入浅出地解析当前AI Agent领域最前沿的记忆机制设计。

2026-02-28 10:15:57 824

原创 OpenClaw接入飞书全流程：打造你的24小时AI助手

这篇文章将手把手教你如何在云服务器上部署OpenClaw并接入飞书，打造一个24小时待命的AI助手。

2026-02-21 09:27:53 21237 2

原创 从“提示词猜谜”到“精准导演”：Seedance 2.0 开启 AI 视频的工业化时代

**摘要： 字节跳动发布的Seedance 2.0标志着AI视频生成进入"导演时代"，通过创新技术解决行业核心痛点。其双分支扩散变换器架构（Dual-branch Diffusion Transformer）实现多模态信息的并行处理与深度融合，配合全能参考系统支持12个参考文件输入，可精准控制角色、风格、运镜和音画同步。相比传统AI视频模型，Seedance 2.0在角色一致性（消除"漂移"问题）、风格复现和原生音画同步（音频驱动画面）方面表现突出，并能原生输出2K/

2026-02-10 13:36:51 17366

原创 从“陪聊”到“点外卖”：为什么说生成式UI（GenUI）才是AI应用的终局？

摘要 生成式UI（GenUI）正在颠覆传统AI交互模式。近期火爆的"千问AI点奶茶"案例展示了GenUI的实用价值：AI不仅能理解用户意图，还能动态生成可操作界面。与传统对话式AI相比，GenUI实现了"意图驱动"的动态交互，显著提升用户体验和操作效率。目前GenUI主要有三种实现范式：静态UI、声明式UI和开放式UI，各具适用场景。其技术架构依赖智能体与前端间的实时双向通信，核心协议包括AG-UI、A2UI和MCP Apps。随着Vercel AI SDK等开发工具

2026-02-09 17:23:43 6368

原创 OpenClaw架构详解：一只“龙虾”如何征服10万+GitHub Stars

今年一月，一个名为OpenClaw的开源AI项目，像一只横空出世的“龙虾”，在短短两个月内席卷了GitHub，收获超过10万颗星。这不仅仅是一个数字，更是一个强烈的信号：开发者们渴望的，不再是只能“聊天”的AI，而是一个能真正“动手干活”的数字伙伴。

2026-02-06 09:07:12 13773 3

原创 AI Agent能力扩展两大关键路径：一文读懂Agent Skills和MCP协议的核心原理与设计哲学

Agent Skills 和 Model Context Protocol (MCP)已成为扩展 AI 智能体能力的两大核心技术路径。Agent Skills 侧重于将领域专业知识和工作流以文件化的形式进行封装，强调便携性和可读性；而 MCP 则致力于构建一套标准化的通信协议，旨在将 AI 应用程序与各种外部工具、数据源和系统无缝连接。两者虽然在设计理念和实现路径上有所差异，但共同的目标都是为了赋能 AI 智能体，使其能够处理更广泛、更复杂的任务。

2026-02-03 10:58:58 5734

原创 RAG 深度实践系列（七）：从“能用”到“好用”——RAG 系统优化与效果评估

当 RAG 系统真正步入生产环境，面对海量异构数据和复杂的业务咨询时，开发者往往会陷入一种“看似规范，实则失控”的困境。检索结果相关性波动、模型对上下文理解的断裂、以及挥之不去的“幻觉”问题，都在提醒我们：RAG 绝非简单的“向量数据库 + 大模型”的堆砌，而是一个对细节极度敏感、需要精细化运营的系统工程。它需要我们从“能用”的阶段，迈向“好用”乃至“卓越”的质变之路。

2026-02-02 09:32:14 9726

原创 RAG 深度实践系列（六）：基于科大讯飞 RAG + 星火知识库的企业级实战指南

企业级RAG技术落地面临私域知识时效性和大模型"幻觉"两大核心挑战。科大讯飞通过星火认知大模型和知识库解决方案提供完整生态支持：1）开放平台提供API和算力底座；2）知识库实现非结构化文档向量化存储与语义检索；3）支持WebSocket实时问答和多轮对话管理。关键技术优化包括文档语义分块、检索结果精排、Prompt工程等，并需建立全链路调试体系。未来RAG将与智能体技术深度融合，实现主动检索和动态知识更新。讯飞AI大学堂推出限时免费的RAG工程师认证课程，助力开发者实现技术落地跨越。

2026-01-30 09:31:19 4705

原创 RAG 深度实践系列（五）：RAGFlow 的部署使用与架构分析

从 RAGFlow 的微服务架构深度解析到 Docker 容器化的快速部署，再到异步任务流转与 Agent 工作流的编排，RAGFlow 为我们提供了一个构建企业级 AI 应用的强大底座。然而，真正的工程挑战往往隐藏在索引优化、多语言适配以及系统监控等细节之中。为了帮助您在 RAG 领域实现从“平台使用者”到“架构设计者”的跨越，AI大学堂精心打造了RAG工程师认证。这份证书将是你系统化掌握 AI 落地核心能力的绝佳机会，认证现已开启，限时免费，点击下方链接，开启您的 RAG 进阶学习之旅：🔗。

2026-01-29 11:20:29 10634

原创 告别模型选型焦虑：基于AI Ping+Coze搭建智能网关，实现多模型统一调度与成本优化

当前大模型技术快速发展，但模型服务的碎片化成为企业应用的瓶颈。AI Ping作为智能模型网关，通过统一API接口和协议转换，将各厂商API封装为标准OpenAI格式，简化接入流程。其核心智能路由引擎基于实时性能数据（延迟、吞吐量、成本等）实现动态调度，支持价格优先、延迟优先等策略。结合Coze平台，可构建具备故障自愈和成本优化能力的工作流，实现对话、绘图等多功能集成。AI Ping还提供细粒度成本分析和性能监控，支持企业精细化模型资产管理。该方案解决了多模型服务接入复杂、成本不可控等问题，为企业提供高效、稳

2026-01-28 14:54:30 9356

原创 RAG 深度实践系列（四）：从零动手搭建一个 RAG 系统——代码实战与工程避坑指南

本文介绍了RAG（检索增强生成）系统的工程化落地实践，包括离线索引和在线检索生成两大阶段。首先，文章强调了环境配置和核心依赖安装的重要性，推荐使用Python虚拟环境管理项目依赖。在离线索引阶段，重点讲解了数据加载、文本分割和向量存储的实战操作，其中文本分割策略和参数调优尤为关键。在线检索生成阶段则通过LCEL链式调用实现高效检索与生成，并展示了检索器的调用方法。文章还提供了AI大学堂的RAG工程师认证课程信息，帮助开发者系统掌握AI落地能力。整个流程涵盖了从理论到工程实践的关键环节，为构建稳定、高性能的R

2026-01-28 09:41:30 5979

原创 RAG 深度实践系列（三）：RAG 技术演变与核心架构的深度剖析

RAG技术经历了从基础检索到智能决策的演进过程：Naive RAG确立基本范式但存在语义破坏和单一检索局限；Advanced RAG通过查询优化、混合检索和重排序等精细化手段提升性能；Modular RAG实现模块化架构，GraphRAG引入知识图谱增强逻辑推理；最终Agentic RAG结合智能体技术，具备自主决策、任务规划和自我反思能力。这一演进体现了RAG系统从被动知识搬运到主动智能决策的转变，为解决复杂场景下的信息检索和推理问题提供了更强大的解决方案。

2026-01-27 09:13:54 8408

原创 RAG 深度实践系列（二）：工作流程、核心组件与高级优化策略

摘要：本文详细介绍了检索增强生成（RAG）系统的工作流程与核心组件。RAG系统通过查询解析、文档检索、信息整合与回答生成四个阶段，将大型语言模型（LLM）与外部知识库结合。重点分析了稀疏检索、密集检索和混合检索三种策略的优劣，以及数据预处理、文本分块、嵌入技术和向量存储等关键技术。文章还探讨了如何优化分块策略、选择合适的嵌入模型，并强调了混合检索在提高召回率和鲁棒性方面的优势。RAG系统通过语义匹配和知识增强，显著提升了LLM生成内容的准确性和可靠性。

2026-01-26 11:21:26 7427

原创 都在卷？我用企业级AI智能体写了一个“斗破苍穹”伪装阅读器，老板以为我在修改内核

作为一名每天在 VSCode 里“刨食”的码农，最痛苦的不是由红变黄时刻的报错，而是——**“三十年河东，三十年河西，莫欺少年穷”**看到一半，产品经理突然站了起来。用浏览器看小说？太显眼，切屏都来不及。用手机看？低头族很容易被行政抓包。有没有一种办法，能让小说直接变成 IDE 里的代码？看屏幕，满眼都是 `def`、`class`、`import`，好像在进行高深的架构设计，实际上每行标志名连起来，却是萧炎在炼药、打怪、升级？

2026-01-15 21:35:32 10459

原创 程序员接单怎么做更稳？2026年实操路线与平台全梳理

程序员接单并不是一条轻松赚钱的捷径，而是一项需要判断力、沟通能力和持续积累的长期能力。平台只是工具，真正决定你能走多远的，是你能否选对项目、控制风险，并不断提升自己的交付质量。如果你已经开始认真考虑程序员接单，那么从筛选平台、小项目起步、逐步建立自己的接单体系，会比盲目追求高价项目更稳妥。只要节奏对了，接单这条路，确实值得走。

2026-01-15 13:08:14 13444

原创 文档解析与问答实战——三步搭建基于TextIn与Coze的智能文档Agent方案

为突破 RAG 与 Agent 在文档感知层面的工程瓶颈，引入专业的文档智能解析工具成为必然选择。TextIn 正是面向这一核心问题构建的文档智能解析引擎，其目标并非单纯完成 OCR，而是输出“对大模型友好”的高质量结构化语义结果。

2025-12-30 12:43:09 28108 10

计算机网络课程设计任务书（计算机，软件）
《计算机网络》课程设计任务书 一、课程设计要求 通过本课程设计，使学生对计算机网络的基本概念的理解，通过相关的设计学习网络协议和网络工具的开发，从而充分掌握计算机网络体系结构和应用。 学生必须仔细阅读《计算机网络》课程设计任务书，认真主动完成课程设计的要求。有问题及时主动通过各种方式与教师联系沟通。 学生要发挥自主学习的能力，充分利用时间，安排好课设的时间计划，并在课程设计过程中不断检测自己的计划完成情况，及时的向教师汇报。 按照教学要求务必在1.5周内完成课程设计并提交所有文档。 二、设计和调试过程的规范化要求 报告除了在封面（封面格式有统一规定）中应有专业、班级、姓名、学号和课程设计日期以外，其正文一般有如下几个方面的内容： 1）对每个题目要有设计思想 在设计思想中，将题目中要求的功能进行叙述分析，并且设计或叙述解决此问题的算法，描述算法建议使用流程图，进行算法分析指明关键语句的时间复杂度。 给出实现功能的一组或多组测试数据，程序调试后，将按照此测试数据进行测试的结果列出来。对有些题目提出算法改进方案，比较不同算法的优缺点。 如果程序不能正常运行，写出实现此算法中遇到的问题，和改进方法； 2）对每个题目要有相应的源程序（可以是一组源程序，即详细设计部分）： 源程序要按照写程序的规则来编写。要结构清晰，重点函数的重点变量，重点功能部分要加上清晰的程序注释。 程序能够运行，要有基本的容错功能。尽量避免出现操作错误时出现死循环； 3）最后提供的主程序可以象一个应用系统一样有主窗口，通过主菜单和分级菜单调用课程设计中要求完成的各个功能模块，调用后可以返回到主菜单，继续选择其他功能进行其他功能的选择。 三、课程设计的成绩评定 1、由指导教师根据检查学生程序的情况、课程设计报告的质量和课程设计过程中的工作态度等综合打分。成绩评定实行等级制评分（A：90~100分 A-：85~89分 B+：82~84分 B：78~81分 B-：75~77分 C+：72~74分 C：68~71分 C-：64~67分 D：60~63分 F：<60分）。 2、设计程序的检查由指导教师当面在计算机上检查测试，并同时对程序运行中的问题至少提出三个问题，学生当面回答，教师根据以上检查做好记载； 3、独立按时完成规定的工作任务，不得弄虚作假，不准抄袭他人内容，否则成绩以不及格计。发现课程设计报告基本雷同，一律不及格。 四、课程设计报告内容 1)需求分析：在该部分中叙述，每个模块的功能要求 2)概要设计：在此说明每个部分的算法设计说明（可以是描述算法的流程图），每个程序中使用的存储结构设计说明（如果指定存储结构请写出该存储结构的定义。 3）详细设计：各个算法实现的源程序，对每个题目要有相应的源程序（可以是一组源程序，每个功能模块采用不同的函数实现）。源程序要按照写程序的规则来编写。要结构清晰，重点函数的重点变量，重点功能部分要加上清晰的程序注释。 4）调试分析：测试数据，测试输出的结果，时间复杂度分析，和每个模块设计和调试时存在问题的思考（问题是哪些？问题如何解决？），算法的改进设想。 5）课设总结：总结可以包括：课程设计过程的收获、遇到问题、遇到问题解决问题过程的思考、程序调试能力的思考、对计算机网络这门课程的思考、在课程设计过程中对《计算机网络》课程的认识等内容。

2021-08-09

武汉理工大学计算机复试资料 考研复试资料
包括历年大纲与细则、2021复试细则、历年面试的面试问题（专业、英语、其他）、离散数学书、武理离散数学PPT课件、导师联系方式

2021-11-17

客户端+服务器实现 网络版贪吃蛇
贪吃蛇游戏的网络版 C++实现 使用到了多线程编程 数据格式规定 对象|动作|参数 1.对象–蛇，食物 蛇:1 食物:2 2.动作–产生，移动，变长 产生:1 移动:2 变长:3 3.参数–根据不同的对象，不同的动作有不同的参数 产生蛇：长度，坐标

2022-05-09

出上联对下联 AI人工智能对春节对联 （python+pytorch+Transformer+BiLSTM+ATTN+CNN）
介绍博文：https://blog.csdn.net/air__Heaven/article/details/122696876 使用了：python+pytorch+Transformer+BiLSTM+ATTN+CNN 自己出上联，AI可以对出下联 运行 preprocess.py 进行数据预处理（已经训练好了，可选择忽略） 运行 main.py [-m model type] 进行训练（已经训练好了，可选择忽略） 运行 clidemo.py <-p model path> 可在控制台进行AI对对联 运行 webdemo.py <model path> 可在Web端进行AI对对联 命令行参数的详细说明见文件内，你也可以在 module/model.py 中定义你自己的模型。 Using Docker：docker pull wisedoge/coupletai

2022-04-25

AttnGAN文本生成图像模型 已预训练+训练好的模型 python3版本
已经配置好了预训练模型和训练好的模型 已经配置好了下载为鸟类预处理的元数据 除了没有CUB-birds的图像数据集，其他文件都已经下载并配置好了。 AttnGAN: Fine-Grained TexttoImage Generation with Attention（带有注意的生成对抗网络细化文本到图像生成）的代码复现 下载后需要安装环境 >pip install python-dateutil > pip install easydict > pip install pandas > pip install torchfile nltk > pip install scikit-image 可能需要额外安装的环境，根据提示进行补充： > pip install torchvision

2022-04-02

云计算应用实验报告 武汉理工大学云计算应用 hadoop单机模式和伪分布式
1、hadoop单机模式和伪分布式 2、hadoop集群 3、hadoop运行WordCount程序 4、编码实践并在Hadoop上运行 题目：输入两个文件，一个代表工厂表，包含工厂名列和地址编号列；另一个代表地址表，包含地址名列和地址编号列。要求从输入数据中找出工厂名和地址名的对应关系，输出“工厂名——地址名”表，按工厂名排序输出。数据文件自己设计样例。

2022-02-23

51单片机实现围棋 单片机围棋实验
51单片机实现围棋 单片机围棋实验

2022-02-27

程序员浪漫--恋爱计时器（动画网页 表白 告白七夕礼物）
html++css+js 做的恋爱计时器网站 网页点开后，效果如下 第一部分用动画显示对她想说的话、表情符号与当前时间； 第二部分显示恋爱了多久； 第三部分引用一段台词或者情诗。

2021-09-14

PyTorch-Inception Moudel GPU版本 B站 刘二大人第11讲卷积神经网络(高级篇-1)GPU版本
原理是基于B站 刘二大人 ：传送门PyTorch深度学习实践——卷积神经网络(高级篇) 这是Inception Moudel的pytorch实现，并且实现了在GPU上运行

2022-01-20

新年用Python与人工智能一起写春节对联

使用了：python+pytorch+Transformer+BiLSTM+ATTN+CNN 自己出上联，AI可以对出下联 运行 preprocess.py 进行数据预处理（已经训练好了，可选择忽略） 运行 main.py [-m model type] 进行训练（已经训练好了，可选择忽略） 运行 clidemo.py <-p model path> 可在控制台进行AI对对联 运行 webdemo.py <model path> 可在Web端进行AI对对联 命令行参数的详细说明见文件内，你也可以在 module/model.py 中定义你自己的模型。 Using Docker：docker pull wisedoge/coupletai

2022-01-26

PyTorch-ResidualBlock GPU版本 B站 刘二大人第11讲卷积神经网络(高级篇-2)GPU版本
原理是基于B站 刘二大人 ：传送门PyTorch深度学习实践——卷积神经网络(高级篇) 这是ResidualBlock的pytorch实现，并且实现了在GPU上运行

2022-01-20

词法分析 编译原理实验/课程设计（C++实现）
本资源是编译原理实验-词法分析，用c++语言实现，包括mysource.txt 、mytext.txt、output.txt和词法分析.cpp文件，能够实现词法分析功能 设计要求：创建一个词法分析程序，它支持对正规文法的分析。必须使用DFA（确定性有限自动机）或NFA（非确定性有限自动机）来实现这一项目。该程序的输入是一个文本文件，包括一组由该正规文法产生的产生式以及待识别源代码字符串。该程序的输出是一个符号表（二元式），它由5种类型符号：关键词，识别符，常量，界符和操作符。 用子集法将NFA转化为DFA。 配套博文：https://blog.csdn.net/air__Heaven/article/details/120181471

2021-09-08

语法分析 编译原理实验/课程设计（C++实现）
本资源为编译原理 语法分析C++代码实现，使用codeblocks或者vs即可运行 设计要求：创建一个语法分析程序，它采用LL（1）方法或LR（1）方法。该程序的输入是一个文本文档，包括一组2型文法（上下文无关文法）的产生式和任务1程序输出的符号表。任务2的输出是一个YES或NO，即源代码字符串是否符合本2型文法。

2021-09-08

基于单片机的红绿黄灯设计（单片机实验交通灯设计）
利用单片机设计一个红绿灯，实现了数显倒计时与灯光变换，其中30秒红灯，25秒绿灯，5秒黄灯，实现东西与南北灯光变换，符合红绿灯逻辑。（所有时间也可以修改。） 芯片采用：MSP430F249、74HC573 交通灯采用：trafficlight组件 数显采用：两位数共阴极的数码管 配套博文预览效果：https://blog.csdn.net/air__Heaven/article/details/120481520

2021-09-26

C++课程设计报告 家庭财务管理系统 面对对象实验报告.docx
家庭财务管理系统C++课程设计报告，包括问题描述、需求分析，总体设计、详细设计和小结，报告共17页。 问题描述：系统具有帐务处理的一般功能，包括家庭月收入管理、月支岀管理、并能按年、月统计 家 庭收入 总和与 支 岀 总和 可 按月支出费用进行降序排序 同时 系统 提供收 入或支出 的添 加、修改、删除操作。

2021-11-10

计算机网络课程设计报告：基于SMTP协议的模拟邮件系统
本文是 基于SMTP协议的模拟邮件系统的 课程设计报告 全文包括：设计内容、需求分析、系统总体设计（系统功能模块设计、系统数据库总体设计、）、数据库设计、系统功能设计与实现、总结与反思（问题及解决问题、收获、不足与反思、思考与认识） 如： 二、系统总体设计 2.1 系统功能模块设计 本模拟邮箱系统主要分为注册、登录、查看和更改个人注册信息、发送邮件、查看收件箱五大模块。用户注册并登录后，可查看个人注册信息、修改个人信息、绑定自己的公网邮箱后，可以向任意邮箱发送邮件、可以查看自己的收件箱等等。 2.2 系统数据库总体设计 本系统的总体目标是为了实现邮件的发送与收取。其中主要是用户登录并与公网邮箱绑定后，使用SMTP协议向其他邮箱发送邮件、查看收件箱并对收件进行回复，系统所涉及到的数据存储表 配套博文：https://blog.csdn.net/air__Heaven/article/details/119872245

2021-08-09

编译原理 词法分析语法分析课程设计报告（C++实现）.doc
包括：设计目的、设计要求、开发环境、分析器模型图、设计原理、框架图、分析过程、主要函数、运行结果 (1)词法分析： 创建一个词法分析程序，它支持对正规文法的分析。必须使用DFA（确定性有限自动机）或NFA（非确定性有限自动机）来实现这一项目。该程序的输入是一个文本文件，包括一组由该正规文法产生的产生式以及待识别源代码字符串。该程序的输出是一个符号表（二元式），它由5种类型符号：关键词，识别符，常量，界符和操作符。 (2)语法分析： 创建一个语法分析程序，它采用LL（1）方法或LR（1）方法。该程序的输入是一个文本文档，包括一组2型文法（上下文无关文法）的产生式和任务1程序输出的符号表。任务2的输出是一个YES或NO，即源代码字符串是否符合本2型文法。

2021-09-08

代码还原谷歌彩蛋小恐龙游戏 免费下载（html+css+js）
代码还原谷歌彩蛋小恐龙游戏（html+css+js） 谷歌的chrome浏览器有一个小彩蛋，在断网时打开chrome浏览器会出现一只小恐龙，按下空格键，就可以开始游戏了

2021-09-25

计算机网络课设 模拟邮件系统模块设计图
计算机网络课设 模拟邮件系统模块设计图 图像用visio制作，展示一款模拟邮件系统的模块设计

2021-08-11

layui-progress+element+jquery+js设计一个动态进度条
众所周知，进度条是一种烦人的东西╭(╯^╰)╮，本文件使用layui-progress+element+js写了一个糊弄人的进度条，供大家学习。

2021-09-04

物品使用成本计算器小工具 基于React+Typescript
成本计算器包括以下核心功能： 物品信息录入：用户可以输入物品的基本信息，比如名称、购买价格、购买日期等。 使用时长计算：根据购买日期和当前日期，自动计算物品的使用时长（天、月、年）。 日均成本计算：根据购买价格和使用时长，自动计算日均持有成本。 成本趋势分析：展示物品的日均成本随时间变化的趋势，帮助用户了解物品的“贬值”情况。 多物品管理：支持添加多个物品，用户可以对比不同物品的日均成本。 界面简洁：界面清晰易懂，操作简单。

2025-03-03

diffusers-0.30.0.dev0-py3-none-any.whl
diffusers-0.30.0.dev0-py3-none-any.whl

2024-08-06

配置好的Oxford-102 Flower数据集 花卉数据集-DFGAN
本文件为配置好的Oxford-102 Flower数据集，可直接用于DF-GAN2022版本的训练测试，也可以根据文件夹来替换为自己的数据集进行训练。文件夹包括：图像数据集、文本数据集、flower_val256_FIDK0.npz、flower_text_encoder250.pth、flower_cat_dic.pkl、cat_to_name、captions_DAMSM.pickle、captions.pickle文件。 Oxford-102 Flower是牛津工程大学于2008年发布的用于图像分类的花卉数据集 **数据量**：8189张图像组成的数据集，这些图像被划分为103个花卉类别，都是英国常见的花卉。数据集分为训练集、验证集和测试集，训练集和验证集各包含10个图像，测试集由剩余的6129张图像组成（每类至少20张）。 **种类**：每个类包含40到250个图像，百香花的图像数量最多，桔梗、墨西哥紫菀、青藤、月兰、坎特伯雷钟和报春花的图像最少，即每类40个，图像被重新缩放，使最小尺寸为500像素。

2024-02-18

Oxford-102 Flower配置数据包
Oxford-102 Flower是牛津工程大学于2008年发布的用于图像分类的花卉数据集 本文件为Oxford-102 Flower对应的配置数据包，包括的是训练花数据集以及测试数据集训练效果的必要配置文件，基本适用于文本生成图像相关模型，完全适用于DF-GAN2022版代码以及其延伸模型，文件夹包括： flower_val256_FIDK0.npz、flower_text_encoder250.pth、flower_cat_dic.pkl、cat_to_name、captions_DAMSM.pickle、captions.pickle文件

2024-02-18

我的三合一游戏站项目（AI虚拟女友、文字版王者荣耀、女儿养成类游戏）-基于文心千帆ERINE-Bot4的三合一游戏站
使用方法： 1、解压项目，两个文件夹，wenxin-express为后端，wenxin-vue3-fe-master为前端。 2、打开wenxin-express，使用vscode终端cd进入项目目录，输入npm i安装依赖，然后输入node app.js启动项目； 3、打开wenxin-vue3-fe-master，使用vscode终端cd进入项目目录，输入npm i安装依赖，然后输入npm run dev启动项目； 4、在浏览器中输入http://localhost:5173/ 进入网页开始游戏。 大模型三合一游戏站项目是基于文心千帆ERINE-Bot4的一个创新性项目。该项目包括了三个游戏，分别是AI虚拟女友、文字版王者荣耀和女儿养成类游戏。 在AI虚拟女友中，用户可以体验到一种仿真的情感互动，能够理解用户的语言并做出相应的回应，提供陪伴和娱乐。 在文字版王者荣耀中，玩家可以通过交流指令和战术来指导自己的角色，在虚拟的游戏世界中体验策略和协作的乐趣。 在女儿养成模拟器中，扮演一个虚拟父母的角色制定计划、参与活动等方式来培养和引导女儿的成长。

2023-11-12

一键文生图-本地SD文本生成图像应用
一键文生图-本地SD文本生成图像应用

2023-11-01

类肯德基自助点餐系统01(Vue3.2 + Vite + TS + Vant + Pinia + MongDB）Vue H5项目
本资源为类肯德基自助点餐系统0.1.0版本： 1、【重要提醒】0.1.0版本实现了项目初始化与搭建，是一款非常适合起步的脚手架，可供学习； 2、使用的技术栈为Vue3.2+Vite+TS+Vant+Pinia+MongoDB； 3、0.1.0版本已成功搭建Less、Vant、vw适配方案、Vue Rotuer、Pinia和Axios； 4、项目在gitee同步更新，请点个star：https://gitee.com/airheaven/kfg-vue 使用方法： 1、解压文件包，放入VSCode； 2、终端cd进入项目，使用npm install建立依赖 3、npm run dev启动项目

2023-03-04

类肯德基自助点餐系统03 - 商品与购物车逻辑设计
本资源为类肯德只因自助点餐系统0.3.0版本： 1、【重要提醒】0.3.0版本实现了对象类型的设计、商品页面设计、购物车设计，具有商品列表的界面、购物车列表页面，购物车弹出层增减、金额计算、清空、导航栏与右侧商品联动等功能，已经初步具备一个点餐系统的部分功能； 2、使用的技术栈为Vue3.2+Vite+TS+Vant+Pinia+MongoDB； 3、项目正在gitee同步更新，请点个star：https://gitee.com/airheaven/kfg-vue 使用方法： 1、解压文件包，放入VSCode； 2、终端cd进入项目，使用npm install建立依赖 3、npm run dev启动项目

2023-04-04

类肯德基自助点餐系统02 - 页面布局(Vue3.2 + Vite + TS + Vant + Pinia + MongoDB）
本资源为类肯德只因自助点餐系统0.2.0版本： 1、【重要提醒】0.2.0版本实现了商品页面的初步设计、轮播图的展示、标题栏、导航栏和商品页面的布局设计； 2、使用的技术栈为Vue3.2+Vite+TS+Vant+Pinia+MongoDB； 3、项目正在gitee同步更新，请点个star：https://gitee.com/airheaven/kfg-vue 使用方法： 1、解压文件包，放入VSCode； 2、终端cd进入项目，使用npm install建立依赖 3、npm run dev启动项目

2023-03-15

FID预训练好的模型 针对COCO的FID预训练模型 文本生成图像定量指标模型
这是FID预训练好的模型，针对coco的文本生成图像定量指标训练好的模型 复现步骤请看：https://blog.csdn.net/air__Heaven/article/details/124751665 CUB-Bird的FID预训练好的模型，请看：https://download.csdn.net/download/air__Heaven/85362542

2022-12-05

web端云监工系统（Vue3+Element plus+TS+Pinia）
项目技术栈 - Vue 3.2.13 - Element-Plus 2.1.10 - Vue-Router 4.0.3 - Pinia 2.0.13 - Axios 1.2.0 - Mitt 3.0.0 - TypeScript、TRTC、Less-loader、... 输入`npm i`自动配置项目相关依赖，然后输入`npm run serve`启动服务。也可以直接`npm start`。

2022-11-28

数据挖掘——移动平均预测道琼斯、纳斯达克、标准普尔指数
本资源使用移动平均预测道琼斯、纳斯达克、标准普尔指数——Python中的基本数据操作和可视化，压缩包里包括S&P、Dow、Nasdaq数据集和代码。 移动平均⼜称移动平均线，简称均线。作为技术分析中⼀种分析时间序列的常⽤⼯具，常被应⽤于股票价格序列。移动平均可过滤⾼频噪声，反映出中⻓期低频趋势，辅助投资者做出投资判断。

2022-08-17

琼斯、纳斯达克、标准普尔指数-数据挖掘数据集包
资源包括琼斯、纳斯达克、标准普尔指数 列表名为：Date、Open、High、Low、Close、Adj Close、Volume 用于简单移动平均预测道琼斯、纳斯达克、标准普尔指数

2022-08-16

SSAGAN预训练的 DAMSM 模型
SSAGAN预训练的 DAMSM 模型，包括文本编码器text encoder和图像编码器image encoder，其中text encoder是双向LSTM模型，image encoder是CNN模型。在文件中均已经预训练好了的第200轮。 下载后将其上传到 DAMSMencoders目录下并进行解压

2022-07-24

文本生成图像SSA-GAN -CUB鸟元处理数据包
本资源是文本生成图像的SSA-GAN模型复现过程中必备的鸟数据集元处理数据包。包括test、text、train、example_filenames.txt、example_captions.txt、captions.pickle等数据。

2022-07-24

文本生成图像DF-GAN -CUB鸟元处理数据包
本资源是文本生成图像的DF-GAN模型复现过程中必备的元处理数据包，包括DAMSMencoder的imageencoder和textencoder，FID评估使用的npz，class_info.pickle文件、filenames.pickle文件。 复现步骤请查看：https://blog.csdn.net/air__Heaven/article/details/125467190

2022-06-28

R分数复现 R-precision评估指标定量实验工程文件 文本生成图像R分数定量评估实验代码
本压缩包是文本生成图像里的 R分数实验代码 R-precision评估指标定量工程文件，可以用来评估文本与图像的对齐性（即生成的图像是否符合文本），工程包括build_RPdata.py、config.py、encoder.py、eval_Rprecision.py、all_texts.txt。 运行时： 1.先更改参数，将文件位置改成你已经生成好的图像的位置 2.运行build_RPdata.py，生成RPdata的数据，即每个数据是一个图像+n条句子 3.运行eval_Rprecision.py，评估图像与文本的对齐度 4.还可以更改R值，继续3进行各种实验

2022-06-12

FID预训练好的模型 针对CUB-birds的FID预训练模型 文本生成图像定量指标模型
这是FID预训练好的模型，针对CUB-birds的文本生成图像定量指标训练好的模型 FID分数用于根据预训练网络提取的特征，测量真实图像分布和生成图像分布之间的距离。真实图像在空间中是服从一个分布的（假设为正态分布），而GAN生成的特征也是一个分布，GAN做的事情就是不断训练使这两个分布尽可能的相同。FID就是计算这两个分布直接的距离，使用的距离算法叫做Frechet distance。

2022-05-13

已经训练好的DF-GAN 600轮epoch生成器CUB-birds模型 文本生成图像模型
这个是已经训练好的DFGAN，针对CUB的生成器模型，训练轮数601轮 默认bird.yml： CONFIG_NAME: 'bird' DATASET_NAME: 'bird' DATA_DIR: '../data/bird' GPU_ID: 0 WORKERS: 1 B_VALIDATION: True # True # False loss: 'hinge' TREE: BRANCH_NUM: 1 BASE_SIZE: 256 TRAIN: NF: 32 # default 64 BATCH_SIZE: 24 MAX_EPOCH: 601 NET_G: '../test' TEXT: EMBEDDING_DIM: 256 CAPTIONS_PER_IMAGE: 10 DAMSM_NAME: '../DAMSMencoders/bird/inception/text_encoder200.pth'

2022-05-12

文本生成图像 IS分数预训练模型 inception model预训练CUB-Bird模型
预训练好的inception model 是StackGAN 用来于鸟评估的inception score模型 也可以用于AttnGAN、DF-GAN等等文本生成图像模型当中 主要用于评估图像质量

2022-05-12

查看更多

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章？
取消 删除