- 博客(1461)
- 资源 (2)
- 收藏
- 关注
RSS订阅
原创 Vision Transformer（ViT）
是一种把的神经网络模型，2020 年由 Google 在论文《An Image is Worth 16x16 Words》中提出。。
2026-09-22 16:42:41
323
原创 LangGraph4j实战AIagent
我的需求：我的系统有5个表，每个表存着血压、血糖、血脂、尿酸、体温数据，用户可以随意问系统关于血压、血糖、血脂、尿酸、体温数据之间的问题。（列入趋势，变化，生成报告等等）
2026-09-16 15:21:00
98
原创 ONNX Runtime
ONNX Runtime 是 ONNX 模型的官方级高性能推理引擎。你训练模型时用什么框架都行，只要导出成 ONNX，就可以用 ONNX Runtime 在 Java、Python、C++ 等环境中加载执行。它不负责训练，只负责把模型跑起来，并且尽量跑得快、跑得跨平台。补充：什么是边缘设备？
2026-09-15 16:52:28
109
原创 YOLOv8 双模型安防监控系统（含事件统计）
用 Fight-Violence-detection 数据集（把 Violence 类重命名为 fight，NonViolence 不标）已内置 Windows / Linux / macOS 的本地库，无需单独安装。，代码中已用 try-with-resources 确保释放。（intrusion、fight、abandoned_*）：同一位置网格内，可直接从 COCO 数据集提取，或用任何包含行人的监控数据集。限制堆内存，ONNX Runtime 用的是本地内存。做离散化，避免同一目标反复触发。
2026-09-14 17:37:09
201
原创 哨兵系统设计
边缘盒收到信号，先做初步判断：频率特征不像风、不像动物，更像有人触碰铁丝网。：Java 17 + Spring Boot 3 / Spring Cloud，或 Go + Gin。：ZLMediaKit / SRS，支持 RTSP 转 WebRTC/HLS/FLV。：即使此时断网，边缘盒依然完成了告警、录像、抓拍、本地存储。目标离开探测区，边缘盒结束事件，上传完整视频片段和轨迹。事件结束后，云端生成火灾报告，统计当月火灾次数、总时长、平均置信度。雷达探测到“低慢小”目标，速度 15 m/s，高度 50 米。
2026-09-14 16:40:38
322
原创 逻辑回归与线性回归的本质
先记录一个概念：什么是超平面？就是把空间一分为二的一个平面，一维空间超平面是一个点，二维空间超平面是一条线，三维空间超平面是一个面，四维空间超平面就是一个三维。。。。。。总之，n维空间的超平面就是n-1维的面。
2026-09-10 17:56:54
201
原创 bert的架构解析
任务输入用的向量数学操作输出形式文本分类取[CLS]的 2维向量一次线性变换 + Softmax每个类别的概率（如好评61%）命名实体识别每个词的 2维向量（独立算）每个位置独立做线性变换 + Softmax每个词对应各类别的概率抽取式问答段落中每个词的 2维向量两组线性变换（起点/终点） + Softmax，再组合最优起止位置组成的答案片段微调bert，微调就是在预训练好的顶部，接几层我们上面手算的这种“乘加（矩阵乘法）”运算。
2026-09-09 17:39:35
165
原创 深入sigmod和relu
正因为 Sigmoid 梯度极小且非稀疏，它在深层网络中不适合作为隐藏层的激活函数（会梯度消失），但它输出范围在 (0,1)(0,1)，完美对应概率，所以最适合作为二分类输出层的激活函数而 ReLU 梯度恒定 1、计算快，是隐藏层（尤其是深层卷积网络）的绝对主流选择，只是需要注意设置较小的学习率以防止“神经元坏死”。隐藏层优先用 ReLU（或其变体 LeakyReLU），输出层做二分类用 Sigmoid。
2026-09-09 17:22:24
588
原创 图像自编码器dVAE
这种转化不仅大幅压缩了数据，更重要的是，它让擅长处理离散序列（如文本）的Transformer模型也能理解和生成图像，从而为多模态AI的发展铺平了道路。（如PixelCNN或Transformer）来学习这些编码的分布，从而生成新的编码，最后由VQ-VAE的解码器将其解码为图像。它像一位“翻译官”，把机器难以直接理解的“像素语言”，翻译成了 Transformer 这类模型擅长的“离散符号语言”。：系统不仅要把图像变成“单词”（编码），还要能把这些“单词”重新组合，还原成一幅图像（解码）。
2026-09-08 17:22:16
359
原创 transformer掩码注意力机制和交叉注意力机制
现在我们有了最终矩阵，但我们只关心最后一个词（I的那一行向量（也就是矩阵的第1行）。线性层（Linear）：把这个2维向量乘以一个巨大的权重矩阵，映射到整个英文词典的大小（比如5万个词），得到5万个分数（Logits）。Softmax：把这5万个分数变成概率（加起来等于1）。选取结果：模型发现“love”这个词的概率最高（比如0.95），于是输出单词love。
2026-09-07 16:34:01
309
原创 transformer编码器部分流程
步骤 2：自注意力（Q、K、V 计算、得分、Softmax、加权求和、拼接）。这就是transformer编码器部分！步骤 3：Add & Norm（层归一化）。步骤 5：Add & Norm（层归一化）。步骤 1：嵌入 + 位置编码（简化）。，手算会算到天荒地老。步骤 4：前馈网络（FFN）。（真实是12层，过程完全重复）：“我 爱 苹果”（3个词）真实BERT的向量维度是。
2026-09-03 15:42:38
194
原创 transformer详细记录
解码器每生成一个英文词，都会拿着当前的“问题（Q）”去编码器储存的“记忆（K、V）”里翻找对应的中文片段，从而保证翻译的准确性。查询（Q）来自解码器上一层的输出，键（K）和值（V）来自编码器的最终输出（即源序列特征）。（如ReLU、Sigmoid）。具体到“我”这个词：它会生成 Q（查询），去匹配“叫”、“惠”、“涛”的 K（键）。经过加权求和，“我”的新向量不再只代表自己，而是融合了“叫”和“惠涛”的信息，表示。“我”对“惠”和“涛”也有权重，但“惠”和“涛”之间的权重最高（因为是完整人名）。
2026-09-02 17:58:45
238
原创 层归一化（Layer Normalization，简称 LN）和批归一化（Batch Norm）流程
对比维度求均值方向竖着求：对Batch中所有样本的同一个特征求平均横着求：对同一条样本的所有特征求平均手算例子对 [2.0, 1.0, 0.0] 求均值得 1.0对 [2.0, -1.0, 3.0, 0.0] 求均值得 1.0依赖Batch大小强依赖。Batch越小，估算的均值和方差越不准不依赖。每条样本独立计算训练/推理是否一致不一致。推理时必须使用预先存好的全局滑动平均值一致。推理时实时计算当前样本的均值和方差适用场景计算机视觉（CV），且Batch较大（如32以上）
2026-09-02 17:31:56
190
原创 ArcFace的使用
arcFace的使用场景：ArcFace的核心是一个强大的，它能够将任何输入的人脸图像，转化为一个具有强区分度的特征向量（Embedding）。基于这个特性，它的应用早已超越了“人脸识别”本身，延伸到了许多需要“区分不同个体”或“识别细微差异”的领域。
2026-09-01 16:58:47
309
原创 从Stylegan2到StyleGAN-V
方案核心思想优点缺点TGAN双生成器：先规划轨迹，再生成帧结构清晰，易于理解生成质量相对有限StyleGAN-V连续运动表示 + 整体判别器质量极高，可生成任意长视频实现复杂，训练成本高+ 光流损失直接约束像素运动轨迹最有效地消除闪烁，保证动作连贯需要额外的光流计算模型进阶建议使用RAFT：将中的简化光流替换为预训练的RAFT模型，效果会有质的飞跃。引入身份损失：结合ArcFace等模型，在训练时加入身份一致性损失，进一步确保“同一个人”的身份保持。
2026-09-01 16:26:26
184
原创 SAGAN升级为StyleGAN2（看效果）
需求1：输入随机噪声z和年龄，输出随机身份的人脸。需求2：输入自己的照片，然后控制年龄从小到老的变化。StyleGAN2完全可以控制身份，而且这是它最核心的优势之一。通过其独特的映射网络（Mapping Network） 和解耦的中间隐空间（W空间），StyleGAN2实现了对生成图像高层属性（包括身份、年龄、姿态、表情等）的独立控制。本demo使用CIFAR-10数据集模拟年龄（将10个类别视为从0到9岁的离散年龄，并归一化为连续值）。
2026-09-01 16:04:35
165
原创 可以做年龄编辑的gan对抗网络（SAGAN）
把这 10 张（或更多年龄段）图片按顺序拼接，用 OpenCV 或 FFmpeg 导出为 MP4，就能看到“一个人”的年龄变化过程。：模型只学了 10 个离散年龄段（0~9），直接切换标签会导致五官突然“跳变”，无法生成 18岁→18.5岁 这种细腻变化。如果连续年龄回归，会更加的丝滑，接下来我们将修改一版连续年龄回归的代码，还是在这个的基础之上进行！，比如用预训练的 ArcFace 提取人脸特征，约束不同年龄帧的特征向量尽量接近。，会生成固定噪声下不同年龄的人脸图片，实现“编辑年龄”的效果。
2026-09-01 15:20:28
246
原创 BLIP2的Q-Former原理介绍
Q-Former的输出会通过一个全连接层，投影到与LLM文本嵌入相同的维度，作为“软视觉提示”输入给LLM。它需要将图像编码器生成的高维特征（如257×1024），通过32个查询向量“蒸馏”压缩成低维的固定表示（32×768）。整个过程，只有Q-Former的参数被训练，而庞大的图像编码器和LLM始终保持冻结，从而实现了高效的多模态理解。（参数不参与训练）的预训练图像编码器和大型语言模型（LLM）之间搭建一座桥梁，实现跨模态的信息对齐与交互。：Q-Former的輸出被转换成LLM能理解的“软提示”。
2026-09-01 15:07:38
369
原创 CapFilt的基本原理
CapFilt（字幕与过滤）是BLIP中用来解决网络图文数据噪声问题的关键机制。是一个统一的视觉语言预训练（VLP）框架。它的核心设计理念是打破传统模型在“理解”和“生成”任务上只能二选一的局限，旨在用一个模型同时精通这两类任务。
2026-08-31 17:40:25
316
原创 AIGC的发展历程及重要技术
现代LLM的本质就是如此：它不“理解”世界，而是基于海量数据学习到的庞大、复杂的概率分布，来预测最可能出现的下一个词（或图像块、音频片段）。：这是Transformer的灵魂，它让模型在处理一个词（或图像的一块）时，能够直接“关注”到输入序列中所有其他位置的信息。这个阶段是AIGC所有概念的源头，虽然技术能力有限，但奠定了“机器可以模仿人类创造”的思想基础。并不是理解，而是学习了更多下一个词出现概率的大小，这就是所谓的模型推理的本质！正如你所洞察的，视频生成是在图像生成的基础上，增加了一个“
2026-08-31 14:52:08
396
原创 Stable Diffusion是如何生成视频
LoRA 则是在这个通才的基础上，用非常少量的特定图片（比如某位画师的作品、某个角色的照片）进行“专项特训”。在没有 ControlNet 之前，想让 AI 生成一个特定姿势的人物，需要在提示词里写一大堆描述，然后“碰运气”生成大量图片来挑选。这导致计算量巨大，生成一张图需要非常昂贵的显卡和极长的时间。的“潜空间数据”，在这个高度压缩的空间里进行扩散去噪运算，最后再用“解压器”把数据还原成高清大图。通过这种方式，你可以精确控制画面中人物的动作，从简单的站立、行走，到复杂的舞蹈、格斗动作都能实现。
2026-08-28 17:13:43
231
原创 Stable Diffusion技术
Stable Diffusion 是一款开源的、强大的 AI 图像生成模型，它能根据你输入的文本描述，生成高质量的图片、视频和动画。它最大的特点是可以免费部署在你的个人电脑上，让你对创作过程拥有极高的控制权。Stable Diffusion 的功能远不止“文生图”那么简单，它是一个完整的图像创作工具箱：Stable Diffusion 强大和高效的核心在于其“潜在扩散模型 (Latent Diffusion Model, LDM)”。你可以这样理解它的工作流程：上手 Stable Diffusion 主要有
2026-08-28 14:01:20
869
原创 CycleGan的使用
你的需求建议方案必须精准控制类别（指定猫/狗/人）放弃原版DCGAN，直接学习条件GAN（CGAN）或AC-GAN。代码改动不大，只是在输入层把标签和噪声拼接在一起。想控制细微属性（微笑/年龄/眼镜）建议直接学习StyleGAN系列，它的潜在空间解耦性极好，天生就适合做属性编辑。只是好奇，想试试水跑通DCGAN后，固定随机种子（），观察生成结果，感受一下“随机性”。
2026-08-27 17:49:39
307
原创 生成对抗网络的变体版本
StyleGAN（及其升级版StyleGAN2、StyleGAN2-ADA）是目前最主流的选择，它本身是一个高质量的人脸生成器，但研究者们发现可以通过操控其内部的“潜在空间”（Latent Space）来精确控制生成人脸的各种属性。：一个框架，包含一组转换函数，用于在预训练好的GAN（如StyleGAN）的潜在空间中进行属性编辑，支持包括年龄和性别在内的多种属性。：一个较新的框架，结合了潜在扩散模型，能进行包括年龄、性别、表情在内的多属性、高分辨率的人脸编辑。
2026-08-27 10:27:06
206
原创 Spring AI 构建一个简单聊天的功能（deepseek）
中引入 Spring AI 的 OpenAI Starter。文件中，配置你的 DeepSeek API Key 和接口地址。创建一个 Spring Boot 项目（使用。创建一个 Controller，注入。
2026-08-26 17:44:17
253
原创 spring ai和Langchain4j对java的支持
为了拥抱 Spring Boot 3.x 和 Java 的新特性（如 Records），LangChain4j 将。但需要注意的是，使用过时的版本可能无法获得最新的特性和安全修复。所以，LangChain4j 的优势在于为遗留系统提供了一个“向下兼容”的选项，而不是在新版本上要求更低。绝大多数都是免费使用OpenJDK，少数金融和电信强监管的星爷才需要官方。幸运的是，你完全不必被 Oracle 的收费模式困住。，让它在这方面比 Spring AI 的门槛更低。的最新版本，获得最好的性能和最新的功能支持。
2026-08-26 16:20:57
327
原创 Deep Java Library (DJL) 使用
将 PyTorch 模型转换为 TorchScriptDJL 加载 PyTorch 模型，要求模型必须是格式（.pt或.pth文件）。这是因为 TorchScript 是一种序列化的、可独立于 Python 运行的模型表示。
2026-08-20 17:36:48
253
原创 信号处理伪影消除的方法总结
脑电图（EEG）/ 脑磁图（MEG）：在头皮上贴32个、64个甚至256个电极。每个电极记录大脑电活动，这256条同步的时间曲线就是256通道数据。功能磁共振成像（fMRI）：大脑被划分为成千上万个微小立方体（体素）。每个体素随时间变化的BOLD（血氧水平依赖）信号曲线，就是一个通道，全脑就是上万通道的数据。多导睡眠监测（PSG）：同时记录脑电、眼电、肌电、心电、呼吸气流等多个生理指标，每个指标是一个通道。光谱/频谱分析：如果使用阵列式光谱仪或多探头检测器，不同空间位置的探头同时采集的频谱就是多通道数据。
2026-08-19 17:34:06
326
原创 java深度学习框架使用与部署总结
你可以像使用普通Java库一样，通过统一API加载PyTorch、TensorFlow等模型，内置的Model Zoo还提供了大量预训练模型。：由Oracle推出的企业级机器学习库，特点是API类型安全，并提供模型可解释性工具，适合对稳定性和合规性要求高的场景。这是目前最主流、最高效的方案。：当你已经有现成的TensorFlow模型，并希望在Java环境中进行部署和推理时，这是一个直接的选择。：专为Java开发者设计，提供原生Java体验，可像使用普通Java库一样构建、训练和部署模型。
2026-08-19 15:01:06
319
原创 行列式的计算
你必须在最后的结果前乘以 (−1)1=−1(−1)1=−1，因为你刚才交换了一次。假设你在解一个方程组，把系数矩阵的第1行和第2行交换了（为了主元好看），解出了答案 x=1,y=2x=1,y=2。只有行数与列数相等的矩阵（即方阵）才有行列式的定义，非方阵（如 m×n 且 m≠n）不存在行列式。行列式的定义：行列式是方阵对应的一个标量值，记作|A|或 detA，计算规则仅适用于 n 行 n 列的矩阵。矩阵乘以k倍，等于给矩阵每一行都乘以k倍，矩阵的行列式就相当于k的n次方，n是矩阵的级数！
2026-08-14 18:00:15
366
原创 高斯消元法解方程组编程
第1行: [ 0, 12, 5, 2 | 14 ] ← 原第3行换上来（主元变成 12，又大又稳！第3行: [ 0, 12, 5, 2 | 14 ] ← 下面 y=12（绝对值最大！第1行: [ 0, 3, 2, 1 | 5 ] ← 当前主元行（y=3，偏小）第0行: [ 1, 1, 1, 1 | 4 ] ← 第一列已消完，固定不动。第3行: [ 0, 3, 2, 1 | 5 ] ← 原第1行被换到下面。第0行: [ 1, 1, 1, 1 | 4 ] ← 固定不动。
2026-08-14 11:48:05
347
原创 克拉默解方程组编程
选择含零最多的行或列，利用公式 D=∑aijAijD=∑aijAij（代数余子式）降阶。通常结合“化三角形”一起用——：利用初等变换（某行乘以非零数加到另一行）将主对角线下方元素全部化为0。D不能为0，如果D=0，那么方程组会无解或者有无穷组解。若所有分子行列式（Dx, Dy, ...）都为 0 →。注意：交换两行会变号，某行乘k会使行列式变为k倍。若至少一个分子行列式不为 0 →。注意分子式就是Dx、Dy！如果是2元和3元建议使用。（直线/平面重合）。（直线/平面平行）。
2026-08-14 10:44:47
361
原创 神经网络损失函数总结
计算预测值与目标值之差的绝对值的平均值。：计算预测值与目标值之差的平方的平均值。：结合了L1和L2损失的优点，在误差小时类似L2，误差大时类似L1。：用于训练特征嵌入，使相似样本的距离近，不相似样本的距离远。时，传入模型的原始输出（logits）即可，无需手动添加。如果需要了解某个特定损失函数的详细用法，可以随时再问我。：在多任务学习中，可以将不同任务的损失函数加权求和。，直接接受未归一化的原始分数（logits）。：用于解决输入序列和输出序列长度不对齐的问题。：用于衡量两个概率分布之间的差异。
2026-08-12 17:32:51
401
原创 TTS和ARS的训练流程
指的是。它是在的多语言音频数据上训练出来的，这个数据量在当时是史诗级的。目前开源的版本有 tiny（极小）到 large（超大）多种规格。它不仅擅长英文，还支持包括中文、日文、法文等在内的的识别指的是一种，你可以把它理解为构建 ASR 模型的“配方”或“设计图纸”。TTS就是文字转语音，ARS就是语音转文字，相对来说ARS就比较复杂一些。
2026-08-12 17:15:39
355
MULTISAB 生物医学信号处理框架
2026-04-20
电影推荐数据集（包含三个部分测试数据以及向量生成）
2024-03-26
android和java实现mqtt消息推送
2018-04-13
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人