- 博客(583)
- 资源 (5)
- 收藏
- 关注
RSS订阅原创 大话大模型
实际大模型参考计算时，是先对当前token生成一个768维的Q 向量和K向量，Q（query）向量用于查询前后其他token，K（key）向量用于其他token向我查询，最后计算出最终词向量V（value）。分词完成后，就需要数字化，数字化的目的是携带尽量多的语义，怎么携带更多的语义和怎么介绍一个人是类似的，比如姓名武二，世界上可能有几千个武二，一个姓名你也不知道是哪个武二；计算机只能处理数字，从最早的二进制的0/1，到十进制、16进制，到二维数组，到多维向量，都是数字的不同方式。
2026-09-16 11:20:16
124
原创 Hermes Agent
稳定性：通过故障转移，确保长时间任务不因模型问题中断。经济性：通过主/辅助模型分工，让“好钢用在刀刃上”，优化成本。灵活性：通过 MoA 和热切换，让你能灵活应对各种复杂任务。轻量级模型在摘要任务上可以很出色。例如，在中文新闻摘要任务上表现优异，而则是一款专为摘要设计的专用模型，量化后仅约700MB。模型参数量特点与适用场景3B中文摘要能力强，显存占用可低于4GB1B专为摘要设计，量化后仅约700MB1.8B通用轻量模型，适合中文摘要任务80M谷歌出品，经典的轻量级文本生成模型。
2026-08-03 16:13:13
405
原创 SSB和TRS测量
简单来说，SSB测量像是UE进入网络的“初识”，通过SMTC窗口这个“约会时间”来认识和评估周围的小区，是移动性管理的基础。而TRS测量则是UE驻留小区后的“深交”，通过高密度的参考信号来时刻保持精准同步，确保数据传输的质量。
2026-08-03 11:57:59
432
原创 ComfyUI工作流原理--文生视频、图生视频
在 ComfyUI 中进行文生视频：AnimateDiff 路径：适合希望利用现有 SD 模型生态、追求风格多样性的用户，通过在文生图流程中插入 AnimateDiff Loader 并设置多帧 latent 来实现。SVD 路径：适合对动作连贯性和物理规律要求较高的场景，流程更接近图生图，以一张图为起点生成后续动态。
2026-06-25 21:54:17
564
原创 ComfyUi 工作流原理分析 -- 文生图、图生图
作为“画家”，是工作流中最核心的执行单元。它的作用，是在基础模型和下游的编码、采样节点之间，对模型和CLIP的权重进行微调，从而改变最终的生成效果。一个基础的图生图工作流，可以看作是在文生图的基础上，将“空白画布”（Empty Latent Image）替换为“从图片编码而来的画布”（Load Image + VAE Encode）。其核心思路是：将你提供的图片作为创作的“草稿”或“底稿”，通过一个名为 denoise（去噪强度） 的关键参数，来控制最终结果在多大程度上保留原图的样貌。
2026-06-25 21:27:33
374
原创 ComfyUI 安装目录结构
│ ├── 📁 input // comfyUI上传文件夹，当你使用了如**load image**节点，对应上传的图片会存储到这个文件夹。│ ├── extra_model_paths.yaml.example // 额外模型文件路径配置文件，如设置此项，请删除**.example** 后缀用记事本进行编辑。
2026-06-16 21:39:52
274
原创 comfyUI 学习文档
名副其实的“全攻略”，从环境搭建到节点操作、工作流调试都有覆盖，适合零基础用户-：从基础概念讲起，覆盖了安装配置、节点原理、模型应用、提示词技巧等，内容全面-。：非常全面的中文百科，内容从基础到高级都有覆盖，是很好的系统性学习起点-：内容由浅入深，包含安装配置、模型管理、节点扩展和报错排查等实用内容-。：一个偏实践的介绍性课程，帮助你理解文本到图像系统的工作原理-。：涵盖安装、界面、模型下载和多个实践案例，内容非常扎实-：包含基础教学视频，如安装、汉化、文生图工作流等-。
2026-06-16 19:48:47
433
原创 显存、内存、虚拟内存 于 大模型
画家面前的画板。所有正在绘制的作品和颜料都在这，存取速度极快，但画板面积有限且昂贵。：画家身后的工作台。放着颜料管、参考图、调色盘等，容量比画板大，需要时快速拿到画板上。：储藏室的货架。当工作台堆不下东西时，暂时把不用的放回储藏室，但来回去储藏室取东西会。在运行大模型时，这三者就是这样协同工作的，。
2026-06-11 20:23:16
297
原创 ComfyUi KSampler 参数调优详解
KSampler 是 ComfyUI 出图质量的核心节点。下面按参数逐项讲解含义、取值建议与调优思路。
2026-06-09 11:50:49
299
原创 ComfyUi 5070Ti显卡视频生成指南
探索官方示例工作流（尤其是图生视频），理解其节点构成和参数设置-。根据个人创作需求，调整提示词和参数，并重点学习其多尺度渲染工作流-。利用RTX 5070 Ti的FP4能力，挑战更高分辨率和更长的视频。
2026-06-08 21:38:19
1734
原创 ComfyUi 图片生成和视频生成的区别
总的来说，从图片到视频的工作量跃迁是全方位的。把 ComfyUI 的视频生成能力用好，更像是在运营一个需要精心调校的微型生产系统。新手入门：首先确保能将单张图片跑通、跑好，把 ComfyUI 的基础操作和参数搞明白。可以考虑从 SVD 这类流程固定的模型开始上手。硬核玩家：如果拥有 12GB 及以上显存-11的消费级显卡，可以深入探索 AnimateDiff 等社区模型，潜力巨大。对于追求影视级的专业人士，可借助 WAN 2.2 等新技术方案-，或在云端按需租用 A100 等高性能显卡。
2026-06-08 21:36:27
244
原创 ComfyUi SD1.5和SDXL
对比维度SD 1.5SDXL核心架构单 U-NetBase + Refiner 双模型语义理解中等出色（双文本编码器）生成质量优秀卓越，细节更丰富-4硬件门槛低(~4GB 显存)高(建议 12GB+)-生态成熟度非常成熟，插件丰富正在追赶，核心插件已基本可用-适用场景快速出图、低配硬件、二次元高质量商单、精细控制、高分辨率。
2026-06-08 21:04:47
320
原创 Hermes的自学习机制
核心维度关键机制核心引擎闭环学习循环 (Closed Learning Loop)主要产出技能自生成 (Skill Autogenesis)支撑架构分层记忆系统 (Layered Memory System)独特优势低成本进化(无需重训练大模型)能力边界依赖提示词工程，存在不确定性；高效但非完美开源社区怎么看？尽管Hermes的工程实现赢得了大量好评（GitHub上已超11万星标），但社区中也存在一些审慎的声音。实践者们积极拥抱。
2026-06-08 17:57:10
242
原创 Stable diffusion 工作原理
可以把想象成一个住在“压缩世界”里的“雕塑家”。它接收一段文字指令，然后在一块充满随机杂质的“信息原石”上，一步步精心雕琢，最终呈现出符合描述的精美作品。它的核心思想是将计算核心放在一个更高效的“压缩世界”里，这使得AI绘画的普及成为了可能。
2026-06-08 14:41:59
190
原创 llama.cpp 启动脚本
echo 3. 12GB显存 (Gemma 4 12B Q4)echo 1. 6GB显存 (Gemma 4 4B Q4)echo 启动 Gemma 4 12B Q4 多模态...echo 启动 Gemma 4 12B Q6 多模态...echo 启动 Gemma 4 12B Q8 多模态...echo 启动 Gemma 4 12B Q4...echo 启动 Gemma 4 12B Q6...echo 启动 Gemma 4 12B Q8...echo 启动 Gemma 4 4B Q4...
2026-06-08 10:47:14
423
原创 ComfyUI 的节点
ComfyUI节点系统分为基础核心节点和扩展生态两部分。核心节点是工作流的基础框架，包括模型加载（如CheckpointLoader）、文本编码（CLIPTextEncode）、图像处理（VAEEncode）和采样输出（KSampler）等关键模块，通过数据流连接实现文生图全流程。扩展节点则提供进阶功能，如视频生成（LTXVideo）、动态控制（AnimateDiff）和风格化（SDXLPromptStyler）等，大幅拓展创作可能性。使用时需注意节点间的数据类型匹配，并可通过右键菜单灵活调整参数输入方式。
2026-06-02 21:51:41
276
原创 XGBoost 的适用场景以及与 CNN、LSTM 的区别
XGBoost是一种高效的梯度提升决策树算法，特别适合处理结构化表格数据。其核心优势包括：自动处理缺失值、内置特征重要性评估、高效处理高维特征、训练速度快以及相对较好的可解释性。主要适用于分类、回归和排序任务，如客户预测、信用评分等。相比CNN和LSTM，XGBoost更适合结构化数据而非图像或序列数据，具有更快的训练速度和更强的可解释性，是表格数据任务的首选工具。
2025-08-12 21:46:42
1580
转载 神经网络结构——CNN、RNN、LSTM、Transformer
本文介绍了四种主要神经网络结构：CNN通过卷积和池化处理图像数据，擅长特征提取和降维；RNN通过循环连接处理序列数据，能存储历史信息；LSTM作为RNN的优化版本，通过门控机制解决长期依赖问题；Transformer基于自注意力机制，实现了并行计算和高效长序列处理。文章还介绍了BERT和GPT等Transformer的应用模型，展示了神经网络从单一特征提取到复杂序列处理的演进过程，以及在不同领域如机器翻译、情感分析中的应用优势。
2025-07-21 11:38:30
717
原创 机器学习入门知识
随着人工智能的发展，作为人工智能中的一个基础且重要的分支——机器学习也是愈发吸引大家来了解以及学习，那么在学习机器学习前，我们需要先来了解一下什么是机器学习，以及机器学习中涉及了哪些内容。
2025-01-17 17:45:08
2332
转载 LTE RRC 连接重建
1 概述RRC 重建目的是恢复RRC信令连接，减少掉线。 但是RRC在源小区重建过多会影响小区吞吐量和用户感知。 本文介绍了RRC重建定义，触发条件和RRC在源小区重建过多，RRC重建成功率低、、问题小区的处理 2 RRC 重建 定义与触发条件 2.1 RRC 重建的定义当处于RRC连接状态时，如果出现切换失败、无线链路失败、完整性保护失败、RRC重配置失败、情况，将会触发RRC连接重建过程。 该过程旨在重建RRC连接，包括S...
2024-10-24 21:38:05
2182
1
原创 视频超分技术是指什么？
超分辨率技术不仅可以应用在一些低分辨率的老片和手机拍摄的不清晰场景中，也可以对多次压缩的一些新电影进行恢复， 提高这些视频质量，给客户更好的观看体验。同时超分辨率技术还可以应用在清晰的视频源中，将视频的分辨率从1080P提高到4K，支持视频在更大的屏幕上播放， 提供更高清的视野。视频帧与帧之间存在着帧间压缩，而超分算法正是利用了这些帧间信息，从不同的角度进行还原重建，从而生成高分辨率的视频。总之，视频超分辨率在许多应用领域都有广泛的应用，包括高清视频重建、视频增强、监控系统、视频会议等。
2024-04-18 21:56:41
6881
转载 神经网络--模型介绍
全连接神经网络是深度学习最常见的网络结构，有三种基本类型的层: 输入层、隐藏层和输出层。当前层的每个神经元都会接入前一层每个神经元的输入信号。在每个连接过程中，来自前一层的信号被乘以一个权重，增加一个偏置，然后通过一个非线性激活函数，通过简单非线性函数的多次复合，实现输入空间到输出空间的复杂映射。正在上传…重新上传取消。
2024-04-12 18:03:55
5391
转载 什么是神经网络？--AWS
神经网络是一种人工智能方法，用于教计算机以受人脑启发的方式处理数据。这是一种机器学习过程，称为深度学习，它使用类似于人脑的分层结构中的互连节点或神经元。它可以创建自适应系统，计算机使用该系统来从错误中进行学习并不断改进。因此，人工神经网络可以尝试解决复杂的问题，例如更准确地总结文档或人脸识别。人工智能这一计算机科学领域，研究的是如何使机器具备执行需要人类智能的任务的能力。机器学习是一种人工智能技术，它将提供访问权限，使计算机能够访问非常大的数据集，并教授计算机如何通过这些数据进行学习。
2024-04-12 17:48:11
351
转载 通俗讲解神经网络和深度学习
但是传统的训练方式也就是我Part 2.2里面介绍的：随机设定参数的初始值，计算当前网络的输出，再根据当前输出和实际Label的差异去更新之前设定的参数，直到收敛。介绍深度学习就必须要介绍神经网络，因为深度学习是基于神经网络算法的，其实最开始只有神经网络算法，上文也提到2006年Geoffrey Hinton老爷子提出Deep Learning，核心还是人工神经网络算法，换了一个新的叫法，最基本的算法没有变。有些人总结完可以考很高的分，说明他总结的经验和方法是对的，他产出的的模型是一个好模型。
2024-04-11 20:43:52
806
转载 神经网络浅讲：从神经元到深度学习
让我们来看一个经典的神经网络。这是一个包含三个层次的神经网络。红色的是输入层，绿色的是输出层，紫色的是中间层（也叫隐藏层）。输入层有3个输入单元，隐藏层有4个单元，输出层有2个单元。后文中，我们统一使用这种颜色来表达神经网络的结构。图2神经网络结构图在开始介绍前，有一些知识可以先记在心里：1）设计一个神经网络时，输入层与输出层的节点数往往是固定的，中间层则可以自由指定；2）神经网络结构图中的拓扑与箭头代表着预测过程时数据的流向跟训练时的数据流有一定的区别；
2024-04-10 16:00:11
283
原创 公网穿透和RTC
经过上面四个步骤之后，便知道了客户端的公网地址以及所在的 NAT 情况，光知道 NAT 情况还没用，NAT 依旧会对请求进行拦截，STUN 还需要协调两个客户端对各自的 NAT 进行打洞，客户端才能穿越 NAT 完成连接建立，下面从简单到复杂举几个例子来说明 NAT 的打洞流程；这种情况下客户端 A 和客户端 B 往对方发送的数据都会被 NAT 丢弃，STUN 服务便会协调两个客户端，让它们先主动都往对方发送数据，在自己的 NAT 上留下对方的 “洞”，后续两个客户端便可以完成连接的建立了；
2023-11-27 16:58:44
865
转载 LTE物理层基础
上图很好地说明了信号是如何被映射到时频域的。其次，奈奎斯特采样率针对的是实信号，在变换后有正负两个频段的，因此我常说采样率要高于信号带宽的2倍，但实际上我们这里本身就是对复数信号的采样，20MHz带宽就是实实在在的20MHz带宽，不存在还有负的部分，因此30.72MHz绰绰有余，并且由于保护原因，20MHz带宽本身就没有用完，那就更加可以了。： 大家看到上图中的频谱分配后，不由会想每一段的频谱带宽是如何决定与分配的，比如1号FDD的分配，其分配带宽为60MHz，在这60MHz里面又是如何分配的。
2022-12-20 15:04:54
2004
1
原创 RACH Procedure Log Analysis
RACH：随机接入是与网络未同步的UE 去获取系统时序的过程。RACH有两种方式Contention-based和Non-contention based：1、基于竞争的，包含MSG1234；2、非基于竞争的，包含MSG123；
2022-09-15 10:58:25
1382
原创 RLF and OOS
RLF is declared only in connected mode when the link goes bad;> QXDM events are best way to pin-point RLF occurrences and their cause;> RLF can happen for multiple reasons. Examples are: >> Physical Layer Failure if hypothetical out-of-sync BLER>10%
2022-09-13 21:44:29
1487
转载 一文看懂LTE物理层是如何工作的
一、LTE开机及工作过程二、小区搜索及同步过程整个小区搜索及同步过程的示意图及流程图如下：1）UE开机，在可能存在LTE小区的几个中心频点上接收信号（PSS），以接收信号强度来判断这个频点周围是否可能存在小区，如果UE保存了上次关机时的频点和运营商信息，则开机后会先在上次驻留的小区上尝试；如果没有，就要在划分给LTE系统的频带范围内做全频段扫描，发现信号较强的频点去尝试；2）然后在这个中心频点周围收PSS（主同步信号），它占用了中心频带的6RB，因此可以兼容所有的系统带宽，信号以5m
2022-05-31 17:55:41
2112
转载 5G——SDAP层
1 概要本来是想继续上文对QoS的反射QoS进行介绍的，但是看了一下协议，SDAP协议和反射QoS形同一体，必须要先介绍一下SDAP协议才能比较好深入了解反射QoS机制；SDAP是5G新空口用户面新增加的一层协议，从其内容内来，可以认为SDAP协议是为了5G QoS而生的。从协议的体量来说的话，这是我见过的最简单最短小的协议了。我们先看一下SDAP在5G新空口用户面协议栈的位置，如下图：1.1 定义和简称QoS flow to DRB mapping rule：将一个QoS流的packet映
2021-11-15 21:50:31
6735
3
原创 5G QoS管理及与DRB映射关系
前言 无线网络是一个等级森严的体系，一直以来，无线资源都是紧张的，因而无线网络上的各种业务所享受的服务也无法平等。网络需要优先保障重要的业务。比如相比普通上网的数据业务，音视频数据业务的优先级会更高； 相比音视频数据业务，语音通话的优先级会更高； 相比语音通话，空口信令的优先级会更高。 为了对不同业务提供不同的服务质量，无线网络提供了QoS（Quality of Service），QoS管理是无线网络满足不同业务质量要求的控制机制，它是一个端到端的过程，需要业务在发起者...
2021-05-19 10:25:50
42487
10
原创 H264/H265 P帧帧内刷新
视频编码帧内刷新Intra refresh简介帧内刷新能够解决IDR过大带来的码流不平稳问题，传统的视频码流通常是IPPPIPPP码流结构，即每个GOP的第一帧为全Intra predicted(I 帧)，这样即使该GOP中某一帧丢失，最坏的情况下也只影响一个GOP内的帧，等到下一个GOP视频即可恢复正常，但是这种GOP结构码率不够平稳，在I帧的时候导致码率突然变高，非常不利于网络传输。帧内刷新技术可以使码率平稳，降低码流传输时延，并且仍然可以在传输出错的情况下快速恢复。帧内刷新原理帧.
2021-03-04 17:31:11
4073
9
原创 LTE PDU SDU
概述SDUSDU，Service Data Unit，服务数据单元，表示由上一层传递到本层还未被处理的数据。PDUPDU，Protocol Data Unit，协议数据单元，表示将本层SDU经过特定格式处理后将传递到下一层的数据。以RLC层为例：RLC收到来自PDCP层的数据就叫 RLC SDU，RLC层经过处理后组装成 RLC PDU，然后投递给MAC层。LTE数据处理流程应用层的一个数据是如何通过LTE发送到网络的？1、AP的处理》应用层通过socket接
2020-12-30 20:36:56
5315
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人