- 博客(119)
- 资源 (4)
- 收藏
- 关注
RSS订阅原创 深度学习4:手写数字识别
本文介绍了使用神经网络进行手写数字图像分类的基本流程。首先讲解了MNIST数据集的结构和下载方法，该数据集包含6万张训练图像和1万张测试图像，每张为28×28像素的灰度数字图片。文章详细说明了如何加载数据集文件并可视化显示图片，同时强调了归一化处理的重要性，通过将像素值除以255将数据范围缩放到[0,1]区间。这为后续神经网络训练和推理处理奠定了基础。
2025-12-23 10:38:54
537
原创 深度学习3:理解神经网络
本文介绍了神经网络的基本概念及其核心组件。神经网络灵感来源于人脑神经元结构，通过多层处理输入信号（如天气数据）并输出预测结果（如晴天/雨天）。文章重点讲解了感知机模型和激活函数的作用，对比了阶跃函数与Sigmoid函数的特性：阶跃函数输出二元信号且突变，而Sigmoid函数输出连续值且平滑，二者均为非线性函数。Sigmoid函数的引入使神经网络能够处理更复杂的连续信号转换，为深度学习奠定了基础。文中通过Python代码和可视化图表直观展示了两种激活函数的差异。
2025-12-22 19:42:16
760
原创 声音克隆与情感合成:Dify接入IndexTTS2
本文介绍了如何将IndexTTS2语音合成服务集成到Dify应用中。首先需要部署Dify 1.10.0环境和IndexTTS2服务，后者会提供7860端口的Web界面和API接口。集成方式主要有两种：1)通过MCP服务直接接入；2)通过HTTP请求调用API。文章详细说明了HTTP调用的实现方法，包括发送POST请求获取EVENT_ID，再通过GET请求获取SSE流形式的音频结果。示例代码展示了如何使用Python的requests和sseclient库完成语音合成功能。这种集成方式使Dify应用能够利用I
2025-12-21 18:49:56
689
原创 声音克隆与情感合成:IndexTTS2让AI语音会“演戏”
B站开源IndexTTS2语音合成模型，支持5秒克隆声音并精准控制情感。该模型解决了传统语音合成的两大难题：情感表达缺失和时长控制不精准，实现了音色与情感的分离建模。本地部署需要Ubuntu系统、CUDA环境和22G显存，通过UV工具安装依赖，从ModelScope下载模型权重。启动后可在网页界面选择声音样本、调整情感参数并生成语音。IndexTTS2将专业语音合成技术变为易用工具，大幅降低了高质量语音内容的制作门槛，未来或将广泛应用于各类内容创作场景。
2025-12-21 18:48:51
781
原创 深度学习2:理解感知机
感知机是神经网络的基础算法，由Frank Rosenblatt于1957年提出。它接收多个输入信号，通过加权求和并与阈值比较来输出信号。通过调整权重和阈值，感知机可以实现与门、与非门和或门等逻辑电路。引入偏置参数b后，感知机的表达式更简洁。单层感知机只能解决线性可分问题，而多层感知机通过组合多个感知机可以处理更复杂的非线性问题，如加法器和编码器等。虽然早期需要人工设定权重，但现代神经网络能够自动从数据中学习合适的参数。
2025-12-19 18:43:33
663
原创 深度学习1:Python基础库NumPy与Matplotlib
本文介绍了NumPy和Matplotlib在深度学习中的应用。NumPy的核心功能包括多维数组（ndarray）、高效计算、广播机制和数学函数库，提供了丰富的数组生成和运算方法。Matplotlib用于数据可视化，支持绘制多种函数图像，如线性函数、二次函数等，并可通过子图布局展示多个图形。文章还演示了如何设置中文显示和添加函数特性说明，为深度学习实验提供了基础工具和方法。
2025-12-18 19:47:07
314
原创 智普GLM-TTS开源:可控且富含情感的零样本语音合成模型
GLM-TTS 的核心目标是解决传统 TTS 在情感表达、发音准确性和实时性上的瓶颈：早期模型虽高效但缺乏自然韵律，而 GLM-TTS 通过多奖励强化学习（GRPO）实现人类级别的表达力和稳定性，支持从 3-10 秒参考音频克隆声音。
2025-12-13 15:21:41
471
原创 HeapDump在线工具:告别JVM参数烦恼
HeapDump是一款由阿里JVM专家开发的在线工具，可自动生成优化的JVM参数配置。用户只需输入机器配置（CPU核数、内存大小、JDK版本等），工具即可智能推荐-Xms、-Xmx等核心参数，支持GC日志、OOM Dump等高级配置。该工具解决了Java服务部署时手动配置JVM参数的痛点，10秒即可生成专业级配置方案，完全免费且无需注册。特别适合需要快速部署Java应用但缺乏JVM调优经验的开发者使用。
2025-12-12 16:35:10
355
原创 ComfyUI遇上Z-Image(3)：文生图/图生图
本文介绍了使用Z-Image模型在ComfyUI中实现文生图和图生图的工作流程及原理。文生图通过CLIP文本编码器将提示词转换为文本嵌入，与潜在空间中的噪声图像结合，经UNet逐步去噪生成图像。图生图则在文生图基础上增加参考图向量化处理，通过调整降噪参数控制输出与参考图的相似度。文章详细演示了节点连接、参数设置等实操步骤，并强调提示词结构、模型选择和降噪参数对生成效果的关键影响。最终生成的图像质量取决于模型训练数据、提示词优化和参数配置的协同作用。
2025-12-07 18:55:15
1143
原创 ComfyUI遇上Z-Image(2)：ComfyUI工作流
摘要：ComfyUI是一个基于Stable Diffusion的可视化AI图像生成工具，通过节点式工作流实现图像创作。核心概念包括：1) Stable Diffusion通过文本编码、噪声降噪和图像解码三步骤生成图像；2) 工作流由多个节点(Node)连接组成，如模型加载器、文本编码器和潜在图像处理器等；3) 关键节点功能包括CheckPoint加载模型、CLIP文本编码处理提示词、空Latent图像设置输出尺寸等。系统支持自定义工作流程的保存和分享，用户可通过调整节点参数控制生成效果。
2025-12-06 18:23:37
1117
原创 ComfyUI遇上Z-Image(1)：环境部署与AI图像生成快速体验
本文介绍了如何在本地部署ComfyUI与阿里通义实验室开源的Z-Image模型组合。主要内容包括：1) ComfyUI作为基于节点的可视化AI图像生成工具的特点；2) 详细的环境配置步骤，包括Ubuntu系统、CUDA、conda环境等准备；3) 源码安装ComfyUI及依赖项；4) 模型目录结构说明及Z-Image相关模型文件的下载；5) 实际体验流程演示，通过导入工作流图片实现图像生成。文章提供了完整的部署指南，帮助用户搭建这一高效的AI图像生成系统。
2025-12-05 17:44:20
826
原创 阿里通义实验室开源Z-Image:6B参数的AI图像生成
阿里巴巴通义实验室推出高效图像生成模型Z-Image，包含三个专用版本：Turbo版（8步快速生成）、基础版和编辑版（精准图像修改）。该模型仅60亿参数，却在图像质量、文本渲染和文化理解等方面超越更大规模的国际模型，支持16GB显存显卡运行。Z-Image具备照片级真实感生成、双语文本渲染、文化深度理解等能力，适用于设计、教育、电商等多场景。官方已开源代码和模型，提供本地部署指南，支持消费级硬件流畅运行。
2025-12-04 19:57:28
685
原创 腾讯HunyuanOCR开源端到端OCR-1B：本地部署与测试
腾讯混元HunyuanOCR是一款轻量级端到端OCR视觉语言模型，支持多语言文档解析、文本定位等任务。本文详细介绍了在Ubuntu 24.04系统上的本地部署过程，包括环境配置（CUDA 12.8、PyTorch 2.9）、模型下载、虚拟环境搭建以及vLLM服务启动等关键步骤。针对部署过程中遇到的aiohttp编译错误和CUDA驱动兼容性问题，提供了具体解决方案。最终成功启动vLLM服务，为后续OCR功能测试做好准备。该模型仅1B参数却达到行业领先水平，适用于多种文本处理场景。
2025-12-02 18:18:17
1444
1
原创 人脸检测与识别-InsightFace:向量相似性搜索Faiss
Faiss是由Meta开发的高效向量相似性搜索库，支持十亿级向量的毫秒级检索。它提供多种索引类型（Flat/IVF/HNSW）适用于不同规模数据，支持L2/内积/余弦等多种距离度量，广泛应用于推荐系统、图像检索等场景。安装可通过pip选择CPU或GPU版本，核心功能包括向量索引构建、相似性搜索和聚类。使用流程包括创建索引、插入数据、执行搜索，并支持索引保存/加载和GPU加速。结合insightface可实现人脸特征存储与检索，适合大规模高维向量检索需求。
2025-11-30 20:07:22
1032
原创 人脸检测与识别-InsightFace:特征向量提取与识别
InsightFace是一个功能强大的开源人脸分析工具箱，集成了2D/3D人脸检测、识别、对齐和活体检测等模块。该项目基于PyTorch和MXNet框架，提供了从人脸检测到特征提取的一站式解决方案。文章详细介绍了InsightFace的发展历程、环境配置方法，并通过Python代码示例展示了如何初始化模型、提取人脸特征向量并保存。该项目支持GPU加速，可通过简单的API调用实现高效的人脸分析功能，适用于安防、社交等多个应用场景。
2025-11-29 15:50:11
741
原创 目标检测YOLO[07]:自建数据集-让模型检测脸部区域
本文介绍了使用YOLOv8进行人脸检测的完整流程。首先通过AI生成包含张三和李四的26张训练图片（各13张），并保留3张用于验证。文章强调人脸识别与人脸检测的区别，指出YOLOv8仅能实现后者。主要内容包括：1）使用Roboflow公开数据集进行预训练，配置data.yaml并训练100个epoch；2）使用LabelImg工具标注自定义数据，比较PascalVOC与YOLO标注格式差异；3）提供Python脚本将标注文件转换为YOLO格式并按7:2:1比例划分训练集、验证集和测试集。实验结果显示预训练模型
2025-11-28 17:42:50
401
原创 目标检测YOLO[06]:公开数据集-训练抽烟检测
本文介绍了使用YOLOv8训练自定义目标检测模型的全流程。首先通过RoboFlow平台获取吸烟检测数据集，包含4个类别（香烟、人、烟雾、电子烟）。详细说明了数据集下载、目录结构配置和YAML文件修改方法。训练阶段使用预训练模型yolov8n.pt，设置10个epoch进行微调。训练结果显示模型收敛良好，mAP指标持续提升。最后通过实际视频测试模型效果，并使用FFmpeg将输出视频转换为MP4格式。整个过程涵盖了从数据准备到模型部署的关键步骤，为自定义目标检测任务提供了完整参考方案。
2025-11-27 18:26:58
292
原创 Ollama0.13.0上线DeepSeek-ocr 3B
Ollama v0.13.0发布，新增DeepSeek-OCR模型支持及多项优化。本文详细介绍了Linux环境下的安装配置步骤，包括解压安装、用户权限设置、服务配置等。通过Cherry Studio工具演示了模型接入流程，展示了OCR文本识别的实际效果。同时提供了Python代码示例，说明如何通过OpenAI兼容API调用DeepSeek-OCR模型进行图像文字识别。该版本还包含Cogito-V2.1模型和Bench性能测试工具等新特性。
2025-11-26 18:54:16
1057
原创 目标检测YOLO[05]:让YOLO模型训练跑得更快
本文介绍了提升YOLO模型训练效率的实用方法。主要内容包括：1) 训练效率的四个关键指标(CPU、CUDA、内存、显存)；2) 使用GPU而非CPU训练可显著提升速度；3) imgsz参数影响训练速度和效果，需在32倍数范围内选择；4) batch参数与GPU利用率正相关，建议8-32之间；5) cache参数可预加载数据加速训练但需大内存；6) workers参数控制并行进程数，推荐4-8个。通过合理调整这些参数，可显著提升模型训练效率。
2025-11-25 17:49:41
49
原创 目标检测YOLO[04]:跑通最简单的YOLO模型训练
本文介绍了YOLO模型训练的基础流程和关键要素。主要内容包括：1）训练流程概述，即通过数据集迭代训练模型；2）训练核心关注点：数据集准备、模型选择及训练参数设置；3）演示了最简单的YOLO训练实例代码；4）重点解析了数据集结构，包括训练集、验证集和测试集的划分；5）详细说明了YOLO数据集的目录结构和标签文件格式；6）介绍了标签可视化工具LabelImg的安装方法。文章通过具体代码示例和文件结构图解，帮助读者快速掌握YOLO模型训练的基本方法。
2025-11-24 16:54:10
173
原创 目标检测YOLO[03]:推理入门
本文首先通过生活类比和技术流程解释了AI模型训练与推理的区别：训练是让模型学习知识的过程，需要大量数据和参数调整；推理则是应用所学知识对新数据进行预测。接着介绍了如何使用YOLOv8模型进行目标检测推理，包括代码实现、预测目标类型和不同模型尺寸的选择。文章详细说明了YOLO系列各版本支持的任务类型（目标检测、实例分割、姿态估计等）及其对应的模型文件命名规则，并提供了查看模型任务类型和可预测类别的代码示例。最后指出模型参数越多推理越准确，但计算耗时也更长。
2025-11-23 20:50:15
158
3
原创 Dify知识库图文混排回复-让回答“图文并茂”
目前在Dify知识库中上传的文档，要想做到回复图文混排的内容效果比较好的，有word格式导入和 markdown+图床两种。word文档中本身就是图文混排，使用word文档不用太折腾，本文对它探索一番后，各位可以体会一下它的优缺点。
2025-11-22 21:15:55
479
原创 目标检测YOLO[01]：你只需要看一次的视觉革命
摘要：YOLO（You Only Look Once）是一项革命性的目标检测技术，通过将检测任务转化为单次回归问题，实现了实时高效的目标定位。与传统的两阶段检测方法不同，YOLO将图像划分为网格，每个网格直接预测物体的类别和位置。自2016年推出以来，YOLO已发展到第11代，在自动驾驶、安防监控等领域广泛应用。其核心思想包括单次前向推理、回归式检测和网格负责制，使其成为当前工业界最实用的目标检测解决方案。建议初学者从生态成熟的YOLOv8开始学习。
2025-11-20 17:51:38
32
原创 PaddleOCR-VL本地部署攻略(3)：客户端工具/代码接入
前一篇《PaddleOCR-VL本地部署攻略(2)：vLLM推理》 已经部署好了 PaddleOCR-VL 使用vLLM的推理服务，客户端做了简单测试。本篇我们先后会使用 Apifox ,Python代码，Java代码(Spring AI) 进行调用
2025-11-19 18:09:58
232
原创 PaddleOCR-VL本地部署攻略(2)：vLLM推理
之前直接使用PaddlePaddle进行PaddleOCR-VL的推理，优点是安装相对简单，但缺点是速度太慢了，推理速度只有之前PaddleOCR的40%， 而 PaddleOCR-VL是支持使用vLLM框架进行加速的。
2025-11-18 18:15:27
586
原创 PaddleOCR-VL本地部署攻略(1)：模态文档解析新王者
PaddleOCR-VL是一款全球领先的文档解析模型，由百度飞桨团队开源。该模型采用0.9B参数的紧凑型视觉语言架构，在OmniDocBench V1.5榜单中以92.6分夺冠，支持109种语言和复杂文档解析。文章详细介绍了PaddleOCR-VL的两阶段处理流程、与DeepSeek-OCR的性能对比，并提供了本地部署指南，包括环境配置、模型下载等关键步骤，帮助用户轻松实现高性能文档解析能力。
2025-11-17 12:00:04
798
原创 Claude Code 接入国产模型
摘要： Claude Code是Anthropic开发的AI编程工具，支持自然语言交互执行代码编辑等任务。由于限制中国用户使用，可替换为国产模型如Kimi、GLM-4.6等。安装需配置Node.js环境，通过修改环境变量或配置文件切换模型，支持智普、月之暗面等平台的API接入，实现无缝迁移。
2025-11-16 10:46:24
779
原创 Linux服务器只开80/443就没必要开Iptables?
有必要，而且是必须要开，不开就是裸奔=找死，不要误认为防火墙只是控制端口的开放和关闭。
2025-11-14 18:10:03
848
原创 DeepSeek-OCR实战(06)：SpringBoot应用接入
应用系统中通常会有一些单据需要入库，而入库单有些时候是纸质的，每条信息都录入费时费力，此时可以将单据使用手机对单据进行拍照，让应用识别提取，提取后人工进行校验，校验完毕一键入库。
2025-11-13 18:11:45
974
原创 DeepSeek-OCR实战(05)：DeepSeek-OCR-WebUI部署（Docker）
前一章调试了官方推理代码，官方代码并没有UI界面，输入输出都不直观。DeepSeek-OCR-WebUI 是一个基于DeepSeek-OCR 模型的图像识别web应用，提供直观的用户界面和识别功能。
2025-11-12 17:02:38
1844
3
原创 DeepSeek-OCR实战(04)：官方的推理代码调试
本篇将使用 DeepSeek-OCR 开源的代码：https://github.com/deepseek-ai/DeepSeek-OCR 进行在线调试，为后续的接入业务代码做准备。
2025-11-11 12:53:25
1183
原创 DeepSeek-OCR实战(03)：本地部署+简单UI测试
DeepSeek-OCR实战是一个系列文章，包含了从基础运行环境搭建到应用接入全过程。本章介绍DeepSeek-OCR如何本地部署
2025-11-11 12:51:06
1179
1
原创 DeepSeek-OCR实战(02)：DeepSeek-OCR模型介绍
DeepSeek-OCR实战是一个系列文章，包含了从基础运行环境搭建到应用接入全过程。本章会对DeepSeek-OCR模型进行介绍
2025-11-09 11:39:00
775
原创 DeepSeek-OCR实战(01)：基础运行环境搭建-Ubuntu
DeepSeek-OCR实战是一个系列文章，包含了从基础运行环境搭建到应用接入全过程。本章为：基础运行环境搭建,操作系统采用 Ubuntu Server 24
2025-11-08 15:33:38
1399
原创 DeepSeek-OCR实战(01)：基础运行环境搭建-RockyLinux
DeepSeek-OCR实战是一个系列文章，包含了从基础运行环境搭建到应用接入全过程。本章为：基础运行环境搭建, 操作系统采用 Rocky Linux 10
2025-11-08 15:29:42
1132
原创 本地部署vLLM+Qwen3：高性能大模型推理引擎，比Ollama强在哪？
vLLM和Ollama是大模型推理的两大主流引擎，各有特点：vLLM采用创新的PagedAttention技术，显存利用率达95%，支持连续批处理和前缀共享，适用于企业级高并发场景，吞吐量可达30-60tokens/秒；Ollama则主打轻量易用，支持快速部署，适合个人开发测试。硬件方面，vLLM需专业级GPU，Ollama消费级显卡即可运行。企业生产推荐vLLM，个人开发选择Ollama更便捷。部署vLLM需Linux环境、NVIDIA驱动535+版本，并注意关闭nouveau驱动。
2025-11-06 19:12:47
1625
原创 Dify 1.10.0-rc1 本地部署：无缝接入 Ollama 打造专属 AI 应用平台
Dify 团队最近放出了 1.10.0 的首个候选发布版——1.10.0-rc1。这不仅仅是一次小修小补，更是一次体验和功能上的重大飞跃！全新的工作流画布、更智能的 RAG（检索增强生成）策略，以及对本地模型更友好的支持，都让这个版本充满了看点。
2025-11-03 16:03:04
1508
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人