Chainlit集成Dashscope实现语音交互网页对话AI应用

已于 2024-10-07 18:22:14 修改
阅读量418 收藏 5
点赞数 11
分类专栏： AI大模型 文章标签： 交互 人工智能 xcode dashscope sensevoice cosyvoice llm
于 2024-10-07 07:30:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_40986713/article/details/142718367
版权

前言

本篇文章讲解和实战，如何使用Chainlit集成Dashscope实现语音交互网页对话AI应用。实现方案是对接阿里云提供的语音识别SenseVoice大模型接口和语音合成CosyVoice大模型接口使用。针对SenseVoice大模型和CosyVoice大模型，阿里巴巴在github提供的有开源代码，也可以自己本地部署SenseVoice大模型和CosyVoice大模型接口服务。特别提及一下，阿里云上还有另外一套，语音识别和语音合成的接口，Paraformer语音识别和Sambert语音合成，相比之下个人觉得不如SenseVoice大模型和CosyVoice大模型。中间踩了一个坑，浪费我好几天研究，就是阿里云平台上Paraformer语音识别的接口，可以直接传文件路径或者文件流而SenseVoice大模型的接口。所以我一直中意用Paraformer语音识别的接口，但是识别的语音文件，老是识别不出来，一开始我觉得是哪些参数没传对，或者是我麦克风生成语音文件有问题，老是语音识别不出来，后来看了一些文档，支持的音频采样率，只有16khz的，而我音频格式不是。所以就换成SenseVoice大模型的接口，只接受文件的url不支持本地文件直接上传，这个接口需要需要将音频文件先上传到oss等生成一个可以访问文件的url。一开始我觉得会很慢，但是实测起来，速度还行。

Dashscope

DashScope 是阿里云推出的一款模型服务产品，旨在简化人工智能（AI）模型的应用与部署过程。它针对主流的AI大模型进行了标准化封装，提供了API接口，使得开发者能够轻松调用这些模型，并进行推理、训练、微调等操作。DashScope 的主要特点包括：

  1. 丰富的模型选择：DashScope 提供了多种类型的模型，涵盖自然语言处理、计算机视觉等多个领域，满足不同场景下的需求。
  2. 简便的集成方式：通过Python/Java SDK或HTTP请求，开发者可以方便地将AI模型集成到自己的应用程序中。
  3. 开箱即用：无需深入了解模型内部机制，用户可以直接调用API完成复杂的AI任务。
  4. 高效的性能优化：在模型推理优化、高效微调训练等方面积累了大量的技术实力，提升了模型使用的效率和效果。
  5. 灵活的弹性底座：改善了模型推理、微调效率低及规模响应慢的问题，提供了更加灵活的服务支持。
  6. 成本经济：提供了合理的计费模式，包括免费试用额度，帮助开发者降低成本。

此外，DashScope 还支持特定领域的高级功能，如语音合成、图像识别等，适用于广泛的行业和应用场景。通过DashScope，开发者可以获得一个强大的工具集来加速AI项目的开发和部署。

语音识别SenseVoice大模型

阿里巴巴的语音识别大模型 SenseVoice 是其在语音技术领域的一项重要成果，主要特点和能力如下：

  1. 高精度多语言语音识别：SenseVoice 能够提供高精度的语音转文字服务，支持多种语言的识别，适用于跨国界、跨文化的交流场景。

  2. 情感辨识：除了传统的语音识别外，SenseVoice 还能够识别说话者的情感状态，如高兴、悲伤、愤怒等，这对于构建更加人性化的对话系统非常有用。

  3. 音频事件检测：SenseVoice 可以检测音频中的特定事件，例如掌声、笑声、咳嗽等，这种能力在媒体分析、智能监控等领域具有广泛应用前景。

  4. 快速适应不同场景：通过先进的模型训练技术和算法优化，SenseVoice 能够快速适应不同的环境和使用场景，即使是在嘈杂的环境中也能保持较高的识别精度。

  5. 支持语音克隆：SenseVoice 具备语音克隆的能力，可以通过少量样本学习特定人的声音特征，进而生成相似的声音输出，这项技术在个性化语音助手、虚拟主播等领域有着广阔的应用空间。

  6. 开源共享：作为阿里通义实验室的一部分，SenseVoice 已经被开源，这促进了学术界和工业界之间的技术交流和进步，也为更多开发者提供了研究和应用的机会。

  7. 强大的技术支持：依托阿里巴巴深厚的技术积累和丰富的应用场景，SenseVoice 在性能、稳定性等方面得到了充分保障。

综上所述，SenseVoice 是一款集成了多项先进功能和技术的语音识别大模型，旨在通过提供高质量的语音处理服务，推动人机交互体验的进一步提升。

语音合成CosyVoice大模型

CosyVoice 是阿里通义实验室开发的一款先进的多语言语音合成大模型，旨在通过融合大规模预训练语言模型和深度学习技术，提供高质量、自然流畅的语音合成服务。以下是 CosyVoice 的主要特点和优势：

  1. 多语言支持：CosyVoice 支持包括中文、英文、日文、粤语和韩语在内的多种语言的语音合成，满足全球用户的多样化需求。

  2. 自然逼真的语音质量：通过超过15万小时的多语言语音数据训练，CosyVoice 能够生成几乎与真人无异的语音，无论是发音清晰度还是情感表达都达到了很高的水平。

  3. 快速音色克隆：CosyVoice 可以在短短几秒钟内从提供的音频样本中学习并复制特定的音色特性，使用户能够轻松创建个性化的语音内容。

  4. 情感和韵律控制：CosyVoice 允许对合成语音的情感色彩和节奏进行细致调整，从而更好地适应不同的应用场景和内容需求。

  5. 开源开放：CosyVoice 已经对外开源，不仅为开发者提供了使用这一先进技术的机会，同时也促进了学术界和工业界之间的技术交流和发展。

  6. 灵活的部署选项：CosyVoice 提供了从云端服务到本地部署的多种解决方案，用户可以根据自身需求选择最适合的部署方式。

  7. 全面的技术文档和支持：为了帮助用户更好地理解和使用 CosyVoice，官方提供了详细的使用教程和技术文档，以及持续的技术支持。

总之，CosyVoice 是一个功能强大、使用灵活的语音合成工具，它不仅能够为个人用户提供高质量的语音内容创作能力，同时也为企业和开发者提供了实现语音相关应用和服务的重要手段。

快速上手

创建一个文件，例如“chainlit_chat”

mkdir chainlit_chat

进入 chainlit_chat文件夹下，执行命令创建python 虚拟环境空间(需要提前安装好python sdk。 Chainlit 需要python>=3.8。,具体操作，由于文章长度问题就不在叙述，自行百度)，命令如下：

python -m venv .venv
  • 这一步是避免python第三方库冲突，省事版可以跳过
  • .venv是创建的虚拟空间文件夹可以自定义

接下来激活你创建虚拟空间，命令如下：

#linux or mac
source .venv/bin/activate
#windows
.venv\Scripts\activate

在项目根目录下创建requirements.txt，内容如下：

chainlit
dashscope

执行以下命令安装依赖：

pip install -r .\requirements.txt
  • 安装后，项目根目录下会多出.chainlit 和.files文件夹和chainlit.md文件

代码创建

只使用通义千问的DashScope模型服务灵积的接口

在项目根目录下创建.env环境变量，配置如下：

DASHSCOPE_API_KEY="sk-api_key"

在项目根目录下创建app.py文件，代码如下：

import re
import tempfile
import time
from http import HTTPStatus
from io import BytesIO

import chainlit as cl
import dashscope.file
import requests
from chainlit.element import ElementBased
from dashscope.audio.tts_v2 import SpeechSynthesizer
from dashscope.common.constants import FilePurpose



async def text_to_speech(text: str):
    synthesizer = SpeechSynthesizer(model='cosyvoice-v1', voice='longxiaochun')
    audio = synthesizer.call(text)
    return "", audio


async def speech_to_text(audio_file):
    result = dashscope.Files.upload(file_path=audio_file,
                                    purpose=FilePurpose.assistants)
    file_id = result.output['uploaded_files'][0]['file_id']
    file_res = dashscope.Files.get(file_id)
    task_response = dashscope.audio.asr.Transcription.async_call(
        model='sensevoice-v1',
        file_urls=[file_res.output['url']],
        language_hints=['zh', 'en'],
    )
    transcribe_response = dashscope.audio.asr.Transcription.wait(task=task_response.output.task_id)
    if transcribe_response.status_code == HTTPStatus.OK:
        transcription_url = transcribe_response.output["results"][0]["transcription_url"]
        # 发送GET请求
        response = requests.get(transcription_url)
        # 检查请求是否成功
        if response.status_code == 200:
            # 使用内置的json()方法将响应体解析为字典
            data = response.json()
            print(data)
            print(data['transcripts'][0]['text'])
            text = data['transcripts'][0]['text']
            # 使用正则表达式提取标签之间的文本
            pattern = r'<\|Speech\|>(.*?)<\|/Speech\|>'
            match = re.search(pattern, text, re.DOTALL)

            if match:
                text = match.group(1).strip()
            else:
                text = ''
            return text
        else:
            print(f"Failed to retrieve data: {response.status_code}")
    return "fail"


@cl.step(type="tool", name="AI问答")
async def generate_text_answer(message: cl.Message):
    start_time = time.time()
    msg = cl.Message(content="")
    await msg.send()
    messages = [
        {'role': 'system', 'content': 'You are a helpful assistant.'},
        {'role': 'user', 'content': message.content}
    ]
    print('content', message.content)
    stream = dashscope.Generation.call(
        model="qwen-plus",
        messages=messages,
        result_format='message',
        stream=True,
        incremental_output=True
    )
    print(f"代码执行时间: {time.time() - start_time} 秒")
    for part in stream:
        if token := part.output.choices[0].message.content or "":
            await msg.stream_token(token)
    return msg


@cl.on_message
async def on_message(message: cl.Message):
    msg = await generate_text_answer(message)
    await msg.update()


@cl.on_audio_chunk
async def on_audio_chunk(chunk: cl.AudioChunk):
    if chunk.isStart:
        buffer = BytesIO()
        buffer.name = f"input_audio.{chunk.mimeType.split('/')[1]}"
        # Initialize the session for a new audio stream
        cl.user_session.set("audio_buffer", buffer)
        cl.user_session.set("audio_mime_type", chunk.mimeType)

    # For now, write the chunks to a buffer and transcribe the whole audio at the end
    cl.user_session.get("audio_buffer").write(chunk.data)


@cl.on_audio_end
async def on_audio_end(elements: list[ElementBased]):
    # Get the audio buffer from the session
    audio_buffer: BytesIO = cl.user_session.get("audio_buffer")
    audio_mime_type: str = cl.user_session.get("audio_mime_type")
    audio_buffer.seek(0)  # 将文件指针移到开头
    # 使用pydub处理音频
    try:
        with tempfile.NamedTemporaryFile(delete=False, suffix=".webm") as tmpFile:
            tmpFile.write(audio_buffer.read())
            tmpFile_path = tmpFile.name
    except Exception as e:
        print(f"Error processing audio: {e}")

    print('tmpFile_path', tmpFile_path)
    transcription = await speech_to_text(tmpFile_path)
    input_audio_el = cl.Audio(
        mime=audio_mime_type, path=tmpFile_path, name="",
    )
    message = await cl.Message(
        author="You",
        type="user_message",
        content=transcription,
        elements=[input_audio_el, *elements]
    ).send()
    print('transcription', transcription)
    msg = await generate_text_answer(message)
    output_name, output_audio = await text_to_speech(msg.content)
    output_audio_el = cl.Audio(name=output_name, auto_play=True, mime='audio/wav', content=output_audio)
    msg.elements = [output_audio_el]
    await msg.update()
  • 这里我使用的国内阿里云的DashScope sdk 服务。
  • 如果要保存用户聊天记录，这里生成语音文件，如果要保存起来，本地或者oss等。
  • 代码实现的是，语音问答的时候会回复文字和语音，语音设置的默认播放，文字问答的时候，只回复文字。
  • 代码还有一些不完善的地方，比如异常的处理还不完善，部署生产的时候记得完善

代码解读

这段代码是一个基于 chainlit 框架的聊天机器人应用，它结合了阿里云的多个服务，包括语音合成（TTS）、语音识别（ASR）和文本生成（Text Generation），实现了从语音输入到文本处理再到语音输出的完整流程。下面是各个部分的功能解读：

1. 引入必要的模块

import re
import tempfile
import time
from http import HTTPStatus
from io import BytesIO

import chainlit as cl
import dashscope.file
import requests
from chainlit.element import ElementBased
from dashscope.audio.tts_v2 import SpeechSynthesizer
from dashscope.common.constants import FilePurpose
  • 导入了用于处理字符串、文件操作、时间测量、HTTP状态码、字节流处理、网络请求、链式元素以及阿里云 DashScope 相关模块。

2. 定义 text_to_speech 函数

async def text_to_speech(text: str):
    synthesizer = SpeechSynthesizer(model='cosyvoice-v1', voice='longxiaochun')
    audio = synthesizer.call(text)
    return "", audio
  • 使用 SpeechSynthesizer 对象调用语音合成功能，将文本转换为语音。这里使用的是 CosyVoice 模型和特定的声音（longxiaochun）。

3. 定义 speech_to_text 函数

async def speech_to_text(audio_file):
    # 上传音频文件至阿里云
    result = dashscope.Files.upload(file_path=audio_file, purpose=FilePurpose.assistants)
    file_id = result.output['uploaded_files'][0]['file_id']
    file_res = dashscope.Files.get(file_id)
    # 调用语音转文字服务
    task_response = dashscope.audio.asr.Transcription.async_call(
        model='sensevoice-v1',
        file_urls=[file_res.output['url']],
        language_hints=['zh', 'en'],
    )
    transcribe_response = dashscope.audio.asr.Transcription.wait(task=task_response.output.task_id)
    if transcribe_response.status_code == HTTPStatus.OK:
        transcription_url = transcribe_response.output["results"][0]["transcription_url"]
        response = requests.get(transcription_url)
        if response.status_code == 200:
            data = response.json()
            text = data['transcripts'][0]['text']
            # 使用正则表达式提取标签之间的文本
            pattern = r'<\|Speech\|>(.*?)<\|/Speech\|>'
            match = re.search(pattern, text, re.DOTALL)
            if match:
                text = match.group(1).strip()
            else:
                text = ''
            return text
        else:
            print(f"Failed to retrieve data: {response.status_code}")
    return "fail"
  • 此函数负责将音频文件上传到阿里云，并调用语音识别服务将音频转换为文本。如果识别成功，则返回识别后的文本；否则返回 "fail"。

4. 定义 generate_text_answer 函数

@cl.step(type="tool", name="AI问答")
async def generate_text_answer(message: cl.Message):
    start_time = time.time()
    msg = cl.Message(content="")
    await msg.send()
    messages = [
        {'role': 'system', 'content': 'You are a helpful assistant.'},
        {'role': 'user', 'content': message.content}
    ]
    stream = dashscope.Generation.call(
        model="qwen-plus",
        messages=messages,
        result_format='message',
        stream=True,
        incremental_output=True
    )
    for part in stream:
        if token := part.output.choices[0].message.content or "":
            await msg.stream_token(token)
    return msg
  • 使用阿里云的文本生成模型 qwen-plus 根据用户的输入生成回复。此函数会将生成的每个片段逐步发送给用户，以实现流式响应。

5. 定义消息处理函数

@cl.on_message
async def on_message(message: cl.Message):
    msg = await generate_text_answer(message)
    await msg.update()
  • 当接收到用户的消息时，调用 generate_text_answer 函数生成回复，并更新消息对象。

6. 处理音频数据

@cl.on_audio_chunk
async def on_audio_chunk(chunk: cl.AudioChunk):
    if chunk.isStart:
        buffer = BytesIO()
        buffer.name = f"input_audio.{chunk.mimeType.split('/')[1]}"
        cl.user_session.set("audio_buffer", buffer)
        cl.user_session.set("audio_mime_type", chunk.mimeType)

    cl.user_session.get("audio_buffer").write(chunk.data)
  • 当接收到音频数据块时，将其写入内存中的缓冲区。如果是音频流的开始，则初始化缓冲区。

7. 结束音频处理

@cl.on_audio_end
async def on_audio_end(elements: list[ElementBased]):
    audio_buffer: BytesIO = cl.user_session.get("audio_buffer")
    audio_mime_type: str = cl.user_session.get("audio_mime_type")
    audio_buffer.seek(0)
    with tempfile.NamedTemporaryFile(delete=False, suffix=".webm") as tmpFile:
        tmpFile.write(audio_buffer.read())
        tmpFile_path = tmpFile.name
    transcription = await speech_to_text(tmpFile_path)
    input_audio_el = cl.Audio(mime=audio_mime_type, path=tmpFile_path, name="")
    message = await cl.Message(
        author="You",
        type="user_message",
        content=transcription,
        elements=[input_audio_el, *elements]
    ).send()
    msg = await generate_text_answer(message)
    output_name, output_audio = await text_to_speech(msg.content)
    output_audio_el = cl.Audio(name=output_name, auto_play=True, mime='audio/wav', content=output_audio)
    msg.elements = [output_audio_el]
    await msg.update()
  • 当音频流结束时，将所有收集到的音频数据保存到临时文件中，并调用 speech_to_text 函数进行语音识别。然后根据识别结果生成回复，并将回复转换为语音发送给用户。

总结

这个应用实现了从接收用户语音输入，到自动转录为文本，再到根据文本生成回复，最后将回复转换为语音输出的全过程。通过阿里云的多个服务，它能够提供流畅的交互体验。

运行应用程序

要启动 Chainlit 应用程序，请打开终端并导航到包含的目录app.py。然后运行以下命令：

 chainlit run app.py -w
  • 该-w标志告知 Chainlit 启用自动重新加载，因此您无需在每次更改应用程序时重新启动服务器。您的聊天机器人 UI 现在应该可以通过http://localhost:8000访问。
  • 自定义端口可以追加--port 80

启动后界面如下：

在这里插入图片描述

相关文章推荐

《Chainlit快速实现AI对话应用的界面定制化教程》
《Chainlit接入FastGpt接口快速实现自定义用户聊天界面》
《使用 Xinference 部署本地模型》
《Fastgpt接入Whisper本地模型实现语音输入》
《Fastgpt部署和接入使用重排模型bge-reranker》
《Fastgpt部署接入 M3E和chatglm2-m3e文本向量模型》
《Fastgpt 无法启动或启动后无法正常使用的讨论（启动失败、用户未注册等问题这里）》
《vllm推理服务兼容openai服务API》
《vLLM模型推理引擎参数大全》
《解决vllm推理框架内在开启多显卡时报错问题》
《Ollama 在本地快速部署大型语言模型，可进行定制并创建属于您自己的模型》

泰山AI
关注
专栏目录
订阅专栏
Chainlit集成LlamaIndex并使用通义千问模型实现AI知识库检索网页对话应用
洛阳泰山的博客
09-13 1221
LlamaIndex是一个数据框架，它主要为基于大语言模型（LLM）的应用程序设计，允许这些应用程序摄取、结构化并访问私有或特定领域的数据。这种框架对于那些希望利用LLM的强大能力来处理自身专属数据集的组织来说尤其有用。由于大多数公开的大语言模型都是在大量的公共数据上训练的，它们缺乏对用户特定数据的理解，而这正是LlamaIndex发挥作用的地方。LlamaIndex支持Python和TypeScript，使得开发者可以通过使用这些编程语言来集成和操作数据。
Chainlit集成Langchain并使用通义千问实现和数据库交互的网页对话应用增强扩展（text2sql）
洛阳泰山的博客
09-12 1599
我在上一篇文章中利用langchain中创建一个数据库代理智能体，但是实测中发现，使用在对话中，响应速度太慢了，数据的表越多，对话响应就越慢，这次本篇文章langchain中和数据库对话交互的另两种方式，和。
Chainlit集成LlamaIndex并使用通义千问实现和数据库交互的网页对话应用（text2sql）
洛阳泰山的博客
09-30 1486
这些都是通过AI把问题经过思考后转换为sql查询语句，执行sql查询后，并将sql执行返回的数据，格式化为自然语言返回给用户。这项技术可以毫不费力的接入其他业务系统的数据库，进行数据的快速查询。
Chainlit集成Langchain并使用通义千问和智谱AI实现AI知识库检索网页对话应用
洛阳泰山的博客
09-10 1163
是一个开源框架，设计用于开发和部署与语言模型（如大型语言模型LLM）交互的应用程序。它提供了一种简便的方法来构建基于自然语言处理（NLP）的系统，这些系统可以执行各种任务，例如问答、文本生成、文档检索等。LangChain 的主要目标是简化开发过程，使开发者能够快速地将强大的语言模型功能集成到他们的应用程序中。：这是执行特定任务的模块化工作流。链条可以简单也可以复杂，取决于任务需求。它们可以是简单的问答机制，也可以是涉及多个步骤的复杂流程。：这些是预训练的模型，可以生成或修改文本。
Chainlit集成Langchain并使用通义千问实现和数据库交互的网页对话应用（text2sql）
洛阳泰山的博客
09-10 914
是一个开源框架，设计用于开发和部署与语言模型（如大型语言模型LLM）交互的应用程序。它提供了一种简便的方法来构建基于自然语言处理（NLP）的系统，这些系统可以执行各种任务，例如问答、文本生成、文档检索等。LangChain 的主要目标是简化开发过程，使开发者能够快速地将强大的语言模型功能集成到他们的应用程序中。：这是执行特定任务的模块化工作流。链条可以简单也可以复杂，取决于任务需求。它们可以是简单的问答机制，也可以是涉及多个步骤的复杂流程。：这些是预训练的模型，可以生成或修改文本。
Chainlit集成LlamaIndex实现知识库高级检索（自动合并检索）
洛阳泰山的博客
09-22 1588
** 自动合并检索 ** 自动合并检索原理，和我洗的上一篇文章的检索方案： 将文本分割成512大小（一般对应段落大小）和128（一般对句子大小不是严格的句子长度）大小两种分别存储到索引库，再用llama_index的简单融合寻回器，分别从这里个向量库查询。将查询结果融合排序后交给LLM的方式十分类似，不同点是检索能将子小块的内容合成大块文本返回。上一篇文章《Chainlit集成LlamaIndex实现知识库高级检索（简单融合寻回器）》 自动合并检索主要是将文档按照块大小拆分成不同层级的节点，这些节点包括父节
Chainlit集成LlamaIndex并使用通义千问模型实现AI知识库检索网页对话应用增强版
洛阳泰山的博客
09-17 1145
LlamaIndex是一个数据框架，它主要为基于大语言模型（LLM）的应用程序设计，允许这些应用程序摄取、结构化并访问私有或特定领域的数据。这种框架对于那些希望利用LLM的强大能力来处理自身专属数据集的组织来说尤其有用。由于大多数公开的大语言模型都是在大量的公共数据上训练的，它们缺乏对用户特定数据的理解，而这正是LlamaIndex发挥作用的地方。LlamaIndex支持Python和TypeScript，使得开发者可以通过使用这些编程语言来集成和操作数据。
Chainlit集成LlamaIndex实现知识库高级检索（简单融合寻回器）
洛阳泰山的博客
09-20 976
* 简单融合寻回器 **简单融合寻回原理，是利用多个检索器，融合查询最终的结果返回给LLM。此检索器还将通过生成与原始问题相关的问题，用相关问题再次检索多个检索器的数据，把原始问题和相关问题经过多个检索器检索结果整理后交给LLM最最终回复。本次代码示例中，使用简单融合寻回器生成加上原问题在内的3个问题利用两个分割大小不一样的检索器进行检索。一个是分割成512大小块的检索器，一个是分割成128块大小的向量检索器。
Chainlit集成LlamaIndex实现知识库高级检索（句子窗口节点检索）
洛阳泰山的博客
09-18 961
通常在执行基础的RAG检索时我们会将文档按指定的块大小(chunk_size)进行切割，然后进行embedding的向量化处理后存入向量数据库中，在检索时我们会计算用户问题(question) 与文档块的相似度，并选取K个最相似的文档(context)，并将其和用户问题一起发送给LLM, 并最终由LLM来生成最终的回复(response那么context的质量将直接影响到response的质量，然而context的质量往往取决于文档块的大小即chunk_size, 当chunk_size较小时它与。
AI人工智能技术分享 知识图谱技术及应用介绍-语音交互中的自然语言处理技术 共25页.pdf
07-09
在本篇分享中，我们将深入探讨AI人工智能技术，特别是聚焦于知识图谱技术和在语音交互中的自然语言处理技术。这份资料共25页，详细介绍了小米科技在这一领域的实践和应用。 首先，小米语音交互系统是小米产品线中至...
Chainlit快速实现AI对话应用的界面定制化教程
洛阳泰山的博客
08-04 1075
除了标准翻译之外，您还可以自定义 UI 中使用的前端组件的文本。每个 UI 元素都与翻译文件中的唯一翻译键相关联。通过修改这些键，您可以根据需要个性化或本地化 UI 文本。例如，要将导航选项卡的标签从“自述文件”更改为“文档”，请在翻译文件中找到相应的键（例如。
【QT Quick】C++交互：与QML类型转换
2303_80346267的博客
10-06 524
在本节课中，我们将讨论C++与QML之间的数据类型转换。这种转换非常重要，因为在许多应用程序中，C++生成的数据需要传递给QML，同时QML中的数据也需要被C++访问和处理。我们将重点关注基本数据类型、数组类型和对象（map）类型的转换。
【QT Quick】C++交互：QML对象操作
2303_80346267的博客
09-30 604
本节课程将详细讲解如何通过 C++ 代码访问并操作 QML 对象。通常来说，我们的需求是访问 QML 的属性和信号，而避免直接修改 QML，因为这样做会改变业务逻辑。
【QT Qucik】C++交互：接收QML信号
最新发布
2303_80346267的博客
10-06 360
在本节课中，我们将深入探讨如何在C++中接收QML发出的信号。我们将分为几个部分，详细说明信号的定义、发送及其在C++中的接收。
扩散模型（2）--1
m0_63860007的博客
09-29 1003
生成模型通过学习并建模输入数据的分布，从而采集生成新的样木，该模型广泛运用于图片视频生成、文本生成和药物分子生成。扩散模型是一类概率生成模型，扩散模型通过向数据中逐步。
基于Keras的U-Net模型在图像分割与计数中的应用
深度学习实战训练营，一起交流探索深度学习
10-04 1266
网络结构优化：项目基于经典的U-Net模型进行改进，采用了更深的网络层次结构，使模型能够在多尺度上捕捉到图像中的细节信息。特别是针对医学图像分割，项目通过增加卷积层数和引入Dropout层来增强模型的特征提取能力，并有效防止过拟合，从而提高模型在训练数据较少情况下的表现。项目中采用了he_normal初始化器和relu激活函数组合，使得网络在训练时能够更快地收敛，降低梯度消失的风险。自定义数据增强策略：在中实现了一个自定义的图像增强类。
深度学习-----------------机器翻译与数据集
Einstein·Jun
10-03 436
绘制每个文本序列所包含的标记数量的直方图。
大模型~合集5
whaosoft~aiotの开发板商城
10-02 1460
FLock 的机制设计受到了证明权益（PoS）区块链共识机制和桌面游戏《The Resistance》（一种角色扮演类游戏，该游戏的一个变种叫阿瓦隆）的启发。《The Resistance》游戏则通过投票机制，每轮游戏中玩家独立推理并投票，从而实现全局共识。《The Resistance》有两个不匹配的竞争方，其中较大的一方被称为抵抗力量，另一方被称为间谍。在《The Resistance》中，有一个投票机制，在每一轮中，每个玩家进行独立推理并为一个玩家投票，得票最多的玩家将被视为「间谍」并被踢出游戏。
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

泰山AI

原创不易，感谢支持

¥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