个人技术分享

而丰富的AI生态，可以极大简化业务开发流程。他提到，非结构化数据赋能生成式AI应用，除了检索增强生成 (RAG)、多模态搜索等应用，目前也应用到自动驾驶数据准备，面向海量样本数据存储、高效检索，精准匹配，优化决策与导航。在亚马逊云科技中国峰会 ISV 行业论坛上，Zilliz 合伙人、研发 VP 栾小凡以“基于Zilliz重构数字战略，打造生成式AI应用”为主题进行分享，他提到根据IDC调查显示，到2027年，86.8% 的数据属于非结构化数据，然而只有18%的企业机构认为他们有效地利用了非结构化数据。

因为戴尔的传统业务利润大约8%，AI这么热，结果毛利率还比上季下降了4%，导致利润率比传统业务还不如，帮英伟达代工带了个寂寞啊，所以让本来上了头的投资瞬间透心凉。对比PC行业另一巨头惠普的财报，收入同比下降0.8%，股价反倒大涨近17%，可以确定戴尔昨晚的大跌就来自这种预期差。所以，就未来而言，AI的趋势正风口浪尖，个人AI应用从云端部分走下个人本地服务器成为趋势，AIPC必定继续走量。AIPC带来的增长显而易见，符合大家的预判，可问题是这么大的出货量和积压订单，却没能转化为利润，这就很让投资人瓦特了。

基于3U VPX的 Jetson Xavier NX GPU计算主板，是AI 人工智能的低功耗计算平台，是LINUX环境下软件开发等的理想工具，拥有VPX标准连接器和特性的接口。P0连接器管脚接口信号定义GFEDCBA1+12V+12V+12VNCNCNCNC2+12V+12V+12VNCNCNCNC3NCNCNCNCNCNCNC4NCNCGNDNCGNDSYSRESET#NC5GAPGA4GND3V3_AUXGNDNCNC6。

补充：这里的transform根据不同的数据集选择不同的值。补充：可以在外面再套一层迭代次数。以MNIST数据集为例。

torch.hstack() 是 PyTorch 中的一个函数，用于沿着水平方向（列维度）堆叠张量来创建一个新的张量。torch.column_stack() 是 PyTorch 中的一个函数，用于按列堆叠张量来创建一个新的张量。torch.masked_select() 是 PyTorch 中的一个函数，用于根据给定的掩码从输入张量中选择元素并返回一个新的张量。torch.index_select() 是 PyTorch 中的一个函数，用于按索引从输入张量中选择元素并返回一个新的张量。

数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。图片数量(jpg文件个数)：96。标注数量(xml文件个数)：96。标注数量(txt文件个数)：96。使用标注工具：labelImg。标注类别名称:["rat"]标注规则：对类别进行画矩形框。rat 框数 = 378。

这里建议python的版本为3.8，pytorch的版本为1.8.1，当我们输入python回车显示的python版本如果不是3.8版本则需要在anaconda中新建个python3.8的环境，新建的虚拟环境，和当前显示的环境并不会冲突，可以切换使用。尽量选择最新的日期的anaconda进行安装，我这里是windows电脑，因此选择了windos-x86_64.exe，大家根据自己的电脑系统来选择相应的anaconda安装包。activate python38进入到我们安装好的环境中。

综上所述，开源大模型和闭源大模型各有优劣。在数据隐私方面，开源模型更具透明度和可审计性；在商业应用方面，闭源模型可能更具技术成熟度和定制化服务能力；而在社区参与方面，开源模型则更具创新动力和知识共享优势。未来，随着AI技术的不断发展和应用场景的不断拓展，我们期待看到这两种模型在各自的领域里继续发光发热，共同推动AI技术的进步和发展。开源大模型和闭源大模型共同构成了AI生态系统的两大支柱。它们不仅推动了AI技术的进步和应用，也促进了学术研究的深入和创新。

SVM 缺陷检测分类

ONNX Runtime 是一个开源的高性能推理引擎，用于部署和运行机器学习模型，其设计的目标是优化执行open neural network exchange （onnx）格式定义各模型，onnx是一种用于表示机器学习模型的开放标准。onnx模型：ONNX格式的模型文件，通常以.onnx扩展名保存，onnx文件是一种中性表示格式，独立于任何特定的深度学习框架，用于跨不同框架之间的模型转换和部署。要在不同框架或平台中部署训练的pt模型，需要利用ONNX转换工具将pt模型转换为ONNX格式。

图像(image)：根据第二点的不同，我们可以将图像分为：模拟图像、数字图像模拟图像的成像过程和结果记录是基于化学反应的，如传统照相方法所用到的“胶片”就是一种物理介质，这个过程涉及到光敏材料对光的响应，是一种！。这种成像过程和记录结果是连续的，没有固定的分辨率限制，可以达到非常精细的水平。对模拟图像的处理和编辑通常需要用到。，成像结果就是离散的。它是基于传感器的。由下图可以看到，数字图像是由模拟图像得到的。它以像素为最小单位存储在计算机等数字电路中，这个过程也称为：图像的数字化。

数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。重要说明：大部分是脚本伤口，也有一小部分是其他部分伤口。图片数量(jpg文件个数)：2760。标注数量(xml文件个数)：2760。标注数量(txt文件个数)：2760。使用标注工具：labelImg。标注规则：对类别进行画矩形框。

费舍尔线性判别分析（Fisher's Linear Discriminant Analysis，简称 LDA），用于将两个类别的数据点进行二分类。randnSwrandn通过这些步骤，代码能够实现费舍尔线性判别分析，并对新的测试样本进行分类和可视化。

SVM 缺陷检测分类

驰骋低代码开发平台以其前瞻性的眼光和创新精神，将AI技术深度整合进低代码开发框架中，为开发者提供了一款功能强大、易于使用的开发工具。未来，随着AI技术的不断发展和完善， 驰骋低代码开发平台将会继续发挥其优势，为更多行业和企业提供优质的软件开发服务。从制造业的自动化生产到金融行业的智能风控，再到医疗领域的精准诊断，AI技术正在以其独特的方式，推动各行各业实现前所未有的创新与突破。这不仅提高了用户体验，还降低了开发者的设计难度。在AI的加持下，使用低代码的功能底座，完成系统的在线设计与开发，已经成为了可能。

AI大模型通过收集和预处理大量数据，设计复杂的神经网络架构，进行反复训练和优化，最终部署到实际应用中，为各类智能应用提供强大的支持。其工作原理类似于人类学习一门语言，通过大量的阅读、练习、评估和应用，逐渐掌握并熟练运用这门语言。

使用python写一个简单的神经网络

例如，在 COCO 数据集上，YOLOv10-S 的速度是RT-DETR-R18 的 1.8 倍，而 YOLOv10-B 与 YOLOv9-C 相比，在性能相同的情况下，延迟减少了 46%，参数减少了 25%。YOLOv10是清华大学的研究人员在Ultralytics Python包的基础上，引入了一种新的实时目标检测方法，解决了YOLO 以前版本在后处理和模型架构方面的不足。然而，对 NMS 的依赖和架构上的低效阻碍了最佳性能的实现。利用一致的双重分配来消除对 NMS 的需求，从而减少推理延迟。

我们研究了transformer在医学图像分割、检测、分类、恢复、合成、配准、临床报告生成等任务中的应用。特别是，对于这些应用程序中的每一个，我们都开发了分类，确定了特定于应用程序的挑战，并提供了解决这些挑战的见解，并强调了最近的趋势。此外，我们对该领域的整体现状进行了批判性的讨论，包括确定关键挑战，开放问题，并概述了有希望的未来方向。

1.给 script 标签添加 defer 属性，适用于 js 中涉及到 dom 的操作，或者与其他的 js 有相互引用的关系，添加 defer 属性会将 javascript 脚本延迟执行，但是 html 解析过程中遇到 script 标签仍然会进行下载。2. defer 脚本会在 dom 解析完成后， DOMContentloaded 事件调用前执行，而且 defer 属性的 js 脚本会按照顺序执行，即在 dom 解析完成后会依次执行 script 标签。1. dom 树和 css 树的先后顺序。