个人技术分享

探索矿业数字化平台：实现智能化采矿与管理

数字化平台的出现为矿业企业带来了更高效、更智能的采矿与管理方式。矿业数字化平台可以实现不同部门之间的信息共享和协同工作，打破了各个部门之间的信息壁垒，提高了生产管理的整体效率和协同性，促进了企业内部各个环节之间的良性互动。未来的矿业数字化平台将不仅局限于生产环节，还将涵盖矿业企业的整个产业链，包括资源勘探、矿山设计、生产管理、销售配送等各个环节，实现全产业链的数字化管理和优化。未来的矿业数字化平台将更加注重生态环保，通过监测和管理矿山生产对环境的影响，实现矿业生产的可持续发展，为社会和环境贡献更大的价值。

Proteus8.0仿真应用设计（五十）基于STM32CubeMX、STM32F103C8T6 、FREERTOS、MAX335多路模拟开关(SPI接口）应用设计仿真

MAX335模拟开关提供了8个单独控制的单极单掷（SPST）开关，SPI接口。所有开关在任何方向上传导相同，且接通电阻（100Ω）在模拟信号范围内是恒定的。这些CMOS开关可以通过从±4.5V到±20V的电源连续工作，并处理轨到轨的模拟信号。在通电时，所有开关都关闭，内部串行和并行移位寄存器被重置为零。作为一个移位寄存器，这个串行接口允许数据（在DIN)与时钟的上升边缘（SCLK）同步锁定。移位寄存器的输出（DOUT）使几个MAX335能够被菊花链接。●8单独控制的SPST交换机。2）、MAX335控制。

【机器学习】CLIP模型在有限计算资源下的性能探究：从数据、架构到训练策略

在人工智能领域，多模态模型正逐渐成为研究的热点。其中，CLIP（Contrastive Language-Image Pretraining）模型以其卓越的性能和广泛的应用场景受到了广泛关注。然而，在实际应用中，计算资源的有限性往往成为制约模型性能提升的关键因素。近期的研究在探讨如何在计算资源有限的条件下，优化CLIP模型的性能表现，取得了显著的成果。

【Vue3】Ref与Reactive

name和age是一个RefImpl的实例对象，简称ref对象，它们的value属性是响应式的。// 注意：name不是响应式的，name.value是响应式的，所以如下代码并不会引起页面的更新。// 通过toRef将person对象中的gender属性取出，且依然保持响应式的能力。// 通过toRefs将person对象中的n个属性批量取出，且依然保持响应式的能力。// tel就是一个普通的字符串，不是响应式的。// JS中操作ref对象时候需要.value。commits记录中查找。

Python中的子类和父类详解

在Python中，一个类可以继承另一个类的属性和方法。我们称被继承的类为父类（或基类），而继承的类称为子类（或派生类）。父类：提供基本的属性和方法，它定义了一种通用的行为，可以被一个或多个子类继承。子类：继承父类的属性和方法，同时可以添加新的属性和方法或修改继承来的方法，以实现更具体的行为。定义一个普通的类，这个类自动成为其他类可以继承的父类。这里我们定义了一个名为Animal的类，它有一个初始化方法__init__和一个名为speak的方法。子类通过在类定义时在括号中指定父类的名字来实现继承。这里。

CMUS狮身人面像（四）-构建语言模型

但是，如果您的用户不小心跳过了语法所需的单词，这种严格性可能会有害。例如，如果您从单词列表创建统计语言模型，它仍然允许解码单词组合，即使这可能不是您的意图。例如，您可能会列出“二十一”和“三十三”之类的数字，统计语言模型也会以一定的概率允许“三十一”。当您需要特定选项或者您只想使用您最喜欢的工具包来构建 ARPA 模型时，您也可以使用它。首先，您需要准备大量干净的文本。4) 如果您想要一个封闭词汇语言模型（一种没有针对未知单词的规定的语言模型），那么您应该从输入记录中删除包含词汇文件中不存在的单词的句子。

裸金属服务器使用效果好吗

裸金属服务器，英文名Bare Metal Server（BMS），是一款兼具弹性云服务器和物理机性能的计算类服务，也被称为物理服务器，结合了物理服务器的稳定性和云计算的灵活性，是一种非虚拟化的服务器，它直接运行在硬件上，没有中间的虚拟化层，提供了高性能、高可靠性和低延迟的计算资源，为用户提供了一种新型的云服务体验。而德迅云安全裸金属服务器，支持包年包月、按量付费购买，对于企业来说，付费方式更多样，更方便企业选择适配的方案，能够带来更高的业务价值和成本效益。在线游戏业务对系统性能要求极高，要求服务足够稳定。

【机器学习】近邻类模型：KNN算法在数据科学中的实践与探索

KNN算法作为近邻类模型的代表，以其简单直观、无需显式训练的特性在数据科学领域得到了广泛应用。通过调整k值和结合其他技巧，KNN算法能够应对多种分类场景。随着大数据和机器学习技术的不断发展，未来我们有望看到更多基于近邻类模型的创新应用，为数据科学领域带来更多的突破和进步。

【Agent组合技】最全解读MoE混合专家模型：揭秘关键技术与挑战

OpenAI 引领的生成式模型发展如火如荼，截止目前最强大的模型是 GPT4V，它不仅在语言模态方面有强大的能力，同时具备强大的视觉能力。在今年 7 月爆出的 GPT4 解密的报告，以及跟业内人士的多方交流验证，GPT4 使用 MoE 架构是一件非常明确的事情：选择了 16 个 Expert，每个 Token 选择 Top2 个 Expert，总体参数规模在 1.8TB 左右在不久后的 2024 年，MoE 也是一个非常明确的竞争赛道。

关于前后端的参数传递

以前端javascript，后端nodejs+express为例，后端可以从前端发来的request里获取这些属性：header、query、url、params、body，其中params和query是从url中解析获得，不过express已帮我们做好了，就不用我们自己再折腾处理url里的这些参数，除了body外，其他位置传递参数的话，后端直接取就可以了，不用再通过解析器来处理，不过由于浏览器对参数长度的限制，参数较多或参数较长的话，就只能通过body来传递参数了，这时候就需要考虑参数的编码和解析了。