注：部分摘自Java内存模型有五个：方法区、Java堆、Java栈、程序计数器、本地方法栈方法区方法区在一个JVM实例的内部，类型信息存在一个称为方法区的内存逻辑区中。类型信息是由类加载器在类加载时从类文件中提取出来的。类静态变量也存放在方法区。一旦一个类要被使用，Java虚拟机就会对其进行装载、连接（ 验证、准备、解析 ）、初始化。而装载后的结果就是由.class文件转变为方法区的一段
转载
2024-04-10 10:00:35
38阅读
V模型：在编码完成之后测试才开始介入，没有对需求分析和系统设计环节进行测试W模型：W模型是V模型的发展，强调的是测试伴随着整个软件开发周期，而且测试的对象不仅仅是程序，需求、功能和设计同样要测试。测试与开发是同步进行的，从而有利于尽早地发现问题。H模型：在H模型中，软件测试的过程活动完全独立，形成了一个完全独立的流程，贯穿于整个产品的周期，与其他流程并发进行，某个测试点准备就绪后就可以从测试准备阶
4月7日，阿里云宣布自研大模型“通义千问”，目前已开始邀请用户测试体验。阿里达摩院在NLP自然语言处理等前沿科研领域早已布局多年，并于2019年启动大模型研发，通义千问便是其最新成果，相当于阿里云版的“ChatGPT”。有幸拿到了内测名额，问了通义千问一些问题，以下是结果展示：1.提问：你和ChatGPT相比有哪些优势？通义千问：作为一个大型语言模型，我有以下几个优势：1.大量训练数据：我基于大量
Whisper模型方法证明了只需要用大量的弱标签数据，不需要很复杂的模型和调优方法，就可以到
转载
2024-03-20 17:10:36
1540阅读
基本使用：class ChooseAreaViewModel :ViewModel(){
var provinceLiveData = MutableLiveData<MutableList<Province>>()
fun getProvinceList(){
viewModelScope.launch {
provin
转载
2024-07-08 04:55:57
78阅读
语音合成&语音识别用微软语音合成功能生成xiaoxiao的语音。用Whisper离线识别合成的语音输出srt字幕。一、语音合成参考这个网址：https://www.bilibili.com/read/cv19064633合成的音频：晓晓朗读-温柔二、Whisper 语音识别下载模型后放入程序目录下：请注意，主要示例目前仅使用 16 位 WAV 文件运行，因此请确保在运行该工具之前转换您的输
转载
2024-04-29 12:19:42
2624阅读
Whisper大模型学习纪录：自己写代码微调大模型
在这个博文中，我将详细记录如何对Whisper大模型进行微调与个人代码实现。希望对大家在实践中有帮助。
## 版本对比
### 特性差异
在过去的几个版本中，Whisper大模型经历了多次迭代，针对性能和适用性进行了一系列优化。以下是近期版本的演进史：
| 版本 | 发布日期 | 主要特性 |
|------|----------|--
Java 四种主要的 IO 模型1. 引言1.1 背景介绍随着计算机系统的发展和应用场景的多样化，IO模型的选择变得越来越重要。传统的阻塞IO模型在处理大量并发IO请求时可能会导致性能瓶颈，而非阻塞IO模型、IO多路复用模型和异步IO模型等新型IO模型则提供了更灵活和高效的IO处理方式。因此，对不同IO模型进行比较和总结，以及在实际应用中选择合适的IO模型成为了开发人员需要面对的重要问题。1.2
一、Twisted基本模型Twisted 网络编程框架是一种基于事件的网络编程框架，用户需要继承特定的类，并重载其中的方法来处理网络通信中可能出现的各种情况。Twisted的网络通信模型最基本的也要由三部分组成：反应器(reactor)、协议(protocol)、工厂(factory)。其中反应器用来执行事件循环，分发事件处理等等，每个应用程序中一般只能启动一个reactor。协议用来完成与一个已
数据建模：维度建模一、数据建模概述二、维度建模1、维度建模过程2、维度建模的基本要素3、维度建模过程举例 一、数据建模概述1、数据模型级别概念数据模型：是用一系列相关主题域的集合来描述概要数据需求。概念模型仅仅包括给定的领域和职能中基础和关键的业务实体，同时也给出实体与实体之间关系的描述。逻辑数据模型：是对数据需求的详细描述。物理建模：描述了一种详细的技术解决方案。2、发展阶段简单报表阶段：通过
学习笔记---传统机器学习中的 Time Series引言为什么需要？预测颗粒度时序模式评价指标传统时序模型简单平均滑动平均指数平滑线性趋势模型Holt-Winters季节性回归另外一大类（自回归模型--和指数平滑非常接近）平稳性优点 VS 缺点机器学习拟合模型验证滑动验证预测模型选择案例深度学习why:RNNRNN+传统时序DEEP AR 课程链接：https://www.youtube.co
转载
2024-10-14 17:02:09
28阅读
3dmax效果图工作者的工作是枯燥而乏味的，而且即使是效果图大师们也仍然难以脱离麻烦而冗余的操作。如果说3dmax小白累得半死，还情有可原。3dmax效果图大师们常年疯狂于建模、渲染，还能没点“骚操作”吗？那么，3dmax效果图大师们是怎么完成3dmax效果图的场景和归档的？步骤1、点击3dmax场景菜单-场景打包的“选择打包”：这时，我们选择的物体、对象和其所用到的资源文件，都能进行打包(还有预
第13章保存和加载你的模型 在上一章，我们使用keras库学习了怎样训练CNNs。但是，我们注意到，在我们每次想评估网络或测试一批图像时，都需要首先训练它。这在网络模型很深、数据集很大时，将花费巨大时间来训练。那么有没有一种方式在训练完模型后，将它保存在磁盘上，然后在分类新图像时仅仅从磁盘加载就可以？ &
3.”不存在“和”背景“点 一些早期的物种分布模型算法，比如Bioclim和Domain只在建模过程中使用‘presence’数据。其他方法也使用‘absence’数据和‘background’数据。逻辑回归是分析‘presence’和‘absence’数据的传统途径（而且仍然被大量使用，经常在一个广义线性建模（GLM）框架中实现）。如果你有一个从精心设计的调查中获得的巨大的包含presence
一、产生句子方法：Shannon Visualization Method过程：根据概率，每次随机选择一个bigram，从而来产生一个句子比如:从句子开始标志的bigram开始，我们先有一个(<s>, w)，w是随机一个单词，比较有可能的是I这个单词，那么我们就有(<s>, I)随机选择下一个单词，得到(w,x)，这里w是I，x概率最大的是want重复以上步骤，直到得到&l
如何提高训练模型准确率原文链接： 提升一个模型的表现有时很困难，尝试所有曾学习过的策略和算法，但模型正确率并没有改善。 这才是考验真本领的时候！这也是普通的数据科学家跟大师级数据科学家的差距所在。 本文将分享 8 个经过证实的方法，使用这些方法可以建立稳健的机器学习模型。导语模型的开发周期有多个不同的阶段，从数据收集开始直到模型建立。 不过，在通过探索数据来理解（变量的）关系之前，建议进行假设生成
通过本文的上篇OpenGL 的空间变换（上）：矩阵在空间几何中的应用，我们了解到矩阵的基础概念。并且掌握了矩阵在空间几何中的应用。接下来，我们将结合矩阵来了解 OpenGL 的空间变换。在使用 OpenGL 的应用程序中，当我们指定了模型的顶点后，顶点依次会变换到不同的 OpenGL 空间中：世界空间模型空间（也称为对象空间）视图空间（也称为视点空间、摄像机空间）裁剪空间标准设备坐标空间窗口空间在
不知道从哪本书/哪篇文章摘来的了，先mark一下：一、随机访问存储器（RAM）（1）随机访问存储器（RAM）概述 ①随机存储器可以随时从任何一个指定地址中读出数据，也可以随时将数据写入任何一个指定的存储单元中，RAM的结构如下： &
一、产生句子方法：Shannon Visualization Method过程：根据概率，每次随机选择一个bigram，从而来产生一个句子比如:从句子开始标志的bigram开始，我们先有一个(<s>, w)，w是随机一个单词，比较有可能的是I这个单词，那么我们就有(<s>, I)随机选择下一个单词，得到(w,x)，这里w是I，x概率最大的是want重复以上步骤，直到得到&l
接上一篇Sparrow算法篇 从日期取交集到思维模式这样的时间段有成百上千条该如何处理?如果我们需要根据具有日期交集的时间段分组呢？如果我们的业务不是日期，而是其他数据类型呢？如何抽象出计算模型？非日期型数据也可以进行分组？上一篇分享日期取交集的核心逻辑。 但映射到具体业务上可能有更复杂的场景，比如第一个问题，两个日期取交集还好搞好，但日期段很多的情况下,如何按每一个时间段相同的数据进行分组呢。&
转载
2024-09-16 14:26:22
76阅读
