https://arxiv.org/abs/1703.06870

https://blog.roboflow.com/mask-rcnn/

介绍

这是一个大模型机器人的试验尝试。效果预期就是可以将大模型引入QQ对话。

效果就是：让自己的QQ成为一个机器人客服，别人发消息给自己的QQ，自己的QQ自动就回复别人了，回复依靠的是大模型的语言能力。

项目在这里：https://astrbot.app/deploy/astrbot/docker.html#%E4%BD%BF%E7%94%A8-docker-%E9%83%A8%E7%BD%B2-astrbot

AstrBot 结合 NapCat 做QQ机器人， AstrBot 也可以结合其他消息中间件，做别的平台的机器人，比如微信、QQ、飞书、钉钉。

下载模型:

sh
展开代码
modelscope download Qwen/Qwen3-32B --local_dir ./Qwen/Qwen3-32B

部署：

bash
展开代码
# 拉取最新的
docker pull lmsysorg/sglang:v0.4.6.post1-cu121

# 启动服务
docker run -d --gpus '"device=0,1,2,3"' --shm-size=32g \
    -v ./Qwen/Qwen3-32B:/model \
    -p 8055:8000 \
    -e PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True \
    lmsysorg/sglang:v0.4.6.post1-cu121 python3 -m sglang.launch_server --model-path /model --host 0.0.0.0 --port 8000  --mem-fraction-static 0.9 --tensor-parallel-size 4 --context-length 40960 --served-model-name "gpt" --api-key "abc"

客制化里面加ccs：

ccs
展开代码
.snow-container {
  position: fixed;
  top: 0;
  left: 0;
  width: 100%;
  height: 100%;
  pointer-events: none;
  z-index: -1;
  overflow: hidden;
}

.snowflake {
  position: absolute;
  will-change: transform;
  user-select: none;
  text-shadow: 0 0 6px rgba(255, 255, 255, 0.7);
  /* 确保GPU加速 */
  transform: translate3d(0, 0, 0);
  backface-visibility: hidden;
}

如何搭建一个自己的博客，下面是我这个博客搭建的过程：

1. 选定博客框架：VanBlog 二次开发版

• 核心优势：
  使用基于 VanBlog 的二次开发版本（xxddccaa/vanblog），集成以下特性：

  • ✅ 开箱即用：Docker Compose 一键部署，降低环境依赖复杂度。
  • ✅ 性能优化：完整标题显示、后台列表换行支持、代码块折叠功能、Admin免登录，提升用户体验。
  • ✅ 安全性：默认关闭评论系统（符合公安备案要求），集成 Mermaid 图表支持。

• 代码结构：

  bash
  展开代码
  ├── packages/
  │   ├── admin       # 后台管理界面（Ant Design Pro）
  │   ├── website     # 前端页面（Next.js + Tailwind CSS）
  │   ├── server      # 后端服务（NestJS + MongoDB）
  │   └── waline      # 可选评论系统
  └── docker-compose.yml  # 容器化编排
  

  注意：使用这个 docker compose.yaml 文件即可使用 docker compose 一键部署： https://github.com/xxddccaa/vanblog/blob/master/docker-compose/docker-compose.yml

Git 实战技巧：如何优雅地移除已推送到远程仓库的敏感文件

🤔 遇到过这种尴尬吗？

作为开发者，我们经常会遇到这样的情况：

• 不小心把包含密码的配置文件推送到了 GitHub
• 意外提交了 IDE 的配置文件（如 .vscode/、.idea/）
• 把本地的测试脚本或临时文件推送到了远程仓库
• 发现某些文件不应该被版本控制，但已经在仓库里了

很多人的第一反应是在 .gitignore 中添加这些文件路径，但发现完全没用！文件依然会被 Git 追踪和同步。

可能是内存不够了。

该文章已加密，点击 阅读全文 并输入密码后方可查看。

1. SGLang中Qwen2-VL的模板代码位置

参考文章：

https://blog.csdn.net/wjinjie/article/details/107509243

GAN（生成对抗网络）的损失函数设计直接影响模型的训练效果和生成质量。以下是常用的损失函数及其特点：

🧠 SVM 是什么？一句话说清楚：

SVM 就是一个分类器，它想在两个类别之间画一条“最宽的分界线”，让两边的数据离这条线越远越好。

你可以把它想象成：
在猫和狗之间划出一条“安全距离线”，谁靠得近谁就容易被误判。SVM 想让这条线尽可能远离两边的样本。

该文章已加密，点击 阅读全文 并输入密码后方可查看。

傅里叶变换、FFT、S变换与Z变换可视化

本教程通过Python代码实现核心公式+动态图演示，帮助你直观理解这些变换的本质。

一、傅里叶变换（Fourier Transform）

核心思想

将信号分解为不同频率的正弦波分量，揭示信号的频率组成。

连续傅里叶变换公式：

$F(\omega) = \int_{-\infty}^{\infty} f(t)e^{-j\omega t}dt$

Automatic Prefix Caching

https://docs.vllm.ai/en/latest/features/automatic_prefix_caching.html

如果每次query都有相同的前缀，那么启用这个参数将获得极大的推理时间收益：

bash
展开代码
enable_prefix_caching=True

查看当前word多少个表格：

vba
展开代码
Sub CountTablesInDocument()
    Dim tableCount As Long
    
    ' 获取文档中所有表格的数量
    tableCount = ActiveDocument.Tables.Count
    
    ' 显示结果
    If tableCount > 0 Then
        MsgBox "当前文档中包含 " & tableCount & " 个表格。", vbInformation, "表格统计"
    Else
        MsgBox "当前文档中没有表格。", vbInformation, "表格统计"
    End If
End Sub

强化学习关键术语

以下是强化学习中所有关键专有名词的统一解释，结合理论定义与直观理解，便于快速查阅。

1. 基础概念

状态（State）

• 定义：环境在某一时刻的具体情况，用 $s$ 表示（如机器人当前位置）。
• 例子：围棋棋盘布局、自动驾驶汽车的传感器数据。

动作（Action）

• 定义：智能体在某个状态下可以采取的行为，用 $a$ 表示（如“向左移动”）。
• 离散动作：有限选项（如上下左右）。
• 连续动作：无限可能（如方向盘转角）。

奖励（Reward）

• 定义：智能体执行动作后环境返回的即时反馈，用 $R(s, a)$ 或 $r_t$ 表示。
• 设计原则：鼓励目标行为（如到达终点 +10，撞墙 -5）。

🌀 RoPE 旋转位置编码详解与计算示例

一、RoPE 的数学基础

1. 频率参数生成

给定维度 $d$ 和位置 $m$，定义频率参数：

其中：

• $i$：维度索引（从 0 开始）， 这个公式很好记忆，d 是向量维度，比如128。而$i$ 乘以2不能超过d，所以当$d=128$ 的时候，
• $d$：向量总维度。

该文章已加密，点击 阅读全文 并输入密码后方可查看。

1. 梯度消失如何缓解？

（1）梯度消失是深度神经网络训练过程中出现的一种现象，指的是在反向传播时，靠近输入层的梯度变得非常小，几乎趋近于零。这通常发生在使用如 Sigmoid 或 Tanh 等饱和激活函数的深层网络中，由于链式法则导致多个小于1的数连乘，使得梯度指数级衰减。

（2）梯度消失的现象主要表现为模型训练缓慢甚至停滞，靠近输入层的参数几乎不更新，导致网络无法有效学习特征。这会直接影响模型的收敛速度和最终性能，尤其在层数较多的情况下更为明显。

（3）缓解梯度消失的方法包括：使用如 ReLU 及其变体等非饱和激活函数；采用合适的参数初始化方法如 He 初始化 或 Xavier 初始化，保证信号传播的稳定性；引入 Batch Normalization 层来标准化每层输出；利用 残差连接（Residual Connection） 使梯度更容易回传；以及在必要时使用 梯度裁剪（Gradient Clipping） 防止梯度过小或过大带来的训练不稳定问题。