在MATLAB中，将状态空间模型转换为传递函数可以通过以下步骤完成：

方法一：使用 ss 和 tf 函数

1. 定义状态空间矩阵：

   matlab
   展开代码
   A = [...];  % 状态矩阵
   B = [...];  % 输入矩阵
   C = [...];  % 输出矩阵
   D = [...];  % 直接传输矩阵
   

2. 创建状态空间对象：

   matlab
   展开代码
   sys_ss = ss(A, B, C, D);
   

3. 转换为传递函数：

   matlab
   展开代码
   sys_tf = tf(sys_ss);
   

4. （可选）约简传递函数（消除共同零极点）：

   matlab
   展开代码
   sys_tf = minreal(sys_tf);
   

状态空间方程与传递函数的关系详解

在控制系统中，状态空间方程和传递函数是两种常用的数学模型，它们分别代表了现代控制理论和经典控制理论的核心工具。本文将深入探讨它们之间的内在联系与相互转换方法，并通过实例解析帮助读者更好地理解这两种模型的关系。

状态空间方程（State-Space Equation）是现代控制理论中描述动态系统的核心数学模型，它将系统的输入、输出和内部状态变量通过矩阵形式关联起来。以下是详细解释：

在带有惯性轮的倒立摆系统中，使用拉格朗日方程进行分析时，确定摆杆角度和惯性轮角度的方程右边的步骤如下：

1. 系统建模与广义坐标 • 摆杆角度：定义为摆杆与垂直方向的夹角，记为 $\theta$。

• 惯性轮角度：定义为惯性轮相对于摆杆的转角，记为 $\phi$。惯性轮的绝对转角为 $\theta + \phi$。

本地模型目录需要是git仓库：

1. 初始化 Git 仓库（如果尚未初始化） 如果目录没有初始化过 Git，需要先执行：

bash
展开代码
git init

2. 添加 Hugging Face 远程仓库

bash
展开代码
git remote add origin https://huggingface.co/hugxd/InternVL2_8B_Point_to_Box

《SWING UP AND BALANCING OF A REACTION WHEEL INVERTED PENDULUM》

https://github.com/B-Paweekorn/Reaction-wheel-inverted-pendulum

更多信息可直接访问官网：

https://internvl.readthedocs.io/en/latest/internvl2.0/finetune.html

image_max_pixels

image_max_pixels， 这里的 area 就是宽*高

python
展开代码
# 在src/llamafactory/data/mm_plugin.py中定义
# 控制图像处理时的最大像素数量
# 如果图像超过这个像素数，会被调整大小
def get_image_processor_preprocess_params(image_processor):
    params = {}
    if hasattr(image_processor, "crop_size"):  # for CLIP
        params["crop_size"] = {
            "height": image_processor.crop_size["height"],
            "width": image_processor.crop_size["width"]
        }
        params["size"] = max(params["crop_size"]["height"], params["crop_size"]["width"])
    elif hasattr(image_processor, "size"):
        if isinstance(image_processor.size, dict):  # for Qwen
            params["size"] = image_processor.size["max_edge"]
        elif isinstance(image_processor.size, list):  # for InternVL
            params["size"] = image_processor.size
        else:
            params["size"] = image_processor.size
    
    # image_max_pixels用于确保图像不会太大，超出内存
    if params.get("size", None) is not None and hasattr(image_processor, "image_max_pixels"):
        area = image_processor.image_max_pixels  # 来自training_args.image_max_pixels
        size = int(math.sqrt(area))
        params["size"] = size

    return params

LLaMA-Factory 源码信息

展开代码
register_model_group(
    models={
        "InternVL2.5-1B-MPO": {
            DownloadSource.DEFAULT: "kingsley01/InternVL2_5-1B-MPO-hf",
            DownloadSource.MODELSCOPE: "llamafactory/InternVL2_5-1B-MPO-hf",
        },
        "InternVL2.5-2B-MPO": {
            DownloadSource.DEFAULT: "kingsley01/InternVL2_5-2B-MPO-hf",
            DownloadSource.MODELSCOPE: "llamafactory/InternVL2_5-2B-MPO-hf",
        },
        "InternVL2.5-4B-MPO": {
            DownloadSource.DEFAULT: "kingsley01/InternVL2_5-4B-MPO-hf",
            DownloadSource.MODELSCOPE: "llamafactory/InternVL2_5-4B-MPO-hf",
        },
        "InternVL2.5-8B-MPO": {
            DownloadSource.DEFAULT: "kingsley01/InternVL2_5-8B-MPO-hf",
            DownloadSource.MODELSCOPE: "llamafactory/InternVL2_5-8B-MPO-hf",
        },
        "InternVL3-1B-hf": {
            DownloadSource.DEFAULT: "kingsley01/InternVL3-1B-hf",
            DownloadSource.MODELSCOPE: "llamafactory/InternVL3-1B-hf",
        },
        "InternVL3-2B-hf": {
            DownloadSource.DEFAULT: "kingsley01/InternVL3-2B-hf",
            DownloadSource.MODELSCOPE: "llamafactory/InternVL3-2B-hf",
        },
        "InternVL3-8B-hf": {
            DownloadSource.DEFAULT: "kingsley01/InternVL3-8B-hf",
            DownloadSource.MODELSCOPE: "llamafactory/InternVL3-8B-hf",
        },
    },
    template="intern_vl",
    multimodal=True,
)

InternVL 1技术深度分析

1. 引言

InternVL（Internal Vision-Language model）是一个开源的多模态大型模型项目，由上海人工智能实验室（OpenGVLab）开发。InternVL 1是该项目的第一个主要版本，它通过创新的视觉-语言融合方法，实现了强大的图像理解和多模态对话能力。本文将深入分析InternVL 1的技术架构、关键特性和创新点，以提供对该模型的全面了解。