本学习笔记来源于B站： 迪哥128集强力打造：深度学习PyTorch从入门到实战 的第30-41个视频。在本预训练-微调代码中，重点要学习的内容包括：1、加载官方提供的经典网络架构和已经训练好的模型，对最后一层全连接层进行修改，改为适合自己任务的网络架构。在此基础上，训练最后一层全

介绍知道未来信息的概念，及处理未来信息的方法掌握从原始数据构造出新特征的方法掌握特征变换的方法掌握缺失值处理的方法【理解】数据准备风控建模特征数据数据来源人行征信数据查询原因包括：贷款审批、贷后管理、信用卡审批、担保资格审查、司法调查、

一、卷积神经网络卷积神经网络（ConvolutionalNeuralNetword，CNN）是一种深度学习模型，它在图像识别、视频分析、自然语言处理等领域表现出色。CNN的核心思想是利用卷积运算来提取输入数据的特征，并且能够保持空间层次结构。卷积神经网络的架构如下：我们今天的重点是利用卷积神经网

>下载textshaping包，出现路径依赖错误。#解决路径依赖问题```condainstall-cconda-forgeharfbuzzfreetypefribidipkg-configwhichpkg-config  #看是否返回路径，返回即正常find/-name"harfbuzz.pc"2>/dev/nullfind/-name"freetype2.pc"2>/dev/nullfi

本教程以一个智能合约（使用NEAR的一个官方FungibleTokens来实现）的例子来介绍一下Devbox的强大功能，轻松构建环境，轻松发布。NEAR是一个去中心化的应用平台，使用了分片技术的区块链。免责申明：本教程仅适合用来学习智能合约。FungibleTokens我就不解释了，有兴趣的自己去搜

扭矩是什么‌‌扭矩是使物体发生转动的一种特殊的力矩‌，它是力和力臂的乘积，国际单位是‌牛米（Nm）。扭矩也可以表示为千克米（kgm）或磅英尺（lb-ft）等单位。‌‌扭矩的单位‌通常是牛米（Nm），但也可以使用千克米（kgm）或磅英尺（lb-ft）等单位。例如，1kgm等于9.8Nm，1lb-ft等于0.13826kgm。‌扭

六年级蒟蒻来题解了！！！题目大意：给定你一个n，表示有n个生产线，每一个生产线都有两种机器，第i个生产线第一件产品每天可以造Ai件零件但是得付出Pi元的代价，第二件产品每天可以生产Bi件物品但是得付出Qi元的代价，然后给你x元的预算问你所有流水线中的最小值的最大值是多少？思路：首先我们

SUIMove官方示例合约实践——FT类：篮子代币（basket）1合约说明1.1功能介绍本合约是一个由一篮子代币合成的同质化代币合约，本示例中一篮子代币是由SUI和MANAGED代币1:1组成，但这种方法适用于创建任意资产和比例的篮子。提供了2个写入接口mint：铸造篮子代币，通过存入特定比例

一、配置SSH创建SSH密钥打开终端。生成SSH密钥：使用以下命令生成一个新的SSH密钥对：ssh-keygen-trsa-b4096-C"[email protected]"-trsa 指定密钥类型为RSA。-b4096 指定密钥长度为4096位。-C"[email protected]" 用于添加注释（通常是

Flet快速上手Flet 是什么？Flet 是一个 UI 框架，允许你使用 Python 来构建 Web、桌面端和移动端应用。构建第一个 Flet 应用下面将构建我们的第一个 Flet 应用，该应用只有一个简单的计数功能。首先我们需要执行命令 pip install flet 来安装 flet。然后我们创

1.通常情况下,在paintEvent中绘制文本时,不管是否设置抗锯齿选项,都不会有明显的锯齿,如下代码所示, Antialiasing/TextAntialiasing对最终的效果没有显著影响.QFontft=painter.font();ft.setFamily("PingFangSC");ft.setPixelSize(13);ft.setW

Tmux是会话（session）与终端窗口（terminalwindow）的解绑工具，可以同时运行多个命令，可以让新窗口"接入"已经存在的会话允许每个会话有多个连接窗口，因此可以多人实时共享会话，支持窗口任意的垂直和水平拆分。创建一个名字为ft的新窗口tmuxnew-sft重新进入名字为ft的窗口tmuxa-tf

Modelcardforconvnext_xxlarge.clip_laion2b_soup_ft_in12kAConvNeXtimageclassificationmodel.CLIPimagetowerweightspretrainedin OpenCLIP onLAIONandfine-tunedonImageNet-12kbyRossWightman.PleaseseerelatedOpenCLIPmodelcardsformored

PrimaryBackupReplication背景为实现可容错的服务器，主从备份是一种常用的解决方案：在开启了主动备份的系统中，备份服务器的状态需要在几乎任何时候都与主服务器保持一致，这样当主服务器失效后备份服务器才能立刻接管。实现主备间的状态同步主要包括以下两种方式：StateTransfer（

FT232使用官方驱动控制GPIO很简单打开FT_OpenEx,FT_SetBitMode(FT_BITMODE_ASYNC_BITBANG)写FT_Write读FT_Read使用libusb方式打开// libusb-win32(v1.2.6.0)BOOL CHubGpio::InitLibusb(){ structusb_interface_descriptor*setting; structusb_bus *bus;

基于CNN卷积神经网络迁移学习的图像识别实现基于CNN卷积神经网络迁移学习的图像识别实现写在前面一，原理介绍迁移学习的基本方法1.样本迁移（InstancebasedTL）2.特征迁移（FeaturebasedTL）3.模型迁移（ParameterbasedTL）4.关系迁移（RelationbasedTL）二.准备工作1.依赖库安

由DFS到DTFT对比 傅里叶变换(FT)-CSDN博客 中的推导周期为N、基波频率为的离散时间傅里叶级数，为了表达的规范（为了容易看出来哪些部分来自正变换X(k)），把n改成m因为我们要得到函数在频域的表现，所以要以频率对周期进行代换，当，,用  表示，变成连续的变量 ，变成   

 声明：项目来自韦东山老师百问网嵌入式专家-韦东山嵌入式专注于嵌入式课程及硬件研发(100ask.net)https://www.100ask.net/video/detail/p_5f04515ce4b036f1c0cf4254GIT下载代码，如下所示：$gitclonehttps://e.coding.net/weidongshan/01_all_series_quickstart.git1.项

第二部分配置管理faulttolerancefaulttolerance的介绍vmwareftistheevolutionof"continuousavailability"thatworksbyutilizingvmwarevlocksteptechnologytokeepaprimarymachineandasecondarymachineinavirtuallockstep.vmwareftwillstream

STM32H7系列全中文HAL_LL库使用手册，中英文双语对照阅读。内容、格式对照官方原文，含标签导航及目录跳转。全文GPT机翻，除人工翻译外，相对更加贴合原文原意，双语版防止翻译错误方便对照。全文：4020页，约152万字，2022年12月版本，当前官网最新版。 *******下有更多展示图片********

https://www.luogu.com.cn/problem/P1972莫队算法被卡，只能得60points正解有点像基于贪心的fenwicktree策略fenwick的每个位置表示当前位置上是否是某个数的最后一次出现位置，值为0或者1右指针升序排序，然后右指针移动过程中更新每个数最后一次出现的位置而不管左指针如何变，只

PaliGemma是Google开发的轻量级的具有多模态功能的视觉语言模型(VLM)。https://ai.google.dev/gemma/docs/paligemma?hl=zh-cnGoogle提供了三种可下载的模型类型：PTcheckpoints预训练模型；Mixcheckpoints针对各种任务已经微调过的通用预训练模型；FTcheckpoints针对

什么是VAE？VAE，即变分自编码器（VariationalAutoencoder），是一种生成模型，它通过学习输入数据的潜在表示来重构输入数据。在StableDiffusion1.4或1.5模型中，通过VAE对模型进行部分更新，以提升模型渲染眼睛的能力。通过这种更新，模型在生成图像时能够更准确地捕捉和再现眼睛的细节，从

目录概述1硬件介绍1.1 ST7796-LCD1.2MCUIO与LCDPIN对应关系1.3 MCUIO与Touch PIN对应关系2FT6336的寄存器2.1FT6336寄存器列表2.2寄存器功能介绍 3STM32Cube控制配置I2C3.1 软硬件版本信息3.2 I2C参数配置3.3 使用STM32Cube产生工程4HAL库函数

读前感：第四节课也进行了简单的微调，但最终微调出来个傻子，这次再试试，看看如何进行改善。实际的应用场景中使用微调的应该不会特别多，毕竟开源大模型并不是小公司可以玩得起的。对于小公司，真正的微调有哪些场景呢？欢迎大家讨论。读后感：本节课是整个训练营的最后一份笔记。希望