重磅发布 | “基于昇思MindSpore的智能通信”实践课程在兰州大学正式上线!

LVGL8.x 实体按键与Keypad驱动的无缝对接实战 本文详细解析了LVGL8.x中实体按键与Keypad驱动的两种对接方案:坐标映射的Button方式与事件驱动的Keypad方式。重点阐述了如何模块化裁剪lv_port_indev.c模板文件,并深入讲解了Keypad驱动与Group焦点管理系统的核心协作机制,为无触摸屏的嵌入式设备提供流畅的UI交互解决方案。 阅读详情

导 语

人工智能技术已经在计算机视觉、语音识别和机器翻译等领域取得了巨大成功,同时也成为推动无线通信行业快速发展的重要引擎。随着移动通信从5G逐步迈向6G,深度学习与无线通信的智能融合已经成为6G发展的关键方向。近年来,学术界在基于深度学习的信道估计、信号检测、信道编译码以及语义通信等智能通信研究领域取得了众多引人注目的研究成果。

智能通信近年来在学术界受到广泛关注,然而,在通信工程等电子信息类本科专业人才培养中,智能通信的教学仍显得不够充实。为了解决这一问题,兰州大学袁磊副教授依托教育部-华为“智能基座”产教融合协同育人基地“金课”建设项目,建设了“基于昇思MindSpore的智能通信”在线实践课程。本课程以深度学习和昇思MindSpore基础知识为切入点,构建了多个富有挑战性的智能通信实践案例,通过逐步深入的实践使学生掌握智能通信系统的开发流程和实际应用。这既为学生提供了实战经验,也为电子信息类本科生进入智能通信研究领域搭建了坚实的基础。

“基于昇思MindSpore的智能通信”课程网址:https://www.educoder.net/paths/fi2axo4 

01课程简介

image.png

兰州大学“基于MindSpore的智能通信”课程主页

智能通信是无线通信领域的前沿研究方向,本课程基于国产AI框架昇思MindSpore构建了深度学习的调制类型盲识别、神经网络译码器和基于深度学习的信道编码码率盲识别三个方面的智能通信实践教学案例。在调制类型盲识别方面,既有基于星座图的案例,也有基于实测波形数据集的案例。并深入介绍了基于复数神经网络和多种信号特征融合的调制类型盲识别方法;在神经网络译码器方面,针对5G中使用的LDPC码和Polar码,开发了基于循环神经网络的LDPC码译码和基于ResNet的Polar码译码案例,进一步针对实际无线系统中可能遇到的噪声并非高斯白噪声而是相关噪声的问题,引入了利用卷积神经网络对噪声进行降噪和高斯化后进行信道译码的联合降噪译码案例;在信道编码码率盲识别领域,针对通信信号侦察领域需要进行信道编码码率盲识别的问题,先介绍了传统的LDPC码码率盲识别算法,然后开发了多种利用DL进行码率盲识别的案例,让学生了解利用DL进行码率盲识别的优势和掌握相关设计方法。

02教学目标

本课程的教学目标如下:

  • 理解智能通信的相关概念和发展趋势,激发学生的自主创新意识;

  • 掌握运用Python和Matlab编程语言开发无线通信系统物理层相关算法;

  • 掌握国产AI框架昇思MindSpore的基本开发流程及经典的深度学习网络模型;

  • 掌握运用昇思MindSpore和DL进行调制类型盲识别和信道编码码率盲识别算法开发;

  • 神经网络译码器设计,培养学生的实践创新能力。

03课程特色

(1) 昇思MindSpore驱动前沿教学

本课程在国内率先开展了基于昇思MindSpore的6G前沿领域智能通信教学,以调制类型盲识别、信道编码码率盲识别及信道编码译码器设计三个应用场景为抓手,通过开发的多个实践教学案例让学生掌握如何将CNN、RNN、LSTM、ResNet等DL基础知识应用于无线通信系统设计,从而适应未来通信行业人才发展需求。

image.png

image.png

image.png

(2) 多层次案例式教学

本课程采用案例式教学,通过巧妙设计不同难度的实践案例,旨在提升学生的创新能力与实际应用技能。在基础性实践案例中,帮助学生运用Matlab、Python等编程工具,完成传统无线通信物理层算法的开发,同时通过实践掌握昇思MindSpore和经典深度学习网络模型(如AlexNet、ResNet等),全面参与智能通信实践案例的开发;在高阶性实践案例中,学生将面临更具挑战性的任务,需要自主设计复杂的深度学习网络模型,并运用这些模型进行智能通信相关实验。这一层次的实践旨在培养学生独立解决复杂问题的能力,加深对深度学习在通信领域的应用理解。通过案例式教学,学生将更好地理论与实践相结合,为未来职业发展打下坚实基础。

image.png

(3) 交互引导式教学手段

本课程以无线通信中不同任务为背景,设置实践案例,让学生充分理解学习内容的应用场景和应用方式。课程提供Matlab代码和Python代码进行引导和测评,学生需要根据已给出的代码指引和任务描述,将代码补充完整,使其能够顺利达到设定的任务目标。在具体案例中,任务内容按照DL经典流程分为3个步骤,第一步是数据集的调用和预处理,数据集可以通过Matlab或者Python生成,也可以调用公开的数据集;第二步学习如何调用昇思MindSpore框架提供的DL网络接口或自主设计DL网络,构建完成相应任务的网络模型;第三步是网络模型的训练及验证训练后网络模型的效果。通过上述3个步骤层层递进,引导学生快速掌握案例内容。

image.png

04课程章节

第一章

人工智能概论

人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

1-1 人工智能综述

第二章Python基础语法

Python是一种面向对象的解释型计算机程序设计语言。它有着代码简洁、可读性强的特点。代码简洁是因为它把许多的复杂的操作封装起来,将C语言中麻烦的指针和内存管理对开发者隐藏起来,使得在开发过程中,无须在意这部分的细节。另外Python这们语言强制用户用缩进进行排版,若不好好排版,则代码编译无法通过,或者运行过程会出现错误。

2-1 列表

2-2 元祖

2-3 字典

2-4 函数

2-5 类

第三章

深度学习基础

深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向,它被引入机器学习使其更接近于最初的目标——人工智能(AI, Artificial Intelligence)。本章将对深度学习的各个基础模块进行教学,帮助同学们快速入门深度学习。

3-1 神经元

3-2 激活函数

3-3 损失函数

3-4 前馈神经网络

3-5 卷积神经网络

3-6 循环神经网络

第四章昇思MindSpore基础

昇思MindSpore是一个全场景深度学习框架,旨在实现易开发、高效执行、全场景覆盖三大目标。其中,易开发表现为API友好、调试难度低;高效执行包括计算效率、数据预处理效率和分布式训练效率;全场景则指框架同时支持云、边缘以及端侧场景。本章将教学如何在昇思MindSpore框架下进行深度学习基本操作。

4-1 昇思MindSpore简介

4-2 昇思MindSpore环境搭建

4-3 昇思MindSpore基础内容

4-4 昇思MindSpore入门实战

第五章

Matlab基础

Matlab是一种广泛应用于工程计算及数据分析领域的高级语言;具有功能强大、语言简单、简单易学、编成效率高、扩充能力强等优点。其广泛应用于数值计算、图形处理、符号运算、数学建模、系统辨识、小波分析、实时控制、动态仿真等领域。通信教学中常用它来实现许多算法的设计和仿真。第五章将使用Matlab完成两个基本的编译码实例,来让学生对通信的基础知识和结构有大致的了解。

5-1 Matlab语法简介

5-2 Matlab进阶实例

第六章调制类型盲识别

信号调试方式识别技术在军、民等领域具有重要研究价值,信号调制方式的正确识别是通信接收机正确解调译码的前提。盲调制识别技术旨在接收未知调制信号类型并自动分类识别,此技术能在大量复杂多样的调制信号中正确识别调制格式。目前基于深度学习的盲调制识别技术能发挥深度学习在图像识别分类方面的极大优势,其稳定性和准确率都达到了空前高度。

6-1 调制类型盲识别介绍

6-2 基于GoodLeNet的信号调制类型盲识别

6-3 基于波形数据的调制类型盲识别

6-4 基于信号特征融合的调制类型盲识别

6-5 基于复数网络的调制类型盲识别

6-6 基于Attention机制的调制类型盲识别

6-7 基于迁移训练的调制类型盲识别

第七章

神经网络译码器

无线通信译码是将接收到的信号转化为有意义信息的关键过程。传统方法基于数学模型和规则,使用纠错码、解调和解调器等技术进行错误检测和纠正。相比之下,基于深度学习的无线通信译码利用神经网络学习和优化译码过程,具有以下优势:灵活性、自适应性、泛化能力和高性能,已经在研究和商业产品中得到应用。然而,深度学习模型需要大量数据和计算资源进行训练和设计,同时需要注意模型的泛化能力和实时性等问题。因此,在实际应用中需要综合考虑传统算法和深度学习算法的优缺点,并选择适合的译码方法。

7-1 神经网络译码器介绍

7-2 前馈神经网络译码器

7-3 循环神经网络译码器

7-4 基于BP-CNN的降噪译码器

7-5 基于ResNet的Polar码译码器

第八章信道编码码率盲识别

信道编码码率盲识别是无线通信系统中的一项技术,通过对接收到的信号进行分析和处理,实现自动识别信道编码的码率。传统方法需要预先了解编码参数或使用参考信号估计,而码率盲识别不需要这些先验知识。深度学习作为一种强大的机器学习方法,可以自动学习特征和模式,提高准确性、实现自适应性和智能化,适应不同的信道环境和实时需求。它还具备可扩展性和通用性,有助于提升无线通信系统的性能和效率,并推动无线通信技术的发展和应用。

8-1 信道编码码率盲识别介绍

8-2 基于平均LLR的传统信道编码码率盲识别

8-3 基于AlexNet的信道编码码率盲识别

8-4 基于VGGNet的信道编码码率盲识别

8-5 基于ResNet的信道编码码率盲识别

05

学习导航

(1) 课程网址

https://www.educoder.net/paths/fi2axo4e

对于老师,可以将上述页面里的教学资源和实验资源,直接发送到老师们自己建设的课堂,供学生成建制的开展实践教学。在教学过程中,可根据学情反馈及时调整教学计划。

image.png

对于学生,点击网址链接,可跳转到课程主页,查看所有实践项目。在章节目录下点击“开始实践”即可进行案例实践。

image.png

(2) 课程参考教材

《智能通信:基于深度学习的物理层设计》金石,温朝凯编著,科学出版社,2020年,ISBN:978-7-03-065445-8.

《深度学习与MindSpore实践》陈雷编著,清华大学出版社,2020年,ISBN:978-7-302-54661-0.

《MATLAB基础与应用教程(第2版)》 蔡旭辉,刘卫国,蔡立燕编著,人民邮电出版社,2023年,ISBN:978-7-115-49488-7.

image.png

06

教师团队

image.png

袁磊

兰州大学信息科学与工程学院副教授,硕士生导师,通信工程专业系主任,中国电子学会会员,IEEE SPCC技术委员会成员。主讲本科生课程《无线通信技术与网络》、《物联网技术及应用》及兰州大学跨学科贯通课《现代通信网络中的数学原理》。主要研究方向为新一代无线通信技术,发表SCI、EI检索论文30余篇,授权发明专利8项,软件著作权5项,担任IEEE Wireless Communications Letters、IEEE Transactions on Vehicular Technology等国内外权威期刊审稿人。近几年指导学生获得“大唐杯”全国大学生移动通信5G技术大赛和全国大学生电子设计竞赛的省级和国家级奖项多项。2022年获得华为昇腾众智星光奖和教育部-华为智能基座“栋梁之师”称号,2023年其负责的无线通信与信息论课程教学团队荣获兰州大学“隆基教学创新奖”。

全网首发!Yolov8_obb旋转框训练、测试、推理手把手教学(DOTA1.0数据集map50已达80%) 其中,images/train和images/val放置原始图片文件,labels/train_original和labels/val_original分别放置原始的标签文件,labels/train和labels/val为空,然后运行步骤(3)的代码,运行结束转换后的标签会保存在labels/train和labels/val中,格式如下。(4)新建yolov8-obb.yaml,修改nc和scales,我使用的是yolov8n.(2)构建数据集,安装下面目录格式,其他test可为空,一定要对应。 阅读详情

相关推荐

Windows下用Anaconda安装d2l库避坑指南(附PermissionError解决方案)

本文详细介绍了在Windows系统下使用Anaconda安装d2l库的完整指南,特别针对常见的PermissionError问题提供了多种解决方案。从环境准备到库安装,再到VSCode配置和数据路径处理,帮助读者顺利搭建深度学习环境并运行《动手学深度学习》的代码示例。

3a9bq4r8t2y的博客 226

MATLAB通信系统工具箱:无线通信设计与仿真的全能助手

在现代通信系统的设计和测试中,MATLAB的通信系统工具箱(Communications System Toolbox)扮演着至关重要的角色。这个强大的工具箱提供了一整套用于设计、仿真、测试和分析无线通信系统的函数和应用程序。本文将详细介绍该工具箱的主要功能、如何在实际项目中应用这些工具,并通过代码示例展示其使用方法。

2401_85342379的博客 2129

东华大学oj系统 39 最大乘积

39 最大乘积 作者: Turbo时间限制: 1S章节: 深度优先搜索 问题描述 : 对于n个数,从中取出m个数,如何取使得这m个数的乘积最大呢? 输入说明 : 第一行一个数表示数据组数   每组输入数据共2行:   第1行给出总共的数字的个数n和要取的数的个数m,1<=n<=m<=15,   第2行依次给出这n个数,其中每个数字的范围满足:a[i]的绝对值小于等于4。 输出说明 : 每组数据输出1行,为最大的乘积。 输入范例 : 1 5 5 1 2 3 4 2 输出范例 : 48 注:难

weixin_50336369的博客 529

Mindspore大模型平台脑部MRI图像分割任务

UNet是一种经典的神经网络架构,最初由Olaf Ronneberger等人于2015年提出。UNet主要应用于图像分割任务,特别是医学图像分割。该架构以其U形状的网络结构而得名,因为它由对称的收缩路径(编码器)和扩展路径(解码器)组成,形成了一个U形状的整体结构。UNet由编码器和解码器组成[论文]U-Net论文链接本项目基于公开的模型仓库下的MindSpore预训练文件和公开的数据集实现迁移学习,在昇思大模型平台体验训练、评估和推理可视化全流程MRI图像分割的开发体验。

weixin_64426947的博客 1473

「分治法」最近点对距离问题

一、问题描述 给定平面S上n个点,找其中的一对点,使得在n个点组成的 所有点对中,该点对间的距离最小。 假设所讨论的点是以标准笛卡儿坐标形式(x, y)给出的。因 此,在两个点Pi =(xi , yi )和Pj =(xj , yj )之间的距离是标准的欧几里德 距离: d = 根号下( x i − x j ) 2 + ( y i − y j )2 二、问题分析 直接用暴力解法很简单,用结构体把每个点的x、y坐标都存下来之后,用一个二重循环即可获得距离的最大值。但是这样做的时间复杂度也达到了O(n的平方)

Laok0413的博客 9660

MAX30102心率血氧传感器

估算AC、DC值的方法如下:找两个波谷点,两个波谷点之间有一个波峰点,两个波谷点相连成一条直线,与Y轴平行的线穿过波峰点会与两个波谷点连接成的直线相交于一点,这个点就是DC点,DC点的Y轴对应值就是直流分量,AC分量的值为波峰点到DC点之间的差值。在医院测量中常用的一种血氧采集方式,如下图所示,光电传感器和光源分别置于手指的两侧,光源穿过手指被另一侧的光电二极管接收,根据光衰减量计算血氧浓度。那么,根据上面的Beer-Lambert 定理,针对测量的具体场景,测量过程的衰减为三层穿透物质衰减量的叠加。

qq_41861711的博客 1万+

面向智能任务的语义通信:理论、技术和挑战

面向智能任务的语义通信:理论、技术和挑战

qq_41094540的博客 3148

大华摄像头GB28181协议接入EasyCVR全流程(附常见错误排查)

本文详细阐述了大华摄像头通过GB28181协议接入EasyCVR视频管理平台的全流程,涵盖从核心原理、前期参数规划、Web界面配置到平台侧验证的完整步骤。重点针对网络端口、SIP参数配置等关键环节提供了深度排错指南,并总结了设备无法注册、在线不稳定、拉流失败等常见问题的排查思路与解决方案,旨在帮助安防工程师与系统集成商高效完成设备接入与调试。

weixin_29279153的博客 311

语义通信所涉及理论知识【记录学习过程,持续更新(不定期)】

语义通信及其相关知识的学习记录

xiaoyan9538的博客 6049

AD2S1210与DSP28335 SPI通信中的GPIO配置陷阱与解决

本文深入剖析了AD2S1210与DSP28335进行SPI通信时,因GPIO输入限定配置不当导致数据整体右移的典型问题。文章指出,错误地将MISO引脚配置为带采样周期的同步模式是根本原因,并提供了将输入选择限制正确设置为异步模式的解决方案。同时,总结了不同应用场景下GPIO输入限定的配置原则,为高速同步通信的稳定实现提供了关键指导。

weixin_29163857的博客 149

.NET MAUI 第13讲 深入探索 .NET MAUI Essentials:让应用感知设备与环境,打造智能体验

摘要:本文介绍了.NET MAUI Essentials库如何赋能移动应用感知设备环境的能力。文章详细讲解了设备信息获取(DeviceInfo)、网络状态监测(Connectivity)、地理位置服务(Geolocation)、地图集成(Map)以及传感器(Accelerometer等)等核心功能的使用方法,并提供了完整的代码示例。通过一个综合练习,展示了如何构建设备信息仪表板,实时显示设备参数和网络状态,并实现位置获取与地图导航功能。这些跨平台API能显著提升应用智能化和用户体验,同时保持代码简洁高效。

AlphaNil的博客 1094

语义分割matlab实现fcn_FCN-语义分割

论文:Fully Convolutional Networks for Semantic Segmentation源码:https://github.com/shelhamer/fcn.berkeleyvision.org借鉴图像分类的一些经典CNN,并将这些网络改造,因为图像分类任务中,网络最后往往通过 fc 得到固定长度的输出,然后softmax计算属于各分类的概率,然而在语义分割任务中,需要...

weixin_39855843的博客 1882

[最新]MapReduce综合应用案例 — 气象数据清洗

【代码】[最新]MapReduce综合应用案例 — 气象数据清洗。

M_inherit的博客 1021

基于MindSpore框架的数字调制信号盲识别研究

灰度图数据集下,由于使用数据集SNR均为10dB,加之网络模型参数经过实验微调,所以初始准确率整体分别达81.27%、85.47%和86.00%,其中各网络均对QPSK识别效果较好,而16QAM、64QAM、8PSK和APSK识别效果较差,这与调制类型样本点数量和生成图像形状相关。实验结果表明,三通道图比灰度图有更高的识别率,信噪比高的调制信号更容易被正确识别,对于网络而言AlexNet运算速度更快,GoogLeNet识别准确率更高,在使用信噪比为10dB的三通道图像时,以上两种网络识别率均为100%。..

Kenji_Shinji的博客 682

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

对于语义通信、一致性误差、均匀与非均匀量化和最小二乘法的一点见解

该文章主要对于语义通信、一致性误差、最小二乘法和均匀与非均匀量化进行了局部记录

m0_48986533的博客 2437

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

AI 写的测试测的是它自己:断言锁死输出,功能改错它也测不出来

AI 生成的测试跑得勤、全绿、上线前不报错,但三个月后维护时发现它已经"测的是自己"——断言用实现逻辑生成期望值,功能改错了测试还是绿的。这篇用一组沙箱演练量"可测性":同一个实现、同一批订单、两版测试(AI 风格·字面量锁死 vs 人写规范·业务谓词),走三组对照。结论反直觉:需求不变时两版测试都绿;需求一演进,A 版测试先误报(锁死输入结构,代码没 bug 却红),"修"完就变成测自己,之后功能改错它照样绿;B 版测试不误报、改错就红。跑得绿不等于测得住。

四六的六专栏 480

病虫害 AI 诊断可视化实录:三框同屏的流式诊断与五图看板

接上篇病虫害识别系统。AI 诊断从"点按钮等 30 秒"改造成"提示词、思考过程、诊断结论三框同屏流式输出",改造中最有价值的发现是:推理模型的思考框里能看到完整的鉴别诊断推理——模型逐条排除"玉米螟还是草地贪夜蛾",这个过程对植保人员比结论本身更有参考价值。同时把看板从 5 个数字升级成 5 张图。技术栈 SpringBoot3 + LangChain4j + ECharts,文末附实测数据。

qq_45896330的博客 197

React Native 0.84 鸿蒙手写批注实践:AI 辅助生成与真机重构 Pen Kit 一笔成形及动态 NDK 预测

React Native 鸿蒙手写库 react-native-stylus-pen 实现了手写画布、一笔成形与报点预测功能,配套开源项目“智绘手写讲义本”支持讲义圈注、轻触标记与直线规整。通过 HarmonyOS Dev Assistant 生成跨端桥接代码,并在华为畅享 100 Pro Max 真机与 API 26 模拟器上验证,解决了帧内触点合并、笔迹替换及 C 预测库缺失回退等关键问题,实现真机与模拟器双端稳定运行。项目已开源,欢迎交流与贡献。

白天写代码,晚上追AI大模型,偶尔搞点八卦 开源动态|技术干货|实习机会|生态活动 我负责分享,你负责变强 4355

AI辅助评审怎么落地:杭州40个试点的技术细节

原因写得很具体:投标文件普遍存在页数多、数据体量大、格式不统一、排版不规范等情况,系统在文本解析、关键要素提取、深度语义理解等环节面临较大压力,耗时较长,运行效率有待提升。杭州公开了试点细节,不是AI加评审这种口号,而是一套有底座、有边界、有已知缺陷的工程实现。系统的准确率不是靠一次性训练定死的,而是靠真实评审过程持续抬升,每评审一个项目,系统就多一批带标签的难例。对做招投标系统的人来说,这套底座直接决定接口形态:招标文件要拆成可检索的条款项,资质材料要有明确的字段映射,否则比对无从下手。

m0_37802841的博客 328

AI应用 vs AI Agent:不是能力升级,而是“控制权”的转移

本文揭示AIAgent与AI应用的本质区别:核心在于流程控制权归属——代码决定路径的是AI应用,模型动态决策下一步的是Agent。Agent依赖“感知-规划-行动”闭环,导致成本高、不可控风险大,需通过Harness工程构建约束机制。判断使用场景的关键是任务路径的不确定性:可预判用AI应用,目标明确但路径未知则适合Agent。2026年,真正落地的Agentic系统仍不足一成,技术成熟度远未匹配热潮。

热爱代码的小小码农一只 371

我们用 AI 给 AgentLoop 手搓了一套海底世界探秘游戏,并开源了

前段时间 Ebby Amir,上线了一款 Starry Nightrider 的游戏,玩法是让梵高骑着自行车,穿行在 3D 化的《星月夜》(1889)里。玩家沿途收集光球,送进画里那座教堂尖塔。他并不具备游戏开发的职业背景,但是借助大模型,依旧能开发出一款质量很高的小游戏。

阿里巴巴云原生的博客 291

PaddleOCR与PyQt 界面综合案例

本项目基于PaddleOCR与PyQt5实现流水线标签实时识别系统,通过摄像头采集画面,结合置信度过滤(≥0.7)、正则格式筛选及三帧投票策略,有效降低单帧误识别,提升结果稳定性。系统采用模块化设计,实现“采集—识别—标注—统计”全流程可视化,界面简洁,响应实时,具备良好可扩展性,适用于工业场景中的自动化标签识别需求。

2302_80153357的博客 411

多模态试驾预约Agent实战案例

本章将实现一个完整的多模态试驾预约Agent应用系统,该系统实现了从多模态输入解析到试驾全流程(预约、调度、调整、信息查询)的闭环处理,适用于汽车试驾预约的智能化服务场景。系 统 概 述该项目“多模态试驾预约Agent”是一个集成多模态交互与试驾全流程管理的系统,主要功能概述如下。1. 多模态输入处理支持文本、语音、图片三种输入方式的解析与处理。(1)文本输入:识别用户意图(如“试驾预约”“价格查询”等),并提供针对性操作建议。

夏天又到了的专栏 406

AI赋能农业水域三维场景快速搭建:造形家框选即生成,解锁动态水流仿真能力

在乡村规划、农田水利设计、湿地文旅开发项目中,农业大棚、河湖沟渠、水库湿地等农业水域场景三维建模,过去常依赖航测倾斜摄影,成本高、周期漫长,还要投入大量人力手动建模。造形家依托 AI 识别能力,仅需框选地图范围,就可以快速生成完整可编辑的农业水域三维场景,还搭载 Flowmap 水流仿真能力,实现水体动态效果模拟,为农业水利规划、项目汇报、数字孪生底座建设提供高效解决方案。

m0_69539167的博客 242

Chrome、Edge、Firefox、MDN 联手给 AI 编程 agent 写了本现代 web 教材

最近在给 agent 工作流配前端能力,模型写出来的页面常年停在 2015 年的手法,这个仓库正面回答了这个问题。Modern Web Guidance 官方宣传图,来自项目博客本周 Top5:astryx(+8,700)、modern-web-guidance-src(+7,015,本期主角)、skills(+4,847)、sure(+4,786)、agent-skills(+3,884)。榜单前五有三个都在干同一件事,给 agent 喂知识,这个信号比任何单个仓库都直白。

Kaiji1126的博客 215

融新 AI 气泡图大师在制造业质检中的落地应用

在制造业的质检环节,面对堆积如山的工程图纸,最让人头疼的往往不是测量本身,而是前期的“打标”工作。传统的 FAI(首件检验)流程中,质检员需要拿着纸质或 PDF 图纸,用红笔一个个圈出尺寸,手动编写气泡编号,再对照公差表录入 Excel。这个过程不仅耗时极长,而且极易出错:漏标一个关键尺寸、看错一行公差、或者编号顺序混乱,都可能导致后续整批产品的误判。特别是在处理大幅面装配图或格式复杂的旧版图纸时,人工肉眼排查的效率瓶颈显得尤为突出。

zxy916740139的博客 509

大语言模型LLM综述解读:从预训练到评测,建立理解 LLM 的技术地图

本文综述大语言模型(LLM)的核心技术脉络,从预训练、适配调优、使用方法到能力评估,系统梳理了模型发展中的关键问题与进展。强调高质量数据、结构设计、指令微调与参数高效方法的重要性,并指出模型“符合人类偏好”不等于“工程正确”。提出需结合外部验证机制评估实际应用能力,尤其在专业领域如网络配置中,应重视格式合规性与约束满足性。

Soari的博客 312
上一篇: 极致高效压缩,手机就能实时跑的分割一切模型TinySAM已在昇思MindSpore开源
下一篇: 论文精讲 | 基于昇思MindSpore的动作频率自适应视频时序动作提名生成研究,解决精确定位未修剪视频中的动作问题
昇思MindSpore
博客等级 码龄6年 1万+粉丝 1619原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址