深入浅出:大语言模型的“瘦身”秘籍——模型压缩的魔法:为什么我们可以降低大语言模型的数值精度?

AI模型自动量化实战:架构师必学的低精度优化技巧! 我是李阳,一名有10年经验的AI模型部署架构师,曾在阿里、腾讯负责过多个大规模模型的量化部署项目(如淘宝商品识别模型、微信语音识别模型)。我的公众号“AI部署笔记”会分享更多实战技巧,欢迎关注!声明:本文中的代码示例和数据均来自真实项目,已做脱敏处理。如需完整代码,请在评论区留言。 阅读详情

在深度学习领域,"降低精度"并非妥协,而是一种精妙的工程艺术。本文将深入探讨这一看似违反直觉却至关重要的技术背后的原理。

引言:一个违反直觉的现象

当我们谈论"精度"时,直觉告诉我们:精度越高越好。在科学计算、金融领域,这确实是铁律。然而在大语言模型的世界中,我们却主动降低数值精度——将32位浮点数转为16位,甚至8位整数。更令人惊讶的是,这种"降级"不仅没有破坏模型性能,反而带来了巨大的效率提升。

这背后的奥秘是什么?让我们一同揭开这个深度学习中的"反直觉魔法"。

一、 模型太庞大,小误差被“淹没”了

想象一下,你有一个1000人的超级合唱团。如果其中一两个人稍微唱走调一点点,整个合唱团的声音听起来几乎不受影响。

大模型就是这样:它有几千亿个参数(可以理解成几千亿个小决策员)。即使其中几百万个参数的计算有点小误差,在整体决策中也被“平均掉”了,不会影响最终结果。

核心要点:模型靠的是“集体智慧”,不依赖每个个体的绝对精确。

二、 模型学习的是“模式”,不是“精确值”

当你认人时,你记住的是大致特征——圆脸、戴眼镜、卷发,而不是对方脸上精确有多少个毛孔。

大模型学习知识也是类似的:

  • 它记住的是“猫有四条腿”,而不是“猫有4.0000000条腿”

  • 它理解的是“北京是首都”,而不是“北京的经纬度是116.397428, 39.90923”

既然学的是大规律、大模式,那计算时稍微粗糙一点,完全不影响它掌握核心知识。

三、 “差不多”的方向比精确的数值更重要

咱们举个生活中的例子:你要从北京开车去上海。

  • 高精度:方向偏东187.53度,距离1234.567公里

  • 低精度:方向大致往东,距离一千多公里

结果呢?两种信息都能让你到达上海!

模型训练也是这样——重要的是知道参数该“往哪个方向调整”,至于调整的“精确量”稍微有点误差,无非是多走几步少走几步的区别,最终都能到达目的地。

四、 降低精度带来的实实在在的好处

4.1 速度更快,能耗更低

这很好理解:算简单的小数(16位)当然比算复杂的浮点数(32位)快得多。就像你口算 1.2 × 1.3 比算 1.234 × 1.345 要快一样。

实际效果:速度快了2-3倍,电费省了一半以上。

4.2 内存占用大幅减少

原来存一个数需要32位“格子”,现在只需要16位甚至8位“格子”。同样是装1000亿个参数:

  • 原来需要4个大仓库

  • 现在只需要1-2个仓库

这样我们就能用更小的显卡跑更大的模型,让更多人都能用上AI。

4.3 意想不到的“抗干扰”能力

有时候,太精确反而容易钻牛角尖。就像背书时死记硬背每个字,稍微换个问法就懵了。

模型计算时引入的微小“不精确”,反而让它学会了抓大放小,关注核心规律,提高了泛化能力。

五、 工程师们的“小聪明”

研究人员也不是傻傻地直接降低精度,而是用了很多巧妙的办法:

混合精度训练:

  • 平时计算用“快而糙”的16位

  • 关键步骤(更新参数)用“慢而精”的32位

  • 既保证了速度,又确保了训练效果

量化技术:

  • 把连续的数值映射到有限的几个等级上

  • 就像把精确的体重(65.432公斤)说成“130斤左右”

  • 虽然不精确,但足够用

总结:重新理解“精度”的意义

说到底,我们追求的不是数学上的绝对精确,而是实际效果的足够好用。

就像你拍照发朋友圈:

  • 专业相机RAW格式(高精度)——文件巨大,处理麻烦

  • 手机JPEG压缩(低精度)——文件小,效果足够好

大模型降低精度也是同样的道理:在保证效果基本不变的前提下,获得巨大的效率提升。这不是偷工减料,而是聪明的工程取舍。


下次听到“模型量化”、“降低精度”这些词,你就能会心一笑了:这不就是让AI学会“抓大放小”嘛!

在使用大语言模型(LLM)时,模型文件大小和显存大小之间的关系以及量化版本的选择确实会影响模型的运行效果。以下是关于这些方面的详细解释: **平衡精度与性能**:如果显存资源充足,可以选择位数较高的量化版本(如Q8)以获得更高的精度。- **合理选择量化版本**:根据显存大小和对模型精度的需求,选择合适的量化版本。- **选择合适的模型文件大小**:尽量选择文件大小小于显存大小的模型,以确保模型可以在显存中完整加载并获得较好的性能。- **位数越低(如Q2)**:模型的文件大小和计算资源需求越低,但精度也会相应降低。- **位数越高(如Q8)**:模型的精度越高,但文件大小和计算资源需求也越大。1. **模型文件大小小于显存大小** 阅读详情

相关推荐

AI 芯片是精度越高越好吗

【摘要】研究表明,AI芯片并非精度越高越好,低精度(如INT8/INT4)在大多数场景下更具优势。现代深度学习模型对低精度表现出强鲁棒性,量化后性能损失通常小于1%,却能显著降低50%-87.5%的内存占用、提升8倍计算吞吐并减少功耗。以Llama-3-70B为例,INT4量化使其可在单卡运行,推理速度提升2.5-3倍。仅训练、科学计算等少数场景需要高精度。核心原则是"用满足要求的最低精度",当前工业界最佳实践是训练用BF16,推理用INT4/INT8。低精度技术正推动大模型从实验室走向

amy_mhd的博客 72

让大模型“瘦身”的秘籍:深入浅出聊聊量化压缩 (Quantization)

本文介绍了AI模型量化压缩技术,探讨了其原理、方法和重要性。量化通过降低数字精度(如FP32转INT8/INT4),大幅减少模型体积和计算需求。主要方法包括训练后量化(PTQ)和量化感知训练(QAT),前者快速便捷,后者精度更高但成本较大。量化技术使大模型能在消费级硬件上运行,降低硬件门槛、提升推理速度,并推动边缘计算发展,实现了精度与效率的平衡,是AI平民化的关键技术。

LcGero的博客 205

opencv实现“找茬”

// 111.cpp : 定义控制台应用程序的入口点。 // #include "stdafx.h" #include #include #include using namespace std; #define CVX_RED CV_RGB(0xff,0x00,0x00) #define CVX_BLUE CV_RGB(0x00,0x00,0xff)//定义宏,轮廓边框颜色 in

yanHa007的专栏 2098

给大模型“瘦身”不“减智”

有没有碰到过这种憋屈时刻:看上了一个性能超强的大模型,想拉到自己的深度学习主机里本地部署,结果一看硬件要求——直接傻眼,动辄几十上百G的显存需求,普通显卡连模型都加载不进去,就算勉强跑起来,卡得像老年机,问一句话等半分钟,直接让人劝退。大模型太“胖”了!参数动辄7B、14B、34B甚至70B,身材臃肿、体重超标,占显存、占内存、跑不动、传不动,就像一个三百斤的相扑选手,本事再大,也没法让普通人养在家里。那有没有办法,让大模型瘦下来、变轻巧,但本事一点不丢?当然有!

人工智能AI技术 791

解决AutoDock与Python版本冲突导致的内存泄漏问题:从BHtree *错误到环境配置优化

本文深入解析了AutoDock分子对接中常见的‘BHtree *’内存泄漏错误,其根源在于SWIG接口模块与Python运行环境的版本不匹配。文章提供了根治方案:通过构建Python 2.5.4与MGLTools 1.5.6的黄金兼容组合,并详细指导环境清理、安装配置及实战测试,从而彻底解决该内存泄漏问题,确保AutoDock工作流的稳定运行。

g5h6i的博客 1120

Nacos启动报错No DataSource set?5分钟搞定standalone模式配置

本文针对Nacos启动时常见的“No DataSource set”报错,深入解析了其根源在于默认集群模式与外部数据库依赖。提供了两种快速解决方案:通过命令行参数“-m standalone”启动,或直接修改启动脚本配置文件,从而在5分钟内以单机模式成功启动Nacos,无需配置MySQL数据库。

weixin_29234509的博客 469

Python深度学习:从入门到实战

亲爱的读者,欢迎您翻开这本书。我们即将探索的,是深度学习的宇宙——一个由数据、算法与算力构筑的奇妙世界。它既是严谨的科学,也是创造的艺术,更是一条通往未来智慧的修行之路。本书将带您从最基础的数学原理出发,亲手搭建神经网络,驾驭Transformer等前沿模型,最终将智慧转化为现实世界的价值。请放下畏惧,保持好奇。这不仅是一次知识的学习,更是一场思维的远行。来,随我一起,开启这趟非凡的旅程吧。

weixin_45747731的博客 259

【NTN 卫星通信】使用地面网络和卫星网络接入的终端应用场景

卫星接入有广覆盖的特点, 可以改善地面接入网覆盖或无线条件差的地区(例如多径干扰)的服务可用性。对于高速移动中需要实时业务的终端,如IMS语音/视频会议,可以通过地面接入和卫星接入同时实现与5G系统的双连接,在地面接入网不可用的情况下获得连续可靠的业务。

weixin_43603524的博客 2562

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 482

【python数据挖掘课程】二十八.基于LDA和pyLDAvis的主题挖掘及可视化分析

这是《Python数据挖掘课程》系列文章,前面很多文章都讲解了数据挖掘、机器学习,这篇文章主要讲解LDA和pyLDAvis算法,同时讲解如何读取CSV文本内容进行主题挖掘及可视化展示。文章比较基础,希望对你有所帮助,提供些思路,也是自己教学的内容。推荐大家购买作者新书《Python网络数据爬取及分析从入门到精通(分析篇)》,如果文章中存在错误或不足之处,还请海涵。 目录: 一.显示结果及安装 二.LDA主题挖掘 三.pyLDAvis可视化分析 四.小结

杨秀璋的专栏 1万+

黑猫带你学UFS协议第13篇:UFS初始化详解(Boot Operation)

本文详细解析了UFS设备的初始化过程,包括部分初始化、加载启动代码(可选)和初始化完成三个阶段。重点介绍了如何通过设备描述符和逻辑单元描述符配置引导特性,以及如何从UFS设备加载启动代码。内容适用于嵌入式硬件和存储领域的开发者。

黑猫奥利奥的博客 3558

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 214

Unity 横版游戏开发天花板?状态机、联机同步与横版动作游戏架构全都有

在 Unity 横版动作游戏开发领域,最耗时间的往往不是角色移动,而是整套“可扩展架构”的搭建。包括角色状态管理、敌人 AI、武器系统、关卡编辑器、联机同步、输入适配、UI 与存档系统等。2D Action Platformer Kit 的核心价值,并不只是“提供素材”,而是它已经帮开发者搭好了一整套适用于横版动作游戏的底层框架。

2403_88403568的博客 427

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 7258

PLC模糊控制模糊PID(梯形图实现+算法分析)

博途PLC的模糊PID控制详细内容请查看下面的博客文章:Matlab仿真+博途PLC模糊PID控制完整SCL源代码参考(带模糊和普通PID切换功能)_博途怎么实现模糊pid_RXXW_Dor的博客-CSDN博客模糊PID的其它相关数学基础,理论知识大家可以参看专栏的其它文章,这里不再赘述,本文就双容水箱的模糊PID问题做详细讲解(包括所有源代码和模糊规则设置参数)。

RXXW_Dor的博客 5890

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

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 330

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

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 374

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

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 292

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 407
上一篇: 深入浅出:大语言模型的“瘦身”秘籍——数值计算精度全解析二
下一篇: 基于VisionMaster实现数据实时存储至MySQL (二)
机器人自动化控制
博客等级 码龄14年 3325粉丝 394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

打赏作者

机器人自动化控制

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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