【機器人】復現 Embodied-Reasoner 具身推理 | 具身任務 深度推理模型 多模態場景 長遠決策 多輪互動

Embodied-Reasoner?是一個多模態具身模型，它將 o1 的深度推理能力擴展到具身交互任務。

可以在 AI2THOR 仿真中執行復雜的任務，例如搜索隱藏物體、操縱 和 運輸物品

具有以下的功能：

  • 🤔?深度推理能力，例如分析、空間推理、反思、規劃
  • 🔄 交錯多模態處理能力，特別是處理長序列的交錯圖像文本上下文
  • 🏠?環境互動能力，使其能夠自主觀察環境、探索房間并尋找隱藏物體
  • 開源模型發布 7B/2B 尺寸
  • 開源數據集🤗?Hugging Face：9.3k 條交錯的觀察-推理-行動軌跡，包括 64K 張圖像和 8M 個思想標記?

本文分享Embodied-Reasoner復現的模型推理、生成任務和數據的過程～

1、創建Conda環境

首先創建一個Conda環境，名字為embodied-reasoner，python版本為3.9

進入embodied-reasoner環境

conda create -n embodied-reasoner python=3.9
conda activate embodied-reasoner

然后下載代碼，進入代碼工程：https://github.com/zwq2018/embodied_reasoner

git clone https://github.com/zwq2018/embodied_reasoner.git
cd embodied_reasoner

2、安裝ai2thor模擬器和相關依賴

編輯requirements.txt，修改為下面內容：

ai2thor==5.0.0
Flask==3.1.0
opencv-python==4.7.0.72
accelerate==1.3.0
FlagEmbedding==1.3.4
openai==1.60.0
opencv-python-headless==4.11.0.86
peft==0.14.0
qwen-vl-utils==0.0.8
safetensors==0.5.2
sentence-transformers==3.4.1
sentencepiece==0.2.0
tiktoken==0.7.0
tokenizers==0.21.0

然后進行安裝～

pip install -r requirements.txt

3、安裝torch 和 torchvision

首先用nvcc -V查詢CUDA的版本，比如系統使用的12.1版本的

(embodied-reasoner) lgp@lgp-MS-7E07:~/2025_project/embodied_reasoner$ nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2023 NVIDIA Corporation
Built on Mon_Apr__3_17:16:06_PDT_2023
Cuda compilation tools, release 12.1, V12.1.105
Build cuda_12.1.r12.1/compiler.32688072_0

然后安裝與cuda版本對應的torch

pip install torch==2.4.0+cu121 torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu121

因為后續安裝的flash_attn需要CUDA和torch進行編譯的，這里的版本需要對應上

4、安裝flash_attn

執行下面命令進行安裝：

pip install flash_attn==2.7.4.post1

安裝成功會打印信息：

  Building wheel for flash_attn (setup.py) ... doneCreated wheel for flash_attn: filename=flash_attn-2.7.4.post1-cp39-cp39-linux_x86_64.whl size=187787224 sha256=8cbee35b7faaad89436c8855e5de8881f5b04962cf066e6bc12a81947dddbe4cStored in directory: /home/lgp/.cache/pip/wheels/a4/e3/79/560592cf99bd2bd893a372eee64a31c0bd903bc236a1a98e00
Successfully built flash_attn
Installing collected packages: flash_attn
Successfully installed flash_attn-2.7.4.post1

5、補丁安裝

實際運行時，發現還缺少一些庫（matplotlib，huggingface_hub等），需要進行安裝

pip install matplotlib huggingface_hub openai

還需要安裝Vulkan，在可視化時需要用到

# 安裝Vulkan工具包和運行時?
sudo apt update
sudo apt install vulkan-tools vulkan-utils mesa-vulkan-drivers libvulkan-dev
# ?驗證Vulkan安裝?
vulkaninfo --summary

6、下載“通義千問”模型權重

這里選擇 2.5-VL-3B-Instruct版本的，如果用其他模型也可以的

使用huggingface_hub進行下載，執行命令：

huggingface-cli download --resume-download Qwen/Qwen2.5-VL-3B-Instruct --local-dir ./Qwen2.5-VL-3B-Instruct

官網地址：https://huggingface.co/Qwen/Qwen2.5-VL-3B-Instruct/tree/main?

下載好后，目錄結構如下圖所示：

其他模型選擇：https://www.modelscope.cn/models

7、修改配置文件

首先修改 evaluate/VLMCall.py，大約52行：

在api_key中，需要替換成自己的ModelScope SDK Token

            while retry_count < retry_limit: try:t1=time.time()# import pdb;pdb.set_trace()print(f"********* start call {self.model} *********")api_key=random.choice(moda_keys)client = OpenAI(api_key="xxxxxxxxxxxxxxx", # 請替換成您的ModelScope SDK Tokenbase_url="https://api-inference.modelscope.cn/v1")if self.model=="Qwen/Qwen2-VL-7B-Instruct":max_tokens=2000outputs = client.chat.completions.create(model=self.model, stream=False,messages = messages,temperature=0.9,max_tokens=max_tokens)

ModelScope SDK 地址：https://www.modelscope.cn/my/myaccesstoken

點擊“新建 SDK/API 令牌”，然后復制api到代碼中?

8、合成任務和軌跡

先來到data_engine 文件夾來，它用來合成任務和軌跡。以下是 data_engine 中的關鍵文件：

data_engine/? ? ? ? ? ? ? ? ? ?# 數據引擎核心目錄
├── taskgenerate/ ? ? ? ? ? # 任務生成數據集
│ ? ├── bathrooms/ ? ? ? ? # 浴室場景相關數據
│ ? ├── bedrooms/ ? ? ? ? ?# 臥室場景相關數據
│ ? ├── kitchens/? ? ? ? ? ? # 廚房場景相關數據
│ ? ├── living_rooms/ ? ? ?# 客廳場景相關數據
│ ? └── pick_up_and_put.json ?# 物品拾取與放置任務模板
│
├── TaskGenerate.py ? ? ? ? # 任務合成主腳本（生成復合任務流程）
├── o1StyleGenerate.py ? ? ?# 標準軌跡生成腳本（單任務軌跡）
├── o1StyleGenerate_ordered.py ?# 復雜任務軌跡生成腳本（多步驟有序任務）
├── vlmCall.py? ? ? ? ? ? ? ? ? ? # 視覺語言模型調用接口（封裝VLM交互邏輯）
└── vlmCallapi_keys.py ? ? ?# VLM API密鑰配置文件（需在此設置訪問憑證）

步驟1.生成任務

TaskGenerate.py可以合成任務模板以及對應的關鍵動作

生成的任務相關數據會存放在<tasktype>_metadatadata_engine下的文件夾中

運行以下代碼來進行任務生成：

python TaskGenerate.py

運行信息：

(embodied-reasoner) lgp@lgp-MS-7E07:~/2025_project/embodied_reasoner/data_engine$ python TaskGenerate.py
save json data to path: single_search_task_metadata/FloorPlan1.json
save json data to path: single_search_task_metadata/FloorPlan2.json
save json data to path: single_search_task_metadata/FloorPlan3.json
save json data to path: single_search_task_metadata/FloorPlan4.json
save json data to path: single_search_task_metadata/FloorPlan5.json
save json data to path: single_search_task_metadata/FloorPlan6.json
....
save json data to path: single_search_task_metadata/FloorPlan429.json
save json data to path: single_search_task_metadata/FloorPlan430.json

看一個json示例，了解包含那些內容

[[{"taskname": "Identify the Apple in the room.","tasktype": "single_search","metadatapath": "taskgenerate/kitchens/FloorPlan11/metadata.json","actions": [{"action": "navigate to","objectId": "CounterTop|+00.28|+00.95|+00.46","objectType": "CounterTop","baseaction": "","reward": 1,"relatedObject": ["CounterTop|+00.28|+00.95|+00.46","Apple|-00.05|+00.95|+00.30"]},{"action": "end","objectId": "","objectType": "","baseaction": "","reward": 1,"relatedObject": ["CounterTop|+00.28|+00.95|+00.46","Apple|-00.05|+00.95|+00.30"]}],"totalreward": 2}]
]

簡單分析一下json的內容：?

1. ??任務元信息??

字段含義
taskname任務描述："在房間中識別蘋果"（自然語言定義任務目標）
tasktype任務類型：single_search（單目標搜索任務，區別于多目標搜索）
metadatapath元數據路徑：指向包含場景布局、對象屬性等信息的JSON文件（如廚房場景）

2. ??動作序列 (actions)??

  • ??動作1：導航到目標位置??

    • action:?"navigate to"（導航動作類型）
    • objectId:?CounterTop|+00.28|+00.95|+00.46（目標對象ID，格式為?類型|x|y|z）
    • objectType:?CounterTop（對象類型：廚房臺面）
    • relatedObject: 關聯對象列表（包含當前臺面和蘋果的位置，可能用于視覺定位）
    • reward:?1（完成此動作的即時獎勵）

  • ??動作2：結束任務??

    • action:?"end"（終止任務信號）
    • reward:?1（任務完成獎勵）
    • 此動作可能觸發后續評估邏輯（如驗證是否識別到蘋果）

3. ??獎勵機制 (totalreward)??

  • 總獎勵值為?2，等于兩個動作的獎勵之和（1+1）
  • 可能用于強化學習中的策略優化（鼓勵高效完成任務）

步驟2.生成O1樣式軌跡

因為后需要用到gpt-4o的api，修改?data_engine/vlmCall.py代碼

推薦使用國內的供應商，比較穩定：https://ai.nengyongai.cn/register?aff=RQt3

首先“添加令牌”，設置額度，點擊查看就能看到Key啦

?然后填寫到 OPENAI_KEY 中：

import http.client
import json
import random
import base64
from datetime import datetime
from PIL import Image
import io
import time# 刪除原VLMCallapi_keys.py的依賴，直接使用固定API密鑰
OPENAI_KEY = "sk-tmlMwyAq8PQqExxxxxxxxxx"  # 替換為你的真實API密鑰class VLMRequestError(Exception):pass  class VLMAPI:def __init__(self, model):self.model = modeldef encode_image(self, image_path):# 保持原圖片處理邏輯不變with Image.open(image_path) as img:original_width, original_height = img.sizeif original_width == 1600 and original_height == 800:new_width = original_width // 2new_height = original_height // 2resized_img = img.resize((new_width, new_height), Image.Resampling.LANCZOS)buffered = io.BytesIO()resized_img.save(buffered, format="JPEG")base64_image = base64.b64encode(buffered.getvalue()).decode('utf-8')else:with open(image_path, "rb") as image_file:base64_image = base64.b64encode(image_file.read()).decode('utf-8')return base64_imagedef vlm_request(self, systext, usertext, image_path1=None, image_path2=None, image_path3=None, max_tokens=1500, retry_limit=3):# 構建請求體邏輯保持不變payload_data = [{"type": "text", "text": usertext}]# ...（原圖片處理代碼保持不變）messages = [{"role": "system", "content": systext},{"role": "user", "content": payload_data}]payload = json.dumps({"model": self.model,"stream": False,"messages": messages,"temperature": 0.9,"max_tokens": max_tokens})# 修改1：使用新的API端點conn = http.client.HTTPSConnection("ai.nengyongai.cn")retry_count = 0while retry_count < retry_limit:try:t1 = time.time()  # 提前定義時間戳# 修改2：使用固定API密鑰headers = {'Accept': 'application/json','Authorization': f'Bearer {OPENAI_KEY}','User-Agent': 'Apifox/1.0.0 (https://apifox.com)','Content-Type': 'application/json'}print(f"********* start call {self.model} *********")conn.request("POST", "/v1/chat/completions", payload, headers)res = conn.getresponse()data = res.read().decode("utf-8")data_dict = json.loads(data)content = data_dict["choices"][0]["message"]["content"]print("****** content: \n", content)print(f"********* end call {self.model}: {time.time()-t1:.2f} *********")return contentexcept Exception as ex:print(f"Attempt call {self.model} {retry_count + 1} failed: {ex}")time.sleep(300)retry_count += 1return "Failed to generate completion after multiple attempts."if __name__ == "__main__":model = "gpt-4o-2024-11-20"llmapi = VLMAPI(model)# 示例調用response = llmapi.vlm_request(systext="你是一個AI助手，請用中文回答用戶的問題。",usertext="今天天氣怎么樣？",image_path1="example.jpg")print(response)

?

再使用o1StyleGenerate.py或者o1StyleGenerate_ordered.py合成 10 種不同子任務類型的軌跡

備注：o1StyleGenerate_ordered.py 能合成更復雜的順序對象傳輸任務

運行下面代碼，生成簡單任務軌跡數據：

python o1StyleGenerate.py

生成復雜任務軌跡數據：（可選）

python o1StyleGenerate_ordered.py

?運行信息：

(embodied-reasoner) lgp@lgp-MS-7E07:~/2025_project/embodied_reasoner/data_engine$ python o1StyleGenerate.py
metadata_path: taskgenerate/kitchens/FloorPlan1/metadata.json
task_metadata_path: single_search_task_metadata/FloorPlan1.json*********************************************************************
Scene:FloorPlan1 Task_Type: single_search Processing_Task: 0 Trajectory_idx: a
*********************************************************************task: {'taskname': 'Can you identify the Apple in the room, please?', 'tasktype': 'single_search', 'metadatapath': 'taskgenerate/kitchens/FloorPlan1/metadata.json', 'actions': [{'action': 'navigate to', 'objectId': 'CounterTop|-00.08|+01.15|00.00', 'objectType': 'CounterTop', 'baseaction': '', 'reward': 1, 'relatedObject': ['CounterTop|-00.08|+01.15|00.00', 'Apple|-00.47|+01.15|+00.48']}, {'action': 'end', 'objectId': '', 'objectType': '', 'baseaction': '', 'reward': 1, 'relatedObject': ['CounterTop|-00.08|+01.15|00.00', 'Apple|-00.47|+01.15|+00.48']}], 'totalreward': 2}
Initialization succeeded
Saved frame as data_single_search/FloorPlan1_single_search_0_a/0_init_observe.png.****** begin generate selfobservation ******
round: 0   ['Book', 'Drawer', 'GarbageCan', 'Window', 'Stool', 'CounterTop', 'Cabinet', 'ShelvingUnit', 'CoffeeMachine', 'Fridge', 'HousePlant']
********* start call gpt-4o-2024-11-20 *********
****** content: <Observation> I see a CounterTop with a CoffeeMachine placed on its surface. Adjacent to it, there is a ShelvingUnit containing books. To the side, a Fridge stands near a Cabinet. A Window is visible on the wall, and a HousePlant sits nearby, adding a touch of greenery. </Observation>
********* end call gpt-4o-2024-11-20: 2.70 *********
****** end generate selfobservation ************ begin generate r1 plan, plan object num: 2 ******
********* start call gpt-4o-2024-11-20 *********
****** content: ['Fridge']
********* end call gpt-4o-2024-11-20: 1.45 *********
****** r1_init_plan_object_list:  ['Fridge', 'CounterTop'] correct type: CounterTop
********* start call gpt-4o-2024-11-20 *********
****** content: <Planning>Based on my observation, an apple is a food item likely stored in locations where food is typically kept or prepared. The Fridge is a common place for storing perishable items, including fruits. The CounterTop, being a food preparation area, may also hold an apple if it's readily available or recently used. Thus, I will prioritize searching the Fridge first and then move to the CounterTop as the next logical location based on its function and proximity to food-related activities.</Planning>
********* end call gpt-4o-2024-11-20: 1.58 *********
****** end generate r1 plan ******* Saved frame as data_single_search/FloorPlan1_single_search_0_a/1_Fridge|-02.10|+00.00|+01.07.png.
********* start generate thinking 2 ********
************ current plan object list: ['Fridge', 'CounterTop']

?運行效果：

然后生成的軌跡的文件夾，會包括 JSON 文件和軌跡的相關圖像

生存的文件目錄示例：

以下是 JSON 文件內容的示例：

{"scene": "FloorPlan1","tasktype": "...","taskname": "Locate the Apple in the room.","trajectory": ["<...>...</...>","<...>...</...>","..."],"images": [".../init_observe.png","..."],"flag": "","time": "...","task_metadata": {"..."}
}
  • 場景：執行任務的場景。
  • tasktype：任務的類型。
  • taskname：任務的名稱。
  • 軌跡：軌跡的推理和決策內容
  • 圖像：對應圖像的路徑（第一張圖像代表初始狀態；后續每張圖像對應于執行軌跡中列出的每個動作后的狀態）。
  • time and flag：記錄生成時間戳和軌跡生成過程中遇到的異常。
  • task_metadata：步驟1中生成的任務信息。

完整的軌跡數據，也可以去這里訪問：https://huggingface.co/datasets/zwq2018/embodied_reasoner

主要特點：

  • 📸豐富的視覺數據：包含 64,000 張第一人稱視角交互圖像
  • 🤔深度推理能力：800 萬個思維標記，涵蓋分析、空間推理、反思和規劃
  • 🏠多樣化環境：涵蓋 107 種不同的室內場景（廚房、客廳等）
  • 🎯豐富的交互對象：包含 2,100 個交互對象和 2,600 個容器對象
  • 🔄完整的交互軌跡：每個樣本包含完整的觀察-思考-行動序列

10、模型推理與評估

需要修改 scripts/eval.sh 代碼，參考一下：

# ========================
# 模型路徑配置
# ========================
# 默認模型路徑配置（對應local_deploy.py的默認加載模型）
DEFAULT_MODEL_PATH="Qwen2.5-VL-3B-Instruct"  # local_deploy.py使用的默認模型路徑
DEFAULT_MODEL_NAME="Qwen2.5-VL-3B-Instruct"   # evaluate.py使用的默認模型名稱# 參數優先級：命令行參數 > 默認值
# 使用方式：./script.sh [自定義模型路徑] [自定義模型名稱]
MODEL_PATH=${1:-$DEFAULT_MODEL_PATH}  # 優先使用第一個參數，未提供則用默認路徑
MODEL_NAME=${2:-$DEFAULT_MODEL_NAME}  # 優先使用第二個參數，未提供則用默認名稱# ========================
# 圖像處理參數配置
# ========================
export IMAGE_RESOLUTION=351232       # 輸入圖像的最大分辨率
export MIN_PIXELS=3136               # 最小有效像素閾值
export MAX_PIXELS=351232             # 最大有效像素閾值
MODEL_TYPE="qwen2_5_vl"              # 模型類型標識（用于框架識別）# ========================
# 環境變量配置
# ========================
export PYTHONUNBUFFERED=1            # 禁用Python輸出緩沖，實時顯示日志# ========================
# 啟動Embedding服務（后臺運行）
# ========================
# 啟動文本嵌入模型服務（用于對象匹配）
# --embedding 1 表示啟用嵌入模式
# 使用端口20006，后臺運行（&符號）
python ./inference/local_deploy.py \--embedding 1 \--port 20006 &# ========================
# 啟動多模態推理服務（前臺運行）
# ========================
# 使用GPU 1運行視覺語言模型服務
CUDA_VISIBLE_DEVICES=1 python inference/local_deploy.py \--frame "hf"                   # 使用HuggingFace框架模式--model_type $MODEL_TYPE       # 指定模型類型--model_name $MODEL_PATH       # 加載指定模型--port 10002 &                 # 使用端口10002，后臺運行# ========================
# 等待服務就緒
# ========================
echo "Waiting for ports ..."
# 阻塞等待直到端口20006可用（Embedding服務）
while ! nc -z localhost 20006; do   sleep 1
done# 阻塞等待直到端口10002可用（多模態服務）
while ! nc -z localhost 10002; do   sleep 1
done# ========================
# 啟動AI2Thor評估流程
# ========================
# 使用GPU 0運行評估腳本
CUDA_VISIBLE_DEVICES=0 python evaluate/evaluate.py \--model_name $MODEL_NAME     # 指定推理模型--input_path "data/test_809.json"  # 輸入測試數據集--batch_size 200           # 批次大小--cur_count 1              # 當前任務編號--port 10002               # 連接多模態服務的端口--total_count 1            # 總任務數量# ========================
# 顯示最終結果
# ========================
wait  # 等待所有后臺進程結束
python evaluate/show_result.py \--model_name $MODEL_NAME  # 展示指定模型的評估結果

打印的日志信息：

(embodied-reasoner) (base) lgp@lgp-MS-7E07:~/2025_project/embodied_reasoner$ bash scripts/eval.sh
Waiting for ports ...
INFO 05-24 17:39:18 __init__.py:190] Automatically detected platform cuda.
INFO 05-24 17:39:18 __init__.py:190] Automatically detected platform cuda.
TP: 1
gmu None <class 'NoneType'>
TP: 1
gmu None <class 'NoneType'>
Loading checkpoint shards: 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 2/2 [00:00<00:00, 12.06it/s]* Serving Flask app 'local_deploy'* Debug mode: off
WARNING: This is a development server. Do not use it in a production deployment. Use a production WSGI server instead.* Running on http://127.0.0.1:10002
Press CTRL+C to quit
127.0.0.1 - - [24/May/2025 17:39:28] "GET / HTTP/1.1" 404 -
127.0.0.1 - - [24/May/2025 17:39:28] "GET /favicon.ico HTTP/1.1" 404 -* Serving Flask app 'local_deploy'* Debug mode: off
WARNING: This is a development server. Do not use it in a production deployment. Use a production WSGI server instead.* Running on http://127.0.0.1:20006
Press CTRL+C to quit
No module named 'VLMCallapi_keys'
evaluate utils:4
evaluate utils:None
Namespace(input_path='data/test_809.json', model_name='Qwen2.5-VL-3B-Instruct', batch_size=200, port=10002, cur_count=1, total_count=1)
--total task count:809
--cache:0---remaining evaluation tasks:809
--Current process evaluation data:8090%|                                                                                                                                                                                              | 0/809 [00:00<?, ?it/s]******** Task Name: Do you find it overly troublesome to put the potato in the refrigerator and then take the apple out of the refrigerator, rinse it clean, and set it on a plate? *** Max Steps: 36 ********
******** Task Record: ./data/Qwen2.5-VL-3B-Instruct/809_long-range tasks with dependency relationships_FloorPlan2_4 ********
RoctAgent Initialization successful!!!
0 ****** begin exec action: init None ***
1 ****** end exec action: init None ***
url: http://127.0.0.1:10002/chat
predictor:utils:preprocess_image:image.width: 812
predictor:utils:preprocess_image:image.height: 448
predictor:utils:preprocess_image:image.width: 797
predictor:utils:preprocess_image:image.height: 440
input tokens shape: torch.Size([1, 761])

?下面是一個示例，展示了具身推理的過程：?

后續會繼續更新的

暫時分享完成～

?相關文章推薦：

UniGoal 具身導航 | 通用零樣本目標導航 CVPR 2025-CSDN博客

【機器人】復現 UniGoal 具身導航 | 通用零樣本目標導航 CVPR 2025-CSDN博客

【機器人】復現 WMNav 具身導航 | 將VLM集成到世界模型中-CSDN博客

【機器人】復現 ECoT 具身思維鏈推理-CSDN博客

【機器人】復現 SG-Nav 具身導航 | 零樣本對象導航的 在線3D場景圖提示-CSDN博客

?【機器人】復現 3D-Mem 具身探索和推理 | 3D場景記憶 CVPR 2025 -CSDN博客

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/news/907136.shtml
繁體地址，請注明出處：http://hk.pswp.cn/news/907136.shtml
英文地址，請注明出處：http://en.pswp.cn/news/907136.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

相關文章

使用 Qemu 調試 LoongArch 應用程序

使用 Qemu 調試 LoongArch 應用程序

1.編譯 Qemu OS:Ubuntu 22.04 下載Qemu源碼 git clone --depth1 https://gitlab.com/qemu-project/qemu.git編譯 cd qemu mkdir build cd build ../configure --target-listloongarch64-linux-user,loongarch64-softmmu --prefixpwd/__install make && make instal…
閱讀更多...
Unity 游戲優化（持續更新中...）

Unity 游戲優化（持續更新中...）

垃圾回收 是什么&#xff1f; 垃圾回收&#xff08;Garbage Collection&#xff09;GC 工作機制 1、Unity 為用戶生成的代碼和腳本采用了自動內存管理。 2、小塊數據&#xff08;如值類型的局部變量&#xff09;分配在棧上。大塊數據和長期存儲分配在托管堆上。 3、垃圾收集…
閱讀更多...
python和java差異:關鍵數據類型與容器

python和java差異:關鍵數據類型與容器

2.0. 對象的類型&#xff1a;可變 (Mutable) 與不可變 (Immutable) 在Python中&#xff0c;理解對象的可變性 (mutability) 是至關重要的&#xff0c;它影響著變量如何被修改、函數參數如何傳遞以及數據結構的行為。 不可變對象 (Immutable Objects): 大白話定義&#xff1a;…
閱讀更多...
DAY 33

DAY 33

知識點回顧&#xff1a; 1. PyTorch和cuda的安裝 2. 查看顯卡信息的命令行命令&#xff08;cmd中使用&#xff09; 3. cuda的檢查 4. 簡單神經網絡的流程 a. 數據預處理&#xff08;歸一化、轉換成張量&#xff09; b. 模型的定義 i. 繼承nn.Module類 ii. 定義…
閱讀更多...
Minktec 柔性彎曲傳感器，靈敏捕捉坐姿弓背、精準監測行走姿態，守護兒童背部健康，為科學健身提供數據支撐，開啟職業健康與背痛 AI 干預新方向。

Minktec 柔性彎曲傳感器，靈敏捕捉坐姿弓背、精準監測行走姿態，守護兒童背部健康，為科學健身提供數據支撐，開啟職業健康與背痛 AI 干預新方向。

Minktec彎曲形變傳感器通過創新的技術設計&#xff0c;為各種彎曲和形變檢測需求提供了精確的解決方案。其核心技術基于薄膜柔性傳感器的應用&#xff0c;能夠捕捉物體在三維空間中的動態變化。傳感器內部結合了多點排列的應變元件和專有算法&#xff0c;實現了形狀的實時重建。…
閱讀更多...
快遞鳥接口費用解析：中小電商成本控制方案

快遞鳥接口費用解析：中小電商成本控制方案

中小電商企業在物流環節的成本控制&#xff0c;直接影響著整體運營效率和利潤空間。作為國內主流的物流數據服務商&#xff0c;快遞鳥API接口憑借其聚合查詢、電子面單、軌跡跟蹤等功能&#xff0c;成為眾多電商企業的選擇。但如何精準解析其收費模式&#xff0c;并制定科學的成…
閱讀更多...
maven 最短路徑依賴優先

maven 最短路徑依賴優先

問題描述&#xff1a; 項目在升級大版本后出現了&#xff0c;兩個不同模塊所引用的同一個依賴包版本不同 module A 引用了 module B&#xff0c;module B 引用了 A_1.0.jar->B_1.0.jar->C_1.0.jar(C 為B 里面的包) 在執行 mvn dependency:tree 后發現&#xff1a; modul…
閱讀更多...
游戲引擎學習第314天:將精靈拆分成多個層

游戲引擎學習第314天:將精靈拆分成多個層

回顧并為今天的工作做準備 我們今天繼續昨天開始的工作&#xff0c;現在我們要回到渲染中處理 Z 值的最終環節。我們目前已經有一個我們認為還算合理的排序方式&#xff0c;雖然可能還需要在接下來的過程中進行一些調整&#xff0c;但總體上已經有了一個明確的方向。 我們已經…
閱讀更多...
HashSet的基本概念

HashSet的基本概念

ashSet的基本概念 - HashSet 是C#中用于存儲唯一元素的泛型集合類&#xff0c;它基于哈希表實現&#xff0c;具有快速查找、添加和刪除元素的特性。 - 核心特點&#xff1a; - 不允許存儲重復元素 - 元素無序排列 - 查找、添加、刪除操作的平均時間復雜度為O(1) - 實現了 IEnum…
閱讀更多...
信號與系統10-綜合案例:智能信號處理系統

信號與系統10-綜合案例:智能信號處理系統

第7課&#xff1a;綜合案例——智能信號處理系統 1. 案例1&#xff1a;基于傅里葉變換與AI的語音信號分類系統 1.1 理論基礎 傅里葉變換是信號處理的核心工具之一&#xff0c;能夠將時域信號轉換為頻域表示&#xff08;如頻譜圖&#xff09;。語音信號的頻域特征&#xff08…
閱讀更多...
詳解Kubernetes Scheduler 的調度策略

詳解Kubernetes Scheduler 的調度策略

詳解Kubernetes Scheduler 的調度策略 在 Kubernetes（K8s）中，Scheduler（調度器） 負責 決定 Pod 應該運行在哪個 Node（節點）。 ?? 調度器的目標是什么？ ? 最大化資源利用率（讓 CPU、內存等資源不浪費） ? 保證 Pod 運行在合適的 Node 上（避免超載、滿足親和性）…
閱讀更多...
在 ElementUI 中實現 Table 單元格合并

在 ElementUI 中實現 Table 單元格合并

在 ElementUI 中實現 Table 單元格合并 在使用 ElementUI 的 Table 組件時&#xff0c;有時我們需要合并相鄰的單元格&#xff0c;以提高表格的可讀性和簡潔性。下面是一個關于如何在 Table 中根據特定字段合并單元格的實現方法。 邏輯分析 spanMethod 方法&#xff1a;這是 …
閱讀更多...
小土堆pytorch--現有網絡模型的使用及修改

小土堆pytorch--現有網絡模型的使用及修改

現有網絡模型的使用及修改 一級目錄二級目錄三級目錄 現有網絡模型的使用及修改1.VGG16模型VGG16網絡模型簡介**核心特點****網絡結構細節****優缺點與應用****變種與后續發展** 2. 使用vgg16模型 一級目錄 二級目錄 三級目錄 現有網絡模型的使用及修改 1.VGG16模型 VGG16…
閱讀更多...
Oracle 正則表達式匹配（Oracle 11g）

Oracle 正則表達式匹配（Oracle 11g）

1、連續2詞漢字重復或3詞漢字重復&#xff08;不會忽略符號&#xff09; ([^ \u4e00-\u9fa5\S]{2,3})\1 例如&#xff1a;阿富、 SELECT REGEXP_replace(阿富、阿富、 阿富汗、 , ([^ \u4e00-\u9fa5\S]{2,3})\1, 重復) FROM dual結果&#xff1a; 2、連續2詞漢字重復或3詞…
閱讀更多...
對話魔數智擎CEO柴磊：昇騰AI賦能，大小模型融合開啟金融風控新范式

對話魔數智擎CEO柴磊：昇騰AI賦能，大小模型融合開啟金融風控新范式

導讀&#xff1a;#昇騰逐夢人# AI已經成為金融機構核心競爭力的關鍵要素。專注AI金融賽道的魔數智擎&#xff0c;通過大小模型融合&#xff0c;讓AI成為銀行的“金融風控專家”。 作者 | 小葳 圖片來源 | 攝圖 在AI涌向產業的時代賽跑中&#xff0c;開發者是絕對的主角。 昇騰…
閱讀更多...
IDEA使用Git進行commit提交到本地git空間后撤回到commit版本之前

IDEA使用Git進行commit提交到本地git空間后撤回到commit版本之前

一、前言 Git作為最流行和最全面的版本控制工具&#xff0c;非常好用&#xff0c;但是操作也會比SVN復雜一些。畢竟有得有失嘛&#xff0c;所以我選擇Git&#xff0c;最近在工作中&#xff0c;一不小心吧一些無關緊要的文件commit了。還好在Push之前看到&#xff0c;不過就算P…
閱讀更多...
GitHub 趨勢日報 (2025年05月26日)

GitHub 趨勢日報 (2025年05月26日)

本日報由 TrendForge 系統生成 https://trendforge.devlive.org/ &#x1f310; 本日報中的項目描述已自動翻譯為中文 &#x1f4c8; 今日整體趨勢 Top 10 排名項目名稱項目描述今日獲星總星數語言1Fosowl/agenticSeek完全本地的馬努斯AI。沒有API&#xff0c;沒有200美元的每…
閱讀更多...
Matlab實現LSTM-SVM時間序列預測，作者：機器學習之心

Matlab實現LSTM-SVM時間序列預測，作者：機器學習之心

Matlab實現LSTM-SVM時間序列預測&#xff0c;作者&#xff1a;機器學習之心 目錄 Matlab實現LSTM-SVM時間序列預測&#xff0c;作者&#xff1a;機器學習之心效果一覽基本介紹程序設計參考資料 效果一覽 基本介紹 該代碼實現了一個結合LSTM和SVM的混合模型&#xff0c;用于時間…
閱讀更多...
深入解析Spring Boot與Redis集成：高效緩存與性能優化實踐

深入解析Spring Boot與Redis集成：高效緩存與性能優化實踐

深入解析Spring Boot與Redis集成&#xff1a;高效緩存與性能優化實踐 引言 在現代Web應用開發中&#xff0c;緩存技術是提升系統性能的重要手段之一。Redis作為一款高性能的內存數據庫&#xff0c;廣泛應用于緩存、消息隊列等場景。本文將深入探討如何在Spring Boot項目中集成…
閱讀更多...
Jmeter一些元件使用的詳細記錄

Jmeter一些元件使用的詳細記錄

1、csv數據文件處理 文件放在bin目錄下&#xff0c;屬于相對路徑讀取文件&#xff0c;如果使用絕對路徑則需要改為l添加盤符的路徑&#xff0c;如&#xff1a;D:/apach/jmeter/bin 說明&#xff1a; 當選擇False時&#xff0c;如果請求的次數 大于 文件中的有效數據行數&…
閱讀更多...
最新文章

Copyright @ 2022~2023