更多精彩内容,欢迎继续阅读
1. 组播的定位与IGMP在其中的角色先说一个我踩过的坑:刚接触IP组播的时候,我以为只要在路由器上敲几条命令、把组播路由协议一配,组播流量就能满网络跑起来。结果组播源发出数据后,接收端死活收不到包,排查了一下午&am…
阅读更多 →组播系列写到第二篇,终于轮到IGMP这个重头戏了。如果说IP组播的整套技术是一个庞大的物流网络,那IGMP扮演的角色就是小区门口的快递柜——它不负责运输,不规划线路,但它决定了“谁有资格在这片区域取件”。没有它,最后…
阅读更多 →先聊点实际场景。很多人刚开始用PyTorch时,都是Dataset接DataLoader,shuffleTrue一开,数据顺序乱了,模型训起来了,基本就没人管线下面有个叫Sampler的东西。但等你真正去调分布式训练、处理极度不均衡的数据集、或者想…
阅读更多 →大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…
阅读更多 →当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:
阅读更多 →📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…
阅读更多 →文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…
阅读更多 →一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…
阅读更多 →文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…
阅读更多 →