【机器人】复现 Embodied-Reasoner 具身推理 | 具身任务 深度推理模型 多模态场景 长远决策 多轮互动

Embodied-Reasoner 是一个多模态具身模型，它将 o1 的深度推理能力扩展到具身交互任务。

可以在 AI2THOR 仿真中执行复杂的任务，例如搜索隐藏物体、操纵 和 运输物品

具有以下的功能：

  • 🤔 深度推理能力，例如分析、空间推理、反思、规划
  • 🔄 交错多模态处理能力，特别是处理长序列的交错图像文本上下文
  • 🏠 环境互动能力，使其能够自主观察环境、探索房间并寻找隐藏物体
  • 开源模型发布 7B/2B 尺寸
  • 开源数据集🤗 Hugging Face：9.3k 条交错的观察-推理-行动轨迹，包括 64K 张图像和 8M 个思想标记 

本文分享Embodied-Reasoner复现的模型推理、生成任务和数据的过程～

1、创建Conda环境

首先创建一个Conda环境，名字为embodied-reasoner，python版本为3.9

进入embodied-reasoner环境

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

然后下载代码，进入代码工程：https://github.com/zwq2018/embodied_reasoner

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

2、安装ai2thor模拟器和相关依赖

编辑requirements.txt，修改为下面内容：

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

然后进行安装～

pip install -r requirements.txt

3、安装torch 和 torchvision

首先用nvcc -V查询CUDA的版本，比如系统使用的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

然后安装与cuda版本对应的torch

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

因为后续安装的flash_attn需要CUDA和torch进行编译的，这里的版本需要对应上

4、安装flash_attn

执行下面命令进行安装：

pip install flash_attn==2.7.4.post1

安装成功会打印信息：

  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、补丁安装

实际运行时，发现还缺少一些库（matplotlib，huggingface_hub等），需要进行安装

pip install matplotlib huggingface_hub openai

还需要安装Vulkan，在可视化时需要用到

# 安装Vulkan工具包和运行时​
sudo apt update
sudo apt install vulkan-tools vulkan-utils mesa-vulkan-drivers libvulkan-dev
# ​验证Vulkan安装​
vulkaninfo --summary

6、下载“通义千问”模型权重

这里选择 2.5-VL-3B-Instruct版本的，如果用其他模型也可以的

使用huggingface_hub进行下载，执行命令：

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

官网地址：https://huggingface.co/Qwen/Qwen2.5-VL-3B-Instruct/tree/main 

下载好后，目录结构如下图所示：

其他模型选择：https://www.modelscope.cn/models

7、修改配置文件

首先修改 evaluate/VLMCall.py，大约52行：

在api_key中，需要替换成自己的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", # 请替换成您的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

点击“新建 SDK/API 令牌”，然后复制api到代码中 

8、合成任务和轨迹

先来到data_engine 文件夹来，它用来合成任务和轨迹。以下是 data_engine 中的关键文件：

data_engine/                   # 数据引擎核心目录
├── taskgenerate/           # 任务生成数据集
│   ├── bathrooms/         # 浴室场景相关数据
│   ├── bedrooms/          # 卧室场景相关数据
│   ├── kitchens/            # 厨房场景相关数据
│   ├── living_rooms/      # 客厅场景相关数据
│   └── pick_up_and_put.json  # 物品拾取与放置任务模板
│
├── TaskGenerate.py         # 任务合成主脚本（生成复合任务流程）
├── o1StyleGenerate.py      # 标准轨迹生成脚本（单任务轨迹）
├── o1StyleGenerate_ordered.py  # 复杂任务轨迹生成脚本（多步骤有序任务）
├── vlmCall.py                    # 视觉语言模型调用接口（封装VLM交互逻辑）
└── vlmCallapi_keys.py      # VLM API密钥配置文件（需在此设置访问凭证）

步骤1.生成任务

TaskGenerate.py可以合成任务模板以及对应的关键动作

生成的任务相关数据会存放在<tasktype>_metadatadata_engine下的文件夹中

运行以下代码来进行任务生成：

python TaskGenerate.py

运行信息：

(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

看一个json示例，了解包含那些内容

[[{"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}]
]

简单分析一下json的内容： 

1. ​​任务元信息​​

字段含义
taskname任务描述："在房间中识别苹果"（自然语言定义任务目标）
tasktype任务类型：single_search（单目标搜索任务，区别于多目标搜索）
metadatapath元数据路径：指向包含场景布局、对象属性等信息的JSON文件（如厨房场景）

2. ​​动作序列 (actions)​​

  • ​​动作1：导航到目标位置​​

    • action: "navigate to"（导航动作类型）
    • objectId: CounterTop|+00.28|+00.95|+00.46（目标对象ID，格式为 类型|x|y|z）
    • objectType: CounterTop（对象类型：厨房台面）
    • relatedObject: 关联对象列表（包含当前台面和苹果的位置，可能用于视觉定位）
    • reward: 1（完成此动作的即时奖励）

  • ​​动作2：结束任务​​

    • action: "end"（终止任务信号）
    • reward: 1（任务完成奖励）
    • 此动作可能触发后续评估逻辑（如验证是否识别到苹果）

3. ​​奖励机制 (totalreward)​​

  • 总奖励值为 2，等于两个动作的奖励之和（1+1）
  • 可能用于强化学习中的策略优化（鼓励高效完成任务）

步骤2.生成O1样式轨迹

因为后需要用到gpt-4o的api，修改 data_engine/vlmCall.py代码

推荐使用国内的供应商，比较稳定：https://ai.nengyongai.cn/register?aff=RQt3

首先“添加令牌”，设置额度，点击查看就能看到Key啦

 然后填写到 OPENAI_KEY 中：

import http.client
import json
import random
import base64
from datetime import datetime
from PIL import Image
import io
import time# 删除原VLMCallapi_keys.py的依赖，直接使用固定API密钥
OPENAI_KEY = "sk-tmlMwyAq8PQqExxxxxxxxxx"  # 替换为你的真实API密钥class VLMRequestError(Exception):pass  class VLMAPI:def __init__(self, model):self.model = modeldef encode_image(self, image_path):# 保持原图片处理逻辑不变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):# 构建请求体逻辑保持不变payload_data = [{"type": "text", "text": usertext}]# ...（原图片处理代码保持不变）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端点conn = http.client.HTTPSConnection("ai.nengyongai.cn")retry_count = 0while retry_count < retry_limit:try:t1 = time.time()  # 提前定义时间戳# 修改2：使用固定API密钥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)# 示例调用response = llmapi.vlm_request(systext="你是一个AI助手，请用中文回答用户的问题。",usertext="今天天气怎么样？",image_path1="example.jpg")print(response)

 

再使用o1StyleGenerate.py或者o1StyleGenerate_ordered.py合成 10 种不同子任务类型的轨迹

备注：o1StyleGenerate_ordered.py 能合成更复杂的顺序对象传输任务

运行下面代码，生成简单任务轨迹数据：

python o1StyleGenerate.py

生成复杂任务轨迹数据：（可选）

python o1StyleGenerate_ordered.py

 运行信息：

(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']

 运行效果：

然后生成的轨迹的文件夹，会包括 JSON 文件和轨迹的相关图像

生存的文件目录示例：

以下是 JSON 文件内容的示例：

{"scene": "FloorPlan1","tasktype": "...","taskname": "Locate the Apple in the room.","trajectory": ["<...>...</...>","<...>...</...>","..."],"images": [".../init_observe.png","..."],"flag": "","time": "...","task_metadata": {"..."}
}
  • 场景：执行任务的场景。
  • tasktype：任务的类型。
  • taskname：任务的名称。
  • 轨迹：轨迹的推理和决策内容
  • 图像：对应图像的路径（第一张图像代表初始状态；后续每张图像对应于执行轨迹中列出的每个动作后的状态）。
  • time and flag：记录生成时间戳和轨迹生成过程中遇到的异常。
  • task_metadata：步骤1中生成的任务信息。

完整的轨迹数据，也可以去这里访问：https://huggingface.co/datasets/zwq2018/embodied_reasoner

主要特点：

  • 📸丰富的视觉数据：包含 64,000 张第一人称视角交互图像
  • 🤔深度推理能力：800 万个思维标记，涵盖分析、空间推理、反思和规划
  • 🏠多样化环境：涵盖 107 种不同的室内场景（厨房、客厅等）
  • 🎯丰富的交互对象：包含 2,100 个交互对象和 2,600 个容器对象
  • 🔄完整的交互轨迹：每个样本包含完整的观察-思考-行动序列

10、模型推理与评估

需要修改 scripts/eval.sh 代码，参考一下：

# ========================
# 模型路径配置
# ========================
# 默认模型路径配置（对应local_deploy.py的默认加载模型）
DEFAULT_MODEL_PATH="Qwen2.5-VL-3B-Instruct"  # local_deploy.py使用的默认模型路径
DEFAULT_MODEL_NAME="Qwen2.5-VL-3B-Instruct"   # evaluate.py使用的默认模型名称# 参数优先级：命令行参数 > 默认值
# 使用方式：./script.sh [自定义模型路径] [自定义模型名称]
MODEL_PATH=${1:-$DEFAULT_MODEL_PATH}  # 优先使用第一个参数，未提供则用默认路径
MODEL_NAME=${2:-$DEFAULT_MODEL_NAME}  # 优先使用第二个参数，未提供则用默认名称# ========================
# 图像处理参数配置
# ========================
export IMAGE_RESOLUTION=351232       # 输入图像的最大分辨率
export MIN_PIXELS=3136               # 最小有效像素阈值
export MAX_PIXELS=351232             # 最大有效像素阈值
MODEL_TYPE="qwen2_5_vl"              # 模型类型标识（用于框架识别）# ========================
# 环境变量配置
# ========================
export PYTHONUNBUFFERED=1            # 禁用Python输出缓冲，实时显示日志# ========================
# 启动Embedding服务（后台运行）
# ========================
# 启动文本嵌入模型服务（用于对象匹配）
# --embedding 1 表示启用嵌入模式
# 使用端口20006，后台运行（&符号）
python ./inference/local_deploy.py \--embedding 1 \--port 20006 &# ========================
# 启动多模态推理服务（前台运行）
# ========================
# 使用GPU 1运行视觉语言模型服务
CUDA_VISIBLE_DEVICES=1 python inference/local_deploy.py \--frame "hf"                   # 使用HuggingFace框架模式--model_type $MODEL_TYPE       # 指定模型类型--model_name $MODEL_PATH       # 加载指定模型--port 10002 &                 # 使用端口10002，后台运行# ========================
# 等待服务就绪
# ========================
echo "Waiting for ports ..."
# 阻塞等待直到端口20006可用（Embedding服务）
while ! nc -z localhost 20006; do   sleep 1
done# 阻塞等待直到端口10002可用（多模态服务）
while ! nc -z localhost 10002; do   sleep 1
done# ========================
# 启动AI2Thor评估流程
# ========================
# 使用GPU 0运行评估脚本
CUDA_VISIBLE_DEVICES=0 python evaluate/evaluate.py \--model_name $MODEL_NAME     # 指定推理模型--input_path "data/test_809.json"  # 输入测试数据集--batch_size 200           # 批次大小--cur_count 1              # 当前任务编号--port 10002               # 连接多模态服务的端口--total_count 1            # 总任务数量# ========================
# 显示最终结果
# ========================
wait  # 等待所有后台进程结束
python evaluate/show_result.py \--model_name $MODEL_NAME  # 展示指定模型的评估结果

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])

 下面是一个示例，展示了具身推理的过程： 

后续会继续更新的

暂时分享完成～

 相关文章推荐：

UniGoal 具身导航 | 通用零样本目标导航 CVPR 2025-CSDN博客

【机器人】复现 UniGoal 具身导航 | 通用零样本目标导航 CVPR 2025-CSDN博客

【机器人】复现 WMNav 具身导航 | 将VLM集成到世界模型中-CSDN博客

【机器人】复现 ECoT 具身思维链推理-CSDN博客

【机器人】复现 SG-Nav 具身导航 | 零样本对象导航的 在线3D场景图提示-CSDN博客

 【机器人】复现 3D-Mem 具身探索和推理 | 3D场景记忆 CVPR 2025 -CSDN博客

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.pswp.cn/news/907136.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

使用 Qemu 调试 LoongArch 应用程序

使用 Qemu 调试 LoongArch 应用程序

1.编译 Qemu OS:Ubuntu 22.04 下载Qemu源码 git clone --depth1 https://gitlab.com/qemu-project/qemu.git编译 cd qemu mkdir build cd build ../configure --target-listloongarch64-linux-user,loongarch64-softmmu --prefixpwd/__install make && make instal…
阅读更多...
Unity 游戏优化（持续更新中...）

Unity 游戏优化（持续更新中...）

垃圾回收 是什么&#xff1f; 垃圾回收&#xff08;Garbage Collection&#xff09;GC 工作机制 1、Unity 为用户生成的代码和脚本采用了自动内存管理。 2、小块数据&#xff08;如值类型的局部变量&#xff09;分配在栈上。大块数据和长期存储分配在托管堆上。 3、垃圾收集…
阅读更多...
python和java差异:关键数据类型与容器

python和java差异:关键数据类型与容器

2.0. 对象的类型&#xff1a;可变 (Mutable) 与不可变 (Immutable) 在Python中&#xff0c;理解对象的可变性 (mutability) 是至关重要的&#xff0c;它影响着变量如何被修改、函数参数如何传递以及数据结构的行为。 不可变对象 (Immutable Objects): 大白话定义&#xff1a;…
阅读更多...
DAY 33

DAY 33

知识点回顾&#xff1a; 1. PyTorch和cuda的安装 2. 查看显卡信息的命令行命令&#xff08;cmd中使用&#xff09; 3. cuda的检查 4. 简单神经网络的流程 a. 数据预处理&#xff08;归一化、转换成张量&#xff09; b. 模型的定义 i. 继承nn.Module类 ii. 定义…
阅读更多...
Minktec 柔性弯曲传感器，灵敏捕捉坐姿弓背、精准监测行走姿态，守护儿童背部健康，为科学健身提供数据支撑，开启职业健康与背痛 AI 干预新方向。

Minktec 柔性弯曲传感器，灵敏捕捉坐姿弓背、精准监测行走姿态，守护儿童背部健康，为科学健身提供数据支撑，开启职业健康与背痛 AI 干预新方向。

Minktec弯曲形变传感器通过创新的技术设计&#xff0c;为各种弯曲和形变检测需求提供了精确的解决方案。其核心技术基于薄膜柔性传感器的应用&#xff0c;能够捕捉物体在三维空间中的动态变化。传感器内部结合了多点排列的应变元件和专有算法&#xff0c;实现了形状的实时重建。…
阅读更多...
快递鸟接口费用解析：中小电商成本控制方案

快递鸟接口费用解析：中小电商成本控制方案

中小电商企业在物流环节的成本控制&#xff0c;直接影响着整体运营效率和利润空间。作为国内主流的物流数据服务商&#xff0c;快递鸟API接口凭借其聚合查询、电子面单、轨迹跟踪等功能&#xff0c;成为众多电商企业的选择。但如何精准解析其收费模式&#xff0c;并制定科学的成…
阅读更多...
maven 最短路径依赖优先

maven 最短路径依赖优先

问题描述&#xff1a; 项目在升级大版本后出现了&#xff0c;两个不同模块所引用的同一个依赖包版本不同 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 为B 里面的包) 在执行 mvn dependency:tree 后发现&#xff1a; modul…
阅读更多...
游戏引擎学习第314天:将精灵拆分成多个层

游戏引擎学习第314天:将精灵拆分成多个层

回顾并为今天的工作做准备 我们今天继续昨天开始的工作&#xff0c;现在我们要回到渲染中处理 Z 值的最终环节。我们目前已经有一个我们认为还算合理的排序方式&#xff0c;虽然可能还需要在接下来的过程中进行一些调整&#xff0c;但总体上已经有了一个明确的方向。 我们已经…
阅读更多...
HashSet的基本概念

HashSet的基本概念

ashSet的基本概念 - HashSet 是C#中用于存储唯一元素的泛型集合类&#xff0c;它基于哈希表实现&#xff0c;具有快速查找、添加和删除元素的特性。 - 核心特点&#xff1a; - 不允许存储重复元素 - 元素无序排列 - 查找、添加、删除操作的平均时间复杂度为O(1) - 实现了 IEnum…
阅读更多...
信号与系统10-综合案例:智能信号处理系统

信号与系统10-综合案例:智能信号处理系统

第7课&#xff1a;综合案例——智能信号处理系统 1. 案例1&#xff1a;基于傅里叶变换与AI的语音信号分类系统 1.1 理论基础 傅里叶变换是信号处理的核心工具之一&#xff0c;能够将时域信号转换为频域表示&#xff08;如频谱图&#xff09;。语音信号的频域特征&#xff08…
阅读更多...
详解Kubernetes Scheduler 的调度策略

详解Kubernetes Scheduler 的调度策略

详解Kubernetes Scheduler 的调度策略 在 Kubernetes（K8s）中，Scheduler（调度器） 负责 决定 Pod 应该运行在哪个 Node（节点）。 👉 调度器的目标是什么？ ✅ 最大化资源利用率（让 CPU、内存等资源不浪费） ✅ 保证 Pod 运行在合适的 Node 上（避免超载、满足亲和性）…
阅读更多...
在 ElementUI 中实现 Table 单元格合并

在 ElementUI 中实现 Table 单元格合并

在 ElementUI 中实现 Table 单元格合并 在使用 ElementUI 的 Table 组件时&#xff0c;有时我们需要合并相邻的单元格&#xff0c;以提高表格的可读性和简洁性。下面是一个关于如何在 Table 中根据特定字段合并单元格的实现方法。 逻辑分析 spanMethod 方法&#xff1a;这是 …
阅读更多...
小土堆pytorch--现有网络模型的使用及修改

小土堆pytorch--现有网络模型的使用及修改

现有网络模型的使用及修改 一级目录二级目录三级目录 现有网络模型的使用及修改1.VGG16模型VGG16网络模型简介**核心特点****网络结构细节****优缺点与应用****变种与后续发展** 2. 使用vgg16模型 一级目录 二级目录 三级目录 现有网络模型的使用及修改 1.VGG16模型 VGG16…
阅读更多...
Oracle 正则表达式匹配（Oracle 11g）

Oracle 正则表达式匹配（Oracle 11g）

1、连续2词汉字重复或3词汉字重复&#xff08;不会忽略符号&#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, 重复) FROM dual结果&#xff1a; 2、连续2词汉字重复或3词…
阅读更多...
对话魔数智擎CEO柴磊：昇腾AI赋能，大小模型融合开启金融风控新范式

对话魔数智擎CEO柴磊：昇腾AI赋能，大小模型融合开启金融风控新范式

导读&#xff1a;#昇腾逐梦人# AI已经成为金融机构核心竞争力的关键要素。专注AI金融赛道的魔数智擎&#xff0c;通过大小模型融合&#xff0c;让AI成为银行的“金融风控专家”。 作者 | 小葳 图片来源 | 摄图 在AI涌向产业的时代赛跑中&#xff0c;开发者是绝对的主角。 昇腾…
阅读更多...
IDEA使用Git进行commit提交到本地git空间后撤回到commit版本之前

IDEA使用Git进行commit提交到本地git空间后撤回到commit版本之前

一、前言 Git作为最流行和最全面的版本控制工具&#xff0c;非常好用&#xff0c;但是操作也会比SVN复杂一些。毕竟有得有失嘛&#xff0c;所以我选择Git&#xff0c;最近在工作中&#xff0c;一不小心吧一些无关紧要的文件commit了。还好在Push之前看到&#xff0c;不过就算P…
阅读更多...
GitHub 趋势日报 (2025年05月26日)

GitHub 趋势日报 (2025年05月26日)

本日报由 TrendForge 系统生成 https://trendforge.devlive.org/ &#x1f310; 本日报中的项目描述已自动翻译为中文 &#x1f4c8; 今日整体趋势 Top 10 排名项目名称项目描述今日获星总星数语言1Fosowl/agenticSeek完全本地的马努斯AI。没有API&#xff0c;没有200美元的每…
阅读更多...
Matlab实现LSTM-SVM时间序列预测，作者：机器学习之心

Matlab实现LSTM-SVM时间序列预测，作者：机器学习之心

Matlab实现LSTM-SVM时间序列预测&#xff0c;作者&#xff1a;机器学习之心 目录 Matlab实现LSTM-SVM时间序列预测&#xff0c;作者&#xff1a;机器学习之心效果一览基本介绍程序设计参考资料 效果一览 基本介绍 该代码实现了一个结合LSTM和SVM的混合模型&#xff0c;用于时间…
阅读更多...
深入解析Spring Boot与Redis集成：高效缓存与性能优化实践

深入解析Spring Boot与Redis集成：高效缓存与性能优化实践

深入解析Spring Boot与Redis集成&#xff1a;高效缓存与性能优化实践 引言 在现代Web应用开发中&#xff0c;缓存技术是提升系统性能的重要手段之一。Redis作为一款高性能的内存数据库&#xff0c;广泛应用于缓存、消息队列等场景。本文将深入探讨如何在Spring Boot项目中集成…
阅读更多...
Jmeter一些元件使用的详细记录

Jmeter一些元件使用的详细记录

1、csv数据文件处理 文件放在bin目录下&#xff0c;属于相对路径读取文件&#xff0c;如果使用绝对路径则需要改为l添加盘符的路径&#xff0c;如&#xff1a;D:/apach/jmeter/bin 说明&#xff1a; 当选择False时&#xff0c;如果请求的次数 大于 文件中的有效数据行数&…
阅读更多...
最新文章

Copyright @ 2022~2023