Llama 3 模型系列解析（一）
目录
1. 引言
1.1 Llama 3 的简介
1.2 性能评估
1.3 开源计划
1.4 多模态扩展
ps
1. 缩放法则
2. 超额训练（Over-training）
3. 计算训练预算
4. 如何逐步估算和确定最优模型？
2. 概述
2.1 Llama 3 语言模型开发两个主要阶段
2.2 多功能模型的能力
2.3 多模态扩展实验
1. 引言
基础模型 是面向语言、视觉、语音和其他多模态的大型模型，旨在支持各种 AI 任务。它们是许多现代 AI 系统的核心。 现代基础模型的开发主要包括两个阶段：
-
预训练阶段在大规模数据集上进行训练，任务通常很简单，比如预测下一个单词或生成字幕。
-
后训练阶段模型经过调整以能够遵循指令，更好地符合人类偏好，并提升特定能力（例如编码和推理）。
在本文中，我们介绍了一组名为 Llama 3 的全新语言基础模型。Llama 3 系列模型本地支持多语言、编码、推理和工具使用。我们的最大模型是一个拥有 4050 亿参数的稠密 Transformer，能够在最长 128K 个 token 的上下文窗口中处理信息。
1.1 Llama 3 的简介
-
Llama 3 是一组多语言大语言模型，由三个不同规模的模型组成：8B、70B 和 405B 参数。
-
8B：小型模型，适合资源受限的场景。
-
70B：中型模型，性能与计算需求均衡。
-
405B：旗舰模型，性能接近 GPT-4。
-
开发高质量基础模型有三个关键要素：数据、规模和复杂性管理。
数据：训练数据量提升到 15T token，是 Llama 2 的 8 倍以上。数据更广泛、更高质量，使模型更强大。
规模：旗舰模型拥有 4050 亿参数，远超 Llama 2。这种大模型具备更强的泛化能力和复杂任务处理能力
复杂性管理：采用更稳定的稠密 Transformer，而非更复杂的混合模型，确保训练稳定性和易于扩展。
表 1 解读
-
Llama 3.1 版本的模型全面支持多语言、长上下文和工具使用，而早期的 Llama 3 版本仅在部分模型中实现这些功能。
-
405B 模型 是当前最大的模型版本，展现了在大规模训练下的顶级性能。是基于缩放法则的计算最优模型。
-
小型模型如 8B 和 70B 虽然更小，但通过更长时间的训练（超额训练），在同样的推理预算下，也能达到接近旗舰模型的效果。
-
Instruct 版本 是针对指令优化的模型，能更好地遵循人类输入，实现更精确的响应。
1.2 性能评估
-
研究团队在广泛的基准数据集上评估了 Llama 3 的表现，这些数据集涵盖了多种语言理解任务。
-
**旗舰模型（405B 参数）**的表现：
-
在多个任务上接近或达到 GPT-4 的水平，非常接近当前的最先进（state-of-the-art）语言模型。
-
-
小型模型（8B 和 70B 参数）：
-
在同样的参数规模下，小型模型优于其他竞争模型（如 Bai et al., 2023；Jiang et al., 2023），证明了它的高效性。
-
1.3 开源计划
-
公开发布：所有三个 Llama 3 模型（8B、70B、405B）将通过一个更新的 Llama 3 社区许可协议（Community License）开放 https://llama.meta.com. 包括：
-
预训练版本（405B）：基础大模型。
-
微调版本（405B）：优化过的指令版本。
-
Llama Guard 模型：用于输入和输出的安全性检查。
-
1.4 多模态扩展
-
多模态支持：Llama 3 团队正在开发扩展模型，使其能够支持以下任务：
-
图像识别（image recognition）。
-
视频分析（video recognition）。
-
语音理解（speech understanding）。
-
-
这些多模态模型仍在积极开发中，目前尚未准备好发布。
ps
1. 缩放法则
基础模型的缩放法则（Scaling Laws for Foundation Models）是指在训练大型模型时，模型的性能如何随以下三大因素扩展而提高的规律：
-
数据规模（Data Size）
-
模型参数量（Model Size）
-
计算量（FLOPs）（Compute Budget）
这些法则揭示了：
-
更大的模型 在更大的数据集上训练，并使用更多的计算资源时，其性能通常会持续提升。
-
性能提升是可预测的，即模型的损失函数或下游任务的精度，可以根据模型规模和计算量的增加呈现出幂律关系。
简单理解：
-
小模型+长时间训练 ≈ 大模型+少训练时间
-
计算最优模型在两者之间找到平衡，确保在有限的预算下获得最高性能。
2. 超额训练（Over-training）
超额训练 指的是在模型已经达到计算最优之后，继续进行训练，投入更多的计算量或数据，尽管提升幅度变小，但最终模型表现会略优于计算最优模型。
通常适用于：
-
关键任务：需要高精度的任务（如医疗、自动驾驶）。
-
长尾场景：在罕见或复杂数据上需要更强的泛化能力。
3. 计算训练预算
经验值参考
-
GPT-3 (175B 参数) 训练耗费约 3.14 × 10²³ FLOPs。
-
LLaMA 2 (65B 参数) 训练耗费约 1.0 × 10²³ FLOPs。
-
PaLM 540B 参数 训练预算约 6.4 × 10²⁴ FLOPs。
1E24 FLOPs 是一个行业通用的经验值，适合训练 50B~100B 参数规模的模型。
训练预算也可以通过公式推导，结合模型参数量和数据量来计算。
4. 如何逐步估算和确定最优模型？
行业基准：很多公司在训练 50B~100B 参数模型时，通常预算约在 1E24−5E24FLOPs范围内。
计算资源：这个预算量级对应当前行业常用的 TPU/GPU 集群资源，能够在合理时间内完成大规模模型训练。
总结：流程简化版
-
用公式估算最优模型参数量（先估模型大小）。
-
反算训练预算（FLOPs），确保资源充足。
-
训练不同规模模型，观察损失曲线变化。
-
在计算最优点停下或决定超额训练。
2. 概述
Llama 3 的模型架构如图 1 所示。
2.1 Llama 3 开发两个主要阶段
语言模型的预训练（Language model pre-training）
-
我们首先将一个大规模的多语言文本语料库转换为离散的 token（标记），并使用这些数据对一个大型语言模型（LLM）进行预训练，以执行下一个 token 的预测任务。
-
在语言模型的预训练阶段，模型通过“阅读”文本，学习语言的结构并获得关于世界的大量知识。
-
为了高效实现这一点，预训练在大规模环境下进行：我们对一个拥有 4050 亿参数的模型进行了预训练，使用了 15.6 万亿 token 的语料，支持的上下文窗口为 8K token。
-
在标准预训练阶段完成后，还进行了进一步的预训练阶段，将支持的上下文窗口扩展到 128K token（详见第 3 节）。
语言模型的后训练（Language model post-training）
-
虽然经过预训练的语言模型对语言有了丰富的理解，但它尚不能遵循指令，或表现出我们期望的助手行为。
-
我们通过多轮次的对齐优化，使模型与人类反馈保持一致，每一轮都包括：
-
使用指令微调数据进行的监督微调（SFT）。
-
直接偏好优化（DPO；Rafailov 等人，2024）。
-
-
在后训练阶段，我们还整合了新的功能，例如工具使用，并在其他领域（如编程和推理）上观察到显著改进（详见第 4 节）。
-
最后，在后训练阶段中还加入了安全性缓解措施，详细内容详见第 5.4 节。
2.2 多功能模型的能力
训练后的 Llama 3 模型具备丰富的功能：
-
能够使用至少八种语言回答问题。
-
撰写高质量代码。
-
解决复杂的推理问题。
-
支持零样本使用工具或开箱即用。
2.3 多模态扩展实验
我们还进行了实验，为 Llama 3 添加了图像、视频和语音处理能力。这些能力是通过一个组合方法实现的，分为以下三个阶段
1. 多模态编码器预训练（Multi-modal encoder pre-training）
图像编码器：
-
我们为图像和语言训练了独立的图像编码器，使用了大量图像-文本对。
-
这让模型能够学习视觉内容与自然语言描述之间的关系。
语音编码器：
-
我们使用一种自监督方法训练语音编码器，方法是在语音输入中掩盖部分信号并让模型尝试重建这些掩盖的部分，输出为离散的 token 表示。
-
结果是模型学会了语音信号的结构和特征。
2. 视觉适配器训练（Vision adapter training）
我们为图像编码器设计了一个适配器（adapter），将其与预训练的语言模型集成。
-
适配器包含一系列交叉注意力层（cross-attention layers），用于将图像编码器的表示输入到语言模型中。
-
训练适配器时使用的是图像-文本对数据，使图像表示和语言表示对齐。
训练过程中：
-
图像编码器参数会更新。
-
语言模型参数不会更新。
视频适配器：
-
在图像适配器的基础上，我们使用视频-文本对数据训练了一个视频适配器，使模型能够跨帧聚合信息。
3. 语音适配器训练（Speech adapter training）
最后，我们通过一个适配器将语音编码器集成到模型中，适配器将语音编码转换为可以直接输入到微调语言模型的 token 表示。
适配器和语音编码器的参数在监督微调阶段一起更新，以实现高质量的语音理解。
训练过程中：
-
语言模型参数不会被改变。
我们还集成了一个文本到语音系统（text-to-speech system），进一步增强了语音交互能力。
实验结果
这些多模态实验结果表明，Llama 3 的扩展模型能够：
-
识别图像和视频的内容。
-
支持通过语音接口与用户交互。
当前状态：这些模型仍在开发中，尚未准备好发布。
相关文章：
Llama 3 模型系列解析（一）
目录 1. 引言 1.1 Llama 3 的简介 1.2 性能评估 1.3 开源计划 1.4 多模态扩展 ps 1. 缩放法则 2. 超额训练（Over-training） 3. 计算训练预算 4. 如何逐步估算和确定最优模型？ 2. 概述 2.1 Llama 3 语言模型开发两个主要阶段 2.2…...
重拾设计模式--观察者模式
文章目录 观察者模式（Observer Pattern）概述观察者模式UML图作用：实现对象间的解耦支持一对多的依赖关系易于维护和扩展 观察者模式的结构抽象主题（Subject）：具体主题（Concrete Subject…...
3-Gin 渲染 --[Gin 框架入门精讲与实战案例]
在 Gin 框架中，渲染指的是将数据传递给模板，并生成 HTML 或其他格式的响应内容。Gin 支持多种类型的渲染，包括 String HTML、JSON、XML 等。 String 渲染 在 Gin 框架中，String 渲染方法允许你直接返回一个字符串作为 HTTP 响应…...
回溯---java---黑马
回溯 概念 程序在运行过程中分成了多个阶段 通过某些手段，将数据恢复到某一阶段，称之为回溯 手段包括：方法栈、自定义栈 使用基本数据类型n public class Backtracking{public static void main(String[] args) {rec(1);}public void r…...
【数据结构】排序（附测试源码）
【数据结构】排序（附测试源码） 本节是数据结构排序版（不完整版，没有C语言版的哈希表） 1.排序概念： 1.1所谓排序，就是使一串记录，按照其中的某个或某些关键字的大小，递增…...
【翻译】大型 Transformer 模型推理优化
翻译原文：Large Transformer Model Inference Optimization | LilLog 原文作者：Lilian Weng 目录 方法概述蒸馏 Distillation量化 Quantization Transformer 量化的挑战训练后量化 (PTQ) 混合精度量化 Mixed-precision quantization细粒度量化量化的二…...
RabbitMQ概述
目录 RabbitMQ概述 前言 MQ MQ的作用 为什么选择RabbitMQ RabbitMQ的介绍 RabbitMQ概述 前言 Rabbit, 兔⼦的意思 互联⽹⾏业很多公司, 都喜欢⽤动物命名产品, 或者作为公司的logo, 吉祥物. ⽐如: 腾讯的企鹅, 京东的狗, 美团的袋⿏, 携程的海豚,阿⾥就更多了, 蚂蚁, ⻜…...
《PCI密码卡技术规范》题目
单选1 在《PCI密码卡技术规范》中，下列哪项不属于PCI密码卡的功能（）。 A.密码运算功能 B.密钥管理功能 C.物理随机数产生功能 D.随主计算机可信检测功能 正确答案：D. <font style="color:#DF2A3F;">解析：</font> 单选 2 在《PCI密码卡技术规…...
AI开发：使用支持向量机（SVM）进行文本情感分析训练 - Python
支持向量机是AI开发中最常见的一种算法。之前我们已经一起初步了解了它的概念和应用，今天我们用它来进行一次文本情感分析训练。 一、概念温习 支持向量机（SVM）是一种监督学习算法，广泛用于分类和回归问题。 它的核心思想是通过…...
ECharts柱状图-柱图42，附视频讲解与代码下载
引言： 在数据可视化的世界里，ECharts凭借其丰富的图表类型和强大的配置能力，成为了众多开发者的首选。今天，我将带大家一起实现一个柱状图图表，通过该图表我们可以直观地展示和分析数据。此外，我还将提供…...
呼入机器人：24小时客户服务的未来趋势
呼入机器人：24小时客户服务的未来趋势 作者：开源大模型智能呼叫中心系统FreeAICC，Github：https://github.com/FreeIPCC/FreeAICC 在当今快节奏的商业环境中，客户服务已成为企业竞争的核心要素之一。随着人工智能技术…...
FFmpeg 安装教程（Windows 系统）
1. 前言 FFmpeg 是一个用于处理视频、音频等多媒体文件的开源工具包。它支持几乎所有的多媒体格式转换、剪辑和编辑，是开发者和多媒体工作者必备的工具。本文详细讲解如何在 Windows 系统上安装 FFmpeg 并进行基本配置。 2. 下载 FFmpeg 安装包 打开 Dpwnload FFmp…...
左神算法基础巩固--1
文章目录 时间复杂度常数时间的操作时间复杂度的定义时间复杂度的作用剖析递归行为和递归行为时间复杂度的估算 排序选择排序冒泡排序插入排序归并排序小和问题问题描述解题思路 快速排序荷兰国旗问题问题描述 堆排序堆结构大根堆小根堆 桶排序 二分二分搜索 ^的运用不用额外空…...
基于鲲鹏服务器的打砖块小游戏部署
案例介绍 鲲鹏服务器是基于鲲鹏处理器的新一代数据中心服务器，适用于大数据、分布式存储、高性能计算和数据库等应用。鲲鹏服务器具有高性能、低功耗、灵活的扩展能力，适合大数据分析、软件定义存储、Web等应用场景。 本案例将指导开发者如何在鲲鹏服务…...
STM32F407寄存器点灯
背景描述： 最近用32开发遇到问题不得不看寄存器了，就回顾了一下寄存器手册的查看方式和寄存器的使用方法； 上一次这么细致的记录还是在刚学习STM32的时候，之前觉得看寄存器手册以及配置寄存器是有点难度的事情，现在回头…...
电子电气架构 --- 队列刷写场景及刷写上位机浅析
我是穿拖鞋的汉子，魔都中坚持长期主义的汽车电子工程师。 老规矩，分享一段喜欢的文字，避免自己成为高知识低文化的工程师： 所谓鸡汤，要么蛊惑你认命，要么怂恿你拼命，但都是回避问题的根源，以现象替代逻辑，以情绪代替思考，把消极接受现实的懦弱，伪装成乐观面对不幸的…...
kubernates实战
使用k8s来部署tomcat 1、创建一个部署，并指定镜像地址 kubectl create deployment tomcat6 --imagetomcat:6.0.53-jre82、查看部署pod状态 kubectl get pods # 获取default名称空间下的pods kubectl get pods --all-namespaces # 获取所有名称空间下的pods kubect…...
换工作，如何退出微软账户？？？（删除注册表数据）
1.Winr 进入 输入. 2.删除 注意路径. 3.删除 注意路径. 4.效果如下，清空成功...
vscode+编程AI配置、使用说明
文章目录 [toc]1、概述2、github copilot2.1 配置2.2 使用文档2.3 使用说明 3、文心快码（Baidu Comate）3.1 配置3.2 使用文档3.3 使用说明 4、豆包（MarsCode）4.1 配置4.2 使用文档4.3 使用说明 5、通义灵码（TONGYI Lin…...
60.基于SSM的个人网站的设计与实现（项目 + 论文）
项目介绍 本站是一个B/S模式系统，个人网站是在MySQL中建立数据表保存信息，运用SSMVue框架和Java语言编写。并按照软件设计开发流程进行设计实现充分保证系统的稳定性。系统具有界面清晰、操作简单，功能齐全的特点，使得基于SSM的网…...
myexcel的使用
参考： （1）api文档：https://www.bookstack.cn/read/MyExcel-2.x/624d8ce73162300b.md （2）源代码： https://github.com/liaochong/myexcel/issues 我： （1）m…...
CSDN外链失效3：
参考我之前的博客： 外链失效博客1：随想笔记1：CSDN写博客经常崩溃，遇到外链图片转存失败怎么办_csdn外链图片转存失败-CSDN博客 外链失效博客2：网络随想2：转语雀_md格式转语雀lake格式-CSDN博客 markdown…...
SSM 医院预约挂号系统：Vue 技术驱动下的设计与实现飞跃
3系统分析 3.1可行性分析 通过对本医院预约挂号系统实行的目的初步调查和分析，提出可行性方案并对其一一进行论证。我们在这里主要从技术可行性、经济可行性、操作可行性等方面进行分析。 3.1.1技术可行性 本医院预约挂号系统采用SSM框架，JAVA作为开发语…...
如何在centos系统上挂载U盘
在CentOS上挂载NTFS格式的U盘，需要执行一系列步骤，包括识别U盘设备、安装必要的软件、创建挂载点，并最终挂载U盘。以下是在CentOS上挂载NTFS格式U盘的详细步骤： 一、准备工作 确认CentOS版本： 确保你的CentOS系统已经安装并正常运行。不同版本的CentOS在命令和工具方面可能…...
lshw学习——简单介绍
文章目录 简介核心结构扫描设备原理scan_abiscan_burnerscan_cdromscan_cpufreqscan_cpuidscan_cpuinfoscan_device_treescan_diskscan_displayscan_dmiscan_fatscan_fbscan_graphicsscan_idescan_ideraidscan_inputscan_isapnpscan_lvmscan_memoryscan_mmcscan_mountsscan_net…...
UI自动化概念+Web自动化测试框架
1.UI自动化测试概念:我们先明确什么是UI UI，即(User Interface简称UI用户界面)是系统和用户之间进行交互和信息交换的媒介 UI自动化测试:Web自动化测试和移动自动化测试都属于UI自动化测试，UI自动化测试就是借助自动化工具对程序UI层进行自动化的测试 …...
java: 无效的目标发行版: xx
java: 无效的目标发行版: xx 背景java: 无效的目标发行版: xx 在 Intellij 的修复 背景 这里单独针对Intellij开发工具对 “java: 无效的目标发行版: xx”错误的修复。 java: 无效的目标发行版: xx 在 Intellij 的修复 同一台电脑使用多个JDK的时候容易出现在运行程序时容易…...
【QSS样式表 - ③】：QSS常用属性
文章目录 QSS常用属性字体样式QSS示例 边框样式QSS示例 盒子模型背景颜色、背景图片background-QSS示例 border-imageQSS示例1QSS示例2 QObject属性QSS示例 QSS常用属性 字体样式 以上也可以直接写成一行： font: 字体风格 字体粗细 字体大小 字体名称;QSS示例 新…...
WPF Binding 绑定
绑定是 wpf 开发中的精髓，有绑定才有所谓的数据驱动。 1 . 背景 目前 wpf 界面可视化的控件，继承关系如下， 控件的数据绑定，基本上都要借助于 FrameworkElement 的 DataContext 属性。 只有先设置了控件的 DataContext 属性&…...
掌握Java分支结构：if和switch详解
在编程中，顺序结构确实只能按照代码的书写顺序依次执行，而无法根据条件进行判断和选择。为了实现程序根据不同情况执行不同代码块的功能，我们需要使用分支结构。Java提供了两种主要的分支结构来帮助开发者实现这一目标： if 语句&…...
ES学习Promise对象（九）
这里写目录标题 一、概念二、示例基本使用使用 Promise 对象封装Ajaxthen() 方法catch() 方法 一、概念 简单说就是一个容器，里面保存着某个未来才会结束的事件（通常是一个异步操作）的结果。Promise 是一个对象，Promise 提供统一…...
ssh 密钥对文件登录
首先提供我生成的密钥对【test-241222.pem】： -----BEGIN RSA PRIVATE KEY----- MIIEowIBAAKCAQEAkrx1O 【.....】 -----END RSA PRIVATE KEY----- 1. 验证私钥格式 首先，确认test-241222.pem确实是有效的RSA私钥。你可以通过以下命令来验证（在Linux/Mac上）： openssl …...
电流、电压，串联电路中，电流为什么处处相等？
电流是什么？串、并联中，电流的关系 飞书链接，看这个，格式更好，提供书籍下载 电流的本质定义： 电流 (I) 是 单位时间内，通过导体截面的电荷量。它的数学定义是： I Δ Q Δ t I \f…...
Python生成学生管理系统，使用qt组件，MySQL 数据库，-1
创建一个基于 Python 的学生管理系统，使用 Qt 组件（通过 PyQt5 或 PySide2）和 MySQL 数据库，是一个综合性的项目。以下是一个详细的指南，包括环境设置、数据库设计、Python 代码示例以及如何使用 Qt 设计用户界面。 #…...
接口测试Day03-postman断言关联
postman常用断言 注意：不需要手敲，点击自动生成 断言响应状态码 Status code：Code is 200 //断言响应状态码为 200 pm.test("Status code is 200", function () {pm.response.to.have.status(200); });pm: postman的实例 test() …...
)
微服务分布式(二、注册中心Consul)
首先我们需要安装consul,到官网下载Consul Install | Consul | HashiCorp Developer 在解压的consul目录下 执行启动命令 consul agent -dev 启动服务 -dev表示开发模式 -server表示服务模式 启动后在浏览器访问8500端口http://localhost:8500/可以看到服务管理界面 项目…...
sh cmake-linux.sh -- --skip-license --prefix = $MY_INSTALL_DIR
本文来自天工AI --------- 命令用于安装CMake的脚本，其中--skip-license参数表示跳过许可协议的显示，--prefix参数指定了CMake的安装目录。$MYINSTALLDIR是一个环境变量，应该在运行命令之前设置为您想要安装CMake的目录。 -------- sh xx…...
信创技术栈发展现状与展望：机遇与挑战并存
一、引言 在信息技术应用创新（信创）战略稳步推进的大背景下，我国信创技术栈已然在诸多关键层面收获了亮眼成果，不过也无可避免地遭遇了一系列亟待攻克的挑战。信创产业作为我国达成信息技术自主可控这一目标的关键一招，…...
文本图像多模态基础-clip的细节解读
目录 一、我写的目的 二、原文出处 三、方法和benchmark 3.1 方法原理 3.2 值得注意的代码细节 实际的损失函数计算： evaluation的计算： backbone的类型： 3.3 benchamrk 推理时的细节-benchmark比较： 经典benchmark对…...
c4d动画怎么导出mp4视频，c4d动画视频格式设置
宝子们，今天来给大家讲讲 C4D 咋导出mp4视频的方法。通过用图文教程的形式给大家展示得明明白白的，让你能轻松理解和掌握，不管是理论基础，还是实际操作和技能技巧，都能学到，快速入门然后提升自己哦。 c4d动…...
Mysql复习（二）
一、 DBMS：是管理数据库的软件的集合，是用户访问数据库的接口。主要功能：数据定义、数据操纵、数据库运行管理、数据库建立与维护等 二、 关系模式的完整性规则包括（实体完整性、参照完整性和用户自定义完整性） 实体…...
【芯片设计- RTL 数字逻辑设计入门 番外篇 13 -- FAB厂中PE工程师和PIE工程师的区别】
文章目录 Overview岗位职责的核心区别PE工程师：岗位要求的差异PE工程师接触面和协作关系后期职业发展方量产与研发的区别转自： 老虎说芯 老虎说芯 2024年12月20日 12:30 广东 Overview 在导体制造行业中，PE工程师（Process Engineer，工艺工程师）和PIE工程师（Process Int…...
java中的输入输出
目录 1.基本概念1.标准输入流（System.in）：2.标准输出流（System.out）：3.Scanner 类：4.File 类：６.BufferedReader 和 BufferedWriter：7.PrintWriter：…...
java抽奖系统（八）
9. 抽奖模块 9.1 抽奖设计 抽奖过程是抽奖系统中最重要的核⼼环节，它需要确保公平、透明且⾼效。以下是详细的抽奖过程设计： 对于前端来说，负责控制抽奖的流程，确定中奖的人员 对于后端来说： 接口1：查询完…...
在技术文档中多使用各种图
有些事情在文档中掰扯十几页，不如一幅图讲的明白！举个例子下面这幅图就是一个EDI 835电子报文（就是医保了，美国加州的）的业务流程。如果纯靠文字来描述，写很多文字不一定能说清楚。所以俺画了这幅图&#x…...
GB28181学习总结
GB28181学习总结 前言 我认为，学习一个新东西可以分成两步： 作用是什么？ 原理是什么？ 所以本文将从两个问题出发，对GB28181进行总结： GB28181是什么？ GB28181原理是什么？ GB…...
矩阵论：Vector-Valued Linear and Affine Functions介绍：中英双语
最近在翻看 这本书，对其中的一些英文概念做一些记录。 Link：https://web.stanford.edu/~boyd/books.html 中文版 向量值线性函数和仿射函数的详解 在机器学习、数据科学和工程应用中，向量值线性函数和仿射函数是非常重要的数学工具。本…...
网络七层杀伤链
声明！ 学习视频来自B站up主 **泷羽sec** 有兴趣的师傅可以关注一下，如涉及侵权马上删除文章，笔记只是方便各位师傅的学习和探讨，文章所提到的网站以及内容，只做学习交流，其他均与本人以及泷羽sec团队无关&…...
某狐畅游24校招-C++开发岗笔试（单选题）
某狐畅游24校招-C开发岗笔试 目录 某狐畅游24校招-C开发岗笔试一、单选题二、单选题解析 本文题目源来自：[PTA程序设计类实验辅助教学平台](PTA | 程序设计类实验辅助教学平台) 一、单选题 1-1 若有说明 int a[2][3]; 则对 a 数组元素的正确引用是 A. a[0][11]B. …...
spring mvc | servlet ：serviceImpl无法自动装配 UserMapper
纯注解SSM整合 解决办法： 在MybatisConfig添加 Configuration MapperScan("mapper")...