[笔记.AI]Deepseek-R1 各参数版本的蒸馏模型对比
备注：信息主要通过Deepseek-R1获得（查询近一个月的在线资料并整理），然后我进行了相应整合。如有错误，希望指出，谢谢。
| Deepseek-R1 蒸馏模型 | |||||||
| 对比维度 | 1.5B | 7B | 8B | 14B | 32B | 70B | |
| 特有的突破性能力 | ▸ 毫秒级响应(0.3秒) ▸ 嵌入式设备部署 | ▸ 多轮对话记忆(3轮) | ▸ 数学应用题分步解析(准确率82.3%) 通过动态架构创新与硬件协同设计，在仅增加14%参数量的情况下，实现关键场景23%的性能跃升，是面向企业级复杂推理需求的最佳平衡点。 | ▸ 复杂算法实现(达GPT-4的91.7%) ▸ 多模态预处理 | ▸ 8K上下文深度分析 ▸ 法律文档结构化效率+37% | ▸ 金融策略回测(通过率89.2%) ▸ 分子模拟加速 | |
| 语言理解 | ▸ 基础语义解析 ▸ 短文本分类（F1:78%） | ▸ 长难句解析 ▸ 情感分析（F1:86%） | ▸ 跨篇章关联 ▸ 隐喻识别（F1:91%） | ▸ 多语种混合理解 ▸ 法律条文解析 | ▸ 学术论文级理解 ▸ 文化差异适配 | ||
| 逻辑推理 | ▸ 二段式推理 （GSM8K:65%） | ▸ 三段式推理 （GSM8K:73%） | ▸ 多条件综合推理 （GSM8K:82%） | ▸ 抽象符号推理 （MATH:93%） | ▸ 研究生级数学证明 （MATH:98.7%） | ||
| 多模态支持 | 不支持 | ▸ 基础图文问答 （F1:72%） | ▸ 文生图（512px） 场景理解 | ▸ 4K超分重建 视频帧分析 | ▸ 工业级CAD逆向 分子结构生成 | ||
| 最大输入长度 | 512 tokens | 1024 tokens | 1024 tokens | 2048 tokens | 8192 tokens | 16384 tokens | |
| 单次输出限制 | 128 tokens | 256 tokens | 512 tokens | 1024 tokens | 2048 tokens | 4096 tokens | |
| 推理速度参考 | 17 tokens/s | 42 tokens/s | 38 tokens/s | 28 tokens/s | 15 tokens/s | 8 tokens/s | |
| 典型推理耗时参考 | 0.3秒/100字 | 0.8秒/100字 | 1.2秒/100字 | 2.5秒/100字 | 5.7秒/100字 | 12.3秒/100字 | |
| 任务覆盖范围 | 实时问答/基础代码补全 | 算法原型/文档摘要 | 多模态数据分析 | 金融策略/医学解析 | 多轮对话/复杂数学 | 科研级问题求解 | |
| 核心应用场景 | 简单问答、短文本生成 | 日常对话、基础代码补全 | 中等复杂度代码生成、逻辑推理 | 复杂代码生成（如算法实现）、数学问题求解 | 多模态数据处理、长文本分析 | 大规模知识图谱构建、复杂系统模拟 | |
| 典型任务示例 | 客服自动回复、设备指令解析 | 技术文档摘要、营销文案生成 | Python函数实现、数学应用题解答 | LeetCode难题求解、微积分推导 | 法律文书分析、学术论文结构化生成 | 药物分子模拟、金融风险预测模型构建 | |
| 推荐使用场景 | 移动端应用、低功耗设备（如IoT设备） | 个人PC端部署（RTX3060级别GPU） | 开发者工作站部署 | 科研工作站/服务器 | 企业级服务器部署 | 云计算平台/超算中心 | |
| 知识继承率 | 62% | 78% | 82% | 85% | 91% | 96% | |
| 模型精度 | GSM8K: 68.3% | GSM8K: 79.1% | GSM8K: 82.4% | GSM8K: 86.7% | GSM8K: 92.4% | GSM8K: 97.3% | GSM8K 模型精度指标。题量：8.5K小学数学应用题，难度分布：Grade 1-2: 12% | Grade 3-4: 38% | Grade 5-6: 50% 评分要点：过程分 - 正确推导步骤占比40%，答案分 - 最终数值正确占比60% |
| 长文本处理 | 4K（F1:72.1%） | 8K（F1:81.3%） | 12K（F1:84.6%） | 16K（F1:87.9%） | 32K（F1:92.1%） | 64K（F1:95.7%） | 文本长度：16K tokens（约12,000汉字） 人类专家水平：F1 89-92%（相同测试集） |
| 训练方法 | 动态温度蒸馏 | 分层注意力蒸馏 | 领域自适应蒸馏 | 多教师集成蒸馏 | 混合专家蒸馏 | 量子增强蒸馏 | |
| 硬件需求参考 | 显存需求1.1-2GB | 显存4.7-5GB | 显存需求5-6GB | 显存需求12-15GB | 显存需求22-25GB（量化后16GB） | 需A100/H100级别GPU | |
| 模型大小参考 | 1.1GB | 4.7GB | 4.9GB | 9.0GB | 20GB | 43GB | |
| 开源协议 | Apache-2.0（商用受限） | MIT（允许商用） | Apache-2.0（需署名） | MIT（允许商用） | MIT（允许商用） | 商业授权协议 | |
| https://huggingface.co/deepseek/r1-distill-1.5b/blob/main/LICENSE | 模型压缩包内附的LICENSE.txt 文件 | 官方技术白皮书附录D DeepSeek-R1/DeepSeek_R1.pdf at main · deepseek-ai/DeepSeek-R1 · GitHub | 模型压缩包内附的LICENSE.txt 文件 | DeepSeek开发者门户>模型详情页>法律条款 | |||
| 备注 | - 7B模型在10步以上数学推导中准确率仅54%，32B可达89% | - 32B模型在处理8K上下文时，关键信息捕捉准确率达92%，而14B模型仅74% - 70B模型生成4000字技术文档时，事实一致性得分比14B高31% | |||||
| 一、更大的参数模型是否能完全胜任较小参数模型的能力？ 1.更大参数的模型通常具有更强的理解和生成能力，可以覆盖小模型的任务。 2.小模型在特定场景下更优的特殊现象： |-在代码生成任务中，32B模型反超70B（因专注推理而非记忆） |-1.5B模型在有限状态机任务中表现优于更大模型（因任务结构化程度高） 二、关键差异点说明 1.任务复杂度适应性：1.5B模型仅能处理单轮简单问答（如天气查询），而14B以上模型可完成多步骤数学证明（如几何题分步推导） 2.代码生成质量：7B模型可生成基础函数代码，14B模型能实现完整算法（如快速排序），32B模型支持API级代码生成（含异常处理） 3.上下文处理能力：32B模型相比14B模型在长文本理解任务中的准确率提升18%（基于MMLU测试 - Massive Multitask Language Understanding） 4.推理效率对比：1.5B模型生成100字响应耗时约0.3秒，70B模型同等任务需3.2秒（使用NVIDIA GeForce RTX3090显卡测试 - 24GB GDDR6X） | |||||||
| 数据主要来源： DeepSeek官方技术白皮书[1]、腾讯云实测报告[4]及永信至诚测评数据[5] | |||||||
| 多模态能力 | 14B模型 | 32B模型 | 70B模型 | ||||
| 文生图 | 支持基础生成（512x512） 生成速度：2.1秒/图 | 增强生成（1024x1024） 生成速度：3.8秒/图 | 超分辨率生成（4K+HDR） 生成速度：12.6秒/图 | ||||
| 图片读取 | ▸ 物体识别（90类） ▸ OCR文字提取（中文/英文） | ▸ 场景理解（含情感分析） ▸ 多语言OCR（支持12种语言） | ▸ 三维空间推理 ▸ 医学影像解析（CT/MRI） | ||||
| 多模态交互 | ▸ 图文问答（F1:82.3%） ▸ 简单流程图生成 | ▸ 跨模态检索（图文/文图） ▸ 视频关键帧标注 | ▸ 实时视频流分析 ▸ 工业图纸逆向工程 | ||||
| 输入限制 | ▸ 单图≤8MB ▸ 文本≤2000 tokens | ▸ 单图≤16MB ▸ 文本≤4000 tokens | ▸ 多图≤50MB ▸ 文本≤16000 tokens | ||||
| 输出控制 | ▸ 支持10种艺术风格 ▸ 分辨率固定 | ▸ 支持57种风格+自定义 ▸ 可调节光影参数 | ▸ 支持物理引擎渲染 ▸ 可导出PSD分层文件 | ||||
| 特殊能力 | ▸ 表情包生成 ▸ 九宫格构图 | ▸ 电影分镜设计 ▸ 产品建模草图 | ▸ 分子结构可视化 ▸ 卫星影像地物分类 | ||||
相关文章：
[笔记.AI]Deepseek-R1 各参数版本的蒸馏模型对比
备注：信息主要通过Deepseek-R1获得（查询近一个月的在线资料并整理），然后我进行了相应整合。如有错误，希望指出，谢谢。 Deepseek-R1 蒸馏模型 对比维度1.5B7B8B14B32B70B 特有的突破性能力▸ 毫秒级响应(0.3…...
)
JAVA面向对象2(三大特征)
面向对象的三大特征：封装、继承、多态 封装： 封装，英文单词Encapsulation。 从广义的角度来说，将一块经常要使用的代码片段，定义到方法中，是封装。将多个方法和多个状态数据定义到类体中，也是一…...
Spring Cloud工程完善
目录 完善订单服务 启动类 配置文件 实体类 Controller Service Mapper 测试运行 完成商品服务 启动类 配置文件 实体类 Controller Service Mapper 测试运行 远程调用 需求 实现 1.定义RestTemplate 2.修改order-service中的OrderService 测试运行 Rest…...
AI大模型随机初始化权重并打印网络结构方法（以Deepseekv3为例，单机可跑）
背景 当前大模型的权重加载和调用，主要是通过在HuggingFace官网下载并使用transformer的库来加以实现；其中大模型的权重文件较大（部分>100GB），若只是快速研究网络结构和数据流变化，则无需下载权重。本文…...
介绍下SpringBoot常用的依赖项
Spring Boot 是一个用于快速开发 Spring 应用程序的框架，它通过自动配置和依赖管理简化了开发过程。以下是一些 Spring Boot 项目中常用的依赖项： 1. Spring Boot Starter Web 作用: 用于构建 Web 应用程序，包括 RESTful 服务。依赖项: spr…...
第四节 docker基础之---dockerfile部署JDK
本地宿主机配置jdk 创建test目录： [rootdocker ~]# mkdir test 压缩包tomcat和jdk上传到root/test目录下： 本机部署Jdk 解压jdk： [rootdocker test]# tar -xf jdk-8u211-linux-x64.tar.gz [rootdocker test]# tar -xf apache-tomcat-8.5.…...
Vue基础：index.html、App.vue、main.js三个文件的联系
index.html、App.vue、main.js三个文件的联系 当vue项目npm run dev启动成功后， 浏览器就可以通过路径访问页面，那么这个页面到底展示的是哪个文件里的内容呢？ 如果对前端vue有一定的基础知识，这篇文章可忽略。 在vue项目的目录结…...
数据库 绪论
目录 数据库基本概念 一.基本概念 1.信息 2.数据 3.数据库（DB） 4.数据库管理系统（DBMS） 5.数据库系统（DBS） 二.数据管理技术的发展 1.人工管理阶段 2.文件系统阶段 3.数据库系统阶段 4.数据库管…...
26~31.ppt
目录 26.北京主要的景点 题目 解析 27.创新产品展示及说明会 题目 解析 28.《小企业会计准则》 题目 解析 29.学习型社会的学习理念 题目 解析 30.小王-产品展示信息 题目 解析 31.小王-办公理念-信息工作者的每一天 题目 解析 26.北京主要的景点…...
AutoMQ 如何实现没有写性能劣化的极致冷读效率
前言 追赶读（Catch-up Read，冷读）是消息和流系统常见和重要的场景。 削峰填谷：对于消息来说，消息通常用作业务间的解耦和削峰填谷。削峰填谷要求消息队列能将上游发送的数据堆积住，让下游在容量范围内消费…...
启动gateway时Failed to configure a DataSource
问题 在启动网关时候启动失败,报错: 原因很明显,就是没有配制数据库连接信息 实际上是因为在网关模块中导入的某个依赖里面引入了MyBatis的依赖,导致启动的时候自动配置数据库源 但是在这个网关模块中是不需要数据数据库的 解决...
node 程序占用处理方法与后台运行方法
程序占用 如果你在关闭终端后重新运行 node server.js，但提示端口 3000 被占用，说明之前的服务器进程仍然在后台运行。以下是解决方法： 1. 检查后台运行的 Node.js 进程 首先，检查是否有 Node.js 进程正在占用端口 3000。 在 L…...
C# OpenCV机器视觉:对位贴合
在热闹非凡的手机维修街上，阿强开了一家小小的手机贴膜店。每天看着顾客们自己贴膜贴得歪歪扭扭，不是膜的边缘贴不整齐，就是里面充满了气泡，阿强心里就想：“要是我能有个自动贴膜的神器，那该多好啊…...
【计算机网络】TCP/IP 网络模型有哪几层？
目录 应用层 传输层 网络层 网络接口层 总结 为什么要有 TCP/IP 网络模型？ 对于同一台设备上的进程间通信，有很多种方式，比如有管道、消息队列、共享内存、信号等方式，而对于不同设备上的进程间通信，就需要网络通…...
本地部署Deepseek R1
使用Ollama open-webui部署Deepseek R1 一、安装Ollama 官网地址：https://ollama.com/，点击下载按钮选择windows版本。并安装 打开命令提示符输入ollama，出现一下提示命令表示ollama安装完成 二、使用Ollama下载deepseek R1不同模型 打开o…...
PHP盲盒商城系统源码 晒图+免签+短信验证+在线回收 thinkphp框架
源码介绍 PHP盲盒商城系统源码 晒图免签短信验证在线回收 thinkphp框架 源码前端uniapp开发，可以打包成APP（非H5封壳）H5，接其他平台支付通道，前后端全开源 H5盲盒首页可以直接开盒新UI 修复优化BUG，修复无…...
[Do374]ansible-nagivator考前整理
[Do374]ansible-nagivator考前整理 1. Ansible-Navigator 升级后的变化1.1 主要变化1.2 重大改变 2. ansible主要配置文件2.1 .ansible-navigator.yml2.2 ansible.cnf 3. 常用模块3.1 file模块3.2 copy模块3.3 user模块和lookup模块3.4 yum和yum_repository模块3.5 systemd和se…...
deepseek+kimi自动生成ppt
打开deepseek官网，输入详细的需求，让他生成个ppt 接着deepseek开始思考生成了 接着复制生成了的内容 打开kimi粘贴刚才deepseek生成的内容 可以一键生成啦，下载编辑使用吧...
循环神经网络学习01——transformer：输入部分-嵌入层位置编码
一、介绍 1、核心思想 利用自注意力机制来捕获输入序列中各元素之间的全局依赖关系，无论这些元素之间的实际距离有多远。 自注意力机制：允许模型在处理序列的每个元素时，考虑到序列中的所有其他元素，从而捕捉它们之间的关系和依…...
centos系统清理docker日志文件
在CentOS系统中，Docker日志文件的不断增长可能会占用大量磁盘空间，影响系统性能和正常运行。为了保持系统的健康状态，需要定期清理Docker日志文件。本文将详细介绍如何在CentOS系统上清理Docker日志文件的具体步骤和方法。 Docker日志文件位…...
低成本+高性能+超灵活！Deepseek 671B+Milvus重新定义知识库搭建
“老板说，这个项目得上Deepseek,还得再做个知识库...” 还有哪个开发者，最近没听到这样的抱怨？ Deepseek爆火，推理端的智能提速，算力成本急剧下降，让不少原本不想用大模型，用不起大模型的企业&a…...
Windows 本地部署大模型 OpenWebUI+Ollama
安装Ollama Ollama官方网址：https://ollama.com 下载运行大模型 在Ollama官网中查看需要下载的大模型 https://ollama.com/library 复制图片中的链接 打开cmd，运行此命令（此过程会时间会很久） 下载Miniconda Miniconda作用是…...
【iOS自动化】Xcode配置WebDriverAgent
WebDriverAgent 是 iOS 端自动化测试的工具，这里记录下 MacOS 环境 Xcode 如何配置 WebDriverAgent。 【重要】环境准备 ‼️ 注意：Xcode 版本需要支持对应的 iOS 版本，而 Xcode 版本又依赖 MacOS 版本；在开始部署前，…...
RabbitMQ 延迟队列
1.延迟队列插件安装(版本号要对其） Releases rabbitmq/rabbitmq-delayed-message-exchange GitHub 下载的文件: rabbitmq_delayed_message_exchange-3.13.0.ez 直接复制到以下文件夹： \RabbitMQ Server\rabbitmq_server-3.13.7\plugins\ 执行命令…...
JVM-Java虚拟机
基础知识 JVM的定义与作用 定义：JVM是Java语言的一部分，它是一个虚拟的计算机，通过它可以执行Java程序。 作用： 跨平台支持：实现了“编译一次，到处运行”的目标。 自动内存管理：通过垃圾回收…...
Unity底层C#处理机制深度解析
一、Unity脚本执行架构 Unity采用分层架构处理C#脚本，核心由以下组件构成： 脚本引擎层 Mono Runtime（旧版本） IL2CPP（2015版本） Burst Compiler（DOTS体系） 原生交互层 Runtime …...
【WB 深度学习实验管理】使用 PyTorch Lightning 实现高效的图像分类实验跟踪
本文使用到的 Jupyter Notebook 可在GitHub仓库002文件夹找到，别忘了给仓库点个小心心~~~ https://github.com/LFF8888/FF-Studio-Resources 在机器学习项目中，实验跟踪和结果可视化是至关重要的环节。无论是调整超参数、优化模型架构，还是监…...
MFC 应用最小化到系统托盘
本指南将实现 MFC 应用程序在关闭时最小化系统托盘的功能，并左键和右键系统托盘图标进行交互。 目标： 左键点击托盘图标：恢复对话框窗口。右键点击托盘图标：弹出右键菜单，提供 恢复窗口 和 退出程序 两个选项。退出时…...
C++ ——从C到C++
1、C的学习方法 （1）C知识点概念内容比较多，需要反复复习 （2）偏理论，有的内容不理解，可以先背下来，后续可能会理解更深 （3）学好编程要多练习，简…...
【OCPP】ocpp1.6J协议框架说明
目录 1.简介 1.1.本文件的目的 1.2.目标受众 1.3. OCPP-S and OCPP-J 1.4. 约定 1.5.定义和缩写 1.6.参考 2.优点和问题 3.连接 3.1.客户要求 3.1.1.连接URL 3.1.2.OCPP版本 3.1.3.打开HTTP请求的示例 3.2.服务器响应 3.3.更多信息 4.RPC框架 4.1.介绍 4.1.1…...
Swipe横滑与SwipeItem自定义横滑相互影响
背景 vue项目，H5页面，使用vant的组件库轮播组件<Swipe>，UI交互要求，在每个SwipeItem中有内容，可自横滑，查看列表内容 核心代码 <template><Swipeclass"my_swipe":autoplay&quo…...
渗透利器工具：Burp Suite 联动 XRAY 图形化工具.（主动扫描+被动扫描）
Burp Suite 联动 XRAY 图形化工具.（主动扫描被动扫描） Burp Suite 和 Xray 联合使用，能够将 Burp 的强大流量拦截与修改功能，与 Xray 的高效漏洞检测能力相结合，实现更全面、高效的网络安全测试，同时提升漏…...
C# 学习目录
以下内容仅供参考 基础概念 数据类型(使用与定义)-CSDN博客 var使用-CSDN博客 运算符（new、sizeof、is、as)_new 运算符-CSDN博客 数据结构 数组定义与使用-CSDN博客 动态数组和泛型集合-CSDN博客 字典（Dictonary)-CSDN博客 集合类型࿰…...
react native学习【9】——动态路由
react native学习【9】——动态路由 1、进入终端2、动态路由dynamic router3、编写app/_layout.jsx布局文件4、创建动态路由5、完善index.jsx文件6、完善[id].jsx文件扩展运算符...7、完整的index.jsx文件1、进入终端 2、动态路由dynamic router 官方网站 视频中的举例：当我们…...
[AI]Mac本地部署Deepseek R1模型 — — 保姆级教程
[AI]Mac本地部署DeepSeek R1模型 — — 保姆级教程 DeepSeek R1是中国AI初创公司深度求索（DeepSeek）推出大模型DeepSeek-R1。 作为一款开源模型，R1在数学、代码、自然语言推理等任务上的性能能够比肩OpenAI o1模型正式版，并采用MI…...
LeetCodehot 力扣热题100 验证二叉搜索树
class Solution {vector<int> nums; // 用来存储二叉树节点值的数组 public:bool isValidBST(TreeNode* root) {inorder(root); // 中序遍历二叉树，填充 nums 数组// 遍历 nums 数组，检查是否为严格递增序列for(int i0; i<nums.size()-1; i){…...
使用Kickstart配置文件封装操作系统实现Linux的自动化安装
使用Kickstart配置文件封装操作系统实现Linux的自动化安装 创建ks.cfg配置文件 可以使用已经安装完成的Linux操作系统中的/root目录下的anaconda.cfg配置文件 注意，配置文件会因为kickstart的版本兼容性的问题导致无法安装报错需要在实际使用过程中删除某些参数 …...
前端开发架构师Prompt指令的最佳实践
前端开发架构师Prompt 提示词可作为系统提示词使用，可基于用户的需求输出对应的编码方案。 本次提示词偏向前端开发的使用，如有需要可适当修改关键词和示例。 推荐使用 Cursor 中作为自定义指令使用Cline 插件中作为自定义指令使用在力所能及的范围内使…...
flink判断两个事件之间有没有超时（不使用CEP）
1.为啥不使用cep呢，cep的超时时间设置不好配置化，无法满足扩展要求 2.超时怎么界定。A事件发生后，过了N时间，还没有收到B事件，算超时。 代码如下： import com.alibaba.fastjson.JSONObject; import lombo…...
vue3+ts+vite+element plus设置日期时间禁止选择小于当前时间精确到时分秒
ts组件 // timeUtils.ts/*** 生成一个数组* param start* param end*/ export const makeRange (start: number, end: number): number[] > {const result: number[] [];for (let i start; i < end; i) {result.push(i);}return result; };/*** 限制今天之前的时间不…...
2025web寒假作业二
一、整体功能概述 该代码构建了一个简单的后台管理系统界面，主要包含左侧导航栏和右侧内容区域。左侧导航栏有 logo、管理员头像、导航菜单和安全退出按钮；右侧内容区域包括页头、用户信息管理内容（含搜索框和用户数据表格）以及页…...
2025.2.8——二、Confusion1 SSTI模板注入|Jinja2模板
题目来源：攻防世界 Confusion1 目录 一、打开靶机，整理信息 二、解题思路 step 1：查看网页源码信息 step 2：模板注入 step 3：构造payload，验证漏洞 step 4：已确认为SSTI漏洞中的Jinjia2…...
Mysql 函数解析
文章目录 一、模糊匹配【like】二、CASE函数1、简单case2、搜索case3、搜索case 聚合函数 一、模糊匹配【like】 一般形式为：列名 [NOT] LIKE ‘%关键字%’，示例如下： like %北京%列名包括北京的字样like ‘北京%’ 列名北京开头like ‘%北…...
Docker 部署 MongoDB | 国内阿里镜像
一、简易单机版 1、镜像拉取 docker pull registry.cn-hangzhou.aliyuncs.com/farerboy/mongo:8.0.5-rc1 2、运行镜像 docker run -it --name mongodb \ -e MONGO_INITDB_ROOT_USERNAMEmongoroot \ -e MONGO_INITDB_ROOT_PASSWORDmongoroot \ -v /wwwroot/opt/docker/mong…...
加速度计信号处理
【使用 DSP 滤波器加速速度和位移】使用信号处理算法过滤加速度数据并将其转换为速度和位移研究（Matlab代码实现）_加速度计滤波器-CSDN博客 https://wenku.baidu.com/view/622d38b90f22590102020740be1e650e52eacff9.html?_wkts_1738906719916&bdQ…...
Baumer工业相机堡盟相机的相机传感器芯片清洁指南
Baumer工业相机堡盟相机的相机传感器芯片清洁指南 Baumer工业相机1.Baumer工业相机传感器芯片清洁工具和清洁剂2.Baumer工业相机传感器芯片清洁步骤2.1、准备步骤2.2、清洁过程1.定位清洁工具2.清洁传感器3．使用吹风装置 Baumer工业相机传感器芯片清洁的优势设计与结…...
20240824 美团 笔试
文章目录 1、单选题1.11.21.31.41.51.61.71.81.91.101.111.121.131.141.151.161.171.181.191.202、编程题2.12.2岗位：硬件开发工程师（嵌入式系统软件开发方向） 题型：20 道单选题，2 道编程题题 1、单选题 1.1 C 语言中，如果输入整数 v 是 2 的幂，下面表达式中哪个会返…...
【扫描件PDF】如何批量识别扫描件PDF多个区域内容保存到Excel表格，基于WPF和腾讯OCR的详细解决方案
在很多实际业务场景中，需要对大量扫描件 PDF 中的特定区域内容进行识别并整理到 Excel 表格里，以下是一些常见的应用场景：物流运单扫描件 PDF 中包含发货人信息、收货人信息、货物信息等。批量识别这些区域内容到 Excel 表格，有助…...
Django开发入门 – 3.用Django创建一个Web项目
Django开发入门 – 3.用Django创建一个Web项目 Build A Web Based Project With Django By JacksonML 本文简要介绍如何利用最新版Python 3.13.2来搭建Django环境，以及创建第一个Django Web应用项目，并能够运行Django Web服务器。 创建该Django项目需…...
C# OpenCV机器视觉:OSTU算法实现背景差分的自适应分割
在一个热闹的科技公司里，阿强是一个负责图像分析的员工。他的日常工作就是从各种复杂的图像中提取出有用的信息，可这可不是一件轻松的事情哦 最近，阿强接到了一个艰巨的任务：要从一堆嘈杂的监控图像中分离出运动的物体，…...