DeepSeek与人工智能:技术演进、架构解析与未来展望
前些天发现了一个巨牛的人工智能学习网站,通俗易懂,风趣幽默,忍不住分享一下给大家。点击跳转到网站。
https://www.captainbed.cn/north
文章目录
- 1. DeepSeek技术全景解析
- 1.1 DeepSeek技术定位
- 1.2 核心技术组件
- 2. 人工智能发展路线
- 2.1 技术演进阶段
- 2.2 关键技术突破点
- 3. DeepSeek核心架构解析
- 3.1 混合推理引擎
- 3.2 持续学习算法
- 4. 关键技术实现
- 4.1 多模态对齐算法
- 4.2 自主决策系统
- 5. 应用场景与案例
- 5.1 智能医疗诊断系统
- 5.2 工业数字孪生系统
- 6. 挑战与未来方向
- 6.1 技术挑战矩阵
- 6.2 前沿探索方向
- 7. 开发资源与工具
- 7.1 DeepSeek开源生态
- 7.2 典型研发工具链
- 8. 伦理与治理框架
- 8.1 安全防护机制
- 8.2 治理技术栈
- 9. 总结与展望
1. DeepSeek技术全景解析
1.1 DeepSeek技术定位
- 核心目标:实现通用人工智能(AGI)的渐进式突破
- 技术架构:
1.2 核心技术组件
- 深度推理引擎:混合符号-神经网络架构
- 持续学习框架:非平稳数据流处理
- 多模态对齐:跨文本、视觉、语音的统一表示
2. 人工智能发展路线
2.1 技术演进阶段
阶段 | 时间范围 | 特征 | 典型技术 |
---|---|---|---|
规则时代 | 1950-1980 | 基于符号逻辑 | 专家系统 |
统计时代 | 1980-2010 | 概率模型主导 | SVM, HMM |
深度学习 | 2010-2020 | 神经网络突破 | CNN, RNN |
大模型时代 | 2020-至今 | 超大规模预训练 | Transformer |
AGI探索 | 未来 | 通用智能体 | DeepSeek架构 |
2.2 关键技术突破点
# 渐进式学习示例代码
class ProgressiveLearner:def __init__(self):self.knowledge_base = KnowledgeGraph()self.neural_module = TransformerModel()self.symbolic_reasoner = LogicEngine()def learn(self, data):# 多模态数据融合fused_data = self._fuse_modalities(data)# 神经符号协同训练neural_output = self.neural_module(fused_data)symbolic_rules = self.symbolic_reasoner.infer(fused_data)# 知识库更新self.knowledge_base.update(neural_output, symbolic_rules)def predict(self, input):# 混合推理流程neural_pred = self.neural_module(input)symbolic_pred = self.symbolic_reasoner.query(input)return self._integrate_predictions(neural_pred, symbolic_pred)
3. DeepSeek核心架构解析
3.1 混合推理引擎
3.2 持续学习算法
# 动态网络结构调整示例
class DynamicNetwork(nn.Module):def __init__(self, base_units=128):super().__init__()self.units = base_unitsself.layers = nn.ModuleList([nn.Linear(256, self.units),nn.ReLU()])def adapt_structure(self, new_data):# 计算复杂度需求complexity = self._estimate_complexity(new_data)# 动态调整网络结构if complexity > self.current_capacity():self._expand_layers(complexity)def _expand_layers(self, target_capacity):new_units = self.units * 2self.layers.append(nn.Linear(self.units, new_units))self.layers.append(nn.ReLU())self.units = new_units
4. 关键技术实现
4.1 多模态对齐算法
# 跨模态嵌入代码示例
import torch
from transformers import BertModel, ViTModelclass MultimodalAlign(torch.nn.Module):def __init__(self):super().__init__()self.text_encoder = BertModel.from_pretrained('bert-base')self.image_encoder = ViTModel.from_pretrained('vit-base')self.projection = torch.nn.Linear(768, 256)def forward(self, text, image):text_emb = self.text_encoder(text).last_hidden_state[:,0]image_emb = self.image_encoder(image).last_hidden_state[:,0]# 映射到共同空间joint_emb = self.projection(torch.cat([text_emb, image_emb], dim=1))return joint_emb
4.2 自主决策系统
# 强化学习决策框架
class CognitiveAgent:def __init__(self):self.memory = ReplayBuffer(capacity=10000)self.policy_net = DQN(input_size=256, hidden_size=512)self.target_net = DQN(input_size=256, hidden_size=512)def select_action(self, state):# 探索-利用平衡if random.random() < self.epsilon:return random.choice(self.action_space)else:return self.policy_net(state).argmax()def learn(self, batch_size=32):transitions = self.memory.sample(batch_size)batch = Transition(*zip(*transitions))# 计算Q值目标next_q = self.target_net(batch.next_state).max(1)[0]target = batch.reward + self.gamma * next_q# 优化策略网络current_q = self.policy_net(batch.state).gather(1, batch.action)loss = F.mse_loss(current_q, target.unsqueeze(1))self.optimizer.zero_grad()loss.backward()self.optimizer.step()
5. 应用场景与案例
5.1 智能医疗诊断系统
5.2 工业数字孪生系统
# 工业设备预测性维护
class PredictiveMaintenance:def __init__(self, sensor_network):self.sensors = sensor_networkself.digital_twin = self._build_digital_twin()def _build_digital_twin(self):# 构建3D物理模型geometry_model = CADModel.load(self.sensors.device_spec)# 集成实时数据流data_pipeline = RealTimeDataPipeline(sensors=self.sensors,sampling_rate=1000)return DigitalTwin(geometry_model, data_pipeline)def detect_anomalies(self):# 多尺度特征提取time_series = self.digital_twin.get_telemetry()freq_features = FFT_analysis(time_series)temporal_features = LSTM_encoder(time_series)# 融合推理combined = torch.cat([freq_features, temporal_features], dim=1)return self.predictor(combined)
6. 挑战与未来方向
6.1 技术挑战矩阵
挑战领域 | 具体问题 | 当前进展 | 突破方向 |
---|---|---|---|
能源效率 | 算力需求指数增长 | 稀疏计算 | 量子神经形态芯片 |
可解释性 | 黑箱决策机制 | 局部解释方法 | 全透明推理路径 |
伦理安全 | 价值观对齐 | 初步约束框架 | 动态道德神经网络 |
持续学习 | 灾难性遗忘 | 弹性权重巩固 | 生物启发生长模型 |
6.2 前沿探索方向
- 神经符号量子计算:融合三大范式
- 认知架构进化:模仿人类神经可塑性
- 环境共生系统:物理-数字世界无缝交互
- 群体智能网络:去中心化协作学习
7. 开发资源与工具
7.1 DeepSeek开源生态
# 安装开发工具包
pip install deepseek-sdk# 典型使用流程
from deepseek import CognitiveEngineengine = CognitiveEngine(model_size='xl',modalities=['text', 'vision'],reasoning_mode='hybrid'
)response = engine.query(input_data="分析CT影像并生成诊断报告",context=medical_images
)
7.2 典型研发工具链
├── 数据层
│ ├── DeepLake # 多模态数据湖
│ └── KGLens # 知识图谱工具
├── 计算层
│ ├── QuantumFlow # 量子计算模拟
│ └── EdgeML # 边缘部署框架
├── 算法层
│ ├── NeuroSym # 神经符号引擎
│ └── MetaLearner # 元学习库
└── 应用层├── CogUI # 认知交互界面└── AutoDeploy # 自动部署系统
8. 伦理与治理框架
8.1 安全防护机制
class EthicsGuard:def __init__(self, core_policy):self.policy = core_policyself.value_detector = ValueAlignmentModel()self.safety_checker = SafetyValidator()def validate_action(self, proposed_action):# 价值观对齐检测alignment_score = self.value_detector(proposed_action)# 安全约束验证safety_status = self.safety_checker.check_constraints(proposed_action)if alignment_score > 0.8 and safety_status.passed:return ApprovalStatus.APPROVEDelse:return ApprovalStatus.REQUIRES_HUMAN_REVIEW
8.2 治理技术栈
9. 总结与展望
DeepSeek的技术路线为AGI发展提供了重要实践路径,其核心创新体现在:
- 混合架构突破:神经符号系统的有效协同
- 持续进化能力:开放环境下的终身学习
- 人机共生设计:增强而非替代人类智能
未来三年关键里程碑:
- 2025:实现特定领域的通用推理能力
- 2026:完成百亿级参数的多模态对齐
- 2027:构建首个通过图灵测试的行业专家系统
参考资料:
- DeepSeek Technical White Paper 2023
- 《人工智能:现代方法》(第四版)
- NeurIPS 2023 前沿论文精选
- IEEE 人工智能伦理标准
本文全面解析了DeepSeek的技术架构与人工智能发展趋势,涵盖核心算法、系统设计和应用场景。开发者可结合提供的代码框架和工具链进行实践探索,共同推动AGI技术的负责任发展。
相关文章:
DeepSeek与人工智能:技术演进、架构解析与未来展望
前些天发现了一个巨牛的人工智能学习网站,通俗易懂,风趣幽默,忍不住分享一下给大家。点击跳转到网站。https://www.captainbed.cn/north 文章目录 1. DeepSeek技术全景解析1.1 DeepSeek技术定位1.2 核心技术组件 2. 人工智能发展路线2.1 技术…...
Keepalived 多主模型与 LVS 高可用
一.Keepalived多主模型 Keepalived多主模型概念 如上图,keepalived主从架构性能损耗较严重,如果业务分类明确,则可以配置keepalived多主模型降低损耗,两台keepalived互为主备,如:订单业务走keepalived1&am…...
AGI大模型(6):提示词模型进阶
1 零样本提示 如今,经过⼤量数据训练并调整指令的LLM能够执⾏零样本任务。 代码如下: from openai import OpenAI from dotenv import load_dotenv load_dotenv() # 初始化 OpenAI 服务。 client = OpenAI()prompt = """ 将⽂本分类为中性、负⾯或正⾯。 ⽂…...
群体智能优化算法-旗鱼优化算法 (Sailfish Optimizer, SFO,含Matlab源代码)
摘要 旗鱼优化算法(Sailfish Optimizer, SFO)是一种模拟旗鱼(Sailfish)和沙丁鱼(Sardine)之间捕食关系的新型元启发式算法。通过在搜索过程中模拟旗鱼对沙丁鱼的捕食行为,以及沙丁鱼群的逃逸与…...
适合企业内训的AI工具实操培训教程(37页PPT)(文末有下载方式)
详细资料请看本解读文章的最后内容。 资料解读:适合企业内训的 AI 工具实操培训教程 在当今数字化时代,人工智能(AI)技术迅速发展,深度融入到各个领域,AIGC(人工智能生成内容)更是成…...
用 Python 进行比特币数据分析:从入门到实战
用 Python 进行比特币数据分析:从入门到实战 前言 比特币,这个“数字黄金”,已经成为全球金融市场不可忽视的存在。无论是短线交易、长期投资,还是链上数据分析,都离不开数据的支撑。而 Python,作为数据分析的瑞士军刀,为我们提供了一整套强大的工具。 本篇文章将带你…...
CT重建笔记(四)——三维重建
人如果不思考不学习,天天刷短视频,跟咸鱼有什么区别? 平行的线积分数据(X射线变换) 平行光束图像重建的理论基础是中心切片定理(二维情形见我的博客https://leslielee.blog.csdn.net/article/details/134…...
蓝桥杯刷题周计划(第三周)
目录 前言题目一题目代码题解分析 题目二题目代码题解分析 题目三题目代码题解分析 题目四题目代码题解分析 题目五题目代码题解分析 题目六题目代码题解分析 题目七题目代码题解分析 题目八题目代码题解分析 题目九题目代码题解分析 题目十题目代码题解分析 前言 大家好&#…...
Qt 控件概述 QWdiget 1.1
目录 qrc机制 qrc使用 1.在项目中创建一个 qrc 文件 2.将图片导入到qrc文件中 windowOpacity: cursor 光标 cursor类型 自定义Cursor font tooltip focusPolicy styleSheet qrc机制 之前提到使用相对路径的方法来存放资源,还有一种更好的方式…...
Type_ C和锂电池自切换电路
支持Type_ C和锂电池双供电的供电方案: Type_ C插入,PMOS关断,电池切断,后级电路由Type_ C供电; 锂电池插入,Type_ C不接的时候,PMOS导通,锂电池供电; 1、没有插入USB电…...
CTP开发爬坑指北(九)
CTP API开发中有很多需要注意的小细节,稍有不慎就会出问题,不然,轻则表现与预期不符,重则程序崩溃影响策略盈利。本系列将容易遇到的坑列出来,以供开发时参考,如有疑义之处,欢迎指正。 在国内期…...
算法之双指针
移动零 题目链接:https://leetcode.cn/problems/move-zeroes 题目的要求是不能改变原数组的非零元素的顺序,也不得再额外开个空间。 算法原理:将数组划分,数组分块。 将所有的非零元素移到左边,零元素移到右边。 方…...
关于ISP Pipeline LSC(镜头阴影校正)位置的一些想法
关于LSC校正的一些基本原理可以参考如下链接: ISP之LSC 【ISP】浅析Lens Shading ISP-镜头阴影校正(LSC) 这篇博文不打算讲具体的LSC校正原理。 主要是答复一位网友关于LSC校正在ISP Pipeline的问题。 网友问题如下: Rin_Cyn…...
x012-MSP430F249智能步进电动百叶窗_proteus_光敏电阻_步进电机_仿真
https://www.dong-blog.fun/post/1997 46 、智能步进电动百叶窗 基本要求: 用一台步进电机控制百叶窗叶片的旋转(正转/反转) 用 LED 数码管显示旋转角度 设置按键: 手动/自动切换、手动正转和手动反转,停止/启动键 用一…...
WordPress调用当前文章作者头像
制作wordpress博客主题时经常会到用,需要调用wordpress当前文章作者头像的时候,用下面的这段代码即可。 <?php if (have_posts()) : the_post(); update_post_caches($posts); ?> //wodepress.com <?php echo get_avatar( get_the_author_e…...
Mysql表的查询
一:创建一个新的数据库(companydb),并查看数据库。 二:使用该数据库,并创建表worker。 mysql> use companydb;mysql> CREATE TABLE worker(-> 部门号 INT(11) NOT NULL,-> 职工号 INT(11) NOT NULL,-> 工作时间 D…...
25.单例模式实现线程池
一、线程池的概念 1.1 线程池的介绍 线程池是一种线程使用模式。线程过多会带来调度开销,进而影响缓存局部性和整体性能。而线程池维护着多个线程,等待着监督管理者分配可并发执行的任务。这避免了在处理短时间任务时创建与销毁线程的代价。线程池不仅…...
欢乐力扣:基本计算器
文章目录 1、题目描述2、思路代码括号 1、题目描述 基本计算器。 给你一个字符串表达式 s ,请你实现一个基本计算器来计算并返回它的值。 注意:不允许使用任何将字符串作为数学表达式计算的内置函数,比如 eval() 。 2、思路 本人也不太会,…...
app.config.globalProperties
目录 一:基础使用 1、简介 2、使用 3、打印结果: 二:封装 1、创建一个.ts文件(utils/msg.ts) 2、在main.ts中全局注册 3、在页面中使用 4、打印结果 一:基础使用 1、简介 app.config.globalProperties 是 Vue 3 应用实例(app)的一个配置属性&…...
Javascript BOM,DOM 知识简介
JSON 一种数据交换格式,作为数据载体,传输数据, Json比xml 更简单,可读性更高.js的对象和Json可以相互转换. //json定义格式: var varName{"key1":value1,"key2":value2};value的数据类型为数字,字符串(在双引号中),布尔值,数组(在方括号中),对象(在花括…...
记第一次跟踪seatunnel的任务运行过程四——getJobConfigParser().parse()的动作
前绪 记第一次跟踪seatunnel的任务运行过程三——解析配置的具体方法getLogicalDag 正文 书接上文 ImmutablePair<List<Action>, Set<URL>> immutablePair getJobConfigParser().parse(null);在前一篇文章中说到getLogicDag()方法的第一行(如…...
鸿蒙APP采用WebSocket实现在线实时聊天
本文配套视频: 鸿蒙APP基于websocket实时聊天功能_哔哩哔哩_bilibili 1. 案例环境: 鸿蒙APP采用ArkTS语法编写,API14环境,DevEco Studio 5.0.7.210编辑器开发后台接口基于SpringBoot,后台前端基于Vue开发核心技术采用…...
【2步解决】phpstudy开机自启(自动启动phpstudy、mysql、nignx或apache、自动打开网址)
重启执行最终效果图: 一、场景 线下部署,需要开启自动动,并打开网址http://localhost/。 二、操作步骤 ①、新建start.txt,并修改为start.bat,使用记事本编辑,粘贴上方代码如下: echo off:…...
一周学会Flask3 Python Web开发-SQLAlchemy删除数据操作-班级模块
锋哥原创的Flask3 Python Web开发 Flask3视频教程: 2025版 Flask3 Python web开发 视频教程(无废话版) 玩命更新中~_哔哩哔哩_bilibili 首页list.html里加上删除链接: <!DOCTYPE html> <html lang"en"> <head><meta c…...
从过拟合到强化学习:机器学习核心知识全解析
Langchain系列文章目录 01-玩转LangChain:从模型调用到Prompt模板与输出解析的完整指南 02-玩转 LangChain Memory 模块:四种记忆类型详解及应用场景全覆盖 03-全面掌握 LangChain:从核心链条构建到动态任务分配的实战指南 04-玩转 LangChai…...
uniapp-x 之useAttrs只读
数据类型: useAttrs在web端拿到的是obj,app拿到的是map 是否可以修改内部元素: 否,只读 这意味着你想这样写代码将会无效 let attrsuseAttrs();console.log("attrs",attrs, attrs instanceof Map)//appif(attrs ins…...
MySQL 8 主从同步安装与配置
拟机,由 CentOS 换成了 Ubuntu,用 Xteminal 连接之后,为了方便改配置文件,把文件权限改成 666 了,结果因为这个调半天,一直以为是网络问题或者是配置问题。要注意为了防止配置文件被未经授权的用户修改&…...
【人工智能】人工智能安全(AI Security)
人工智能安全(AI Security) 是指保障人工智能系统免受各种攻击、滥用和错误操作的措施与技术。随着人工智能的广泛应用,AI的安全性问题变得越来越重要。AI安全不仅关注系统本身的稳定性与安全性,还涉及到如何确保AI的决策和行为是…...
Shp文件转坐标并导出到Excel和JSON(arcMap + excel)
思路总结: 准备: 一个shp文件 (单个面, 多个面建议使用Python代码, 自己弄太复杂) 使用arcMap工具, 将面通过 要素折点转点 工具转为点 Shp文件转坐标 (Python) 第一步: 这样就得到了一个点文件. 第二步: 得到x, y坐标 使用工具添加xy坐标 这样在属性表中就会多出两列 第…...
【数据结构】线性表简介
0.本篇问题 线性表,顺序表,链表什么关系?它们是逻辑结构还是存储结构?线性表的基本操作有哪些? 线性表是具有相同数据元素的有限序列。 表中元素有先后次序,每个元素占有相同大小的存储空间。 一、线性…...
基于FPGA的制冷型红外成像电路设计(论文+图纸)
1.总体设计 对于本次课题基于FPGA的制冷型红外成像电路设计,其主要包括两个功能,第一就是红外图像的显示,第二就是红外图像中各点温度的测量。首先对于红外图像的显示来说,一般根据红外探测器根据阵列的大小可以显示出不同的清…...
Spring Boot 集成 Lua 脚本:实现高效业务逻辑处理
1. 前言 1.1 什么是Lua Lua是一种轻量级、高性能的脚本语言,常用于游戏开发、嵌入式系统、配置文件解析等领域。Lua语法简洁,易于学习和使用,且具有强大的扩展性。 1.2 Spring Boot与Lua集成的意义 将Lua集成到Spring Boot应用中,可以实现动态配置业务逻辑、简化复杂业…...
cursor使用
引入私有文档 设置-> Features->下滑找到Docs url后边多加一个 / 可以拉取url下所有的页面(子页面,子目录),不加只拉取url当前页面 使用 选择 Docs 回车 选择 文档 直接解析链接 链接 回车 搜索引擎 web 对比git版本差异 git 选择其中一个 g…...
时间序列预测(十九)——卷积神经网络(CNN)在时间序列中的应用
有关CNN的介绍可以参考以下博文: 卷积神经网络(CNN)详细介绍及其原理详解-CSDN博客 三万字硬核详解:卷积神经网络CNN(原理详解 项目实战 经验分享)_cnn卷积神经网络-CSDN博客 CNN笔记:通俗…...
uniapp-x js 限制
1.String(str) 不允许,android模拟室报错,找不到String 2.JSON.parse不接受泛类型 export const genData function<T> (initData:T) : T {return JSON.parse<T>(JSON.stringify(initData))!;//不可以,必须明确类型 } error: …...
Matlab 基于磁流变阻尼器的半主动车辆座椅悬架模糊控制研究
1、内容简介 略 Matlab 175-基于磁流变阻尼器的半主动车辆座椅悬架模糊控制研究 可以交流、咨询、答疑 2、内容说明 略 3、仿真分析 略 4、参考论文 略...
QQuick3D-Model的实例化
QQuick3D-Model的实例化 Model的实例化 Model类继承于Node类;如果想让一个Model(模型)可以渲染,至少需要一个Mesh(网格)和material(材质)Mesh(网格):Qt内置了矩形(Rectangle&#…...
二分算法刷题
1. 初识 总结:二分算法题的细节非常多,容易写出死循环。使用算法的条件不一定是数组有序,而是具有“二断性”;模板三种后面会讲。 朴素二分二分查找左端点二分查找右端点 2. 朴素二分 题目链接:704. 二分查找 - 力扣…...
# RAG 框架 # 一文入门 全链路RAG系统构建与优化 —— 架构、策略与实践
本文全面阐述了RAG系统从数据收集、数据清洗(包括领域专有名词处理)、智能数据分块与QA对生成,到向量化、向量数据库选择与配置,再到检索方式及重排序,直至整合输出、监控反馈和安全保障的全流程。通过这一完整方案&am…...
网络运维学习笔记(DeepSeek优化版) 017 HCIA-Datacom综合实验02
文章目录 综合实验2sw3sw4gwcore1(sw1)core2(sw2)ISP 综合实验2 sw3 vlan 2 stp mode stp int e0/0/1 port link-type trunk port trunk allow-pass vlan 2 int e0/0/2 port link-type trunk port trunk allow-pass vlan 2 int e…...
Flutter——Android与Flutter混合开发详细教程
目录 1.创建FlutterModule项目,相当于Android项目里面的module库;2.或者编辑aar引用3.创建Android原生项目3.直接运行跑起来 1.创建FlutterModule项目,相当于Android项目里面的module库; 2.或者编辑aar引用 执行 flutter build a…...
java手机号、邮箱、日期正则表达式
Java正则核心API Java中用 java.util.regex 包的两个类: Pattern:编译正则表达式Matcher:执行匹配操作 1. 验证手机号 String regex "1[3-9]\\d{9}"; boolean isValid "18812345678".matches(regex); // true2. 提取…...
0x04.若依框架微服务开发(含AI模块运行)
微服务本地开发硬件资源有限,所以会将核心微服务组件先部署在服务器上比如:mysql,redis,注册中心Nacos,网关Gateway,认证中心Auth和upms模块以及低代码生成模块。 mysql、redis部署前篇已讲,这…...
数据库管理-第302期 国产类RAC架构数据库网络连接方式(20250314)
数据库管理302期 2025-03-14 数据库管理-第302期 国产类RAC架构数据库网络连接方式(20250314)1 Oracle RAC2 DMDSC3 YAC4 KES RAC总结 数据库管理-第302期 国产类RAC架构数据库网络连接方式(20250314) 作者:胖头鱼的鱼…...
ctf web入门知识合集
文章目录 01做题思路02信息泄露及利用robots.txt.git文件泄露dirsearch ctfshow做题记录信息搜集web1web2web3web4web5web6web7web8SVN泄露与 Git泄露的区别web9web10 php的基础概念php的基础语法1. PHP 基本语法结构2. PHP 变量3.输出数据4.数组5.超全局变量6.文件操作 php的命…...
CSS3-流星雨
1. 绘制标签 <div class"container"><span></span> </div>2. 设置div背景 在百度上搜索一幅星空的图片 <style>* {/* 初始化 */margin: 0;padding: 0;}body {/* 高度100% */height: 100vh;/* 溢出隐藏 */overflow: hidden;}.contai…...
【leetcode hot 100 199】二叉树的右视图
解法一:层级遍历,右侧看到的节点就是每一层最后一个元素 /*** Definition for a binary tree node.* public class TreeNode {* int val;* TreeNode left;* TreeNode right;* TreeNode() {}* TreeNode(int val) { this.val val; }…...
Unity进阶课程【二】Mask 组件的使用 UI遮罩效果以及透明抠图效果
Unity组件讲解 Mask 时隔多年,今天咱们继续进阶课程,这几年变化很大,但是一直还是从事Unity行业,行业虽难,依旧坚持,以后会养成习惯,定期更新,希望小伙伴们监督,有想学习…...
本地部署Jina AI Reader:用Docker打造你的智能解析引擎
本地部署Jina AI Reader:用Docker打造你的智能解析引擎 🌟 引言:为什么需要本地部署?📌 场景应用图谱🔧 部署指南(Linux环境)1. 环境准备2. Docker部署3. 验证服务状态 🚀…...
【MyBatis Plus 逻辑删除详解】
文章目录 MyBatis Plus 逻辑删除详解前言什么是逻辑删除?MyBatis Plus 中的逻辑删除1. 添加逻辑删除字段2. 实体类的配置3. 配置 MyBatis Plus4. 使用逻辑删除5. 查询逻辑删除的记录 MyBatis Plus 逻辑删除详解 前言 MyBatis Plus 是一个强大的持久化框架…...