<?xml version="1.0" encoding="utf-8"?>
<rss version="2.0">
<channel>
<title><![CDATA[鸟语天空]]></title> 
<description><![CDATA[不怨天,不尤人,下学而上达,知我者其天乎!]]></description>
<link>http://www.devacg.com/</link>
<language>zh-cn</language>
<generator>www.emlog.net</generator>
<item>
	<title>SU-03T核心板烧录固件</title>
	<link>http://www.devacg.com/?post=1828</link>
	<description><![CDATA[一、准备USB转TTL工具 二、接线 <a href="http://www.devacg.com/?post=1828">阅读全文&gt;&gt;</a>]]></description>
	<pubDate>Wed, 29 Jul 2026 06:40:30 +0000</pubDate>
	<author>追风剑情</author>
	<guid>http://www.devacg.com/?post=1828</guid>

</item>
<item>
	<title>ESP32 内存占用统计报告</title>
	<link>http://www.devacg.com/?post=1827</link>
	<description><![CDATA[ESP-IDF 编译成功后，会生成一份“内存占用统计报告”。 原文 Total image size: ... <a href="http://www.devacg.com/?post=1827">阅读全文&gt;&gt;</a>]]></description>
	<pubDate>Fri, 26 Jun 2026 09:48:53 +0000</pubDate>
	<author>追风剑情</author>
	<guid>http://www.devacg.com/?post=1827</guid>

</item>
<item>
	<title>ESP32 sdkconfig</title>
	<link>http://www.devacg.com/?post=1826</link>
	<description><![CDATA[sdkconfig 是项目根目录下自动生成的 SDK 配置文件。 # # Automatically generated file. DO NOT EDIT. # Espressif IoT Development Framework (ESP-IDF) 5.3.5 Project Configuration # CONFIG_SOC_CAPS_ECO_VER_MAX=301 CONFIG_SOC_ADC_SUPPORTED=y CONFIG_SOC_DAC_SUPPORTED=y CONFIG_SOC_UART_SUPPORTED=y CONFIG_SOC... <a href="http://www.devacg.com/?post=1826">阅读全文&gt;&gt;</a>]]></description>
	<pubDate>Fri, 26 Jun 2026 09:31:10 +0000</pubDate>
	<author>追风剑情</author>
	<guid>http://www.devacg.com/?post=1826</guid>

</item>
<item>
	<title>Python 自注意力机制在多模态特征融合中的应用</title>
	<link>http://www.devacg.com/?post=1825</link>
	<description><![CDATA[  自注意力机制是一种模拟人类注意力选择能力的机制，允许模型在处理信息时聚焦于输入数据的关键部分。它通过计算查询向量与键向量之间的相似度来生成注意力权重，然后利用这些权重对值向量进行加权求和，从而突出重要信息并抑制不相关信息。 （1）跨模态注意力机制   跨模态注意力机制旨在处理多模态数据(如图像和文本)。它通过在不同模态之间建立关联，使模型能够综合利用多种模态的信息。例如，在图像描述任务中，模型可以通过跨模态注意力机制将图像中的区域与文本中的词语相关联，从而生成更准确的描述。跨模态注意力机制的实现通常涉及不同模态特征的对齐和融合，如通过双线性注意力机制或对比学习来增强模型对多模态信息的理解。 （2）稀疏注意力机制 <a href="http://www.devacg.com/?post=1825">阅读全文&gt;&gt;</a>]]></description>
	<pubDate>Thu, 25 Jun 2026 07:01:26 +0000</pubDate>
	<author>追风剑情</author>
	<guid>http://www.devacg.com/?post=1825</guid>

</item>
<item>
	<title>Python BERT 多任务学习</title>
	<link>http://www.devacg.com/?post=1824</link>
	<description><![CDATA[  多任务学习(multi-task learning)是指通过同时训练模型完成多个相关任务提高模型的泛化能力。例如，可以同时训练一个模型进行图像分类和文本生成，从而使模型能够更好地理解图像和文本之间的关系。下面的实例演示了在模型训练中使用预训练模型实现多任务学习的过程。在这个例子中，使用预训练的ResNet模型提取图像特征，使用预训练的BERT模型提取文本特征，然后将这些特征用于两个不同的任务:图像分类和文本分类。 示例 # ---------- 1. 开启离线模式（必须在所有 import 之前） ---------- import os os.environ[T... <a href="http://www.devacg.com/?post=1824">阅读全文&gt;&gt;</a>]]></description>
	<pubDate>Wed, 24 Jun 2026 09:05:03 +0000</pubDate>
	<author>追风剑情</author>
	<guid>http://www.devacg.com/?post=1824</guid>

</item>
<item>
	<title>Python 下载BERT模型并保存到本地</title>
	<link>http://www.devacg.com/?post=1823</link>
	<description><![CDATA[示例： import os # 设置Hugging Face镜像源 os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com' # 然后是你的原有下载代码 from transformers import AutoTokenizer, AutoModel model_name = bert-base-uncased print(正在从镜像站下载模型...) model = AutoModel.from_pretrained(model_name) tokenizer = AutoTokenizer.from_pretraine... <a href="http://www.devacg.com/?post=1823">阅读全文&gt;&gt;</a>]]></description>
	<pubDate>Wed, 24 Jun 2026 08:21:55 +0000</pubDate>
	<author>追风剑情</author>
	<guid>http://www.devacg.com/?post=1823</guid>

</item>
<item>
	<title>OTA远程升级固件</title>
	<link>http://www.devacg.com/?post=1822</link>
	<description><![CDATA[一、新建分区配置文件 在项目根目录下创建 partitions.csv，内容如下： # Name,   Type, SubType, Offset,  Size, Flags nvs,      data, nvs,     0x9000,  0x6000, otadata,  data, ota,     0xf000,  0x2000, phy_init, data, phy,     0x11000, 0x1000, ota_0,    app,  ota_0,   0x20000, 0x180000, ota_1,    app, ... <a href="http://www.devacg.com/?post=1822">阅读全文&gt;&gt;</a>]]></description>
	<pubDate>Tue, 23 Jun 2026 06:40:02 +0000</pubDate>
	<author>追风剑情</author>
	<guid>http://www.devacg.com/?post=1822</guid>

</item>
<item>
	<title>搭建MQTT服务器</title>
	<link>http://www.devacg.com/?post=1821</link>
	<description><![CDATA[一、下载与安装 mosquitto  二、修改配置 在安装目录下找到 mosquitto.conf，并添加以下配置。 # 允许任意IP的设备连接 bind_address 0.0.0.0 # 监听1883端口 port 1883 # 允许匿名登录（测试环境允许，生产环境请关闭） allow_anonymous true   ... <a href="http://www.devacg.com/?post=1821">阅读全文&gt;&gt;</a>]]></description>
	<pubDate>Mon, 22 Jun 2026 06:11:07 +0000</pubDate>
	<author>追风剑情</author>
	<guid>http://www.devacg.com/?post=1821</guid>

</item>
<item>
	<title>Python LangServe 服务</title>
	<link>http://www.devacg.com/?post=1820</link>
	<description><![CDATA[  LangServe 是 LangChain 官方推出的一个工具，可以把它理解成一个 “大模型应用部署器” 。它能帮你把用 LangChain 构建的应用（比如一个问答链、一个智能代理）快速打包成一个标准的 REST API 服务，这样其他程序（比如你的前端页面、手机App）就能通过 HTTP 请求来调用它了。 示例： # 更新导入路径 from fastapi import FastAPI # 从 langchain_core 导入提示词模板 from langchain_core.prompts import ChatPromptTemplate # 从 la... <a href="http://www.devacg.com/?post=1820">阅读全文&gt;&gt;</a>]]></description>
	<pubDate>Thu, 18 Jun 2026 07:07:07 +0000</pubDate>
	<author>追风剑情</author>
	<guid>http://www.devacg.com/?post=1820</guid>

</item>
<item>
	<title>Python 让DeepSeek返回JSON结构</title>
	<link>http://www.devacg.com/?post=1819</link>
	<description><![CDATA[示例： import json
import re
import requests # Ollama API 地址
OLLAMA_URL = http://localhost:11434/api/generate # 模型名称（根据你的 ollama list 输出）
MODEL_NAME = deepseek-r1:7b def ask_deepseek_json(prompt, system_prompt=None):  向 deepseek-r1:7b 发送请求，要求返回 JSON 结构。 返回解析后的 Python 字典，若失败则返回 None。 ... <a href="http://www.devacg.com/?post=1819">阅读全文&gt;&gt;</a>]]></description>
	<pubDate>Thu, 18 Jun 2026 06:32:20 +0000</pubDate>
	<author>追风剑情</author>
	<guid>http://www.devacg.com/?post=1819</guid>

</item></channel>
</rss>