Electron 是一个跨平台桌面端的应用框架，electron 底层依赖3 个核心组件 Chromium、Node.js、Electron API，Chromium 是 Chrome 的开源版本，Node.js可以编写后台应用程序，集成 Node.js 到 Electron，使得 Electron 可以使用 Node.js 提供的功能，例如访问本地文件和数据库。

surya-ocr 识别效果不错，比前两天看到的 GOT 的结果要好一些，效果可以媲美 PaddleOCR 了。

如果在gitlab中配置ldap首先安装OpenLdap和Gitlab，网上文章很多大家可以搜一下。添加Ldap服务器配置vi /etc/gitlab/gitlab.rb#添加配置gitlab_rails['ldap_enabled'] = truegitlab_rails['prevent_ldap_sign_in'] = falsegitlab_rails['ldap_servers'] =

RLHF 相比于 SFT 可以根据用户的反馈进行优化，从而提高了模型的效果。虽然，RL 提高了模型的效果，数据还是起到非常重要的作用。想要调优一个效果很好的私有模型，数据准备的工作，无论 SFT 还是 RL 门槛都很高。

华硕 AC86U 升级之后，软件中心无法显示，没有找到更好的办法，只能重新格式化，带来的问题就是升级之前安装的软件全部被清掉了。感觉升级之后，可能兼容性出了问题。

和Hudi类似，Iceberg也提供了数据湖的功能，根据官网的定义，它是一个为分析大数据集开源的一个表存储格式，可以SQL表一样用Spark、Preso进行搜索。功能特性支持Schema变更：字段的增删改对数据表没有影响Hidden Partition：用户不用再去管理表的partition，在Hive中插入数据时是需要指定partition的，因为Hive并不会检查分区格式，所以用户要自己去校验

有了 DuckDB 跨数据源的数据处理变得非常简单，更多的数据源连接方式可以参考官网。

物体检测是指根据一张图片包含的多个物体，通过模型分析物体的信息，最终给出图片中物体的位置以及物体的分类名称。物体检测输入的是一张图片，图片上包含多个物体，输出包括Pytorch 运行深度模型主要包括一下步骤。

如何自己训练一个图片分类模型，如果一切从头开始，对于一般公司或个人基本是难以实现的。其实，我们可以利用一个现有的图片分类模型，加上新的分类，这种方式叫做迁移学习，就是把现有的模式知识，转移到新的模型。Pytorch 官网提供已经训练好的模型，可以在此基础上训练自己的模型。我们用的模型是 VGG 分类模型，首先，先运行一个已经训练好的模型可做 1000 个分类。

语意分割是指一张图片上包含多个物体，通过语义分割可以识别物体分类、物体名称、像素识别的任务。和物体检测不同，他不会将物体框出来，而是根据像素的归属把物体标注出来。PSPNet 的输入是一张图片，例如300500，那么输出就是一个 300500 数组，数组中的值就是分类索引，如果是 20 中分类，分类索引就是 0-19。PSPNet 的输入和输出，如下图。