我参考的这个博客，做个笔记背景介绍：通用大模型，基座大模型，（GPT-3,Llama-3.1)是基于大量的文本数据训练的深度学习模型，具有通用的自然语言处理能力，可以处理多种任务，如文本生成，翻译、问答、情感分析等。但是这些通用模型在训练过程中一般没有针对特定的任务或领域进行微调，所以在具体到某一个细分场景，表现不行为了提升面向商用标准能力，往往就需要对通用大模型进行微调，以使其在特定任务或领域表

介绍视觉编码器.重新设计vit，引入窗口注意力机制，只有四层使用了全自注意力，其余层使用最大窗口尺寸为112*112（patch是14*14 对应8*8个图像块）的窗口注意力，对于小于112*112的，不填充进行处理 （注意patch指的是图像块大小，8*8图像块的数目，要注意区分）所以**窗口注意力**登场了。***做法**：如论文 2.1.1 节所述，对于视频数据，模型将**连续的两帧**在时

面向对象编程的核心思想是将现实世界中的事物抽象为程序中的对象，每个对象包含数据（属性）和行为（方法）。通过对象之间的交互来完成程序的功能四大基本特性：封装：将数据（属性）和操作数据的方法（函数）捆绑在一起，并对外隐藏内部实现细节。通常通过访问控制（public,private,protected)来实现继承：允许一个（子类）基于另一个类（父类）来创建，自动获得父类的属性和方法，并可以扩展或重写多态

数据类型：整型（整数 short(短整型）:2字节int(整型）：4字节long(长整型）：windows为4字节，linux为4字节，8字节；c++规定给标识符（变量、常量）命名时：标识符不可以是关键字、标识符只能由字母、数字、下划线组成；const修饰的变量 const 数据类型 常量名=常量值。c++定义常量的两种方式 #define 宏常量：#define 常量名 常量值。枚举常量，适用于

（MRR（Mean Reciprocal Rank）平均倒数排名：第一个正确答案排在第几位，比如搜索python教程，第一个是python官网广告，第二个是某培训机构广告，第三个是python官方文档，第四个是某博客教程。排在第 2 位：打折，得分 = Gain / log₂(2+1) = Gain / 1.58。排在第 1 位：不打折，得分 = Gain / log₂(1+1) = Gain /

img0 是 img1 gt是img2 img1是img3 在拼接的时候是按照torch.cat((img0, img1, gt), 0), timestep。#过程就是imgs进行生成中间帧 然后gt用于和生成的中间帧进行损失计算 看update的输入是imgs 和 gt。#data指的是return torch.cat((img0, img1, gt), 0), timestep。#这个'tr

这个题目蛮好蛮有意思的 静下心来好好分析 但是我这个貌似很耗内存呢 有没有大佬指导一下好的且简单易懂的方法。return 0#意思是全是0了或者第一个就是非数字字符返回字符0。注意特殊情况 比如+后面仍然是非数字字符咋办 比如+后面没有任何字符是空的咋办 考虑代码健壮性。result1=s.lstrip('0')#丢掉左边的。s=s.lstrip()#丢弃左侧的指定字符。写出来倒是不难 就是要注意

我偷了一个懒 我觉得这样没啥 就把前面这几个比较特殊的列出来就行 然后测试显示是超过百分之百的速度 我觉得可以滴。然后代码就是这样的 但是没通过测试长度为3的输出是2 看来一定是要砍一节了我真服了。return 2#4和4之前都是本身就是最大的了。

音频高光检测就是利用音频信号去找到那些特别激动人心的片段就比如你看一场球赛 只听声音就知道什么时候进球了 比如讲解员突然很激动 观众席掌声 或者播放了音乐等 这些都可以被算法识别出来 → 这些就是可能的“音频高光”。大家都知道音频都有哪些特征呢？大家看一下虽然大家可能都知道这是啥意思？但是我们还是具体来看模型到底是如何检测出这些特征的变化的。

为确保跨系统对齐的可靠性及多源转录的有效整合，必须统一不同自动语音识别系统（ASR）的输出格式。为确保对异常假设的鲁棒性，我们引入了候选过滤模块，该模块通过计算各系统输出与另外两个系统的平均转写结果之间的编辑距离来筛选候选。（对于A的输出，计算它与B,C的平均结果之间的编辑距离，如果A的结果差太多，被排除）（被排除是B，C很权威吗？多系统·集成策略：使用三个语音识别模型，每个语音得到三个不同的转录