旋转矩阵虽有9个元素，但受正交性与行列式约束，实际仅含3个自由度，对应Roll、Pitch、Yaw。位姿由位置（x,y,z）和姿态（三轴旋转）共6个自由度构成。三维旋转集合SO(3)是流形——局部似欧氏空间，整体可弯曲，如地球表面。旋转矩阵实现坐标系变换，将机体坐标系向量转为世界坐标系，体现旋转的本质。

大概7-8年前，前后端还没开始分离或者刚开始分离的之前，跨域问题很多。后来我就没在遇到过了，这次做一个小项目，又遇到了，记录下。现在前端的脚手架都自己能解决了。

若是你的head层的权重是不被调整更新的那可以，（但应该把它过滤掉，设置为不随训练更新，参考transformer的位置编码）那可不可以同时复用head1的而不用new这么多head？假设经过这一步，输出了需要分类的特征。head多了，那就一个个手动改代码么？可以做成pipeline。

3、 Pearson积差相关系数要求相应的变量呈双变量正态分布，注意双变量正态分布并非简单的要求x变量和y变量各自服从正态分布，而是要求服从一个联合的双变量正态分布。当τ为0时，表示两个随机变量是相互独立的。2）Spearman相关系数和kendall相关系数都是建立在秩和观测值的相对大小的基础上得到，是一种更为一般性的非参数方法，对离群值的敏感度较低，因而也更具有耐受性，度量的主要是变量之间的联

设置pycharmgit的ignore文件。

本文记录了使用Stable Diffusion 3.5进行微调训练的过程。主要包括HuggingFace模型链接、token突破77限制的问题（可使用T5-XXL实现256 tokens）、安装注意事项（需移除版本约束）、训练代码来源（diffusers库）以及训练命令示例。文中提到在训练过程中遇到了模型加载错误，并提供了相关错误日志。还收集了fine-tuning指南、GitHub项目地址和数据

本文介绍了微调DeepSeek-VL2图文大模型的方法，用于解析文档中的特定信息（如公司名、序列号等）。提供了训练脚本示例，强调必须使用transformers==4.41.*版本以避免兼容性问题。文章还指出了训练速度慢的潜在问题，并分享了相关GitHub issue的解决方案。最后推荐参考InternVL最佳实践文档，其中包含多模态模型微调的数据格式要求和实用建议。训练参数包括LoRA微调设置、

机器人领域的顶会主要分为 “跨领域旗舰顶会”（覆盖机器人全方向，含金量最高）和 “细分方向顶会”（聚焦感知、决策、控制、人机交互等子领域），均为 CCF A 类或领域内公认的顶级会议，适合跟踪前沿研究、投稿交流。3D 视觉（关键）：深度相机使用（RealSense D435i）、点云处理（PCL 库 / C++/Python）、Open3D（点云可视化 / 配准）。经典控制（工程落地）：PID 控

本文介绍了微调DeepSeek-VL2图文大模型的方法，用于解析文档中的特定信息（如公司名、序列号等）。提供了训练脚本示例，强调必须使用transformers==4.41.*版本以避免兼容性问题。文章还指出了训练速度慢的潜在问题，并分享了相关GitHub issue的解决方案。最后推荐参考InternVL最佳实践文档，其中包含多模态模型微调的数据格式要求和实用建议。训练参数包括LoRA微调设置、

机器人领域的顶会主要分为 “跨领域旗舰顶会”（覆盖机器人全方向，含金量最高）和 “细分方向顶会”（聚焦感知、决策、控制、人机交互等子领域），均为 CCF A 类或领域内公认的顶级会议，适合跟踪前沿研究、投稿交流。3D 视觉（关键）：深度相机使用（RealSense D435i）、点云处理（PCL 库 / C++/Python）、Open3D（点云可视化 / 配准）。经典控制（工程落地）：PID 控