使用 venv 或 virtualenv + pipPython 自带的 venv 模块或第三方工具 virtualenv 可以创建虚拟环境，而 pip 可以用于安装包。这些工具与 Anaconda 无关。

ETS 通过“先动态增广扩大域覆盖，再网格搜索锁定最优子域”，让 Grounding-DINO 在 10-shot 跨域检测上直接提升 5+ AP，且几乎零额外标注，为视觉-语言大模型在数据稀缺环境下的即插即用提供了新范式。

总结: ST-LoRA是一种新颖、高效、强大的参数高效微调框架，它通过时空解耦的低秩适配器，成功地将大规模视觉预训练模型迁移到了时空预测领域。意义:理论贡献： 指出了直接将NLP领域的PEFT方法用于时空数据的局限性，并提出了针对性的解决方案。实践价值： 使得研究者和小型实验室即使计算资源有限，也能利用超大规模的预训练模型来解决复杂的时空预测问题，极大地降低了该领域的研究和应用门槛。启发性： 这种

CrackGen 是一个融合微调Stable Diffusion与ControlNet模型适应阶段使用极小的真实裂缝数据集（如200张图像）对预训练的Stable Diffusion模型进行微调。集成ControlNet，使其能根据输入的裂缝骨架图生成对应图像。裂缝草图生成阶段提出一种改进的RRT算法，模拟真实裂缝的分形扩展路径。支持障碍物设置、宽度控制、复杂度调整（通过参数），生成多样化且物理合

ETS 通过“先动态增广扩大域覆盖，再网格搜索锁定最优子域”，让 Grounding-DINO 在 10-shot 跨域检测上直接提升 5+ AP，且几乎零额外标注，为视觉-语言大模型在数据稀缺环境下的即插即用提供了新范式。

把一维圣维南方程残差嵌入动态图神经网络，再以课程式多步训练策略，就能在数据稀缺、极端事件、长预见期三大痛点下，同时实现高精度、高可解释、高一致性的水位预测——且代码与模型已开源，可直接嵌入水利部现有的湘江数字孪生平台。官方代码（PyTorch 1.13）https://github.com/HHU-STL/Phy-STE含数据预处理、训练、评估、可视化。极端事件2020-07-12 超警洪水（重现

转自：AI新文。

在cmd中打开指定目录在Windows操作系统中，使用命令提示符（cmd）打开指定目录有多种方法。