Skip to main content

黑洞资源笔记

黑洞资源笔记
黑洞资源笔记

  3. 洞主你好，投稿实用右键菜单bat，常用场景是：一键复制文件夹结构给gpt，让它更好理解项目结构，也可以发给同事：
    https://github.com/imvanda/Tree_This_Folder
    GitHub
    GitHub - imvanda/Tree_This_Folder: 为你的右键添加tree命令功能，快速生成文件夹结构，使用windows批处理脚本实现。"Add the 'tree' command functionality to your right…
    GitHub - imvanda/Tree_This_Folder: 为你的右键添加tree命令功能，快速生成文件夹结构，使用windows批处理脚本实现。"Add the 'tree' command functionality to your right…
    为你的右键添加tree命令功能，快速生成文件夹结构，使用windows批处理脚本实现。"Add the 'tree' command functionality to your right-click menu for quick generation of folder structures, implemented using a Win...

  4. DeskHop - 在两台电脑间快速切换键鼠的开源硬件

    这个设备充当了你的键盘/鼠标与计算机之间的中介，同时与两台计算机建立并维持连接。然后，它会根据你的选择决定将你的鼠标操作和按键输入转发到哪里。键盘跟随鼠标，反之亦然，所以只需将鼠标拖到另一台桌面计算机上，就会切换两者。

  6. DL3DV-10K Dataset：针对基于深度学习的3D视觉的大规模场景数据集

    基于深度学习的3D视觉领域已经取得了显著的进步，从神经辐射场（NeRF）驱动的3D表示学习到应用于全新视角合成（NVS）。然而，当前的针对基于深度学习的3D视觉的场景级别数据集，不管是只限于虚构环境或者狭窄的现实世界场景的选择，都非常框定。这种局限性限制了我们对现有方法进行全面的基准测试，也限制了在基于深度学习的3D分析中可能探索的领域。

    为了填补这个空白，我们提出了DL3DV-10K，一个大规模场景数据集，包含51.2百万帧，从10,510个视频中捕获，涵盖了65种热点（POI）地点，包括有边界和无边界的场景，呈现出不同层次的反射、透明度和光照。

    我们对DL3DV-10K进行了全新视角合成（NVS）方法的全面基准测试，揭示出NVS未来研究的宝贵观察。此外，我们利用DL3DV-10K进行的通用化NeRF初步学习研究取得了令人鼓舞的结果，突显了大规模场景级别数据集对于建立学习3D表示的基础模型的重要性。
    Media is too big
    VIEW IN TELEGRAM

  7. Awesome CTO：一份专为首席技术官（CTO ）设计的资源清单，由国外一位 CTO Dima 精心收集整理。

    内容含有 CTO 角色介绍、招聘技巧、团队管理、职业发展、项目管理实践、开发流程、初创公司指南、产品开发、市场营销等等。

  9. 本书对硕士论文写作的整个过程——从开题报告、文献综述到研究方法、研究结果和结论，从论文写作、参考文献和避免剽窃到论文答辩和评分——进行层层解构，提供了撰写硕士论文全过程的必备技巧，以及清晰、直接和实用的建议与范例，让学生能够清晰了解写作规范和常见陷阱，充分发挥专业上的潜力，成功完成硕士论文的写作。

    此外，本书还专门为计算机科学、艺术和表演专业学生提供了不同于一般学科的关于背景综述和研究方法的新资料，并系统介绍了大学图书馆数据库和社交媒体的有效利用，适用于所有学科的研究生、导师和考虑读研的本科生。| #论文 #电子书
    研究生高分论文写作（第四版）（研究生阶段全学科、全流程、高水平的论文写作案头书，为你撰写硕士论文深度赋能！_英_约翰·比加姆_.azw3
    11.1 MB

  11. RAG(Retrieval Augmented Generation)是一种将检索到的信息作为上下文提供给大语言模型来产生回答的技术。它是2022年后最流行的大语言模型系统架构之一，有很多产品都是基于RAG构建的。LangChain和LlamaIndex是两个流行的开源RAG库。

    RAG由搜索和大语言模型提示组成，可以看作是搜索+大语言模型的结合。基本流程包括：将文本分块，用Transformer Encoder模型将这些块嵌入为向量，将向量放入索引，构造提示，让大语言模型基于检索到的上下文来回答用户查询。

    本文详细介绍和说明了RAG中的各种高级技术和算法，以及对这些技术的参考实现，旨在帮助开发者更深入地了解RAG技术。

  12. 深度学习数学工程 | YouTube | #机器学习 #电子书

    本书提供了深度学习的完整且简明的数学工程概述。内容包括卷积神经网络、递归神经网络、transformer、生成式对抗网络、强化学习、图神经网络等。

    书中聚焦于深度学习模型、算法和方法的基本数学描述，很大程度上与编程代码、神经科学关系、历史视角无关。数学基础的读者可以快速掌握现代深度学习算法、模型和技术的本质。

    深度学习可以通过数学语言在许多专业人员可理解的层面上进行描述。工程、信号处理、统计、物理、纯数学等领域的读者可以快速洞察该领域的关键数学工程组成部分。

    书里包含深度学习的基础原理、主要模型架构、优化算法等内容。另外还提供了相关课程、工作坊、源代码等资源。

    本内容面向想要从数学工程视角理解深度学习的专业人员，内容覆盖了深度学习的主要技术，使用简明的数学语言描述深度学习的关键组成部分，是了解深度学习数学本质的很好资源。