iOS 音频处理框架及重点 API 合集丨音视频工程示例
vx 搜索『gjzkeyframe』 关注『关键帧Keyframe』来及时获得最新的音视频技术文章。
毕加索《手里捧着鸽子的孩子》像素版
这个公众号会路线图 式的遍历分享音视频技术：音视频基础(完成) → 音视频工具(完成) → 音视频工程示例(进行中) → 音视频工业实战(准备)。
iOS/Android 客户端开发同学如果想要开始学习音视频开发，最丝滑的方式是对音视频基础概念知识有
人工智能
全球人工智能技术大会（GAITC 2025）：技术前沿与产业融合的深度交响
文章目录
大会亮点：前沿技术与应用场景的深度交融
大模型：从通用到垂直的进化之旅
具身智能：机器人与物理世界的智能交互
脑机接口与神经拟态计算：开启人机融合新纪元
AI伦理与治理：构建技术发展的道德基石
产业应用：AI技术赋能千行百业
智能传媒：内容创作与传播的革新
【AI 大模型】RAG 检索增强生成 ④ ( 向量相似度计算 | 余弦距离 | 欧式距离 | OpenAI 文本向量模型 | 手动实现的 余弦相似度 和 欧氏距离 函数计算 )
文章目录
一、向量相似度计算
二、余弦距离
1、余弦距离 概念
2、余弦距离 特点
3、余弦距离 适用场景
4、余弦距离 代码示例
三、欧式距离
1、欧式距离 概念
2、欧式距离 特点
3、欧式距离 适用场景
4、欧式距离 代码示例
四、OpenAI 文本向量模型
1、OpenAI 的 text-embedding-ada-002 文本向量模型
2、使用
【kafka】kafka topic 扩分区、副本
如何给 Kafka 新增分区
kafka如何扩容服务器、重新分区Partition
kafka rebalance机制
2. 从机器学习的基本概念开始
从我个人意愿来说呢，更想跳过这一章节。为什么呢？因为对我自己而言，再重温机器学习的基本概念，意义并不大，毕竟算法的代码实现都在玩了，基本概念也是清楚的，又不用参加考试，那么就更没有必要将概念教条式的背下来了。
不过，考虑到学习机器学习的还是存在一批“纯白”，甚至于是转行过来的，这些概念就有似乎有必要了。记得前段时间，我有个前同事，就报了一个人工智能的学习班。她的专业以及技能偏向，应属于广告营销领域
scanpy数据整合批次效应去除原理
引用：葬花朴
1.scanpy.external.pp.mnn_correct**
第一步：将表达量按细胞进行归一化，计算细胞之间归一化后的Euclidean距离。
第二步：识别MNN（mutual nearest neighbors， 相互最近的邻居）：假设两个batch，寻找batch1中每一个细胞的在batch2中最近的k个细胞（knn1），对batch2进行相同操作（knn2），knn1和
R稀疏矩阵转化稠密矩阵|使用as.matrix()报错：Cholmod error 'problem too large'
在进行一些数据分析是经常会需要将一个数据对象转化为矩阵，以及稀疏矩阵（sparse matrix）和稠密矩阵之间的互化。
问题&报错
在R环境中，用的非常普遍的函数就是as.matrix(),但是，当转化的稀疏矩阵对象非常巨大的时候，例如细胞数目非常多的单细胞数据，R就会报如下类似的错误:
Error in asMethod(object) :
Cholmod error 'probl
