1.AnimeGANv2复现【动漫风格迁移】
2.P-tuning V2论文和代码实现解析
3.SeaTunnel连接器V1到V2的搭搭建代码架构演进与探究
4.Langchain-Chatchat项目：4.1-P-Tuning v2实现过程
5.全新PHP站长工具箱v2[对接API接口平台]
6.ocr-ABCNetV2 环境搭建

AnimeGANv2复现【动漫风格迁移】

       前几天，我看到了一篇关于AnimeGANv2复现的建源博客，觉得这个项目非常有趣，搭搭建代码因此决定进行一次复现。建源在进行复现的搭搭建代码过程中，我遇到了一些问题，建源美容php预约源码现在我将这些问题分享给大家。搭搭建代码

       项目获取的建源方式有两种：首先，你可以通过Git Bash将代码克隆下来，搭搭建代码或者直接在GitHub上下载压缩包并保存。建源

       为了搭建环境，搭搭建代码我使用了Python社区版、建源PyTorch、搭搭建代码CUDA、建源cudnn以及Anaconda。搭搭建代码以下是具体的配置步骤：

       1. 首先下载并安装Anaconda，网上有许多教程可以参考。

       2. 创建一个新的虚拟环境。

       3. 下载适用于你电脑的CUDA和cudnn版本。

       4. 访问PyTorch官网获取对应版本的安装命令。

       5. 打开Anaconda Prompt，输入activate [你的环境名称]激活环境，然后输入安装PyTorch的命令。

       6. 接着，在Anaconda Navigator中找到新创建的环境，并安装OpenCV。

       7. 安装Python社区版后，打开文件。

       配置完成后，我们就可以进行项目运行了。在博客中提到可以直接输入命令，但在实际操作中我遇到了一些问题：

       1. 大小问题，博客中没有明确提及这一点。变红买入源码代码并未对图像进行预处理，我最初以为代码中包含了这个步骤，结果却因为大小过大而导致显存不足。越大，需要的显存越多。因此，在输入时需要进行裁剪（如果你的预算允许的话）。如果仍然遇到显存不足的情况，建议使用CPU。

       2. 输入命令时，需要指定目录，这里的目录指的是文件夹而非单个图像。

       3. 模型文件的路径在源码中默认存在一些问题，代码中的默认路径并不存在，所以需要更改所有路径。模型文件共有四个权重文件，你可以根据个人喜好选择使用。

       建议大家先进行初步的配置并尝试运行，避免每次遇到问题都需重新配置，这样会比较麻烦。

       我复现的结果如下：

       原：...

       处理后的：...

       总体而言，这个项目非常有趣，我计划后续对视频进行处理，并对代码进行优化。如果有任何问题，欢迎在评论区留言。这篇文章使用了Zhihu On VSCode进行创作和发布。

P-tuning V2论文和代码实现解析

       经过对清华开源的ChatGLM-6B微调，我进一步探索了P-tuning v2，并对其源码进行了深入研究，以解决其实现方式的疑问。P-tuning v2，ubuntu源码详解作为Deep Prompt Tuning的优化与适应版本，旨在为生成和知识探索提供解决方案。其关键改进在于，通过在预训练模型的每一层引入连续提示，而不仅仅是局限于输入层，从而显著提升了性能，尤其针对小型模型与复杂任务。

       基于作者的优化与实现细节，P-tuning v2能够实现与Fine-tuning相媲美的性能，显著扩大了其适用范围。值得注意的是，相较于Prefix tuning，P-tuning v2更侧重于提升对NLU任务的适应性。

       在代码层面，P-tuning v2的核心在于巧妙地利用`past_key_value`参数，实现连续prompt的融入。通过在`RobertaPrefixForTokenClassification`类的`forward`函数中进行初始化，以及`RobertaModel`到`RobertaEncoder`，再到`self.layer`（`nn.ModuleList([RobertaLayer(config) for _ in range(config.num_hidden_layers)])`）的路径追踪，实现连续提示的高效传递。

       为了简化理解，我编写了仿真代码，直接展示了P-tuning v2连续prompt实现的核心过程。通过这一代码示例，读者可以直观地了解P-tuning v2如何通过`past_key_value`参数实现连续prompt的融入，从而达到提升模型性能的目的。

       总结而言，P-tuning v2通过引入连续prompt并优化其实现细节，显著提升了预训练模型在生成和知识探索任务中的性能，特别适用于小型模型与复杂任务场景。其关键在于巧妙利用`past_key_value`参数实现连续prompt的高效融入，并通过仿真代码直观展示了这一实现过程，在线学校源码为读者提供了深入理解P-tuning v2实现方式的途径。

SeaTunnel连接器V1到V2的架构演进与探究

       核心概念

       SeaTunnel设计的核心是利用设计模式中的控制翻转或依赖注入，主要包括以下两点：

       数据处理过程大致分为输入 -> 转换 -> 输出，更复杂的数据处理实质上也是这些行为的组合。

       内核原理

       SeaTunnel将数据处理的各种行为抽象成Plugin，并使用SPI技术进行动态注册，设计思路保证了框架的灵活扩展。在以上理论基础上，数据的转换与处理还需要做统一的抽象，如著名的异构数据源同步工具DataX，也对数据单条记录做了统一抽象。

       SeaTunnel V1架构体系中，由于背靠Spark和Flink两大分布式计算框架，框架已经为我们做好了数据源抽象的工作，Flink的DataStream、Spark的DataFrame已经是对接入数据源的高度抽象。在此基础上，我们只需要在插件中处理这些数据抽象即可。同时，借助Flink和Spark提供的SQL接口，还可以将每次处理完的数据注册成表，方便用SQL进行处理，减少代码的开发量。

       实际上，SeaTunnel的最终目的是自动生成一个Spark或Flink作业，并提交到集群中运行。

       SeaTunnel连接器V1 API解析架构概览

       目前在项目dev分支下，SeaTunnel连接器V1 API所在的模块如图所示：

       seatunnel-api-base

       在基础模块中，有以下代码：

       为了更清晰地理解这些类之间的关系，笔者制作了一张简单的UML类图：

       整个API的组成可以大体分为三部分：构建层接收命令参数构建执行器，执行器初始化上下文，上下文注册插件并启动插件，python源码部署至此，整个作业开始运行。

       seatunnel-api-spark

       在Spark引擎API层有以下代码：

       同样，笔者整理了一张UML类图来表示它们之间的关系：

       整个流程与Base模块一致，在此不再赘述，有兴趣的读者可以自行查看源码。

       seatunnel-api-flink

       在Flink引擎API层有以下代码：

       同样，笔者整理了一张UML类图来表示它们之间的关系：

       整个流程与Base模块一致，在此不再赘述，有兴趣的读者可以自行查看源码。

       SeaTunnel连接器V1运行原理启动器模块概览

       整个项目的最外层启动类都放在以下模块中：

       与连接器V1有关的模块如下：

       执行流程

       为了更好地理解SeaTunnel V1的启动流程，笔者制作了一张简单的时序图：

       程序最外层的启动由start-seatunnel-${ engine}.sh开始，用户将配置文件从脚本传入，脚本调用org.apache.seatunnel.core.spark.SparkStarter或org.apache.seatunnel.core.flink.FlinkStarter。实际上，这个类只做一个工作：将所有参数拼接成spark-submit或flink命令，然后脚本接收spark-submit或flink命令并提交到集群中。提交到集群中真正执行job的类实际上是org.apache.seatunnel.spark.SeatunnelSpark或org.apache.seatunnel.flink.SeatunnelFlink。读者如果想直接深入了解作业启动核心流程的话，推荐阅读这两个类的源码。

       执行原理SparkFlinkSeaTunnel连接器V2 API解析架构概览

       目前在项目dev分支下，SeaTunnel连接器V2 API所在的模块如图所示：

       数据抽象

       SeaTunnel连接器V2 API在数据层面做了抽象，定义了自己的数据类型，这是与连接器V1最大的不同点。连接器V1使用的是引擎数据抽象的能力，但连接器V2自己提供了这个异构数据源统一的能力。

       在所有的Source连接器和Sink连接器中，处理的都是SeaTunnelRow类型数据，同时SeaTunnel也对内设置了数据类型规范。所有通过Source接入进来的数据会被对应的连接器转化为SeaTunnelRow送到下游。

       API Common

       在API common包下有以下接口的定义：

       在这里，由于篇幅关系，只介绍比较核心的几个接口：

       具体接口中有哪些方法，读者可以自行阅读对应类的源码，在此不再赘述。

       API Source

       在API source包下有以下接口的定义：

       在这里，由于篇幅关系，只介绍比较核心的几个接口：

       API Sink

       在API sink包下有以下接口的定义：

       在这里，由于篇幅关系，只介绍比较核心的几个接口：

       小结

       连接器V2在架构分层上与计算引擎进行解耦，定义了自己的元数据定义以及数据类型定义，在API层和计算引擎层增加了翻译层，将SeaTunnel自定义的数据源通过翻译层接入到引擎中，从而真正实现接口和引擎分离的目的。

       SeaTunnel连接器V2运行原理启动器模块概览

       整个项目的最外层启动类都放在以下模块中：

       与连接器V2有关的模块如下：

       执行流程

       为了更好地理解SeaTunnel V2的启动流程，笔者制作了一张简单的时序图：

       程序最外层的启动由start-seatunnel-${ engine}-new-connector.sh开始，用户根据将配置文件从脚本传入，脚本调用org.apache.seatunnel.core.spark.SparkStarter或org.apache.seatunnel.core.flink.FlinkStarter。实际上，这个类只做一个工作：将所有参数拼接成spark-submit或flink命令，然后脚本接收spark-submit或flink命令并提交到集群中。提交到集群中真正执行job的类实际上是org.apache.seatunnel.spark.SeatunnelSpark或org.apache.seatunnel.flink.SeatunnelFlink。读者如果想直接深入了解作业启动核心流程的话，推荐阅读这两个类的源码，连接器V2和连接器V1的启动流程基本一致。

       SeaTunnel V2 on Spark

       SeaTunnel Source连接器V2将异构数据源接入，生成以SeaTunnelRow为基本单位的数据源，在翻译层实现了Spark DataSource API V2，翻译层使得Spark可以接入以SeaTunnelRow为基本单位的数据源，从而实现无缝接入Spark的目的。

       关于Spark DataSource API V2的详细信息，读者可以参考： 独立开发并免费提供。

       程序适用于个人研究学习和商业用途，但请保留版权并避免随意篡改代码。

       欢迎转载分享，但请确保提供正确出处，禁止出售源码盈利。

       更新说明(--)

       修复管理后台和小程序配置显示错误。

       修复PC站前端显示错误。

       更新说明(--)

       新增网站管理后台，数据保存至接口平台服务器。

       所有工具集成检测与验证功能。

       重写内核，支持接口平台sk功能，增强安全性。

       工具自动加载，无需手动添加。

       增加微信小程序管理功能。

       更新说明(--)

       取消后台和MYSQL，使用文件储存和调用数据。

       框架与工具分离，仅需一个KEY。

       增加工具下载列表，更新通知功能。

       已使用商业版模板。

       安装教程(请严格按顺序操作)

       需PHP7.0~7.4，建议使用PHP7.1，可选Memcached。

       建议使用服务器+宝塔面板，虚拟主机也适用，但需注意配置。

       推荐使用Linux系统，WEB建议Nginx-Tengine2.2或Apache2.4。

       配置伪静态。

       上传所有文件至网站根目录。

       设置网站信息，绑定域名后即可使用。

       设置文件说明文档，包括key.php文件。

       key.php用于链接API接口平台，控制全局设置。

       填写必填项：API_KEY、$code（注册时由管理员填写且不可更改），可选填：sk。

       管理员账号注册地址：点击链接进入文档，点调试工具，按提示注册。

       查看详细设置文档，确保正确配置。

       文章使用文章同步助手同步。

ocr-ABCNetV2 环境搭建

       端到端的文字识别模型，能够识别弯曲文本。尽管百度的 pgnet 模型无法使用，但我找到了一款新的模型。虽然效果尚未测试，但环境搭建的过程确实令人感到挑战，detectron2 的部署似乎不太友好。以下是环境搭建的具体步骤记录。

       注意事项：在使用 pytorch 和 detectron2 时，需要确保它们的 cuda 版本相同。这里我们统一使用 cuda-.2 版本。

       首先，创建一个 conda 虚拟环境。

       如果您不希望遇到麻烦，可以先将所有依赖包安装好，这里提供作者自己记录的依赖包列表。

       1、安装 pytorch

       如果网络状况不佳，可以使用清华源。默认安装的将是 cuda-.2 版本。

       2、安装 detectron2

       有两种安装方式：1）下载源码，编译安装；2）直接下载官方编译好的包。这里我们选择第二种方式，避免不必要的麻烦。

       3、安装 AdelaiDet

       由于需要编译源码，首先需要安装 cuda-.2 版本。您可以从 nvidia 官网下载安装命令，如下所示：

       配置 cuda 环境变量：

       安装 AdelaiDet，下载项目代码

       编译安装：

       如果网络状况不佳，依赖包下载会超时。在这种情况下，可以先设置 pip 清华源，设置方法如下，在当前目录新建 setup.cfg 文件，输入以下内容：

       然后再进行编译安装：

       测试推理

       中文模型下载地址：github.com/aim-uofa/Ade...

       选择 Experimental results on ReCTS 这栏，查看实验数据表。感觉该模型仅进行了文本检测任务的训练，并未进行识别任务的训练。

       下载中文字体文件和中文字典文件，并将它们放在当前根目录下：

       注意，该模型仅支持 gpu 推理。在 cpu 上运行时，会直接报错，因为 pytorch 框架的 SyncBN 层只能在 gpu 上运行。当然，您也可以通过修改 v2_chn_attn_R_.yaml 文件，将第 行的配置参数 SyncBN 修改为 BN，然后运行。虽然程序可以运行，但这样修改是否会影响推理效果尚不清楚。

       如果只关注如何将弯曲文本拉直，可以参考：github.com/Yuliang-Liu/... 工程，下载源码，运行示例文件。

       如果只关注贝塞尔曲线的生成，可以参考：drive.google.com/file/d...

       注意，需要梯子才能访问源码。源码中只有一个 python 脚本文件，为了方便广大网友使用，这里直接将 python 代码复制下来了：

       以上就是全部代码。代码是完整的，但使用方法需要您自己领悟。

       报错处理

       可能会遇到以下错误：

       解决方法，编辑 adet/structures/beziers.py 文件，添加如下方法：

       参考：github.com/aim-uofa/Ade...

       如果仍然报错，按照官方文档编译安装指定 commit_id 版本的 detectron2。

求助 前天收阳线 昨天收阴线 今天收阳线的同花顺股票源码 谢谢了

       这是多方炮组合，

       并不是随便在哪个位置出现都适合的。

       试试这个公式。

       V1:=CLOSE>OPEN AND REF(CLOSE,1)<REF(OPEN,1) AND REF(CLOSE,2)>REF(OPEN,2)

        AND CLOSE>REF(OPEN,1) AND CLOSE>REF(CLOSE,2);

       V2:=V1 AND REF(V1,2) AND C>REF(C,4);

       BACKSET(V2,5) ;

       V3:=V1 AND REF(V1,3) AND C>REF(C,5);

       BACKSET(V3,6);

       V4:=V1 AND REF(V1,4) AND C>REF(C,6);

       BACKSET(V4,7);