如何运用skimage.feature模块的功能详解

最编程 2024-07-23 18:44:37

...

feature

- blob_dog
- blob_doh
- blob_log
- canny
- skimage.sobel
- corner_fast
- corner_foerstner
- corner_harris
- corner_kitchen_rosenfeld
only select one feature over two

项目	Value
skimage.feature.blob_dog(image[, min_sigma, …])	Finds blobs in the given grayscale image.在给定的灰度图像中查找斑点。
skimage.feature.blob_doh(image[, min_sigma, …])	Finds blobs in the given grayscale image.在给定的灰度图像中查找斑点。
skimage.feature.blob_log(image[, min_sigma, …])	Finds blobs in the given grayscale image.在给定的灰度图像中查找斑点。
skimage.feature.canny(image[, sigma, …])	Edge filter an image using the Canny algorithm.使用 Canny 算法对图像进行边缘过滤。
skimage.feature.corner_fast(image[, n, …])	Extract FAST corners for a given image.提取给定图像的 FAST 角。
skimage.feature.corner_foerstner(image[, sigma])	Compute Foerstner corner measure response image.计算 Foerstner 角测量响应图像。
skimage.feature.corner_harris(image[, …])	Compute Harris corner measure response image.计算 Harris 角测量响应图像。
skimage.feature.corner_kitchen_rosenfeld(image)	Compute Kitchen and Rosenfeld corner measure response image.计算 Kitchen 和 Rosenfeld 角测量响应图像。
skimage.feature.corner_moravec(image[, …])	Compute Moravec corner measure response image.计算 Moravec 角测量响应图像。
skimage.feature.corner_orientations(image, …)	Compute the orientation of corners.计算角的方向。
skimage.feature.corner_peaks(image[, …])	Find peaks in corner measure response image.在角测量响应图像中查找峰值。
skimage.feature.corner_shi_tomasi(image[, sigma])	Compute Shi-Tomasi (Kanade-Tomasi) corner measure response image.计算 Shi-Tomasi (Kanade-Tomasi) 角测量响应图像。
skimage.feature.corner_subpix(image, corners)	Determine subpixel position of corners.确定角的亚像素位置。
skimage.feature.daisy(image[, step, radius, …])	Extract DAISY feature descriptors densely for the given image.为给定图像密集提取 DAISY 特征描述符。
skimage.feature.draw_haar_like_feature(…)	Visualization of Haar-like features.类 Haar 特征的可视化。
skimage.feature.draw_multiblock_lbp(image, …)	Multi-block local binary pattern visualization.多块本地二进制模式可视化。
skimage.feature.graycomatrix(image, …[, …])	Calculate the gray-level co-occurrence matrix.计算灰度共生矩阵。
skimage.feature.graycoprops(P[, prop])	Calculate texture properties of a GLCM.计算 GLCM 的纹理属性。
skimage.feature.greycomatrix(image, …[, …])	Deprecated function.弃用的功能。
skimage.feature.greycoprops(P[, prop])	Deprecated function.弃用的功能。
skimage.feature.haar_like_feature(int_image, …)	Compute the Haar-like features for a region of interest (ROI) of an integral image.计算积分图像的感兴趣区域 (ROI) 的类 Haar 特征。
skimage.feature.haar_like_feature_coord(…)	Compute the coordinates of Haar-like features.计算类 Haar 特征的坐标。
skimage.feature.hessian_matrix(image[, …])	Compute the Hessian matrix.计算 Hessian 矩阵。
skimage.feature.hessian_matrix_det(image[, …])	Compute the approximate Hessian Determinant over an image.计算图像上的近似 Hessian 行列式。
skimage.feature.hessian_matrix_eigvals(H_elems)	Compute eigenvalues of Hessian matrix.计算 Hessian 矩阵的特征值。
skimage.feature.hog(image[, orientations, …])	Extract Histogram of Oriented Gradients (HOG) for a given image.提取给定图像的定向梯度直方图 (HOG)。
skimage.feature.local_binary_pattern(image, P, R)	Gray scale and rotation invariant LBP (Local Binary Patterns).灰度和旋转不变 LBP（局部二进制模式）。
skimage.feature.match_descriptors(…[, …])	Brute-force matching of descriptors.描述符的蛮力匹配。
skimage.feature.match_template(image, template)	Match a template to a 2-D or 3-D image using normalized correlation.使用归一化相关将模板与 2-D 或 3-D 图像匹配。
skimage.feature.multiblock_lbp(int_image, r, …)	Multi-block local binary pattern (MB-LBP).多块本地二进制模式 (MB-LBP)。
skimage.feature.multiscale_basic_features(image)	Local features for a single- or multi-channel nd image.单通道或多通道 nd 图像的局部特征。
skimage.feature.peak_local_max(image[, …])	Find peaks in an image as coordinate list or boolean mask.以坐标列表或布尔掩码的形式查找图像中的峰值。
skimage.feature.plot_matches(ax, image1, …)	Plot matched features.绘制匹配的特征。
skimage.feature.shape_index(image[, sigma, …])	Compute the shape index.计算形状指数。
skimage.feature.structure_tensor(image[, …])	Compute structure tensor using sum of squared differences.使用平方差和计算结构张量。
skimage.feature.structure_tensor_eigenvalues(A_elems)	Compute eigenvalues of structure tensor.计算结构张量的特征值。
skimage.feature.structure_tensor_eigvals(…)	Compute eigenvalues of structure tensor.计算结构张量的特征值。
skimage.feature.BRIEF([descriptor_size, …])	BRIEF binary descriptor extractor.简要的二进制描述符提取器。
skimage.feature.CENSURE([min_scale, …])	CENSURE keypoint detector. CENSURE 关键点检测器。
skimage.feature.Cascade	Class for cascade of classifiers that is used for object detection.用于对象检测的级联分类器的类。
skimage.feature.ORB([downscale, n_scales, …])	Oriented FAST and rotated BRIEF feature detector and binary descriptor extractor.面向 FAST 和旋转的 BRIEF 特征检测器和二进制描述符提取器。
skimage.feature.SIFT([upsampling, …])	SIFT feature detection and descriptor extraction.SIFT 特征检测和描述符提取。

blob_dog

skimage.feature.blob_dog(image, min_sigma=1, max_sigma=50, sigma_ratio=1.6, threshold=0.5, overlap=0.5, *, threshold_rel=None, exclude_border=False)[source]

在给定的灰度图像中查找斑点。

使用高斯差分 (DoG) 方法[1]、[2]找到斑点。对于找到的每个 blob，该方法返回其坐标和检测到 blob 的高斯核的标准偏差。

参数

图像数组
输入灰度图像，假设斑点在深色背景上是浅色的（黑底白字）。
min_sigma标量或标量序列，可选
高斯核的最小标准偏差。保持这个低以检测较小的斑点。每个轴的高斯滤波器的标准偏差作为序列或单个数字给出，在这种情况下，它对所有轴都相等。
max_sigma标量或标量序列，可选
高斯核的最大标准偏差。保持这个高以检测更大的斑点。每个轴的高斯滤波器的标准偏差作为序列或单个数字给出，在这种情况下，它对所有轴都相等。
sigma_ratio浮点数，可选
用于计算高斯差分的高斯核的标准偏差之间的比率
阈值浮动或无，可选
尺度空间最大值的绝对下限。小于阈值的局部最大值被忽略。减少它以检测强度较低的斑点。如果threshold_rel还指定，取阈值较大将被使用。如果没有，则使用threshold_rel代替。
重叠浮动，可选
一个介于 0 和 1 之间的值。如果两个 blob 的区域重叠的分数大于threshold，则消除较小的 blob。
threshold_rel浮点数或无，可选
峰值的最小强度，计算为，其中指的是内部计算的高斯差分 (DoG) 图像堆栈。这应该有一个介于 0 和 1 之间的值。如果没有，则使用阈值。max(dog_space) * threshold_reldog_space
exclude_border整数、整数或 False 的元组，可选
如果是整数元组，则元组的长度必须与输入数组的维度匹配。元组的每个元素都将沿该维度排除图像边界的exclude_border -pixels内的峰值。如果非零整数，exclude_border从图像边界的exclude_border -pixels内排除峰值。如果为零或假，则无论峰距边界的距离如何，都会识别峰。

Returns
A (n, image.ndim + sigma) ndarray
一个 2d 数组，每行代表 2D 图像的 2 个坐标值，或 3D 图像的 3 个坐标值，加上使用的 sigma。当传递单个 sigma 时，输出为：或其中或是 blob 的坐标，是检测 blob 的高斯核的标准偏差。当使用各向异性高斯（每个维度的 sigma）时，会返回每个维度的检测到的 sigma。(r, c, sigma)(p, r, c, sigma)(r, c)(p, r, c)sigma
See also
skimage.filters.difference_of_gaussians
Notes
The radius of each blob is approximately 2–√σ for a 2-D image and 3–√σ for a 3-D image.
References
1.https://en.wikipedia.org/wiki/Blob_detection#The_difference_of_Gaussians_approach

Lowe, D. G. “Distinctive Image Features from Scale-Invariant Keypoints.” International Journal of Computer Vision 60, 91–110 (2004). https://www.cs.ubc.ca/~lowe/papers/ijcv04.pdf DOI:10.1023/B:VISI.0000029664.99615.94

Examples

from skimage import data, feature
coins = data.coins()
feature.blob_dog(coins, threshold=.05, min_sigma=10, max_sigma=40)
array([[128., 155.,  10.],
       [198., 155.,  10.],
       [124., 338.,  10.],
       [127., 102.,  10.],
       [193., 281.,  10.],
       [126., 208.,  10.],
       [267., 115.,  10.],
       [197., 102.,  10.],
       [198., 215.,  10.],
       [123., 279.,  10.],
       [126.,  46.,  10.],
       [259., 247.,  10.],
       [196.,  43.,  10.],
       [ 54., 276.,  10.],
       [267., 358.,  10.],
       [ 58., 100.,  10.],
       [259., 305.,  10.],
       [185., 347.,  16.],
       [261., 174.,  16.],
       [ 46., 336.,  16.],
       [ 54., 217.,  10.],
       [ 55., 157.,  10.],
       [ 57.,  41.,  10.],
       [260.,  47.,  16.]])

在这里插入图片描述

blob_doh

skimage.feature.blob_doh(image, min_sigma=1, max_sigma=30, num_sigma=10, threshold=0.01, overlap=0.5, log_scale=False, *, threshold_rel=None)[source]

在给定的灰度图像中查找斑点。

使用 Hessian 行列式方法[1]找到斑点。对于找到的每个 blob，该方法返回其坐标和用于 Hessian 矩阵的 Gaussian Kernel 的标准偏差，其行列式检测到 blob。Hessians 的行列式近似使用[2]。

参数

图像二维数组
输入灰度图像。斑点可以是亮暗暗，反之亦然。
min_sigma浮点数，可选
用于计算 Hessian 矩阵的高斯核的最小标准偏差。保持这个低以检测较小的斑点。
max_sigma浮点数，可选
用于计算 Hessian 矩阵的高斯核的最大标准偏差。保持这个高以检测更大的斑点。
num_sigma int，可选
min_sigma和max_sigma之间要考虑的标准偏差中间值的数量。
阈值浮动或无，可选
尺度空间最大值的绝对下限。小于阈值的局部最大值被忽略。减少它以检测强度较低的斑点。如果threshold_rel还指定，取阈值较大将被使用。如果没有，则使用threshold_rel代替。
重叠浮动，可选
一个介于 0 和 1 之间的值。如果两个 blob 的区域重叠的分数大于threshold，则消除较小的 blob。
log_scale布尔值，可选
如果设置的标准偏差中间值使用对数刻度内插到基数10。如果不是，则使用线性插值。
threshold_rel浮点数或无，可选
峰值的最小强度，计算为，其中指的是内部计算的 Hessian 行列式 (DoH) 图像堆栈。这应该有一个介于 0 和 1 之间的值。如果没有，则使用阈值。max(doh_space) * threshold_reldoh_space

Returns
A (n, 3) ndarray
一个二维数组，每行代表 3 个值，(y,x,sigma) 其中(y,x)是 blob 的坐标，sigma是 Hessian 矩阵的高斯核的标准偏差，其行列式检测到 blob。
Notes
每个 blob 的半径约为sigma。Hessians 行列式的计算与标准偏差无关。因此检测更大的斑点不会花费更多时间。在方法线blob_dog()和blob_log()高斯计算更大的西格玛需要更多的时间。缺点是该方法不能用于检测半径小于3px 的斑点，因为在 Hessian 行列式的近似中使用了盒式过滤器。
References

https://en.wikipedia.org/wiki/Blob_detection#The_determinant_of_the_Hessian
Herbert Bay、Andreas Ess、Tinne Tuytelaars、Luc Van Gool，“冲浪：加速强大的功能” ftp://ftp.vision.ee.ethz.ch/publications/articles/eth_biwi_00517.pdf

from skimage import data, feature
img = data.coins()
feature.blob_doh(img)
array([[197.        , 153.        ,  20.33333333],
       [124.        , 336.        ,  20.33333333],
       [126.        , 153.        ,  20.33333333],
       [195.        , 100.        ,  23.55555556],
       [192.        , 212.        ,  23.55555556],
       [121.        , 271.        ,  30.        ],
       [126.        , 101.        ,  20.33333333],
       [193.        , 275.        ,  23.55555556],
       [123.        , 205.        ,  20.33333333],
       [270.        , 363.        ,  30.        ],
       [265.        , 113.        ,  23.55555556],
       [262.        , 243.        ,  23.55555556],
       [185.        , 348.        ,  30.        ],
       [156.        , 302.        ,  30.        ],
       [123.        ,  44.        ,  23.55555556],
       [260.        , 173.        ,  30.        ],
       [197.        ,  44.        ,  20.33333333]])

blob_log

skimage.feature.blob_log(image, min_sigma=1, max_sigma=50, num_sigma=10, threshold=0.2, overlap=0.5, log_scale=False, *, threshold_rel=None, exclude_border=False)[source]

参数

图像数组
输入灰度图像，假设斑点在深色背景上是浅色的（黑底白字）。
min_sigma标量或标量序列，可选
高斯核的最小标准偏差。保持这个低以检测较小的斑点。每个轴的高斯滤波器的标准偏差作为序列或单个数字给出，在这种情况下，它对所有轴都相等。
max_sigma标量或标量序列，可选
高斯核的最大标准偏差。保持这个高以检测更大的斑点。每个轴的高斯滤波器的标准偏差作为序列或单个数字给出，在这种情况下，它对所有轴都相等。
num_sigma int，可选
min_sigma和max_sigma之间要考虑的标准偏差中间值的数量。
阈值浮动或无，可选
尺度空间最大值的绝对下限。小于阈值的局部最大值被忽略。减少它以检测强度较低的斑点。如果threshold_rel还指定，取阈值较大将被使用。如果没有，则使用threshold_rel代替。
重叠浮动，可选
一个介于 0 和 1 之间的值。如果两个 blob 的区域重叠的分数大于threshold，则消除较小的 blob。
log_scale布尔值，可选
如果设置的标准偏差中间值使用对数刻度内插到基数10。如果不是，则使用线性插值。
threshold_rel浮点数或无，可选
峰值的最小强度，计算为，其中指的是内部计算的拉普拉斯高斯 (LoG) 图像堆栈。这应该有一个介于 0 和 1 之间的值。如果没有，则使用阈值。max(log_space) * threshold_rellog_space
exclude_border整数、整数或 False 的元组，可选
如果是整数元组，则元组的长度必须与输入数组的维度匹配。元组的每个元素都将沿该维度排除图像边界的exclude_border -pixels内的峰值。如果非零整数，exclude_border从图像边界的exclude_border -pixels内排除峰值。如果为零或假，则无论峰距边界的距离如何，都会识别峰。

退货
A (n, image.ndim + sigma) ndarray
一个 2d 数组，每行代表 2D 图像的 2 个坐标值，或 3D 图像的 3 个坐标值，加上使用的 sigma。当传递单个 sigma 时，输出为：或其中或是 blob 的坐标，是检测 blob 的高斯核的标准偏差。当使用各向异性高斯（每个维度的 sigma）时，会返回每个维度的检测到的 sigma。(r, c, sigma)(p, r, c, sigma)(r, c)(p, r, c)sigma
笔记
每个 blob 的半径约为 2–√σ 对于二维图像和 3–√σ 对于 3D 图像。
参考

1 https://en.wikipedia.org/wiki/Blob_detection#The_Laplacian_of_Gaussian

from skimage import data, feature, exposure
img = data.coins()
img = exposure.equalize_hist(img)  # improves detection
feature.blob_log(img, threshold = .3)
array([[124.        , 336.        ,  11.88888889],
       [198.        , 155.        ,  11.88888889],
       [194.        , 213.        ,  17.33333333],
       [121.        , 272.        ,  17.33333333],
       [263.        , 244.        ,  17.33333333],
       [194.        , 276.        ,  17.33333333],
       [266.        , 115.        ,  11.88888889],
       [128.        , 154.        ,  11.88888889],
       [260.        , 174.        ,  17.33333333],
       [198.        , 103.        ,  11.88888889],
       [126.        , 208.        ,  11.88888889],
       [127.        , 102.        ,  11.88888889],
       [263.        , 302.        ,  17.33333333],
       [197.        ,  44.        ,  11.88888889],
       [185.        , 344.        ,  17.33333333],
       [126.        ,  46.        ,  11.88888889],
       [113.        , 323.        ,   1.        ]])

canny

skimage.feature.canny(image, sigma=1.0, low_threshold=None, high_threshold=None, mask=None, use_quantiles=False, *, mode='constant', cval=0.0)[source]

使用 Canny 算法对图像进行边缘过滤。

参数

图像二维数组
灰度输入图像以检测边缘；可以是任何数据类型。
西格玛浮点数，可选
高斯滤波器的标准偏差。
low_threshold浮点数，可选
滞后阈值的下限（链接边缘）。如果没有，low_threshold 设置为 dtype 最大值的 10%。
高阈值浮动，可选
滞后阈值的上限（链接边缘）。如果没有，high_threshold 设置为 dtype 最大值的 20%。
掩码数组，dtype=bool，可选
将 Canny 的应用限制在某个区域的掩码。
use_quantiles bool，可选
如果True然后将 low_threshold 和 high_threshold 视为边缘幅度图像的分位数，而不是绝对边缘幅度值。如果True那么阈值必须在 [0, 1] 范围内。
模式str, {‘reflect’, ‘constant’, ‘nearest’, ‘mirror’, ‘wrap’}
该mode参数决定了在高斯滤波期间如何处理数组边界，其中cvalmode 等于 ‘constant’ 时的值。
cval浮点数，可选
如果模式为“常量” ，则填充过去输入边缘的值。

returns
输出二维数组（图像）
二进制边缘图。

也可以看看

skimage.sobel

笔记

该算法的步骤如下：
使用具有sigma宽度的高斯平滑图像。
应用水平和垂直 Sobel 算子来获得图像内的梯度。边缘强度是梯度的范数。
将潜在边缘细化为 1 像素宽的曲线。首先，找到每个点边缘的法线。这是通过查看 X-Sobel 和 Y-Sobel 的符号和相对大小将点分为 4 类来完成的：水平、垂直、对角线和对角线。然后查看正方向和反方向，看看这两个方向中的任何一个方向的值是否大于所讨论的点。使用插值来获得点的混合，而不是选择最接近法线的点。
执行滞后阈值处理：首先将高于高阈值的所有点标记为边缘。然后递归地将任何高于低阈值的点标记为 8 连接到标记点作为边缘。

参考
1 Canny, J.，边缘检测的计算方法，IEEE Trans。模式分析和机器智能，8:679-714，1986 DOI:10.1109/TPAMI.1986.47678512 William Green 的 Canny 教程 https://en.wikipedia.org/wiki/Canny_edge_detector
例子

from skimage import feature
rng = np.random.default_rng()
# Generate noisy image of a square
im = np.zeros((256, 256))
im[64:-64, 64:-64] = 1
im += 0.2 * rng.random(im.shape)
# First trial with the Canny filter, with the default smoothing
edges1 = feature.canny(im)
# Increase the smoothing for better results
edges2 = feature.canny(im, sigma=3)

corner_fast

skimage.feature.corner_fast(image, n=12, threshold=0.15)[source]

提取给定图像的 FAST 角。

Parameters

图像(M, N) ndarray
输入图像。
n int，可选
圆圈上 16 个像素中的最小连续像素数，这些像素都应该比测试像素更亮或更暗。如果Ic < Ip-阈值，则圆上的点 c 比测试像素 p 更暗，如果Ic > Ip + 阈值，则更亮。也代表FAST-n角点检测器中的 n。
阈值浮动，可选
用于决定圆圈上的像素是否比测试像素更亮、更暗或相似的阈值。当需要更多拐角时降低阈值，反之亦然。

Returns
响应数组
快速角响应图像。
References

Rosten, E., & Drummond, T. (2006, May). Machine learning for high-speed corner detection. In European conference on computer vision (pp. 430-443). Springer, Berlin, Heidelberg. DOI:10.1007/11744023_34 http://www.edwardrosten.com/work/rosten_2006_machine.pdf
Wikipedia, “Features from accelerated segment test”, https://en.wikipedia.org/wiki/Features_from_accelerated_segment_test
Examples

>>> from skimage.feature import corner_fast, corner_peaks
>>> square = np.zeros((12, 12))
>>> square[3:9, 3:9] = 1
>>> square.astype(int)
array([[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 1, 1, 1, 1, 1, 1, 0, 0, 0],
       [0, 0, 0, 1, 1, 1, 1, 1, 1, 0, 0, 0],
       [0, 0, 0, 1, 1, 1, 1, 1, 1, 0, 0, 0],
       [0, 0, 0, 1, 1, 1, 1, 1, 1, 0, 0, 0],
       [0, 0, 0, 1, 1, 1, 1, 1, 1, 0, 0, 0],
       [0, 0, 0, 1, 1, 1, 1, 1, 1, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]])
>>> corner_peaks(corner_fast(square, 9), min_distance=1
																				
						
							上一篇：							
								特性策略与权限策略详解：理解feature policy & Permissions-Policy 的真实含义							
						
						
							下一篇：							
								理解与应用：机器学习中的特征与特征选优详解							
						
					
															
						
							推荐阅读						
						
														
								
									
										如何处理Echarts图表中过长的X轴文字？自动旋转功能详解									
								
							
														
								
									
										如何运用浏览器history模式与Umi中的history功能									
								
							
														
								
									
										如何运用YOLO模型的INT8量化模块									
								
							
														
								
									
										【摩尔线程+Colossal-AI强强联手】MusaBert登上CLUE榜单TOP10：技术细节揭秘

- 技术实力：摩尔线程凭借"软硬兼备"的技术底蕴，让MusaBert得以从底层优化到顶层。其内置多功能GPU配备AI加速和并行计算模块，提供了全面的AI与科学计算支持，为AI推理和低资源条件下的大模型训练等场景带来了高效、经济且环保的算力。

- 算法层面亮点：依托Colossal-AI AI大模型开发系统，MusaBert在训练过程中展现出了卓越的并行性能与易用性，特别在预处理阶段对DataLoader进行了优化，适应低资源环境高效处理海量数据。同时，通过精细的建模优化、领域内数据增强以及Adan优化器等手段，挖掘和展示了预训练语言模型出色的语义理解潜力。基于MusaBert，摩尔线程自主研发的MusaSim通过对比学习方法微调，结合百万对标注数据，MusaSim在多个任务如语义相似度、意图识别和情绪分析中均表现出色。

- 数据资源丰富：MusaBert除了自家高质量语义相似数据外，还融合了悟道开源200GB数据、CLUE社区80GB数据，以及浪潮公司提供的1TB高质量数据，保证模型即便在较小规模下仍具备良好性能。

当前，MusaBert已成功应用于摩尔线程的智能客服与数字人项目，并广泛服务于语义相似度、情绪识别、阅读理解与声韵识别等领域。为了降低大模型开发和应用难度，MusaBert及其相关高质量模型代码已在Colossal-AI仓库开源，可快速训练优质中文BERT模型。同时，通过摩尔线程与潞晨科技的深度合作，仅需一张多功能GPU单卡便能高效训练MusaBert或更大规模的GPT2模型，显著降低预训练成本，进一步推动双方在低资源大模型训练领域的共享目标。

MusaBert荣登CLUE榜单TOP10，象征着摩尔线程与潞晨科技联合研发团队在中文预训练研究领域的领先地位。展望未来，双方将携手探索更大规模的自然语言模型研究，充分运用上游数据资源，产出更为强大的模型并开源。持续强化在摩尔线程多功能GPU上的大模型训练能力，特别是在消费级显卡等低资源环境下，致力于降低使用大模型训练的门槛与成本，推动人工智能更加普惠。而潞晨科技作为重要合作伙伴，将继续发挥关键作用。									
								
							
														
								
									
										如何操作和理解FC105与FC106的Scale功能模块指南									
								
							
														
								
									
										老猿探索5G手记：5G网络单元NF的功能模块与 NF间两类连接--服务化接口和参照点详解									
								
							
														
								
									
										如何正确运用Redisson锁的tryLock功能									
								
							
														
								
									
										RedLock: 如何实现Redis分布式锁定功能的底层机制详解									
								
							
														
								
									
										TypeScript实战笔记：详解类与泛型的运用实例，学习如何在TypeScript中玩转泛型，及其在提升代码灵活性与安全性的角色 - 青训营教程									
								
							
														
								
									
										在Python中如何运用typing模块和类型注解的实践指南