Habitat 3.0 环境配置及报错完美解决(含Linux、MacOS系统)
最近在入门 Embodied AI ,在实验室中了解到
Meta
的Habitat模拟器。这是一个用于agent仿真的模拟平台,并且刚出了Habitat
3.0版本。无奈新版本嘛,难免有各种各样的bug,刚好网上也找不到太多资料,于是我总结了habitat-lab开发库配置过程中遇到的一部分bug。一方面给自己总结记录,另一方面帮助大家避开一些坑。
Linux环境(配置Ubuntu 22.04
+ GPU 3090)
笔者一开始是打算用自己的windows机器跑下实例代码,发现居然没法
conda install habitat-sim,看样子不支持windows环境。于是用linux服务器进行接下来的实验,参考habitat-lab的官方github主页进行安装。
创建conda环境
我们采用默认的conda安装方式,先执行
conda create -n habitat python=3.9 cmake=3.14.0conda activate habitat
配置底层模拟器
habitat-sim,也就是habitat-lab的核心模拟器。 ...
“Embodied AI”前言 -- 婴儿给AI时代的六个启示
这篇文章深度解析了美国自然科学领域的一篇论文,《The
development of embodied cognition: six lessons from
babies》 ,其中的定义被 Meta
认为是目前火热的 "Embodied AI" (具身智能)
的官方定义。有趣的是,最近我还看到另一篇文章描述了人类的经验并不一定适用于机器,也就是
OpenAI 推崇的 《The
Bitter Lesson》 。这两种观点都很值得参考借鉴。
“Embodied AI”的定义:
一种先进的人工智能类型,它通过与周围环境的互动来实现学习。这种AI不依赖于静态数据集(如ImageNet、COCO、VQA等),而是涉及具有物理或虚拟实体的智能系统(例如robots
or trained assistants)的研究。
“Embodied AI”和“Internet
AI”的区别:
Embodied AI(实体化人工智能):
实体化AI指的是那些具有物理实体的AI系统,比如机器人或者具有传感器和执行器的智能设备。
这类AI通过与现实世界直接互动来学习和适应。它们 ...
同步电脑端和手机端日历教程(基于Outlook邮箱)
同步电脑端和手机端日历教程(基于Outlook邮箱)
电脑端配置
步骤1:应用栏搜索“日历”软件并打开
步骤2:登录Outlook邮箱(切记一定选择Office
365)
手机端配置
步骤1:打开电子邮件app
步骤2:登录Outlook邮箱(切记一定选择Exchange)
一定要勾选同步日历选项(默认是勾选了的),登陆成功就OK啦
手动同步
一般半分钟内会自动同步,如果同步延迟,可以进行手动同步。
电脑端
手机端
附录:日程管理Q&A
这篇博客灵感来自于我和GPT-4的对话,相信各位读者也可以借助GPT-4实现日程管理的私人定制。
起因:发现自己生活一团糟
Q:我早上很有精神,但是下午和晚上时常犯困。并且我经常感到失控或者做事匆忙。你有什么建议吗?
A:时间管理是一个常见的挑战,但有方法可以帮助您克服它。首先,让我们来看看您的日常时间安排,以找出改进的空间。
现状:已有的生活方式
Q:我目前的时间安排如下:
时间段
活动
7:30 AM
起床
7:45 AM ...
Transformer 零基础解析教程,完整版代码最终挑战(4/4)
导航
这篇文章是 Transformer
完整版复现代码的深度解析。
本博客的 Transformer 系列文章共计四篇,导航如下:
Transformer
零基础解析教程,从Encoder-Decoder架构说起(1/4)
Transformer
零基础解析教程,剥洋葱般层层剖析内在原理(2/4)
Transformer
零基础解析教程,牛刀小试Pytorch简易版攻略(3/4)
Transformer
零基础解析教程,完整版代码最终挑战(4/4)本篇
前言
由哈佛的NLP组撰写的 The
Annotated Transformer,用代码对应论文《Attention is all you
need》的各个部分基本复现和还原了论文模型中初始版本的
Transformer,并给出了两个机器翻译的例子。而本文内容是在 The Annotated
Transformer 的 Colab 版基础上,进一步精读 《Attention is all you
need》中的 Transformer
结构和源码。作者之所以选择它进行解读,是因为它 ...
Transformer 零基础解析教程,牛刀小试Pytorch简易版攻略(3/4)
导航
这篇文章是基于 Pytorch 的 Transformer
简易版复现教程。
本博客的 Transformer 系列文章共计四篇,导航如下:
Transformer
零基础解析教程,从Encoder-Decoder架构说起(1/4)
Transformer
零基础解析教程,剥洋葱般层层剖析内在原理(2/4)
Transformer
零基础解析教程,牛刀小试Pytorch简易版攻略(3/4)本篇
Transformer
零基础解析教程,完整版代码最终挑战(4/4)
前言
该教程代码初始来源于Jeff
Jung,我阅读了一些博客和视频后做了大量的注释和修改,更加方便阅读和复现。
代码中为了加快可读性和运行速度,并没有用到大型的数据集,而是手动输入了两对中文→英语的句子,还有每个字的索引也是手动硬编码上去的,主要是为了降低代码执行速度和阅读难度,哪怕用普通的笔记本CPU也能在1分钟以内完成,从而方便读者把重点放到模型实现的部分!
# ======================================""&qu ...
Transformer 零基础解析教程,剥洋葱般层层剖析内在原理(2/4)
导航
这篇文章是关于Transformer的原理详细解读。
本博客的 Transformer 系列文章共计四篇,导航如下:
Transformer
零基础解析教程,从Encoder-Decoder架构说起(1/4)
Transformer
零基础解析教程,剥洋葱般层层剖析内在原理(2/4)本篇
Transformer
零基础解析教程,牛刀小试Pytorch简易版攻略(3/4)
Transformer
零基础解析教程,完整版代码最终挑战(4/4)
Transformer之前的翻译模型
在Transformer之前,递归神经网络(RNN)一直是处理序列数据的首选方法,大家做机器翻译用的最多的就是基于RNN的Encoder-Decoder模型。
图1: RNN的工作方式
输入:
输入向量 \(\vec{x_t}\)
(编码词)
隐藏状态向量 \(\vec{h_{t-1}}\)(包含当前块之前的序列状态)
输出:
输出向量 \(\vec{o_t}\)
权重:
\({W}\)—— \(\vec{x_t}\) ...
CS231n Assignment 1 逐行解析
CS231n Assignment 1
作业1分为五个部分:KNN、SVM、Softmax classifier、2层神经网络、Higher
Level Representations: Image Features.
建议作业完成顺序:
k近邻分类:knn.ipynb & k_nearest_neighbor.py
svm线性分类:svm.ipynb & linear_svm.py &
linear_classifier.py
softmax线性分类:softmax.ipynb & softmax.py
两层神经网络:two_layer_net.ipynb & neural_net.py
k-Nearest Neighbor (kNN)
在knn.ipynb中,调用了k_nearest_neighbor.py文件。
k近邻分类算法步骤如下介绍:
记住所有训练图像
计算测试图像与所有训练图像的距离(常用L2距离)
选择与测试图像距离最小的k张训练图像
计算这k张图像所对应的类别出现的次数,选择出现次数最多 ...
Transformer 零基础解析教程,从Encoder-Decoder架构说起(1/4)
Transformer教程系列介绍
大模型的发展正在逐渐从单一模态数据输入向多模态数据输入演进,文本、语音、图像、视频等多模态的联合训练学习,不同模态之间形成有效互补,这将有助于提升模型的效果和泛化能力,为迈向通用人工智能奠定更加坚实的一步。而提到多模态的算法模型,就不得不提到大名鼎鼎的
Transformer。
2017年, Google研究团队发表了论文 《Attention
Is All You
Need》,Transformer横空出世,并很快成为自然语言处理(NLP)领域的标杆模型,如机器翻译及后续的BERT、GPT系列等NLP大模型。Transformer也被应用到计算机视觉(CV)领域,用于图像分类、物体检测、图像生成和视频处理等任务,代表性如DERT、ViT等。此外,Transforme也被应用到了语音领域(ASR),用于语音识别、语音合成、语音增强和音乐生成等任务。此外,NLP、视觉和语音构成的多模态场景,也是近年来Transformer应用的热点方向,例如视觉问答、视觉常识推理、语音到文本翻译和文本到图像生成等。
本文主要讲解Transformer之前的 ...
我的项目经历
我的项目经历--目录
软件编程项目
无人机集群电磁仿真设计
可上传私人文档的ChatGPT
Python爬取国家统计数据
app制作与安全性分析
绕过认证系统实验
AI玩俄罗斯方块
手写数字识别GUI
弱监督条件下的点云语义理解
马里奥DIY版
简易版魔塔
疫情地图小程序
硬件控制项目
玩具狗的多种开关方式
GPS欺骗
基于Arduino的音乐播放器
软件编程项目
“具⾝智能”商超场景解决⽅案
2023.7 - 2023.11
描述:
我们通过以下步骤解决无人机集群的目标电磁特征数据的获取问题,提出了解决无人机集群问题目标检测的创新思路。
首先,以 "Gremlin
"无人机为代表的典型单架固定翼无人机为例,基于多级快速多极法(MLFMM)进行电磁计算。然后,利用雷达散射截面(RCS)仿真数据和二维反合成孔径雷达(ISAR)成像来验证上述仿真结果的结果准确性。最后,我们对无人机集群的RCS模拟数据进行了模拟和验证。
用到的编程语言和软件工具有:
(1)Solidworks -- 建立两类无人机的三维模型 (2)Fek ...
Python爬虫爬取国家统计局数据
Python
爬虫爬取国家统计局数据
本次实验以爬取“国家统计局”首页中的【上海市城乡居民收支基本情况】为例,国家统计局其他页面的爬取方法大同小异
1.爬虫基本流程
发起请求:通过http/https库向目标站点发起请求,即发送一个request,请求可以包含额外的headers等信息,等待服务器响应
获取相应内容:如果服务器能正常响应,会得到一个response,response的内容便是所要获取的页面内容,类型可能有HTML,json字符串,二进制数据(如图片视频)等类型
解析内容:得到的内容可能是HTML,可以用正则表达式,网页解析库进行解析,可能是json,可以直接转为json对象,可能是二进制数据,可以做保存或者进一步的处理
(本次实验得到的解析内容是json)
保存数据:可以存为文本,也可以保存至数据库,或者特定格式的文件
2.打开网页并分析
国家统计局的网站很奇怪,明明是https却会告警不安全,首次打开界面如下(本人使用的是谷歌浏览器)
点击“高级”-“继续前往”,方可进入首页
选择“季度数据”-“分省季度数据”
选择“人民 ...