Wayking RadarSensors_LRR7710_中英文产品手册

XPM52C 是一款集成同步开关的降压转换器，支持多种输出快充协议、支持 USB Type-C 和 PD 等多种快充协议，包括 USB Type-C 和 PD 协议，高通 QC2.0/3.0/3.0+，华 为 FCP/SCP/HVSCP，VOOC 2.0/4.0 协议，联发科 PE，三星 AFC，USB BC1.2 DCP 以及 Apple 2.4A 充电规范，为车载充电器、各种快充适配器、智能排插等供电设备提供完 整的解决方案。

15、贴片叠层电感应用测试中不良率高的原因

CS5511的LVDS输出可以配置为在120 Hz时支持高达1920x1080或在100 Hz时支持1920x1200。CS5511 LVDS接口支持单端口和双端口模式。CS5511具有5个配置引脚，可支持32个不同面板分辨率和LVDS工作模式与一个闪光图像的组合。

如何使用SpringBoot开发一款关于双11商品服务的系统？今天就给大家说道说道，希望对大家的学习有所帮助！
1.什么是SpringBoot？
Spring 的诞⽣是为了简化 Java 程序的开发的，⽽ Spring Boot 的诞⽣是为了简化 Spring 程序开发的。
Spring Boot是由Pivotal团队提供的基于Spring的框架，该框架使用了特定的方式来进行配置，从而使开发人员不再需要定义样板化的配置。Spring Boot集成了绝大部分目前流行的开发框架，就像Maven集成了所有的JAR包一样，Spring Boot集成了几乎所有的框架，使得开发者能快速搭建Spring项目。
2.SpringBoot的优点
快速集成框架，Spring Boot 提供了启动添加依赖的功能，⽤于秒级集成各种框架。
内置运⾏容器，⽆需配置 Tomcat 等 Web 容器，直接运⾏和部署程序。
快速部署项⽬，⽆需外部容器即可启动并运⾏项⽬。
可以完全抛弃繁琐的 XML，使⽤注解和配置的⽅式进⾏开发。
⽀持更多的监控的指标，可以更好的了解项⽬的运⾏情况

后端配置
1.1创建Springboot工程
打开idea->file->new->project
选择spring Initializer进行配置，java版本选择8，点击next
- internal 应用代码
    - controllers 控制器模块
      - admin 后端控制器
      - front 前端控制器
    - listen redis监听器
    - models 模型模块
    - service 服务模块
      - product_serive 商品服务
      - wechat_menu_serive 微信公众号菜单服务
      ......
- conf 公共配置
  -config.yml yml配置文件
  -config.go 配置解析，转化成对应的结构体
  
- middleware 中间件
    - AuthCheck.go  jwt接口权限校验
- cors.go 跨域处理
......
- pkg 程序应用包
  - app
  - base
  - casbin
  - jwt
  - qrcode
  - wechat
  .....
- routere 路由
- logs 日志存放
- runtime 资源目录
首先，我仔细分析了需求，并且根据业务逻辑设计了合适的接口。
对于多表关联查询，我使用了MyBatis的注解来编写SQL语句，并通过@One和@Many等注解来实现结果集的映射。
对于数据分页，我使用了MyBatis-Plus提供的Page对象，并结合相关方法来实现数据分页查询。
2. 上课中的优秀项目
在课堂上，我完成了一个优秀的项目，主要是学生实体类的增删改查功能。通过这个项目，我巩固了对Spring Boot框架的理解和掌握。
具体实现如下：
//初始化redis
err := cache.InitRedis(cache.DefaultRedisClient, &redis.Options{
Addr:        global.CONFIG.Redis.Host,
Password:    global.CONFIG.Redis.Password,
IdleTimeout: global.CONFIG.Redis.IdleTimeout,
}, nil)
if err != nil {
if err != nil {
global.LOG.Error("InitRedis error ", err, "client", cache.DefaultRedisClient)
panic(err)
}
panic(err)
}

//初始化mysql
err = db.InitMysqlClient(db.DefaultClient, global.CONFIG.Database.User,
global.CONFIG.Database.Password, global.CONFIG.Database.Host,
global.CONFIG.Database.Name)
if err != nil {
global.LOG.Error("InitMysqlClient error ", err, "client", db.DefaultClient)
panic(err)
}
global.Db = db.GetMysqlClient(db.DefaultClient).DB

开发步骤
SpringBoot 开发起来特别简单，分为如下几步：
创建新模块，选择Spring初始化，并配置模块相关基础信息
选择当前模块需要使用的技术集
开发控制器类
运行自动生成的Application类
知道了 SpringBoot 的开发步骤后，接下来我们进行具体的操作
shutdown.NewHook().Close(
//关闭http server
func() {
ctx, cancel := context.WithTimeout(context.Background(), time.Second*10)
defer cancel()
if err := server.Shutdown(ctx); err != nil {
logging.Error("http server shutdown err", err)
}
},

func() {
//关闭kafka producer（特别是异步生产者，强制关闭会导致丢消息）
if err := mq.GetKafkaSyncProducer(mq.DefaultKafkaSyncProducer).Close(); err != nil {
logging.Error("kafka shutdown err", err)
}
},
func() {
//关闭mysql
if err := db.CloseMysqlClient(db.DefaultClient); err != nil {
logging.Error("mysql shutdown err", err)
}
},
func() {
//关闭redis
if err := cache.GetRedisClient(cache.DefaultRedisClient).Close(); err != nil {
logging.Error("redis shutdown err", err)
}
},
)
//也可以自己实现优雅关闭
//signals := make(chan os.Signal, 0)
//signal.Notify(signals, syscall.SIGHUP, syscall.SIGINT, syscall.SIGTERM, syscall.SIGQUIT)
//s := <-signals
//global.LOG.Warn("shop receive system signal:", s)
//ctx, cancel := context.WithTimeout(context.Background(), 3*time.Second)
//defer cancel()
//err := server.Shutdown(ctx)
//if err != nil {
// global.LOG.Error("http server error", err)
//}
//mq.GetKafkaSyncProducer(mq.DefaultKafkaSyncProducer).Close()

选择 Spring Initializr ，用来创建 SpringBoot 工程
以前我们选择的是 Maven ，今天选择 Spring Initializr 来快速构建 SpringBoot 工程。而在 Module SDK 这一项选择我们安装的 JDK 版本。
type StoreProduct struct {
Image        string         `json:"image" valid:"Required;"`
SliderImage  string         `json:"slider_image" valid:"Required;"`
StoreName    string         `json:"store_name" valid:"Required;"`
StoreInfo    string         `json:"store_info" valid:"Required;"`
Keyword      string         `json:"keyword" valid:"Required;"`
CateId       int            `json:"cate_id" valid:"Required;"`
ProductCate  *StoreCategory `json:"product_cate" gorm:"foreignKey:CateId;association_autoupdate:false;association_autocreate:false"`
Price        float64        `json:"price" valid:"Required;"`
VipPrice     float64        `json:"vip_price" valid:"Required;"`
OtPrice      float64        `json:"ot_price" valid:"Required;"`
Postage      float64        `json:"postage" valid:"Required;"`
UnitName     string         `json:"unit_name" valid:"Required;"`
Sort         int16          `json:"sort" valid:"Required;"`
Sales        int            `json:"sales" valid:"Required;"`
Stock        int            `json:"stock" valid:"Required;"`
IsShow       *int8          `json:"is_show" valid:"Required;"`
IsHot        *int8          `json:"is_hot" valid:"Required;"`
IsBenefit    *int8          `json:"is_benefit" valid:"Required;"`
IsBest       *int8          `json:"is_best" valid:"Required;"`
IsNew        *int8          `json:"is_new" valid:"Required;"`
Description  string         `json:"description" valid:"Required;"`
IsPostage    *int8          `json:"is_postage" valid:"Required;"`
GiveIntegral int            `json:"give_integral" valid:"Required;"`
Cost         float64        `json:"cost" valid:"Required;"`
IsGood       *int8          `json:"is_good" valid:"Required;"`
Ficti        int            `json:"ficti" valid:"Required;"`
Browse       int            `json:"browse" valid:"Required;"`
IsSub        *int8          `json:"is_sub" valid:"Required;"`
TempId       int64          `json:"temp_id" valid:"Required;"`
SpecType     int8           `json:"spec_type" valid:"Required;"`
IsIntegral   *int8          `json:"isIntegral" valid:"Required;"`
Integral     int32          `json:"integral" valid:"Required;"`
BaseModel
}

//定义商品消息结构
type ProductMsg struct {
Operation string `json:"operation"`
*StoreProduct
}
切换web服务器
现在我们启动工程使用的是 tomcat 服务器，那能不能不使用 tomcat 而使用 jetty 服务器，jetty 在我们 maven 高级时讲 maven 私服使用的服务器。而要切换 web 服务器就需要将默认的 tomcat 服务器给排除掉，怎么排除呢？使用 exclusion 标签
func (e *StoreProductController) Post(c *gin.Context) {
var (
dto  dto2.StoreProduct
appG = app.Gin{C: c}
)
httpCode, errCode := app.BindAndValid(c, &dto)
if errCode != constant.SUCCESS {
appG.Response(httpCode, errCode, nil)
return
}
productService := product_service.Product{
Dto: dto,
}
model, err := productService.AddOrSaveProduct()
if err != nil {
appG.Response(http.StatusInternalServerError, constant.FAIL_ADD_DATA, nil)
return
}

//发消息队列
defer func() {
operation := product.OperationCreate
if dto.Id > 0 {
operation = product.OperationUpdate
}
productMsg := models.ProductMsg{
operation,
&model,
}
msg, _ := json.Marshal(productMsg)
p, o, e := mq.GetKafkaSyncProducer(mq.DefaultKafkaSyncProducer).Send(&sarama.ProducerMessage{
Topic: product.Topic,
Key:   mq.KafkaMsgValueStrEncoder(strconv.FormatInt(dto.Id, 10)),
Value: mq.KafkaMsgValueEncoder(msg),
},
)
if e != nil {
global.LOG.Error("send product msg error ", e, "partition :", p, "offset :", o, "id :", dto.Id)
}
}()

appG.Response(http.StatusOK, constant.SUCCESS, nil)

}

众所周知，视觉系统对于理解和推理视觉场景的组成特性至关重要。这个领域的挑战在于对象之间的复杂关系、位置、歧义、以及现实环境中的变化等。作为人类，我们可以很轻松地借助各种模态，包括但不仅限于视觉、语言、声音等来理解和感知这个世界。现如今，随着 Transformer 等关键技术的提出，以往看似独立的各个方向也逐渐紧密地联结到一起，组成了“多模态”的概念。

多功能
通过引入灵活的提示引擎，包括点、框、涂鸦 (scribbles)、掩模、文本和另一幅图像的相关区域，实现多功能性；
可组合
通过学习联合视觉-语义空间，为视觉和文本提示组合实时查询，实现组合性，如图1所示；
可交互
通过结合可学习的记忆提示进行交互，实现通过掩模 引导的交叉注意力保留对话历史信息；
语义感知
通过使用文本编码器对文本查询和掩模标签进行编码，实现面向开放词汇分割的语义感知。

超大规模视觉通用感知模型由超大规模图像、文本主干网络以及多任务兼容解码网络组成，它基于海量的图像和文本数据构成的大规模数据集进行预训练，用于处理多个不同的图像、图像-文本任务。此外，借助知识迁移技术能够实现业务侧小模型部署。

超大规模视觉通用感知模型面临的挑战：
（1）网络参数量庞大，通常超十亿参数，训练稳定性、收敛性、过拟合等问题相较于小网络挑战大很多。
（2）原始数据集包含数十亿异质低质量图片与海量文本，多步训练以利用异质的多模态多任务数据，流程复杂，存在灾难性遗忘，难以定位精度等问题。
（3）实验成本高，通常需要上千块GPU并行训练数周，需要研究者有敏锐的分析能力和扎实的知识基础。
（4）工程挑战多，海量数据的吞吐，大型GPU集群上的并行算法，超大参数量模型的内存管理。

提示工程
大多数视觉数据集由图像和相应文本标签组成，为了利用视觉语言模型处理视觉数据集，一些工作已经利用了基于模版的提示工程，
text_descriptions = [f"This is a photo of a {label}" for label in cifar100.classes]  
text_tokens = clip.tokenize(text_descriptions).cuda()

除了此类大型视觉语言基础模型外，一些研究工作也致力于开发可以通过视觉输入提示的大型基础模型。例如，最近 META 推出的 SAM 能够执行与类别无关的分割，给定图像和视觉提示（如框、点或蒙版），指定要在图像中分割的内容。这样的模型可以轻松适应特定的下游任务，如医学图像分割、视频对象分割、机器人技术和遥感等

从模型训练、模型分发、模型商业化，美图体系化地同创作者和开发者共建模型生态：

（1）模型训练：提供二次训练能力，并持续不断地为创作者提供服务，包括培训、社区和模型创作大赛。

（2）模型分发：创作者和开发者共建的模型可以在美图的产品内进行分发，在分发过程中持续优化模型。

（3）模型商业化：行业客户可通过 MiracleVision 的 API 和 SDK 进行商业使用，创作者和开发者通过商业合作获得经济收益。
通用视觉-语言学习的基础模型
UNITER：结合了生成（例如掩码语言建模和掩码区域建模）和对比（例如图像文本匹配和单词区域对齐）目标的方法，适用于异构的视觉-语言任务。
Pixel2Seqv2：将四个核心视觉任务统一为像素到序列的接口，使用编码器-解码器架构进行训练。
Vision-Language：使用像 BART 或 T5 等预训练的编码器-解码器语言模型来学习不同的计算机视觉任务。
模型整体结构上，抛弃了CNN，将 BERT 原版的 Transformer 开箱即用地迁移到分类任务上面，在使用大规模训练集的进行训练时，取得了极好的效果。
同时，在大规模数据集上预训练好的模型，在迁移到中等数据集或小数据集的分类任务上以后，也能取得比CNN更优的性能。
模型整体结构如下图所示，完全使用原始 BERT 的 Transformer 结构，主要是对图片转换成类似 token 的处理，原文引入了一个 patch 的概念，首先把图像划分为一个个的 patch，然后将 patch 映射成一个 embedding，即图中的 linear projection 层，将输入转换为类似 BERT 的输入结构，然后加上 position embedding，这里的 position 是1D的，最后加上一个learnable classification token 放在序列的前面，classification由 MLP 完成。

这里我们用 RAM 提取了图像的语义标签，再通过将标签输入到 Grounding-DINO 中进行开放世界检测，最后再通过将检测作为 SAM 的提示分割一切。目前视觉基础大模型可以粗略的归为三类：
textually prompted models, e.g., contrastive, generative, hybrid, and conversational;
visually prompted models, e.g., SAM, SegGPT;
heterogeneous modalities-based models, e.g., ImageBind, Valley.

CoCa 通过将所有标签简单地视为文本，对 web-scale alt-text 和 annotated images 进行了从头开始端到端的预训练，无缝地统一了表示学习的自然 语言 监督。因此，CoCa 在广泛的下游任务上实现了最先进的性能，零样本传输或最小的任务特定适应， 跨越视觉识别（ImageNet，Kinetics-400/600/700，Moments-in-Time )、跨模式检索（MSCOCO、Flickr30K、MSR-VTT）、 多模式理解（VQA、SNLI-VE、NLVR2）和图像字幕（MSCOCO、NoCaps）。在 ImageNet 分类中，CoCa 获得了 86.3% 的 zero-shot top-1 准确率， frozen encoder and finetune classifier 是 90.6%，finetune encoder 可以到 91.0%。

截止目前国内外已经发布了许多包括 NLP, CV 和 多模态在内的大规模模型，但是这些模型在应用落地上还是有待进一步探究的，目前应用落地较好的有华为 的盘古，在电网和金融圈都有应用；智源的悟道系列在诗词图文上都有广泛应用，可以帮助学生看图写作，根据文字生成插图等；百度的文心也发布了在金融方 面的应用。但截止目前为止大模型在实际中的应用还不是很理想，大模型发展的初衷是使用一个预训练好的大模型代替一堆小作坊似的根据不同任务训练的小模 型，通过模型蒸馏知识迁移等技术在小模型上使用少量数据集达到超过原来小模型性能的目标。CV 大模型在应用上的一个难点是与实际应用相结合，目前社会中 用的较多的视觉相关的深度学习模型主要包括物体检测，人脸识别以及缺陷检测（部分）相比 NLP 模型在实际中的使用少很多，因此将 CV 模型与实际生产相 结合发现更多的应用场景很关键。另外一个 CV 大模型应用的难点就是如何快速高效的使用蒸馏和知识迁移技术提升下游任务的性能，这两点难题的解决在 CV 大模型的实际应用中都刻不容缓。

总结起来，将大模型应用于更高分辨率的下游视觉任务具有以下好处：提高感知能力、改善定位精度、提升语义理解、改善细节保留和边缘清晰度、增加鲁棒性和泛化能力，以及推动研究进展。这些好处使得大模型在处理高分辨率图像时能够获得更准确、更细致和更真实的结果。随着深度学习和计算资源的不断发展，我们可以期待更先进的大模型和相关技术的出现，进一步推动计算机视觉在高分辨率图像任务中的应用和突破

RadarSensors_ARS308-21_cn数据手册

特斯拉电路图，欢迎大家下载

12、如何挑选立式磁棒电感厂家

13、如何解决直插差模电感的异响问题

RadarSensors_ARS408-21_cn数据手册

结合某地下污水厂项目，从结构、系统组成、系统功能、控制要求、场景模式等方面介绍了地下污水厂智能照明控制系统，探索了一套适用于地下污水厂的智能照明控制策略，以确保地下污水厂正常运行的照明需求。

CS5511是一个将DP/eDP输入转换为LVDS信号的桥接芯片，此外，CS5511可以用作在DP/eDP输入到DP/eDP输出场景中桥接芯片

注释EN55014-1