python学opencv|读取图像（四十九）原理探究：使用cv2.bitwise()系列函数实现图像按位运算

【0】基础定义

按位与运算：两个等长度二进制数上下对齐，全1取1，其余取0。

按位或运算：两个等长度二进制数上下对齐，有1取1，其余取0。

 按位异或运算： 两个等长度二进制数上下对齐，相同取0，其余取1。

 按位取反运算：一个二进制数，0变1，1变0。

【2】引言

在前序学习进程中，调用cv2.bitwise()系列函数实现了图像的按位与计算，相关文章链接包括且不限于：

python学opencv|读取图像（四十三）使用cv2.bitwise_and()函数实现图像按位与运算-CSDN博客

python学opencv|读取图像（四十五）增加掩模：使用cv2.bitwise_and()函数实现图像按位与运算-CSDN博客

python学opencv|读取图像（四十六）使用cv2.bitwise_or()函数实现图像按位或运算-CSDN博客

python学opencv|读取图像（四十七）使用cv2.bitwise_not()函数实现图像按位取反运算-CSDN博客

python学opencv|读取图像（四十八）使用cv2.bitwise_xor()函数实现图像按位异或运算-CSDN博客

图像的按位与计算，是通过对各个像素点上的BGR值进行操作：先把十进制数转化为二进制数，再进行按位计算，然后再转回十进制数输出。

由于前序文章的重点是对比按位计算前后图像的色彩变化，除按位与计算外，没有详细深究二进制按位计算过程。因此本文以之前按位与计算为基础，对此展开专题探索。

按位与计算的原理探索文章链接为：

python学opencv|读取图像（四十三）使用cv2.bitwise_and()函数实现图像按位与运算-CSDN博客

【3】项目可行性分析

以输入的外部图像为基础，调用cv2.bitwise()系列函数让图像进行按位计算后，读取相关点的BGR值，使用np.bitwise()系列函数对cv2.bitwise()系列函数按位计算进行原理呈现。

【4】代码测试

首先引入相关模块和图像：

import cv2 as cv # 引入CV模块
import numpy as np #引入numpy模块# 读取图片-直接转化灰度图
src = cv.imread('srcx.png') #读取图像
dst=src #输出图像
gray_src=cv.cvtColor(src,cv.COLOR_BGR2GRAY) #转化为灰度图
dstg=gray_src #输出图像
print('初始图像像素大小为',src.shape)
print('初始图像灰度图像素大小为',gray_src.shape)

 除了按位取反操作之外，其他按位操作均需要在引入一张图像：

# 定义第二个图像
image = np.zeros(src.shape, np.uint8)  # 定义一个竖直和水平像素与初始图像等大的全0矩阵
print('第二个图像像素大小为',image.shape)
image[50:350, :, :] = 180  # 行掩模
image[:,120:200,: ] = 255  # 列掩模
image[:, :, 2] = 120  # 第二个通道值

然后要引入一个8位单通道的二维矩阵定义掩模：

#定义掩模矩阵
mask = np.zeros((gray_src.shape), np.uint8)  # 定义一个竖直和水平像素与初始图像等大的全0矩阵
mask[280:350, :] = 155  # 水平区域
mask[:,150:350] = 100  # 竖直区域

之后就调用cv2.bitwise()系列函数执行按位计算：

#执行位运算
#按位与运算
img_and=cv.bitwise_and(src,image) #按位与运算
img_and_mask=cv.bitwise_and(src,image,mask=mask) #按位与运算
#按位或运算
img_or=cv.bitwise_or(src,image) #按位或运算
img_or_mask=cv.bitwise_or(src,image,mask=mask) #按位或运算
#按位异或运算
img_xor=cv.bitwise_xor(src,image) #按位异或运算
img_xor_mask=cv.bitwise_xor(src,image,mask=mask) #按位异或计算
#按位取反运算
img_not=cv.bitwise_not(src) #按位取反运算
img_not_mask=cv.bitwise_not(src,mask=mask) #按位异或计算

按位计算执行以后，图像的BGR值发生变化，这时候使用np.bitwise()系列函数图像的BGR值进行按位计算，以对cv2.bitwise()系列函数按位计算进行原理呈现：

#显示BGR值
print("初始图像dst像素数为[300,180]位置处的BGR=", dst[300,180],'=a')  # 获取像素数为[100,100]位置处的BGR
print("第二个图像image像素数为[300,180]位置处的BGR=", image[300,180],'=b')  # 获取像素数为[100,100]位置处的BGR
print("img_and像素数为[300,180]位置处的BGR=", img_and[300,180],'=c')  # 获取像素数为[100,100]位置处的BGR
print("img_and_mask像素数为[300,180]位置处的BGR=", img_and_mask[300,180])  # 获取像素数为[100,100]位置处的BGR
print("img_or像素数为[300,180]位置处的BGR=", img_or[300,180],'=d')  # 获取像素数为[100,100]位置处的BGR
print("img_or_mask像素数为[300,180]位置处的BGR=", img_or_mask[300,180])  # 获取像素数为[100,100]位置处的BGR
print("img_xor像素数为[300,180]位置处的BGR=", img_xor[300,180],'=e')  # 获取像素数为[100,100]位置处的BGR
print("img_xor_mask像素数为[300,180]位置处的BGR=", img_xor_mask[300,180])  # 获取像素数为[100,100]位置处的BGR
print("img_not像素数为[300,180]位置处的BGR=", img_not[300,180],'=f')  # 获取像素数为[100,100]位置处的BGR
print("img_not_mask像素数为[300,180]位置处的BGR=", img_not_mask[300,180])  # 获取像素数为[100,100]位置处的BGRa=np.zeros((1,3),np.uint8) #定义矩阵
a=dst[300,180] #将像素点BGR直接赋值给矩阵-初始图像
b=np.zeros((1,3),np.uint8) #定义矩阵
b=image[300,180] #将像素点BGR直接赋值给矩阵-第二个图像
c=np.zeros((1,3),np.uint8) #定义矩阵-np.bitwise_and
d=np.zeros((1,3),np.uint8) #定义矩阵-np.bitwise_or
e=np.zeros((1,3),np.uint8) #定义矩阵-np.bitwise_xor
f=np.zeros((1,3),np.uint8) #定义矩阵-np.bitwise_not# 二进制按位与计算
for i in range(3):  # 计数print('a', '[0,', i, ']=', a[i], '的二进制转化值=',bin(a[i]))  # 输出二进制转化值print('b', '[0,', i, ']=', b[i], '的二进制转化值=',bin(b[i]))  # 输出二进制转化值c[0, i] = np.bitwise_and(a[i], b[i])  # 赋值按位与计算值print('c', '[0,', i, ']=', c[0,i], '的二进制转化值=', bin(c[0,i]))  # 输出二进制转化值d[0, i] = np.bitwise_or(a[i], b[i])  # 赋值按位或计算值print('d', '[0,', i, ']=', d[0,i], '的二进制转化值=', bin(d[0,i]))  # 输出二进制转化值e[0, i] = np.bitwise_xor(a[i], b[i])  # 赋值按位或计算值print('e', '[0,', i, ']=', e[0, i], '的二进制转化值=', bin(e[0, i]))  # 输出二进制转化值f[0, i] = np.bitwise_not(a[i])  # 赋值按位或计算值print('f', '[0,', i, ']=', e[0, i], '的二进制转化值=', bin(f[0, i]))  # 输出二进制转化值print('c', [0, i], '是a[0,', i, ']和b[0', i, ']按位与的值=np.bitwise_and(a[0,',i, '],b[0,',i,'])=', c[0, i])  # 输出按位与计算值print('d', [0, i], '是a[0,', i, ']和b[0', i, ']按位或的值=np.bitwise_or(a[0,',i, '],b[0,',i,'])=', d[0, i])  # 输出按位或计算值print('e', [0, i], '是a[0,', i, ']和b[0', i, ']按位异或的值=np.bitwise_xor(a[0,',i, '],b[0,',i,'])=', e[0, i])  # 输出按位异或计算值print('f', [0, i], '是a[0,', i, '         ]按位取反的值=np.bitwise_not(a[0,',i, '])=', f[0, i])  # 输出按位取反计算值# 输出矩阵结果
print('a=', a)  # 输出矩阵
print('b=', b)  # 输出矩阵
print('c=', c)  # 输出矩阵
print('d=', d)  # 输出矩阵
print('e=', e)  # 输出矩阵
print('f=', f)  # 输出矩阵

由于主要关注数值变化，因此未直接显示相关图像，其余代码可作为辅助学习使用：

#合并图像
himg_and_andmask = np.hstack((img_and,img_and_mask))
himg_or_ormask   = np.hstack((img_or,img_or_mask))
himg_xor_xormask = np.hstack((img_xor,img_xor_mask))
himg_not_notmask = np.hstack((img_not,img_not_mask))# 显示和保存定义的图像
#cv.imshow('dst', dst)  # 显示图像
#cv.imshow('image', image)  # 显示图像
#cv.imshow('mask', mask)  # 显示图像
#cv.imshow('himg_and_andmask', himg_and_andmask)  # 显示图像
#cv.imshow('himg_or_ormask', himg_or_ormask)  # 显示图像
#cv.imshow('himg_xor_xormask', himg_xor_xormask)  # 显示图像
#cv.imshow('himg_not_notmask', himg_not_notmask)  # 显示图像cv.waitKey()  # 图像不关闭
cv.destroyAllWindows()  # 释放所有窗口

代码运行使用的相关图像有：

​

图1  初始图像srcx.png

​

图2  第二张图像image.png 

​

  图3 掩模mask.png

代码运行后，获得的相关文字输出为：

​

图4 图像基本属性

​

图5 特定像素点BGR值读取

读取到特定像素点[300,180]处的BGR之后，首先需要关注：

初始图像在此处的BGR值为：[132  80 121]

第二张图像在此处的BGR值为：[255 255 120]

其余位置的数据，其实是通过cv2.bitwise()系列函数按位计算之后获得的。为追溯这个计算过程，继续获得了输出文字：

图6 特定像素点BGR值-按位计算第一个点

需要注意的是 ，e[0,0]和f[0,0]在0b后面只有7位数字，这是因为0b01111011在0b之后的0确实没有用处，只有占位的作用，所以python就直接省略了。

图7 特定像素点BGR值-按位计算第二个点

a[0,1]和c[0,1]在0b后面只有7位数字，也是因为在0b之后的0确实没有用处，只有占位的作用，所以python就直接省略了。

图8 特定像素点BGR值-按位计算第二个点 

e[0,2]是异或计算的结果，两个二进制数上下对齐，相同取0，其余取1，只有最右侧的位置不同，其余均相同，所以最后的结果是1。

f[0,2]是按位取反的结果，虽然a[0,2]只有7位，但首位的0取反之后就是1，所以f[0,2]有8位数字。

此时的完整代码为：

import cv2 as cv # 引入CV模块
import numpy as np #引入numpy模块# 读取图片-直接转化灰度图
src = cv.imread('srcx.png') #读取图像
dst=src #输出图像
gray_src=cv.cvtColor(src,cv.COLOR_BGR2GRAY) #转化为灰度图
dstg=gray_src #输出图像
print('初始图像像素大小为',src.shape)
print('初始图像灰度图像素大小为',gray_src.shape)# 定义第二个图像
image = np.zeros(src.shape, np.uint8)  # 定义一个竖直和水平像素与初始图像等大的全0矩阵
print('第二个图像像素大小为',image.shape)
image[50:350, :, :] = 180  # 行掩模
image[:,120:200,: ] = 255  # 列掩模
image[:, :, 2] = 120  # 第二个通道值#定义掩模矩阵
mask = np.zeros((gray_src.shape), np.uint8)  # 定义一个竖直和水平像素与初始图像等大的全0矩阵
mask[280:350, :] = 155  # 水平区域
mask[:,150:350] = 100  # 竖直区域#执行位运算
#按位与运算
img_and=cv.bitwise_and(src,image) #按位与运算
img_and_mask=cv.bitwise_and(src,image,mask=mask) #按位与运算
#按位或运算
img_or=cv.bitwise_or(src,image) #按位或运算
img_or_mask=cv.bitwise_or(src,image,mask=mask) #按位或运算
#按位异或运算
img_xor=cv.bitwise_xor(src,image) #按位异或运算
img_xor_mask=cv.bitwise_xor(src,image,mask=mask) #按位异或计算
#按位取反运算
img_not=cv.bitwise_not(src) #按位取反运算
img_not_mask=cv.bitwise_not(src,mask=mask) #按位异或计算#显示BGR值
print("初始图像dst像素数为[300,180]位置处的BGR=", dst[300,180],'=a')  # 获取像素数为[100,100]位置处的BGR
print("第二个图像image像素数为[300,180]位置处的BGR=", image[300,180],'=b')  # 获取像素数为[100,100]位置处的BGR
print("img_and像素数为[300,180]位置处的BGR=", img_and[300,180],'=c')  # 获取像素数为[100,100]位置处的BGR
print("img_and_mask像素数为[300,180]位置处的BGR=", img_and_mask[300,180])  # 获取像素数为[100,100]位置处的BGR
print("img_or像素数为[300,180]位置处的BGR=", img_or[300,180],'=d')  # 获取像素数为[100,100]位置处的BGR
print("img_or_mask像素数为[300,180]位置处的BGR=", img_or_mask[300,180])  # 获取像素数为[100,100]位置处的BGR
print("img_xor像素数为[300,180]位置处的BGR=", img_xor[300,180],'=e')  # 获取像素数为[100,100]位置处的BGR
print("img_xor_mask像素数为[300,180]位置处的BGR=", img_xor_mask[300,180])  # 获取像素数为[100,100]位置处的BGR
print("img_not像素数为[300,180]位置处的BGR=", img_not[300,180],'=f')  # 获取像素数为[100,100]位置处的BGR
print("img_not_mask像素数为[300,180]位置处的BGR=", img_not_mask[300,180])  # 获取像素数为[100,100]位置处的BGRa=np.zeros((1,3),np.uint8) #定义矩阵
a=dst[300,180] #将像素点BGR直接赋值给矩阵-初始图像
b=np.zeros((1,3),np.uint8) #定义矩阵
b=image[300,180] #将像素点BGR直接赋值给矩阵-第二个图像
c=np.zeros((1,3),np.uint8) #定义矩阵-np.bitwise_and
d=np.zeros((1,3),np.uint8) #定义矩阵-np.bitwise_or
e=np.zeros((1,3),np.uint8) #定义矩阵-np.bitwise_xor
f=np.zeros((1,3),np.uint8) #定义矩阵-np.bitwise_not# 二进制按位与计算
for i in range(3):  # 计数print('a', '[0,', i, ']=', a[i], '的二进制转化值=',bin(a[i]))  # 输出二进制转化值print('b', '[0,', i, ']=', b[i], '的二进制转化值=',bin(b[i]))  # 输出二进制转化值c[0, i] = np.bitwise_and(a[i], b[i])  # 赋值按位与计算值print('c', '[0,', i, ']=', c[0,i], '的二进制转化值=', bin(c[0,i]))  # 输出二进制转化值d[0, i] = np.bitwise_or(a[i], b[i])  # 赋值按位或计算值print('d', '[0,', i, ']=', d[0,i], '的二进制转化值=', bin(d[0,i]))  # 输出二进制转化值e[0, i] = np.bitwise_xor(a[i], b[i])  # 赋值按位或计算值print('e', '[0,', i, ']=', e[0, i], '的二进制转化值=', bin(e[0, i]))  # 输出二进制转化值f[0, i] = np.bitwise_not(a[i])  # 赋值按位或计算值print('f', '[0,', i, ']=', e[0, i], '的二进制转化值=', bin(f[0, i]))  # 输出二进制转化值print('c', [0, i], '是a[0,', i, ']和b[0', i, ']按位与的值=np.bitwise_and(a[0,',i, '],b[0,',i,'])=', c[0, i])  # 输出按位与计算值print('d', [0, i], '是a[0,', i, ']和b[0', i, ']按位或的值=np.bitwise_or(a[0,',i, '],b[0,',i,'])=', d[0, i])  # 输出按位或计算值print('e', [0, i], '是a[0,', i, ']和b[0', i, ']按位异或的值=np.bitwise_xor(a[0,',i, '],b[0,',i,'])=', e[0, i])  # 输出按位异或计算值print('f', [0, i], '是a[0,', i, '         ]按位取反的值=np.bitwise_not(a[0,',i, '])=', f[0, i])  # 输出按位取反计算值# 输出矩阵结果
print('a=', a)  # 输出矩阵
print('b=', b)  # 输出矩阵
print('c=', c)  # 输出矩阵
print('d=', d)  # 输出矩阵
print('e=', e)  # 输出矩阵
print('f=', f)  # 输出矩阵#合并图像
himg_and_andmask = np.hstack((img_and,img_and_mask))
himg_or_ormask   = np.hstack((img_or,img_or_mask))
himg_xor_xormask = np.hstack((img_xor,img_xor_mask))
himg_not_notmask = np.hstack((img_not,img_not_mask))# 显示和保存定义的图像
#cv.imshow('dst', dst)  # 显示图像
#cv.imshow('image', image)  # 显示图像
#cv.imshow('mask', mask)  # 显示图像
#cv.imshow('himg_and_andmask', himg_and_andmask)  # 显示图像
#cv.imshow('himg_or_ormask', himg_or_ormask)  # 显示图像
#cv.imshow('himg_xor_xormask', himg_xor_xormask)  # 显示图像
#cv.imshow('himg_not_notmask', himg_not_notmask)  # 显示图像cv.waitKey()  # 图像不关闭
cv.destroyAllWindows()  # 释放所有窗口

综上所述：

a.图像的按位与计算，是通过对各个像素点上的BGR值进行操作：先把十进制数转化为二进制数，再进行按位计算，然后再转回十进制数输出。

b.使用np.bitwise()系列函数对cv2.bitwise()系列函数按位计算进行原理呈现中继续发现，python在输出二进制的过程中，会省略0b之后紧跟的0。

【5】总结

专题探索了cv2.bitwise()系列函数按位计算时的BGR值二进制转化和按位计算过程。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/diannao/68654.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

面试经典150题——图的广度优先搜索

面试经典150题——图的广度优先搜索

文章目录 1、蛇梯棋1.1 题目链接1.2 题目描述1.3 解题代码1.4 解题思路 2、最小基因变化2.1 题目链接2.2 题目描述2.3 解题代码2.4 解题思路 3、单词接龙3.1 题目链接3.2 题目描述3.3 解题代码3.4 解题思路 1、蛇梯棋 1.1 题目链接 点击跳转到题目位置 1.2 题目描述 给你一…
阅读更多...
【架构面试】一、架构设计认知

【架构面试】一、架构设计认知

涉及分布式锁、中间件、数据库、分布式缓存、系统高可用等多个技术领域，旨在考查候选人的技术深度、架构设计能力与解决实际问题的能力。 1. 以 Redis 是否可以作为分布式锁为例： 用 Redis 实现分布式锁会存在哪些问题？ 死锁：如果…
阅读更多...
MySQL基本架构SQL语句在数据库框架中的执行流程数据库的三范式

MySQL基本架构SQL语句在数据库框架中的执行流程数据库的三范式

MySQL基本架构图： MySQL主要分为Server层和存储引擎层 Server层： 连接器：连接客户端，获取权限，管理连接 查询缓存（可选）：在执行查询语句之前会先到查询缓存中查看是否执行过这条语…
阅读更多...
跟李沐学AI：视频生成类论文精读（Movie Gen、HunyuanVideo）

跟李沐学AI：视频生成类论文精读（Movie Gen、HunyuanVideo）

Movie Gen：A Cast of Media Foundation Models 简介 Movie Gen是Meta公司提出的一系列内容生成模型，包含了 3.2.1 预训练数据 Movie Gen采用大约 100M 的视频-文本对和 1B 的图片-文本对进行预训练。 图片-文本对的预训练流程与Meta提出的 Emu: Enh…
阅读更多...
C++模板初识

C++模板初识

文章目录 一、函数模板1. 函数模板2. 函数模板、模板的特例化、非模板函数的重载关系3. 外部调用4. 模板的非类型参数5. 代码示例 二、类模板 一、函数模板 1. 函数模板 模板函数：在函数调用点，编译器用用户指定的类型，从原模板实例化一份函…
阅读更多...
深入MapReduce——从MRv1到Yarn

深入MapReduce——从MRv1到Yarn

引入 我们前面篇章有提到，和MapReduce的论文不太一样。在Hadoop1.0实现里，每一个MapReduce的任务并没有一个独立的master进程，而是直接让调度系统承担了所有的worker 的master 的角色，这就是Hadoop1.0里的 JobTracker。在Hadoop1…
阅读更多...
Baklib深入解析企业内容管理与内容中台的本质差异

Baklib深入解析企业内容管理与内容中台的本质差异

内容概要 在当前信息化快速发展的时代，企业迫切需要高效的内容管理解决方案。企业内容管理（ECM）和内容中台是满足这一需求的两种不同系统。企业内容管理的主要作用是对企业内部的各种文档、数据进行整理和存储，确保信息资源的整合…
阅读更多...
Ansible介绍与入门学习

Ansible介绍与入门学习

一、Ansible的介绍（Ansible is a radically simple IT automation engine 极简的IT自动化工具） 1.Ansible是一款 运维的自动化工具，常用于软件部署自动化、配置自动化、管理自动化等，其内置大量的功能模块来满足日常的工作需要…
阅读更多...
1.27补题 回训练营

1.27补题 回训练营

E 智乃的小球 题目描述 在一条无限长的水平直线上，有 n 个小球，每个小球的质量相同，体积可以忽略不计。这些小球初始时位于直线上的不同位置，并且每个小球有一个初始速度，速度为 -1 m/s 或 1 m/s。速度为 -1 m/s 表示…
阅读更多...
[JavaWeb]搜索表单区域

[JavaWeb]搜索表单区域

一.注意事项 设置外边距:margin:(参数可省去部分)上 下 左 右 二.源代码 <!DOCTYPE html> <html lang"zh-CN"> <head> <meta charset"UTF-8"> <title>Tlias智能学习辅助系统</title> <style> /* 导航栏样…
阅读更多...
题单：插入排序

题单：插入排序

题目描述 给定 n 个元素的数组&#xff08;下标从1开始计&#xff09;&#xff0c;请使用插入排序对其进行排序&#xff08;升序&#xff09;。 输入格式 两行&#xff0c;第一行为一个整数 n&#xff0c;表示元素的个数。 第二行 n 个空格分隔的整数&#xff0c;表示数组的…
阅读更多...
PYH与MAC的桥梁MII/MIIM

PYH与MAC的桥梁MII/MIIM

在学习车载互联网时&#xff0c;看到了一句话&#xff0c;Processor通过DMA直接存储访问与MAC之间进行数据的交互&#xff0c;MAC通过MII介质无关接口与PHY之间进行数据的交互。常见的以太网硬件结构是&#xff0c;将MAC集成进Processor芯片&#xff0c;将PHY留在Processor片外…
阅读更多...
前端进阶：深度剖析预解析机制

前端进阶：深度剖析预解析机制

一、预解析是什么&#xff1f; 在前端开发中&#xff0c;我们常常会遇到一些看似不符合常规逻辑的代码执行现象&#xff0c;比如为什么在变量声明之前访问它&#xff0c;得到的结果是undefined&#xff0c;而不是报错&#xff1f;为什么函数在声明之前就可以被调用&#xff1f…
阅读更多...
基于聚类与相关性分析对马来西亚房价数据进行分析

基于聚类与相关性分析对马来西亚房价数据进行分析

碎碎念&#xff1a;由于最近太忙了&#xff0c;更新的比较慢&#xff0c;提前祝大家新春快乐&#xff0c;万事如意&#xff01;本数据集的下载地址&#xff0c;读者可以自行下载。 1.项目背景 本项目旨在对马来西亚房地产市场进行初步的数据分析&#xff0c;探索各州的房产市…
阅读更多...
范冰冰担任第75届柏林电影节主竞赛单元评委 共鉴电影佳作

范冰冰担任第75届柏林电影节主竞赛单元评委 共鉴电影佳作

近日&#xff0c;备受瞩目的柏林电影节迎来了新一届盛事&#xff0c;而华人演员范冰冰将以主竞赛单元评委身份亮相&#xff0c;引发了广泛关注。此前她已担任过戛纳国际电影节、东京国际电影节、圣塞巴斯蒂安国际电影节等众多电影节主竞赛单元评委。作为国际影坛的知名人物&…
阅读更多...
Ollama 运行从 ModelScope 下载的 GGUF 格式的模型

Ollama 运行从 ModelScope 下载的 GGUF 格式的模型

本文系统环境 Windows 10 Ollama 0.5.7 Ollama 是什么&#xff1f; Ollama 可以让你快速集成和部署本地 AI 模型。它支持各种不同的 AI 模型&#xff0c;并允许用户通过简单的 API 进行调用 Ollama 的安装 Ollama 官网 有其下载及安装方法&#xff0c;非常简便 但如果希…
阅读更多...
“腾讯、钉钉、飞书” 会议开源平替，免费功能强大

“腾讯、钉钉、飞书” 会议开源平替，免费功能强大

在数字化时代&#xff0c;远程办公和线上协作越来越火。然而&#xff0c;市面上的视频会议工具要么贵得离谱&#xff0c;要么功能受限&#xff0c;甚至还有些在数据安全和隐私保护上让人不放心。 今天开源君给大家安利一个超棒的开源项目 - Jitsi Meet&#xff0c;这可是我在网…
阅读更多...
【教学类-89-01】20250127新年篇01—— 蛇年红包（WORD模版）

【教学类-89-01】20250127新年篇01—— 蛇年红包（WORD模版）

祈愿在2025蛇年里&#xff0c; 伟大的祖国风调雨顺、国泰民安、每个人齐心协力&#xff0c;共同经历这百年未有之大变局时代&#xff08;国际政治、AI技术……&#xff09; 祝福亲友同事孩子们平安健康&#xff08;安全、安全、安全&#xff09;、巳巳如意&#xff01; 背景需…
阅读更多...
在彼此的根系里呼吸

在彼此的根系里呼吸

爱如草木&#xff0c;需以晨露滋养&#xff0c;而非绳索捆缚。一段健康的亲密关系&#xff0c;恰似两株根系相连却各自向阳的树——风起时枝叶相触&#xff0c;晴空下共享光影&#xff0c;却始终保有向地心深处生长的自由。那些纠缠的根须是信任编织的网&#xff0c;容得下沉默…
阅读更多...
2025年1月30日（任意截面、自定义截面梁的设置）

2025年1月30日（任意截面、自定义截面梁的设置）

Ansys 在ANSYS中&#xff0c;以下是这些术语的详细解释&#xff1a; Nodal Solution (节点解): Nodal Solution指的是在有限元分析中计算出的节点处的物理量解。通常包括节点的位移、反应力等信息。节点解是分析结果的基础&#xff0c;因为它们可以用来计算其他重要的物理量&a…
阅读更多...
最新文章

Copyright @ 2022~2023