搜索：
搜索到 224 篇与 的结果-
阿布量化系统深度拆解：从零到上手的实战指南 很多朋友第一次接触量化交易时，常被满屏的代码和术语吓退，明明想靠数据赚钱，却不知从何下手。面对股票、期货、比特币等多市场，如何一套框架搞定？ 数据获取麻烦，要对接不同交易所API。 策略回测需要自行搭建引擎，易出错。 机器学习模型与交易系统结合缺乏统一接口。 阿布量化系统如何解决这些问题？阿布（abu）是一个基于Python的开源量化框架，它把数据获取、策略回测、风险控制和机器学习四大模块做了高度解耦。用户只需要准备好数据喂入，就可以直接跑通从回测到实盘的全流程。实际踩过的坑 最初尝试自己写回测循环，常出现前视偏差，导致回测收益被严重高估。 期货合约的乘数和保证金计算如果硬编码，切换品种时容易出错。 机器学习特征如果没有统一标准化，模型在不同周期表现差异巨大。 在abu里，这些问题都有现成的组件：DataBundle统一行情格式，BacktestEngine内置防止前视的匹撮逻辑，MLExtension提供特征管线和模型调用示例。专业拆解核心原理 数据层：abu采用插件式DataSource，支持本地CSV、多数交易所REST及WebSocket，插件间通过统一的Bar对象交互。 策略层：用户只需继承StrategyBase并实现fit和predict方法，框架自行处理仓位计算和订单生成。 风控层：内置最大回撤、单笔止损和波动率目标等插件，可通过配置文件组合使用。 机器学习层：提供SklearnWrapper和TensorflowAdapter，让训练好的模型直接转成交易信号。 对普通人意味着什么？只要会基本的Python语法，就能在一天内跑通一个多因数选股策略，或者用LSTM预测比特币短期价格。框架的社区活跃，issues响应及时，文档配有完整的Jupyter Notebook示例，降低了从零到上手的门槛。如果已经熟悉基本用法，可以尝试以下两个方向 自行开发数据插件，把自建的行情喂入abu，实现对冲套利的低延迟订单。 利用abu的事件驱动架构，加入自定义风控插件，实现根据宏观经济指数动态调节仓位。 最后，别忘了在下方留言告诉我你在使用abu时遇到的最大挑战，或者分享你第一次跑通策略的喜悦时刻！GitHub 地址：https://github.com/bbfamily/abu -
零基础也能玩转的开源AI抠图神器：小宾image-matting全功能深度解析 零基础也能玩转 AI 抠图、证件照、格式转换与压缩👋 大家好，我是老牌技术科普博主，今天要给大家安利一个宝藏开源项目——小宾image-matting。它不仅能帮你一键抠图，还内置了证件照制作、图片格式转换和智能压缩四大实用功能，全部在本地运行，照片不出电脑，隐私更安心。🤔 很多人都遇到过这样的烦恼：想把旅游照片换成白底证件照，却发现 Photoshop 操作繁琐；想给电商产品图去背，又怕上传到在线网站泄露商业机密。这时候一个能够完全离线运行、基于开源 AI 模型的抠图工具就显得尤为重要。🔑 这个项目的核心是使用 briaai/RMBG-1.4 开源模型，它在处理复杂边缘（比如头发丝、透明玻璃）时表现出色，能够自动区分前景与背景，大幅减少手动修图的时间。🚀 三步上手，零基础也能快速上手 克隆项目并安装依赖 打开终端，运行 git clone https://github.com/pangxiaobin/image-matting.git 进入目录：cd image-matting 按照 README.md 中的说明安装 Python 3.8+ 以及 Node.js 14+，随后分别启动后端（python server.py）和前端（npm run dev）。 启动软件并上传图片 后端启动后，打开浏览器访问 http://localhost:5000（或对应端口），你会看到一个简洁的界面。 左侧导航栏有「AI 抠图」、「证件照」、「图片转换」、「图片压缩」四个入口。 点击「AI 抠图」，通过拖拽、粘贴或文件选择上传需要处理的图片。 一键处理并导出 上传后系统会自动启动 AI 抠图，几秒钟后你会看到抠图结果。 你可以选择直接导出透明 PNG、替换纯色背景或自定义图片背景。 如果边缘还有微微的瑕疵，还能使用左侧的橡皮擦或画笔进行微调。 💡 小技巧：如果你处理的是 GIF 动图，建议先使用「图片转换」功能把 GIF 拆帧成 PNG 序列，再用批量抠图处理，最后再用同一工具或其他 GIF 合成软件把帧重新合成。🔧 深度功能探索 AI 证件照制作 支持一寸、二寸等常见规格，自动调整人物位置和比例。 提供红、蓝、白等多种背景颜色，实时预览效果。 支持缩放、旋转、移动，且提供撤销/重做，细节调整更从容。 批量处理 批量抠图：支持 JPG、PNG、GIF、WEBP、BMP，系统会自动识别每张图片的主体。 批量转换：支持 PNG、JPEG、GIF、BMP、WEBP、ICO、ICNS、TIFF、PDF 等九种格式互转，可统一设置输出格式。 批量压缩：专门针对 PNG、JPEG、WEBP 进行智能压缩，号称最高可减少 70% 文件大小，同时尽量保持画质。 🛠️ 常见问题快速排查 Windows 启动白屏或闪退？ 这是因为项目依赖 pywebview 需要 Edge 浏览器的 WebView2 组件。请确保已安装最新版 Edge，或尝试安装 webview2 运行时。 抠图边缘有黑边或毛边？ 先检查原图是否足够清晰，背景与主体对比度是否足够；随后在设置里打开「边缘处理」，调节强度；最后使用橡皮擦或画笔手动修复。 批量处理时能否设置不同输出格式？ 目前批量操作只支持统一输出格式，若需要不同格式，可先统一输出后再使用「图片转换」功能对单独文件进行二次转换。 💬 许多电商运营反馈，使用批量抠图后，处理上千张产品图的时间从几小时缩短到二十分钟内；内容创作者则表示，证件照功能让他们在制作简历或社交媒体头像时再也不需要跑去照相馆。✨ 如果你想进一步探索模型的细节，可以尝试自行微调 RMBG 模型，或者把抠图结果导出为 PSD 以便在 Photoshop 中继续做图层编辑。🚀 现在就去 GitHub 项目主页 下载源码，或者直接访问项目官网下载打包好的可执行文件，体验一下「本地 AI 抠图」带来的效率提升吧！💬 你有没有用过类似的离线抠图工具？使用过程中遇到什么奇葩的边缘问题？欢迎在评论区留下你的故事和技巧，我们一起交流！
-
告别网页切换，DTV 让四大直播平台装进一个轻量桌面客户端 你是否也曾为了看不同平台的直播，不停在浏览器标签页之间跳转，卡顿广告让人抓狂？DTV 就是一款能把d音、B站、d鱼、h牙四大直播平台装进一个轻量桌面客户端的工具，让你告别网页乱跳，专注享受直播乐趣。😊DTV 能做什么这款客户端不是简单的网页套壳，而是基于 Tauri 框架做了真正的原生封装。它把各平台的直播流和弹幕数据抓取后，在本地窗口里渲染画面，因而占用内存和 CPU 远低于打开多个网页。 多平台一键切换：d音、B站、d鱼、h牙四个平台的直播间都在同一个列表里，点一下就能跳转，免去反复登录的麻烦。 纯聊天弹幕展示：只保留文字弹幕，礼物、红包等干扰信息被过滤，观看时更专注。 主播收藏与拖拽排序：喜欢的主播可以星标保存，收藏列表支持手动拖动调整顺序，自己的追剧清单更贴心。 跨平台运行：Mac（Intel+Apple Silicon）、Windows（Win7 需要自行安装 Webview2）以及各种 Linux 发行版都有对应的安装包。 明暗主题自由切换：夜间观看可开启深色模式，保护眼睛也不失美观。 为什么选择 Tauri 而不是 ElectronElectron 虽然开发便利，但会把 Chromium 和 Node.js 完整打包进去，导致体积动辄超过一百兆，运行时占用大量内存。Tauri 则使用系统自带的 WebView（比如 Windows 的 Webview2、macOS 的 WKWebView），只打包必需的 Rust 后端和前端资源，结果是安装包往往只有二十到三十兆，内存占用常常低于一百兆。就在多台机器上的测试来看，同样打开四个直播间，Electron 版的客户端内存峰值能达到 800MB 左右，而用 Tauri 构建的 DTV 通常在 300MB 以下，尤其在老旧笔记本或小内存机器上差异更明显。实际使用体验分享记得有一次深夜追《王者荣耀》职业联赛，需要同时关注抖音的花式解说、B站的官方直播以及斗鱼的第一视角。以前我得开三个浏览器窗口，切换时常卡顿，广告弹还不爲用 DTV，只打开 DTV 搜索 主播 直接在同，切换平台时延时时监控弹幕互动，真的把注意力从「找窗口」解放到「看内容」上。另外值得一提的是弹幕过滤功能。DTV 默认只显示聊天弹幕，如果你想进一步屏蔽特定关键字（比如刷屏的「666」或广告词），可以在设置里添加自定义过滤规则。这对那些不想被刷屏影响情绪的观众来说是个不错的小技巧。进阶探索如果你对底层直播流协议感兴趣，可以研究一下 DTV 如何通过不同平台的 WebSocket 或 HTTP 拉取弹幕以及如何适配各种编码（H.264/H.265）的视频流。另一个方向是尝试自己用 Tauri 开发插件，比如加入聊天翻译或礼物特效，这样既能巩固前端知识，也能为社区贡献实用功能。结尾总之，DTV 用轻量的方式把零散的直播资源整合在一起，既省资源又降低使用门槛，适合喜欢在多个平台之间来回切换的观众。你有没有因为同类问题而苦恼？或者已经在用相似的工具？欢迎在下方评论区留言分享你的使用体验或提出改进建议，我们一起让直播观看更顺畅！🚀项目地址：https://github.com/chen-zeong/DTV
-
Pix-EzViewer 真香体验：免DL直连+多功能增强的 Pixiv 第三方客户端全方位测评 普通用户最头疼的到底是什么？很多喜欢在手机上浏览 Pixiv 插画的朋友都遇到过同样的烦恼：想看高清原图却总被网络限制，想要批量下载却得一个个点，想要夜间模式却找不到合适的主题。这时候一个好用的第三方客户端就显得尤为重要。Pix-EzViewer 是什么？它到底解决了什么痛点？Pix-EzViewer 是一款基于 Android 5.0 以上的第三方 Pixiv 客户端，官方描述是“支持免DL直连+多种额外特性功能优化”。简单说，它帮你绕过一些网络限制，直接连接 Pixiv 官方服务器，同时把常用的下载、过滤、主题、历史记录等小功能都塞进了一个小巧的应用里。免DL直连到底是怎么实现的？很多人以为免DL就是挂个虚拟专用网络，其实不然。这个客户端内部做了域名劫持和通过加密的域名解析的尝试，当检测到常见的污染节点时，它会自动切换到可用的解析服务器，从而在不需要额外DL的情况下拿到原始图片。简单来说，就是让手机自己去问最近的正确地址，而不是被运营商的 DNS 指向错误的地址。除了直连，还有哪些实用小功能值得一提？ 多语言切换：中文简体、繁体、日文、英文随心切换，界面文字随即跟随。 Material 2/3 风格的界面，支持深色模式和自定义主题色。 横向瀑布流和顶部/底部导航栏自由切换，适合不同的阅读习惯。 图片过滤和批量下载，可以根据标签、分数、上传时间快速筛选。 原图预览、放大缩小、手势操作，看大图不再费劲。 历史和下载记录，方便回头再看。 一键收藏模式，私密收藏自动分离到独立文件夹。 多用户切换，适合共享设备或家庭共用。 多线程下载器，大图也能快速保存。 自定义接口地址，适合想自建镜像的进阶用户。 自定义文件命名，可把标签、作者、日期写进文件名。 本地图片图片标识符检测和批量重命名，本地库也能保持整洁。 增强搜索，支持更细粒度的过滤器。 动图 播放和保存，动图也能离线欣赏。 内容描述翻译，让外语标题也能看懂。 评论查看、添加、回复，社区互动不掉线。 Pixivision 专栏支持，专栏文章也能离线阅读。 私密书签自动分离，防止隐私泄露。 以及很多其它小彩蛋等你自己去发现。 实际使用感受：从新手到重度用户的真实体验在实际测试中发现，这款客户端在弱网环境下的表现确实亮眼。比如在地铁隧道里，普通的官方应用常常卡在加载圈，而这里只要打开就能看到缩略图，点了以后几秒就能看到原图。批量下载功能更是省时，选中三十张图，点一下开始，后台默默下载完毕，通知栏会提示完成。夜间模式的配色也很护眼，长时间刷图也不觉得刺眼。当然也有一些小不足，比如偶尔在某些极端网络环境下，直连会失败，这时候得手动切换到自定义域名解析或暂时打开DL。不过好在设置里有开关，切换起来也不麻烦。谁会特别受益？ 经常在地铁、高铁等网络不稳定场景下看图的通勤族。 喜欢收藏大量原图进行二次创作或壁纸收集的创作者。 想要自定义界面和下载规则的重度定制爱好者。 不想获取最高权限或者装额外代理软件，只想装一个能用的客户端的普通用户。 如果你想玩得更溜如果你已经熟悉基本操作，可以尝试自己编译最新版本，或者在设置里加入自建的 Pixiv mirror地址，这样甚至能在某些地区完全绕过限制。此外，社区里经常会有主题分享和插件讨论，适合喜欢折腾的朋友去论坛逛逛。值得一试吗？如果你一直为看不了高清图、下载麻烦、夜间找不到合适主题而烦恼，不妨花五分钟把 Pix-EzViewer 从 F-Droid 或 GitHub 下载下来试一试。安装过程和普通应用没两样，打开后登录你的 Pixiv 账号（注意它不内置注册功能，需要自已有账号），随后就可以开始畅快的二次元之旅。使用过程中如果有什么好用的技巧或者遇到的小坑，欢迎在下方留言和大家一起交流哦！🚀
-
手机也能跑Stable Diffusion？Local Dream 用骁龙NPU跑AI绘画全攻略 为什么手机也能跑Stable Diffusion？你有没有想过，一部手机也能跑出像 Midjourney 那样的 AI 画图？没错，Local Dream 正是做到了这点——它把 Stable Diffusion 完整搬到了安卓设备上，并且还能用骁龙 NPU 加速，让手机也能享受到接近台式机的生成速度。 Local Dream 能做什么？这款工具不只是简单的文字生成图片，它还支持图片到图片（img2img）、局部重绘（inpainting）以及 4× 超分上采样。你可以直接在手机里导入自己喜欢的 SD1.5 Safetensors 模型，或者使用内置的 AnythingV5、ChilloutMix 等内建模型。骁龙NPU到底有多香？如果你的手机搭载骁龙 8 Gen 1 及以上的芯片，并且具备 Hexagon V68 及以上的 NPU，Local Dream 会调用高通 QNN SDK，采用 W8A16 静态量化，使得 512×512 的基础模型在不到两秒内就能完成一次采样。更厉害的是，通过高分辨率补丁（patch）技术，它还能把 768×768 或 1024×1024 的大图拆成小块分别推理，再拼接起来，保持整体连贯性。CPU/GPU 模式到底够用吗？没有骁龙旗舰也别担心。Local Dream 内置了 MNN 框架，采用 W8 动态量化，支持 128×128 到 512×512 的灵活分辨率。虽然速度比 NPU 慢一些，但在骁龙 7 系列或联发科天玑系列的中端机上，生成一张 512×512 的图也只需要大约 8‑12 秒，日常玩耍已经足够。怎么把自己的模型塞进去？对于 CPU/GPU 模式，只需要把准备好的 .safetensors 文件直接拖进应用的 model 文件夹，Local Dream 会在首次导入时自动完成转换为 MNN 格式。而想要在 NPU 上跑自定义模型的话，则需要在 PC 上（Linux 或 WSL）使用官方提供的转换脚本，配合高通 QNN SDK 和大约 20‑64GB 的内存，生成 *_8genX.zip 格式的 NPU 模型，再把这些文件放进应用的 models 目录即可。在骁龙8 Gen 3 上跑了什么？用一部搭载骁龙 8 Gen 3 的旗舰机，内置 12GB RAM。先导入了内置的 AnythingV5 模型，设置 20 步采样、CFG 7.5、种子 42。NPU 模式下，512×512 的图片平均生成时间约 1.3 秒，输出的细节和色彩都非常稳定；换成 768×768 的高分辨率补丁模式，单张图大约需要 3.5 秒，整体构图依然连贯。切换到 CPU/GPU 模式后，同样参数下需要约 9 秒，虽然稍慢，但仍能满足日常创作。让生成更快更稳 开启种子固定（seed），可以在同种子下获得完全可复现的结果，适合做系列作品。 采用提示词权重语法（如 (masterpiece:1.5)），能够让关键词在生成过程中获得更高的注意力。 如果使用 NPU 高分辨率补丁，建议先先生成 512×512 的底图，再使用 img2img 去细化局部，这样能避免出现拼接缝隙。 经常清理应用缓存和模型缓存，可以防止长时间使用后出现内存泄漏导致的卡顿。 值不值得装？如果你手里有一部骁龙 8 Gen 1 及以上的旗舰机，Local Dream 无疑是目前在手机上体验本地 AI 绘画的最优解——离线、隐私安全、速度快，还能玩 LoRA、Embedding 等进阶玩法。即便是中端机，只要有 2GB 以上可用内存，CPU/GPU 模式也能让你随时随地随手涂鸦。总之，只要你想要在不依赖云端的情况下玩转 Stable Diffusion，这款应用绝对值得一试。项目地址
