ndarray 项目技术文档
ndarray 是一个模板库,提供类似于 Python 'numpy' 的多维数组对象在 C++ 中的使用。本文档旨在帮助用户安装、使用和理解 ndarray 项目。
1. 安装指南
ndarray 可以使用 CMake 进行构建和测试。以下是详细的安装步骤:
-
创建一个构建目录:
mkdir build cd build -
运行 CMake 配置:
cmake .. -
编译项目:
make -
运行测试:
make test
构建过程中可以选择包含可选依赖项,这由 NDARRAY_* 的 CMake 选项控制。依赖项的解析可以通过环境变量 PYBIND11_DIR、EIGEN_DIR 和 FFTW_DIR 控制。例如,要构建一个使用替代 Eigen3 安装位置并禁用 FFTW 测试的版本,可以将 cmake .. 替换为 EIGEN_DIR=/opt/local cmake -DNDARRY_FFTW=OFF ..。
注意:ndarray 的构建系统在 pybind11 2.1.x 版本下不会为 pybind11 输出正确的后缀(由于 pybind11 本身的错误)。为了避免这个问题,请升级到 pybind11 2.2.x,或者尝试使用 ndarray 提交 f46c0f0ff876ceab5aaa3286e5f6e86902e72feb 中的(现已回滚的)补丁。
版本 1.4.2 是最后一个支持 SWIG 的 ndarray 版本。
版本 1.5.3 是最后一个支持 Boost.Python 的 ndarray 版本。
2. 项目使用说明
ndarray 提供了与 Python 'numpy' 类似的多维数组操作。用户可以通过阅读官方文档了解更多信息。
3. 项目 API 使用文档
ndarray 的 API 设计旨在模仿 Python 'numpy' 的接口。以下是 API 的简要概述:
Array<T>:表示一个元素类型为 T 的多维数组。view():用于创建数组视图,支持多维切片和索引操作。const_array_cast<T>:用于将数组转换为具有不同元素类型的数组。static_dimension_cast<T>:用于在保持数组维度不变的情况下转换数组。dynamic_dimension_cast<T>:用于在可能减少数组维度的条件下转换数组。
更多 API 细节和示例,请参考官方文档。
4. 项目安装方式
如前所述,ndarray 的安装方式是通过 CMake。以下是简要的安装步骤:
mkdir build
cd build
cmake ..
make
确保你的系统中已经安装了 CMake、编译器和所有必要的依赖项。
以上文档旨在帮助用户更好地了解和使用 ndarray 项目,祝您使用愉快!
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00