tag 數據

標籤
貢獻758
633
05:56 PM · Oct 25 ,2025
u_13357275 頭像 u_17579295 頭像 u_16565975 頭像 tech 頭像 u_15745565 頭像 u_15469972 頭像 u_14767244 頭像 u_17567677 頭像 u_17420180 頭像 u_13715298 頭像 u_16653481 頭像 u_15988698 頭像

@數據 / 博客 RSS 訂閱

u_16213587 頭像

mob64ca13f937ae - python PyTorch參數初始化和Finetune_python

1. def __init__(self, k=3): 這個 __init__ 是所有的 class 都可以用嗎？ 是的，__init__ 是 Python 中一個特殊的方法，被稱為構造函數（Constructor）。 用途： 它是創建類的新實例（對象）時自動調用的方法。它的主要作用是初始化新創建對象的屬性。 並非強制： 所

虛擬化 , 數據 , 雲計算 , pytorch , 筆記 , Python

收藏 評論

u_15015752 頭像

u_15015752 - 什麼是圖數據庫（Graph Database）？一文了解圖數據庫

圖數據庫（Graph Database）是一種以“圖結構”為核心的數據管理系統，通節點（Node）、關係（Edge）和屬性（Property）來表示和存儲數據，重點描述數據之間的關聯關係。與傳統關係型數據庫以表和外鍵為中心不同，圖數據庫將關係進行直接存儲和計算，能夠高效地進行多跳關聯查詢和複雜關係分析，特別適合用於社交網絡、推薦系統、知識圖譜、風控反欺詐等以關係密集型數據為核心的

圖數據庫 , 大數據 , 數據 , 數據倉庫 , 關係數據庫

收藏 評論

u_16213693 頭像

mob64ca141275de - Flask 和 Vue.js 開發及整合部署實例 - YanbinQ的個人空間 -

視頻 vue+python 中藥可視化架構前後端分離帶數據庫echarts可視化、Flask 1 系統簡介 系統簡介：本框架是一個基於Vue+Flask+ECharts+MySQL構建的中醫熱性藥知識圖譜可視化系統，旨在為用户提供中醫藥材和方劑的知識查詢與可視化分析服務。環境的核心功能包括：首頁，展示系統概覽及熱性藥材的知識點圖譜；藥材搜索與介紹模塊，支持用户查

數據 , 搜索 , Vue , Css , 前端開發 , HTML

收藏 評論

u_16213583 頭像

mob64ca13f83523 - 前端高性能計算之一：WebWorkers - 謙謙君子的個人空間 -

你是否曾遇到過這樣的情況：在使用PrimeReact開發複雜表單或數據處理頁面時，當用户執行數據篩選、報表生成或文件解析等操作，整個界面突然卡住，按鈕點擊無響應，甚至瀏覽器顯示"頁面未響應"？這往往是因為JavaScript的單線程特性導致計算密集型任務阻塞了UI線程。本文將通過實際案例，展示如何利用Web Workers（網絡工作器）在PrimeReact應用中實現後台

數據 , 後端開發 , Python , ui , Web

收藏 評論

u_13357275 頭像

上海拔俗網絡 - AI智能體綜合應用平台：指揮一支數字員工大軍

你有沒有想過，我們現在用的AI應用，很多時候像一個個“單兵作戰”的專家？一個AI擅長寫文案，另一個AI擅長分析數據，還有一個AI能幫你訂機票。它們雖然強大，但彼此孤立，無法協同。如果你想讓它們合作完成一個複雜任務，比如“分析市場數據，寫一份營銷報告，然後安排出差去見客户”，你就得像項目經理一樣，親自在它們之間來回切換、傳遞信息。 “AI智能體綜合應用平台”，就是要徹底改變這種局面。它

綜合應用 , 數據 , API , NLP , 人工智能

收藏 評論

zicl 頭像

zicl - mysql - - - MySQL 分頁查詢詳解

MySQL 分頁查詢詳解 MySQL 中分頁查詢的核心是 LIMIT 子句，用於限制查詢結果返回的行數，適用於海量數據場景下的分批加載（如列表分頁、滾動加載）。以下是完整的用法、優化方案和注意事項： 一、基礎語法（LIMIT 子句） 1. 語法格式 -- 方式1：LIMIT 偏移量, 每頁條數（偏移量從0開始） SELECT 字段列表 FROM 表名 [WHERE 條件]

偏移量 , 數據 , MySQL , 分頁 , 數據庫

收藏 評論

Itstars 頭像

新茶十九 - 所謂的低代碼平台項目除了拖拉拽具體都有哪些業務

低代碼平台的能力遠不止於簡單的“拖拉拽”搭建頁面。一個成熟的企業級低代碼平台，更像是一個覆蓋應用全生命週期的綜合性數字解決方案工具箱。 為了讓你對低代碼平台的能力有一個快速的整體印象，我先把它的核心業務功能整理成了一個表格： 功能領域 核心功能點 流程與自動化 可視化工作流、複雜審批邏

數據 , API , 前端開發 , Javascript , ui

收藏 評論

yuhaibao324 頭像

DeepSeaAI - 金融行業大模型微調

針對銀行和金融行業專有詞彙標準化系統 注意：在醫療領域，由於涉及隱私，我們需要確保使用公開數據或合成數據。 一、大模型微調方案選擇 推薦方案：混合策略微調 1. 監督微調(SFT) + 檢索增強(RAG)結合 - SFT微調：增強基礎理解能力 - RAG檢索：確保標準化準確性 2. 多階段微調流程： ├── 第一階段：領域預訓練 ├── 第二階段：任

數據 , 神經網絡 , 相似度 , 人工智能 , Python

收藏 評論

u_16099267 頭像

雲端創新夢想家 - 數據卷中容器路徑和子路徑

一、數據卷 數據卷使用和作用： 宿主機目錄/var/www掛載容器中的/data1，/var/www 和 /data1，即可共享和同步彼此的目錄文件。 原理圖： 實例 #運行centos：7容器，創建數據卷，並進入容器，web10為容器名 [root

數據 , 雲計算 , 數據卷中容器路徑和子路徑 , 運維 , Centos , 雲原生 , Docker

收藏 評論

u_17610575 頭像

mb695230a481982 - 最大無本體具身數據集開源！簡智機器人聯合百度百舸，加速具身智能應用落地

1. 簡智機器人開源行業最大規模的無本體具身數據集 1 月 5 日，簡智新創（北京）機器人科技有限公司（以下簡稱「簡智機器人」）正式開源「RealOmni-Open DataSet」無本體具身數據集，數據集總計包含超過 10,000 小時、百萬條以上的真實操作記錄，是目前行業已知數據規模最大且每一項技能數據量最多的無本體開源數據集。 當前，

機器學習 , 數據集 , 數據 , 人工智能 , 百度

收藏 評論

u_13357275 頭像

上海拔俗網絡 - AI智慧司牧服務系統：打造草原上的“千里眼”與“數字牧羊人”

傳統養殖裏，養殖户最怕啥？奶牛生病沒及時發現、母豬發情錯過配種、飼料喂多了浪費、喂少了不長肉——全靠“眼觀六路、耳聽八方”，累不説還容易出錯。而AI智慧司牧服務系統，就像給牧場裝了“智能大腦+千里眼+順風耳”，用實打實的技術解決這些痛點，讓養殖從“憑經驗”變成“靠數據”，新手也能輕鬆上手。 這套系統的核心技術，説穿了就是“讓機器懂養殖、會幹活”，拆解成三個好理解的功能： 第一個是

大數據 , 數據 , 物聯網 , NLP , 人工智能

收藏 評論

u_9384924 頭像

十月南城 - 高可用架構速覽——主從、哨兵與 Cluster 的角色分工與故障轉移路徑

從數據備份到故障自動恢復，再到無限水平擴展，Redis 高可用架構的演進之路 在單機 Redis 面臨性能瓶頸和單點故障的風險下，構建高可用架構成為保障業務連續性的關鍵。本文將深入解析 Redis 的三種高可用架構方案——主從複製、哨兵模式和 Cluster 集羣，揭示它們各自的設計哲學、適用場景及故障轉移機制，幫助您在業務發展不同階段做出正確的技術選型。 1 高可

redis , 數據 , 架構 , 後端開發 , 主從複製

收藏 評論

u_17398972 頭像

u_17398972 - Catlass自定義算子開發：從模板到高性能實現

在昇騰（Ascend）平台上開發高性能算子時，我們往往會面臨一個選擇：是使用 TIK C++（原 Ascend C）從零開始手寫每一行代碼，還是尋找更高效的捷徑？而在昇騰生態中，Catlass 正是這樣一個讓高性能算子開發變得熟悉又高效的工具。 Catlass 是昇騰官方推出的算子模板庫，它的核心理念非常直接：不要重複造輪

矩陣乘法 , 數據 , cmake , c++ , 後端開發 , c

收藏 評論

u_15444 頭像

gulaotou - grafana node export full面板中哪個指標是查看磁盤IO的

day25學習筆記（4月7日） 磁盤管理二（inode、軟鏈接、硬鏈接、Raid磁盤冗餘陣列） 文件屬性的查看 方法一： ls -l filename 方法二： stat filename inode是什麼 操作系統中專門用於管理和存儲文件的信息軟件成為文件系統 一個新的磁盤，格式化文件系統後，就有

數據 , 雲計算 , 源文件 , 雲原生 , 硬鏈接

收藏 評論

yanpeng 頭像

燕鵬01 - Python數據分析入門指南（十九）：自動化你的分析流程

在數據科學的研究道路上，我們經常會遇到重複性的分析任務。無論是處理每日更新的温度數據，還是對多個數據集執行相同的預處理流程，手動重複操作不僅效率低下，還容易出錯。今天，我們就來探討如何通過Python實現分析流程的自動化，讓你的研究工作事半功倍。 為什麼需要自動化分析？ 對於正在進行畢業論文研究的你來説，時間是最寶貴的資源。想象一下，當你需要處理幾十個城市多年的温度觀測數據時，如

數據 , 後端開發 , 數據分析 , Python

收藏 評論

u_13357275 頭像

上海拔俗網絡 - 施工管理AI智能體：用技術破解工地“人盯人”困局

工地管理總繞不開“亂、慢、險”：進度靠表格追、安全靠人眼查、質量靠經驗判，稍有疏忽就可能出問題。而施工管理AI智能體應用系統，就像給工地配了個“全能技術管家”，靠實實在在的技術手段，把施工管理從“被動補救”變成“主動預判”。今天就拆解開，看看它背後的技術邏輯。 核心技術之一是計算機視覺識別，相當於給工地裝了“智能眼睛”。系統會在塔吊、腳手架、施工通道等關鍵區域部署高清攝像頭，通過“實

數據 , NLP , 推送 , 人工智能 , 計算技術

收藏 評論

goody 頭像

goody - Pandas——進階一（數據處理）_SongpingWang的技術博客

終極命令行數據探索：VisiData與Pandas數據幀的完美融合方案 在當今數據驅動的世界中，數據分析師和Python開發者經常需要在命令行快速探索數據，同時又要與強大的Pandas生態系統無縫集成。VisiData正是這樣一個完美的解決方案，它作為一個終端界面工具，為探索和操作表格數據提供了前所未有的便利。 🚀 什麼是V

命令行 , 數據 , 數據格式 , 前端開發 , Javascript

收藏 評論

u_16175515 頭像

mob649e81684ddc - jstable亞組分析 logistic迴歸

jstable亞組分析 logistic迴歸是一個在統計和計算機科學領域中廣泛應用的分析方法，尤其是在醫學研究和社會科學中。本文將詳細介紹如何進行jstable亞組分析的logistic迴歸，包括環境準備、集成步驟、配置詳解、實戰應用、排錯指南以及性能優化等各個方面。 環境準備 在進行jstable亞組分析的logistic迴歸時，確保你的技術棧兼容性是至關重要的。以下是推薦的技

技術棧 , 數據 , logistic迴歸 , aigc

收藏 評論

u_17534189 頭像

qq68d2318712d49 - 介紹一下Python的核心數據結構

Python 的核心數據結構是內置的基礎存儲容器，設計簡潔且功能強大，覆蓋了絕大多數編程場景的需求。它們的核心特點是 “開箱即用、高效靈活” ，主要包括 列表（List）、元組（Tuple）、字典（Dictionary）、集合（Set） ，再加上基礎的字符串（String），共同構成了 Python 數據處理的基石。 以下從 定義、核心特性、常用操作、適用場景 四個維度，詳

字符串 , 數據 , 元組 , Css , 前端開發 , 後端 , HTML

收藏 評論

u_16099240 頭像

陌陌香閣 - centos7查找壓縮文件

命令路徑查找 which whereis 文件名查找路徑 locate命令 前提：更新或者創建數據庫文件 文件查找 find命令 linux系統中，文件類型不是由擴展名決定的 linux系統文件類型： 1）普通文件： 文本文件 二進制文件/命令文件 數據

數據 , 架構 , 後端開發 , Linux , 壓縮包 , centos7查找壓縮文件

收藏 評論

u_16993377 頭像

一線數智 - AI 項目越做越亂？你缺的其實是新一代數據治理體系

【一線數智評論】最近在梳理客户標籤時發現，基於過去的大數據的客户標籤算法和管理方式，在今天有AI加持下，多模態的數據管理，存在缺失，AI時代，數據治理必須重做一遍 　　過去十幾年，企業對“數據治理”的理解大多停留在：建數據倉庫、做數據質量、統一指標口徑、管權限、查血緣。 　　這當然重要，但在 AI 浪潮面前，這套思維已經不夠用了。 　　因為今天企業面臨的是：

大數據 , 數據 , 數據倉庫 , 自動生成 , 模態

收藏 評論

u_16120231 頭像

wx6466f25322644 - 大語言模型Ll M 這張圖的核心信息是：隨着模型規模變大，注意力（attention）層消耗的 FLOPs 佔比越來越高，而 MLP 層佔比反而下降。

這張圖的核心信息是：隨着模型規模變大，注意力（attention）層消耗的 FLOPs 佔比越來越高，而 MLP 層佔比反而下降。 一、FLOPs 是什麼？ FLOPs（Floating Point Operations）是浮點運算次數，衡量模型計算量的單位。FLOPs 越高，訓練或推理所需的計算資源越多。 二、圖中數據解讀

複雜度 , 數據 , 浮點運算 , 後端開發 , 人工智能 , Python

收藏 評論

u_16993377 頭像

一線數智 - AI時代 客户標籤體系為什麼必須重做？

　 【一線數智資訊】在過去十多年的移動互聯網年代，客户運營一直圍繞“標籤”展開：年齡、性別、消費頻次、品類偏好……，基於大數據的標籤same like方式推薦，但當企業進入 AI 原生時代，大模型、向量數據庫、智能體開始走進業務，傳統標籤體系正在快速失效。 　　不是傳統標籤不重要，而是客户已經變了，業務節奏變了，而標籤體系沒變就會有問題。所以就出現了

靜態屬性 , 數據 , 自動生成 , 人工智能 , 深度學習

收藏 評論

u_16827017 頭像

全棧技術開發者 - 如何理解「128倍更少數據，卻能獲得更強智能體行為」？如何直觀地理解「少即是多（Less is More）」在智能體訓練中意義？

在人工智能尤其是智能體訓練領域，數據量的需求長期被認為是提升模型行為表現的核心驅動力。傳統強化學習方法和深度學習策略普遍依賴大量訓練數據，以期覆蓋智能體在複雜環境中可能遇到的各種狀態和動作組合。這種大規模數據驅動的訓練模式在某種程度上保證了智能體策略的穩健性和泛化能力，但同時也帶來了顯著的資源消耗、計算壓力以及訓練效率低下的問題。尤其在高維環境和複雜任務下，數據量呈指數級增長，訓

yyds乾貨盤點 , 數據 , 模塊化 , 人工智能 , 深度學習 , 子任務 , 大模型

收藏 評論