tag 人工智能

標籤
貢獻960
1555
06:37 AM · Oct 27 ,2025
deephub 頭像 u_13357275 頭像 pannideniupai 頭像 elhix0bg 頭像 rtedevcomm 頭像 xingxingshangdeliushu 頭像 tecdat 頭像 chaoshenjinghyperai 頭像 u_15591470 頭像 u_17579295 頭像 u_17512334 頭像 lab4ai 頭像

@人工智能 / 博客 RSS 訂閱

u_17562481 頭像

思考的袋鼠 - 數據庫風險監測系統建設理論研究：從規範落地到智能化防禦的全週期體系

提示：隨着數據成為企業運營核心要素，數據庫風險監測的重要性被快速推向前台。 一、概要 在數字經濟的深度發展背景下，大量業務系統、海量敏感數據與複雜的數據流動使數據庫成為企業最核心、同時也是最脆弱的關鍵信息載體。傳統以審計、邊界安全為核心的防護思路，已難以應對數據庫雲化、多地部署、動態訪問權限與高強度數據流通帶來的安全挑戰。數據庫風險監測系統作為一種新型的安全管理理

數據 , 數據庫 , 數據安全 , 人工智能 , 深度學習

收藏 評論

u_16213658 頭像

mob64ca140a59b0 - Vue3漸變色進度條實現elementplus

打開vue的官網介紹，第一句就是“vue是一套用於構建用户界面的漸進式框架”。“漸進式”這幾個字在剛接觸vue時並沒有很注意到， 使用至今，再次打開官網，這幾個放大突兀的字體確實是讓人疑惑，當然，網上Google一下，會有很多資料對於這三個字進行闡述，本文只是一個自己理解和簡單記錄 1、漸進式 看到“漸進式”這三個字，不免想

機器學習 , 函數式編程 , vue.js , 圖層 , 人工智能 , 官網

收藏 評論

u_13717764 頭像

嗶哥嗶特 - 30 家連接器企業財報起底！行業增長的真正引擎正在形成

2025 年三季度，中國連接器行業延續增長態勢，且呈現結構化趨勢。 01 行業總覽總量增長，但增長加速集中化 2025 年三季度，中國連接器行業持續保持上行趨勢，但與以往不同的是，本輪增長已不再呈現普遍性復甦，而是明顯的結構化增長。 《國際線纜與連接》對國內 30 家上市連接器企業三季報進行系統梳理髮現：合計營收達到 3037.53 億元，平均營收增長率1

服務器 , 數據 , 人工智能 , 數據分析 , 解決方案

收藏 評論

tangshiye 頭像

AI架構師湯師爺 - 釦子Coze變現實戰：一天產出50條爆款書單視頻，每月躺賺5位數！

大家好，我是湯師爺，分享1000個行業智能體案例，幫助100W人用智能體創富~ 今天給大家帶來一個超實用的Coze工作流，3分鐘讀完一本書視頻自動化生成智能體。 這個工作流能夠自動將書籍內容轉化為帶有分鏡圖片、語音解説和字幕的短視頻。 一鍵生成剪映草稿，幫你快速產出知識類短視頻內容。 1、為啥要搞視頻自動化 1.1 搞定知識類短視頻製作太慢的問題 以前做知識類短視

coze , agent , 智能體 , AI寫作 , aigc , 人工智能

收藏 評論

u_16099230 頭像

歲月如歌甚好 - qemy模擬中需要引導文件嘛

關於滴水的VT調試器 by 海風月影 論壇上今天吵的比較火熱，主要是關於滴水的VT調試器，很多人不瞭解這個東西，我對Intel的VT技術略有了解，所以我來簡單的介紹一下。 第一，什麼是VT技術 VT是Intel的硬件虛擬化技術，説到VT，就不得不提虛擬機（例如VMWare）。在硬

機器學習 , 版本號 , qemy模擬中需要引導文件嘛 , 人工智能 , 調試器 , 虛擬化技術

收藏 評論

lu952450497 頭像

lu952450497 - 基於信任的協同過濾算法解析與 Python 實現（一）

一、為什麼需要“信任” 傳統 User-CF 的核心假設是： 相似用户 = 好的推薦來源 但在真實系統中存在明顯問題： 數據稀疏下，相似度極不穩定 相似 ≠ 可靠（刷單、噪聲用户） 用户行為具有明顯的“圈層”效應 在很多產品中（社交、社區、電商）： 用户之間存在 顯式或隱式關係 朋友 / 關注 / 專家 的行為

顯式 , 相似度 , 權重 , 人工智能 , 數據結構與算法

收藏 評論

infodator 頭像

容智信息 - 企業AI選型：場景分層匹配全指南

在企業數智化轉型的浪潮中，“AI工具選型”成了許多管理者的心頭難題：盲目上智能體，發現大量結構化工作用不上其能力，成本居高不下；只上RPA，又無法應對複雜的非結構化場景……容智信息基於千餘家企業服務經驗，總結出“三階段AI生產力模型”，清晰界定RPA、Workflow Agent、AI Agent的適用邊界，讓企業每一分AI投入都精準轉化為業務價值。 當企業面臨訂單核對、數

機器學習 , 觀點 , 圖像識別 , 自然語言處理 , 人工智能

收藏 評論

baihai_idp 頭像

Baihai_IDP - 壓縮而不失智：LLM 量化技術深度解析

編者按： 如何在資源受限的設備上高效部署大語言模型，同時還儘可能保持其性能表現？ 我們今天為大家帶來的這篇文章，作者的核心觀點是：量化技術通過在模型精度與效率之間尋找最優平衡點，使得大語言模型能夠在資源受限的設備上高效部署，而幾乎不降低其“智能水平”。 文章從量化的基本原理出發，深入剖析了訓練後量化（PTQ）與量化感知訓練（QAT）的適用場景，詳細解釋了縮放因子、零點、對稱/非對稱量化等關

generative-ai , 觀點 , llm , 知識 , 人工智能

收藏 評論

u_13357275 頭像

上海拔俗網絡 - AI 城市智能感知展示平台：讓城市有“眼”更有“腦”

當路燈能感知行人車流、積水點自動預警、交通信號燈動態適配路況，城市正通過 AI 智能感知展示平台，從“被動響應”轉向“主動預判”。這個平台絕非簡單的監控大屏，而是融合邊緣計算、AI 視覺、數字孿生的城市“神經中樞”，用技術穿透治理壁壘，讓城市運行更高效、更安全。 平台的核心底氣，是“邊緣 + 雲端”的協同計算架構。城市街頭的攝像頭、井蓋傳感器、積水監測儀等設備，每時每刻都在產生海量數

數據 , NLP , 人工智能 , 深度學習 , 計算技術

收藏 評論

u_16213651 頭像

mob64ca14089531 - top avalib mem值是什麼單位

Memcached是什麼？ Memcached是一個開源的、高性能的，具有分佈式內存對象的緩存系統，從名稱上看Mem就是內存的意思，而Cache就是緩存的意思，它通過在事先規劃的內存空間中緩存數據庫中的數據，以達到減少數據庫的高 併發訪問，從而達到提升數據庫的訪問性能，加速動態應用服務的能力。 Memcached 通過緩存經常被讀取的數據庫中的數據，

機器學習 , 數據 , 緩存 , 數據庫 , 人工智能

收藏 評論

u_16099321 頭像

技術博客領航者 - dolphinscheduler 線上demo

Demand Media之所以吸引了我的眼球，除了月初它向美國證券交易委員會（SEC）提交了IPO申請，很有可能成為繼Google之後科技公司裏首個10億美元級的IPO，更重要的是它的商業模式。如果説Twitter以及SNS網站在某種程度上解決了信息傳播的問題，那麼，Demand Media則是從內容的生產以及組織入手去解決信息去噪音化的問題。 我們都知道，隨着互聯

機器學習 , seo , google , 人工智能 , Web

收藏 評論

qingfouai 頭像

青否Ai - 價值重構：從時間出賣者到價值創造者，凸顯ai員工的重要性！

"我每天工作10小時，週末還要加班，但感覺離財務自由越來越遠。 這正是傳統職場的最大陷阱：我們被訓練成"時間出賣者"，而非"價值創造者"。 在舊體系中，你的價值=工時×時薪。這種線性模型註定讓你陷入忙碌卻無法突破的困境。 而AI時代正在重構價值評估體系：你的價值=解決問題的能力×放大係數。 關鍵區別在哪裏？窮人的時間只賣給一個人，富人的時間通過產品化賣給成千上萬人。 一個案例（青否ai員工源頭v：

機器學習 , 算法 , 人工智能 , 深度學習

收藏 評論

u_16508055 頭像

卡梅德生物 - 探秘媒介探針qPCR：一種“解耦”策略如何推動分子檢測技術革新

在生命科學研究和臨牀診斷中，核酸的精準、快速檢測至關重要。自問世以來，實時熒光定量PCR（Quantitative Real-Time PCR, qPCR）憑藉其卓越的靈敏度與定量能力，始終佔據着核心地位。其經典技術路線，如TaqMan水解探針法，依賴於一條與靶序列完全互補、且雙端標記有熒光基團和淬滅基團的寡核苷酸探針。然而，這種“一靶一探針”的模式在面對多靶標檢測需求時，面臨着

分子檢測技術 , 人工智能 , 深度學習 , 靶標識別 , 媒介探針qPCR

收藏 評論

u_16099269 頭像

落筆成詩 - Dify中如何替換embedding

替換元素 和 非替換元素 替換元素就是平常 看到的 input img textarea select這些都是替換元素，之所以叫替換元素，他們都是沒有實際內容的，都是根據標籤和屬性來判斷渲染些什麼東西。 非替換元素就是 div p 這些，瀏覽器根據內容直接顯示出來。 行內替換元素和行內非替換元素的區別 行

屏幕寬度 , 機器學習 , 盒模型 , Dify中如何替換embedding , 人工智能 , 邊距

收藏 評論

u_16099355 頭像

數據挖掘者 - onnx轉rknn 三輸出

當許多人使用PNP和NPN時，他們認為這是同一類型。實際上，PNP和NPN之間有很多區別，那麼PNP和NPN之間有什麼區別？接下來就跟小編一起來學習一下吧。 1、定義不同 NPN型三極管由三個半導體組成，包括兩個N型和一個P型半導體，中間是P型半導體，兩側是兩個N型半導體。 NPN型三極管是電子電路中最重要的器件，其主要功能是電

電子電路 , 機器學習 , 電路圖 , onnx轉rknn 三輸出 , 三極管 , n型半導體和p型半導體的區別 , 人工智能

收藏 評論

deephub 頭像

deephub - 氛圍編程陷阱：為什麼AI生成代碼正在製造大量"偽開發者"

這是一篇再國外討論非常火的帖子，我覺得不錯所以把它翻譯成了中文。 大語言模型和ai只能提的發展衍生出了一個東西叫"vibe coding"（氛圍編程）——用自然語言描述需求，讓AI生成代碼，看起來不用寫代碼就能做出產品。 但這玩意兒本質上是個陷阱。它培養的不是開發者，而是一羣只會生成代碼、卻看不懂也改不了代碼的"中間商"。 對新手來説，這不是什麼職業捷徑。這是條斷頭路，而且很多人正往裏衝。 氛圍編

觀點 , llm , 神經網絡 , 人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - Scikit-image 實戰指南：10 個讓 CV 模型更穩健的預處理技巧

在計算機視覺工程落地中我們常遇到一種現象：模型在驗證集上表現完美，但是一旦部署到生產環境準確率卻莫名下跌。這種“性能衰退”往往不源於模型架構本身而是歸咎於預處理管道的脆弱性。數據類型的隱式轉換、縮放算法的細微差異、或是未被矯正的幾何形變，這些看似微不足道的工程細節往往是系統失效的根源。 相比於盲目調整超參數，建立一套確定性強的預處理流程性價比更高。本文總結了基於 scikit-image 的十個工

圖像識別 , 神經網絡 , 人工智能 , 深度學習

收藏 評論

u_16213693 頭像

mob64ca141275de - pem key 匹配

BM算法思想的本質上就是在進行模式匹配的過程中，當模式串與主串的某個字符不匹配的時候，能夠跳過一些肯定不會匹配的情況，將模式串往後多滑動幾位。 BM算法尋找是否能多滑動幾位的原則有兩種，分別是 壞字符規則 和 好後綴規則。 壞字符規則： 我們從模式串的末尾往前倒着匹配，當我們發現某個字符無法匹配時，我們把這個無法匹配的字符叫

機器學習 , 後綴 , 數組 , bc , 人工智能 , pem key 匹配

收藏 評論

u_16099317 頭像

錦繡前程未央 - zabbix支持telemetry嗎

前言 告警將重要信息發送給運維「或者其他相關人」，及時發現並且處理問題。在所有開源監控軟件裏面，Zabbix 的告警方式無疑是最棒的。告警的方式各式各樣，從 Email 告警到飛信、139/189郵箱、最後到微信甚至電話告警，接入存在各種問題以及困難，有沒有什麼軟件能夠將他們All In one呢？OneAlert

機器學習 , 微信 , MySQL , Time , 人工智能 , zabbix支持telemetry嗎

收藏 評論

u_14172 頭像

archangle - segment anything 實例分割 cpu

CAD圖形分割操作步驟： 步驟一，首先打開浩辰CAD建築軟件，進入軟件界面，然後打開需要調整的圖紙，下面小編以一張CAD建築圖紙來演示。 步驟二，我們放大圖紙，選中需要切割的圖塊。在菜單位置，找到【建築設計】—【符號標註】—【加折斷線】命令。 步驟三，在彈出的命令行提示：請選擇一剖切線。在首層平面圖上選擇一根已繪製好的剖面線。此時，程序

命令行 , 數據 , 人工智能 , 計算機視覺

收藏 評論

baihai 頭像

baihai - 分享一名海外獨立開發者的 AI 編程工作流

編者按： 當AI編程智能體宣稱能自動化一切時，我們是否在工具與概念的叢林中迷失了方向，反而忘記了如何最簡單、直接地解決問題？ 本文的核心主張尖鋭而明確：與其追逐繁雜的“智能體套件”、子智能體（Subagents）、RAG 等概念，不如迴歸本質 —— 選擇一個強大且高效的模型，像與一位靠譜的工程師同事那樣，通過簡潔的對話和直覺性的協作來直接解決問題。作者直言不諱地

AI , AI編程 , 人工智能 , 深度學習

收藏 評論

u_16099168 頭像

代碼匠人之心 - VFP 鎖定 字段 FREEZE

一、Autolayout的對齊與等寬 1.對其 兩個控件都沒有描述清楚，以先創建的控件為準。 兩個控件有一個描述清楚，以描述清楚的控件為準。 2.等寬 兩個控件都沒有描述清楚，以控件的默認的為準。 兩個控件有一個描述清楚，以描述清楚的控件為主。 二、VFL(VisualFormatLanguage) 1.是

控件 , VFP 鎖定 字段 FREEZE , 屬性值 , 動畫效果 , 人工智能 , 計算機視覺

收藏 評論

u_16099178 頭像

雲端小悟空 - 訓練特徵索引

之前介紹的StringIndexer是針對單個類別型特徵進行轉換，倘若所有特徵都已經被組織在一個向量中 ，又想對其中某些單個分量進行處理時，Spark ML提供了VectorIndexer類來解決向量數據集中的類別 性特徵轉換。通過為其提供maxCategories超參數，它可以自動識別哪些特徵是類別型的，並且將原始 值轉換為類別索引。

spark , 數據集 , 大數據 , 訓練特徵索引 , 數據倉庫 , 人工智能

收藏 評論

u_16349720 頭像

短短同學 - Spring Boot 3.4.0 新特性詳解：重塑效率的依賴管理功能

依賴管理是 Spring Boot 生態的核心優勢，但在微服務規模化開發中，“版本衝突”“依賴臃腫”“跨團隊適配難” 等問題始終困擾開發者。Spring Boot 3.4.0 針對性推出全新依賴管理功能，通過增強型 BOM 體系、智能按需加載與兼容性自適應三大升級，將依賴管理效率提升數倍，徹底告別 “jar 包地獄”。本文結合技術原理與實戰場景，詳解這些新特性的價值與用法。

spring , 微服務 , 依賴管理 , 人工智能 , 深度學習

收藏 評論