tag 人工智能

標籤
貢獻960
1364
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_16213572 頭像

技術領航探索者 - 深度學習yaml文件檢測類別可以是中文嗎

一、背景：數據及配置文件之爭 數據及文件通常有三種類型： 配置文件型：如ini，conf，properties文件，適合存儲簡單變量和配置項，最多支持兩層，不適合存儲多層嵌套數據 表格矩陣型：如csv，excel等，適合於存儲大量同類數據，不適合存儲層級結構的數據 多層嵌套型：如XML，HTMl，JSON、

字符串 , yaml , 人工智能 , 深度學習 , Python

收藏 評論

sihaihande 頭像

漢得數字平台 - 重磅升級｜漢得靈猿AI中台1.7版本發佈！

漢得靈猿（大聖）AI中台1.7版本正式發佈！這次升級不僅帶來了眾多新功能，還從Agent智能體能力、企業知識助手能力、內置應用場景擴展、平台體驗優化等多個維度進行全面增強，旨在為用户提供更強大、更智能、更便捷的功能體驗，更好地服務於用户的實際業務場景。 此次版本升級，主要聚焦以下四個方面： Agent智能體全面升級：在新版本中，我們對Agent智能體功能進行了大幅擴展，新增多個節點，節

agent , ai開發 , 人工智能

收藏 評論

u_16099296 頭像

mob6454cc73e9a6 - python標準庫pathlib常見操作

文章目錄 1 pathlib 庫簡介 1.1 為什麼要使用 pathlib？ 2 基本操作介紹 2.1 路徑操作 2.1.1 導入和創建 Path 對象 2.1.2 路徑拼接和解析 2.1.3 路徑判斷和解析

pathlib , 開發語言 , 後端開發 , 人工智能 , 數據處理 , harmonyos , Python

收藏 評論

u_16099270 頭像

字節小舞神 - memset 多維數組

指針和多維數組 數組名是特殊的指針 數組是一個特殊的指針，多維數組也是更為複雜的數組，它們的關係是什麼樣的呢？ 我們通過一個簡單的例子來比較形象的瞭解指針和多維數組： int a[2][3]; 這是一個2*3的二維數組，首先我們清楚數組名就是指向數組首元素的常量指針（它不可以指向其他部分，可以對指向的元素進行任意修改）；其次C語言中所

機器學習 , 數組 , 人工智能 , 多維數組 , 二維數組 , memset 多維數組

收藏 評論

u_17512334 頭像

疆鴻智能研發中心 - ETHERCAT轉MODBUS協議轉換網關：激光切割設備高效協同的“隱形橋樑”

ETHERCAT轉MODBUS協議轉換網關：激光切割設備高效協同的“隱形橋樑” 在激光切割與雕刻等高精度工業設備領域，設備間的協同效率直接決定了加工精度與生產效率。其中，工作台的精準移動、鏡頭的微米級調節，均依賴伺服電機的精確控制；而電機轉速的穩定性則需變頻器通過調節輸出頻率（如50Hz/60Hz匹配）來保障，避免因頻率偏差導致的定位誤差或電機過熱。在這一複雜系統中，ETH

協議轉換 , 人工智能 , 深度學習 , ETHERCAT , 網關 , 工業自動化 , Modbus

收藏 評論

u_16099269 頭像

落筆成詩 - 深度學習中的多尺度融合是什麼

論文地址：https://arxiv.org/abs/1504.06375 現有的多尺度多層次的神經網絡 　　多尺度學習可以在神經網絡中，以越來越大的感受野和下采樣的形式，每個層中學習的特徵表示是多尺度的，另一方面在神經網絡之外，也可以通過例如調整輸入圖像的尺度獲得多尺度信息。 多尺度學習的可能配置 　　 　　multi-stream lea

神經網絡 , 深度學習中的多尺度融合是什麼 , 權重 , 人工智能 , 深度學習 , 網絡流

收藏 評論

u_13357275 頭像

上海拔俗網絡 - AI產學研實訓平台：讓技術學習“真刀真槍”不脱節

高校裏學AI，課本是幾年前的案例，實驗數據是虛擬的；企業招AI人才，新人上手要3個月適應；高校的科研成果，躺在論文裏難落地——這是AI領域的“三方痛點”。而AI產學研一體化實訓平台，就像一座“技術橋樑”，用實打實的技術讓學生學真活、企業招能人、高校出成果，徹底打破“課堂與產業兩張皮”。 這套平台的核心技術邏輯，説穿了就是“把企業真實場景搬到課堂，讓學生在實戰中練技能”，拆解下來三個關

代碼工具 , 數據 , 數據採集 , NLP , 人工智能

收藏 評論

u_16099220 頭像

數碼精靈abc - Blazemeter為什麼賬號登錄不成功

今天研究了一下blazor，發現他默認啓動就是類似於後台管理系統的界面，看到這個頁面我就想給他寫個登錄，有登錄就涉及到未登錄重定向的問題，但是我沒有找到blazor全局路由的設置，知道的老哥可以告訴我一下哈，在這裏我是基於操作LocalStorage的方法，如果訪問默認佈局時若沒有LocalStorage，就重定向到login頁，其實也可以判斷不存在LocalStora

機器學習 , email , 重定向 , bc , 人工智能

收藏 評論

old_it 頭像

老IT人 - 超全測試：32GB專業顯卡 vs 最強消費級顯卡

​近期 ComfyUI 社區小夥伴們用RTX 5000 Ada專業顯卡測試了Flux.1[dev]模型，並與最強消費級顯卡對比大場景實際應用中的性能表現。 測試項目： Flux.1文生圖 Flux.1-dev FP8訓練 Flux.1生成不同分辨率圖片 Flux.1生成人物大模型+Lora+高清分辨率修復 Flux.1測試ControlNet 使用 Tile 高清修復 文生圖 設置尺

generative-ai , 顯卡 , flux , 人工智能

收藏 評論

u_16099329 頭像

數據狂徒 - jemter1分鐘請求3000次怎麼設置

在壓力測試時，可能需要使用jmeter的梯度加壓。而在使用梯度加壓時，大部分tester會對這一點疑惑：設置的總線程是100，但聚合報告中線程數遠超100個 ，為什麼梯度加壓會有這樣的現象？用事實説話，本文用示例去解釋這一點。 環境： 先設置梯度加壓的場景，訪問某網站，具體如下： 從這個梯度加壓設置的參數，我們可以看出設置的總線程數為50

機器學習 , 加載 , 響應時間 , 人工智能 , 迭代

收藏 評論

u_13357275 頭像

上海拔俗網絡 - AI 大語言模型及服務平台：從“接模型”到“可治理能力中台”的工程實踐

在很多團隊的最初方案中，“大語言模型平台”往往被理解為一件很簡單的事情： 接入一個大模型 封裝成 API 提供給業務調用 Demo 很快能跑，但一旦進入多業務、多團隊、多場景使用，就會迅速暴露出問題： 不同業務對模型口徑要求完全不同 Prompt 分散在各個服務中，無法統一管理 模型版本更新後，線上行為不可控 成本、延遲、風

限流 , NLP , 語言模型 , 緩存 , 人工智能

收藏 評論

chaoshenjinghyperai 頭像

超神經HyperAI - 地平線/智源/字節/凌川科技齊聚上海，共探編譯器優化新進展

2023 年，HyperAI超神經在北京、上海、深圳舉辦了 4 場 Meet TVM 線下聚會，聚集了超 1 千位資深從業者及愛好者，逐步建立了豐富的社區生態。 2024 年，HyperAI超神經聚焦 AI 編譯器領域，繼續為業內人士提供開放的交流平台，在今年 7 月舉辦了 Meet AI Compiler 技術沙龍的第 5 期。如今，2024 年接近尾聲，大模型賽道激戰未停，AI 編譯器有哪些新

ai開發 , 人工智能 , 編譯器 , 深度學習 , 編譯器優化

收藏 評論

deephub 頭像

deephub - AI Agent工作流實用手冊：5種常見模式的實現與應用，助力生產環境穩定性

很多人認為使用AI Agent就是直接扔個提示詞過去，然後等結果。做實驗這樣是沒問題的，但要是想在生產環境穩定輸出高質量結果，這套玩法就不行了。 核心問題是這種隨意的提示方式根本擴展不了。你會發現輸出結果亂七八糟，質量完全不可控，還浪費計算資源。 真正有效的做法是設計結構化的Agent工作流。 那些做得好的團隊從來不指望一個提示詞解決所有問題。他們會把複雜任務拆解成步驟，根據不同輸入選擇合適的模型

llm , 神經網絡 , 人工智能 , 深度學習

收藏 評論

u_17579295 頭像

mb6911caa73d1d1 - 數字孿生：為城市公共安全打造“智慧大腦”

在當今快速發展的城市環境中，公共安全面臨着前所未有的挑戰。從交通擁堵到突發事件，從基礎設施老化到自然災害，城市管理者需要一種更智能、更高效的方式來保障市民安全。數字孿生技術的出現，為城市公共安全帶來了全新的解決方案。 什麼是城市數字孿生？ 數字孿生是通過數字化手段，在虛擬空間中構建與物理城市相對應的數字模型。這個模型不僅包含城市的三維外觀，還

數據 , 數據可視化 , 人工智能 , 基礎設施 , 數字孿生 , 解決方案

收藏 評論

deephub 頭像

deephub - 從零構建短視頻推薦系統：雙塔算法架構解析與代碼實現

刷短視頻本來只想看幾分鐘，不知不覺一個多小時就沒了。每條視頻都恰好戳中你的興趣點，這種精準推送背後其實是一套相當複雜的工程架構。 這種"讀心術"般的推薦效果並非偶然。驅動這種短視頻頁面的核心引擎，正是業內廣泛採用的雙塔推薦系統（Two-Tower Recommendation System）。 本文將從技術角度剖析：雙塔架構的工作原理、為何在短視頻場景下表現卓越，以及如何構建一套類似的推薦系統。

推薦系統 , 神經網絡 , 知識 , 人工智能 , 深度學習

收藏 評論

u_16385746 頭像

mb65642785a1017 - 本地私有知識庫新選擇：訪答軟件真實體驗分享

本地私有知識庫新選擇：訪答軟件真實體驗分享 為什麼選擇本地私有知識庫 在信息爆炸的時代，高效管理個人知識變得愈發重要。與雲端知識庫不同，本地私有知識庫將數據完全存儲在個人設備上，既保障了隱私安全，又避免了網絡依賴。經過多方比較，我最終選擇了知識庫軟件，它完美滿足了我的需求。 訪答知識庫使用體驗 訪答軟件界面簡潔直觀，即使是技術小白也能快速上手。我將多年的學習筆記、工作文檔

訪答 , yyds乾貨盤點 , 辦公效率 , ai開發 , aigc , openai , 人工智能

收藏 評論

huikaichedemianbao 頭像

合合技術團隊 - 啓信寶發佈《全國產業集羣大全》哈爾濱篇：2300家企業織就冰雪產業網

寒潮襲來，國內冰雪旅遊市場正悄然升温，“北上追雪”成為消費新熱點。隨着第27屆哈爾濱冰雪大世界啓動冰建工作，這座北方“冰城”正式進入冰雪時間。 作為我國萬億冰雪產業的關鍵一環，哈爾濱的冰雪經濟發展備受關注。近期，啓信寶發佈《全國產業集羣大全》哈爾濱篇，系統梳理當地冰雪產業的發展現狀與集羣特徵。報告提到，哈爾濱已構建起較為完整的冰雪產業鏈，尤其在裝備製造領域形成龍頭引領效應，並依託全域資源協同，展現

大數據 , 算法 , 人工智能

收藏 評論

u_16213620 頭像

mob64ca1401464d - element ui Container 左右 聯動

.container1 { height: 30px; }.container1 div { float: left; }.container1 div, .container1_2 div { width: 100px; background: none repeat scroll 0% 0% rgb(250, 252, 253); border: 1px solid

機器學習 , chrome , 人工智能 , Css , Opera , ie , Javascript

收藏 評論

u_17562481 頭像

思考的袋鼠 - 自適應分類的可落地規模化政府部門數據分類分級解決方案

概要： （提示：本章節概述解決方案的核心價值與落地成效，幫助讀者快速理解方案全貌。） 在數字政府建設快速推進的背景下，政務數據已成為政府提升治理能力、優化公共服務的重要資源。然而，政務數據存在“多源異構、跨域流轉”特點，分散於各委辦局業務系統和電子政務雲中，傳統人工管理難以應對海量數據資產的識別和分類需求。針對這一痛點，全知科技提出的“知源-AI數據分類分級系統”，以

數據 , 數據安全 , 人工智能 , 深度學習 , 複用

收藏 評論

u_13066 頭像

hochie - 哪種情況下邏輯迴歸函數可能不是最佳選擇 邏輯迴歸不是迴歸

邏輯不邏輯，迴歸非迴歸。 回想當年初次學習邏輯迴歸算法時，看到”邏輯迴歸“這個名字，第一感覺是這是一個與線性迴歸類似的迴歸類別的算法，只不過這個算法突出”邏輯“，或者與某個以”邏輯“命名的知識點有關。可後來卻發現，這是一個坑死人不償命的名字——邏輯迴歸算法不是迴歸算法，是分類算法，也與邏輯無關，要説有關也僅是因為它的英文名字是Loginstics，音譯為邏輯而已（所以也有資料稱之

機器學習 , 線性迴歸 , 數據 , 損失函數 , 人工智能 , 哪種情況下邏輯迴歸函數可能不是最佳選擇

收藏 評論

u_16213617 頭像

mob64ca140088a9 - elementUI vue知識圖譜展示

VUE框架知識點整理 一、父組件與子組件通信 1、組件中data屬性 組件對象也有一個data屬性，只是這個data屬性必須是一個函數，而且這個函數返回一個對象，對象內部保存着數據 原因：在於vue讓每個組件對象都返回一個新的對象，因為如果是同一個對象，組件在多次使用會相互影響，寫在函數

機器學習 , js , elementUI vue知識圖譜展示 , Vue , 人工智能 , JAVA , ios

收藏 評論

qingfouai 頭像

青否Ai - 傳統員工 vs AI數字人：不露臉也能火的‘超級員工’是什麼來頭？

在辦公室裏，每天早上打卡、穿上西裝、坐在工位上忙得不亦樂乎的你，是否曾想象過有一天，你的工作會被一個“不露臉”的AI數字人取代？這個聽起來像是科幻電影的情節，如今正在一步步成為現實。從製造業到客服中心，從金融行業到教育培訓領域，這些“不露臉”的AI員工正以驚人的效率和穩定性，悄然改變着我們的工作方式。 但別擔心，這篇文章並不是要告訴你“AI會搶走你的飯碗”，而是想帶你一起看看：什麼是AI數字人？它

機器學習 , 算法 , 人工智能 , 深度學習

收藏 評論

u_13317 頭像

liutao988 - vue2 swiper 帶左右箭頭切換 demo

功能 節點樣式動態變化，模擬未進行、當前、已進行三種效果 自動播放，也可以手動點擊節點切換 根據節點數量改變佈局，節點較少時均勻分佈，節點較多時固定節點間距離，通過控制左右箭頭實現橫向滾動，滾動到最右（左）時隱藏右（左）箭頭 效果 節點數少於規定值（我這裏定=10），隱藏左右箭頭，節點均勻分佈 節點數

機器學習 , 均勻分佈 , 人工智能 , 省略號 , ide

收藏 評論

u_16213612 頭像

mob64ca13ff5b03 - coremail郵箱定時發送設置

一：繼承並實現IJob接口，在Execute 方法中寫你要定時執行的事情（切記 ） 二：使用Quartz創建任務調度核心代碼步驟 　　1、配置Quartz，創建工廠，開啓調度。 　　2、創建工作任務 　　3、創建觸發器 　　4、將任務加入到任務池 Demo 創建控制枱應用程序，定時發送郵件以及延時寫日誌

機器學習 , System , coremail郵箱定時發送設置 , 人工智能 , 發送郵件 , .net

收藏 評論