tag 人工智能

標籤
貢獻960
1370
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_16213699 頭像

mob64ca1414098d - vform3多選下拉列表

總結了下在表單處理中單選、多選、選擇框值的獲取及表單的序列化，寫成了一個對象。如下： 1 　　var formUtil = { 2 // 獲取單選按鈕的值，如有沒有選的話返回null 3 // elements為radio類的集合的引用 4 getRadioValue:function(elements)

表單 , i++ , 人工智能 , 計算機視覺 , vform3多選下拉列表 , HTML

收藏 評論

u_16213610 頭像

mob64ca13feda16 - windows qt uvc xu 擴展協議demo

1.VTK庫在三維可視化顯示方面（醫學圖像、地質、氣象等領域）具有廣泛的應用，調用該庫的傳統方式是通過VS，結合Cmake文件進行編譯。 2.Qt在界面設計、編譯方面具有良好的優勢，如果能使用Qt進行VTK庫的調用，這既利於發揮VTK的優勢進行算法的研究，又利於發揮Qt的優勢進行工程的進展。 3.然而，目前這方面的參考教程較少或不詳細（之所以這樣説是因為 目前網上的教

機器學習 , 下載文件 , qt , 人工智能 , 下載地址

收藏 評論

shoushoudeqie 頭像

瘦瘦的企鵝 - 打工人逆襲指南：用“多巴胺看板”輕鬆搞定KPI！

《“多巴胺” 工作法：用色彩分類看板激發工作活力》 ✨ 打工人必看！把“多巴胺穿搭”搬到職場，拯救你的效率與心情！ 🌈靈感來源：為什麼“多巴胺”能拯救職場？ []() 最近全網刷屏的「多巴胺穿搭」火到離譜！高飽和度的色彩碰撞不僅讓人心情愉悦，還能傳遞能量感。 但你知道嗎？ “多巴胺”法則也能移植到工作中！💡 職場人每天面對密密麻麻的任務清單，焦慮和疲憊是常態。但如果把任務按

tensorflow , 人工智能 , 深度學習

收藏 評論

gexia_com 頭像

閣下AI - 閣下AI平台：工具生成效率的實際觀察

\# 閣下AI平台：工具生成效率的實際觀察 在我們實際使用閣下AI平台的過程中，其工具生成效率確實給我們留下了深刻印象。它能夠將傳統需要數週甚至數月的手工開發工作，壓縮到以分鐘或小時計算，並且生成結果的成功率和質量都保持在線。以下是我們結合真實使用情況整理的一些數據與觀察。 \## 一、生成需要多長時間？ | 任務類型 | 閣下AI平台大致耗時 | 補充説明 | | 簡單工具 （例如文案生

機器學習 , 人工智能

收藏 評論

u_17579295 頭像

mb6911caa73d1d1 - 數字孿生賦能園區運營：一個真實案例的深度解析

在當今數字化浪潮中，園區運營管理正面臨效率提升和成本控制的挑戰。傳統的園區管理往往依賴人工巡檢和分散的系統，導致響應慢、數據孤島問題突出。數字孿生技術作為一種新興解決方案，正逐步改變這一局面。今天，我們將通過一個實際案例，探討“孿易 數字孿生 IOC 標準版”如何幫助園區實現智能運營，無需過度技術堆砌，而是聚焦於實際問題的解決。 某大型智慧園區的運營痛點 該園區佔地超

數據 , 運維 , 數據可視化 , 人工智能 , 數字孿生 , 數據分析

收藏 評論

pannideniupai 頭像

雨大王 - 多工廠協同的“指揮官”：APS系統如何讓生產計劃跑得更快？

高級計劃排程（Advanced Planning and Scheduling, APS）系統在多工廠協同中的運用，能夠顯著提升製造企業的整體運營效率、資源利用率和交付能力。特別是在汽車製造、電子、物流等多工廠分散佈局的企業中，通過APS系統實現全局統籌、工廠協同和動態調整，能夠有效應對複雜的供應鏈、產能波動和訂單變更等挑戰。 以下是高級計劃排程在多工廠協同中的關鍵運用： 一、多工廠協

人工智能

收藏 評論

u_17512334 頭像

疆鴻智能研發中心 - 深入拆解：如何用協議網關打造EtherNet/IP與DeviceNet的無損數據通道

深入拆解：如何用協議網關打造EtherNet/IP與DeviceNet的無損數據通道 1. 項目背景 我所在的包裝車間，核心控制系統由一套較新的羅克韋爾ControlLogix PLC掌控，它通過高效的EtherNet/IP網絡與上層監控系統通信。然而，車間裏還有多條早年安裝的生產線，其關鍵設備——如老款的伺服驅動器、光電傳感器和閥門組——都依賴DeviceNet現場

協議轉換網關 , 工業通訊 , ETHERNET IP , 人工智能 , DEVICENET , 深度學習 , 工業自動化

收藏 評論

deephub 頭像

deephub - 從零開始構建圖注意力網絡：GAT算法原理與數值實現詳解

圖數據在機器學習中的地位越來越重要。社交網絡的用户關係、論文引用網絡、分子結構，這些都不是傳統的表格或序列數據能很好處理的。現實世界中實體之間的連接往往承載着關鍵信息。 圖神經網絡(GNN)的出現解決了這個問題，它讓每個節點可以從鄰居那裏獲取信息來更新自己的表示。圖卷積網絡(GCN)是其中的經典代表，但GCN有個明顯的限制：所有鄰居節點的貢獻都是相等的（在歸一化之後）。 這個假設在很多情況下並不合

神經網絡 , 人工智能 , 深度學習 , 圖論

收藏 評論

u_17579295 頭像

mb6911caa73d1d1 - 當城市裝上"數字大腦"：看數字孿生如何重塑現代城市治理新格局

清晨7點，城市交通早高峯如期而至。在某個城市的指揮中心大屏上，整座城市的運行狀態以三維立體的形式實時呈現：主幹道的車流如血液般奔涌，地鐵線路如神經網絡般閃爍，重點區域的安防監控如敏鋭的眼睛般警惕。這不是科幻電影的場景，而是數字孿生技術在城市治理中的真實應用。 一、從"經驗決策"到"數據驅動"的治理變革 傳統城市治理往往依賴於管理者的經驗和分散

數據 , 智慧城市 , 數據可視化 , 人工智能 , 基礎設施 , 數字孿生

收藏 評論

wangzhongyang_go 頭像

王中陽講編程 - 🚀 RAG 系統檢索不準？是時候引入「離線精排」思維了！

很多同學在做 RAG（檢索增強生成）項目時，都會遇到一個頭疼的問題：向量檢索召回的內容經常“文不對題”，導致大模型回答出現幻覺。今天我們就來聊聊如何通過 Rerank（精排）技術，讓你的 RAG 系統脱胎換骨。 大家好，我是王中陽。 最近在 我們AI就業陪跑訓練營 裏，有不少同學問我：“我的 RAG 系統明明把文檔切好了，向量庫也建好了，為什麼用户問問題時，找出來的文檔還是不準？” 其實，這

人工智能 , 後端

收藏 評論

alixitongruanjianjishu 頭像

阿里云云原生 - 大模型成本太高？阿里雲Serverless AI原生架構，教你極致省錢又穩健部署！

作者：趙世振 本文整理自 2025 雲棲大會，阿里雲智能集團產品架構師 趙世振 的主題演講《Serverless AI 原生應用架構》 在 AI 大模型浪潮席捲全球的今天，企業紛紛加速擁抱 AI，推動智能客服、內容生成、流程自動化等場景快速落地。然而，許多企業在實踐中卻遭遇了“三高困境”——成本高、複雜度高、風險高。 一位互聯網公司 CTO 曾坦言：“智能客服流量暴增，模型服務很容易被打掛，緊急

人工智能 , 雲原生 , serverless

收藏 評論

u_17583190 頭像

fangpin - 從 0 搭建 LLM 不再難！這個 PyTorch 項目幫你吃透大模型底層邏輯

如果你曾想深入理解大語言模型（LLM）的 “五臟六腑”，卻被框架封裝的黑盒接口、複雜的源碼結構勸退；如果你希望親手實現 Transformer 的每一個組件，而非單純調用transformers庫 —— 那麼今天推薦的這個開源項目，絕對能成為你的 LLM 學習 “腳手架”。 它就是 GitHub 上的 llm-from-scratch（項目地址），一個基於 PyTorch、專為教育設

github , 自定義 , 人工智能 , 深度學習 , 開發者

收藏 評論

u_15214399 頭像

u_15214399 - 【案例共創】在開發者空間快速開發MQTT客户端實現硬件仿真上雲

最新案例動態，請查閲【案例共創】在開發者空間快速開發MQTT客户端實現硬件仿真上雲。小夥伴們快來領取華為開發者空間進行實操吧！ 本案例由開發者：DS小龍哥提供 1 概述 1.1 背景介紹 隨着物聯網技術的不斷髮展，越來越多的設備和應用依賴於實時數據交換和遠程控制。在物聯網生態系統中，設備與雲平台之間的通信是核心環節之一，然而對於許多開發者來説，進行

機器學習 , 客户端 , 人工智能 , 開發者 , Layout

收藏 評論

u_16651779 頭像

是Yu欸 - ④用MateChat 寫了一個 AI 修仙模擬器，融合高性能狀態管理與敍事終端

④用MateChat 寫了一個 AI 修仙模擬器，融合高性能狀態管理與敍事終端 寫在最前面 一、 複雜場景的 UI 工程挑戰：超越聊天框 痛點聚焦：非標準佈局的重複工作 MateChat 角色定位：UI 架構基座的價值 二、 技術實現拆解：MateChat 組

華為雲 , 後端開發 , 人工智能 , MateChat , 大模型 , Python , ui

收藏 評論

u_12196 頭像

footballboy - vue2 自定義指令中使用createElement

在 Vue 中，自定義指令可以讓你在模板中使用 v-directiveName 這樣的語法來調用自己定義的指令。自定義指令可以用來操作 DOM 元素，給元素綁定事件監聽器，或者進行其他自定義操作。 Vue.directive 函數來註冊一個指令。該函數接受兩個參數，第一個參數是指令的名稱，第二個參數是一個對象，用來定義指令的行為。 下面是一個自定義指令的例子：

鈎子函數 , 機器學習 , vue.js , 自定義指令 , 人工智能 , 前端 , Javascript

收藏 評論

u_17579295 頭像

mb6911caa73d1d1 - 從UE到瀏覽器：我們如何用數字孿生重構園區運營

還記得去年那個讓我夜不能寐的項目嗎？一家大型科技園區找到我們，希望打造一套能實時監控、分析和優化園區運營的數字系統。他們原有的2D管理系統已經無法滿足日益複雜的運營需求，而傳統的3D建模方案又面臨着開發週期長、硬件要求高、交互體驗差等痛點。 當UE遇見數字孿生 項目啓動之初，我們面臨的最大挑戰是如何在保證視覺效果的同時，實現高效的開發迭代。傳

數據 , API , 加載 , 數據可視化 , 人工智能 , 數字孿生

收藏 評論

u_16213429 頭像

mob64ca12efd81c - AIGC音頻模型

AIGC音頻模型是一種基於人工智能生成內容的音頻處理技術，廣泛應用於音頻生成、轉換、處理等場景。隨着語音識別和合成技術的發展，AIGC音頻模型的適用場景越來越多，比如語音助手、在線教育、遊戲音效生成等。 根據《人工智能音頻技術研究報告》，AIGC音頻模型通過深度學習技術對音頻內容進行分析和生成，展示出強大的創新能力。 適用場景分析 在實際應用中，AIGC音頻模型

System , 響應時間 , aigc , 人工智能

收藏 評論

yuhaibao324 頭像

DeepSeaAI - AI應用平台架構設計：構建的企業級AI應用開發與部署平台

高性能高可用AI應用平台架構設計 一、項目概述 1.1 定位與目標 基於AI應用平台核心理念構建的企業級AI應用開發與部署平台，為組織提供： 可視化AI應用編排：拖拽式構建複雜AI工作流 多模型統一管理：統一接口管理20+主流大語言模型 智能知識庫系統：RAG增強的智能問答與文檔處理 高性能高可用架構：滿足企業級SLA（99.95%+）要求

redis , 神經網絡 , G1 , 緩存 , 人工智能

收藏 評論

lab4ai 頭像

Lab4AI - 【Github熱門項目】DeepSeek-OCR項目上線即突破7k+星！突破10倍無損壓縮，重新定義文本-視覺信息處理

當“8000 行代碼手搓 ChatGPT”的熱度還未褪去，大模型領域又迎來新驚喜——DeepSeek 團隊於 10 月 20 日開源的DeepSeek-OCR，以“上下文光學壓縮”為核心突破，重新定義了 OCR（光學字符識別）的效率邊界。這款僅 30 億參數量的模型，不僅能以 100 個視覺 token 超越傳統模型 256 個 token 的性能，更在單張 A100-40G 顯卡上實現每日 20

機器學習 , 圖像識別 , 自然語言處理 , 人工智能 , 深度學習

收藏 評論

u_15591470 頭像

ceshiren2022 - 揭開帷幕：如何實現UI迴歸測試的全面自主化

在自動化測試領域，Playwright已成為端到端測試的優選方案，以其跨瀏覽器支持和高可靠性著稱。 然而，傳統測試腳本的編寫和維護依然是一項昂貴且對專業知識要求很高的工作。隨着大語言模型和AI智能體技術的發展，一個全新的範式正在興起：讓AI驅動Playwright完成測試任務。 Model Context Protocol在這一變革中扮演了關鍵橋樑的角色，它使得LangChain等AI應

服務器 , 人工智能 , 深度學習 , 自動化測試 , ui

收藏 評論

cerana 頭像

cerana - 歐拉公式

(目錄) 一、複數 $Z^2=-1 \Rightarrow Z=\pm\sqrt{-1}=\pm i$ 複數的座標表示：$Z=a+bi$ 複數的三角表示：$Z=\rho(cos\theta+isin\theta)$ 乘法：棣莫佛定理 摸相乘，角相加。 $$ Z_1Z_2=\rho_1

人工智能 , 數據分析 , 歐拉公式

收藏 評論

u_13360 頭像

level - KNN 方法構建圖模型中計算節點之間距離

樹模型 樹模型在機器學習中至關重要，它不僅本身具有較好的性能，也可以用於優化其他的算法。 我們在本節將要介紹優化算法的樹模型以及決策樹。 一、的數據結構 在KNN算法中我們要找到測試點的最近的K個鄰居，但是這需要我們求解所有點與測試點之間的距離（我們稱這個過程為線性掃描），在數據集很大時這顯然是不合理的，為此我們需要在

機器學習 , 數據集 , 決策樹 , 算法 , 座標軸 , 人工智能

收藏 評論

u_17061379 頭像

AI編程社區 - 我為什麼從眾多 AI 編程工具裏選擇 Qoder JetBrains插件？

個人一直在使用各種AI工具，因為使用習慣的原因，即便使用Cursor等工具，還是會回到IDE中進行代碼編寫和Review。 在有AI之前，很多人都問過VS Code和JetBrains IDE的區別，主要如下： 1、出色的開發語言支持：目前來説，雖然VS Code有眾多的插件，但是諸如Java/Kotlin/Python等語言的支持，還是不如JetBrains IDE

code , 機器學習 , 人工智能 , 開發者 , jetbrains , ui

收藏 評論

u_14230 頭像

爛漫樹林 - go theme語法

一，變量 var：聲明變： 　　var 變量名 數據類型 ：同時還需要指定數據的類型 var 變量名 = 值 ： 聲明變量，根據變量值判斷變量類型 := ：省略var，直接可以（變量名:= 值），注意：不能和其他的變量名重複，否則導致編譯的錯誤 package main var a = "Hello word" var b s

機器學習 , 標識符 , main函數 , 人工智能 , go theme語法 , go

收藏 評論