tag 人工智能

標籤
貢獻960
1421
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_14444 頭像

lgmyxbjfu - Sentry SourceMap 工具

1.Server.MapPath()介紹 Server.MapPath(string path)作用是返回與Web服務器上的指定虛擬路徑相對應的物理文件路徑。其參數path為Web 服務器的虛擬路徑，返回結果是與path相對應的物理文件路徑。但有時參數並非為虛擬路徑， 而是用户自定義的文件名。 Server.MapPath()的全名是System.Web.Htt

機器學習 , 文件路徑 , Sentry SourceMap 工具 , server , 人工智能 , Web

收藏 評論

u_16099199 頭像

數據俠客行 - Python nlp有哪些軟件包

機器學習的發展可以追溯到1959年，有着豐富的歷史。這個領域也正在以前所未有的速度進化。在之前的一篇文章中，我們討論過為什麼通用人工智能領域即將要爆發。有興趣入坑ML的小夥伴不要拖延了，時不我待！ 在今年秋季開始準備博士項目的時候，我已經精選了一些有關機器學習和NLP的優質網絡資源。一般我會找一個有意思的教程或者視頻，再由此找到三四個，甚至更多的教程或者視頻。猛回頭

github , 開發工具 , Python nlp有哪些軟件包 , 後端開發 , 人工智能 , 數據結構與算法 , Python

收藏 評論

aigc 頭像

深藍的思考 - 使用iThinkAir+DeepSeek氛圍編程

上週DeepSeek發佈了兩個正式版模型：DeepSeek-V3.2和DeepSeek-V3.2-Speciale，就想着看看DeepSeek在iThinkAir裏氛圍編程的效果。 之前在秒噠上玩過一個“Nana Banana Pro 卡通頭像生成器”，比較有意思，就拿這個應用來試試DeepSeek+iThinkAir氛圍編程的效果。 先將這個應用截圖： 打開iThinkAir，添加這個截圖，不

人工智能

收藏 評論

JavaEdge 頭像

JavaEdge - Google 將 Colab 集成帶入 Visual Studio Code

Google 宣佈推出一款全新的 Visual Studio Code 擴展，可將本地筆記本連接到 Colab 運行環境。這使開發者能夠將原本分離的本地開發環境與基於網頁的 Colab 環境整合到一起。 Google Colab 團隊表示，他們通過社區反饋（包括博客文章、論壇討論和熱門 GitHub 倉庫中記錄的各種解決方案）發現了這兩種環境之間存在的差距。

code , yyds乾貨盤點 , google , 人工智能 , 深度學習 , 開發者

收藏 評論

u_16099230 頭像

歲月如歌甚好 - 設計模式C++學習筆記之七（AbstractFactory抽象工廠模式） - 星晨

1. Llama Factory 到底是什麼？ 1.1 簡單比喻 想象你要定製一輛汽車： 傳統方式（沒有 Llama Factory）： 你需要自己造發動機、設計車身、組裝零件 需要懂機械工程、電子技術、材料科學 整個過程複雜、容易出錯、耗時很長 使用 Llama Factory：

數據集 , 數據 , 人工智能 , llama , Css , 前端開發 , 工作原理 , HTML

收藏 評論

huandanshendeshoushudao 頭像

慧星雲 - 製作一個3D建模只需10秒:騰訊發佈3D開源模型“混元3D”

混元3D模型 騰訊在科技領域投下一顆重磅炸彈，宣佈推出混元3D生成大模型“hunyuan3d-1.0”，這是業界首個同時支持文字、圖像生成3D的開源模型。它具有生成速度快、泛化能力強、可控性好等特點，直接引起了AI界眾人的關注。 混元3D-1.0 混元3D生成效果 Hunyuan3D-1.0是3D生成開源界首個同時支持文字、圖像轉3D的模型，效果達到SOTA級別。該模型採用兩階段生

llm , 雲平台 , 騰訊 , 雲計算 , 人工智能

收藏 評論

ironpandaaa 頭像

鐵熊 - 創客教育中常見的視覺識別攝像頭介紹

近年來，創客教育、人工智能教育在中小學日漸普及。從目前中小學教育的應用層面來説，主要包含了視覺和聽覺等幾個領域的人工智能教學。因此，攝像頭模塊或傳感器，作為視覺領域必不可少的教具，也被應用的越來越多。市面上越來越多的廠家或機構，也開發了許多視覺攝像頭相關的硬件。筆者作為一名創客愛好者以及中小學創客教育從業者，從自己的角度，為大家梳理了一些常用的攝像頭模塊，並做一些簡單的介紹。因筆者水平有限，以及

教育 , 開源硬件 , 攝像頭 , 人工智能 , 創客

收藏 評論

u_15641375 頭像

芯動大師 - ROS 編程入門的介紹

2.1 創建 ROS 功能包 ROS（Robot Operating System）是一種開源的機器人軟件框架，廣泛用於機器人開發中。通過使用 ROS，開發者可以輕鬆創建和管理機器人應用程序。在本節中，我們將介紹如何創建一個 ROS 功能包並實現一些基本功能。 2.1.1 使用 ROS 主題 ROS 主題（Topic）是一種發佈/訂閲機制，允許節點之間進行通信。

機器學習 , 服務器 , yyds乾貨盤點 , xml , 客户端 , 人工智能

收藏 評論

u_13357275 頭像

上海拔俗網絡 - 檢察機關AI智能語音平台：技術讓效率與安全雙在線

在檢察機關辦案流程中，審訊錄音、證人證言、會議討論等海量語音數據，曾是耗費幹警大量精力的“負擔”。AI智能語音平台的落地，並非簡單的“語音轉文字”，而是通過精準的技術適配，為檢察辦案築起高效與安全的雙重屏障，成為數字檢察的核心抓手之一。 平台的核心根基是定製化語音識別（ASR）技術。不同於通用語音工具，檢察場景對專業度和準確率要求極高——“認罪認罰”“尋釁滋事”等法律術語、地方方言，

數據 , NLP , 智能語音 , 數據安全 , 人工智能

收藏 評論

gpustack 頭像

GPUStack - GPUStack Windows（WSL2）部署指南

GPUStack v2 以高性能推理與生產級穩定性為核心演進方向，對整體架構進行了全面重構，實現了組件間的靈活解耦，並對多推理引擎和異構算力進行了深度優化，充分釋放推理引擎在吞吐、延遲與併發方面的性能潛力。 基於這一架構設計，GPUStack v2 聚焦 Linux 原生環境，以充分利用其在生態和 AI 基礎設施領域的成熟優勢。 對於 Windows 用户，推薦通過 WSL2（Windows Su

generative-ai , llm , 人工智能 , Docker

收藏 評論

u_16099251 頭像

雲中誰寄錦書來 - 支持向量機本身對偶共同點

前言 動筆寫這個支持向量機(support vector machine)是費了不少勁和困難的，原因很簡單，一者這個東西本身就並不好懂，要深入學習和研究下去需花費不少時間和精力，二者這個東西也不好講清楚，儘管網上已經有朋友寫得不錯了(見文末參考鏈接)，但在描述數學公式的時候還是顯得不夠。得益於同學白石的數學證明，我還是想嘗試寫一下，希望

機器學習 , 數據 , php , 面試 , 支持向量機本身對偶共同點 , 人工智能

收藏 評論

momodel 頭像

Momodel - Python 人工智能編程指南：基礎、庫和工具大全解析

Python 已成為人工智能 (AI) 和機器學習領域的通用語言。其廣泛的應用、強大的庫生態系統和用户友好的語法使其成為人工智能愛好者、數據科學家和研究人員的理想選擇。在這份綜合指南中，我們將探討用於 AI 編程的 Python 基礎知識，深入研究關鍵庫，並重點介紹 AI 開發的基本工具。 Python：人工智能的語言 Python 在人工智能領域的流行並非巧合；它提供了獨特的功能組合，使

編程 , 基礎 , 人工智能 , Python

收藏 評論

u_16099188 頭像

互聯網小思悟 - tms320c6c語言代碼微盤,TMS320C6_weixin

引言：VLIW架構為何成為AI邊緣計算的核心引擎 隨着人工智能技術的飛速發展，AI邊緣計算正成為行業熱點。在智能攝像頭、無人機、工業物聯網等資源受限的場景中，實時推理對處理器的低延遲、高能效提出了嚴峻挑戰。傳統通用處理器（如CPU）往往因功耗高、並行性不足而難以滿足要求，而專用加速器（如GPU）又存在成本高、靈活性差的問題。這時，數字信號處理器（D

DSP , VLIW , 邊緣計算 , 架構 , 人工智能 , 前端開發 , Javascript

收藏 評論

u_17423871 頭像

美狐美顏SDK開放平台 - 直播美顏sdk與美型功能開發：技術架構與應用實踐

隨着直播電商、線上娛樂、在線教育的持續升温，用户對直播畫面質量的要求早已不再停留在“能看清”，而是逐步升級為“好看、自然、有質感”。在這一背景下，直播美顏sdk與美型功能開發，正在成為直播系統和音視頻產品中的核心能力之一。 本文將從技術架構、關鍵功能實現以及實際應用場景三個層面，聊一聊直播美顏sdk的開發邏輯與落地實踐，希望能為正在做直播系統、音視頻應用或相關產品的團隊提供

視頻美顏sdk , 美顏api , 人工智能 , 直播美顏sdk , 計算機視覺 , 第三方美顏SDK , 在51CTO的第一篇博文 , 美顏SDK

收藏 評論

weidejianpan 頭像

商湯萬象開發者 - LazyLLM × 硅基流動：共造面向開發者的下一代智能應用底座

在大模型全面走向工程落地的當下，LazyLLM正式與硅基流動（SiliconFlow） 達成深度合作，共同打造面向開發者的下一代智能應用底座。藉助LazyLLM的一鍵接入線上模型API能力，硅基流動的大語言模型、多模態模型、向量與Embedding模型、文生圖模型等已經完整接入，同一套接口即可覆蓋從文本到圖像、從檢索到生成的全鏈路需求。 這次合作帶來的不僅是更強大的RAG選型，還進一步放大

應用開發 , 資訊 , 部署 , 合作 , 人工智能

收藏 評論

chaoqipengbodehuochai_eav70j 頭像

極市平台 - 驍龍大賽-技術分享第6期——直播問題&答疑整理（創達）

Q1：在 QAI AppBuilder 上部署 DDColor 時，常見的性能瓶頸在哪裏？有哪些優先級最高的優化手段？ A1： 主要的性能瓶頸出現在 CPU 的前處理與後處理環節。前處理中包含大量 OpenCV 操作，例如顏色空間轉換、圖像縮放、通道拆分合並等，這些操作都在CPU上執行,對於高分辨率的圖像,會消耗大量的計算資源,成為顯著的性能瓶頸。後處理同樣包含了大量的CPU計算，例如圖像縮

算法 , 知識 , 人工智能 , 程序員

收藏 評論

u_13357275 頭像

上海拔俗網絡 - AI決策分析平台：讓數據替你“出主意”，決策不再靠“拍腦袋”

在職場中，“拿主意”從來都是難題：銷售預測靠經驗猜，庫存規劃憑感覺調，市場策略跟着競品跑——不是不想科學決策，而是分散在Excel、報表、系統裏的數據，像一堆亂麻，沒人能快速理出線索。而AI決策分析平台的出現，正用技術打破這種困境，把複雜數據變成清晰答案，讓決策從“憑經驗”變成“靠數據”，不用懂高深算法，普通人也能輕鬆用。 AI決策分析平台的核心，是給數據裝上“智能大腦”。這個大腦靠

找規律 , 數據 , 數據整理 , NLP , 人工智能

收藏 評論

shujuxiaowanzi 頭像

數據小玩子 - 【營銷數據洞察系列8】跨部門數據協同決策：市場與銷售數據脱節，如何讓決策更協同？

跨部門協作的核心是“數據同源、目標對齊”，打破市場與銷售的信息壁壘，才能實現線索從獲取到轉化的全鏈路優化通過助睿BI打通市場投放數據與銷售轉化數據，生成跨部門協同看板，市場端可直觀看到渠道帶來的線索質量、銷售端可明確高價值線索的來源特徵，雙方基於同一套數據對齊目標，提升整體業務效率。 助睿BI鏈接：https://www.zhurui.com/

數據挖掘 , bi , 人工智能 , 數據分析

收藏 評論

u_17579924 頭像

商業快訊 - 免費降AI率工具推薦？免費VS付費工具，到底選哪個？！

最近後台好多寶子問我：“有沒有免費的降AIGC率工具推薦？” 作為過來人，我太懂這種焦慮了——論文初稿AI率飆到70%+，導師一眼識破；職場寫個方案被判定為AI生成，職業道德都受質疑；學生寫個徵文或者作業，也被檢測AI率過高被打回。為了幫大家避坑，我把2025年市面上主流的降AIGC率工具都測了個遍，有免費的有付費的，今天就把實測結果和最終選擇分

技術流 , 人工智能 , 數據分析 , 解決方案

收藏 評論

u_16213605 頭像

mob64ca13fd9f8e - 超級搜索引擎專題

一、狂飆年代的另一面：熱度背後是結構性焦慮 2025年，中國的機器人賽道正在經歷一場罕見的“資本風暴”。短短一年內，數十家機器人企業密集奔赴IPO，從倉儲、酒店、家居，到農業、醫療、巡檢，無一不在講述自己的“具身智能故事”。 表面上，這是一場繁榮：政策紅利、產業基金、港股“18C通道”，為創業公司提供了前所未有的融資窗口；技術層面，AI感知、

音視頻 , 機器人 , 多智能體協同 , 人工智能 , 數據結構與算法 , 計算機視覺

收藏 評論

u_16213607 頭像

mob64ca13fe1aa6 - template 內怎麼進行判斷

一、簡介 字符串置換操作。 　　何謂“簡化”？我們可以先想一下我們之前比較常用的有關字符串的“置換”操作有哪些：一種是利用%操作符實現，另外一種是格式化字符串format實現。那麼，相比於這兩種方法，string.Template究竟簡化在何處呢？ 　　那我們就以下面的代碼為例簡單説明一下string.Template的用法與上述兩種方式的區別：

機器學習 , 字符串 , 操作符 , 取值 , 人工智能 , template 內怎麼進行判斷

收藏 評論

whaosoft143 頭像

whao143 - 51c自動駕駛~合集51

#毫末最新OAD 軌跡偏移學習助力端到端新SOTA~ 端到端自動駕駛技術在近年來取得了顯著進展。在本研究中，我們提出了軌跡偏移學習，將傳統的直接預測自車軌跡，轉換為預測相對於軌跡錨點的偏移，降低模型學習的難度。與baseline模型相比，該方法顯著提高了規劃精度和安全性，在nuScenes上將L2 error降低了39.7%（從0.78m降至0.47m），並將碰撞率降

自動駕駛 , 人工智能 , 計算機視覺

收藏 評論

aws_aidevcommunity 頭像

亞馬遜雲開發者 - 雲原生遊戲網關架構：EKS + APISIX + Graviton 構建高性能遊戲服務網關

前言 在現代遊戲運營環境中，隨着遊戲服務器規模的不斷擴大，傳統的服務器代理方案面臨着諸多挑戰。本文將介紹如何使用 API Six 這一高性能網關來解決大規模遊戲服務器代理的問題，特別是針對需要使用多個 Network Load Balancer (NLB) 的場景，提供一個更加優雅和高效的解決方案。 在遊戲服務架構中，我們經常遇到以下幾個關鍵挑戰： 1、 服務器規模問題 隨着遊戲的成功運

API , 人工智能 , 雲原生

收藏 評論

u_17607960 頭像

wx694bc8b9eaf99 - 智能體來了：從零基礎到進階，徹底掌握 JSON 數據交換核心

前言：為什麼智能體時代，JSON 成了“必修課”？ 在 AI 智能體（Agent）開發過程中，我們並不是簡單地“和模型聊天”，而是在持續地進行結構化數據交互： 智能體如何接收參數？ 工具函數如何返回結果？ 如何約束大模型的輸出格式？ 如何讓多個 Agent 協同工作？ 這些問題，最終都會指向一個

使用場景 , 字符串 , 人工智能 , 深度學習 , Json

收藏 評論