tag 人工智能

標籤
貢獻960
1443
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_16213605 頭像

mob64ca13fd9f8e - avformat_free_context頭文件

1.定義 頭文件是擴展名為 .h 的文件，頭文件也是C++的源代碼，頭文件中包含了 C++中函數、類、對象等的聲明和宏定義，它可以被多個源文件通過#include引用共享。 2.使用頭文件原因 C++中有“單一定義”規則，即一個對象只能被定義一次，如果在一個源文件中定義了一個函數，其他的源文件想要使用這個函數就需要在使用前聲明一下這個函

include , 頭文件 , c++ , Visual Studio , 人工智能 , cocos2d , 計算機視覺

收藏 評論

u_16099323 頭像

架構魔法師 - 區域迴歸網絡

摘要：憑藉對雙向上下文進行建模的能力，與基於自迴歸語言建模的預訓練方法相比，基於BERT的基於自動編碼的預訓練實現了更好的性能。然而，依賴於對輸入使用掩碼，BERT忽略了屏蔽位置之間的依賴性，並且受到預訓練 - 微調差異的影響。根據這些優點和缺點，我們提出了XLNet，一種廣義自迴歸預訓練方法，它（1）通過最大化分解階的所有排列的預期

機器學習 , 預訓練 , 建模 , 區域迴歸網絡 , XLNET , 人工智能 , BERT

收藏 評論

u_16163442 頭像

datian1234 - 一文講清構建高效RAG系統：從零到一掌握五種分塊技術，零基礎小白收藏這一篇就夠了！！

前言 分塊（Chunking）是構建高效RAG（檢索增強生成）系統的核心。從固定分塊、遞歸分塊到語義分塊、結構化分塊和延遲分塊，每種方法都在優化上下文理解和準確性上扮演了關鍵角色。這些技術能大幅提升檢索質量，減少“幻覺”（hallucination），並充分發揮你的RAG pipeline的潛力。 在我近一年構建可擴展AI系統

大模型教程 , AI大模型 , 後端開發 , 人工智能 , 大模型入門 , 大模型學習 , Python

收藏 評論

laozhoupm 頭像

PM老周 - PMO實戰：AI研發效能度量（DORA×SPACE）路線圖

DORA 2025 報告指出：AI 採用率上升可能伴隨吞吐與穩定波動，根因在於交付基本功與治理護欄沒跟上。本文用 DORA×SPACE 給 PMO 一套 AI 研發效能度量路線圖：先對齊口徑，再做可對照試點，最後規模化治理，並説明如何把 AI 放進研發管理流程、跑成持續改進閉環。 閲讀本文你將獲得： 一套可複用的 AI 研發效能度量指標體系：DORA（結果）× SPACE（機制） 一條從 0

項目管理 , 人工智能 , 研發管理 , 效能工具

收藏 評論

aipaobudexiangjiao_cktinz 頭像

愛跑步的香蕉_cKtiNz - AI重塑招聘決策：從“經驗判斷”到“數據支撐”的變革

AI重塑招聘決策：從“經驗判斷”到“數據支撐”的變革 AI破解招聘隱性損耗：重構面試與尋訪的核心邏輯 傳統招聘中，企業常將招聘困境歸咎於“簡歷不足”“人才難尋”，但真正消耗HR與業務部門精力的，是面試判斷不準、溝通流程低效、候選人體驗不佳三大隱性問題。這些問題雖不直接爆發，卻在持續侵蝕企業的用人成本、品牌口碑與人才轉化率。在AI技術深度滲透人力資源領域的當下，企業需要的已非單純執行工具

人工智能

收藏 評論

u_12205 頭像

小魚兒 - 華為全棧AI技術乾貨深度解析，解鎖企業AI開發“秘籍” - 華為雲開發者社區的個人空間 -

全模態AI模型Qwen3-Omni-30B-A3B-Instruct完全實戰指南：架構解析、環境配置與性能優化 1 模型概述：跨模態AI的新里程碑 Qwen3-Omni-30B-A3B-Instruct是阿里通義千問團隊於2025年9月發佈的原生端到端全模態大語言模型，標誌着人工智能從"多模態拼接"向"原生融合"的關鍵轉折。該模型作為Qwen

性能優化 , 架構 , 人工智能 , Css , 模態 , 前端開發 , ide , HTML

收藏 評論

u_16213701 頭像

mob64ca14147fe3 - 電視機emmc燒錄

EMC包括兩個方面的要求：一方面是指設備在正常運行過程中對所在環境產生的電磁干擾不能超過一定的限值；另一方面是指器具對所在環境中存在的電磁干擾具有一定程度的抗擾度，即電磁敏感性。所謂電磁干擾是指任何能使設備或系統性能降級的電磁現象。而所謂電磁干擾是指因電磁干擾而引起的設備或系統的性能下降。 EMC包括EMI(電磁干擾)及EMS(電磁耐受性)

機器學習 , 電磁干擾 , 電視機emmc燒錄 , 開關電源 , 人工智能 , EMC

收藏 評論

u_16380863 頭像

未聞花名AI - 構建AI智能體：十六、構建本地化AI應用：基於ModelScope與向量數據庫的文本向量化

將文本轉換為向量（文本嵌入）是自然語言處理中的核心任務，有許多大模型可以完成這項工作。上一篇文章《構建AI智能體：十五、超越關鍵詞搜索：向量數據庫如何解鎖語義理解新紀元》我們是通過阿里雲的api調用的text-embedding-v4模型，同樣還有很多其他輕量級的模型可以很好的完成這個任務，我們今天找兩個結合前期講到的本地化部署來嘗試一下。 一、核心組件回顧

yyds乾貨盤點 , 搜索 , NLP , 相似度 , 加載 , 人工智能

收藏 評論

u_15957839 頭像

MinionPy - 金融數據獲取利器：Tushare全面解析與應用指南

在量化投資和金融數據分析領域，獲取高質量、結構化的金融數據是進行研究與決策的基礎。Tushare作為國內知名的開源金融數據接口包，為Python用户提供了便捷的財經數據獲取方案，成為眾多金融從業者和數據科學家的首選工具。 什麼是Tushare？ Tushare是一個著名的免費、開源的Python財經數據接口包。其官網主頁為：TuShare -財經數據接口包。該接口包如今提供了大量

機器學習 , 數據接口 , 數據 , 初始化 , 人工智能

收藏 評論

u_17423871 頭像

美狐美顏SDK開放平台 - 直播美顏sdk開發指南：人臉關鍵點檢測的性能與精度平衡

在直播、電商、社交、視頻會議全面普及的今天，“美顏”早已不只是錦上添花，而是決定用户留存與體驗的基礎能力之一。 而在所有美顏能力背後，人臉關鍵點檢測，幾乎是直播美顏sdk的技術中樞。 關鍵點不準，美型就會“飄”；性能不穩，直播就會“卡”；精度和性能一旦失衡，最終買單的永遠是用户體驗。本文將從直播美顏sdk的真實開發視角出發，系統講清楚： 人臉關鍵點檢測

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

u_16213708 頭像

mob64ca14163a4f - 人臉識別系列四 | DeepID1算法 - BBuf的個人空間 -

前言：為什麼需要深入理解 DeepSeek-R1？ 在大模型快速迭代的今天，DeepSeek-R1 憑藉其推理增強能力和創新訓練範式成為行業焦點。作為深度求索推出的第一代推理專用大模型，它不僅在數學、代碼等複雜任務上性能對標頂級模型，更通過混合專家架構（MoE） 和無監督強化學習等技術，為大模型效率與能力平衡提供了新範式。 本文從基礎概念到核

redis , 架構 , 數據庫 , 程序人生 , aigc , chatgpt , 人工智能

收藏 評論

u_13728936 頭像

永榮帶你玩轉昇騰 - 01_萬億級推薦系統嵌入表的技術挑戰與現狀

1、問題與挑戰 推薦系統中的用户（User）、物品（Item）及上下文（Context）特徵具有高度異構性，其物理含義和量綱差異顯著。為將這些特徵有效引入深度神經網絡（DNN），須通過Embedding技術將其映射為統一的低維稠密向量表示，從而解決特徵間的語義鴻溝並提升模型泛化能力。為提升推薦系統的整體推薦效果，滿足用户個性化推薦的需求，加速互聯網電商企業快速變現。

推薦系統 , pytorch , 緩存 , 人工智能 , 生成式

收藏 評論

u_13357275 頭像

上海拔俗網絡 - AI智能體開發：讓大模型從“能説”到“會做”

很多人覺得AI大模型已經很厲害——能寫文案、答問題、編代碼，但其實它更像個“超級大腦”，空有知識卻沒手腳。而AI智能體，就是給這個大腦裝上“手腳”和“行動邏輯”，讓它從“只會説”變成“能落地做事”的實用工具。今天就用大白話拆解智能體開發的核心邏輯，不用複雜術語也能看懂。 智能體開發的核心不是“造新模型”，而是“用好現有大模型”。基礎大模型（比如GPT、文心一言）已經掌握了海量知識，我

數據 , 自然語言 , NLP , 人工智能 , 辦公軟件

收藏 評論

u_15147453 頭像

全極世界 - 5分鐘快速瞭解：大模型智能體RAG原理3步拆解-從檢索到生成，如何根治AI幻覺？

檢索增強生成（RAG）技術通過為大模型引入外部知識庫，已成為解決其知識侷限與幻覺問題的核心方案。本文將聚焦於RAG在大模型智能體中的應用，系統解析其從數據準備、智能檢索到答案生成的核心工作流程。文章將探討Agentic RAG如何通過自主決策優化傳統流程，並分析其在企業級應用中的實際價值與面臨的性能挑戰。 如果，你重金聘請的AI專家

機器學習 , 數據 , 數據庫 , 人工智能 , 迭代

收藏 評論

weidejianpan 頭像

商湯萬象開發者 - LazyLLM教程 | 第15講：大視角問答：RAG如何支持跨文檔、跨維度總結

本章我們將為大家介紹如何利用RAG解決統計問題。 首先介紹傳統RAG在處理統計問題中的缺陷：無法直接處理結構化數據以及缺乏動態計算能力，然後我們介紹了RAG解決統計問題的基本思路，以及通過SQL Call和Function Call機制。 接下來分別介紹二者，首先介紹SQL的相關概念以及如何構建SQL數據庫，然後介紹Text2SQL技術和sql_tool工具的具體實現。 最後介紹Fun

llm , 教程 , 知識 , 人工智能 , SQL

收藏 評論

goody 頭像

goody - 智慧公廁 大屏 html demo

公共廁所是城市公共服務基礎設施，公廁乾淨和整潔直接影響城市的舒適度。智慧廁所概念得到政府的大力推進。廁所問題是城鄉文明建設的重要方面，城市、景區、農村公廁都應重視起來，智能公廁控制系統開始逐漸普及。   智能公廁控制系統具備一鍵報警、自動上鎖、環境監測、自動沖水、水量設備使用監測等功能。數據通過計訊物聯工業dtuTD210上傳雲平台分析處理，反饋給公廁顯示屏、公廁APP或者

機器學習 , 雲平台 , 智慧公廁 大屏 html demo , 數據 , 控制系統 , 人工智能

收藏 評論

u_13357275 頭像

上海拔俗網絡 - AI輔助教學系統：為每個孩子配一位“AI私教”

你有沒有想過，在一個標準的40人班級裏，老師其實是一位“超級英雄”？他要同時面對40個思維進度、知識基礎、興趣點完全不同的“小宇宙”。他講一道題，對學得快的孩子來説是重複，對跟不上的孩子來説卻像聽天書。這種“一刀切”的教學模式，是老師分身乏術的無奈，也是每個孩子個性化成長的瓶頸。 “AI輔助教學系統”的出現，正是為了破解這一難題。它不是要取代老師，而是要為老師配備一支強大的“AI助教

自適應 , 產品經理 , NLP , 自然語言處理 , 人工智能

收藏 評論

u_15950621 頭像

中國英茂科工 - yolo自主控制運動的原理與實現

YOLO（You Only Look Once）實現自主控制運動的核心邏輯，是以實時目標檢測為感知核心，結合控制算法完成 “感知 - 決策 - 執行” 的閉環。其原理與實現可概括為兩大關鍵環節。​ 原理層面，YOLO 通過單次卷積神經網絡（CNN）對圖像進行全局特徵提取，直接預測目標的邊界框座標、類別概率及置信度，突破傳統檢測算法的多階段瓶頸，實現毫秒級響應 —— 這是自主運動的核心前提

機器學習 , 金字塔結構 , 數據 , 機械臂 , 人工智能

收藏 評論

aloudata 頭像

Aloudata大應科技 - “智能問數-歸因分析-決策建議”，Aloudata Agent 讓 AI 數據分析價值閉環

在數字化轉型浪潮中，企業每天產生海量數據，但“數據爆炸”與“決策困難”的矛盾愈發尖鋭。隨着 Data + AI 的融合創新，以 ChatBI 為代表的 AI 數據分析工具開始爆火。 但大多數 AI 數據分析工具往往止步於“智能問數”，難以給出深層次的分析洞察，特別是對於異常數據表現，無法下鑽和歸因分析，難以為業務決策提供有效支持。 因此，一款優秀的 AI 數據分析工具應成為“決策引擎”，將數據轉化

agent , bi , data , 人工智能 , 數據分析

收藏 評論

u_15675268 頭像

1艾一刀 - CES深度觀察丨智能清潔的四大關鍵詞：變形、出户、體驗以及生態協同

文 | 智能相對論 作者 |佘凱文 十年前，一台能自己規劃路線、不撞傢俱的掃地機器人已經足夠令人驚喜；五年前，能自動返回基站清洗拖布、倒掉塵盒的機器，則被視作解放雙手的終極方案。而在今年的CES上，這種認知再度被刷新。 對於清潔家電來説，今年的CES儼然成為了一場比拼“想象力”的舞台。產品的形狀，正在從千篇一律的圓盤，演變為形態各異的仿生結構；它們的“工

無人機 , 二維 , 人工智能 , 深度學習 , 解決方案

收藏 評論

u_15641375 頭像

芯動大師 - 基於波特圖的控制系統設計算法

波特圖（Bode Plot）是一種用於描述線性控制系統頻率響應的圖形表示方法，通常用於分析和設計控制系統。它以控制系統的傳遞函數（或頻域傳遞函數）為基礎，將系統的幅頻特性（振幅-頻率響應）和相頻特性（相位-頻率響應）以圖形的方式展示出來。可以根據波特圖理解和評估系統的穩定性、性能和魯棒性。 波特圖可以指導控制器的設計。通過調整控制器的參數，可以改變系統的頻率響應，以滿足特定

yyds乾貨盤點 , 傳遞函數 , 控制系統 , 人工智能 , 數據結構與算法 , 信號傳輸

收藏 評論

u_16213608 頭像

mob64ca13fe62db - 若以如何講system中的類應用到common模塊中

前面的博文中我們討論瞭如何使用Business Connectivity Services對象模型欄獲取已部署在SharePoint BCS中的外部內容類型。本文中我們將學習如何獲取一個ECT的BCS方法集合。並且還要通過Business Connectivity Services對象模型執行其中的Finder方法和SpecificFinder方法。請先按照上一次文章中的

機器學習 , 標識符 , 對象模型 , 人工智能 , Business

收藏 評論

mangrandedanche 頭像

數據庫分享小北 - 《阿里雲 Data+AI：開啓數據智能新時代》電子書上線啦！

本書整理了阿里雲在Data+AI領域的最新實踐案例與深度洞察，涵蓋電商、遊戲、營銷、數字內容等多個行業的成功經驗，以及技術專家對數據庫與AI融合趨勢的專業解讀。 通過理論與實踐的結合，我們將共同探索Data+AI如何成為企業智能化轉型的核心驅動力，幫助每一位讀者找到屬於自己的數據智能之路。 現在，只需點此即刻搶先下載閲讀，開啓這場數據智能的探索之旅。不要錯過這個與行業前沿接軌、為企業發展賦能的寶貴

date , 數據庫 , 人工智能

收藏 評論

u_15476544 頭像

天鯤科技 - AI驅動威脅狩獵系統在支付平台的創新實踐

摘要：本白皮書系統闡述了跨境支付平台在構建AI驅動威脅狩獵系統過程中的核心挑戰、技術架構與實施成效。面對高級持續性威脅（APT）導致的欺詐交易與高誤報率問題，平台基於AWS雲原生服務構建了一套融合自動推理、行為圖譜與實時響應的智能安全體系。通過引入Amazon Bedrock的Guardrails自動推理引擎、Amazon Detective圖數據庫與GuardDuty威脅情報集

AWS , amazon , 運維 , 人工智能 , 深度學習

收藏 評論