收藏 / 列表

u_16380863 頭像

未聞花名AI - 構建AI智能體：十二、給詞語繪製地圖：Embedding如何構建機器的認知空間

我們理解“蘋果”這個詞，能聯想到一種水果、一個公司、或者牛頓的故事。但對計算機而言，“蘋果”最初只是一個冰冷的符號或一串二進制代碼。傳統的“One-Hot”編碼方式（如“蘋果”是[1,0,0,...]，“香蕉”是是[0,1,0,...]）無法表達任何語義，所有詞之間的關係都是相等且無關的。 如何讓機器真正“理解”含義？這就需要一種新的表示方法——Embedding。它就像一

中心詞 , NLP , 加載 , 人工智能 , 詞向量

u_16213315 頭像

mob64ca12d42833 - anaconda 安裝stable_baselines3

以下是關於“anaconda 安裝stable_baselines3”的詳細記錄： 在進行強化學習相關研究或項目時，我發現 stable_baselines3 是一個非常有用的庫。它提供了許多強化學習算法，可以幫助我們快速實現和測試各種模型。然而，安裝這個庫時涉及到的一些步驟讓我花費了一些時間。在這裏，我記錄下整個過程，以便後續參考。 環境準備 在開始安裝 stable_ba

User , aigc , ci , Python

u_16175513 頭像

mob649e8167c4a3 - modelscope 運行 llama

modelscope 運行 llama 的問題，是在進行大規模深度學習模型實驗時我所遇到的一個技術挑戰。本文將詳細記錄解決這一問題的思路和過程。 首先進行業務場景分析，我們的主要目標是使得模型能夠在不同的環境下高效而準確地運行。基於此，我繪製了一張四象限圖，以展示團隊在技術債務的分佈情況，幫助識別優先級和影響力的關係。 quadrantChart title 技術債務分佈

優先級 , aigc , 基礎設施 , 迭代

u_16175473 頭像

mob649e815ddfb8 - llama3如何在win下漢化

llama3如何在win下漢化的過程描述 在如今高度依賴人工智能應用的時代，用户常常需要將各種工具和模型本地化，以更好地適應自己的需求。比如，llama3這款在文本生成領域表現優異的模型，用户們希望在Windows環境下進行漢化，以便更便利地使用英文模型完成中文任務。在這個過程中，用户通常面臨許多挑戰，包括字符編碼不兼容、語言轉化工具匱乏以及模型輸出的準確性等等。接下來，我們將詳細描

User , windows , aigc , ci

u_16213334 頭像

mob64ca12d8c182 - GitHub Copilot搜不到

遇到“GitHub Copilot搜不到”的問題可是令人頭疼的，不解決的話就像是編程時找不到合適的助手。接下來，我們一步步來捋清楚這個問題，看看怎麼解決它。 版本對比 在處理“GitHub Copilot搜不到”問題之前，瞭解不同版本之間的特性是很重要的，因它有助於我們逐步排查原因。以下是對比了幾個主要版本的特性差異。 版本 特性

User , aigc , 代碼補全 , Javascript

u_16213305 頭像

mob64ca12d1a59e - idea copilot切換用户

在使用 IntelliJ IDEA Copilot 的過程中，用户之間的切換可能會遭遇一些問題。隨着業務需求的增加，協作開發的方式也逐漸顯現出更高的複雜性，特別是當需要頻繁切換用户時，可能會導致環境配置的錯亂、參數失效等問題。本文將逐步分析這一問題的背景、演進歷程、架構設計、性能攻堅以及擴展應用，為開發者同行提供參考和解決思路。 背景定位 在現代軟件開發過程中，團隊成員往往需要使

壓測 , 架構設計 , aigc , 環境配置

u_16213393 頭像

mob64ca12e732bb - Springboot基於Ollama調用通義千問

在現代的開發環境中，結合Spring Boot和Ollama來調用通義千問，能夠有效提升我們的應用程序靈活性與智能性。接下來，我將詳細分析我們實現這個集成過程的具體步驟，確保你能順利完成這一任務。 環境準備 在開始之前，確保你的開發環境中安裝了必要的工具。以下是一些建議的技術棧及其兼容性： 技術 版本 兼容性説明

app , API , aigc , ci

u_16175507 頭像

mob649e8166179a - aigc面試

在當今信息時代，AI生成內容（AIGC）正逐漸成為業務和技術領域的重要驅動力，它不僅改變了我們的工作方式，也為面試過程帶來了新的挑戰與機遇。針對"AIGC面試"的問題，我們將深入探討該面試的背景，技術演進歷程、架構設計、性能優化、故障覆盤以及擴展應用等方面的內容，以期為這個新興領域奠定紮實的基礎。 背景定位 隨着人工智能技術特別是AIGC的快速發展，越來越多的企業開始在招聘過程中

高併發 , 架構設計 , aigc , 模態

u_16213349 頭像

mob64ca12dc88a3 - ollama linux下載模型位置

ollama linux下載模型位置的描述 在現代機器學習和人工智能發展的背景下，模型的下載和使用變得愈發重要。對於使用ollama的用户，確保Linux環境中的模型下載位置正確配置是實施高效工作流程的關鍵。本文將詳細記錄如何解決“ollama linux下載模型位置”的問題，以便在實際應用中提供充分支持。 環境準備 在正式進行模型下載配置之前，首先需要確保Linux環境配置

硬件資源 , bash , aigc , ci

u_16213431 頭像

mob64ca12f062df - sparksql的saveAsTable 後創建了表但是沒有數據

在使用Spark SQL時，很多用户可能會遇到“使用saveAsTable創建了表但沒有數據”的問題，這種情況可能由於多種原因引起。在本文中，我將詳細介紹如何解決此問題，包括環境準備、集成步驟、配置詳解、實戰應用、性能優化和生態擴展等方面，以確保大家都能順利使用Spark SQL來保存數據到表中。 環境準備 在解決此問題之前，我們需要為Spark SQL設置適合的開發環境。以下是

spark , 技術棧 , hive , aigc

u_16213358 頭像

mob64ca12dedda8 - ollama 金融量化模型

ollama金融量化模型是一個用於金融科技領域的強大工具，它結合了深度學習與量化分析，為投資決策提供了有效支持。在這篇文章中，我們將詳細討論構建和部署ollama金融量化模型的整個過程，包括環境預檢、部署架構、安裝過程、依賴管理、配置調優和版本管理等方面。 環境預檢 系統要求 組成部分 要求

依賴管理 , aigc , 回滾 , 版本管理

u_16213421 頭像

mob64ca12edea6e - ollama下載的權重文件在何方

ollama下載的權重文件在何方 在使用ollama這款生成模型工具時，許多用户會遇到一個常見的問題，就是如何找到下載的權重文件。下面我們將一步步梳理出解決這一問題的全過程。 環境準備 在開始之前，我們需要確保有一個合適的環境來運行ollama。首先，確保你的計算機或服務器上已經安裝了以下前置依賴。 操作系統：Linux (Ubuntu 20.04 以上), ma

權重 , aigc , Docker , Python

u_16213413 頭像

mob64ca12ebf2cc - OllamaLLM函數調用過程中的url參數

在本文中，我們將深入探討“OllamaLLM函數調用過程中的url參數”問題的解決方案，幫助你更好地理解和應用這一挑戰。以下是相關的各個部分，將涵蓋整個過程。 環境準備 為了讓你的項目成功運行，首先必須確保你具備相應的環境。下面是一些依賴安裝指南。 依賴名稱 版本 備註 Ollam

函數調用 , 配置文件 , aigc , JAVA

u_17507674 頭像

網易雲信IM - 網易雲信與四川央國企共探產業升級新生態

近日，網易數智攜手川酒集團、虹信軟件共同赴成都蜀智雲鏈，舉辦了主題為“產業數字化轉型與採購場景技術升級”的交流會。此次活動不僅圍繞數字化轉型實踐、核心技術賦能以及生態協同發展展開深度對話，還特別安排了對蜀智雲鏈參與建設的分散評標場地的現場參觀，讓與會嘉賓實地感受該系統在分散評標招採場景中的落地效果。虹信軟件企業業務中心總經理袁仁東、川酒集團信息化部部長楊益、成都蜀智雲鏈科技總經理

音視頻 , 會議組件 , 數字化 , aigc , bard , 遠程異地評標 , 遠程異地評標會議組件

u_16175438 頭像

mob649e815574e6 - ollama ubuntu 開放API

ollama ubuntu 開放API 是一個強大的工具，可以幫助開發者快速集成並利用各種服務。本文將詳細介紹在 Ubuntu 中使用 Ollama 開放 API 的過程，包括環境準備、集成步驟、配置詳解、實戰應用、排錯指南和性能優化等方面。讓我們開始吧！ 環境準備 在開始之前，我們需要確保環境中已安裝必要的軟件。以下是支持 Ollama API 的版本和相應的技術棧兼容性。

API , bash , aigc , Ubuntu

u_16175487 頭像

mob649e816138f5 - Ollama parameter

Ollama parameter 是一種用於配置和調整計算性能的參數，它在機器學習和人工智能模型的優化中發揮着重要的作用。本文將從各個方面詳細解析“Ollama parameter”相關的技術問題，以及如何有效解決這些問題。 版本對比 為了更好地理解Ollama parameter在不同版本中的特性差異，我們將從歷史演進和適用場景對比兩方面進行分析。 時間軸（版本演進史）：

常見錯誤 , 新版本 , 自定義 , aigc

u_16213341 頭像

mob64ca12da726f - langchain mysql fastgpt

在本文中，我們將探討如何利用 LangChain 和 FastGPT 來與 MySQL 進行高效的數據交互和處理，展示出集成的整個過程。此外，我們會涵蓋性能優化及生態擴展的相關內容，幫助大家更好地整合這一技術棧，實現數據處理的高效性與靈活性。 環境準備 在開始之前，我們需要確保所有技術棧之間能夠完美兼容。以下是我們將使用的軟件及其對應版本： 技術

數據 , MySQL , aigc

lookingdream 頭像

yzy121403725 - kubeflow大規模ML訓練master單點故障方案

優化 Kubeflow 部署，配置多 Master、共享存儲，使用 PyTorchJob/TFJob 配合 checkpoint 策略，保留 MLOps 全流程能力 這些優化的核心目標是： 1. 提高可用性 (HA)：通過多 Master 消除單點故障。 2. 提升效率：通過共享存儲和合理的 Checkpoint 策略，加速訓練、方便模型複用和故障恢復。

aigc , llama , Kubeflow , master單點故障 , ML訓練

u_17469189 頭像

mb68738fa1c4e31 - AI 驅動下的 Google Chrome 擴展快速開發實踐：以屏幕標註工具的實現為例?

AI 驅動下的 Google Chrome 擴展快速開發實踐：以屏幕標註工具的實現為例🧣 CCF程序員大會碼力全開：方向1-工具提效-屏幕標註工具 | 圍巾哥蕭塵🧣 作者： 圍巾哥蕭塵 摘要： 本文記錄了利用百度文心快碼（Comate）參與 CCCF 大會“馬力全開 AI 加速”活動的作品開發過程。該項目目標是解決日常工作中的信息反饋效率問題，聚焦於

chrome , 開發過程 , AI寫作 , aigc , 開發者

u_16213384 頭像

mob64ca12e51ecb - aigc學習指南

在這篇博文中，我將分享創建“AIGC學習指南”的完整過程。此流程涵蓋環境準備、分步指南、配置詳解、驗證測試、優化技巧以及排錯指南的所有細節，讓我們一起深入瞭解這一主題。 環境準備 在開始之前，我們需要確保所有前置依賴項安裝完畢。以下是安裝所需軟件的版本兼容性矩陣： | 軟件 | 版本 | 兼容性 | |-------------|--------

排錯 , aigc , 環境搭建 , Python