支锦铭
支锦铭

UCAS - AI学院 - 知识图谱专项课 - 第6讲 - 课程笔记

UCAS-AI学院-知识图谱专项课-第6讲-课程笔记

  • 实体识别
    • 信息抽取概述
    • 信息抽取的基础：分词和词性标注
    • 命名实体识别
    • 细粒度实体分类
    • 开放领域实体识别

实体识别

信息抽取概述

  • 知识获取
    • 输入：领域知识本体 / 海量数据
    • 输出：领域实例化知识（实体集合、时间集合、事件关系/属性、事件关系）
    • 主要技术：信息抽取
  • 信息抽取来源：网络文本信息结构
    • 结构化数据
    • 半结构化数据
    • 纯文本（主要，非常重要）
  • 信息抽取：从自然语言文本中抽取指定欸性的实体、关系、事件等事实信息，并形成机构化数据输出的文本处理技术
  • 主要任务
    • 实体识别
    • 实体消歧
    • 关系抽取
    • 事件抽取
    • 事件关系判别

信息抽取的基础：分词和词性标注

  • 中文分词：在中文文本中词与词之间加上标记
  • 词性标注PoS：确定当前上下文中每个词是名词、动词、形容词或其他词性的过程
  • 分词的重要性
    • 汉语句子分析的基础
    • 中文语义与字词搭配相关
  • 分词难点
    • 分词的界限模糊
    • 歧义切分（交集型歧义）
    • 未登录词识别（命名实体、专业术语、新词语）
  • PoS难点
    • 词性兼类
  • 中文分词方法
    • 有词典切分（一般基于规则） vs. 无词典切分
    • 基于规则的方法 vs. 基于统计的方法
  • 有词典切分的分词方法
    • 词典匹配
    • 正向最大匹配法
      • 算法P24
    • 反向最大匹配法
      • 与上述算法对应
    • 最短路径法
      • 算法P25
    • 优点
      • 简单一行
      • 仅需要少量语言资源
    • 缺点
      • 歧义消解能力差
      • 切分准确率不高
  • 统计方法·生成式方法
    • 建立样本生成模型，再进行间接推理
    • HMM
      • 马尔可夫过程：当前状态由前 t − 1 t - 1 t−1个时刻的状态决定
      • 一阶马尔可夫假设：当前状态只与前一个状态相关
      • 不动性假设：一阶假设独立于时间
      • 表示成状态转移图，每个节点所有出弧概率和为1
      • 序列概率 P ( S 1 , … , S T ) = π S 1 ∏ t ≥ 2 p ( S t ∣ S t − 1 ) P(S_1, \dots, S_T) = \pi_{S_1} \prod_{t \ge 2} p(S_t| S_{t - 1}) P(S1​,…,ST​)=πS1​​∏t≥2​p(St​∣St−1​)
      • 隐马尔可夫模型：双重随机构成，由状态序列产生观察序列
    • HMM的三个问题
      • 概率计算问题，给定观察序列，计算当前HMM下的概率
      • 预测问题：给定观察序列的最佳状态序列
      • 学习问题：给定观察序列，估计最大概率的模型参数
    • HMM：分词 + 词性标注
      • 分词结果作为观察序列
      • 词性标注作为状态序列
      • N即词性标记符号个数
      • M每个状态课输出不同词汇的个数
    • 求解目标
      • 分词结果： O ^ = arg ⁡ max ⁡ O p ( O ∣ μ ) \widehat O = \arg \max_O p(O | \mu) O =argmaxO​p(O∣μ)
      • 词性标注结果： Q ^ = arg ⁡ max ⁡ Q p ( Q ∣ O , μ ) \widehat Q = \arg \max_Q p(Q | O, \mu) Q ​=argmaxQ​p(Q∣O,μ)
    • 模型参数学习
      • 监督训练：直接统计
      • 无监督训练：E-M方法
    • 优点：在预料规模足够大，覆盖领域足够大时有较高准确率
    • 缺点：预料的规模和覆盖领域不好把握，模型实现复杂
  • 统计方法·判别式方法
    • 优先样本条件下，建立判别函数
    • 分词问题转化为判别分类问题
    • 确定每个子在此种位置问题（词首B、词中M、词尾E、独字词S）
    • 最大熵模型
      • 熵增原理
      • 最大熵理论：在已知条件下，熵最大的事物最接近真实状态
      • 约束条件：标注的训练集
    • 基于最大熵模型的中文分词
      • 为每个字标注BMES
      • 生成最大熵训练实例
      • 参数训练（生成实例——训练工具——参数训练）
      • 测试（四个实例——激活标记——计算概率——取最大概率标记）
    • 搜索最优标注路径
    • 基于神经网络的中文分词
      • BiLSTM + CRF
    • 优点：精度高、新词识别率高
    • 缺点：训练速度慢、需要设计模板以及人工标注语料、性能与之相关
  • 字典 + 统计的方法
    • 用字典辅助OOV词语识别
  • 主要问题
    • 语料规模小
    • 覆盖领域少
    • 实体和专有名词识别性能低

命名实体识别

  • 命名实体
    • 人名、机构名、地点名称
    • 时间、日期、百分比、货币
  • 知识图谱中的命名实体：知识图谱是由众多的实体以及实体之间的关系构成的
  • 两个任务
    • 实体边界识别
    • 实体类别标注
  • 特点
    • 时间、日期、货币、百分比有明显规律
    • 人名、地名、机构名识别难度大
      • 数据大不可枚举
      • 无明显规律
      • 常用缩写
  • 英文人名识别
    • 具有明显特征
    • 比较容易
  • 中文人名识别
    • 难点
      • 规律不明显
      • 姓氏和名字可单独使用指定
      • 普通字词
      • 缺乏启发标记（与上下文成词）
    • 组合
      • 姓
      • 名
      • 前缀
      • 后缀
    • 特点
      • 各部分有一定规律
      • 内部组合规律
      • 上下文构成规律
  • 中文地名识别
    • 难点
      • 数量大、缺乏明确规范的定义
      • 出现情形复杂
    • 特点
      • 绝大部分是两个字
      • 常与方位词连用
  • 中文机构名识别
    • 难点
      • 含有大量的人名、企业字号等专有名称
      • 用词广泛
      • 长度不固定
      • 存在不稳定
    • 特点
      • 偏正式复合词
      • 定语 + 名词性中心语
  • 音译名识别
    • 难点
      • 很难划分出结构
      • 音译规律不尽相同
      • 上下文规律较差
  • 方法
    • 有词典识别方法
      • 词典匹配
      • 正/反向最大匹配法
      • 最短路径法
    • 统计识别方法
      • 生成式方法HMM
      • 判别式方法CRF
  • 条件随机场
    • 给定一组输入随机变量下另一组输出随机变量的条件概率分布模型
    • 假设输出随机变量构成马尔可夫随机场
    • 用于序列结构标注问题
    • 设 X X X和 Y Y Y是两组随机变量， P ( Y ∣ X ) P(Y|X) P(Y∣X)在给定 X X X下 Y Y Y的条件概率分布， Y Y Y构成无向图表示的马尔可夫随机场（只与相连节点相关），则称条件概率 P ( Y ∣ X ) P(Y|X) P(Y∣X)为条件随机场
    • p ( Y v ∣ X , Y w , w ≠ v ) = p ( Y v ∣ X , y w , w ∼ v ) p(Y_v | X, Y_w, w \neq v) = p(Y_v | X, y_w, w \sim v) p(Yv​∣X,Yw​,w​=v)=p(Yv​∣X,yw​,w∼v)
    • 线性链CRF：两组条件变量均为线性链表示随机序列
  • HMM vs. ME vs. CRF
    • HMM，生成式模型，只用两个矩阵建模（转移矩阵和生成矩阵），无法利用复杂特征
    • ME，判别式模型，可以使用任意复杂特征（特征函数），但是只能得到观察序列与某一状态的关系，状态间关系无法利用
    • CRF，判别式模型，可以使用任意复杂特征，可以建模序列和多个状态的关系，考虑了状态之间的关系
  • 基于CRF的NER
    • 对每个汉字标注对应实体模型的BIO标记
    • 特征函数：不同种类的特征（上下文、词性、词表）
    • 词表：生成实例——送入工具——参数训练
    • 测试：生成实例——激活特征——计算特征概率——取最大概率标记
  • LSTM + CRF的NER
    • 利用神经网络学习文本中特征
    • LSTM产生特征——CRF优化目标函数——产生实体类别
  • 汉语分词CWS + NER
    • 分词错误可能积累到NER中
  • GAN based NER
    • 使用丰富的分词数据提升NER性能
  • 融入词典的NER
    • Lattice LSTM获取词信息

细粒度实体分类

  • Entity Typing
  • 更细致的分类，用于提升性能
  • 类别特点
    • 更多
    • 更细
  • 难点
    • 类别制定
    • 语料标注
    • 实体识别方法
  • 方法
    • 无监督
    • 有监督
  • 无监督方法
    • KnowItAll：规则抽取（人工制定，搜索引擎扩展），实体名抽取（互联网抽取）、实体名验证（搜索引擎验证）
  • 有监督方法
    • 特征工程
    • 神经网络
  • 思路：上下文、知识库

开放领域实体识别

  • 不限制实力类别
  • 不限制目标文本
  • 给定某一类别实体实例，从网页中抽取同一类别其他类别实体
  • 思路：中自此与目标词在网页中有相同或类似的上下文
    • 种子词——模板——更多同类实体
  • 主要方法
    • Query Log
    • 网页结构
    • 多数据源融合

你可能感兴趣的:(UCAS-课程笔记,知识图谱,人工智能)

  • 计算机视觉与深度学习：使用深度学习训练基于视觉的车辆检测器（MATLAB源码-Faster R-CNN） ZhShy23 javascript深度学习
    在人工智能领域，计算机视觉是一个重要且充满活力的研究方向。它使计算机能够理解和分析图像和视频数据，从而做出有意义的决策。其中，目标检测是计算机视觉中的一项关键技术，它旨在识别并定位图像中的多个目标对象。车辆检测作为目标检测的一个重要应用，在自动驾驶、智能交通系统等领域有着广泛的应用前景。本文将介绍如何使用MATLAB和深度学习技术，特别是FasterR-CNN模型，来训练一个车辆检测器。文章目录一
  • 利用双分支CycleGAN进行图像数据的高效增强 jizhi-dataset 人工智能
    随着人工智能技术的快速发展，图像数据处理变得越来越重要。为了提高图像数据的质量和可用性，我们需要采用高效的数据增强方法。双分支CycleGAN网络作为一种先进的图像处理技术，为我们提供了一种全新的解决方案。本文将详细介绍双分支CycleGAN的工作原理，并展示其在图像数据增强方面的实际效果。同时，我们也将讨论在实际应用过程中可能遇到的挑战以及如何解决这些问题。，，CycleGAN是一种用于图像到图
  • 揭秘AIP智能体平台：构建未来AI基础设施的新引擎 大东（AIP内容运营专员） 人工智能
    在人工智能的浪潮中，科技正在改变我们生活的方方面面。从智能推荐到自动驾驶，从个性化广告到实时风险控制，AI的触角无处不在。但这些令人瞩目的成果背后，究竟是什么在支撑着AI的飞速发展？答案是——人工智能平台。人工智能平台是连接计算资源、开发工具和行业应用的重要桥梁，支撑着从模型开发到行业场景落地的每一个环节。它不仅为开发者提供高效便捷的工具，还为企业创造了无限的创新可能。本文将带你深入了解人工智能平
  • 【Python】已解决：WARNING: pip is configured with locations that require TLS/SSL, however the ssl module i 屿小夏 pythonpipssl
    个人简介：某不知名博主，致力于全栈领域的优质博客分享|用最优质的内容带来最舒适的阅读体验！文末获取免费IT学习资料！文末获取更多信息精彩专栏推荐订阅收藏专栏系列直达链接相关介绍书籍分享点我跳转书籍作为获取知识的重要途径，对于IT从业者来说更是不可或缺的资源。不定期更新IT图书，并在评论区抽取随机粉丝，书籍免费包邮到家AI前沿点我跳转探讨人工智能技术领域的最新发展和创新，涵盖机器学习、深度学习、自然
  • 《鸿蒙Next应用商店：人工智能开启智能推荐与运营新时代》 人工智能深度学习
    在科技飞速发展的当下，鸿蒙Next系统的出现为操作系统领域带来了新的变革与机遇，而人工智能技术的融入更是让其应用商店的智能化推荐和运营迈向了一个全新的高度。用户画像精准构建在鸿蒙Next系统中，应用商店可以借助系统强大的权限管理和数据收集能力，全方位收集用户的多维度数据。通过对用户在应用商店内的浏览历史、下载记录、搜索关键词，以及在其他鸿蒙应用中的使用行为等多源数据进行汇总和分析，利用人工智能算法
  • 机器学习的介绍 2201_75874206 机器学习人工智能
    目录1.机器学习的定义2.机器学习的原理3.机器学习的方法4.机器学习的分类5.机器学习的评估6.机器学习的应用场景7.机器学习与人工智能的关系结论机器学习在自然语言处理中的最新应用和技术是什么？如何评估机器学习模型的性能，除了交叉验证、MSE和RMSE外，还有哪些其他重要的指标？在金融风险管理中，机器学习如何帮助预测市场趋势和信用风险？市场趋势预测信用风险评估机器学习与人工智能之间的关系在未来发
  • 迅为RK3562开发板专为3562编写10大分类2900+页文档 mucheni rk35623562
    iTOP-3562开发板采用瑞芯微RK3562处理器，内部集成了四核A53+MaliG52架构，主频2GHZ，内置1TOPSNPU算力，RK809动态调频。支持OpenGLES1.1/2.0/3.2、0penCL2.0、Vulkan1.1内嵌高性能2D加速硬件。内置独立NPU,算力达1TOPS,可用于轻量级人工智能应用。支持几乎全格式的H.264解码，支持1080p@60fps的解码，支持4K@3
  • 工业场景将成为AI大模型的重要战场！零基础入门AI大模型，看这篇就够了！ 大模型扬叔 人工智能工业多模态大模型
    前言2024年，各大公司推出强大理解能力的多模态大模型，将引领人工智能（AI）技术创新和应用，工业场景将成为多模态大模型的最佳实践场地。随着GPT-4o、Gemini1.5Pro、LLaVA1.6的发布，基于Transformer架构和海量数据训练的多模态大模型再次点燃通用人工智能（AGI），其对文本、图像等多模态输入的支持和强大的理解能力也象征着人工智能迈向通用人工智能（AGI）的新阶段。随着工
  • 人工智能学习路线全链路解析 power-辰南 大模型算法实战工程人工智能学习机器学习
    一、基础准备阶段（预计2-3个月）（一）数学知识巩固与深化线性代数（约1个月）：矩阵基础：回顾矩阵的定义、表示方法、矩阵的基本运算（加法、减法、乘法），理解矩阵乘法不满足交换律等特性，通过练习题加深对运算规则的掌握，例如计算简单的矩阵乘法式子、求矩阵的转置等。向量空间与线性变换：学习向量空间的概念，包括向量的线性组合、线性相关与线性无关，掌握线性变换的定义、几何意义以及如何用矩阵表示线性变换，借助
  • 透过生活小故事，轻松理解大模型开发的五种核心方法 java
    大家好，我是大圣，今天聊一下大模型开发的几种方法。大模型开发常用方法前言人工智能的世界听起来复杂神秘，但其实它与我们的日常生活有着许多相似之处。即使你对大模型开发一无所知，也能通过生活中的简单故事，理解其中的奥秘。本文将以贴近生活的五个场景，通俗易懂地讲解大模型开发中的五种核心方法：提示词工程和外部函数、Agent设计、RAG设计（检索增强生成）、微调以及预训练。让我们一同走进这些故事，揭开大模型
  • AI绘画工具介绍 编程小郭 ai作画
    市面上AI绘画工具众多，它们利用深度学习和图像处理技术，为用户提供了丰富的创作体验和可能性。以下是对几款主流AI绘画工具的详细介绍及横向对比：一、主流AI绘画工具介绍Midjourney简介：Midjourney是一个独立的研究实验室，专注于人工智能绘图，被广泛应用于设计、艺术创作、广告制作等领域。特点：以其强大的图像生成能力和跨界融合的创新特点著称，能够根据文本描述和视觉输入生成兼具故事性与视觉
  • 文心一言vsGPT-4全面对比 编程小郭 文心一言chatgptjavapython人工智能ai
    文心一言和GPT-4都是当前非常先进的人工智能语言模型，它们各自具有独特的特点和优势。以下是对这两款工具的全面比较：文心一言是由百度开发的一款大型人工智能语言模型，它基于强大的深度学习技术和海量的数据资源，具备出色的语言理解和生成能力。文心一言在中文处理方面尤为出色，能够准确理解中文语境和语义，生成流畅、自然的中文文本。文心一言还具备丰富的知识库和推理能力，能够回答各种问题，提供有用的信息和建议。
  • 最近，大模型岗位爆了。。。 IT猫仔 人工智能学习ai
    重磅消息，国资委打响了国内AI第一枪！宣布央企将把发展AI放在全局统筹地位上，并加快建设一批智能算力中心。这意味着传统行业又迎来了一次大洗牌，这个过程需要大量AI人才！！现在国内头部人工智能公司已经开始用AI数字人助力各行各业，央企+交互数字人将成今年一整年的趋势。除此之外，知名大厂也都在布局AI市场。懂AI的程序员年薪已经翻到80w-96w!风口之下，与其焦虑被行业淘汰，不如先人一步掌握AI大模
  • Kimi终于开源了，联手清华开源大模型推理架构Mooncake 吴脑的键客 人工智能架构人工智能
    在人工智能迅速发展的时代，大型模型的智能化水平不断提升，但随之而来的推理系统效率挑战也越来越明显。如何应对高推理负载、降低推理成本、缩短响应时间，已成为业界共同面对的重要问题。Kimi公司联合清华大学的MADSys实验室，推出了基于KVCache的Mooncake推理系统设计方案，该方案于2024年6月正式发布。Mooncake推理系统通过创新的PD分离架构和以存换算为中心的理念，显著提升了推理的
  • 基于深度学习的认知架构的AI SEU-WYL 深度学习dnn人工智能深度学习架构
    基于深度学习的认知架构的AI是一类模仿人类认知过程的人工智能系统，旨在模拟人类感知、学习、推理、决策等复杂的认知功能。认知架构的目的是创建一个能够理解和处理复杂环境、实现自我学习和适应的AI系统。结合深度学习技术，这类AI可以更好地应对动态和复杂的任务需求。1.基于深度学习的认知架构的组成一个典型的基于深度学习的认知架构包含多个关键模块：感知模块：负责从外部环境中获取数据，处理和提取特征。深度学习
  • 人工智能：人形机器人的开发需要哪些技能？ InnoLink_1024 机器学习AGI人工智能人工智能机器人ai
    人形机器人的开发需要多学科、多领域的专业技能，具体如下：机械工程技能机械设计与建模：熟练掌握计算机辅助设计（CAD）软件，如SolidWorks、AutoCAD等，能够创建精确的3D模型，进行结构分析，并为制造准备详细的图纸。材料与制造工艺：了解各种材料的性质、接合技术以及制造工艺，如铣削、车削、3D打印等，根据机器人的应用场景和性能要求，选择合适的材料和制造工艺。运动学与动力学分析：深入理解运动
  • 人工智能：人形机器人的开发需求会创造哪些热门的就业岗位？ InnoLink_1024 机器学习AGI人工智能人工智能机器人ai
    人形机器人的开发需求会创造以下热门的就业岗位：研发设计类机械结构工程师：负责设计人形机器人的机械本体结构，包括关节、骨架、外壳等，需要对机械原理、力学知识有深入理解，熟悉使用CAD、SolidWorks等设计软件。电子电气工程师：设计和开发人形机器人的电子电路系统，包括传感器电路、控制电路、电源电路等，需要掌握电子技术、电路设计、PCB绘制等技能。算法工程师：运动控制算法工程师：负责移动机器人运动
  • Python-玩转数据-数据分析之分析思维 人猿宇宙 数据分析pythonbigdata
    一、说明当下时代的社会生产发展，人们都开始习惯于用数据来说明某个观点和反映事物的内在规律或享用自动化和人工智能带来的便利。但这些轻松快捷的方便背后，都是相关工作者的专业流程作为源源不断的支撑。二、大数据思维自从几年前大数据开始兴起，大数据思维已经逐渐被更动的人接受，随着其进一步发展，产生了巨大的生产效果。三、数据驱动的生产力作为一个数据工程师，仅仅知道跑数据是不够的，还需要通过数据发现生产环节出现
  • 【深入解析】棋类游戏算法：Minimax, Negamax, 蒙特卡洛树搜索与AlphaZero wit_@ aipythonnegamax
    深入解析棋类游戏算法：Minimax,Negamax,蒙特卡洛树搜索与AlphaZero在人工智能领域，棋类游戏一直是测试和展示智能算法的经典舞台。从最早的Minimax算法到如今的AlphaZero，这些算法通过不同的方式解决了棋局中的决策问题，让计算机能够在复杂的棋局中做出合理甚至超越人类的决策。本文将详细解析几种经典的棋类游戏算法：Minimax，Negamax，蒙特卡洛树搜索（MCTS）以
  • 什么是AI显卡，英伟达与AMD显卡的全面对比 wit_@ 人工智能python算法deeplearning大数据网络
    什么是AI显卡？AI显卡是专门为人工智能计算任务设计和优化的图形处理器（GPU）。相比传统显卡，AI显卡具备更强的计算能力、更高的并行处理效率以及针对深度学习、数据科学等领域的特殊硬件支持。在人工智能领域，尤其是深度学习中，训练和推理任务需要处理大量的矩阵运算，这正是GPU擅长的领域。AI显卡通过高度并行的架构，可以显著提升训练速度和模型性能，同时降低功耗和延迟。常见的AI显卡用途包括：深度学习模
  • 详解AI大模型的主要指标与国内常见大模型对比分析 wit_@ 人工智能AIGC语言模型ai大数据服务器
    AI大模型的主要指标与国内常见大模型对比分析随着人工智能技术的快速发展，大模型（LargeAIModels）在自然语言处理、计算机视觉和多模态任务中取得了突破性进展。对于选择和评价AI大模型，不仅需要关注其功能，还要理解其关键指标和性能表现。本文将详细分析AI大模型的主要评价指标，并对国内常见大模型进行具体对比，提供实际数值和深度解析。一、AI大模型的主要指标AI大模型的性能和实用性通常通过以下指
  • Python人工智能在气象中的应用，包括：天气预测、气候模拟、降雨量和降水预测、气象数据分析、气象预警系统 xiao5kou4chang6kai4 气象气候预报天气预测气候模拟.降雨量和降水预测气象数据分析气象预警系统python
    Python人工智能在气象中有多种应用，包括：天气预测、气候模拟、降雨量和降水预测、气象数据分析、气象预警系统Python是功能强大、免费、开源，实现面向对象的编程语言，在数据处理、科学计算、数学建模、数据挖掘和数据可视化方面具备优异的性能，这些优势使得Python在气象、海洋、地理、气候、水文和生态等地学领域的科研和工程项目中得到广泛应用。可以预见未来Python将成为的主流编程语言之一。人工智
  • chatgpt赋能python：Python群发微信消息：解决方案 suimodina ChatGptpythonchatgpt微信计算机
    Python群发微信消息：解决方案肆无忌惮的群发微信消息，是否是你目前所需的解决方案？如果是，那么你来对地方了。Python是一门十分强大的编程语言，广泛用于各种人工智能、计算机视觉、机器学习等领域。Python可以用于开发各种应用程序，它也可以用于批量处理和发送微信消息。本文将概述如何用Python发送微信消息。我们将介绍用Python实现微信消息的流程和步骤，并提供一些有关如何使用Python
  • 知识图谱语义搜索：构建智能化搜索未来 cooldream2009 AI技术知识图谱知识图谱人工智能
    目录前言1.知识图谱语义搜索的基础概念1.1什么是知识图谱1.2什么是语义搜索1.3知识图谱语义搜索的结合2.知识图谱语义搜索的核心技术2.1自然语言处理技术2.2知识图谱构建与管理2.3图数据库与查询技术3.知识图谱语义搜索的应用场景3.1智能问答系统3.2个性化推荐3.3专业领域信息检索4.知识图谱语义搜索的未来展望4.1技术挑战4.2应用趋势结语前言随着信息技术的飞速发展，数据量呈现爆炸式增
  • 利用Langchain与Minimax进行自然语言处理的精彩指南 afTFODguAKBF langchain自然语言处理easyuipython
    #引言在人工智能的浪潮中，自然语言处理（NLP）成为了企业和个人用户的重要工具。Minimax作为一家中国初创企业，专注于提供优秀的语言模型服务。本篇文章将介绍如何使用Langchain库与Minimax进行交互，帮助开发者充分利用这一强大的AI工具。#主要内容##1.Minimax简介Minimax专注于自然语言处理，为企业和个人用户提供高效的语言模型服务。其API能处理多种自然语言任务，例如文
  • ChatGPT4.0最新功能和使用技巧，助力日常生活、学习与工作！ WangYan2022 教程人工智能chatgpt数据分析ai绘画AI写作
    熟练掌握ChatGPT4.0在数据分析、自动生成代码等方面的强大功能，系统学习人工智能（包括传统机器学习、深度学习等）的基础理论知识，以及具体的代码实现方法，同时掌握ChatGPT4.0在科研工作中的各种使用方法与技巧，以及人工智能领域经典机器学习算法（BP神经网络、支持向量机、决策树、随机森林、变量降维与特征选择、群优化算法等）和热门深度学习方法（卷积神经网络、迁移学习、RNN与LSTM神经网络
  • 人工智能OpenCV计算机视觉技术 yzx991013 OpenCV基础全集opencv计算机视觉人工智能
    5.3cand可调节边缘检测完整代码：importcv2importnumpyasnp#载入图像，并处理可能的读取错误img_original=cv2.imread('./image/lena.jpg')ifimg_originalisNone:print("无法读取图像文件")raiseSystemExit#创建可调整大小的窗口cv2.namedWindow('Canny',cv2.WINDOW
  • python中tensorflow_python机器学习TensorFlow框架 弦歌缓缓
    TensorFlow框架关注公众号“轻松学编程”了解更多。一、简介TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。Tensor(张量)意味着N维数组，Flow(流)意味着基于数据流图的计算，TensorFlow为张量从流图的一端流动到另一端的计算过程。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统
  • python火柴人毕业设计 山语山 python课程设计开发语言
    1.引言火柴人（StickFigure）是一种极简风格的图形，通常由简单的线段和圆圈组成，却能生动地表达人物的姿态和动作。火柴人不仅广泛应用于动画、漫画和涂鸦中，还可以作为图形学、人工智能等领域的教学和研究工具。本文旨在介绍如何使用Python实现火柴人的设计与绘制，通过编程的方式，让读者了解火柴人背后的基本原理和实现方法。2.准备工作在开始实现火柴人之前，你需要确保已经安装了Python环境，并
  • ChatGPT原理及其应用场景 编程小郭 chatgpt人工智能ai
    ChatGPT的原理及应用场景一、ChatGPT的原理ChatGPT，全名ChatGenerativePre-trainedTransformer，是OpenAI研发的一款聊天机器人程序，其背后依托的是人工智能技术和自然语言处理（NLP）的深厚功底。其工作原理可以从以下几个方面进行解析：GPT系列模型基础ChatGPT基于GPT（GenerativePre-trainedTransformer）技
  • HQL之投影查询 归来朝歌 HQLHibernate查询语句投影查询
            在HQL查询中，常常面临这样一个场景，对于多表查询，是要将一个表的对象查出来还是要只需要每个表中的几个字段，最后放在一起显示？ 针对上面的场景，如果需要将一个对象查出来： HQL语句写“from 对象”即可 Session session = HibernateUtil.openSession();
  • Spring整合redis bylijinnan redis
    pom.xml <dependencies> <!-- Spring Data - Redis Library --> <dependency> <groupId>org.springframework.data</groupId> <artifactId>spring-data-redi
  • org.hibernate.NonUniqueResultException: query did not return a unique result: 2 0624chenhong Hibernate
    参考：http://blog.csdn.net/qingfeilee/article/details/7052736 org.hibernate.NonUniqueResultException: query did not return a unique result: 2         在项目中出现了org.hiber
  • android动画效果 不懂事的小屁孩 android动画
    前几天弄alertdialog和popupwindow的时候，用到了android的动画效果，今天专门研究了一下关于android的动画效果，列出来，方便以后使用。 Android 平台提供了两类动画。 一类是Tween动画，就是对场景里的对象不断的进行图像变化来产生动画效果（旋转、平移、放缩和渐变）。 第二类就是 Frame动画，即顺序的播放事先做好的图像，与gif图片原理类似。
  • js delete 删除机理以及它的内存泄露问题的解决方案 换个号韩国红果果 JavaScript
    delete删除属性时只是解除了属性与对象的绑定，故当属性值为一个对象时，删除时会造成内存泄露  （其实还未删除） 举例： var person={name:{firstname:'bob'}} var p=person.name delete person.name p.firstname -->'bob' // 依然可以访问p.firstname，存在内存泄露
  • Oracle将零干预分析加入网络即服务计划 蓝儿唯美 oracle
    由Oracle通信技术部门主导的演示项目并没有在本月较早前法国南斯举行的行业集团TM论坛大会中获得嘉奖。但是，Oracle通信官员解雇致力于打造一个支持零干预分配和编制功能的网络即服务（NaaS）平台，帮助企业以更灵活和更适合云的方式实现通信服务提供商（CSP）的连接产品。这个Oracle主导的项目属于TM Forum Live!活动上展示的Catalyst计划的19个项目之一。Catalyst计
  • spring学习——springmvc（二） a-john springMVC
    Spring MVC提供了非常方便的文件上传功能。 1，配置Spring支持文件上传： DispatcherServlet本身并不知道如何处理multipart的表单数据，需要一个multipart解析器把POST请求的multipart数据中抽取出来，这样DispatcherServlet就能将其传递给我们的控制器了。为了在Spring中注册multipart解析器，需要声明一个实现了Mul
  • POJ-2828-Buy Tickets aijuans ACM_POJ
    POJ-2828-Buy Tickets http://poj.org/problem?id=2828 线段树，逆序插入 #include<iostream>#include<cstdio>#include<cstring>#include<cstdlib>using namespace std;#define N 200010struct
  • Java Ant build.xml详解 asia007 build.xml
    1,什么是antant是构建工具2,什么是构建概念到处可查到，形象来说，你要把代码从某个地方拿来，编译，再拷贝到某个地方去等等操作，当然不仅与此，但是主要用来干这个3,ant的好处跨平台   --因为ant是使用java实现的，所以它跨平台使用简单--与ant的兄弟make比起来语法清晰--同样是和make相比功能强大--ant能做的事情很多，可能你用了很久，你仍然不知道它能有
  • android按钮监听器的四种技术 百合不是茶 androidxml配置监听器实现接口
    android开发中经常会用到各种各样的监听器,android监听器的写法与java又有不同的地方;    1,activity中使用内部类实现接口 ,创建内部类实例  使用add方法  与java类似   创建监听器的实例 myLis lis = new myLis();   使用add方法给按钮添加监听器  
  • 软件架构师不等同于资深程序员 bijian1013 程序员架构师架构设计
            本文的作者Armel Nene是ETAPIX Global公司的首席架构师，他居住在伦敦，他参与过的开源项目包括 Apache Lucene,，Apache Nutch， Liferay 和 Pentaho等。         如今很多的公司
  • TeamForge Wiki Syntax & CollabNet User Information Center sunjing TeamForgeHow doAttachementAnchorWiki Syntax
    the CollabNet user information center http://help.collab.net/   How do I create a new Wiki page? A CollabNet TeamForge project can have any number of Wiki pages. All Wiki pages are linked, and
  • 【Redis四】Redis数据类型 bit1129 redis
    概述 Redis是一个高性能的数据结构服务器，称之为数据结构服务器的原因是，它提供了丰富的数据类型以满足不同的应用场景，本文对Redis的数据类型以及对这些类型可能的操作进行总结。 Redis常用的数据类型包括string、set、list、hash以及sorted set.Redis本身是K/V系统，这里的数据类型指的是value的类型，而不是key的类型，key的类型只有一种即string
  • SSH2整合-附源码 白糖_ eclipsespringtomcatHibernateGoogle
    今天用eclipse终于整合出了struts2+hibernate+spring框架。 我创建的是tomcat项目，需要有tomcat插件。导入项目以后，鼠标右键选择属性，然后再找到“tomcat”项，勾选一下“Is a tomcat project”即可。具体方法见源码里的jsp图片，sql也在源码里。     补充1：项目中部分jar包不是最新版的，可能导
  • [转]开源项目代码的学习方法 braveCS 学习方法
    转自： http://blog.sina.com.cn/s/blog_693458530100lk5m.html http://www.cnblogs.com/west-link/archive/2011/06/07/2074466.html   1）阅读features。以此来搞清楚该项目有哪些特性2）思考。想想如果自己来做有这些features的项目该如何构架3）下载并安装d
  • 编程之美-子数组的最大和（二维） bylijinnan 编程之美
    package beautyOfCoding; import java.util.Arrays; import java.util.Random; public class MaxSubArraySum2 { /** * 编程之美 子数组之和的最大值（二维） */ private static final int ROW = 5; private stat
  • 读书笔记-3 chengxuyuancsdn jquery笔记resultMap配置ibatis一对多配置
    1、resultMap配置 2、ibatis一对多配置 3、jquery笔记 1、resultMap配置 当<select resultMap="topic_data"> <resultMap id="topic_data">必须一一对应。 (1)<resultMap class="tblTopic&q
  • [物理与天文]物理学新进展 comsci
          如果我们必须获得某种地球上没有的矿石,才能够进行某些能量输出装置的设计和建造,而要获得这种矿石,又必须首先进行深空探测,而要进行深空探测,又必须获得这种能量输出装置,这个矛盾的循环,会导致地球联盟在与宇宙文明建立关系的时候,陷入困境       怎么办呢?  
  • Oracle 11g新特性:Automatic Diagnostic Repository daizj oracleADR
    Oracle Database 11g的FDI（Fault Diagnosability Infrastructure）是自动化诊断方面的又一增强。 FDI的一个关键组件是自动诊断库（Automatic Diagnostic Repository-ADR）。 在oracle 11g中，alert文件的信息是以xml的文件格式存在的，另外提供了普通文本格式的alert文件。 这两份log文
  • 简单排序:选择排序 dieslrae 选择排序
    public void selectSort(int[] array){ int select; for(int i=0;i<array.length;i++){ select = i; for(int k=i+1;k<array.leng
  • C语言学习六指针的经典程序，互换两个数字 dcj3sjt126com c
    示例程序，swap_1和swap_2都是错误的，推理从1开始推到2，2没完成，推到3就完成了 # include <stdio.h> void swap_1(int, int); void swap_2(int *, int *); void swap_3(int *, int *); int main(void) { int a = 3; int b =
  • php 5.4中php-fpm 的重启、终止操作命令 dcj3sjt126com PHP
    php 5.4中php-fpm 的重启、终止操作命令: 查看php运行目录命令：which php/usr/bin/php 查看php-fpm进程数：ps aux | grep -c php-fpm 查看运行内存/usr/bin/php  -i|grep mem 重启php-fpm/etc/init.d/php-fpm restart 在phpinfo()输出内容可以看到php
  • 线程同步工具类 shuizhaosi888 同步工具类
    同步工具类包括信号量（Semaphore）、栅栏（barrier）、闭锁（CountDownLatch）   闭锁（CountDownLatch） public class RunMain { public long timeTasks(int nThreads, final Runnable task) throws InterruptedException { fin
  • bleeding edge是什么意思 haojinghua DI
    不止一次，看到很多讲技术的文章里面出现过这个词语。今天终于弄懂了——通过朋友给的浏览软件，上了wiki。  我再一次感到，没有辞典能像WiKi一样，给出这样体贴人心、一清二楚的解释了。为了表达我对WiKi的喜爱，只好在此一一中英对照，给大家上次课。   In computer science, bleeding edge is a term that
  • c中实现utf8和gbk的互转 jimmee ciconvutf8&gbk编码
    #include <iconv.h> #include <stdlib.h> #include <stdio.h> #include <unistd.h> #include <fcntl.h> #include <string.h> #include <sys/stat.h> int code_c
  • 大型分布式网站架构设计与实践 lilin530 应用服务器搜索引擎
    1.大型网站软件系统的特点？ a.高并发，大流量。 b.高可用。 c.海量数据。 d.用户分布广泛，网络情况复杂。 e.安全环境恶劣。 f.需求快速变更，发布频繁。 g.渐进式发展。 2.大型网站架构演化发展历程？ a.初始阶段的网站架构。 应用程序，数据库，文件等所有的资源都在一台服务器上。 b.应用服务器和数据服务器分离。 c.使用缓存改善网站性能。 d.使用应用
  • 在代码中获取Android theme中的attr属性值 OliveExcel androidtheme
    Android的Theme是由各种attr组合而成, 每个attr对应了这个属性的一个引用, 这个引用又可以是各种东西.   在某些情况下, 我们需要获取非自定义的主题下某个属性的内容 (比如拿到系统默认的配色colorAccent), 操作方式举例一则: int defaultColor = 0xFF000000; int[] attrsArray = { andorid.r.
  • 基于Zookeeper的分布式共享锁 roadrunners zookeeper分布式共享锁
    首先，说说我们的场景，订单服务是做成集群的，当两个以上结点同时收到一个相同订单的创建指令，这时并发就产生了，系统就会重复创建订单。等等......场景。这时，分布式共享锁就闪亮登场了。   共享锁在同一个进程中是很容易实现的，但在跨进程或者在不同Server之间就不好实现了。Zookeeper就很容易实现。具体的实现原理官网和其它网站也有翻译，这里就不在赘述了。   官
  • 两个容易被忽略的MySQL知识 tomcat_oracle mysql
    1、varchar(5)可以存储多少个汉字，多少个字母数字？ 　　相信有好多人应该跟我一样，对这个已经很熟悉了，根据经验我们能很快的做出决定，比如说用varchar(200)去存储url等等，但是，即使你用了很多次也很熟悉了，也有可能对上面的问题做出错误的回答。 　　这个问题我查了好多资料，有的人说是可以存储5个字符，2.5个汉字（每个汉字占用两个字节的话），有的人说这个要区分版本，5.0
  • zoj 3827 Information Entropy(水题) 阿尔萨斯 format
    题目链接：zoj 3827 Information Entropy 题目大意：三种底，计算和。 解题思路：调用库函数就可以直接算了，不过要注意Pi = 0的时候，不过它题目里居然也讲了。。。limp→0+plogb(p)=0，因为p是logp的高阶。 #include <cstdio> #include <cstring> #include <cmath&
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他