【思维训练合集】

加速 AI 训推：Lepton AI 如何构建多租户、低延迟云存储平台

该平台适用于各种训练、推理需求，GPU充足，在保证高性能的同时，能够灵活应对不断变化的工作负载。用户可以快速在Lepton平台上部署推理服务和执行训练任务，无需关注基础设施和稳定性问题。
·2025-01-17 15:51

字节的面试，感觉还挺简单的~

今天分享的是训练营的朋友在字节跳动的面试，新鲜出炉的还热乎着呢。题目都挺简单的，但是他的面试体验不太好，因为面试官问了两个类似的问题，感觉有点不认真。
·2025-01-17 15:50

【深度强化学习】DQN：深度Q网络算法——从理论讲解到源码解析

【深度强化学习】DQN：深度Q网络算法——从理论讲解到源码解析介绍常用技巧算法步骤DQN源码实现网络结构训练策略DQN算法进阶双深度Q网络（DoubleDQN）竞争深度Q网络（DuelingDQN）优先级经验回放
视觉萌新、·2025-01-17 15:17

LLaMA-Factory全面指南：从训练到部署

项目背景与概述LLaMA-Factory项目目标LLaMA-Factory项目是一个专注于大模型训练、微调、推理和部署的开源平台。
我就是全世界·2025-01-17 15:46

思维导图 代码示例（java 架构)

RocketMQ角色及特点思维导图建议NameServer作用提供路由信息管理服务负责客户端（Producer/Consumer）请求的负载均衡特点无状态节点支持集群部署简单且轻量级Broker作用消息存储的
用心去追梦·2025-01-17 15:16

代码随想录算法训练营Day6 | 454.四数相加II，383. 赎金信，15. 三数之和，18. 四数之和，总结

详细布置454.四数相加II✅建议：本题是使用map巧妙解决的问题，好好体会一下哈希法如何提高程序执行效率，降低时间复杂度，当然使用哈希法会提高空间复杂度，但一般来说我们都是舍空间换时间，工业开发也是这样。题目链接/文章讲解/视频讲解：代码随想录#454classSolution(object):deffourSumCount(self,nums1,nums2,nums3,nums4):""":t
Yummy Penguin·2025-01-17 14:13

Monorepo设置：新手指南

CSS技巧与案例详解vue2与vue3技巧合集VueUse源码解读Monorepo是一种项目代码管理方法，指在单个代码仓库中管理多个项目，有助于简化代码共享、版本控制、构建和部署的复杂性，并提供更好的可重用性和协作性
·2025-01-17 14:36

【机器学习】主动学习-增加标签的操作方法-样本池采样（Pool-Based Sampling）

使用初始标注数据训练一个模型
IT古董·2025-01-17 14:09

代码随想录算法训练营DAY56｜图论理论基础、98. 所有可达路径、深搜广搜基础

图论理论基础强连通图是在有向图中任何两个节点是可以相互到达在无向图中的极大连通子图称之为该图的一个连通分量。98.所有可达路径defdfs(graph,a,n,path,result):ifa==n-1:result.append(('').join(path[:]))forjinrange(N):ifgraph[a][j]:path.append(str(j+1))dfs(graph,j,n,p
阿緑·2025-01-17 14:38

P2392 kkksc03考前临时抱佛脚( 贪心（划掉）,dp,01背包 ,思维)

Sloution!!!写这道题目前，先思考一个问题：把一堆数据，分成两组，让这两组的最大值最小如何求解?如果是简单贪心的话，只考虑局部，比如，让当前选择下达到最小，对于2,3,4这组数据我们会分成2,4和3。但这不是最优的。局部最小！=整体最小（很多时候，局部最小的贪心，是简单的线性结构，而不是这样的二选一（二选一可以用dp去写,这题可以dp,但也可以直接去推导））从整体出发：想一下，会发现，要让
GrittyB·2025-01-17 14:38

为什么要训练最懂您企业的AI助理？

随着人工智能技术的蓬勃发展，企业级AI助理已成为提升工作效率、优化客户服务体验的重要利器。这些智慧化的系统，通过模拟人类的认知功能，能够轻松应对复杂的数据分析、自动化繁琐的日常任务，甚至为企业决策提供有力支持。拥有一款懂您的企业AI助理，意味着您能够以更智能、更高效的方式推动企业前行。一、构建高度整合与个人化体验为了让AI机器人真正懂您的企业，我们首先要实现高度整合。通过连接企业资料库、应用程序、
·2025-01-17 14:31

【机器学习：二十、拆分原始训练集】

1.如何改进模型模型的改进需求在机器学习任务中，模型性能的提升通常受限于训练数据、模型架构、优化方法及超参数设置等。模型改进的目标是在测试数据上表现更优，避免过拟合或欠拟合。
KeyPan·2025-01-17 13:35

【机器学习】---神经架构搜索（NAS）

模型的性能不仅依赖于数据和训练方
Undoom·2025-01-17 13:03

记录yolo v8模型训练后使用.pt模型推理正常 改用转换后的.onnx模型推理出现WARNING ⚠️ Unable to automatically guess model task, assu

task=detect','segment','classify',or'pose'.解决办法：将训练出的模型名字best.pt修改为best-
YANGXUSHI520·2025-01-17 13:32

机器学习模型调优指南

通过合理调整模型的超参数，能够提高模型的准确性、降低过拟合或欠拟合的风险、加快训练过程等。
闵少搞AI·2025-01-17 13:00

【C#深度学习之路】如何使用C#实现Yolov8模型的训练和推理

【C#深度学习之路】如何使用C#实现Yolov8模型的训练和推理项目背景算法实现模型结构项目展望写在最后项目下载链接本文为原创文章，若需要转载，请注明出处。
来瓶霸王防脱发·2025-01-17 12:54

【C#深度学习之路】如何使用C#实现Yolov11模型的训练和推理

【C#深度学习之路】如何使用C#实现Yolov11模型的训练和推理项目背景算法实现模型结构项目展望写在最后项目下载链接本文为原创文章，若需要转载，请注明出处。
来瓶霸王防脱发·2025-01-17 12:54

神经网络基础-价格分类案例

文章目录1.需求分析2.导入所需工具包3.构建数据集4.构建分类网络模型5.训练模型6.模型训练7.评估模型8.模型优化学习目标：掌握构建分类模型流程动手实践整个过程1.需求分析小明创办了一家手机公司，
dwjf321·2025-01-17 10:36

告别CSS margin 和 padding 简写,拥抱更优雅的解决方案

CSS技巧与案例详解vue2与vue3技巧合集VueUse源码解读在前端开发中,CSS的外边距(margin)和内边距(padding)是使用频率极高的属性。
·2025-01-17 09:49

使用 Next 14 + NextAuth 4 + Strapi v4进行 Google 和凭据提供商身份验证的完整指南(02)

CSS技巧与案例详解vue2与vue3技巧合集VueUse源码解读NextAuthv4介绍NextAuth是一个开源的身份验证解决方案，适用于全栈（Next）应用程序。
·2025-01-17 09:19

使用 Next 14 + NextAuth 4 + Strapi v4进行 Google 和凭据提供商身份验证的完整指南(01)

CSS技巧与案例详解vue2与vue3技巧合集VueUse源码解读最近开始研究Strapi，这是一个无头CMS。由于它仅提供后端，前端部分包括身份验证流程需要你自己构建。
·2025-01-17 09:19

只有 2% 的开发人员知道的 7 种神奇 JavaScript 数组方法

CSS技巧与案例详解vue2与vue3技巧合集VueUse源码解读很多人使用JavaScript数组时，最多就是for循环、map()或者filter()等常见方法，但其实数组还有不少“隐藏招数”。
·2025-01-17 09:16

思维导图 代码示例（java 架构)

ZooKeeper的Watcher机制并不是永久的，它是一次性的通知。这意味着每当一个Watcher被触发后，它就会自动失效，客户端需要重新设置Watcher才能继续接收后续的通知。这种设计有其特定的原因和好处。Watcher不是永久的原因一次性的特性：每个Watcher只会在被触发一次后失效，这样可以防止长时间运行的应用程序由于持续监听大量事件而导致内存泄漏。避免状态不一致：如果Watcher是
用心去追梦·2025-01-17 08:49

思维导图 代码示例（java 架构)

以下是ZK节点宕机处理的一般流程、思维导图结构描述以及一个简单的Java架构代码示例，用于展示如何检测和处理节点失效。
用心去追梦·2025-01-17 08:48

思维导图 代码示例（java 架构)

ZooKeeper是一个为分布式应用提供高效且可靠的分布式协调服务的工具。它允许开发者通过简单的接口来实现诸如配置管理、命名服务、分布式同步和组服务等常见任务。在ZooKeeper的架构中，服务器可以扮演三种角色之一：Leader（领导者）：群集中的每台服务器都会投票选出一个Leader。Leader负责处理所有的写操作请求，并将更新广播给其他服务器（Follower和Observer）。Foll
用心去追梦·2025-01-17 08:18

AI大模型

这些模型通过使用大规模数据集和先进的计算硬件进行训练，能够学习到数据中的复杂模式和特征，从而在多种任务上展现出卓越的性能。特点包括：参数量大：AI大模型的参数数量往往达到
荆州克莱·2025-01-17 07:12

深度学习：从基础到实践（上、下册）(安德鲁·格拉斯纳)

训练与测试：深度学习模型的训练过程包括使用训练数据来优化模型参数，而测试过程则使用测试数据来评估模型的性能。过拟合与欠拟合：过拟合是指模型在训练数据上表现过
fyjgfyjfg·2025-01-17 07:11

港科夜闻 | 香港科大与微软亚洲研究院签署战略合作备忘录,推动医学健康教育及科研协作...

关注并星标每周阅读港科夜闻建立新视野开启新思维1、香港科大与微软亚洲研究院签署战略合作备忘录，推动医学健康教育及科研协作。根据备忘录，双方将结合各自于科研领域的优势，携手推动医学健康领域的交流与合作。
香港科大内地办(北京)·2025-01-17 07:37

Electron 开发者的 Tauri 2.0 实战指南：快速入门与思维转换

本文将帮助你快速理解Tauri2.0的核心概念，并通过实际案例完成从Electron到Tauri的思维转换。
·2025-01-17 05:41

思维导图 代码示例（java 架构)

Chubby简介Chubby是由Google开发并使用的分布式锁服务，它为应用程序提供了简单但可靠的分布式协调机制。Chubby的设计初衷是为了满足Google内部对分布式系统中一致性和高可用性的需求。它不仅用于提供分布式锁，还被用来做命名服务、配置管理、健康检查等。Chubby的特点：分布式锁服务：提供了一种简单的接口来获取和释放锁，确保在分布式环境中只有一个客户端可以访问特定资源。文件系统接口
用心去追梦·2025-01-17 05:51

思维导图 代码示例（java 架构)

ZAB和Paxos算法的联系与区别ZAB(ZooKeeperAtomicBroadcast)和Paxos都是用于分布式系统中达成共识的算法，但它们在设计目标、应用场景以及实现细节上存在显著差异。以下是两者之间的联系和区别的详细分析。联系一致性协议：两者都是为了在分布式环境中提供强一致性保证而设计的一致性协议。解决拜占庭将军问题：尽管Paxos主要针对非拜占庭故障（如网络分区或节点崩溃），但两者都旨
用心去追梦·2025-01-17 05:51

思维导图 代码示例（java 架构)

ZooKeeper的典型应用场景ZooKeeper是一个高效的分布式协调服务，广泛应用于各种需要在分布式环境中保持一致性和同步的应用程序。以下是ZooKeeper的一些典型应用场景：1.配置管理描述：ZooKeeper可以用来集中管理和分发系统配置参数，确保所有节点使用相同的配置。优点：动态更新配置而无需重启服务；实时生效。2.命名服务描述：为分布式系统中的组件提供统一的名称注册和查找机制。优点：
用心去追梦·2025-01-17 05:51

思维导图 代码示例（java 架构)

以下是几种常见的ZooKeeperJava客户端，以及它们的特点、思维导图结构描述和一个简单的代码示例。
用心去追梦·2025-01-17 05:51

思维导图 代码示例（java 架构)

在ZooKeeper集群中，为了确保高可用性和容错能力，通常建议最少使用三台机器。这是因为ZooKeeper使用一种称为“Quorum”（法定人数）的机制来达成共识，即超过半数的节点同意某个操作才能认为该操作成功。如果集群中有N个节点，则需要至少(N/2+1)个节点存活并且能够相互通信，才能保证集群正常工作。集群规则奇数节点：推荐使用奇数个节点（如3、5或7），因为这样可以更有效地达成多数派。例如
用心去追梦·2025-01-17 05:51

思维导图 代码示例（java 架构)

以下是ZAB如何保证事务顺序一致性的机制概述、思维导图结构描述以及Java架构代码示例。ZAB保证事务顺序一致性的机制Leader选举与状态同步：当集群启动或当前Leader失效时
用心去追梦·2025-01-17 05:20

思维导图 代码示例（java 架构)

在分布式集群中引入Master（通常也称为Leader或Primary）节点的主要原因是为了解决一致性问题，提供单点决策机制，并简化系统的管理和协调。Master节点负责协调集群中的任务分配、监控集群健康状况、处理故障转移等关键职责。以下是为什么需要Master节点的原因：为什么需要Master节点一致性：在分布式系统中，多个节点可能同时尝试更新相同的数据，这会导致数据不一致。Master节点可以
用心去追梦·2025-01-17 05:20

《量子计算对人工智能发展的深远影响》

加速机器学习训练机器学习，尤其是深度学习，通常需要处理海量数据和复杂的模型训练，耗时极长。量子计算的并行性可使训练过程大幅加速
·2025-01-17 05:02

白鲸开源即将在Doris Summit Asia 2024展示新议题！

此次峰会，将对实时极速、存算分离、湖仓一体、半结构化数据分析、向量索引、异步物化视图等诸多特性进行全方位解读，为现场观众带来一场技术与思维碰撞的盛宴。
·2025-01-17 05:01

如何只使用 CSS 实现网站的暗黑模式切换

CSS技巧与案例详解vue2与vue3技巧合集VueUse源码解读想让你的网站从“明亮清新”切换到“暗黑酷炫”，而不依赖任何JavaScript？没问题！
·2025-01-17 05:01

蓝桥杯 算法训练——礼物（二分法）Python

这个博客是摆烂小白冲刺蓝桥杯国赛的算法笔记，呜呜因为太过摆烂现在六级、期末和国赛全在一起是真的会栓Q的好吗。。。我每次学习懂一题都会很开心，吃饭都香那种开心（因为太过小白），今天是六一祝大家六一快乐啊！！！代码放在上面记录，欢迎各位指正和讨论！礼物问题描述JiaoShou在爱琳大陆的旅行完毕，即将回家，为了纪念这次旅行，他决定带回一些礼物给好朋友。在走出了怪物森林以后，JiaoShou看到了排成一
lican3·2025-01-17 04:18

工程师思维是什么？FPGA工程师要有哪些思维习惯？

思维方式同样至关重要。正如柏拉图所说，“思维是灵魂的自我谈话”。在FPGA行业，良好的思维习惯对工程师来说尤为重要。那么，FPGA工程师应该具备哪些核心思维习惯呢？
博览鸿蒙·2025-01-17 04:43

大规模语言模型从理论到实践 大语言模型预训练数据

大规模语言模型从理论到实践：大语言模型预训练数据关键词：大规模语言模型、预训练数据、数据集选择、数据清洗、数据增强、数据集评估、数据集扩展1.背景介绍1.1问题的由来随着深度学习和大规模神经网络的发展，
AI大模型应用之禅·2025-01-17 03:39

思维导图 代码示例（java 架构)

以下是详细的处理流程、Java架构代码示例以及创建思维导图的建议。
用心去追梦·2025-01-17 03:37

神经架构搜索在大模型效率优化中的应用

然而，随着模型规模的不断扩大，训练和部署这些大模型也带来了巨大的挑战。计算资源消耗巨大:大模型的训练需要大量的计算资源，例如高性能GPU和TPU，这导致训练成本高昂，难以普及。
AI大模型应用之禅·2025-01-17 03:06

【机器学习：十五、神经网络的编译和训练】

1.TensorFlow实现代码TensorFlow是深度学习中最为广泛使用的框架之一，提供了灵活的接口来构建、编译和训练神经网络。
KeyPan·2025-01-17 02:28

mindspeed-llm源码解析（一）preprocess_data

这篇文章带大家阅读一下数据处理脚本preprocess_data.py（基于1.0.0分支），数据处理是模型训练的第一步，经常会用到。文章中贴的源码加了相关注释，同学们可以把源码和注释结合起来看。
·2025-01-17 01:48

如何培养良好的阅读习惯

良好的阅读习惯，不仅能让我们获取更多的知识，还能提升我们的思维能力和语言表达能力。那么，如何培养良好的阅读习惯呢？今天，就让我们一起来探讨这个问题。
·2025-01-17 00:43

【华为OD-E卷 - 篮球比赛 100分（python、java、c++、js、c）】

现有10个球员准备分为两队进行训练赛，教练希望2个队伍的战斗力差值能够尽可能的小，以达到最佳训练效果。给出10个球员的战斗力，如果你是教练，你该如何分队，才能达到最佳训练效果?
CodeClimb·2025-01-17 00:40

遗传算法与深度学习实战（26）——编码卷积神经网络架构

0.前言我们已经学习了如何构建卷积神经网络(ConvolutionalNeuralNetwork,CNN)，在本节中，我们将了解如何将CNN模型的网络架构编码为基因，这是将基因序列进化在为给定数据集上训练最佳模型的先决条件
盼小辉丶·2025-01-16 23:03

5分钟内理解 .prototype 链 | 2024

CSS技巧与案例详解vue2与vue3技巧合集VueUse源码解读在JavaScript的世界里,原型(prototype)系统是一个常被讨论但不易掌握的概念。
·2025-01-16 22:36
上一页 5 6 7 8 9 10 11 12 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他