HAAR级联分类器训练及测试

QT显示网页控件QAxWidget、QWebEngineView及区别

一.QT种显示网页控件QAxWidget1.介绍QAxWidget属于QtAxContainer模块，ActiveX是微软提出的一种组件对象模型（COM）技术，允许不同的软件组件在Windows操作系统上进行交互和集成。QAxWidget为开发者提供了在Qt应用程序中使用ActiveX控件的能力，通过它可以将各种ActiveX控件嵌入到应用程序界面中。2.使用引入必要的模块在.pro文件中添加QT
AI+程序员在路上·2025-03-11 12:56

新导则下的防洪评价报告编制方法及洪水建模实践技术

目录1、《防洪评价报告编制导则解读河道管理范围内建设项目编制导则》（SL/T808-2021）解读2、防洪评价相关制度与解析3、防洪评价地形获取及常用计算4、HEC-RAS软件原理及特点5、HEC-RAS
吹翻书页的风·2025-03-11 12:55

R+VIC 模型融合实践技术应用及未来气候变化模型预测

目前，无论是工程实践或是科学研究中都存在很多著名的水文模型如SWAT/HSPF/HEC-HMS等。虽然，这些软件有各自的优点；但是，由于适用的尺度主要的是中小流域，所以在预测气候变化对水文过程影响等方面都有所不足。VIC模型是一个大尺度的半分布式水文模型，其设计之初就是为了模拟大流域的水文过程；它能够计算陆地－大气的能量通量，考虑土壤性质和土地利用的影响，自带有简化的湖泊/湿地模块，也能够将植被状
weixin_贾·2025-03-11 12:24

【Hugging Face】transformers 库中 model 的常用方法和属性

HuggingFacetransformers库中model的常用方法和属性在transformers库中，model代表预训练的Transformer模型，可用于文本分类、问答、文本生成等任务。
彬彬侠·2025-03-11 11:53

知识蒸馏论文精选——《Graph-Free Knowledge Distillation for Graph Neural Networks 》

Graph-FreeKnowledgeDistillationforGraphNeuralNetworks》2021作者是XiangDeng和ZhongfeiZhang，来自纽约州立大学宾汉姆顿分校论文地址见文末摘要知识蒸馏（KnowledgeDistillation,KD）通过强制学生网络模仿在训练数据上预训练老师网络的输出
宇直不会放弃·2025-03-11 11:20

HarmonyNext实战案例：基于ArkTS的高性能分布式机器学习应用开发

通过分布式机器学习，开发者可以充分利用多设备的计算资源，实现复杂模型的训练与推理。本文将深入探讨如何使用ArkTS12+语法开发一个高性能的分布式机器学习应用，涵盖从基础概念到高级技巧的全面讲解。
·2025-03-11 11:52

主存储器、SRAM 与 DRAM 的工作原理及相关技术

主存储器、SRAM与DRAM的工作原理及相关技术本文介绍了三种内容：SRAM与DRAM的工作方式DRAM的刷新机制与地址引脚复用技术DRAM行列（Row/Column）优化原则及行缓冲器容量的计算1.主存储器中
海大超级无敌暴龙战士·2025-03-11 11:48

web前端高级JavaScript - 闭包的应用及循环事件绑定的N中解决办法

闭包在循环事件绑定中的应用场景描述：在页面上有3个button按钮，当点击每个按钮时输出当前按钮的索引值，要求用循环来绑定每个按钮的事件，看下面的代码。button1button2button3varbuttons=document.querySelectorAll('button');for(vari=0;i
一笑程序猴·2025-03-11 11:16

成功案例丨开发时间从1小时缩短到3分钟：如何利用历史数据训练AI模型，预测设计性能？

在其首个AI驱动项目——摩托车把手设计优化中，Hero采用了PhysicsAI™几何深度学习解决方案，利用历史数据训练AI模型并预测设计性能。A
Altair澳汰尔·2025-03-11 11:45

PyTorch实现CNN：CIFAR-10图像分类实战教程

Langchain系列文章目录01-玩转LangChain：从模型调用到Prompt模板与输出解析的完整指南02-玩转LangChainMemory模块：四种记忆类型详解及应用场景全覆盖03-全面掌握LangChain
吴师兄大模型·2025-03-11 11:44

Raspberry Pi图形组件深入解析与应用示例

此目录不仅定义了树莓派硬件优化的图形库和驱动，也提供了丰富的配置示例和具体实现方案，涵盖了从基础绘图、3D渲染到视频加速及窗口管理系统。
嵌入式Jerry·2025-03-11 11:14

关于两次项目的学习感悟

经过这两次项目，我学到了以下几点：1.模块化与结构化思维：代码展示了如何将深度学习任务分解为多个模块（如数据加载、模型定义、训练循环、评估等）。
罗婕斯特·2025-03-11 10:43

从零开始学习黑客技术，看这一篇就够了

他们不会非法入侵用户网络，而是通过一系列测试检查
网络安全-旭师兄·2025-03-11 10:13

Redis 主从复制机制深度解析与实践指南

本文将深入探讨主从复制的原理、配置方法、常见问题及优化策略。一、主从复制的核心概念1.1什么是主从复制？主从复制是一种数据同步机制，允许从节点实时复制主节点的数据。主节点负责处理写
月落星还在·2025-03-11 10:12

一篇文章了解CI/CD管道全流程

使用CI/CD管道，软件发布工件可以从代码提交阶段到测试、构建、部署和生产阶段在管道中移动和前进。这个概念非常强大，因为一旦指定了一个管道，它的一部分或全部就可以实现自动化，从而加快流程并减少错误。
黄蓝v社·2025-03-11 10:41

MySQL进阶—— 视图（详解）

讲解创建、修改、删除视图的操作，以及及视图可更新条件、安全性控制及性能优化方法。
1加1等于·2025-03-11 10:11

gitlab 中文路径，无法下载？如何解决？？

本文收录于《CSDN问答解答》专栏，主要记录项目实战过程中的Bug之前因后果及提供真实有效的解决方案，希望能够助你一臂之力，帮你早日登顶实现财富自由；同时，欢迎大家关注&&收藏&&订阅！
bug菌¹·2025-03-11 10:40

Ansible集成Git的CI/CD流水线详解

将Ansible集成到CI/CD流程中，可以实现自动化的应用部署和测试。常见的集成方式包括：Jenkins:通过Jenkins插件或Pipeline，执行Ansible剧本进行部署。
wespten·2025-03-11 10:09

QPython双核攻略：从零基础到AI开发，你的手机就是全栈训练营

主题一：《编程小白必看！在手机上种下你的第一行代码》✨北京优趣天下信息技术有限公司重磅出品我们比谁都清楚：✔️86%的初学者因环境配置放弃编程✔️72%的上班族只有碎片化学习时间✔️95%的自学者需要即时答疑支持为什么QPython成为2025现象级学习工具？▸全栈开发环境：解释器+编辑器+控制台三合一▸AI导师常驻：集成DeepSeek代码助手（支持中英双语提问）▸极速学习路径：Q派课程7天完成
程之编·2025-03-11 09:39

首个国产AI编辑器Trace的安装及使用教程

关于国产AI编辑器Trace安装教程进入Trace官网，下载适合你系统的安装包。Trace官网https://www.trae.com.cn/download双击安装包进行安装安装完成打开Trace，点击登录登录成功后就可以使用大语言模型进行项目开发了！
除了编程啥都会·2025-03-11 09:07

“大语言模型微调”（Fine-tuning）与“大语言模型应用”（LLM Applications）之间的区别

1.概念与定义大语言模型微调微调指的是在一个经过大规模预训练的通用语言模型基础上，利用针对性较强的小规模数据集对模型进行进一步训练，从而使模型在特定领域或任务上表现得更优秀。
AI Echoes·2025-03-11 09:06

地理信息系统（ArcGIS）在水文水资源、水环境中的技术应用

一：ARCGIS数据管理1.1ArcGIS界面及数据加载1.2ArcGIS常见
岁月如歌，青春不败·2025-03-11 09:33

Python第十六课：深度学习入门 | 神经网络解密

本节目标理解生物神经元与人工神经网络的映射关系掌握激活函数与损失函数的核心作用使用Keras构建手写数字识别模型可视化神经网络的训练过程掌握防止过拟合的基础策略一、神经网络基础（大脑的数字化仿生）1.神经元对比生物神经元人工神经元树突接收信号输入层接收特征数据细胞体整合信号加权求和
程之编·2025-03-11 09:03

mitmproxy配合Wireshark 抓包分析

Mitmproxy是一款非常强大的交互式HTTP代理工具，它被广泛应用于Web开发、API调试、安全测试等领域。
自由鬼·2025-03-11 09:02

Spring Boot3项目的常见通用整体架构-全局异常类

前文回顾：上文中我们已经实现了SpringBoot项目的分层架构SpringBoot3项目的常见通用整体架构架构设计需要考虑诸多因素，合理的架构设计可以帮助项目的可维护性、扩展性和可测试性。
ahauedu·2025-03-11 09:32

selenuim自动化测试笔记二：元素查找

selenuim自动化测试笔记二：元素查找一、查看页面是否包含某段字符串查看页面是否包含“”写法driver.getPageSource().contains("百度一下，你就知道")if(driver.getPageSource
任性八孔木笛·2025-03-11 09:01

通过 Ollama 本地部署 DeepSeek-r1:1.5b 模型后，用 Python 调用推理并生成基于 pytest + PO 设计模式的 Playwright 自动化测试文件

以下是完整的实现步骤和代码示例，详细说明了如何通过Python调用本地部署的DeepSeek-r1:1.5b模型，将功能测试用例转换为适合pytest和PageObject（PO）设计模式的Playwright
Python测试之道·2025-03-11 09:00

【氮化镓】GaN HEMTs 在金星及恶劣环境下的应用

文章是关于GaN增强模式晶体管（enhancement-modep-GaN-gateAlGaN/GaNHEMTs）在金星探索和其它恶劣环境下的应用研究。文章由QingyunXie等人撰写，发表在《AppliedPhysicsLetters》上，属于(Ultra)Wide-bandgapSemiconductorsforExtremeEnvironmentElectronics特刊。标题与作者标题：
北行黄金橘·2025-03-11 08:29

【氮化镓】p-GaN HEMTs空穴陷阱低温冻结效应

文章通过电容深能级瞬态谱（C-DLTS）测试和理论模型分析，探讨了空穴陷阱对栅极漏电电流的影响。
北行黄金橘·2025-03-11 08:28

【氮化镓】GaN HEMTs结温和热阻测试方法

文章《TemperaturerisedetectioninGaNhigh-electron-mobilitytransistorsviagate-drainSchottkyjunctionforward-conductionvoltages》，由XiujuanHuang,ChunshengGuo,QianWen,ShiweiFeng,和YaminZhang撰写，发表在《Microelectroni
北行黄金橘·2025-03-11 08:58

DeepSeek + Cline：编程如何加速引擎

以下是具体实现方式及技术要点：一、智能规划与代码生成问题分析与规划（Plan模式）DeepSeek-R1模型擅长处理复杂逻辑推理，开发者可在Cline的Plan模式下用自然语言描述需求（如“用Python
meisongqing·2025-03-11 08:58

UI自动化页面性能分析与实践

1.背景基于我们的POM平台的UI测试已经基本完成，平台构建主要是对页面进行常规操作，对于页面的加载性能的获取还很缺失，所以为了之后对页面进行分析和优化，我们需要在进行页面操作的同时，获取到页面的加载情况
lee_shaoyang·2025-03-11 08:57

【大模型开发】Megatron-LM 深度解析：原理、应用与代码实现

所有内容基于Megatron-LM官方实现（GitHub:NVIDIA/Megatron-LM），并结合大规模模型训练的关键理念进行介绍。
云博士的AI课堂·2025-03-11 08:27

【大模型开发】深入解析 DeepSpeed：原理、核心技术与示例代码

深入解析DeepSpeed：原理、核心技术与示例代码DeepSpeed是由微软开源的高性能深度学习训练优化引擎，专注于帮助研究人员和工程团队在分布式环境中高效地训练超大规模模型。
云博士的AI课堂·2025-03-11 08:57

【大模型开发】大模型背后的基础组件与生态概览

本文将介绍其中几大核心组件和框架，包括HuggingFaceTransformers、DeepSpeed、Megatron-LM，以及其他相关工具和方法，展示它们在训练效率
云博士的AI课堂·2025-03-11 08:56

Web UI自动化测试--元素操作

一、介绍什么是webui自动化测试1、通过代码来模拟人的手工操作，执行测试内容2、自动化是为了代替重复的手工操作，提高测试效率ui自动化的价值：1、回归速度的对比，以前进行全量回归测试需要x天，现在有没有减少
每 天 早 睡·2025-03-11 08:54

解决方案评测｜通义万相AI绘画创作【阿里产品系测评】

文章目录解决方案评测｜通义万相AI绘画创作一、活动参与及部署体验二、针对通义万相AI绘画创作方案的详细评测反馈1）资源部署及场景API调用体验过程是否得到足够的引导，操作是否顺畅？
一键难忘·2025-03-11 07:23

Git 的详细介绍及用法

一、Git的优点分布式版本控制每个开发者都拥有完整的仓库副本，无需依赖中央服务器（如SVN）。支持离线操作（提交、查看历史、创建分支等）。高效的分支管理创建和切换分支速度快（几乎是瞬间完成）。适合多人协作开发，支持多种工作流（如GitFlow、GitHubFlow）。强大的撤销和恢复能力可以回退到任意历史版本，避免代码丢失。提供gitreset、gitrevert、gitstash等撤销工具。数据
xluo1715·2025-03-11 07:50

doris：Elasticsearch

使用限制支持Elasticsearch5.x及以上版本。创建CatalogCREATECATALOG
向阳1218·2025-03-11 07:20

一学就会的深度学习基础指令及操作步骤（6）迁移学习

文章目录迁移学习模型准备数据增强模型训练模型微调和预测检查预测结果迁移学习迁移学习是将一个任务中学到的知识应用到另一个相关任务上，以提高新任务的学习效率和性能。
小圆圆666·2025-03-11 07:49

OpenBayes 教程上新 | 性能比肩满血版 DeepSeek-R1，QwQ-32B 一键部署教程上线

在多个关键基准测试上，其以32B的参数量，超越了OpenAI-o1-mini，比肩671B参数的满血版DeepSeek-R1。
·2025-03-11 07:43

Apipost一站式API工具评测：整合Postman+Swagger+JMeter三大功能，打造全流程开发解决方案

最后，再使用JMeter进行性能和负载测试，以确保API工作流顺畅且自动化。Apipost=Postman+Swagger+JMeter然而，这种多工具的方法存在诸多挑
·2025-03-11 07:42

领域大模型之微调技术和最佳实践

BERT和GPT-3等语言模型针对语言任务进行了预训练。微调使它们适应特定领域，如营销、医疗保健、金融。在本指南中，您将了解LLM架构、微调过程以及如何为NLP任务微调自己的预训练模型。
程序员莫玛·2025-03-11 07:17

基于PyTorch的深度学习6——数据处理工具箱2

下面将重点介绍transforms及ImageFolder。transforms提供了对PILImage对象和Tensor对象的常用操作。1)对PILImage的常
Wis4e·2025-03-11 07:47

svn 的详细介绍及用法

一、SVN的优缺点优点集中式管理所有代码和历史记录存储在中央服务器，权限控制严格，适合企业级项目管理。简单直观：用户只需要关注当前工作目录，无需处理复杂的本地仓库。目录版本控制支持对文件和目录的版本管理（包括重命名、移动等操作）。可以单独对目录进行版本控制。原子性提交提交操作要么完全成功，要么完全失败，避免部分提交导致的代码不一致。适合二进制文件对二进制文件（如图片、视频）的版本管理支持较好（Gi
xluo1715·2025-03-11 06:14

学睿德毅育贤才，AI 剪辑绽华彩

“小白AI短视频训练营”,恰似一把钥匙,为零基础学员开启AI短视频创作的大门。在这里,学员能够借助AI技术,探索记录生活的全新视角,以独特的剪辑手法展现生活的精彩
互联网之声·2025-03-11 06:13

python贪心算法几个经典例子_贪心算法及几个经典例子

一、定义什么是贪心算法呢？所谓贪心算法是指，在对问题求解时，总是做出在当前看来最好的选择。也就是说，不从整体最优解出发来考虑，它所做出的仅是在某种意义上的局部最优解。贪心算法不是对所有问题都能得到整体最优解，但对范围相当广泛的许多问题都能产生整体最优解或整体最优解的近似解。贪心算法的基本思路如下：1.建立数学模型来描述问题。2.把求解的问题分成若干个子问题。3.对每个子问题求解，得到每个子问题的局
weixin_39786850·2025-03-11 06:42

Excel百万数据导入内存溢出(OOM)解决方案，以及HSSFworkbook，XSSFworkbook，SXSSFworkbook失败分析

二.HSSFworkbook，XSSFworkbook，SXSSFworkbook分析序号类版本限制描述1HSSFworkbookExcel2003及以前，扩展名为.xls65536
冰糖码奇朵·2025-03-11 06:41

测试websocket接口

4760179.htmlhttp://www.cnblogs.com/yuanchunli/articles/5265738.html大家接手项目的时候,尤其是App项目,可能有websocket接口,但是测试这个
驰驰的老爸·2025-03-11 06:10

贪心算法及几个经典例子

贪心算法一、基本概念：所谓贪心算法是指，在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，他所做出的仅是在某种意义上的局部最优解。贪心算法没有固定的算法框架，算法设计的关键是贪心策略的选择。必须注意的是，贪心算法不是对所有问题都能得到整体最优解，选择的贪心策略必须具备无后效性，即某个状态以后的过程不会影响以前的状态，只与当前状态有关。所以对所采用的贪心策略一定要仔细
G11176593·2025-03-11 06:10
上一页 1 2 3 4 5 6 7 8 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他