PAT天梯赛训练-L1

SpringMVC 工作流程

DispatcherServlet通过HandlerAdapt
偷偷写博客·2025-01-19 00:33

Jetson显卡上运行Qwen2-1.5b模型时报错“RuntimeError triu_tril_cuda_template not implemented for ‘BFloat16‘”

RuntimeErrortriu_tril_cuda_templatenotimplementedfor‘BFloat16’”问题描述：CUDA_DEVICE="cuda:0"model_name_or_path
wang151038606·2025-01-19 00:31

神经网络初始化 (init) 介绍

常见的初始化方法及其应用场景2.1Xavier/Glorot初始化2.2He初始化2.3正交初始化2.4其他初始化方法3.如何设置初始化4.基于BERT的文本分类如何进行初始化4.1项目背景4.2模型构建4.3模型训练与评估
迷路爸爸180·2025-01-18 23:25

3.ChatClient&Chat Model简化与AI模型的交互

通过向预训练语言模型（如GPT等）发送提示词或部分对话内容，模型依据自身训练数据及对自然语言模式的理解，生成对话的延续或完整回复，并返回给应用程序。应用程序可以将其呈现给用户或用于进一步处理。
laopeng301·2025-01-18 23:20

巨潮PDF年报下载01——python request库

目录标题背景代码块背景(70条消息)迅雷API批量下载巨潮年报_无敌的前任的博客-CSDN博客代码块fromwin32com.clientimportDispatch#pipinstallwin32compat
圣道寺·2025-01-18 23:17

vue 前端优化性能优化方法

iteminactiveList":key="item.id"原因是不使用key或者列表的index作为key的时候，每个元素对应的位置关系都是index，直接导致我们插入的元素到后面的全部元素，对应的位置关系都发生了变更，所以在patch
lfl18326162160·2025-01-18 22:40

吴恩达系列——微调（Fine-tuning）与生成模型的应用

微调（Fine-tuning）是指在已有预训练模型的基础上，对模型进行进一步训练，以适应特定任务或需求。
疯狂小料·2025-01-18 21:04

用C++实现一个基于模板的观察者设计模式

观察者模式定义观察者模式（ObserverPattern）是一种行为型设计模式，用于定义对象间的一对多依赖关系，使得当一个对象状态发生变化时，其所有依赖它的对象都会收到通知并自动更新。
CoderIsArt·2025-01-18 21:30

基于Python实现读取嵌套压缩包下的文件

思路打开外层zip压缩包并遍历文件：使用withzipfile.ZipFile(outer_zip_path,'r')asouter_zip语句以读取模式'r'打开用户输入的外层zip压缩包对应的文件，
袁袁袁袁满·2025-01-18 21:00

设计模式详解（命令模式）

命令模式（CommandPattern）是一种行为型设计模式，它将请求封装为一个对象，从而使得请求的发送者和接收者解耦。
小马不敲代码·2025-01-18 21:27

观察者模式

观察者模式（ObserverPattern）正是为解决这类问题而诞生的，它提供了一种对象间的一对多依赖关系，当一个对象状态改变时，所有依赖它的对象都会得到通知并自动更新。
咖啡の猫·2025-01-18 20:54

设计模式之命令模式：从原理到实战，深入解析及源码应用

命令模式（CommandPattern）是一种行为设计模式，它将一个请求封装为一个对象，从而允许使用不同的请求、队列或者日志来参数化对象，并支持可撤销的操作。
coffee_baby·2025-01-18 20:24

Qt C++设计模式-＞中介者模式

中介者模式（MediatorPattern）是一种行为型设计模式，定义了一个对象用于封装一系列对象之间的交互。
多喝热水-多读书·2025-01-18 20:46

C++设计模式--中介者模式

中介者模式（MediatorPattern）定义用一个中介对象来封装一系列的对象交互。中介者使各对象不需要显式地相互引用，从而使其耦合松散，而且可以独立地改变它们之间的交互。
爱学习的蓝调·2025-01-18 20:44

【Python篇】深入机器学习核心：XGBoost 从入门到实战

2.1梯度提升简介3.安装XGBoost4.数据准备4.1加载数据4.2数据集划分5.XGBoost基础操作5.1转换为DMatrix格式5.2设置参数5.3模型训练5.4预测6.模型评估7.超参数调优
半截诗·2025-01-18 19:06

【YOLOv8杂草作物目标检测】

以下是一些关键信息的总结：农作物幼苗与杂草检测系统：基于YOLOv8深度学习框架，通过2822张图片训练了一个目标检测模型，用于检测田间的农作物幼苗与杂草对象。
stsdddd·2025-01-18 19:35

NVIDIA Hopper解说

它代表了NVIDIA在加速计算领域的最新进展，旨在为AI训练和推理、HPC应用提供前所未有的性能提升。
白总Server·2025-01-18 17:24

LLMs，即大型语言模型

LLMs，即大型语言模型，是一类基于深度学习的人工智能模型，它们通过海量的数据和大量的计算资源进行训练，可以理解和生成自然语言。
maopig·2025-01-18 17:52

第79期 | GPTSecurity周报

GPTSecurity是一个涵盖了前沿学术研究和实践经验分享的社区，集成了生成预训练Transformer（GPT）、人工智能生成内容（AIGC）以及大语言模型（LLM）等安全领域应用的知识。
云起无垠·2025-01-18 17:22

第60期 | GPTSecurity周报

GPTSecurity是一个涵盖了前沿学术研究和实践经验分享的社区，集成了生成预训练Transformer（GPT）、人工智能生成内容（AIGC）以及大语言模型（LLM）等安全领域应用的知识。
云起无垠·2025-01-18 17:22

【LLM】大语言模型（LLMs）

它们通过在大规模文本数据上进行训练，学习语言的语法、语义和各种语言特征，从而可以执行诸如文本生成、翻译、总结、问答等多种语言任务。
林九生·2025-01-18 17:21

全新 Hopper 架构的Transformer 引擎有什么特点？

Transformer引擎是全新Hopper架构的一部分，将显著提升AI性能和功能，并助力在几天或几小时内训练大型模型。
扫地的小何尚·2025-01-18 17:50

大语言模型（LLMs）入门教程（非常详细）从零基础入门到精通，看完这一篇就够了

如下这份指南将涵盖LLMs的基础知识、训练过程、用例和未来趋势……一.WhatareLargeLanguage
大模型零基础教程·2025-01-18 17:19

《多模态语言模型：一个开放探索的技术新领域》

核心主题多模态语言模型的特点仍处于探索和定义阶段没有固定的标准任务和评估方法研究方向高度开放技术路径主要存在两种方法：后期融合(LateFusion)从语言模型backbone开始添加图像编码器效果稳定，成本可控早期融合(EarlyFusion)从多模态数据集预训练效果尚不明显需要更大规模计算资源开放和透明的重要性促进知识累积和技术迭代降低技术准入门槛避免技术垄断便于安全性审计主要挑战技术层面数据
XianxinMao·2025-01-18 17:16

1.4走向不同：GPT 与 BERT 的选择——两大NLP模型的深度解析

它们都基于Transformer架构，但在设计理念、任务应用和训练方式等方面存在显著差
少林码僧·2025-01-18 16:12

1.8 GPT-4：开创人工智能的新纪元

作为“生成预训练转换器”家族中的最新成员，GPT-4不仅在功能上进行了提升，更在语言处理能力、理解深度以及适应性方面带来了全新的变革。
少林码僧·2025-01-18 16:12

第83期 | GPTSecurity周报

GPTSecurity是一个涵盖了前沿学术研究和实践经验分享的社区，集成了生成预训练Transformer（GPT）、人工智能生成内容（AIGC）以及大语言模型（LLM）等安全领域应用的知识。
云起无垠·2025-01-18 16:11

使用神经网络拟合6项参数

model2.1CNN_LSTM2.2Transformer3.定义train脚本3.1loss和optimizer3.2train3.3predict1.数据预处理1.1添加参数解析为了方便管理模型和训练等参数
Andrew_Xzw·2025-01-18 15:06

Windows Server 如何启用 TLS 1.3 ？

Step1:VerifySystemCompatibility确保系统正在运行WindowsServer2022或W
·2025-01-18 14:26

3DUnet实现3D医学影像的有效分割

3DUnet实现3D医学影像的有效分割1.配置代码环境2.配置数据集以及模型文件3.训练4.预测1.配置代码环境这里介绍一个很好的开源项目，git为：https://github.com/ellisdg
Andrew_Xzw·2025-01-18 13:49

基于生成式人工智能的网联自动驾驶：通感融合决策技术

首先讨论了生成式人工智能技术如何提高自动驾驶决策、训练、感知和导航等模块的性能，接着探讨了其在融合了语义通信、通感一体和新型空口技术的下一代车联网中的角色，然后提出了基于人工智能代理的网联自动驾驶模型，
罗伯特之技术屋·2025-01-18 13:17

集团公司L1-L5级流程框架方法论：（1）L1级流程：为业务价值链，是业务流程的主干； （2）L2级流程：为运作模式层面的业务子流程，因场景不同而差异化； （3）L3级流程：为实现运营模式所需的业

集团公司L1-L5级流程框架方法论集团公司L1-L5级流程框架方法论L1级流程：业务价值链定义与作用构成要素与其他流程关系案例分析L2级流程：运作模式层面业务子流程场景差异化原因子流程分类与特点跨场景协同策略案例分析
公众号：优享智库·2025-01-18 12:15

使用Python实现一键转换pdf为docx word

frompdf2docximportConverterimportos#用法：只需要输入文件路径，就可以自动转换为docx文件，并保存在当前路径下defpdf_to_word(pdf_file):#自动生成Word文件路径word_file=os.path.splitext
ccieluo·2025-01-18 12:38

python实现pdf和word互转

mpipinstallpython-office-ihttps://pypi.tuna.tsinghua.edu.cn/simple第二步，撰写代码pdf转wordimportoffice#转单个文件office.pdf.pdf2docx(file_path
cicif2006·2025-01-18 11:33

Pytorch实现：LSTM-火灾温度预测

本文为365天深度学习训练营中的学习记录博客原作者：K同学啊前期工作语言环境：Python3.9.18编译器：JupyterLab深度学习环境：Pytorch1.12.11.设置GPUimporttorchimporttorch.nnasnnimporttorchvisionfromtorchvisionimporttransforms
骑猪玩狗·2025-01-18 11:32

java实现word转html（支持docx及doc文件）

privatefinalstaticStringtempPath="C:\\Users\\xxx\\Desktop\\Word2Html\\src\\test\\";//图片及相关文件保存的路径publicstaticvoidmain
WAZYY0619·2025-01-18 11:32

深度学习项目--基于LSTM的火灾预测研究(pytorch实现)

本文为365天深度学习训练营中的学习记录博客原作者：K同学啊前言LSTM模型一直是一个很经典的模型，这个模型当然也很复杂，一般需要先学习RNN、GRU模型之后再学，GRU、LSTM的模型讲解将在这两天发布更新
羊小猪~~·2025-01-18 10:30

PLUTO：突破基于模仿学习的自动驾驶规划极限

改进来自三个关键方面：一种纵向横向感知模型架构，可实现灵活多样的驾驶行为；一种创新的辅助损失计算方法，可广泛应用且可高效地进行批量计算；一种利用对比学习的训练框架，采
硅谷秋水·2025-01-18 10:27

LargeAD：用于自动驾驶的大规模跨传感器数据预训练

25年1月来自新加坡国立大学、南京航空航天、德国Bremerhaven技术大学、上海AI实验室、香港科技大学和香港大学的论文“LargeAD:Large-ScaleCross-SensorDataPretrainingforAutonomousDriving”。视觉基础模型(VFM)的最新进展彻底改变2D视觉感知，但它们在3D场景理解方面的潜力，特别是在自动驾驶应用中的潜力仍未得到充分探索。Lar
硅谷秋水·2025-01-18 10:27

设计模式 - 结构型

结构型设计模式结构型模式(StructuralPattern)关注类和对象的组合。其描述如何将类或者对象结合在一起形成更大的结构，就像搭积木，可以通过简单积木的组合形成复杂的、功能更为强大的结构。
唯细水静流·2025-01-18 09:22

代码随想录算法训练营day24（0117）

1.复原IP地址感觉有点难，基本属于是对着题解写了，单拎出来是否有效我都没写全对。。然后是对于单层回溯逻辑那里也是一个难点，追本溯源其实还是字符串的操作没有那么熟练。题目93.复原IP地址有效IP地址正好由四个整数（每个整数位于0到255之间组成，且不能含有前导0），整数之间用'.'分隔。例如："0.1.2.201"和"192.168.1.1"是有效IP地址，但是"0.011.255.245"、"
Lazy.land·2025-01-18 09:17

第十四届蓝桥杯三月真题刷题训练——第 18 天

第1题：排列字母思路：直接调用sort函数对字符串进行排序#includeusingnamespacestd;intmain(){stringarr;cin>>arr;sort(arr.begin(),arr.end());cout#definelllonglongusingnamespacestd;intmain(){lln,m,k,res;cin>>n>>m;if(n>m)swap(n,m);
不摘月亮·2025-01-18 09:47

Python模块 —— re正则表达式

之后）2.4边界匹配（不消耗待匹配字符串中的字符）2.5逻辑、分组2.6特殊构造（不作为分组）2.7正则表达式相关说明三、PythonRe模块3.1简介3.2标志flags3.3re.compile(*pattern
julong187·2025-01-18 08:15

【Vim Masterclass 笔记16】S07L32 + L33：同步练习09 —— 掌握 Vim 宏操作的六个典型案例（含点评课内容）

文章目录S07L32Exercise09-Macros1训练目标2操作指令2.1.打开macros-practice.txt文件2.2.练习1：将旧版Python代码转换为新版写法2.3.练习2：根据列表内容批量创建
安冬的码畜日常·2025-01-18 08:14

【Vim Masterclass 笔记14】S07L29 + L30：练习课08 —— Vim 文本对象同步练习（含点评课内容）

文章目录L29Exercise08-TextObjects1训练目标2操作指令2.1.打开textobjectspractice.txt文件2.2.单词对象练习WordObjects2.3.区块对象`(
安冬的码畜日常·2025-01-18 08:13

小北的技术博客：探索华为昇腾CANN训练营与AI技术创新——Ascend C算子开发能力认证考试（初级）

前言哈喽哈喽友友们，这里是zyll~（小北）智慧龙阁的创始人及核心技术开发者。在技术的广阔天地里，我专注于大数据与全栈开发，并致力于成为这一领域的新锐力量。通过智慧龙阁这个平台，我期望能与大家分享我的技术心得，共同探索技术的无限可能。AscendC编程：小北的技术之旅近期，我深入研究了AscendC编程，并整理了一系列关于AscendC算子开发能力认证考试（初级）的题目及其答案。我希望这些内容能为
Stitch .·2025-01-18 08:12

【设计模式-结构型】装饰器模式

一、什么是装饰器模式装饰器模式（DecoratorPattern）是一种结构型设计模式，它的核心思想是在不改变原有对象结构的情况下，动态地给对象增加一些功能，从而达到扩展功能的目的。
博一波·2025-01-18 08:37

PyTorch 神经协同过滤 (NCF) 推荐系统教程

目录教程概述1.神经协同过滤模型概述NCF模型的主要组成部分：2.数据加载与预处理3.定义神经协同过滤模型4.训练模型5.模型评估6.推荐物品7.完整示例8.总结在本教程中，我们将使用PyTorch实现一个神经协同过滤
陌北v1·2025-01-18 07:37

go采集注册表

packagemainimport("fmt""golang.org/x/sys/windows/registry""log""os""strconv""strings")funcUSBSTOR_Enum(){//打开注册表键keyPath
甘北·2025-01-18 07:03

责任链模式详解

责任链模式详解1.定义责任链模式（ChainofResponsibilityPattern）是一种行为型设计模式，它允许将请求沿着处理者链进行传递，直到某个处理者能够处理该请求为止。
silver687·2025-01-18 07:32
上一页 1 2 3 4 5 6 7 8 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他