tag 機器學習

標籤
貢獻423
354
05:25 PM · Oct 25 ,2025
deephub 頭像 qingfouai 頭像 tecdat 頭像 u_17420180 頭像 chaoshenjinghyperai 頭像 lab4ai 頭像 u_17061379 頭像 youyudetusi 頭像 u_15214399 頭像 aigoto 頭像 u_15690955 頭像 MrVolleyball 頭像

@機器學習 / 博客 RSS 訂閱

u_16099263 頭像

IT狼人9號 - UNIX中程序執行system ftp上傳文件報256

Unix下ftp常用命令： 1.ftp登錄 #ftp 主機名或IP 2.ftp常用操作 ascii 以ASCII模式傳輸數據； binary 以二進制模式傳輸數據，對可執行程式的傳輸比須用此； ls 顯示ftp服務器端目錄列表； cd 改動目錄； lcd 改動本機目

機器學習 , 文件名 , 服務器 , 人工智能 , 文件傳輸

收藏 評論

u_13633 頭像

daleiwang - script標籤在template標籤上面

這是一個偽命題嗎？ 首先，W3C 推薦 script 腳本應該被立即加載和執行，其次，經過網絡搜索，我只發現了 1 例相同的問題，所以這個問題的真偽其實還有待進一步驗證，但是從邏輯上説，瀏覽器會並行加載靜態資源，對於 Chrome，可以並行加載 6 個資源，如果其中一個資源獲取的比較緩慢，那麼會影響串行的下 6 個請求的發送，如果能夠預先測試出 6

機器學習 , 異步加載 , ViewUI , 加載 , 人工智能 , HTML , Javascript

收藏 評論

u_16213645 頭像

mob64ca1407216b - memtest86DQ算法

2017-2018-1 20155304 《信息安全系統設計基礎》第七週學習總結 教材學習內容總結 4.1:Y86指令集體系結構 程序員可見的狀態：每條指令都會讀取或修改處理器狀態的某些部分 Y86包括：8個程序寄存器、3個條件碼ZF\SF\OF、程序計數器（PC) Y86用虛擬地址引用存儲器位置，程序狀態的最後一個部分是狀態碼Stat

機器學習 , 程序計數器 , C語言 , 人工智能 , 寄存器 , memtest86DQ算法

收藏 評論

u_16213722 頭像

mob64ca1419a401 - openai接口 chat embedding

gpt的這api https://api.openai.com/v1/completions 參數都有哪些 API參數： 1. `prompt`: 要生成的文本的前綴 2. `engine`: GPT 模型，默認為 `davinci` 3. `stop`: 終止條件，最多生成的文本的長度，默認為 `None'，表示無限制 4. `temperature`:

sed , 機器學習 , API , 人工智能 , ide

收藏 評論

u_16213618 頭像

mob64ca1400bfa8 - disassemble 分析core文件

.net core dump分析 20211220 更新：利用VS或者命令內存分析 20210421更新：可以使用https://memprofiler.com/download和VS直接打開dmp文件 (內存泄漏查看比較方便，但是cpu線程分析還是用dotnet-dump analyze好一點) 20201211更新： 用https://docs.micros

機器學習 , microsoft , 加載 , 人工智能 , .net

收藏 評論

u_16213696 頭像

mob64ca14133dc6 - ubuntu中pt文件改成rknn

常用目錄作用 / 根目錄（不建議在根目錄下隨意操作，存放數據） /bin 命令保存目錄 /boot 啓動目錄，啓動相關文件 /dev 設備文件保存目錄 /etc 配置文件保存目錄 /home 普通用户的家目錄 /lib 系統庫保存目錄 /mnt 系統掛載目錄 /medi

機器學習 , 當前目錄 , 子目錄 , 目標目錄 , ubuntu中pt文件改成rknn , 人工智能

收藏 評論

u_16213617 頭像

mob64ca140088a9 - 正態分佈 理賠 保險 機器學習 正態分佈的故事

正態分佈 神説，要有正態分佈，就有了正態分佈。 神看正態分佈是好的，就讓隨機誤差服從了正態分佈。 創世紀—數理統計 1. 正態分佈，熟悉的陌生人 學過基礎統計學的同學大都對正態分佈非常熟悉。這個鐘形的分佈曲線不但形狀優雅，它對應的密度函數寫成數學表達式 f(x)=12π−−√σe−(x−μ)22σ2 也非常具有數學的美感。其標準化後的概率密度

機器學習 , 正態分佈 , 二項分佈 , 數理統計 , 人工智能 , 正態分佈 理賠 保險 機器學習

收藏 評論

u_16213348 頭像

mob64ca12dc54c5 - windows ollama gpu運行

在高性能計算及機器學習模型的推理過程中，利用GPU加速是一項至關重要的技術。以“Windows Ollama GPU運行”為主題，我們將深入探討如何在Windows環境下成功部署和運行Ollama框架，以充分發揮GPU的計算潛力。 背景描述 當前的深度學習框架對計算資源的要求越來越高，尤其是在模型推理階段。GPU的並行計算能力讓其成為深度學習流程中不可或缺的部件。Ollama是一

機器學習 , 自然語言處理 , aigc , 深度學習

收藏 評論

u_16213698 頭像

mob64ca1413c518 - vue3使用時建議 把 script 寫在 template上面為什麼

作用： 將vue模板通過一系列過程處理，變成可以生成返回vnode的渲染函數。從而通過vnode渲染頁面 將模板編譯成渲染函數 大體可以分為三部分： 解析器：將模板編譯成AST(Abstract Syntax Tree)抽象語法樹。本質就是和vnode差不多的不同js對象 優化器：： 遍歷AST，標記靜態節點和靜態根節點 代碼生成器：：

機器學習 , 解析器 , 字符串 , 人工智能 , html解析器

收藏 評論

u_16099209 頭像

雲端夢想家 - coremail運維資料

新一代應用統一部署管理平台 Seal AppManager 採用平台工程的理念，通過降低基礎設施操作的複雜度為研發和運維團隊提供易用、一致的應用管理和部署體驗。Seal AppManager 幫助研發和運維團隊實現關注點分離，即運維工程師負責基礎建設，研發可以在零基礎設施知識的情況下實現應用部署管理。 本文以運維和研發兩個視角，介紹如何通過Seal Ap

機器學習 , coremail運維資料 , 運維 , 人工智能 , Docker , ui

收藏 評論

u_14273 頭像

charlesc - QItemWidget data用法

目錄 查看執行計劃 查看預估的執行計劃--AUTOTRACE 查看預估的執行計劃--EXPLAIN PLAN FOR 查看現在的真實執行計劃--SHARE POOL 查看過去的真實執行計劃--AWR 執行計劃分析 訪問路徑方法 表連接方式 *謂詞過濾信息

機器學習 , 執行計劃 , 等待事件 , QItemWidget data用法 , 人工智能 , SQL

收藏 評論

chaoshenjinghyperai 頭像

超神經HyperAI - TVM 中文站正式上線！最全機器學習模型部署「參考書」它來了

內容一覽： 近日，由 MLC 社區志願者共同翻譯校對的 TVM 中文文檔正式發佈，現已託管至超神經官網 Hyper.AI。 關鍵詞： TVM 開源 機器學習編譯器 本文首發自微信公眾號：HyperAI超神經 面世5年，TVM成備受追捧的深度學習編譯棧 2017 年 8 月，時任華盛頓大學博士生的陳天奇及其團隊成員，正式發佈 TVM。 這是一個開源的模型編譯框架，全稱 Tensor Vir

機器學習 , 算法 , 人工智能 , 深度學習 , 學習資料

收藏 評論

u_16213560 頭像

數據小探 - 前端大屏適配rem函數

談談移動端屏幕適配的幾種方法 移動端web開發相對於PC端web開發，我們可以慶幸不用兼容那麼多瀏覽器了，但是隨之而來的卻是各種屏幕尺寸的適配，個人覺得，比PC端還要費精力。在使用了騰訊優測進行軟件測試後，問題得到了有效解決。 響應式佈局 簡而言之，就是頁面元素的位置隨着屏幕尺寸的變化而變化，通常會用百分比來定位，而在設計上需要預留一些可被“壓縮”的空間。

機器學習 , 縮放 , 寬高 , 前端大屏適配rem函數 , 人工智能 , 屏幕尺寸

收藏 評論

u_16213725 頭像

mob64ca141a683a - systemPath 正確格式

反射先了解 一：system.Type 獲取基本信息： Type.Name //類名 Type.FullName //完整路徑 Type.Namespace //空間名 public class student { public int Id { set; get; }

機器學習 , Public , 值類型 , System , systemPath 正確格式 , 人工智能

收藏 評論

love51 頭像

GhostLover - docxtemplater 單選框

在企業中有許多表單需要填寫，例如“請假單”、“問卷調查”、“反饋表”等，通常情況下，這些表單製作完成後需要打印出來，然後讓員工進行填寫，但是這樣的工作過程難以統計和管理表單的填寫情況。 通過Microsoft Word 2003的窗體設計，便可以實現在線的電子表單填寫了。設計Word表單的操作步驟如下： （1）首先，利用Word創建一個可供填寫信息的表單文檔，如圖1所

機器學習 , word , 表單 , docxtemplater 單選框 , 人工智能 , 工具欄

收藏 評論

u_13250 頭像

flybirdfly - 雙重機器學習效應分解

網絡的功能和優點： 數據和應用程序 資源 網絡存儲 備份設備 網絡的特徵： 速度 成本 安全性 可用性 可擴展性 可靠性 拓撲 開放系統互聯OSI： 三種通訊模式： 　　　　　　　　unicast　　　　　　　　　

機器學習 , 雙重機器學習效應分解 , 網卡驅動 , ip , 人工智能 , 路由表

收藏 評論

u_16099334 頭像

AI領域佈道師 - systemtick寄存器

1.寄存器 用於暫時存放二進制數據的器件，由觸發器組成； LOAD控制端：負責數據的裝入控制； CLK同步時鐘信號：在其邊沿時刻完成動作； ENB輸出允許信號：允許數據輸出。 寄存器特點 用於暫存數據。不同於存儲器，數量少，速度快。 寄存器分類 緩衝寄存器（Buffer Register）：暫存數據。

機器學習 , 存儲單元 , 數據 , systemtick寄存器 , 嵌入式硬件 , 人工智能 , 寄存器

收藏 評論

u_16147706 頭像

火星情報 - 量化血流動力學新時代：以數據驅動重構臨牀決策的精準與高效

血流動力學監測是重症醫學、心血管疾病診療等領域的“生命線”——通過評估心臟功能、血管阻力、組織灌注等核心指標，為疾病診斷、治療方案制定及預後判斷提供關鍵依據。然而，傳統血流動力學監測手段長期面臨“主觀性強、操作複雜、依賴經驗”的痛點，制約着臨牀決策的精準度與效率。隨着量化技術的突破，以“客觀數據”替代“主觀判斷”的量化血流動力學新時代已到來，其核心價值在於通過標準化、可量化的指標

機器學習 , 數據 , 定性描述 , 人工智能 , 數據驅動

收藏 評論

u_16213648 頭像

mob64ca1407d5aa - outlook郵件下載eml

outlook臨時文件保存 This might be more of an Outlook tip, but I get a lot of Excel attachments in my Outlook email messages. Most of those files have to be saved, and i

csv , 機器學習 , windows , qt , outlook郵件下載eml , excel , 人工智能

收藏 評論

u_12855 頭像

西門吹雪 - svn提交提示Node remains in conflict

原文：http://developer.51cto.com/art/201006/203185.htm 本節向大家簡單描述一下SVN錯誤，在學習SVN的過程中如何避免SVN錯誤，SVN錯誤如何解決(locked conflict 文件不存在）這是大家最關心的問題，本節就和大家一起來學習一下，希望通過本節的介紹大家對SVN錯誤有深刻的理解。 這段時間做項目也學到了很多，

機器學習 , 服務器 , server , svn , 人工智能

收藏 評論

u_16213661 頭像

mob64ca140b0bc8 - 公眾號文章Scheme

老婆公司的需求，公司給了一個星期的時間。讓她每天去複製粘貼。然後就有了如下代碼： 先説實現吧 一、抓包 打開Charles , 配置好SSL Proxy 。 編輯 證書OK後，配置允許抓取系統資源： 編輯 啓動抓包即可，簡單又方便： 編輯

抓包 , 機器學習 , 人工智能 , 公眾號 , 公眾號文章Scheme , Git

收藏 評論

qingfouai 頭像

青否Ai - 電商平台數字人主播直播間激增，虛擬主播如何重塑電商生態？

直播間裏，主播“羅永浩”連續激情澎湃地解説了6個小時，依然精神飽滿、對答如流，而這一切背後，竟無一人真人蔘與。（青否數字人源頭v：zhibo175） 當直播時長逼近6個小時、大多數電商主播顯露疲態時，百度直播間裏的主播“羅永浩”和搭檔“朱蕭木”仍然情緒飽滿地回答觀眾提問，時不時還能講兩句“段子”吸引觀眾下單。 這並非真人主播的超常發揮，而是百度藉助劇本驅動多模協同數字人技術打造的數字人主播。

機器學習 , 算法 , 人工智能 , 深度學習

收藏 評論

u_16213575 頭像

墨舞青雲 - ddddocr和cnnxruntime版本對應關係

工作有些年頭了一直在搬磚，下定決心從零開始寫一套領域模型的項目 把知道的東西變成會的，把會的東西融會貫通 最終能不能用無所謂，總要留點什麼東西 Github 倉庫地址 每一篇文章對應一個 tag 這版代碼定義了 　　領域模型中需要那些層 　　層與層之間的基本引用 　　使用.NET Core 內置的依賴注入框架，對各層之間進行

機器學習 , orm , Domain , 領域模型 , 人工智能

收藏 評論