tag 機器學習

標籤
貢獻425
374
05:25 PM · Oct 25 ,2025
deephub 頭像 tecdat 頭像 qingfouai 頭像 u_17420180 頭像 chaoshenjinghyperai 頭像 lab4ai 頭像 u_17061379 頭像 u_15214399 頭像 youyudetusi 頭像 aigoto 頭像 MrVolleyball 頭像 u_15690955 頭像

@機器學習 / 博客 RSS 訂閱

u_16213713 頭像

mob64ca1417736e - qt父控件的mousemoveevent是否可以在子控件生效

C++中只要有一個new就必須要有一個delete與之對應 但是Qt中的對象之間有特殊的關係 Qt 對象間的父子關係 每一個對象都保存有它所有子對象的指針 每一個對象都有一個指向其父對象的指針 parent裏面有個鏈表 鏈表的每一個元素都是就是指向子對象的 指針 類似的每一個子對向都保存了一個指向父對象的指針

機器學習 , include , qt , 人工智能 , 鏈表

收藏 評論

tecdat 頭像

拓端tecdat - 專題：2025年遊戲市場洞察報告：市場規模、用户行為、投資趨勢|附320+份報告PDF、數據、可視化模板彙總下載

原文鏈接：https://tecdat.cn/?p=44531 原文出處：拓端抖音號@拓端tecdat 引言 當遊戲行業告別“躺贏式增長”，項目延期、成本高企的挑戰與雲遊戲、生成式AI的機遇碰撞時，從業者該如何錨定方向？玩家圈層從Z世代向銀髮羣體延伸，又該如何適配全人羣需求？投資者面對紛繁賽道，怎樣捕捉真正的增長紅利？ 遊戲早已不是“小眾娛樂”，而是覆蓋30億+玩家、融合技術與文化的

機器學習 , 數據挖掘 , 算法 , 人工智能 , 深度學習

收藏 評論

u_16099280 頭像

編程小達人之心 - GUI builder使用emwin

zz Platform Builder編譯過程 經過前兩次的邊做邊學，我們已經創建並可以自由修改自己的平台了，這次我平來補充一點理論知識，以便加深對CE生成過程的瞭解。在此之前，需要説明的是CE的目錄結構是很龐大而複雜的，在以後的工作中很多事情會取決於你對目錄結構的瞭解程度，在此，CE5的文件夾結構未發生大的改變，因此想了解此部分內容的朋友可直接參閲本人的《WinCE實驗

機器學習 , 文件合併 , 頭文件 , 編譯過程 , 人工智能 , GUI builder使用emwin

收藏 評論

u_16213319 頭像

mob64ca12d52440 - deepin安裝ollama

在這篇博文中，我將詳細講解如何在Deepin上安裝Ollama，並記錄整個過程，涵蓋必要的環境準備、分步指南、配置詳解、驗證測試、優化技巧和擴展應用。 Deepin安裝Ollama 在Deepin操作系統上，Ollama是一個有趣且強大的工具，用於處理大量數據和機器學習模型。為了確保順利安裝，我將以下內容整理成一個完整的指南。 環境準備 在正式開始之前，我們需要確保系統符

機器學習 , bash , aigc , 2d

收藏 評論

u_12226 頭像

小蝌蚪 - 安卓的system_service

近期項目中，白色無下劃線的鏈接在iphone中變成了藍色有下劃線，明顯iphone不支持該鏈接的css，趕緊google、百度一下，發現了不少css樣式iphone居然不支持。 解決方法：多加一個div標籤，對a標籤定義顏色和下劃線，注意a標籤不能有背景圖片 li 　　div style="background: url(/resources/main/im

安卓的system_service , 機器學習 , 人工智能 , a標籤 , 預加載 , Css

收藏 評論

fulade 頭像

弗拉德 - 【Python 1-10】Python手把手教程之——一篇講透if語句以及if語句的特殊用法

作者 | 弗拉德 來源 | 弗拉德（公眾號：fulade_me) if 簡單示例 假設你有一個汽車列表，並想將其中每輛汽車的名稱打印出來。對於大多數汽車，都應以首字母大寫的方式打印其名稱，但對於汽車名'bmw'，應以全大寫的方式打印。 下面的代碼遍歷一個列表，並以首字母大寫的方式打印其中的汽車名，但對於汽車名'bmw'，以全大寫的方式打印: car_list = ['bmw','aud

機器學習 , python2.7 , python2.x , 後端 , Python

收藏 評論

lyh_bxxw 頭像

編學小屋 - Python的認知，你有了解嘛？看看吧少走點彎路！

首先得問自己學Python能幹嘛？ 收錄：CSDN【學Python説簡單真的簡單，説難也難，就由過來人給你總結為什麼吧。】 這個問題不好回答，因為Python有很多用途。 比如Python比較熱門的領域： 1、web開發 2、數據分析 3、人工智能 4、自動化運維 5、遊戲開發 6、網絡爬蟲 ....... 對於初學者來説 可能都感興趣！ 人嘛對未知的充滿好奇，

機器學習 , 人工智能 , 深度學習 , sublime-text , Python

收藏 評論

jdcdevloper 頭像

京東雲開發者 - Dive into TensorFlow系列（1）-靜態圖運行原理

接觸過TensorFlow v1的朋友都知道，訓練一個TF模型有三個步驟：定義輸入和模型結構，創建tf.Session實例sess，執行sess.run()啓動訓練。不管是因為歷史遺留代碼或是團隊保守的建模規範，其實很多算法團隊仍在大量使用TF v1進行日常建模。我相信很多算法工程師執行sess.run()不下100遍，但背後的運行原理大家是否清楚呢？不管你的回答是yes or no，今天讓我們一

機器學習 , tensorflow , 人工智能 , session

收藏 評論

alijishu 頭像

阿里雲開發者 - 【OpenVI—論文解讀系列】達摩院細粒度分類SoftTriple Loss ICCV高引論文深入解讀

一、背景 度量學習是一種機器學習方法，它主要用於在相似性度量的基礎上進行數據挖掘。具體來説，度量學習通過學習一種函數來度量兩個數據樣本點的相似性。這種函數稱為度量函數，它的目的是在儘可能減少度量錯誤的同時最小化相似數據樣本點之間的距離。典型的度量學習方法包括Triplet Loss、ProxyNCA、Npairs等。度量學習可以應用於許多領域，例如： 1.）圖像分類：度量學習可以用來幫助計算

函數 , 機器學習 , 數據 , 阿里雲

收藏 評論

yuanfang_648a85b26d85e 頭像

farfarcheng - DPA-1 遇見指南｜DP-SSE 固態電解質實戰

為了生產一個機器學習勢函數，你積累了大量的第一性原理數據，卻發現訓練模型的樣本效率不足，遷移性差。如此大的花費只能體驗“一次性”的機器學習分子動力學模擬 (MLMD)？這未免太貴了！ ChatGPT 等大規模語言模型的成功讓我們看到了“預訓練模型+少量新數據微調”解決這一難題的可能，勢函數生產能否參考此訓練策略進行？ 圖 1｜預訓練模型+

函數 , 機器學習 , 算法 , 人工智能 , 深度學習

收藏 評論

yuanfang_648a85b26d85e 頭像

farfarcheng - JAX-FEM｜當有限元遇上機器學習

近年來，機理與數據的融合計算正快速發展着。機器學習作為數據驅動的計算方法，以其解決高維複雜問題的能力而聞名於世。它在視覺理解、自然語言處理等領域取得了重大突破。與此同時，基於機理的計算方法，如有限元模擬，在現代工業中起着至關重要的作用，廣泛應用於飛機、汽車、材料和新能源等行業。 有限元方法簡介與挑戰 有限元法（FEM，Finite Element Method）是一種為求解偏微分方程邊值問題近似解

函數 , 機器學習 , 數學 , 人工智能 , 深度學習

收藏 評論

jdcdevloper 頭像

京東雲開發者 - 高基數類別特徵預處理：平均數編碼 | 京東雲技術團隊

一 前言 對於一個類別特徵，如果這個特徵的取值非常多，則稱它為高基數（high-cardinality）類別特徵。在深度學習場景中，對於類別特徵我們一般採用Embedding的方式，通過預訓練或直接訓練的方式將類別特徵值編碼成向量。在經典機器學習場景中，對於有序類別特徵，我們可以使用LabelEncoder進行編碼處理，對於低基數無序類別特徵（在lightgbm中，默認取值個數小於等於4的類別特徵

機器學習 , 編碼 , 人工智能

收藏 評論

deephub 頭像

deephub - 使用PyTorch實現GPT-2直接偏好優化訓練：DPO方法改進及其與監督微調的效果對比

基於人類反饋的強化學習(RLHF)已成為大型語言模型(LLM)訓練流程中的關鍵環節，並持續獲得研究界的廣泛關注。 本文將探討RLHF技術，特別聚焦於直接偏好優化(Direct Preference Optimization, DPO)方法，並詳細闡述了一項實驗研究：通過DPO對GPT-2 124M模型進行調優，同時與傳統監督微調(Supervised Fine-tuning, SFT)方法進行對比

機器學習 , llm , pytorch , 人工智能 , 優化

收藏 評論

algieba 頭像

阿爾的代碼屋 - [python 技巧] 快速掌握Streamlit: python快速原型開發工具

本文旨在快速上手python的streamlit庫,包括安裝，輸入數據，繪製圖表，基礎控件，進度條，免費部署。 Streamlit，更快地幫你建構和分享數據應用! streamlit官網如是説, 在數據處理，數據展示，機器學習原型，AI原型展示等方面十分契合。當然咱們用來做一些簡單的web應用也是完全沒問題的，上手難度低，部署簡單，且官方平台提供了免費的可公網訪問Streamlit Sharing

機器學習 , streamlit , webapp , 深度學習 , Python

收藏 評論

chaoshenjinghyperai 頭像

超神經HyperAI - 僅用1年成為DeepMind頂樑柱，John Jumper博士畢業7年拿諾獎，開啓蛋白摺疊新時代

「我以為我只有 10% 的機會獲得諾貝爾化學獎」，得知獲獎消息後，John Jumper 在電話採訪中笑着説道。他的語氣中帶着謙遜與感慨，而這份殊榮的背後，則是 AlphaFold2 帶來的科學革命，徹底改變了蛋白質結構預測的方式。 截至目前，已有來自 190 個國家的 200 多萬人使用這一工具，它不僅加速了新藥研發和疾病研究，也為基礎科學探索提供了前所未有的支持，深刻影響了生命科學的未來發展。

機器學習 , 強化學習 , google , 人工智能 , 深度學習

收藏 評論

chaoshenjinghyperai 頭像

超神經HyperAI - 【vLLM 學習】歡迎來到 vLLM!

vLLM 是一款專為大語言模型推理加速而設計的框架，實現了 KV 緩存內存幾乎零浪費，解決了內存管理瓶頸問題。 更多 vLLM 中文文檔及教程可訪問 →https://vllm.hyper.ai/ vLLM 是一個快速且易於使用的庫，專為大型語言模型 (LLM) 的推理和部署而設計。 vLLM 的核心特性包括： 最先進的服務吞吐量 使用 PagedAttention 高效管理注意力鍵和值的內

機器學習 , llm , 框架 , 人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - TorchOptimizer：基於貝葉斯優化的PyTorch Lightning超參數調優框架

超參數優化是深度學習模型開發過程中的一個核心技術難點。合適的超參數組合能夠顯著提升模型性能，但優化過程往往需要消耗大量計算資源和時間。本文介紹TorchOptimizer，這是一個基於貝葉斯優化方法的超參數優化框架，專門用於優化PyTorch Lightning模型的超參數配置。 TorchOptimizer是一個集成了PyTorch Lightning框架和scikit-optimize貝葉斯

機器學習 , pytorch , 人工智能 , 深度學習 , 優化

收藏 評論

chaoshenjinghyperai 頭像

超神經HyperAI - 甲骨實物高保真數據歸國，AI助力古文釋讀，發現甲骨新圖像

「明年我們去法國接甲骨文回家」，2024 年 12 月下旬，安陽師範學院甲骨文信息處理教育部重點實驗室的研究人員遠赴法國，與法國國家圖書館等 4 家甲骨文收藏機構簽訂合作協議，將以數字化形態將已經遠離故土許久的甲骨文文化遺產「接回家」。 2024 年 8 月 5 日，「全球甲骨數字迴歸計劃」正式啓程，實驗室主任劉永革帶領團隊成員張展、李邦、郭安、龔慕凡飛往韓國，於 8 月 13 日帶回了 7 片甲

機器學習 , llm , 3d , 人工智能 , 深度學習

收藏 評論

deephub 頭像

deephub - Python高性能編程：五種核心優化技術的原理與Python代碼

在性能要求較高的應用場景中，Python常因其執行速度不及C、C++或Rust等編譯型語言而受到質疑。然而通過合理運用Python標準庫提供的優化特性，我們可以顯著提升Python代碼的執行效率。本文將詳細介紹幾種實用的性能優化技術。 1、__slots__機制：內存優化 Python默認使用字典存儲對象實例的屬性，這種動態性雖然帶來了靈活性，但也導致了額外的內存開銷。通過使用 __slots_

機器學習 , 人工智能 , 優化 , Python

收藏 評論

alluxio_com 頭像

Alluxio - Alluxio Enterprise AI 3.5 發佈，全面提升AI模型訓練性能

近日，Alluxio 發佈 Alluxio Enterprise AI 3.5 版本。該版本憑藉僅緩存寫入模式 ( Cache Only Write Mode )、高級緩存管理策略以及 Python 的深度集成等創新功能，大幅加速 AI 模型訓練並簡化基礎設施運維，助力企業高效處理海量數據集、優化 AI 工作負載性能。 AI 驅動的工作負載常因海量的數據管理複雜度高導致效率瓶頸以及訓練週期延長。

緩存命中率 , 機器學習 , 數據挖掘 , 緩存 , 人工智能

收藏 評論

puxiaoke6 頭像

一點人工一點智能 - 書籍-《正則表達式謎題與AI編碼助手》

書籍：Regular Expression Puzzles and AI Coding Assistants: 24 puzzles solved by the author, with and without assistance from Copilot, ChatGPT and more 作者：David Mertz 出版：Manning​ 編輯：陳萍萍的公主@一點

機器學習 , 人工智能 , 深度學習 , 正則表達式

收藏 評論

old_it 頭像

老IT人 - 聯想 X 贊奇 | 共建 AI 生態，攜手發佈軟硬協同的AIKnow智能體工作站

5月8日，聯想在上海舉辦中國合作伙伴大會。贊奇科技作為聯想ISV核心生態夥伴之一，正式發佈“贊奇AIKnow智能體工作站”。該方案深度融合聯想工作站與贊奇AIKnow智能體開發平台，實現軟硬協同，為企業提供開箱即用的AI開發解決方案，大幅降低智能體部署門檻。 贊奇AIknow是由贊奇科技開發的一站式無代碼智能體開發平台，通過整合主流的大語言模型（如Qwen、DeepSeek、ChatGLM等）、

機器學習 , 算法 , segmentfault , 人工智能 , 深度學習

收藏 評論

puxiaoke6 頭像

一點人工一點智能 - 《控制與建模的經典與現代優化技術》

書籍：Classical and Modern Optimization Techniques Applied to Control and Modeling 作者：Radu-Emil Precup，Raul-Cristian Roman，Elena-Lorena Hedrea等 出版：CRC Press 編輯：陳萍萍的公主@一點人工一點智能 下載：書籍下載-《控制

機器學習 , 控制器 , 人工智能 , 優化

收藏 評論