tag ci

標籤
貢獻319
237
08:53 AM · Nov 03 ,2025
youqingyouyidedalianmao 頭像 jihu_gitlab 頭像 u_15745565 頭像 u_17171882 頭像 xaye 頭像 u_15525048 頭像 u_16213341 頭像 u_16175455 頭像 u_15469972 頭像 u_16213598 頭像 u_16297326 頭像 u_16213412 頭像

@ci / 博客 RSS 訂閱

u_12891 頭像

gjnet - get request 為什麼有長度限制

微軟説："Maximum URL length is 2,083 characters in Internet Explorer" 我們在Pricing系統開發中挑戰了一下這個長度，結果以失敗告終！...... 問題描述：系統中通過一個QLookUp選取Vendor相關信息，包括vendor code, vendor name, vendor

text , 架構 , 後端開發 , SQL , ci

收藏 評論

codingnet 頭像

CODING - 行雲流水｜ CI 3.0 雲原生構建全新上線

研發過程中，如何直觀且準確地獲悉代碼提交後的質量狀態？ 引入持續集成，可以自動化的對代碼進行代碼檢查、單元測試、編譯構建、甚至部署與發佈，大幅提升開發人員的效率。 騰訊雲 CODING 推出 CI 3.0 ——雲原生構建，是一款基於代碼倉庫的構建工具，採用全新的設計理念。可用於持續集成、持續部署、持續交付、遠程開發。面向雲原生，提供功能、性能、配額三重升級，旨在為 DevOps 踐

持續集成 , coding , ci , coding.net

收藏 評論

u_16213664 頭像

mob64ca140bbb8b - java think

1.繼承中，當new出子類，父類的構造器會先被調用，接着才是子類。 Execise5 package reuse; public class Exercise05 extends A { private B b = new B(); public static void main(String[] args) { new E

System , java think , 後端開發 , JAVA , ci , 父類

收藏 評論

u_16213334 頭像

mob64ca12d8c182 - llama 模型架構 損失函數

llama 模型架構 損失函數的描述：在當今的深度學習領域，LLaMA（Large Language Model Meta AI）已成為一個熱門的基礎模型。其架構設計與損失函數的選取對模型的性能至關重要。因此，在本文中，我將深挖 LLaMA 模型架構以及其對應的損失函數，逐步解析這些概念的本質。 背景描述 LLaMA 模型的設計理念源於大規模預訓練與高效的 fine-tuning

User , 損失函數 , aigc , ci

收藏 評論

u_16213367 頭像

mob64ca12e10b51 - AIGC端雲結合架構設計

AIGC端雲結合架構設計是當前數字轉型浪潮中的一個重要課題，尤其是在人工智能生成內容（AIGC）快速發展的背景下。為滿足企業對智能化和雲計算整合的需求，我們需要一個合理的架構設計來支撐這一複雜的技術體系。本文將圍繞AIGC端與雲計算的結合架構展開論述，下面我們就一步一步進行拆解。 背景描述 在AIGC的應用中，端雲結合架構可以使數據處理和模型訓練等複雜操作在基礎設施的世界中得到更

架構設計 , 數據安全 , aigc , ci

收藏 評論

u_16213436 頭像

mob64ca12f18f13 - mac上 ollama下載的模型文件在哪

在使用Ollama下載模型文件後，很多Mac用户會面臨一個常見問題：這些模型文件到底存放在哪裏？今天我們將全方位探討如何解決這個問題，並同時涵蓋一些備份策略、恢復流程及更多技術細節，確保您在使用Ollama的過程中不再疑惑。 備份策略 在考慮文件的存儲和管理時，一個合理的備份策略至關重要。我們可以使用思維導圖來梳理這一策略，確保我們在整個流程中的清晰性。下圖展示了我們的備份策略思

工具鏈 , bash , aigc , ci

收藏 評論

u_16213393 頭像

mob64ca12e732bb - langchain如何連接docker中的chroma數據庫

在現代軟件開發中，利用 Docker 容器化部署應用和數據庫已成為普遍實踐。Langchain 如何連接 Docker 中的 Chroma 數據庫 成為了一個頻繁遇到的問題。本篇文章將系統性地分析並記錄解決這一問題的過程。 問題背景 作為一個新的開源數據庫，Chroma 擁有輕量級、分佈式存儲等優點，非常適合與 Langchain 結合使用。然而，在將二者整合時，我們遭遇了一些障

數據庫 , aigc , ci , Docker

收藏 評論

u_16175450 頭像

mob649e81586edc - aigc底層邏輯

在人工智能生成內容（AIGC）的廣泛應用背景下，理解其底層邏輯至關重要。本篇博文將深入探討這個問題，力求全面而詳盡。通過逐步解析，讀者將對此領域有更深刻的認識。 背景描述 在2020年代初，AIGC開始迅速崛起。初始階段主要集中在自動化的內容生成，逐漸演變成了多模態能力的綜合展現。以下是這一發展過程的時間軸： timeline title AIGC發展歷程 2

性能優化 , aigc , ci , 模態

收藏 評論

u_16099289 頭像

編程小匠人傳奇 - 第945期機器學習日報(2017-04-20)_ai100

目錄 摘要 Abstract 一、優化目標 二、K-means算法的直觀理解 總結 摘要 今天深入學習了K-means算法的數學原理和優化過程。通過分析成本函數的構成，我理解了算法如何通過交替優化聚類分配和中心位置來最小化平方距離。具體來説，第一步是將每個點分配到最近的聚類中心，第二步是重新計算聚類中心為所屬點的

機器學習 , 聚類 , 最小化 , 人工智能 , Css , ci , 前端開發 , HTML

收藏 評論

u_15141608 頭像

u_15141608 - Rokid眼鏡天氣應用：自定義界面+TTS語音播報

繼上一篇《新手上手：Rokid移動端+眼鏡端最小實踐》之後，本文將帶你實現一個完整的天氣應用，充分利用Rokid眼鏡的特性：自定義界面顯示天氣信息，TTS語音播報天氣摘要，讓天氣信息在眼鏡端呈現得更直觀、更智能。 如果您有任何疑問、對文章寫的不滿意、發現錯誤或者有更好的方法，如果你想支持下一期請務必點贊~，歡迎在評論、私信或郵件中提出，非常感謝您的支持。🙏 那麼你將獲得 完整天氣應用：

移動開發 , 數據 , API , Android , ci

收藏 評論

u_16213382 頭像

mob64ca12e4972a - window10 ollama 設置使用GPU

在本文中，我們將探討如何在 Windows 10 上設置 Ollama 使用 GPU。Ollama 是一個強大的工具，但要發揮其最大潛能，利用 GPU 的計算能力是至關重要的。接下來，我們將從各個方面來詳細討論，包括版本對比、遷移指南、兼容性處理、實戰案例、排錯指南與性能優化。 版本對比 在 Ollama 的不同版本中，使用 GPU 的特性差異可以顯著影響性能。在此，我們可以使用

性能優化 , User , aigc , ci

收藏 評論

u_13250 頭像

flybirdfly - 學會這兩招，長圖優化不求人

twitter上很多文字長圖，總是以縮略圖的形式顯示，字根本看不清楚。以前有一些顯示長圖的插件，慢慢的都不能用了，只好自己動手搓了一個。我不會代碼，零基礎，全程AI編程，chrome和Firefox完美兼容，甚至比以前下載的插件體驗更好。現在的程序員太幸福了。 點擊查看代碼 // ==UserScript== // @name Tw

模態窗口 , Twitter , 後端開發 , ci , Python

收藏 評論

u_16175492 頭像

mob649e8162842c - VSCode 的 GitHub Copilot 遠程授權

VSCode 的 GitHub Copilot 遠程授權 在軟件開發過程中，使用現代工具來提高效率已成為一種趨勢。VSCode 和 GitHub Copilot 的結合為開發者提供了更智能的編碼方式。然而，進行遠程授權時，可能會遇到一系列問題。本文將深入探討解決“VSCode 的 GitHub Copilot 遠程授權”的過程。 技術原理 在進行遠程授權時，GitHub Co

User , aigc , 開發者 , ci

收藏 評論

u_16213420 頭像

mob64ca12edad02 - idea 接入 copilot

在這篇文章中，我們將探討如何通過集成 Copilot 到開發環境中來提升我們在 IntelliJ IDEA 中的編程體驗。接下來將會詳細描述環境預檢、部署架構、安裝過程、依賴管理、服務驗證以及遷移指南的具體步驟。 環境預檢 在正式安裝和配置 Copilot 之前，我們需要確保我們的系統環境滿足要求。以下是系統要求和硬件配置的詳細信息： 項目

System , aigc , 解決方案 , ci

收藏 評論

sealio 頭像

Seal - 持續部署：提高敏捷加速軟件交付（內含教程）

在當今快節奏的數字化環境中，企業不斷尋求更快地交付軟件、增強客户體驗並在競爭中保持領先的方法。持續部署（Continuous Deployment, CD）已成為一種改變遊戲規則的方法，使企業能夠簡化軟件交付、提高敏捷性並縮短上市時間。持續部署是一種敏捷的軟件開發方法，可幫助企業實現發佈流程的自動化，並頻繁、可靠地向生產交付軟件變更，從而應對這一挑戰。 在本文中，我們將探討持續部署的概念、

運維 , cd , ci

收藏 評論

u_16077014 頭像

wx643df9f1afa1d - 遺傳病、罕見病、腫瘤、家系最新文獻目錄 2025/04/19~11/25 全96篇

文獻數據庫：https://pubmed.ncbi.nlm.nih.gov/ Filters applied: from 2025/4/19 - 11/25 主要列出文章目錄，個別文獻含圖表。文章思路解讀，後續逐步更新 1. Hypohidrotic ectodermal dysplasia: association betwe

建模 , Pan , 後端開發 , ci , harmonyos

收藏 評論

u_15967048 頭像

農民工前端 - 動態生成 CSS 工具類：CSS函數實現 `pad20-top`、`pad40-bottom` 等靈活樣式

在前端開發中，經常需要為元素設置不同的 padding 或 margin 值。如果每次都手動編寫 CSS 類，不僅效率低下，還容易出錯。為了提高開發效率，可以通過 CSS 預處理器（如 Sass 或 Less）動態生成工具類，例如 pad20-top、pad40-bottom 等。 本文將詳細介紹如何通過 Sass 或 Less 實現這一功能，並探討其擴展性和應用場景。 需

vue.js , sass , less , ci , 前端開發

收藏 評論

u_16213377 頭像

mob64ca12e36a1d - llamaFactory lora訓練GLM4參數設置為多少

llamaFactory lora訓練GLM4參數設置為多少 在當今的機器學習和自然語言處理領域，LLaMA（Large Language Model Meta AI）模型因其強大的表現成為熱議的焦點。近期，“llamaFactory lora訓練GLM4參數設置為多少”的問題引發了不少關注，本文將深度探討如何對此進行參數設置，解析新舊版本的差異，並提供遷移指南、兼容性處理、實戰案例

參數設置 , System , aigc , ci

收藏 評論

u_12196 頭像

footballboy - html課程表（非常牛逼?）

!DOCTYPE html html lang="zh-CN" head meta charset="UTF-8" meta name="viewport" content="width=device-width, initial-scale=1.0" title智能課程表管理系統/title script src="https://cd

Css , ci , 前端開發 , ide , Javascript

收藏 評論

u_16175447 頭像

mob649e8157aaee - lora微調llama

在如今的自然語言處理（NLP）領域，微調技術已經逐漸成為大規模語言模型（如LLaMA）的重要組成部分。通過“LoRA”（Low-Rank Adaptation）微調方法，我們可以在豐富的數據集上快速調整模型，使其在特定任務上表現更優。本文將詳細描述如何進行“LoRA微調LLaMA”這一過程，包括環境配置、編譯過程、參數調優、定製開發、調試技巧及生態集成。 環境配置 在執行代碼之前

User , aigc , ci , Json

收藏 評論

u_16213639 頭像

mob64ca1405a060 - NPU升騰模型部署性能測試

目錄 在昇騰NPU上跑Llama 2模型：一次完整的性能測試與實戰通關指南 引言：從“為什麼選擇昇騰”開始 第一幕：環境搭建——好的開始是成功的一半 1.1 GitCode Notebook 創建“避坑指南” 1.2 環境驗證：“Hello, NPU!” 第二幕：模型部

code , 性能測試 , 後端開發 , llama , ci , Python

收藏 評論

u_16213421 頭像

mob64ca12edea6e - Stable Diffusion 對話 gpt 生圖

在當前AI技術的快速發展中，Stable Diffusion與對話系統的結合，正逐漸成為一種流行的趨勢。特別是在生成圖像方面，通過GPT架構與Stable Diffusion技術的結合，可以實現令人驚歎且高效的生圖效果。今天，我將深入探討“Stable Diffusion 對話 gpt 生圖”的相關問題，包括其技術原理、架構解析、源碼分析、性能優化以及案例分析。 flowchart

性能優化 , 對話模型 , aigc , ci

收藏 評論

u_16175496 頭像

mob649e81637cea - langchain本地嵌入向量

本篇文章記錄的主題是“langchain本地嵌入向量”的應用和問題解決過程。在實際應用中，我們遇到了一些挑戰，包括向量的嵌入、處理及多人合作中配置的不一致性等，這些因素都可能影響整體性能。以下將詳細介紹解決這一問題的過程。 問題背景 在一個使用langchain實現嵌入向量的項目中，我們需要將文本數據轉化為向量以便進行後續的處理與分析。嵌入向量的計算量大且複雜度高，參與的人員需要

數據 , 依賴庫 , aigc , ci

收藏 評論

u_16175452 頭像

mob649e8158ed1f - python訪問ollama請求失敗

在最近的項目中，我遇到了“Python訪問Ollama請求失敗”的問題。這一問題的背後，不僅僅是簡單的代碼錯誤，還涉及到架構設計、性能優化、故障處理等多方面的因素。這裏將詳細記錄下整個解決過程，以便後續參考。 業務場景分析 在當前的項目中，我們依賴Ollama作為模型訪問的中介。隨着用户數量的增加，高併發的API請求使得性能瓶頸逐漸顯現，尤其是在某些關鍵時段，業務請求的響應時間顯

高併發 , aigc , ci , Python

收藏 評論