tag 迭代

標籤
貢獻82
114
01:02 PM · Nov 08 ,2025
u_13715298 頭像 u_17580222 頭像 u_16018702 頭像 u_16993624 頭像 u_13717764 頭像 u_17321650 頭像 u_15469972 頭像 u_17578926 頭像 u_15943685 頭像 AmbitionGarden 頭像 u_13357275 頭像 u_15675268 頭像

@迭代 / 博客 RSS 訂閱

u_16018702 頭像

架構師李哲 - 大模型微調有必要做嗎？全參數微調、LoRA還是RAG？看完這篇你就懂了

在人工智能迅猛發展的今天，大型語言模型已成為解決各類問題的強大工具。但當您想要打造一個真正理解所在行業、掌握專業知識的大模型時，總會面臨一個關鍵問題：如何用最小的成本、最高的效率，讓通用模型變得"專業"？ 這就像把一位通才培養成領域專家——選對方法，事半功倍。這正是LLaMA-Factory Online要解決的核心問題——通過智能化的微調，讓每個團隊都能輕鬆駕馭大模型適配

實時更新 , 數據 , 人工智能 , 深度學習 , 迭代

收藏 評論

u_17213027 頭像

wx676be6175e246 - Android開發中while循環

在Android應用開發中，while循環作為基礎控制結構，其正確使用對性能優化和功能實現至關重要。本文將從語法特性、應用場景、潛在風險及優化策略四個維度展開詳解。 一、語法特性與執行邏輯 while循環通過while(condition)實現條件判斷，只要condition為true，便持續執行循環體。其核心特點包括： 先判斷後執行：

移動開發 , while循環 , Android , 應用場景 , 迭代

收藏 評論

u_16970152 頭像

求知上進 - Python 數據結構：集合推導式

Python 集合推導式是一種強大的特性，能夠簡化代碼，提高可讀性，同時為複雜的數據處理任務提供靈活和高效的解決方案。在這篇文章中，我們將深入探討集合推導式，從其基本語法、應用場景到高級技巧，以確保你能夠在實際編程中自如地運用它。 一、集合推導式的概念與語法 1.1 什麼是集合推導式？ 集合推導式是在一個可迭代對象（如列表、元組、字符串等）上進行迭代，並通過一個

數據 , 人工智能 , 深度學習 , 數據處理 , 迭代

收藏 評論

u_15943685 頭像

步_步_為營 - 深入理解IAsyncEnumerable<T>：異步迭代的底層實現與應用優化

深入理解IAsyncEnumerableT：異步迭代的底層實現與應用優化 在.NET異步編程領域，IAsyncEnumerableT 提供了一種異步迭代數據的方式，尤其適用於處理大量數據或涉及I/O操作的場景，避免阻塞線程，提升應用程序的響應性和性能。深入理解其底層實現，有助於開發者編寫高效且正確的異步代碼。 技術背景 在傳統的同步編程中，IEnumerableT 用於順序訪

System , 數據 , 迭代 , 前端開發 , Javascript

收藏 評論

u_16099170 頭像

編程小匠人之魂 - bug管理工具--禪道介紹

禪道員工管理以 “組織架構 + 角色權限 + 項目團隊” 三層模型落地，確保權責清晰、數據隔離禪道。 初始化組織架構 管理員登錄，進入【後台】→【人員管理】→【部門】，創建部門（如產品部、研發部、測試部）並設置層級禪道。 進入【角色管理】，使用標準角色（管理員、產品經理、項目經理、開發、測試等）或自定義角色（如前端主管、QA

產品經理 , 項目經理 , 後端開發 , 迭代 , Python

收藏 評論

u_15943685 頭像

步_步_為營 - 深度探索.NET 中 IAsyncEnumerable<T>：異步迭代的底層奧秘與高效實踐

深度探索.NET 中 IAsyncEnumerableT：異步迭代的底層奧秘與高效實踐 在.NET 開發中，處理大量數據或執行異步操作時，異步迭代成為提升性能和響應性的關鍵技術。IAsyncEnumerableT 接口為此提供了強大支持，它允許以異步方式逐個生成序列中的元素，避免一次性加載大量數據到內存。深入理解 IAsyncEnumerableT 的底層實現與應用，能幫助開發者構建

System , 異步操作 , 迭代 , 前端開發 , Javascript

收藏 評論

qdlifeng 頭像

奇峯卧虎 - 聊聊如何擺脱測試價值的“能見度”低現象

思想層面要推動測試左移和右延，改變團隊認知，執行層面要用數據量化價值，讓隱性工作顯性化，溝通層面要建立持續的價值彙報機制，核心思路是把測試從成本中心轉變為質量合作伙伴。 作為測試管理者，如果不能有效提升測試價值的“能見度”，團隊就容易被視為“成本中心”而非“價值貢獻者”，從而在資源爭取、話語權和團隊士氣上陷入被動。 要擺脱這一現象，我們需要從 “被動響應” 的思維轉變

軟件測試 , 開發人員 , 自動化測試 , 迭代

收藏 評論

u_12897 頭像

jordana - 深度學習 矩陣逐元素相乘

矩陣運算、求導、激活函數、梯度下降算法、反向傳播算法等 1、矩陣運算 如果矩陣${{\mathop{\rm A}\nolimits} = {\left( {{a_{ij}}} \right)_{m \times n}}}$，其轉置矩陣${{\mathop{\rm B}\nolimits} = {\left( {{b_{ji}}} \right)_{n \times m

梯度下降算法 , 反向傳播算法 , 人工智能 , 深度學習 , 深度學習 矩陣逐元素相乘 , 迭代

收藏 評論

u_13357275 頭像

上海拔俗網絡 - AI大模型研發與管理平台：讓模型開發“少走彎路”的技術利器

AI大模型研發曾是“少數人的遊戲”：數據雜亂難整理、訓練耗時長、版本混亂難追溯，還得靠資深工程師“憑經驗試錯”。而AI大模型研發與管理平台的出現，用標準化技術工具鏈打通研發全流程，把複雜的模型開發變成“按流程操作、靠數據説話”的高效工作，讓更多團隊能輕鬆搞研發。 這個平台的核心是“技術閉環+智能協同”，就像給大模型研發裝了一套“全流程管家”，每個環節都藏着實打實的技術硬活： 首先

服務器 , 數據 , NLP , 人工智能 , 迭代

收藏 評論

u_13357275 頭像

上海拔俗網絡 - AI高質量語料庫平台：智能時代的“語言基建”技術揭秘

我們日常用的AI聊天助手、翻譯軟件、語音轉文字工具，看似“聰明”的背後，都離不開一個核心支撐——語料庫。如果説AI是會學習的“學生”，語料庫就是它的“教材”，而高質量語料庫平台，就是給AI編出“優質教材”的技術工坊。今天就用通俗的話，聊聊這個平台裏藏着的關鍵技術。 首先是數據篩選與去重技術。互聯網上的文字數據多如牛毛，但雜亂無章——有廣告、有錯別字、還有大量重複內容。平台要做的第一步

數據 , NLP , 人工智能 , 原始數據 , 迭代

收藏 評論

u_16213589 頭像

mob64ca13f9a97c - 什麼是禪道？禪道可以做什麼？如何自動推送禪道消息？ -

禪道（Zentao）是一款開源的項目管理與研發協作軟件，由青島易軟天創公司開發，專為軟件開發團隊設計，融合了 Scrum 敏捷開發、看板（Kanban）、瀑布模型等多種項目管理方法，核心目標是打通需求 → 任務 → 開發 → 測試 → 發佈的全流程。 一、禪道的核心功能 1. 產品管理（Product Management） 管理產品線、需求（Stor

項目管理 , redis , Management , 數據庫 , 迭代

收藏 評論

u_13416 頭像

detailtoo - bp算法matlab線性迴歸結果分析

斯坦福大學公開課 ：機器學習課程[第2集]監督學習應用.梯度下降 http://v.163.com/movie/2008/1/B/O/M6SGF6VB4_M6SGHJ9BO.html Matlab實現線性迴歸和邏輯迴歸: Linear Regression Logistic Regression octave

機器學習 , 線性迴歸 , 擬合 , bp算法matlab線性迴歸結果分析 , 人工智能 , 迭代

收藏 評論

u_17480440 頭像

wx68856587055bf - AI攻防實戰：利用AI攻擊鏈框架剖析AI應用安全

利用AI攻擊鏈框架對AI應用進行攻擊建模 AI應用引入了傳統安全模型無法完全捕捉的新攻擊面，尤其是隨着這些智能系統自主性的增強。不斷演變的攻擊面的指導原則很明確：假設存在提示詞注入。但將其轉化為有效的防禦措施通常並不簡單。 網絡攻擊鏈安全框架定義了攻擊者的操作方式。在某中心，我們構建了AI攻擊鏈，以展示攻擊者如何危害AI應用，並説明防禦者可以在何處中斷攻擊鏈。與強調攻擊者使用AI

數據 , 辦公效率 , 持久化 , 迭代

收藏 評論

u_16213645 頭像

mob64ca1407216b - zgrep遞歸

C語言之遞歸 1.遞歸是什麼 認識遞歸 遞歸作為一種算法在程序設計語言中廣泛應用. 遞歸的定義 遞歸是指程序調用自身的過程，在數學和計算機科學中，遞歸指由一種或多種簡單的基本情況定義的一類對象或方法，並規定其他所有情況都能被還原為基本情況. 2.遞歸的條件 子問題需要和原來的問

遞歸 , 雲計算 , C語言 , Linux , zgrep遞歸 , 雲原生 , 迭代

收藏 評論

u_15675268 頭像

1艾一刀 - 人人都能用手機當上導演，阿里千問APP接入萬相2.6

12月16日，阿里千問APP同步上線最新視頻生成模型萬相2.6，並向所有用户免費開放。基於該模型的核心能力，千問APP上線“AI小劇場”功能，在國內首次實現“角色合拍”玩法，用户可與朋友或名人輕鬆同框出演AI短片，普通人用手機就可以實現自己的電影夢。 千問APP新玩法再次刷屏的背後，是阿里視覺模型能力的飛躍式提升。千問APP第一時間接入了阿里剛剛發佈的萬相2.6視覺

生成模型 , 人工智能 , 深度學習 , 迭代 , Web

收藏 評論

u_13715298 頭像

技術員阿偉 - 《遊戲指標生態與自驅決策體系搭建攻略》

搭建遊戲數據分析的關鍵指標體系，首要任務是摒棄“通用指標模板”的拿來主義，轉向“貼合遊戲品類特性的指標生態”構建。所謂指標生態，是指各項指標並非孤立存在，而是形成“行為溯源-價值轉化-體驗反饋-策略優化”的動態聯動閉環，每個指標都承載着“解讀玩家真實意圖、定位核心問題癥結”的特定使命，且能根據遊戲版本迭代與玩家行為變遷實現自我適配。以開放世界遊戲為例，核心指標不應侷限於常規的日均

yyds乾貨盤點 , 數據 , 推送 , 代碼人生 , 迭代

收藏 評論

u_16213705 頭像

mob64ca14157da7 - 【信息科學技術與創新】數字世界 智能系統 人機交互 增強智能 虛擬化趨勢與元宇宙浪潮 《元宇宙七大規則》

讀人機溝通法則：理解數字世界的設計與形成04機器是不完整的 1.適時的設計 1.1.適時的設計比永恆的設計更重要 1.2.Scrum 1.2.1.發佈一個不完整但會進行多次迭代的產品，而非試圖交付一個完整的產品 1.3.瀑布式開發 1.3.1.傳統的軟件產品開發方式是“瀑布式開發”，這是一系列從高處開始逐步向

商業 , 雲計算 , 後端開發 , 迭代 , harmonyos

收藏 評論

u_13715298 頭像

技術員阿偉 - 《遊戲平衡的高階解法：強化學習主導的參數迭代策略》

平衡從來不是靜止的數值等式，而是玩家行為與遊戲規則持續博弈的動態生態。傳統人工調參始終難以突破“滯後性”與“片面性”的桎梏—當設計師依據上週的對戰數據回調某類角色強度時，玩家早已通過新的技能組合形成新的meta玩法，導致資源產出與對戰節奏的連鎖失衡；而依賴固定閾值的平衡機制，又無法捕捉不同段位、不同場景下玩家的差異化需求。這種失衡的本質，是遊戲參數與玩家行為之間缺乏實時的自適應聯

yyds乾貨盤點 , 數據 , 代碼人生 , 開發者 , 迭代

收藏 評論

u_16099329 頭像

數據狂徒 - jemter1分鐘請求3000次怎麼設置

在壓力測試時，可能需要使用jmeter的梯度加壓。而在使用梯度加壓時，大部分tester會對這一點疑惑：設置的總線程是100，但聚合報告中線程數遠超100個 ，為什麼梯度加壓會有這樣的現象？用事實説話，本文用示例去解釋這一點。 環境： 先設置梯度加壓的場景，訪問某網站，具體如下： 從這個梯度加壓設置的參數，我們可以看出設置的總線程數為50

機器學習 , 加載 , 響應時間 , 人工智能 , 迭代

收藏 評論

u_16213325 頭像

mob64ca12d68df5 - AIGC成功應用案例分析

AIGC成功應用案例分析的描述 在當今數字化轉型的浪潮中，生成性人工智能（AIGC）的成功應用案例不斷涌現，成為推動企業創新與效率提升的重要力量。本文將以一個具體的AIGC應用案例為基礎，通過從初始技術痛點到成果覆盤的全過程，詳盡剖析其背後的技術演進與架構設計，為相關從業者提供有價值的參考與借鑑。 初始技術痛點 在項目啓動階段，團隊發現原有的內容生成工具無法滿足快速增長的業務

技術選型 , 架構設計 , aigc , 迭代

收藏 評論

u_16213704 頭像

mob64ca14154457 - K-均值聚類算法

一、算法原理與改進策略 1. 核心思想 將人工蜂羣算法（ABC）的全局搜索能力與K均值聚類（KMC）的局部優化能力結合，通過以下改進解決傳統KMC的缺陷： 初始化優化：採用最大最小距離積法選擇初始聚類中心 自適應搜索：引入基於距離的動態步長調整策略 混合更新機制：融合全局最優引導與局部擾動策略 2. 算法流程

聚類 , 初始化 , 後端開發 , 迭代 , Python

收藏 評論

u_15469972 頭像

mb61c46a7ab1eee - Metropolis接受準則：隨機模擬與優化中的關鍵基石 - 實踐

Metropolis接受準則（Metropolis acceptance criterion）由Nicholas Metropolis等人於1953年提出，是馬爾可夫鏈蒙特卡洛（MCMC） 和模擬退火算法的核心組成部分。該準則通過以概率方式接受新狀態，使得算法能夠漸進地收斂到目標分佈，特別是在處理高維、多峯等複雜分佈時表現出色。

機器學習 , 搜索 , Css , 迭代 , 前端開發 , HTML

收藏 評論

u_13715298 頭像

技術員阿偉 - 《遊戲公會系統激活活躍度與築牢歸屬感的實戰指南》

高留存遊戲的公會系統往往具備“行為錨點+情感共振”的雙重屬性，它不是被動承接玩家社交需求，而是主動構建一套讓玩家“行為有反饋、價值被看見、成長有陪伴”的動態機制。以某開放世界遊戲與MMORPG的公會生態迭代雙案例為例，早期僅提供基礎組隊功能時，開放世界遊戲玩家日均公會互動時長不足8分鐘，留存率較無公會玩家僅提升3%，而MMORPG的這兩項數據分別為11分鐘和5%；而通過植入“微互

yyds乾貨盤點 , 數據 , 推送 , 代碼人生 , 迭代

收藏 評論

u_16213675 頭像

mob64ca140e4022 - Adam 優化算法詳解_51CTO博客

一.算法背景 Adam(Adaptive Moment Estimation)是一種廣泛應用於深度學習模型訓練的自適應優化算法，由Diederik P. Kingma和Jimmy Lei Ba於2014年提出，旨在解決傳統優化算法在深度學習中的侷限性。它融合了Momentum動量優化器和RMSProp動態自適應學習率優化器兩種主流優化技術的優勢。 二.數學公式

自適應 , 初始化 , 後端開發 , 迭代 , Python

收藏 評論