- 综合排序
- 最热优先
- 最新优先
- 来自专栏技术墨客
React学习（10）—— 高阶应用：上下文（Context）
任意组件更新Context 某些时候需要在内部组件需要去更新Context的数据，其实我们仅仅需要向上下文增加一个回调即可，看下面的例子： //创建Context组件 const ThemeContext = React.createContext({ theme: 'dark', toggle: () => {}, //向上下文设定一个回调方法 }); function Button() { 16.x之后的Context使用起来比旧版本的简单明了太多，实现思路上还是学习了Redux等将状态抽取出来统一管理并触发更新的方式来实现，在使用时选择一种方式来实现就行。
1.4K30发布于 2018-08-15 - 来自专栏有趣的django
10.Flask上下文
request上下文 应用上下文和请求上下文都是存放在一个‘LocalStack’的栈中，和应用app相关的操作就必须要用到应用上下文，比如通过current_app获取当前的这个app的名字。 如果想要在视图函数外面执行相关的操作，name就必须要手动推入相关的上下文 手动推入请求上下文:推入请求上下文到栈中，会首先判断有没有应用上下文，如果没有那么就会先推入应用上下文到栈中，然后再推入请求上下文到栈中 app上下文 from flask import Flask,current_app app = Flask(__name__) #如果在视图函数外部访问，则必须手动推入一个app上下文到app上下文栈中 # 手动推入一个请求上下文到请求上下文栈中 # 如果当前应用上下文栈中没有应用上下文 # 那么会首先推入一个应用上下文到栈中 print(url_for('my_list')) 使用哪个请求上下文的时候，就把对应的请求上下文放到栈的顶部，用完了就要把这个请求上下文从栈中移除掉。
47410发布于 2018-08-01 - 来自专栏CreateAMind
上下文多任务表示学习
在这里，我们首先证明细树突分支非常适合实现前馈处理的上下文调制。这种特定于神经元的调制利用以稳定的前馈权重编码的先验知识来实现跨上下文的迁移学习。 在具有独立于上下文的前馈权重的生物物理学现实神经元模型网络中，我们证明了对细树突的调制输入可以使用 Hebb 误差调制学习规则解决线性不可分学习问题。 最后，我们证明了对表示是源自不同输入还是源自同一输入的不同上下文调制的局部预测会导致跨处理层的分层前馈权重的表示学习，以适应多种上下文。 虽然抽象模型中的上下文调制是通过 通过对分类损失的梯度下降，我们表明我们的方法可以转化为生物学上真实的尖峰模型，该模型配备了用于上下文突触的 Hebb 误差调制学习规则。 最后，我们展示了上下文调制表示通过为对比学习提供一种数据增强形式来促进跨处理层层次结构的自我监督学习，这种形式允许更深的处理层提取一般的高级特征，而无需错误 跨层反向传播。
27510编辑于 2023-09-13 - 来自专栏前端进阶之路
JS学习系列 05 - 执行上下文
根据顺序我们也可以看出来，想要理解作用域链，执行上下文是我们碰到的第一个坎。 这一章我们就来讨论一下到底什么是执行上下文。 1. 但是在逻辑上，我们可以将活动的执行上下文看成一个栈结构。栈底部永远是全局上下文（global context），而顶部就是当前活动的执行上下文。执行到当前代码时，上下文入栈，执行完毕后，上下文出栈。 例如： var a = 10; function foo () { var b = 20; foo(); } foo(); 这个例子中的 EC 是什么样子的呢？ 例如： eval('var a = 10'); (function foo () { eval('var b = 20'); }()); alert(a); // 10 alert(b); ReferenceError，b is not defined 这个例子中 EC 的变化如下： // 初始化 EC = [ globalContext ]; // eval('var a = 10
48710编辑于 2024-02-01 - 来自专栏前端进阶之路
JS学习系列 05 - 执行上下文
根据顺序我们也可以看出来，想要理解作用域链，执行上下文是我们碰到的第一个坎。 这一章我们就来讨论一下到底什么是执行上下文。 1. 但是在逻辑上，我们可以将活动的执行上下文看成一个栈结构。栈底部永远是全局上下文（global context），而顶部就是当前活动的执行上下文。执行到当前代码时，上下文入栈，执行完毕后，上下文出栈。 例如： var a = 10; function foo () { var b = 20; foo(); } foo(); 复制代码 这个例子中的 EC 是什么样子的呢？ 例如： eval('var a = 10'); (function foo () { eval('var b = 20'); }()); alert(a); // 10 alert(b); ReferenceError，b is not defined 复制代码 这个例子中 EC 的变化如下： // 初始化 EC = [ globalContext ]; // eval('var a = 10
1.3K30发布于 2018-10-31 - 来自专栏k8s技术圈
应该了解的 10 个 Kubernetes 安全上下文配置
这些标签被称为安全上下文（不要和 Kubernetes 中的 securityContext 混淆了）- 由用户、角色、类型和可选的一些其他属性组成，格式为：user:role:type:level。 然后，SELinux 使用策略来定义特定上下文中的哪些进程可以访问系统中其他被标记的对象。 10sysctls [P] Sysctls 是 Linux 内核的一个功能，它允许管理员修改内核配置。 原文链接：https://snyk.io/blog/10-kubernetes-security-context-settings-you-should-understand/
2.5K40发布于 2021-04-26 - 来自专栏程序你好
微软Windows 10的上下文菜单引入Fluent Design风格
微软正在将Fluent Design扩展到Windows 10的更多部分，本周早些时候发布的最新预览版本也带来了这方面的更多变化。 在周五发布的更新版本说明中，微软透露Fluent Design在Windows 10 build 17692中也开始部署，半透明效果现在可用于XAML控件。 Windows 10的系统UI控件杂乱的问题一直是被用户诟病的对象，同一个鼠标右键可以按出五六种菜单的尴尬可能已经开始缓解。 Fluent Design现在可用于上下文菜单、弹出窗口、自动建议对话框和下拉菜单以及时间选择器弹出窗口。 微软表示，使用新的SDK构建的应用程序也会默认看到此更改。 ?
62520发布于 2018-07-20 - 来自专栏相约机器人
插图PIRL：不变上下文表示学习
2019年底，使用对比学习的自我监督学习研究论文数量激增。在2019年12月，Misra等人。来自Facebook AI Research的研究人员提出了一种新的方法PIRL来学习图像表示。 动机 最近提出了许多有趣的自我监督学习方法来学习图像表示。其中许多使用这样的想法，即利用某种几何变换来建立前置任务以获取标签。 这包括几何旋转预测，上下文预测，拼图游戏，帧顺序识别，自动编码转换（AET）等。 ? 设置前置任务，以便学习变换图像的表示形式，以预测变换的某些属性。 迁移学习 训练模型后，然后投影头 F（。）f （。） 和G（。） 删除 g （。），并将ResNet-50编码器用于下游任务。 Chaudhary}, year = 2020, note = {\url{https://amitness.com/2020/03/illustrated-pirl}} } 参考文献 自主学习的不变表示形式学习
95320发布于 2020-03-20 - 来自专栏XINDOO的专栏
Agent设计模式——第 10 章：模型上下文协议 (MCP)
模型上下文协议（MCP）通过提供标准化接口满足此需求，使 LLM 能与外部资源交互。该协议是实现一致和可预测集成的关键机制。 这本质上就是模型上下文协议（MCP）的功能。 可将其视为通用连接机制，简化 LLM 获取上下文、执行操作以及与各类系统交互的方式。 MCP 基于客户端-服务器架构运行。 MCP 与工具函数调用 模型上下文协议（MCP）和工具函数调用是使 LLM 能与外部能力（含工具）交互并执行操作的不同机制。 对具有固定有限数量预定义函数的简单应用程序，直接工具函数调用可能足够 可视化摘要 图 1：模型上下文协议 关键要点 以下是本章核心要点： 模型上下文协议（MCP）是开放标准，促进 LLM 与外部应用程序
2.1K10编辑于 2025-10-27 - 来自专栏公众号PowerBI大师
PowerPivot筛选上下文学习测试
测试问题：我们利用本章节搭建好的数据模型制作数据表，请回答下面图表中9个所标出的数据值的筛选上下文是什么？
56010发布于 2019-08-06 - 来自专栏数据云团
Django源码学习-12-ContextMixin 上下文
Django源码学习-11-base.py ? django.views.generic.base.ContextMixin 属性 extra_context 指定一些简单上下文的便捷方式 as_view()。 TemplateView.as_view(extra_context={'title': 'Article Title'}) 方法 get_context_data（** kwargs） 返回表示模板上下文的字典 提供的关键字参数将构成返回的上下文。 Django中Mixin和View把原来的视图函数中的三个东西分开了，模板（TemplateResponseMixin），上下文数据（ContextMixin），负责将这些联系起来的（View）。
71920发布于 2019-08-09 - 来自专栏DeepHub IMBA
预训练、微调和上下文学习
这些模型通过预训练、微调和上下文学习的组合来学习。在本文中将深入研究这三种主要方法，了解它们之间的差异，并探讨它们如何有助于语言模型的学习过程。 上下文学习 上下文学习（In-Context Learning）也可以翻译成情境学习：是一种新兴的方法，它结合了预训练和微调，同时在训练过程中结合特定任务的指令或提示。 上下文提示:上下文学习包括提供明确的指令或提示，以指导模型在生成响应或输出时的行为。 强化学习或结构化反馈:上下文学习可以结合强化学习技术或结构化反馈来指导模型的响应。 上下文学习在训练过程中包含特定于任务的指令或提示，指导模型的行为并提高任务性能。 上下文学习包括训练语言模型，以根据特定的指令或提示生成与上下文相关的响应。 总结 语言模型通过预训练、微调和上下文学习的结合来学习。预训练捕获一般的语言理解，微调专门针对特定任务的模型，而上下文学习包含特定任务的指令以提高性能。
87631编辑于 2023-08-30 - 来自专栏python成长之路
(搬运以学习)flask 上下文的实现
Request对象 flask通过_RequestContext将app与Request关联起来 总结 app = Flask(__name__)创建了application， 这个application对应的上下文 ，就是application context Flask每响应一个http请求，就会创建一个Request对象，这个request对象对应的上下文，就是request context
48910发布于 2019-03-01 - 来自专栏python3
django-10-中间件和上下文管理器
MIDDLEWARE里面导入中间件 如果没有MIDDLEWARE就自己定义一个(有些django版本的settings里面是MIDDLEWARE_CLASSES) 视图从上向下，响应从下向上 <<<上下文处理器 >>> 所有的模板上都需要一个特定的变量是，上下文管理器就能处理好 (1)在app目录下 customer_context_processors.py (2)上下文处理器就是一个函数，函数必须传入 list_display = [] list_display_links = [] list_fields = [] list_filter = []过滤器 list_per_page = 10
69310发布于 2020-01-17 - 来自专栏CreateAMind
Atlas: 在测试时学习最优记忆上下文
然而，这种设计可能因为记忆单个令牌而错过上下文。为此，在这项工作中，我们提出一个长期神经记忆模块，它度量局部（或全局）上下文窗口的惊奇度，这意味着它在测试时学习如何记忆（令牌）上下文。 通常，一旦记忆被清除，不会将持久学习或技能获取延续到新的、独立的全局上下文中。因此，我们更倾向于使用“测试时记忆”而非“测试时训练”。 因此，该序列模型是一个具有两个优化层级的元上下文学习者： 我们的术语体系建立在此框架之上。 3 在测试时学习记忆上下文 长期联想记忆对人类学习至关重要（Terry 2017），它启发了许多人工神经架构（Behrouz, Razaviyayn 等人，2025；Behrouz, Zhong 等人， 结果见图 4：在 1 M 上下文长度内，Atlas 与 Titans 表现相当；当长度增至 10 M 时，Titans 性能下降，而 Atlas 仍保持 80 % 以上的准确率。
13610编辑于 2026-03-11 - 来自专栏圣杰的专栏
DDD理论学习系列（3）-- 限界上下文
引言 限界上下文可以拆分为两个词，限界和上下文。 限界：是指一个界限，具体的某一个范围。 上下文：个人理解就是语境。 比如我们常说的段子： “我想静静。” 可见上下文语境很重要。 这个例子只是个开胃菜，我们接着往下看。 2. 案例分析 整个应用程序之内的一个概念性边界。 边界之内的每种领域术语、词组或句子--也即通用语言，都有确定的上下文含义。 在DDD的思想下，当划分子域之后，每个子域都对应有各自的上下文。在销售子域和商品子域所在的上下文语境中，商品就是商品，无二义性。 限界上下文的命名 限界上下文只是一个统一的命名，在我们划分子域后，每个子域一般对应一个上下文，也可以对应多个上下文。但如果子域对应多个上下文的时候，就要考虑一下是不是子域能否继续划分。 命名方式很简单，领域名+上下文。 比如我们的销售子域对应销售上下文，物流子域对应物流上下文。 4. 总结 通过我们上面的举例分析，限界上下文也并不是一个高深的概念。
1.3K100发布于 2018-01-11 - 来自专栏BestSDK
机器学习精华，10问10答
更好的强化学习／深度学习和强化学习的整合；能够可靠地学习如何控制机器人的强化学习算法等。 更好的生成式模型；可以稳定地学习如何生成人类分不出真假的图像、语音、文字的算法。 学习如何学习的算法，以及普适深度学习算法（可以重新设计它们自己的架构，自行优化超参数的算法）。 在未来，哪个机器学习领域会取代深度学习？ Ian Goodfellow：“深度学习”是一个非常广泛的概念，我不确定它是否可以被取代。深度学习只是意味着用更多的处理步骤来学习，而不是仅仅只有一步。 在2006-2011，“深度学习”很流行，但是这里的“深度学习”多是把许多无监督学习算法叠起来，从而为监督学习定义复杂的特征。 GAN类问题 10. 机器学习领域的新人应该了解对抗性机器学习的哪些内容？ Alexey Kurakin：首先，你要对机器学习和深度学习有一定的了解，这样才能理解这个问题的背景。
1K60发布于 2018-03-01 - 来自专栏架构进阶之路
并发多线程学习（二）上下文切换
上下文切换（有时也称做进程切换或任务切换）是指 CPU 从一个进程（或线程）切换到另一个进程（或线程）。上下文是指某一时间点 CPU 寄存器和程序计数器的内容。 2.在内存中检索下一个线程B的上下文并将其在 CPU 的寄存器中恢复,执行B线程。 3.当B执行完，根据程序计数器中指向的位置恢复线程A。 CPU通过为每个线程分配CPU时间片来实现多线程机制。 所以任务从保存到再加载的过程就是一次上下文切换。 上下文切换通常是计算密集型的，意味着此操作会消耗大量的 CPU 时间，故线程也不是越多越好。 如何减少系统中上下文切换次数，是提升多线程性能的一个重点课题。
49430编辑于 2023-02-28 - 来自专栏自然语言处理(NLP)论文速递
【华盛顿大学&&Facebook&&含源码】上下文元学习（Meta Learning）--学习如何学习
正文开始 1 文章背景 Brown 等人证明了大型语言模型 (LM) 能够进行上下文学习，它们学习新任务仅仅是通过几个训练例子和预测哪个标记最适合完成测试输入。 在该文章中，作者通过引入 MetaICL：上下文学习的元训练来解决上面遇到的问题。MetaICL在大量任务上调整预先训练的语言模型，以学习如何在上下文中学习，并在严格新的未知任务上进行评估。 在这个数据设置中简单地微调模型直接导致更好的上下文学习——模型学会从给定的示例中恢复任务的语义，就像在测试时对新任务的上下文学习必须做的那样。 这模拟了推理时的上下文学习，其中前k个例子作为训练例子，最后(k + 1)个例子作为测试例子。 推论时，模型计算： 3 实验结果 1、实验结果表明，MetaICL 始终优于基线，其中包括：(1) 各种没有元训练的 LM 上下文学习基线；(2) 多任务学习以及零样本转移。
85920发布于 2021-11-26 - 来自专栏深度学习自然语言处理
陈丹琦团队最新力作：上下文学习在上下文“学到”了什么？
arxiv.org/abs/2305.09731 代码：https://github.com/ princeton-nlp/WhatICLLearns 录取：Findings of ACL 2023 众所周知，上下文学习第一次在 GPT-3的论文Language Models are Few-Shot Learners中提出，这种超能力意味着大模型能够仅从上下文中的例子“学习”执行任务而不进行任何参数更新。 那么，上下文学习究竟在上下文“学到”了什么？ 这个问题尚无定论，一派研究假设预训练期间LLMs就已经隐含地学习了下游应用所需的任务，而上下文演示只是提供信息、使模型识别所需任务而已。 另一派则表示，Transformer-based模型可以执行隐式梯度下降以更新“内部模型”，并且上下文学习与显式微调之间具有相似性！这个脑洞有点神奇了！ 也就是说，从上下文示例中识别任务（TR）并不会随着模型大小或示例数量的增加而急剧扩展。 相比之下，任务学习（TL）受规模的影响，并且随着更多演示而进一步改善。
94620编辑于 2023-08-22
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号