- 综合排序
- 最热优先
- 最新优先
- 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。 3. 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 - 来自专栏架构师成长之路
Go进阶(3)：上下文context
wg.Done() } func main() { wg.Add(2) // 需要开启几个goroutine就给等待组的计数器赋值为多少，这里为2 for i := 1; i < 3; Goroutine 由于没有接收到这个信号所以会继续工作； 使用 Context 同步信号：但是当我们正确地使用 context.Context 时，就可以在下层及时停掉无用的工作以减少额外资源的消耗： 3、 context.cancelCtx； context.propagateCancel 会构建父子上下文之间的关联，当父上下文被取消时，子上下文也会被取消。 3) context.cancelCtx.cancel方法实现： context.cancelCtx 实现的几个接口方法也没有太多值得分析的地方，该结构体最重要的方法是 context.cancelCtx.cancel 3、valueCtx 类型：传值方法 在调用 context.WithValue 方法时，我们会涉及到 valueCtx 类型，其主要特性是涉及上下文信息传递。
1.1K20编辑于 2023-02-27 - 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。 对于具有一个隐藏层的网络，我们发现所有方法都实现了相似的迁移学习。对于具有多个隐藏层的网络，我们的方法比具有特定任务读数的网络更好地转移到剩余任务（图 3F）。
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。 可执行代码有几种 前面说到当引擎执行到可执行代码的时候，就会将当前上下文压入上下文栈中。那么可执行的代码又分为几种？ 如果有抛出的异常没有被截获的话，也有可能从一个或多个执行上下文中退出。当所有代码执行完以后，EC 中只会包含全局上下文（global context），当程序退出以后，全局上下文也会退出。 3. 结论 执行上下文环境是我们了解变量对象和作用域链的基础，大家一定要好好理解（其实也并不难），下一节我们来讨论变量对象，相信会让大家有一定的收获。
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。 可执行代码有几种 前面说到当引擎执行到可执行代码的时候，就会将当前上下文压入上下文栈中。那么可执行的代码又分为几种？ 如果有抛出的异常没有被截获的话，也有可能从一个或多个执行上下文中退出。当所有代码执行完以后，EC 中只会包含全局上下文（global context），当程序退出以后，全局上下文也会退出。 3. 结论 执行上下文环境是我们了解变量对象和作用域链的基础，大家一定要好好理解（其实也并不难），下一节我们来讨论变量对象，相信会让大家有一定的收获。
1.3K30发布于 2018-10-31 - 来自专栏踏浪的文章
ECMA-262-3 详解：1、执行上下文
文章原文来自 ECMA-262-3 in detail. Chapter 1. 从逻辑上来说，一组活动的执行上下文形成一个堆栈。栈底 始终 都是一个全局上下文（globalContext），栈顶则是当前（活动）执行上下文。在进入和退出各种EC的时候修改（推入/推出）堆栈。 可执行代码的种类 对于可执行上下文的抽象概念，可执行代码的类型的概念是与之相关的。说到代码类型，在某些时候，是可以表示执行上下文的。 在使用 eval 的情况下，关于 调用上下文 的概念产生了。即，在一个上下文中调用了 eval 函数。 由 eval 进行的操作，比如定义一个函数或者函数声明的时候会直接影响了调用上下文。 执行完成ECStack.pop(); References [1] Dmitry Soshnikov: http://dmitrysoshnikov.com/about/ [2] ECMA-262-3
84730发布于 2020-06-16 - 来自专栏罗西的思考
PyTorch 分布式 Autograd (3) ---- 上下文相关
[源码解析] PyTorch 分布式 Autograd (3) ---- 上下文相关 目录 [源码解析] PyTorch 分布式 Autograd (3) ---- 上下文相关 0x00 摘要 0x01 (), MessageId()) | | | | 4 3 dist_autograd >>> with dist_autograd.context() as context_id: >>> t1 = torch.rand((3, 3), requires_grad=True) >>> t2 = torch.rand((3, 3), requires_grad=True) >>> loss 发送方和接收方就共享了一个上下文（这个上下文的id是全局唯一的）。
86240编辑于 2021-12-04 - 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。 分步示例 为了简单起见，假设有一个包含3个RGB图像的训练语料库。 ? 这是PIRL逐步处理这些图像的方式： 1.记忆库 要了解更好的图像表示，最好将当前图像与大量负片图像进行比较。 3.文字转换 对于批量处理的每个图像，都基于所使用的文字任务应用转换。在这里，显示了几何旋转预测的借口任务的变换。 ? 因此对于批次中的2张图像，得到了两对，总共有四张图像。 ?
95320发布于 2020-03-20 - 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）。
71820发布于 2019-08-09 - 来自专栏DeepHub IMBA
预训练、微调和上下文学习
比如说在包含数百万本书、文章和网站的数据集上预训练像 GPT-3 这样的语言模型。预训练目标是捕获文本语料库中存在的底层模式、结构和语义知识。 随着大模型（GPT3，Instruction GPT，ChatGPT）的横空出世，如何更高效地提示大模型也成了学术界与工业界的关注，因此 In-context learning 的方法在 NLP 领域十分火热 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 - 来自专栏技术墨客
React学习（10）—— 高阶应用：上下文（Context）
入门使用案例 这是一个没有使用Context特性3个组件组合的使用例子： class App extends React.Component { render() { return 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grain先森
前端-CSS3 中的层叠上下文初探
作者：HaoyCn http://segmentfault.com/a/1190000003825614 前言：关于层叠上下文，笔者还没有去阅读更详细的 W3C 规范来了解更本质的原理（表打我， 一直听说 CSS3 里的层叠上下文有新情况，但没找到很好的参考资料，故自己实战一把。鉴于笔者水平有限，如有任何遗漏或者错误，则恳请读者斧正。 1 CSS2.1 中规定的层叠上下文 ? 下面要阐述的是在 CSS3 新环境下，层叠上下文的新变化。 2 CSS3 带来的变化 总的来说变化可以归为两点，我们之后一一探讨： CSS3 中许多属性会创建局部层叠上下文 tranform 属性改变绝对定位子元素的包含块 2.1 产生新层叠上下文的情况 以下情况会产生新的层叠上下文 来看下 CSS3 规范中的话： If an element with opacity less than 1 is not positioned, implementations must paint
79220发布于 2019-03-29 - 来自专栏CreateAMind
Atlas: 在测试时学习最优记忆上下文
；以及（3）记忆管理的表达能力（即内部目标的优化器），因为最新的模型大多使用依赖于令牌动态一阶信息的梯度下降，导致记忆收敛到虚假的局部最小值并学习到效果较差的键值映射。 因此，我们不再使用完整的循环公式来描述模型，而是通过以下方面来描述：（1）记忆架构，（2）内部目标（即注意力偏置），以及（3）记忆学习算法（优化器）。 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， 请注意，设置 3 和 5 的学习难度远高于其余设置，因为它们需要（部分）记住先前的输入与输出，才能学会将 iⱼ 映射到 oⱼ 的函数；而设置 1、2 和 4 无需记忆任何历史输入-输出对，只需学会把输入映射到输出的低秩矩阵或 令人惊讶的是，模型在设置 3 中的表现反而优于设置 5，而按理设置 3 的容量需求应高于设置 5。我们推测，这是因为学习算法无法让模型“遗忘”旧输入，导致在滑动窗口设置下损失比全局注意力设置更高。
13610编辑于 2026-03-11 - 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？
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。 图：GPT-3（左）、LLaMA（中）和OPT（右）16个数据集的平均精度 并且任务难度会影响任务学习的趋势，对于情感分析这类的简单任务，ABSTRACT随着规模和示例数量的增加呈更好的趋势；而自然语言推理
94620编辑于 2023-08-22 - 来自专栏又见苍岚
上下文
所以业务上下文变更需要慎之又慎。 运行程序上下文 大家应该对一句话有印象：（进程/线程）上下文切换开销很大。这里的上下文一般指的就是运行程序的上下文。 这里的通信问题就是进程上下文切换开销大的缘故。 方法/类所在的上下文（作用域） 方法上下文可以理解为方法所在的作用域。类亦如此。 还有一些比较特殊的概念实际上也是和方法上下文相关。 比如worker语言特性中，需要监听message事件，这实质上，就是在当前上下文监听另一个上下文的状态。再比如回调函数。实际上是因为上下文变更后，对原有上下文访问的一种编程手段。 从这个角度看，闭包实质上也是对上下文的一种操作手段：返回一个函数，该函数在当前上下文可以操作闭包上的上下文。 执行上下文：当函数或方法被调用时，它会创建一个执行上下文，这个上下文包括了局部变量、参数、返回地址等信息。在JavaScript等语言中，执行上下文还包括this的值。
72210编辑于 2024-07-31 - 来自专栏Spring Cloud设计原理
Dojo 学习笔记–dojo模块引用 和上下文绑定
dojo.a.b 模块，只需要执行下面的语句: require("dojo.a.b"); // 实际上这个是相当于加载dojo/a/b.js 文件 2、dojo.hitch() 此方法为指定的函数绑定上下文 = { age:20 } var woman = { age:40 } dojo.hitch(girl,printAge); // 为printAge 绑定girl上下文 ，输出：20； dojo.hitch(woman,printAge); //为printAge 绑定woman 上下文 ，输出 40； //dojo.hitch 的实质： dojo.hitch .apply(dojo.global,arguments);} dojo.hitch() 的一般语法： dojo.hitch(context, functionName,arg1,arg2,arg3. ......); //等价于： function(){ return context,functionName.apply( context,[arg1,arg2,arg3.
64920发布于 2019-05-25
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