- 综合排序
- 最热优先
- 最新优先
- 来自专栏斑斓
DDD 实战 (4)：战略设计之系统上下文和限界上下文
02 系统上下文定义 本系统的主要用户是 4 类：消费者客户、商家创建人、商家授权操作人、平台运营人员。 本节战略设计部分，主要需要完成 V 型映射的后半部分：从业务服务（业务用例）到限界上下文。我们将通过如下的 4 个步骤来得出最终的限界上下文划分及其映射关系。 在按照以上 4 个步骤分析的过程中，我们需要注意的是：我们要始终考虑限界上下文的主要 4 个设计特征：最小完备、自我履行、稳定空间、独立进化。 同时，我们在这一步，再回顾限界上下文设计的 4 个特征：最小完备、自我履行、稳定空间、独立进化。 经过第三步的分析，我们调整后的限界上下文列表如下图： 4 考虑技术和管理因素 我们还有最后一步分析：根据系统上下文边界、以及技术实现因素，对限界上下文的识别情况进行最终的确认。
1.8K20编辑于 2023-03-23 - 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。 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？ ，但是却不会退出 只有每次 return 的时候，才会退出当前执行上下文，相应上下文会从栈中弹出，栈指针会自动移动位置。 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。
48710编辑于 2024-02-01 - 来自专栏学谦数据运营
Extreme DAX-第4章 上下文和筛选
这并不意味着您不必处理行上下文。行上下文在 DAX 表函数中也起着重要作用。本章稍后将对此进行详细介绍。 OK！让我们继续其他的上下文类型学习之旅。 4.3.4 步骤 4：对表达式进行计算 CALCULATE 工作顺序的最后一步很简单：在设置完筛选上下文、删除筛选器并添加新筛选器之后，我们就可以在新的上下文中计算第一个参数中的表达式了。 = 4 VAR TableVariable = FILTER( ALL(fSales[UnitAmount]), fSales[UnitAmount] = Variable4 ) RETURN TableVariable 注意 Variable4 和 TableVariable 在 CALCULATE 的筛选器参数中使用；两者都在原始查询上下文中进行计算。 让我们再次回顾一下 AvgUnitAmount4 的度量。
7.4K21编辑于 2022-05-24 - 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？ ，但是却不会退出 复制代码 只有每次 return 的时候，才会退出当前执行上下文，相应上下文会从栈中弹出，栈指针会自动移动位置。 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。
1.3K30发布于 2018-10-31 - 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。 4.编码器 现在，对于每个图像，图像及其对应的变换都将通过网络传递以获取表示形式。本文使用ResNet-50作为基础的ConvNet编码器，得到了2048维的表示形式。 ? 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 - 来自专栏设计模式
AI 智能体上下文工程 4 大实用策略解析
【上下文工程是】“……一种精妙的艺术与科学，旨在为下一步操作的上下文窗口填充恰好所需的信息。” LLM应用中常见的上下文类型 在构建LLM应用时，我们需要管理哪些类型的上下文呢？ ）：上下文内容过多超出模型训练适应范围 - 上下文混淆（Context Confusion）：冗余上下文影响响应结果 - 上下文冲突（Context Clash）：上下文各部分信息相互矛盾 工具调用产生的上下文会在智能体的多轮交互中不断累积 选择上下文（Select Context） 选择上下文指将外部信息拉入上下文窗口，以辅助智能体执行任务。 便签本选择 从便签本中选择上下文的机制取决于便签本的实现方式。 德鲁还提到了Provence，这是一种用于问答任务的训练型上下文修剪器。 4. 隔离上下文（Isolate Context） 隔离上下文指拆分上下文，以帮助智能体执行任务。 选择上下文——将信息拉入上下文窗口，辅助智能体执行任务。 压缩上下文——仅保留执行任务所需的tokens。 隔离上下文——拆分上下文，以帮助智能体执行任务。
86311编辑于 2025-10-20 - 来自专栏coding for love
JS入门难点解析4-执行上下文栈
（注1：如果有问题欢迎留言探讨，一起学习！转载请注明出处，喜欢可以点个赞哦！） （注2：更多内容请查看我的目录。） 1. 举例说明，当JS执行到一个函数的时候，就会创建该函数的“执行上下文(execution context)"。那么问题来了，JS代码中可能出现为数众多的函数，如何管理创建的那么多执行上下文呢？ 3. 执行上下文栈 JavaScript 引擎创建了执行上下文栈（Execution context stack，ECS）来管理执行上下文。 为了模拟执行上下文栈的行为，让我们定义执行上下文栈是一个数组： ECStack = []; 试想当 JavaScript 开始要解释执行代码的时候，最先遇到的就是全局代码，所以初始化的时候首先就会向执行上下文栈压入一个全局执行上下文 ，并且压入执行上下文栈，当函数执行完毕的时候，就会将函数的执行上下文从栈中弹出。
65140发布于 2018-08-27 - 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？ 问题1-4 表的行为'区域负责人名单'[年龄]，列为'杯 型'[体积]，值为[销售量] ? 问题5 把上面的行和列做个调换得到一个新表 ?
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
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。 例如在 React Router V4 包中： import { BrowserRouter as Router, Route, Link } from 'react-router-dom'; const
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 - 来自专栏雪胖纸的玩蛇日常
Vue学习（4）
/audio/3.mp3",name:"113",author:"311111"}, {id:4,src:". /audio/4.mp3",name:"114",author:"411111"} ]; var music=new Vue({ el:'#music /audio/3.mp3",name:"113",author:"311111"}, {id:4,src:". /audio/4.mp3",name:"114",author:"411111"} ]; var music=new Vue({ el:'#music 创建组件 1.cd 到当前目录下 2.vue init webpack-simple 项目名 3.接下来根据提示操作 4.cd 项目名 5.npm install 6.npm run dev 7.只关心
48420发布于 2018-08-16 - 来自专栏c++与qt学习
Qt学习-------4
Qt学习------4 信号和槽（1） connect(信号发送者，发送的具体信号，信号接收者，信号的处理（槽）) 信号和槽的优点：松散耦合，信号发送端和信号接收端本身没有关系，通过connect链接将两端耦合在一起 //需求 点击关闭程序按钮，关闭窗口 //参数1 信号发送者-->按钮（传入地址） 参数2 发送的信号--->点击按钮（函数的地址） 参数3 信号的接收者-->窗口 参数4
33130发布于 2021-02-22 - 来自专栏CreateAMind
Atlas: 在测试时学习最优记忆上下文
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。 Atlas 相比循环基线表现优异，超越了 Titans、DeltaNet 等现代循环网络；其混合变体进一步延长了有效上下文长度，可在训练上下文 4× 的更长子序列上外推。 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。 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 设置 4 与设置 2 略有不同：其每一步的输入并非独立，而是通过我们用以计算输入的注意力机制彼此关联。因此，若学习算法足够强，就能利用这种潜在相关性，在设置 4 中比设置 2 更快地学会映射。
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！ 图：在三种设置中进行实验：随机（顶部）、摘要（中间）和黄金（底部） 作者在4种类型的16个分类数据集上进行实验，包括情感分析、毒性检测、自然语言推理/复述检测和主题/立场分类等分类任务；使用三个最先进的 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