- 综合排序
- 最热优先
- 最新优先
- 来自专栏归思君的技术博客
从 ECMAScript 6 角度谈谈执行上下文
，用ES6规范解读的比较少，所以想从ES6的角度看一下执行上下文。 下面我尝试用ECMAScript 6规范文档，来聊聊执行上下文，文章主要从这几个方面介绍： ES6规范中的词法环境 ES6规范中定义的执行上下文结构 从ES6规范看实际代码的执行流程 一、 什么是执行上下文 下面根据上下文中的抽象方法，来看看执行上下文中的this值是怎样变化的： 6. 从ES6规范我们知道： 执行上下文栈是用来跟踪执行上下文的，当前处于栈顶的是正在运行的执行上下文 调用其他关联的可执行代码时，会创建一个新的执行上下文，并将这个新的执行上下文压入栈顶 借助一个例子来说明 第四步：执行完a()后，将a()函数执行上下文出栈： 第五步：执行完b()后，将b()函数执行上下文出栈，最后只留下全局执行上下文 五、从 ECMAScript6 角度看代码的执行流程 代码的执行主要分为两个阶段
40210编辑于 2023-12-22 - 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 - 来自专栏机器学习与统计学
上下文工程比提示词工程更重要，6种上下文管理策略
大家好，我是Ai学习的老章 关于大模型中的上下文工程，刚看了一个Langchain的演讲，很不错，分享给大家 https://docs.google.com/presentation/d/16aaXLu40GugY-kOpqDU4e-S0hD1FmHcNyF0rRRnb1OU 通过文件系统读写包含大量 token 的上下文（参考：Manus[4]）。 将文件用于存储长期记忆（参考：Ambient Agents course[5]/repo[6]）。 先回顾长上下文失效的四种模式： 上下文中毒，即幻觉或错误进入上下文并被反复引用； 上下文干扰，上下文过长使模型过度关注上下文而忽视训练内容； 上下文混淆，模型利用上下文中多余信息生成低质量回复； 上下文冲突 ，从上下文中删除无关或不需要的信息； 上下文总结，把累积的上下文浓缩为摘要； 上下文卸载，通过存储和管理数据的工具将信息存储在 LLM 上下文之外。 Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus [5] course: https://academy.langchain.com/courses/ambient-agents/ [6]
77810编辑于 2025-07-27 - 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c++与qt学习
QT学习---------6
信号和槽的拓展 拓展 1.信号可以连接信号 2.一个信号可以连接多个槽 3.多个信号可以连接同一个槽函数 4.信号和槽的参数必须类型一一对应 5.信号的参数个数可以多于槽函数，但类型也要对应 6.
33920发布于 2021-02-22 - 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。 6.改进模型（损失函数） 当前，对于每个图像，都有其原始版本和转换版本的表示形式。目标是为两者生成相似的表示，同时为其他图像生成不同的表示。 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6和7 行放'原材料'[咖啡种类]和'杯型'[杯型],值放[销售量]和[销售额]，并加入一个以'区域负责人名单'中的[年龄]为字段的切片器 ? 问题8 - 将年龄切片器选为30 ?
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 - 来自专栏编码视界
PySide6 GUI 编程（33）：重载右键上下文菜单 contextMenuEvent
示例代码from __future__ import annotationsimport sysfrom datetime import datetimefrom PySide6.QtGui import QAction, QContextMenuEventfrom PySide6.QtWidgets import QApplication, QMainWindow, QMenuclass MyMainWindow QContextMenuEvent): """ QMainWindow 的 contextMenuEvent(QContextMenuEvent *) 是一个事件处理器 它在用户请求上下文菜单时被触发 area）时触发，这取决于系统的行为和用户的设置 contextMenuEvent 事件处理器接收一个 QContextMenuEvent 对象作为参数 该对象包含了触发上下文菜单事件的相关信息
70354编辑于 2024-08-23 - 来自专栏自动化、性能测试
性能测试必备知识（6）- 如何查看“CPU 上下文切换”
结果分析 cswch：每秒自愿上下文切换 nvcswch：每秒非自愿上下文切换的次数 自愿上下文切换 进程无法获取所需自愿，导致的上下文切换 栗子：I/O、内存等系统资源不足时，就会发生 非自愿上下文切换 非自愿上下文切换，则是指进程由于时间片已到等原因，被系统强制调度，进而发生的上下文切换 栗子：大量进程都在争抢 CPU 时，就容易发生非自愿上下文切换 通过栗子去看上下文切换 前期准备 安装 sysbench 每秒上下文切换多少次才算正常？ 根据上下文切换的类型，具体分析 自愿上下文切换多了，说明进程都在等待资源，有可能发生了 I/O 等其他问题 非自愿上下文切换多了，说明进程都在被强制调度，也就是都在争抢 CPU，说明 CPU 的确成了瓶颈 （cs）、中断次数（in）、就绪队列（r）、CPU 使用率（us、sy） 若上下文切换次数和 CPU 使用率过高，通过 pidstat 查看是哪个进程或线程的切换次数过高，CPU 使用率过高 然后确认是自愿上下文切换还是非自愿上下文切换
3.1K10发布于 2020-07-27 - 来自专栏CreateAMind
Atlas: 在测试时学习最优记忆上下文
（见表 2 与表 6——OMEGANET 与 ATLAS 的表现） 局部最优记忆更新是否有效？（见表 2 与表 6——OMEGANET 与 ATLAS 的比较） 非线性特征映射是否有效？ （见表 6） 所提改进能否在上下文回忆任务上缩小与 Transformer 的差距？（见表 5） 内部优化器对记忆有何影响？ （见图 6） 实验设置 我们在 FineWeb 数据集（Penedo et al. 2024）上以 4K 上下文窗口训练模型，参数规模分别为 340 M、400 M、790 M 与 1.3 B，对应训练 我们设 d = 256，并在图 6 中展示了全部五种设置下，随序列位置变化的损失曲线；函数学习 MLP M 在不同设置中定义并训练。 6.6 消融实验与扩展规律 本节对 Atlas 的不同组件进行消融实验，并评估其在参数规模与训练上下文长度上的扩展规律，结果列于表 6。
13610编辑于 2026-03-11 - 来自专栏WD学习记录
Dubbo 学习笔记（6）
服务消费方收到register和unregister事件后，从Key:/dubbo/com.foo.BarService/providers下获取提供者地址列表 6.
57740发布于 2019-01-07 - 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 - 来自专栏机器学习算法与Python学习
机器学习(6) -- SVM
SVMs 8.1 Optimization Objection 支持向量机(Support Vector Machine: SVM)是一种非常有用的监督式机器学习算法。 注1：事实上，上述公式中的Cost0与Cost1函数是一种称为hinge损失的替代损失(surrogate loss)函数，其他常见的替代损失函数有指数损失和对率损失，具体参见《机器学习》P129 周志华
1K50发布于 2018-04-04 - 来自专栏萌海无涯
Django学习视图（6）
我们在浏览器请求后，Django 匹配URL 进行路由，匹配到后调用对应的视图，生成HTML代码，返回给浏览器。
89240发布于 2019-09-03 - 来自专栏Puppeteer学习
MongoDB学习（翻译6）
有许多种让你控制序列化的方式，上一节通过约定方法来控制序列化，你也可以通过代码配置或者成员映射或者使用特性来控制你的序列化，下面说道的序列化的各个方面，我们都会展示两种方式。
33810编辑于 2022-05-09
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