- 综合排序
- 最热优先
- 最新优先
- 来自专栏圣杰的专栏
.NET+AI | MEAI | 上下文压缩（7）
Chat Reducer：让 AI 对话突破上下文限制 一句话简介 Microsoft.Extensions.AI 的 Chat Reducer 通过智能压缩策略,在保持对话质量的前提下,有效控制上下文长度 核心价值 ✅ 突破限制:解决 LLM 上下文窗口限制(如 GPT-4 的 8K/32K tokens) ✅ 成本优化:减少输入 token,显著降低 API 调用成本 ✅ 性能提升:缩短上下文长度,加快模型推理速度 性能下降 过长上下文增加推理时间 减少处理负担,提升响应速度 典型场景: 长时间客服对话(用户反复咨询) 医疗咨询(需要完整病史) ⚖️ 法律咨询(案情细节不能丢失) 教育辅导(需要追踪学习进度 baseChatClient.AsBuilder() .UseChatReducer(reducer: summarizingReducer) .Build(); 工作原理: 原始消息(7条 Summarizing 需完整病史,摘要保证连续性 法律咨询 Summarizing 案情细节重要,不能丢失 教育辅导 Summarizing 学习进度需长期追踪 快速问答 MessageCounting
22210编辑于 2025-12-28 - 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。 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 - 来自专栏各类技术文章~
Redis学习（7）
同时，多线程虽然会帮助我们更充分地利用 CPU 资源，但是操作系统上线程的切换也不是免费的，频繁的上下文切换可能还会导致性能的急剧下降，这可能会导致我们不仅没有提升请求处理的平均速度，反而进行了负优化，
34020发布于 2021-09-16 - 来自专栏c++与qt学习
Qt学习-----------7
c++11中lambda表达式用于定义并创建匿名的函数对象 lambda表达式的基本构成：
38810发布于 2021-02-22 - 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）。
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。
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CreateAMind
Atlas: 在测试时学习最优记忆上下文
）；（ii）遗忘（保留）门，从 RetNet 的与输入无关的门控（Sun, Dong, 等人，2023）到 Titans（Behrouz, Zhong, 等人，2024）和 RWKV7（Peng, Zhang 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。 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。 Timalsina 等（2023）的方法，我们在多查询联想回忆（MQAR）任务（Arora, Eyuboglu, Timalsina 等，2023）上评估 Atlas 与 Dot 的性能，结果见图 7。 7 结论 我们提出 Atlas——一种新型长期记忆模块，旨在解决现代循环模型在长上下文理解中的核心局限：记忆容量有限、仅支持在线更新，以及记忆管理薄弱。
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MiningAlgorithms
机器学习7：集成学习--XGBoost
对于特征的值有缺失的样本，xgboost可以自动学习出它的分裂方向。 7. xgboost工具支持并行。boosting不是一种串行的结构吗?怎么并行的？ RF和Bagging对比：RF的起始性能较差，特别当只有一个基学习器时，随着学习器数目增多，随机森林通常会收敛到更低的泛化误差。 划分训练集、测试集 myDatas.data,myDatas.target, #load_iris的原始数据集 test_size = 0.3, random_state = 7 ，找一个最合适的学习率 #设几个不同学习率的列表，后面来遍历它，看哪个学习率下分类精确度最高，就用哪个学习率代回模型重新建模 learning_rate=[0.0001,0.001,0.1,0.2,0.3 ] #这次使用交叉验证（交替充份使用有限数据）划分数据集 #实例化交叉验证类 kfold = StratifiedKFold(n_splits=2,shuffle=True,random_state=7)
2K20发布于 2019-08-08 - 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 - 来自专栏一个爱吃西瓜的程序员
学习SQL【7】-函数
二：算术函数 算术函数是最基本的函数，也就是我们常用的四则运算： +（加法） -（减法） *（乘法） /（除法） 为了学习算术函数，我们首先得创建一种示例用表： --创建SampleMath表 --DDL INSERT INTO SampleMath VALUES (NULL, NULL, NULL);INSERT 0 1 INSERT INTO SampleMath VALUES (NULL, 7, ---+---+----------- 500.000 | 0 | 500 -180.000 | 0 | -180 | | | 7 2.270 | 1 | 2.3 5.555 | 2 | 5.56 | 1 | 8.760 | | (11 行记录) 字符串函数 为了学习字符串函数 今天可以留言了，大家可以尽管吐槽啦 每天学习一点点，每天进步一点点。
1.5K120发布于 2018-04-04 - 来自专栏萌海无涯
Django学习模板（7）
前面学了视图，我们可以在访问 localhost:8000/polls/ 看到我们返回的内容。
61520发布于 2019-09-03 - 来自专栏WD学习记录
Dubbo 学习笔记（7）
参考：http://dubbo.apache.org/zh-cn/docs/dev/design.html config配置层：对外配置接口，以ServiceConfig，ReferenceCon
51020发布于 2019-01-07 - 来自专栏周小末天天开心
Java 基础学习（7）
2）八进制：0 - 7，满 8 进 1，以数字0开头。 3）十进制：0 - 9，满 10 进 1。 演示： 0237 => 0 3(011) 3(011) 7(111) => 0b11011111 // 八进制转二进制 0x23b => 0x 3(0011) 3(0011) b(1011) = 0b001100111011
29610编辑于 2022-10-26
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