- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器之心
用ChatGPT「指挥」数百个模型，HuggingGPT让专业模型干专业事
然后通过上下文中的任务模型分配机制动态地为任务选择模型。 任务执行 一旦将任务分配给特定模型，接下来就是执行任务，即执行模型推理。 为了加速和计算稳定性，HuggingGPT 在混合推理端点上运行这些模型。将任务参数作为输入，模型计算推理结果，然后将信息反馈给大型语言模型。 该研究还在多模态任务上测试了 HuggingGPT，如下图所示。 图 8 演示了 HuggingGPT 在多轮对话场景中处理复杂任务的能力。 还有人将其比喻为公司经理，评论道「HuggingGPT 有点像现实世界中的场景，公司有一群超强的工程师，在各个专业能力超群，现在有一个经理把他们管理起来，当有人有需求，那么这个经理就会分析需求，然后分给相应的工程师去做
95410编辑于 2023-04-06 - 来自专栏软件测试经验与教训
如何让测试工作更专业
面试官问我 如何让测试工作更专业 这道题目是几年前面试一家创业公司时，对方老板问我的问题，我觉得虽然小伙伴们在面试中碰到的几率不大，不过在工作中却很有思考它的必要。 其实道理很简单，难在执行。 面试题：如何让测试工作更专业？ 需求评审时，多关注（提问）这样几个问题：这个需求是什么？为什么会提这个需求？开发人员会怎么修改软件以完成这个需求？他们的改动方式是否合理？ 这次的改动会产生哪些影响，测试范围清楚吗？可能有什么风险？ 能根据不同的资源、项目情况，给出合理的测试周期。 追根究底，有一些问题需要反复验证，反复沟通确认。 多交流，组内、组外。 高质量的测试报告，包括测试计划、测试用例、bug、系统测试报告等各种测试人员需要出具的文档，高质量意味着： 格式规范 测试用例设计详尽、有深度、无歧义、便于执行。 不提交重复或虚假bug。 唠叨环节： 在任何行业，获得“你很专业”的评价都是一种很高的褒奖，说它是一枚“军功章”丝毫不夸张。上面给出的思路仅仅是个人看法，不代表一定是对的，仅仅给大家做参考。
1.2K40发布于 2019-04-28 - 来自专栏小雨的CSDN
软件测试 —— 测试模型（V模型 W模型）
【软件开发的周期：、需求分析、设计、实现、测试、安装部署、运行维护】 【软件测试的周期：、需求分析，测试计划，测试设计/测试开发，测试执行，测试评估】 软件测试v模型 （v模型是瀑布模型的变种） 优点：后期的测试阶段和前期的阶段可以一一对应起来，清楚的标注每一个测试阶段的依据 缺点：不利于项目前期风险的及时发现 软件测试W模型（双V模型） 特点:测试在项目前期介入，对需求，系统设计等都会进行验证 ，测试的对象不仅是程序，需求、设计等同样要测试，测试与开发是同步进行的 优点:测试介入早，有利于全面得发现系统前期的风险，同时，对需求的测试也有利于及时了解项目难度和测试风险，及早制定应对措施，显著减少总体测试时间 ，加快项目进度 缺点:阶段性比较强，需求、设计、编码等活动被视为串行的；测试和开发活动也保持着一种线性的前后关系，上一阶段完全结束，才可正式开始下一个阶段工作不可逆，所以无法适应敏捷开发。
1.8K30编辑于 2022-10-26 - 来自专栏贾志刚-OpenCV学堂
NNCF压缩与量化YOLOv8模型与OpenVINO部署测试
图示如下： YOLOv8量化压缩 基于NNCF实现YOLOv8预训练模型的训练后量化压缩（PTQ），实现INT8量化YOLOv8模型生成。 首先需要使用YOLOv8命令行工具导出OpenVINO格式模型，命令行如下： yolo export model=yolov8n.pt format=openvino 然后基于YOLOv8框架的函数构建一个 YOLOv8模型对应的COCO数据集的Validator，相关的代码如下： 官方给出的代码里面是有个ValidatorClass，但是我发现YOLOv8框架早已经不支持，这里其实主要是构建自己的 准备好验证数据以后，就是最后一步了，启动模型INT8量化，相关的代码如下： 这样就可以完成PTQ量化模型的生成。 量化版YOLOv8推理测试 基于量化版本，基于OpenVINO C++ SDK在不同的部署与加速方式下，最终的测试结果如下： 从此，我又相信YOLOv8+OpenVINO了
2.1K30编辑于 2023-11-20 - 来自专栏华尔街科技眼
大模型分化趋势：更垂直、更专业
对于大模型的发展方向，大boss们目前达成了一些基本的产业共识：与实体经济相结合是大模型未来的发展路径，云厂商正在尝试将大模型落地到垂直领域，打造出金融、医疗、电力等领域的专业大模型。 他认为，未来垂直大模型是重要的发展方向，通用模型和各领域专有的知识数据结合，让大模型从“万事通”变成政府通、行业通和企业通，这才是真正的价值，“最新资料表明，GPT4也是由8个垂直模型组成的，从侧面印证了这个观点 今年4月，阿里云“通义千问”大模型开放对外测试，目前已有超过20万企业用户申请接入，几乎覆盖所有新兴和传统行业。 在模型研发过程中，既要关注敏感数据的保护与安全合规，也需要管理好大量的数据与标签，不断测试与迭代模型。接着讲讲应用。 算力是模型持续运转的基础，高性能、高弹性和高稳定的算力需要借助专业的云服务。
50920编辑于 2023-06-28 - 来自专栏XINDOO的专栏
如何使用大语言模型绘制专业图表
过去的一年里，我相信大部分人都已经看到了大语言模型(后文简称LLM)所具备的自然语言理解和文本生成的能力，还有很多人将其应用于日常工作中，比如文案写作、资料查询、代码生成……今天我要向大家介绍LLM 我们可以直接让大模型将这两份数据放在一张图里，方便对比出生人口和高考人数变化趋势。 如果你不满意LLM用Mermaid绘制出来的图表，你还可以把它贴到Draw.io里做二次编辑（操作路径：工具栏/➕/高级/Mermaid），借助专业的绘图工具，就可以绘制出更专业好看的图表。
2.1K10编辑于 2024-08-07 - 来自专栏IT杂谈学习
丹摩智算：掌握YOLOv8模型的训练与测试
前言 在计算机视觉领域，目标检测是一项核心任务，YOLO（You Only Look Once）系列模型因其速度快、性能优而广受欢迎。随着YOLOv8的推出，这一家族再次成为研究与应用的热点。 本文将介绍如何在丹摩智算平台上进行YOLOv8模型的训练与测试，包括数据集的准备、模型训练、以及测试验证。 一、YOLOv8模型简介 YOLOv8是由Ultralytics团队开发的最新一代目标检测模型，它在原有YOLO系列模型的基础上进行了改进和优化。 3.3 训练模型 在云实例中运行训练脚本，开始模型训练。 四、测试 4.1 测试脚本 编写测试脚本test.py，加载训练好的模型并进行测试。 五、总结 丹摩智算平台提供的GPU云实例能够满足深度学习训练的需求，使得YOLOv8模型的训练和测试变得简单快捷。无论是学术研究还是商业应用，YOLOv8都将为您的项目带来强大的目标检测能力。
2.2K10编辑于 2024-09-26 - 来自专栏PPV课数据科学社区
面向IT专业人员的8个新兴AI工作
Digital Ocean研发主管Alex Jaimes指出，如今人工智能和机器学习的专业知识通常是博士研究人员的领域。Jaimes认为，“不断增长的需求可能为不同类型的专家打开大门。 “结构化数据时代需要专业人员提供地图、信息卡和特定答案以及数字知识的背景。” AI交互设计师 Mondo公司的Fremin表示，IT和设计专业人士的需求日益增长，他们可以使AI界面适用于大众用户。这个角色将“创造人工智能代理人的个性，目标是尽可能使他们像人类一样”。 8.认知文案员 史密斯实验室未来平台总监Sean MacPhedran预计，随着越来越多的公司开始在自己的客户交互中建立自然语言处理功能，这个趋势将变得越来越流行。
79980发布于 2018-04-24 - 来自专栏华章科技
面向IT专业人员的8个新兴AI工作
Digital Ocean研发主管Alex Jaimes指出，如今人工智能和机器学习的专业知识通常是博士研究人员的领域。Jaimes认为，“不断增长的需求可能为不同类型的专家打开大门。 “结构化数据时代需要专业人员提供地图、信息卡和特定答案以及数字知识的背景。” AI交互设计师 Mondo公司的Fremin表示，IT和设计专业人士的需求日益增长，他们可以使AI界面适用于大众用户。这个角色将“创造人工智能代理人的个性，目标是尽可能使他们像人类一样”。 8.认知文案员 史密斯实验室未来平台总监Sean MacPhedran预计，随着越来越多的公司开始在自己的客户交互中建立自然语言处理功能，这个趋势将变得越来越流行。
45420发布于 2018-08-17 - 来自专栏Python与算法之美
8，模型的训练
根据问题特点选择适当的估计器estimater模型： 分类(SVC,KNN,LR,NaiveBayes,...) 回归(Lasso,ElasticNet,SVR,...) 一，分类模型的训练 ? ? ? ? ? ? ? ? ? 二，回归模型的训练 ? ? ? ? ? ? ? ? 三，聚类模型的训练 KMeans算法的基本思想如下： 随机选择K个点作为初始质心 While 簇发生变化或小于最大迭代次数： 将每个点指派到最近的质心，形成K个簇 重新计算每个簇的质心 ? 四，降维模型的训练 PCA主成分分析(Principal Components Analysis)是最常使用的降维算法，其基本思想如下： 将原先的n个特征用数目更少的m个特征取代，新特征是旧特征的线性组合 可以结合FeatureUnion 和 Pipeline 来创造出更加复杂的模型。 ?
82031发布于 2020-07-17 - 来自专栏达达前端
软件测试模型以及测试方法
前言 大家好，我是 Vic，今天给大家带来软件测试模型以及测试方法的概述，希望你们喜欢 软件测试 软件开发过程 软件质量保证 理解软件测试 软件测试分类 测试工作流程 思考软件测试 软件测试时一门很重要的学科 那么软件生存期模型有什么内容呢 瀑布模型 原型模型 增量模型 螺旋模型 1.瀑布模型 答：对于瀑布模型，我知道有六个阶段：计划，需求分析，设计，编码，测试，运行维护。 3.什么是增量模型 答：对于增量模型，记住的是在每个阶段都会生成一个可发布的正式版本，而且每个软件版本是逐步完善的。 4.什么是螺旋模型 答：螺旋模型是瀑布模型和原型模型结合起来的，记住这个模型是有四个阶段，这四个阶段都是主要的，一是制定计划，二是风险分析，三是实施工程，四是评审。 总结 本文讲了软件测试模型以及测试方法，如果您还有更好地理解，欢迎沟通 定位：分享 Android&Java知识点，有兴趣可以继续关注
96620发布于 2019-07-03 - 来自专栏小雨的CSDN
8. 黑盒测试 白盒测试 灰盒测试
黑盒测试：黑盒测试也称功能测试，测试中把被测的软件当成一个黑盒子，不关心盒子的内部结构是什么，只关心软件的输入数据与输出数据。 白盒测试：白盒测试又称结构测试、透明盒测试、逻辑驱动测试或基于代码的测试。白盒指的打开盒子，去研究里面的源代码和程序结果。 1）逻辑覆盖法：判定法，条件法，判定和判定组合，条件和条件组合，判定和条件组合 2）循环覆盖法：for / while 3）路径覆盖法：switch / try catch 灰盒测试：是介于白盒测试与黑盒测试之间的一种测试 ，灰盒测试多用于集成测试阶段，不仅关注输出、输入的正确性，同时也关注程序内部的情况（集成测试等）
1.6K30编辑于 2022-10-26 - 来自专栏java思维导图
别再写 main 方法测试了，太 Low！这才是专业 Java 测试方法！
Java的基准测试需要注意的几个点： 测试前需要预热。 防止无用代码进入测试方法中。 并发测试。 测试结果呈现。 测试项目构建 JMH是内置Java9及之后的版本。这里是以Java8进行说明。另外，最新最全的 Java 面试题整理好了，微信搜索Java面试库小程序在线刷题。 * @version 1.0 2019/8/27 */ @State(Scope.Benchmark) @OutputTimeUnit(TimeUnit.SECONDS) @Threads(Threads.MAX 2018.2.2\lib\idea_rt.jar=65175:D:\Program Files\JetBrains\IntelliJ IDEA 2018.2.2\bin -Dfile.encoding=UTF-8 2018.2.2\lib\idea_rt.jar=65175:D:\Program Files\JetBrains\IntelliJ IDEA 2018.2.2\bin -Dfile.encoding=UTF-8
56620编辑于 2022-03-04 - 来自专栏.NET开发那点事
ASP.NET Core 8 在 Windows 上各种部署模型的性能测试
ASP.NET Core 8 在 Windows 上各种部署模型的性能测试 我们知道 Asp.net Core 在 windows 服务器上部署的方案有 4 种之多。 托管模型 在开始 benchmark 测试之前，我们再来来介绍一下这 4 种托管模型： 1. 测试流程: 在对每个场景进行测试前先进行 60s 的预热，等待大概 10s 再后进行 4 次持续的压力测试（8个线程，持续30s），记录结果（RPS）。 Benchmark 测试结果 以下是测试结果： 托管模型 Requests Per Second (RPS) InProcess 7266 OutProcess 7960 SelfHost HttpSys 这样的差异可能受多种因素影响，包括硬件配置、操作系统版本、IIS的版本等，毕竟这些产品都是10年前的产物，而 ASP.NET Core8 是 2023 年的全新产品。
1.1K10编辑于 2023-12-12 - 来自专栏漫谈测试
性能测试过程中你需要了解的专业及非专业术语
其实我们可以用多线程模型来解释他们，并发量就相当于线程数，吞吐量就是所有线程处理请求数之和。 通常我们做性能测试主要考察和评估的是TPS，而并发量是一个相对较虚的概念，比如我们说一个系统支持同时1k人操作，一般不在评估的范围内。 提交订单操作均可定义为事务，单位时间内系统可以成功完成多少个定义的事务，在一定程度上反映了系统的处理能力，一般以事务成功率来度量；超时错误率：主要指事务由于超时或系统内部其它错误导致失败占总事务的比率.三、非专业相关术语性能测试中的非专业术语通常指的是那些在日常对话中使用的 跑分指进行性能测试时得到的分数，用于比较不同系统或配置之间的表现。压测对软件或系统施加高负载以测试其稳定性和响应时间的过程。每秒连接数每秒连接数实现Web应用程序在运行过程中每秒建立的HTTP连接数。 场景定义：为了模拟真实用户的业务处理过程，在测试工具中构建的基于事务、脚本、虚拟用户、运行设置、运行计划、监控、分析等一系列动作的集合。
44910编辑于 2024-12-16 - 来自专栏狗哥的 Java 世界
别再写 main 方法测试了，太 Low！这才是专业 Java 测试方法！
Java 的基准测试需要注意的几个点： 测试前需要预热。 防止无用代码进入测试方法中。 并发测试。 测试结果呈现。 1.1 测试项目构建 JMH 是内置 Java9 及之后的版本。这里是以 Java8 进行说明。 为了方便，这里直接介绍使用 maven 构建 JMH 测试项目的方式。 /** * @author Richard_yyf * @version 1.0 2019/8/27 */ @State(Scope.Benchmark) @OutputTimeUnit(TimeUnit.SECONDS 2018.2.2\lib\idea_rt.jar=65175:D:\Program Files\JetBrains\IntelliJ IDEA 2018.2.2\bin -Dfile.encoding=UTF-8 2018.2.2\lib\idea_rt.jar=65175:D:\Program Files\JetBrains\IntelliJ IDEA 2018.2.2\bin -Dfile.encoding=UTF-8
51310编辑于 2022-03-15 - 来自专栏java思维导图
别只会 main 方法做测试，太 Low！这才是专业 Java 测试方法！
Java的基准测试需要注意的几个点： 测试前需要预热。 防止无用代码进入测试方法中。 并发测试。 测试结果呈现。 测试项目构建 JMH是内置Java9及之后的版本。这里是以Java8进行说明。 为了方便，这里直接介绍使用maven构建JMH测试项目的方式。 执行测试 运行 JMH 基准测试有两种方式，一个是生产jar文件运行，另一个是直接写main函数或者放在单元测试中执行。 2018.2.2\lib\idea_rt.jar=65175:D:\Program Files\JetBrains\IntelliJ IDEA 2018.2.2\bin -Dfile.encoding=UTF-8 2018.2.2\lib\idea_rt.jar=65175:D:\Program Files\JetBrains\IntelliJ IDEA 2018.2.2\bin -Dfile.encoding=UTF-8
48040编辑于 2022-03-21 - 来自专栏芋道源码1024
别再写 main 方法测试了，太 Low！这才是专业 Java 测试方法！
测试项目构建 2. 编写性能测试 3. 执行测试 4. 测试项目构建 JMH是内置Java9及之后的版本。这里是以Java8进行说明。 为了方便，这里直接介绍使用maven构建JMH测试项目的方式。 /** * @author Richard_yyf * @version 1.0 2019/8/27 */ @State(Scope.Benchmark) @OutputTimeUnit(TimeUnit.SECONDS 2018.2.2\lib\idea_rt.jar=65175:D:\Program Files\JetBrains\IntelliJ IDEA 2018.2.2\bin -Dfile.encoding=UTF-8 2018.2.2\lib\idea_rt.jar=65175:D:\Program Files\JetBrains\IntelliJ IDEA 2018.2.2\bin -Dfile.encoding=UTF-8
42740编辑于 2022-03-04 - 来自专栏陶陶计算机
PyTorch 实战（模型训练、模型加载、模型测试）
本次将一个使用Pytorch的一个实战项目，记录流程：自定义数据集->数据加载->搭建神经网络->迁移学习->保存模型->加载模型->测试模型 自定义数据集 参考我的上一篇博客：自定义数据集处理 数据加载 pytorch保存模型的方式有两种： 第一种：将整个网络都都保存下来 第二种：仅保存和加载模型参数（推荐使用这样的方法） # 保存和加载整个模型 torch.save(model_object model.pkl则是第一种方法保存的 [在这里插入图片描述] 测试模型 这里是训练时的情况 [在这里插入图片描述] 看这个数据准确率还是不错的，但是还是需要实际的测试这个模型，看它到底学到东西了没有 ，接下来简单的测试一下： import torch from PIL import Image from torchvision import transforms device = torch.device /test/name.jpg') 实际的测试结果： [在这里插入图片描述] [在这里插入图片描述] 效果还是可以的，完整的代码: https://github.com/huzixuan1
3.3K20编辑于 2022-05-12 - 来自专栏EMQ 物联网
专业版即将支持自定义场景测试
物联网 MQTT 测试云服务 XMeter Cloud 专业版于 2022 年底上线后，已有不少用户试用，对数千甚至上万规模的 MQTT 并发连接和消息吞吐场景进行测试。 自定义测试场景支持XMeter Cloud 基础版及专业版均已提供多种内置 MQTT 测试场景，包括连接、上报、1 对 1、广播、共享订阅，用户可通过简单的选择及主要参数设置，方便快捷地提交 MQTT 在即将上线的新版本中，我们将为专业版用户提供自定义测试场景功能，以满足自主定义测试场景和测试更广泛协议的需求，帮助用户构建更复杂的 MQTT 测试场景，实现对除 MQTT 以外其他物联网协议的测试。 更清晰的版本选择XMeter Cloud 目前提供基础版和专业版两种产品版本。 基础版支持不超过 1,000 连接和每秒 1,000 消息吞吐的公网 MQTT 测试；专业版支持不超过 500,000 连接和每秒 500,000 消息吞吐的公网及私网 MQTT 测试，并将支持更多协议测试
43510编辑于 2023-03-07
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