- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器学习与推荐算法
SIGIR2024 | OpenP5: 大模型推荐评测平台
TLDR: 本文介绍了一个开源大模型推荐评测平台OpenP5，旨在促进用于研究的基于大模型生成式推荐系统的开发、训练和评估。 本文提出了一个开源平台OpenP5，旨在促进用于研究目的的基于大模型的生成式推荐系统的开发、训练和评估。该平台在10个广泛认可的公共数据集上进行实验。 另外，OpenP5使用编码器-解码器大模型(如T5)和仅解码器的大模型(如Llama-2)实现，满足了两个基本的推荐任务:序列推荐和直接推荐。下图展示了不同推荐任务所对应的提示的不同。 认识到物品ID在基于大模型的推荐中的重要作用，我们还在OpenP5平台中纳入了三种物品索引方法:随机索引、顺序索引和协同索引。 该平台建立在Transformers库之上，便于为用户定制基于大模型的推荐模型。
67410编辑于 2024-07-05 - 来自专栏OpenMMLab
新增5种编程语言代码测试！大模型评测平台OpenCompass上新啦
大语言模型（LLM）在理解和生成自然语言文本方面已经取得了显著的进步。 随着应用场景的逐渐多样化，利用模型快速写出高质量代码，修复代码 Bug，提升开发效率等需求对大语言模型编程代码的能力提出了新的挑战。 学术社区在代码大模型上发展迅速，如 Code LLaMa，WizardCoder 等在社区获得了广泛关注。那我们该如何进行代码大模型的选型？ 相信通过全面透明的代码能力评测，你一定可以找到最适合自己需求的代码大模型方案。 同时在 Python 数据集专门微调的模型在一些多语言能力上存在短板。GPT4 还是保持着较大的领先优势，这一部分能力是后续模型需要关注的方向之一。
2.3K20编辑于 2023-09-11 - 来自专栏HackTips
自建MD5解密平台
在这篇文档中，我将详细介绍如何开发一款MD5解密平台。这个平台的核心功能是生成和查询MD5彩虹表。以下是对index.php和chaxun.php文件的详细拆解和说明。 = "md5";$password = "123456";$dbname = "md5";$tableName = "rainbow_table";$conn = new mysqli($servername hash：存储MD5哈希值。original：存储原文。唯一约束：确保hash字段的唯一性。 查询功能实现在chaxun.php中，我实现了MD5哈希值的查询功能。 总结通过以上步骤，我成功开发了一款简单的MD5解密平台。这个平台可以生成大量的MD5哈希值及其对应的原文，并提供快速查询功能。
91610编辑于 2024-12-22 - 来自专栏毛利学Python
yolov5模型转换NCNN模型部署
写作原因：最近看了下nihui大佬的ncnn，练习着将yolov5训练的模型转换成ncnn模型并部署，同时借鉴了网上优秀的博文，记录一下，如有不对的地方，请多多指教。 说明：pytorch模型转换成onnx模型，及onnx模型简化和转ncnn模型在引用的文章中都有详细的说明，可移步至引用文章中查看。 图1 其实yolov5 v1-v5版本在训练完后，使用onnx2ncnn.exe将简化后的onnx模型转换成ncnn模型时主要出现这个问题。 V6版本在输出上和前5个版本有一点不同，这里针对1-5版本。 下面说下修改的是什么，这样就可以知道自己的模型应该修改哪里了。
3.1K20编辑于 2022-09-22 - 来自专栏全栈程序员必看
Red5搭建直播平台
下载地址 http://www.red5.org/ 1, 首先启动red5 2,访问http://localhost:5080/ 3,在该页面点击installer,进入安装页面。 5.1,重新编译Application.java package org.red5.demos.oflaDemo; import org.red5.logging.Red5LoggerFactory ; import org.red5.server.adapter.ApplicationAdapter; import org.red5.server.api.IConnection; import org.red5.server.api.IScope; import org.red5.server.api.stream.IServerStream; import org.red5.server.api.stream.IStreamCapableConnection org.red5.server.api.IConnection; import org.red5.server.api.IScope; import org.red5.server.api.stream.IServerStream
2.3K20编辑于 2022-08-04 - 来自专栏CODING DevOps
研发效能平台的“双流”模型
在这个过程中，有多次工具切换，要花费大量时间在流程性的事务上，造成时间和精力的浪费，还需要你对各个工具平台的使用方法和流程都很清楚。更糟糕的是，各个工具平台的概念模型可能还不完全一致。 研发效能平台的“双流”模型本书提出的研发效能“双流”模型是“一站式”和“一键式”概念的最好诠释。 “双流”模型是实现研发效能平台的一个参考依据，值得借鉴。以下就通过具体例子介绍“双流”模型的工作原理和实现方式。 但是以“双流”模型实现的效能工具平台就会简单很多，完全不需要在需求管理工具、代码平台工具和 IDE 之间切换，只需要在 IDE 中即可完成全部工作。 研发效能“双流”模型明确定义了软件研发各个阶段的高效实践总结这部分介绍了传统单点研发工具平台在横向拉通维度上的痛点，并在此基础上提出了研发效能平台“一站式”和“一键式”的概念。
1.3K10编辑于 2023-06-21 - 来自专栏.NET企业级解决方案应用与咨询
.NET平台系列13 .NET5 统一平台
统一每个框架所有功能的想法也随之诞生 - 无论是简单的 csproj 格式、采用开放源代码开发模型、支持与 Java 和 Objective-C（包括 Swift）的互操作性，还是支持 JIT 和 AOT 微软称将来只会有一个.NET平台，使用它可以开发 Windows、Linux、macOS、iOS、Android、tvOS、watchOS和WebAssembly等平台的应用。. NET 5中引入了新的.NET API，运行时和语言功能。 ? .NET5统一了不同的开发框架、减少了代码复杂性，并显著提高了跨平台的可实现性。 跨平台实现。 支持利用特定于平台的功能，例如Windows窗体和Windows上的WPF，以及从Xamarin到每个本机平台的本机绑定。 高性能。 并排安装。 小型项目文件（SDK样式）。 平台和Microsoft支持 对于Windows、macOS和Linux，.NET5.0具有与.NETCore3.1几乎相同的平台支持列表。
1.6K20发布于 2021-06-09 - 来自专栏.NET企业级解决方案应用与咨询
.NET平台系列5 .NET Core 简介
Java是主打敏捷开发、跨平台的编程语言，自1995年推出Java正式版以来，凭借其天生的跨平台（Windows、Linux、MacOS）优势，发展至今在全世界开发者市场与生态圈层面远远超过.NET平台 NET Framework 与 Windows 平台深度绑定，无法做到跨平台，所以一直处于被Java压制的状态。 5、.NET Core 与其他平台的关系 .NET Core 经常会拿来与其他平台做类比，尤其是它的源头 .NET Framework 以及另一个相似性质的开源平台 Mono。 与 ASP.NET Core 的关系 .NET Core 与 ASP.NET Core 的关系其实一开始并不是主从关系 ，ASP.NET Core 的开发初期 (ASP.NET 5) .NET Core blob/master/Documentation/project-docs/glossary.md 【4】https://www.microsoft.com/net/core#windows 【5】
1.4K20发布于 2021-05-14 - 来自专栏HackTips
自建MD5解密平台-续
项目背景和需求在项目的初始阶段，我们需要一个自动化生成 MD5 彩虹表的工具，并将生成的数据存储在 MySQL 数据库中。主要功能包括：**批量生成 MD5 哈希和对应的原始字符串**。 **去重处理，避免重复存储相同的 MD5 哈希**。**可扩展性**，支持任意字符集和字符串长度。**高效插入数据**，避免性能瓶颈。 **MD5 哈希计算**：将随机字符串计算为 MD5 哈希值。**数据插入与去重**：使用 INSERT IGNORE 避免重复插入。 php$servername = "localhost";$username = "md5";$password = "123456";$dbname = "md5";$tableName = "rainbow 该工具不仅适用于 MD5，还可拓展为其他哈希算法生成器（如 SHA-1 或 SHA-256）。未来可进一步优化数据生成算法，提高生成速度和覆盖范围。最后我的MD5解密平台：md5.li
74610编辑于 2024-12-23 - 来自专栏CreateAMind
5篇生成模型相关 paper
5 SEMANTIC INTERPOLATION IN IMPLICIT MODELS Yannic Kilcher, Aure ́lien Lucchi, Thomas Hofmann Department
48010发布于 2018-07-24 - 来自专栏Java Porter
5. Java内存模型JMM
answer : JVM 定义了 JMM 用于屏蔽各种硬件与操作系统的内存访问差异,实现 JVM 跨平台达到一致的内存访问效果 Java 内存模型 JavaMemoryModel JMM (Java 内存模型 JavaMomary Model,简称 JMM), 本身是一种抽象的概念并不真实存在,仅仅描述了一组约定或规范,(本质) 通过这组规范定义了程序中(特别是多线程)各个变量的读写访问方式 以及如何变成对另一个线程可见(作用方式) 关键技术点都是围绕多线程的原子性,可见性和有序性展开的(核心,原则) 作用 实现线程和主内存之间的抽象关系 屏蔽底层硬件和操作系统的内存访问差异,实现 JVM 跨平台内存访问的一致性 线程 A 执行 y=x 线程 B 执行 上述称之为:写后续 y 是否等于 5 呢? 如果线程 A 的操作(x=5)happens-before 线程 B 的操作(y=x),那么可以确定线程 B 执行后 y=5 必定成立 若不存在 heppens-before 原则,则 y=5 不一定成立
26410编辑于 2024-03-09 5种大模型Agent模式
大模型中的5种AI Agent模式在大模型中，AI Agent（人工智能代理）模式是一种重要的应用方式，可以从以下几个方面来理解：1. 在大模型的背景下，AI Agent 是基于大规模预训练模型（如 GPT 等）构建的智能代理，能够利用模型的语言理解和生成能力来完成复杂的任务。 智能性：它基于大模型的强大语言理解能力，能够理解自然语言指令，并生成自然语言响应。这种智能性使其能够处理复杂的语言任务，如对话、写作、翻译等。 下面介绍5种常见的AI Agent模式：1. 5. 多智能体模式（Multi-agent Pattern）正在上传图片...核心架构： 角色分工： 项目经理代理（PM agent）：协调任务分配（Delegation）。
4.1K10编辑于 2025-05-07- 来自专栏图形学与OpenGL
实验5 OpenGL模型视图变换
由于模型和视图的变换都通过矩阵运算来实现，在进行变换前，应先设置当前操作的矩阵为“模型视图矩阵”。 注意：模型视图矩阵和投影矩阵都有相应的堆栈。使用glMatrixMode来指定当前操作的究竟是模型视图矩阵还是投影矩阵。 （1）视图变换函数gluLookAt(0.0，0.0，5.0，0.0，0.0，0.0，0.0，1.0，0.0，)设置照相机的位置 把照相机放在（0，0，5），镜头瞄准（0，0，0），朝上向量定为（0，1 % 360; glutPostRedisplay(); break; case 'Y': year = (year - 5) % 360; glutPostRedisplay(); break; case 5. 实验作业： （1）尝试在太阳系中增加一颗卫星，一颗行星。提示：使用glPushMatrix()和glPopMatrix()在适当的时候保存和恢复坐标系统的位置。
2.2K30发布于 2018-10-09 基于python部署paddleocrv5的onnx模型PPOCRv5模型部署源码+onnx模型+使用说明
项目简介 本项目是 PaddleOCRv5 的 ONNX 版本实现，具有以下特点： 支持简体中文、繁体中文、中文拼音、英文和日文识别 无需深度学习训练框架，可直接部署使用 支持 ARM 和 x86 架构 项目提供两种模型版本： Mobile 版本（默认） 已包含在项目中，位于 onnxocr/models/ppocrv5 目录下 无需额外下载 Server 版本（推荐，效果更好，但是推理时间会变长 可以调整批处理大小来减少内存使用 识别效果不理想 尝试使用 Server 版本模型 确保图片清晰度足够 检查图片是否包含支持的语言类型 6. 性能优化建议 使用 GPU 版本可以获得更好的性能 对于批量处理，建议使用批处理模式 可以根据实际需求调整模型参数 对于特定场景，可以考虑使用模型量化来提升性能 7. 源码特点 使用PP-OCRv5 模型 支持 5 种文字类型识别 识别精度比v4及其版本提升 13% 与 PaddleOCR 3.0 精度保持一致
2.2K10编辑于 2025-07-18- 来自专栏罗西的思考
Facebook如何训练超大模型--- (5)
[源码分析] Facebook如何训练超大模型--- (5) 目录 [源码分析] Facebook如何训练超大模型--- (5) 0x00 摘要 0x01 背景 0x02 思路 2.1 学习建议 2.2 ---(1) [源码分析] Facebook如何训练超大模型 --- (2) [源码分析] Facebook如何训练超大模型 --- (3) [源码分析] Facebook如何训练超大模型---(4) x = torch.Tensor([[1,2,3]]) y = torch.Tensor([[4,5,6], [7,8,9], [10,11,12]]) z = torch.cat((x,y), dim ], [10., 11., 12.]]) torch.Size([4, 3]) # chunk之后的输出 (tensor([[1., 2., 3.]]), tensor([[4., 5. Language Model Training on GPU Clusters Using Megatron-LM.” arXiv preprint arXiv:2104.04473 (2021). [5]
1.6K10编辑于 2022-11-28 - 来自专栏育种数据分析之放飞自我
混合线性模型学习笔记5
5. 所有可能的混线性模型分析这个数据 因此，我们要考虑数据的集群性质。与其像上面的SLiM中那样忽略聚类，不如考虑为每个人运行完全独立的回归。 5.9 Mixed Model 5b: Multivariate normal model ? 5.10 Mixed Model 6: Penalized regression ? ? # total n # parameters sigma = 1 # residual sd tau = .5 ASReml 4.1.0 Wed Apr 5 16:34:50 2020 LogLik Sigma2 DF wall cpu 1 -3817.282 1811.528 1.0 998 16:34:50 0.0 4 -1082.178 1.0 998 16:34:50 0.0 5
1.6K10发布于 2020-05-14 - 来自专栏测试开发干货
接口测试平台代码实现146: 平台主题-夏日清凉5
最后说一下，关于平台的全部功能 目前 完成度基本达到40% ，但优化才刚刚开始，还不到10% 。所以不要过早否定我们靠自己双手打造的东西。 有句话说得好，金窝银窝不如自己的狗窝，何况我们这个目前的狗窝，以后早晚会成为市面第一平台。 下载的开源的甚至买的 平台再好，跟你有什么关系呢？ 领导该替换掉你的时候不会犹豫。 一年几十万的商品平台，这钱早晚会被省下来， 大家最好早点留心眼。公司大不是你大，公司辉煌不是你辉煌。 技术都是一点一滴 逐渐学习 的，万丈高楼平地起，生活只能靠自己！
25130编辑于 2022-05-19 基于winform部署PP-OCRv5的推理模型paddleocrv5模型部署
编译与运行 选择 x64 平台，Debug 或 Release(需要提前复制Debug所有文件到Release文件夹) 模式。 编译并运行（F5）。 常见问题 无法运行/报错缺少 DLL：请确保使用 x64 平台，且 bin/x64/Debug 或 Release 目录下依赖齐全。
45700编辑于 2025-07-22- 来自专栏HarmonyOS知识集合
【HarmonyOS 5】鸿蒙中Stage模型与FA模型详解
一、前言在HarmonyOS 5的应用开发模型中，featureAbility是旧版FA模型（Feature Ability）的用法，Stage模型已采用全新的应用架构，推荐使用组件化的上下文获取方式， 当初我在开发OpenHarmony的时候，最早用的就是FA模型，正是因为FA模型在开发过程中的诸多不方便，大概在API8时，官方推出了Stage模型，进行初步替代。 Stage模型，见名知意，是在系统提供的舞台容器上，进行应用的开发。整理更新的低耦合，高内聚。应用进程的管理也更加合理高效。本文主要针对Stage模型与FA模型的区别。 以及Stage模型如何获取上下文作出讲解。二、Stage模型与FA模型的核心区别下面的表格是官方文档的信息梳理，建议针对FA模型有大概了解即可。重点关注Stage模型的内容。 featureAbility.getContext() 生命周期管理 基于UIAbility的生命周期回调（onCreate/onDestroy）基于FeatureAbility的生命周期 在HarmonyOS 5
46800编辑于 2025-06-14 - 来自专栏凯哥讲故事系列
机器学习平台的模型发布指南
导读：近两年，各式各样的机器学习平台如雨后春笋一样出现，极大地降低了从业者的门槛。大家的关注点往往在平台如何能够高效地进行各种花样地数据预处理，如何简单易用地训练出各种模型上。但是在产出模型之后呢？ 优化平台自身：在得到相对比较成熟的模型后，反哺平台的流程，以模型算法增强平台的功能。这样，才能产生平台 -> 模型 -> better平台 -> better模型 -> … 的良性闭环。 因此，在我们得到对应场景的模型后，便可以发布成预标注的任务，先于人工进行标注，大大优化平台的标注流程，从而得到更好的模型，再更好的优化平台，再。。。 与预标注类似，平台可以利用模型计算源数据各场景数据的稀缺性，来指导平台数据的采集工作，以加强模型较薄弱性能的场景。 这样，平台就通过发布自身产出的模型，来优化平台的数据的采集、数据加工、模型训练等各个流程，从而得到更好的模型，达到自动持续的优化的效果，形成良好的闭环。
4.1K30发布于 2020-01-17
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