- 综合排序
- 最热优先
- 最新优先
- 来自专栏自动化控制技术控
AR（增强现实）的相关知识
概 述 增强现实（Augmented Reality，简称AR），增强现实技术也被称为扩增现实，AR增强现实技术是促使真实世界信息和虚拟世界信息内容之间综合在一起的较新的技术内容，其将原本在现实世界的空间范围中比较难以进行体验的实体信息在电脑等科学技术的基础上 增强现实技术不仅能够有效体现出真实世界的内容，也能够促使虚拟的信息内容显示出来，这些细腻内容相互补充和叠加。 在视觉化的增强现实中，用户需要在头盔显示器的基础上，促使真实世界能够和电脑图形之间重合在一起，在重合之后可以充分看到真实的世界围绕着它。 增强现实技术中主要有多媒体和三维建模以及场景融合等新的技术和手段，增强现实所提供的信息内容和人类能够感知的信息内容之间存在着明显不同。 和AR的区别 区别一：定义 AR是Augmented Reality的字母缩写，中文名字是“增强现实”，是一种全新人机交互技术。
2K20发布于 2019-08-12 知识图谱增强大模型应用架构
架构应适配不同的行业场景需求，从内容生成到知识问答，从智能搜索到业务推荐。通过模块化设计，用户可以根据场景选择不同的功能组合，从而提升系统的泛化能力与适配性。 3. 图片 知识增强这种增强方式，通过检索相关信息来辅助理解和推理。具体而言，知识增强旨在解决以下几个关键问题： 实时信息更新：通过搜索外部资源，大模型可以访问最新的内容，包括新闻、学术研究、市场动态等。 完善的系统管理为知识增强应用的稳定运行提供了保障。 四、增强方法的关键技术概要 当前增强大模型，为其提供知识的主要方法有知识图谱、向量检索、搜索引擎以及和为特定业务开发业务引擎。 3. 搜索引擎 搜索引擎是知识增强大模型中的一个重要组件，主要负责实时获取互联网或特定领域的信息。 3. 金融科技 在金融科技场景中，大语言模型可辅助生成投资报告，解释复杂的金融指标，并通过知识图谱分析公司之间的关联网络，帮助用户做出更明智的决策。 4.
84210编辑于 2024-12-24- 来自专栏博文视点Broadview
课程实录丨增强学习入门（3）
这个公式在增强学习当中其实是比较经典也是比较重要的一个公式，叫做贝尔曼公式（Bellman Equation），它其实就把我们刚才那张图上的整个过程做了一个重新的规划，我们看到S_1和S_2，实际上在两个状态下 实际上我们刚才讨论的一些事情就和增强学习当中的优化策略已经比较相关了，我们前面说到如果我们把前面一张图里面所有的其他的东西都固定的话，我们就可以把这个价值函数计算出来了，我们计算出价值函数有什么用呢？ 我觉得到这里差不多把增强学习的一些入门知识就介绍完了，今天我们也可以再短暂地回顾一下。 第一部分我们主要介绍了增强学习的大体流程，希望大家能够记住Agent和Environment它们之间交互的过程，Environment给一个State，然后Agent返回一个Action，然后Environment 我们只要记住这个过程，后面又介绍了一个算法叫做Q-Learning，当然这个方法相对比较复杂，还需要一些那更多的知识，但是大家可以暂时的去了解一下这个算法的过程,我们也可以用深度学习的模型方法去建筑一个价值网络就可以计算了
33520发布于 2020-06-11 - 来自专栏DrugOne
NAACL 2025 | 知识增强下的智能体规划
为了解决这一问题，我们提出了KnowAgent，旨在通过利用外部动作知识来增强轨迹合成，缓解其中出现的规划幻觉问题。我们的方法包括几个关键步骤。 二、方法 如图所示，我们的方法首先定义了动作知识这一概念。接着，我们让模型利用这些知识生成规划路径，并通过知识型自我学习机制不断优化这些路径，从而迭代地增强模型能力。 1. 利用动作知识，模型使用这些见解来简化任务的规划过程。为了促进轨迹的合成，我们设计了特有的prompt，以补充基本任务描述，提供给大模型更多规划信息。 3. 结果也验证了动作知识本身的有效性。 对于实验结果，我们进行了以下分析： 1. 动作知识的增强作用：如图所示，在HotpotQA数据集上使用Llama系列模型进行的消融实验证明了动作知识的效果。 此外，不同模型间的性能差异揭示了它们在吸收和利用结构化外部知识上的能力差异。 3. 动作知识对规划幻觉的缓解：表中展示了不同方法生成的无效和顺序错误动作的统计数据。
30710编辑于 2025-03-31 - 来自专栏JadePeng的技术博客
知识图谱增强的KG-RAG框架
我们找到一篇论文： https://arxiv.org/abs/2311.17330 ，论文的研究人员开发了一种名为知识图谱增强的提示生成（KG-RAG）框架（https://github.com/BaranziniLab /KG_RAG），该框架利用生物医学知识图谱SPOKE与大型语言模型相结合，有效的提升了LLM在医疗领域的问答效果。 KG-RAG框架介绍 KG-RAG框架，较好的结合了生物医学知识图谱SPOKE和LLM的优势。 SPOKE是一个开放知识图谱，提供数据下载和开放API，整合了超过40个公开可用的生物医学知识源，涵盖了基因、蛋白质、药物、化合物、疾病等概念和概念之间的关系，可以为LLM提供一个强大的医疗领域知识。 通常情况下，可以查询1~3跳内的三元组信息，这里借助图数据库可以比较容易的实现。
2.4K10编辑于 2024-04-12 - 来自专栏深度学习自然语言处理
【ERNIE】深度剖析知识增强语义表示模型——ERNIE
哈尔滨：sub-word 哈##尔##滨 Sub-word :预测可以通过word的 局部信息完成 模型缺乏全局建模信息的能力 针对BERT mask sub-word 任务存在的问题，百度提出基于知识增强的语义理解模型 ERNIE mask word & entity 强迫模型通过全局信息去预测mask掉的内容，学习序列里mask信息里蕴含的知识 ERNIE学到全局的信息，使它能学习到非常先验的结果，已经进行了大量的自然语言处理的分词模型 辅助任务 总共整理了7个任务，7个任务分位3类，一类是词法层的任务，一类是语法类的任务，一类是语义类的任务，词法层的任务 1.0的掩盖短语、实体。 典型的词法任务就是句子排序，我们把三句话打乱顺序的给摆正，3句话的所有组合的阶乘，遍历组合都遍历一遍，让ernie去判断是这么多可能的哪一个，就把排序问题变成了一个多分类的问题，这样就很好的排序。
2.3K20发布于 2019-12-23 Hibernate知识辅导（3--3）
public void setManufacturer(String manufacturer){
15110编辑于 2025-10-14- 来自专栏云云众生s
使用领域特定Jenkins知识增强现有的LLM模型
Google Summer of Code 2024 使用特定领域 Jenkins 知识增强现有 LLM 模型。 该项目将 Jenkins 知识与人工智能相结合，为所有用户提供 Jenkins 专家通常拥有的知识，提供完整的解决方案。 我们授权用户通过流畅的用户界面与这些知识进行交互，而不是到处寻找答案。 阶段 #2：数据预处理和细化 此阶段包括 3 个部分： 第一个是利用另一个大型语言模型来帮助我们从 Jenkins 文档中生成问答对。 JenAI 作为一种系统 深色模式下的 JenAI 登录页 浅色模式下的 JenAI 登录页 JenAI 聊天页面 后续步骤 这个想法可以进一步增强，并且提供了许多方法来实现相同的目标： 使用检索增强生成 知识进行微调时可以胜过 Llama2。
41810编辑于 2024-08-27 - 来自专栏我爱计算机视觉
做更好的“教练”，用对抗训练增强“知识追踪”
举个例子：如下图所示，有一个学生做了1-4四题练习题，其中1、2、4做对了，3做错了，那么自然而然可以看出学生对第三题Linear Equations这个概念比较不熟悉，那以该学生现有的水平去做第5题会有怎么样的表现呢 作者提出了ATKT，通过联合训练原始输入和相应的对抗样本来增强KT模型的泛化能力。为了更好地实现 AT，作者引入了一个高效的attentive-LSTM模型作为KT的主干。 KHS Attention: 可以很容易知道由于不同的知识技能对为解决的题目影响不一样，因此本文使用了一个attention机制来自适应控制每个知识技能对解题的影响。 上图是预测学生在锻炼过程中每一步对各种知识技能的掌握情况，第一行记录学生在每个练习中的表现，每种颜色表示该练习包含的不同知识技能。 中间的热图是学生对一步步知识技能的掌握程度，颜色越深代表掌握程度越高。 上图展示了最初的和最终的知识技能掌握程度，通过这个图，学生可以知道自己掌握了多少知识技能然后进行有针对性的练习。
86820编辑于 2022-03-30 - 来自专栏Lcry个人博客
RAGFlow 开源检索增强 AI 知识库部署教程
使用过 dify 和 fastgpt 的产品大家都知道还有一款增强 RAG 平台 RAGFlow，博主早在 2023 年 AI 盛行的时候就调研过这款产品，现在已经 2025 年，截止目前最新版本已经来到了 介绍 RAGFlow 是一个领先的开源检索增强生成（RAG）引擎，将前沿的 RAG 与代理能力融合，为大型语言模型创建了更优越的上下文层。它提供了一套精简的 RAG 工作流程，适用于任何规模的企业。 C /usr/bin/python3 1928MiB | | 3 N/A N/A 3974680 C python3 数据源也可以根据实际添加，可以使用 S3 协议自建 minio 或者 rustfs 初体验 知识库 创建一个知识库，上传一些文档试试。 聊天 创建一个聊天助手，配置引用知识库，然后进行问答。 搜索 搜索可以选择多个知识库进行检索，支持 AI 总结以及引用原文。
1.1K10编辑于 2026-01-09 - 来自专栏圆圆的算法笔记
ACL 2022 Tutorial解析——知识增强自然语言理解
相比而言，直接从数据库、知识图谱、搜索引擎等引入外部知识进行知识增强，是一种更直接、节省资源的方法。 知识增强也是NLP未来的重要发展方向，由于在NLU这种需要理解、常识性知识的领域，知识增强更加重要。 3 总结 知识增强方法是解决自然语言理解的核心方法，重点在于研究从哪获取知识、如何获取知识以及如何融合知识。 使用知识增强的方法可以帮助模型更直接获取预测需要用到的外部知识，也能缓解需要越来越大的预训练模型提升下游任务效果的问题。 知识增强+预训练语言模型起到互补的作用，知识增强方法可以给模型提供预训练阶段没见过或者忘记的信息，提升预测效果。 END
1.6K30编辑于 2022-09-22 - 来自专栏粽子的深度学习笔记
pytorch DataLoader(3)_albumentations数据增强(分割版)
，torchvision的transforms模块本身就包含了很多的数据增强功能，在这里讲解albumentations的原因是albumentations的速度比其他一些数据增强的方法普遍更快一点(主要卖点速度快 一些前置知识可以参考第一篇文章pytorch DataLoader(1): opencv,skimage,PIL,Tensor转换以及transforms，这篇文章主要讲了一些opencv,skimage 数据增强 其他代码跟pytorch DataLoader(2): Dataset,DataLoader自定义训练数据_opencv,skimage,PIL接口中基本相同，这篇文章主要是修改数据增强这块， 使用Albumentations来做数据增强。 get HW if (len(label_3.shape) == 3): label = label_3[:, :, 0] # H*W 1 channel or
2.2K30发布于 2021-07-07 - 来自专栏#大模型热点基础知识
知识图谱如何增强RAG系统？
本文收录于Github：AI-From-Zero项目——一个从零开始系统学习AI的知识库。如果觉得有帮助，欢迎⭐Star支持！什么是GraphRAG？知识图谱如何增强RAG系统？ 这就是传统RAG（检索增强生成）面临的困境。传统RAG系统通过向量相似度检索文档片段，就像用关键词搜索这些散乱的资料。它能找到语义上相似的内容，但无法理解这些内容之间的逻辑关联。 GraphRAG是一种将知识图谱与检索增强生成相结合的技术方案。 通常设置2-3跳，避免无限扩展节点数上限：比如限制50个节点，防止子图过大边的优先级：因果关系的边权重高于一般关联关系未来发展趋势：动态图谱构建：当前的GraphRAG主要处理静态知识，未来会向实时更新的动态图谱发展 总结：GraphRAG通过将知识图谱与检索增强生成相结合，实现了从语义检索到关系推理的跨越，让RAG系统具备了理解和推理知识关联的能力。思考：知识的价值不在于它的数量，而在于它的连接。
59510编辑于 2026-03-31 - 来自专栏AI 创作日记
AI 创作日记 | 摆脱知识孤岛的困境，DeepSeek推动四阶知识增强
一、引言 当传统医疗AI还在机械地罗列相似病例时，搭载DeepSeek知识增强引擎的新系统，已经能像资深专家般展开推理："患者血小板骤降，结合近期抗生素使用史，考虑药物性血小板减少症可能性，建议立即检查肝素抗体 这种场景在金融风控、法律咨询等专业领域同样常见——知识碎片化、推理链条断裂、答案可解释性缺失，构成了当前知识增强技术的三大痛点。 本文将揭示从传统向量检索到思维链推理的技术跃迁。 维护成本 低 极高 中等 三、DeepSeek进化论：四阶知识增强 3.1 流程图 3.2 核心算法 class DeepSeekEnhancer: def __init__(self, kb 3、多跳推理链生成 `_build_chain` 功能：从初始节点出发，在知识图谱中进行最多3跳的推理。 关键步骤： 获取当前节点的关联关系 relations。 四、实施路线图：从0到1构建增强系统 4.1 五步落地法 4.2 阶段1：知识库建设 - 多模态医疗知识融合 prepare_data( format='混合数据', sources=
57710编辑于 2025-03-17 - 来自专栏python3
Java知识：（3）Tomcat
3、Tomcat的目录结构 3.1、Tomcat根目录 ? |-Tomcat根目录 |-bin: 存放tomcat的命令。 DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd"> 3）在当前web应用下的web.xml文件配置Servlet。 <?xml version="1.0" encoding="UTF-8"? > <web-app version="3.0" xmlns="http://java.sun.com/xml/ns/javaee" xmlns:xsi="http://www.w<em>3</em>.org/2001 xsi:schemaLocation="http://java.sun.com/xml/ns/javaee http://java.sun.com/xml/ns/javaee/web-app_3_
75710发布于 2020-01-08 - 来自专栏c++与qt学习
项目知识盲区3
项目知识盲区3 Spring Boot 一个接口多个实现类如何注入 @Mapper 与 @MapperScan 的区别 Spring @Autowired和构造函数的顺序 MySQL之You can't 3、还可以使用 @Primary 在指定实现类上标记。
63720编辑于 2021-12-07 - 来自专栏指点的专栏
开篇：预备知识-3
转换为小数值为 2^(-2) + 2^(-3) = 3/8。此时得到的 M 值为 1 + f = 11/8。 最后，根据浮点数的计算公式：V = (-1)^s + M * 2^E。 3). 特殊值 当浮点数中 exp 部分的值全为 1(11111111) 时。此时的值有以下 2 种情况： [1]. (device control 3) 设备控制3 0001 0100 024 20 0x14 DC4 (device control 4) 设备控制4 0001 0101 025 21 0x15 NAK 1011 073 59 0x3B ; 分号 0011 1100 074 60 0x3C < 小于 0011 1101 075 61 0x3D = 等号 0011 1110 076 62 0x3E > 大于 0011 1111 077 63 0x3F ?
1.3K20发布于 2020-01-14 - 来自专栏phodal
面向 Workspace 知识增强：AutoDev 领域知识生成、动态项目规则、提示词优化器
提示词优化器：识别领域意图，增强 AI 的理解能力 如何正确地识别用户的意图是一件痛苦的事，特别是，当用户说的是中文，而代码中只有拼写缩写时，主流的 RAG 方式都开始抓瞎。 领域知识生成：降低 AI 的幻觉 知识的管理是 AI 智能体成败的关键之一，当用户的提问过于模糊时，AI 往往会产生幻觉。从自然语言到代码中的转换，往往需要一些领域知识来帮助 AI 理解用户的意图。 因此，我们引入了领域知识生成的能力，用户可以在项目的 prompts/domain.csv 中引入相关的领域知识，来帮助 AI 理解用户的意图。 或者，你也可以直接在 Project 的 Toolbar 中直接点击 AutoDev 的 Generate domain.csv 来生成领域知识。 AutoDev 将会结合 README.md、文件名等信息，为您生成一个领域知识文件。 PS：我们建议用户对该文件进行修改，以修正不正确的 AI 翻译。
28700编辑于 2025-04-11 - 来自专栏张善友的专栏
.NET 7 Preview 3添加了这些增强功能
.NET 7 Preview 3 已发布， .NET 7 的第三个预览版包括对可观察性、启动时间、代码生成、GC Region、Native AOT 编译等方面的增强。 有兴趣的用户可以下载适用于 Windows、macOS 和 Linux 的 .NET 7 Preview 3。 Microsoft 建议使用Visual Studio 17.2 Preview 3 的 预览频道版本来试用 .NET 7。 默认启用 GC Regions 在 Preview 3 中，除了 MacOS 和 NativeAOT 之外的所有平台都默认启用 GC Regions功能，该功能有助于提升高吞吐量应用程序的内存利用率。 <TargetFramework>net7.0</TargetFramework> 在很大程度上，Microsoft 将 .NET 7 Preview 3 中包含的大量优化和错误修复归功于社区贡献者。
73700编辑于 2022-04-28 - 来自专栏Mac资源随时更新
Boom 3D音效增强工具 Mac下载
Boom 3D Mac版是一款强大的3D音效增强工具，可以将二维度的音效转换成三维度，让您彻底的享受一下极致的听觉盛宴！Boom 3D音效增强工具 Mac图片特色为什么Boom独一无二？ -凭借其创新的3D音频技术，Boom可以完全改变您听音乐或观看电影的方式。普通立体声音频对左右声源的特殊性非常有限，因此感觉不太真实。 -Boom 3D for Mac带来了最佳的Mac音频输出，其令人难以置信的3D环绕声适用于任何耳机，可实现蓬勃发展的体验。 这款Boom 3D的前身提供了一系列不同的均衡器预设和音频效果，同时支持较旧的Mac OS（v10.10及更高版本）。Boom 2以其最佳音量助推器创造了一场音频革命。 使用此系统扬声器助推器，享受增强的音频体验。-它可以很好地增强小型MacBook上的微小扬声器的音频效果。
73210编辑于 2022-09-24
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