- 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 - 来自专栏数据分析1480
4 个妙招增强 Jupyter Notebook 功能
本文将介绍强化 Jupyter Notebook 功能的 4 种方法。 1. 执行 Shell 命令 在技术或编程文本中，shell 表示使用文本与计算机进行交互的方式。 4. 使用 Qgrid 探索 Dataframes 最后一站是 Qgrid，该工具允许开发者在不使用复杂 Pandas 代码的情况下，探索和编辑数据帧。 以上就是强化 Jupyter Notebook 功能的 4 种方法。 原文链接：https://towardsdatascience.com/4-awesome-tips-for-enhancing-jupyter-notebooks-4d8905f926c5
1.2K10发布于 2019-12-05 - 来自专栏智能算法
4 个妙招增强 Jupyter Notebook 功能
本文将介绍强化 Jupyter Notebook 功能的 4 种方法。 1. 执行 Shell 命令 在技术或编程文本中，shell 表示使用文本与计算机进行交互的方式。 4. 使用 Qgrid 探索 Dataframes 最后一站是 Qgrid，该工具允许开发者在不使用复杂 Pandas 代码的情况下，探索和编辑数据帧。 以上就是强化 Jupyter Notebook 功能的 4 种方法。 原文链接：https://towardsdatascience.com/4-awesome-tips-for-enhancing-jupyter-notebooks-4d8905f926c5
2.5K00发布于 2019-12-06 - 来自专栏Mac资源分享
Dropzone 4 mac(文件拖拽增强工具)
图片Dropzone 4 mac安装教程将左侧的Dropzone拖动到右侧的applications中即可，如图Dropzone 4 mac软件功能打开应用程序，移动和复制文件的速度比以往任何时候都要快
1.5K20编辑于 2022-08-29 - 来自专栏TAB的coding生活
S4 BP客户增强说明
(此例中为Z00001) 4.字段组(BUS2)-包含界面上字段的组-可以包含多个字段，且在BP配置中字段是否必输是按照字段组来设置的。 SAPLZBP_FG_ENHENCEMENT函数组， 函数模块： ZBP_9001_KNB1_PBO ZBP_9001_KNB1_PAI 在字段组部分填入我们之前创建得字段组 6.部分SECTION(BUS4) BP增强具体步骤见文章顶部链接哈 1.如是只增强如文档所需要的增强，则只需要创建到屏幕（SCREEN）即可（后面的屏幕顺序和屏幕顺序类别并不需要创建），只需要将客制的屏幕加入到标准的屏幕顺序即可，并不需要创建屏幕顺序 或 公司代码）是否存在，否则会重复获得空值，保存时报错-KNVV_NEW 错误 、 KNB1_NEW错误 4.同时，需要创建DLVE1事件（TCODE BUS7）对应的FM：如Z***_CLEAR_EVENT_DLVE1 2.在新界面（TCODE:BUS_HDRID）中增加一列 3.同时在SM30（V_TBZJ1C）中去激活BP的对话框顺序 4.在业务伙伴视图 BUSD中维护：屏幕顺序 和 子标题ID 05 说明
2.1K20编辑于 2022-06-27 知识图谱增强大模型应用架构
本文是知识增强大模型应用架构的简要概述，更加详细的内容，可以参考我所撰写的即将出版的《知识增强大模型导论》一书。 二、应用架构的设计原则 1. 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。 4. 业务引擎 业务引擎是知识增强大模型中面向具体行业或应用场景的一个模块，专门处理与特定业务相关的知识。 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Mac软件
Dropzone 4 for mac-文件拖拽增强工具
Dropzone 4 Mac版是一款文件拖拽操作增强工具，帮助用户方便优雅地完成跨应用、多位置的文件转移操作，当作快速启动器迅速打开文件。 Dropzone 4 现在完全支持 macOS Catalina 和黑暗模式。
1.3K10编辑于 2022-07-19 - 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. 为此，我们引入了GPT-4，让人类和模型协作提高构建效率。 2. 动作知识的注入 图中展示了从动作知识到文本的转换过程。 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。 结果显示，整合动作知识显著减少了错误动作的频率和无效路径的可能性，从而提高了特定任务的模型表现。 4.
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。 文本生成：使用LLM（如Llama-2-13b、GPT-3.5-Turbo或GPT-4）生成有意义的生物医学文本。 实体识别 区别于用小模型去做NER，KG-RAG里使用LLM识别实体。 1. This information is backed by statistical evidence from the GWAS Catalog, with p-values of 4e-10 and
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
2.3K20发布于 2019-12-23 - 来自专栏柠檬先生
zepto 基础知识(4)
61.prev prev() 类型：collection prev(selector) 类型：collection 获取对相集合中每一个元素的钱一个兄弟节点，通过选择器来进行过滤 62.prev prev() 类型：collection prev(selector) 类型：collection 获取对象集合中每一个元素的前一个兄弟节点，通过选择器用来进行过滤。 63.prop prop(name) 类型：valu
975100发布于 2018-01-19 golang基础知识(4)
goCopy codenumbers := []int{1, 2, 3, 4, 5}for index, value := range numbers { fmt.Printf("Index: % func main() {http.HandleFunc("/", handler)http.ListenAndServe(":8080", nil)}这些基础知识点涵盖了Golang中一些更深入的概念
20910编辑于 2024-02-01- 来自专栏c++与qt学习
项目知识盲区整理4
项目知识盲区整理4 常用富文本编译器集合 常用图表插件 常用字体插件 验证码 element jwt 跨域--origin请求头 非Controller层通过RequestContextHolder.getRequestAttributes
61710编辑于 2021-12-07 - 来自专栏mysql
mysql基础知识（4）
SMALLINT：2字节整数，范围-32768到32767（无符号0到65535） MEDIUMINT：3字节整数，范围-8388608到8388607（无符号0到16777215） INT或INTEGER：4字节整数 float是单精度浮点数，占用4个字节的存储空间，适用对精度要求不高，节省存储空间的场合 double是双精度浮点数，占用8个字节的存储空间，适用需要高精度计算的场合 定点 DECIMAL或NUMERIC 可变长度的二进制字符串 TINYBLOB：最大长度255的二进制字符串 BLOB：最大长度65,535的二进制字符串 MEDIUMBLOB：最大长度16,777,215的二进制字符串 LONGBLOB：最大长度4,294,967,295 4、GROUP BY GROUP BY 子句将具有相同值的行分组。这通常与聚合函数（COUNT、SUM、AVG等）一起使用，以对分组数据执行计算。该子句是根据指定的列将数据组织到群组中。 3.分析器，这里对sql语句进行解析，根据关键字识别是什么样的sql，然后判断这条sql是否有语法错误，如果有则会报错：You have an error in your SQL syntax 4.优化器
1.1K10编辑于 2025-03-06 - 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 #4：微调 我们项目的核心，微调的工作是迭代的，并一直持续到我们确保其性能。这里进行了大量研究，以确保最佳参数和微调模型和获得准确结果的最佳方法。 我们使用 Colab 和 Kaggle 免费资源来微调我们的模型，因为它们提供了一个具有大约 16 GB VRAM 的 T4 GPU，这足以加载和微调我们的模型。 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
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。 并用了BKT+ ，DKT，DKT+，DKVMN，SAKT和AKT方法做比较，实验结果如下： 可以看出在4个数据集上本文所提方法都达到最好。 上图为在4个数据集上验证集的损失，可以发现相较之前的方法本文所提方法有明显效果。 上表反映了不同超参数对Average AUC scores在验证集上的影响。 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。 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。 4、配置文件一般我们要维护哪些，可以调整哪些？ 答：一共有重要的 3 个文件。
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#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？ GraphRAG是一种将知识图谱与检索增强生成相结合的技术方案。 (iPhone14,采用,铝合金中框)//实体-属性-值(钛合金中框,散热性能,优秀)(铝合金中框,散热性能,一般)这些三元组会被存储到图数据库（如Neo4j）中，形成一张知识网络。 4.企业知识库在企业内部知识库中，GraphRAG可以帮助员工快速找到相关信息：员工问："我们公司的请假流程是什么？" 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。 缺乏因果推理：无法串联"视力模糊→眼压升高→青光眼"逻辑链 语境缺失：忽略患者用药史等上下文 2.2 方案对比矩阵 维度 向量检索 知识图谱 DeepSeek增强模式 响应速度 ＜200ms 500ms 300-800ms 推理深度 单跳检索 多跳查询 动态推理链 数据需求 无结构文本 结构化三元组 混合数据 可解释性 低 高 可视化推理路径 维护成本 低 极高 中等 三、DeepSeek进化论：四阶知识增强 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
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