- 综合排序
- 最热优先
- 最新优先
- 来自专栏blackheart的专栏
5-自动属性增强
Person 2 { 3 public string Name { get; private set; } 4 public int Age { get; private set; } 5 void [mscorlib]System.Runtime.CompilerServices.CompilerGeneratedAttribute::.ctor() = ( 01 00 00 00 ) 5 instance string csharp6.Person::get_Name() 4 .set instance void csharp6.Person::set_Name(string) 5 自动属性增强语法 1 internal class Person 2 { 3 //声明读写属性、且初始化默认值 4 public string Name { get; set; } = "blackheart"; 5 6 //声明只读属性、且初始化默认值 7 public int Age { get; } = 1; 8 9 //声明只读属性
78570发布于 2018-01-19 - 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。 VR技术：因为VR是纯虚拟场景，所以VR装备更多的是用于用户与虚拟场景的互动交互，更多的使用是位置跟踪器、数据手套（5DT之类的）、动捕系统、数据头盔等等。
2K20发布于 2019-08-12 - 来自专栏编程杂记
【YOLOv5】--图像增强部分
YOLOV5关于对图像的增强可谓是下了一番功夫，在代码部分之间就做到图像增强，可以说是功能越来越自动化，人工参与程度越来越低，下面就来详细了解一下YOLOv5所用的图像增强方法。 1. Mosaic 这里yolov5还额外提出了一个9图的mosaic操作，9张图像，拼接在一起处理，图像更大了而且label也更多，训练一张这样的拼接图像等同与训练了9张小图。 2.Copy paste数据增强 将部分目标随机的粘贴到图片中 3.Random affine 随机进行仿射变换，即缩放和平移。 4.MixUp 就是将两张图片按照一定的透明度融合在一起。 5.Albumentations， 主要是做些滤波、直方图均衡化以及改变图片质量等等，我看代码里写的只有安装了albumentations包才会启用，但在项目的requirements.txt文件中albumentations
70310编辑于 2024-01-17 译文：5个增强Node.js应用程序增强功能
前端猎手 转载自Duing（ID：duyi-duing） 原文链接：https://dev.to/chegerose/5-enhancements-that-will-boost-your-nodejs-app -3pj5 作者：Rose Chege 如有翻译不准，请多指正。 这将有助于加快您的应用程序性能并增强用户体验。 •可扩展性-服务器和客户端都可以根据数据需求进行扩展和收缩。即使需求达到顶峰，组件也可以继续向队列添加条目，而不必担心系统崩溃。 •减少服务器停机时间 •更加具有灵活性 •减少冗余 •提高效率 5.缓存 缓存是临时存储可能重复访问的数据。这种做法使用内存缓冲区来临时保存应用程序查找。 本指南帮助你了解一些可用于提升Node.js应用程序的常见策略和增强工具。
2.3K20编辑于 2022-12-20- 来自专栏奔跑的蛙牛技术博客
并发知识5
锁和条件不能解决线程中的所有问题 账户1：200; 账户2:300; 线程1：从账户1转移300到账户2 线程2: 从账户2转移400到账户1 线程一和线程二都被阻塞了 两个账户的余额都不足以转账，两个线程无法执行下去 这样的状态称为死锁
48020发布于 2018-09-05 知识图谱增强大模型应用架构
这就是典型的知识增强大模型应用，通过外部知识的增强能够扩展 大模型 的能力，让其在回答问题时提供更为精准和及时的答案，特别是对于那些涉及到最近事件、新闻或需要快速更新的信息。 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. 三、知识增强大模型应用系统架构概览 知识增强大语言模型应用架构的核心思想是将外部知识以结构化或非结构化的形式注入大模型中，从而弥补模型自身知识的不足，这类似于人类学习过程中的“查阅资料”。 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。
84210编辑于 2024-12-24- 来自专栏小工匠聊架构
Spring-AOP 增强(Advice)5种类型和创建增强类
文章目录 概述 增强类型 前置增强 实例一:通过代码实现增强 实例二 通过配置文件实现前置增强-ProxyFactory 后置增强 环绕增强 异常抛出增强 引介增强 提示 概述 Spring使用增强类定义横切逻辑 ，同时由于Spring只支持方法连接点，增强还包括在方法的哪一点加入横切代码的方位信息，所以增强既包括横切逻辑，又包括部分连接点的信息 ---- 增强类型 AOP联盟为增强定义了org.aopalliance.aop.Advice ) 表示在目标类中添加一些新的方法和属性 其中引介增强是一种特殊的增强。 引介增强的连接点是类级别的，而前面的几种则是方法级别的。 环绕增强是AOP联盟定义的接口，其他四种增强接口则是Spring定义的接口。 ---- 前置增强 在Spring当中，仅支持方法级别的增强，利用MethodBeforeAdvice实现，表示在目标方法执行前实施增强 实例一:通过代码实现增强 代码已托管到Github—> https
1.9K10发布于 2021-08-16 - 来自专栏全栈程序员必看
yolov5启用数据增强、tensorboard可视化及cutout增强
yolov5启用数据增强与tensorboard可视化 一，yolov5启用数据增强 1.data目录下，有两个hyp的文件：data/hyp.scratch.yaml和data/hyp.finetune.yaml 具体内容如下： # Hyperparameters for VOC fine-tuning # python train.py --batch 64 --cfg '' --weights yolov5m.pt img 512 --epochs 50 # See tutorials for hyperparameter evolution https://github.com/ultralytics/yolov5# Adam=1E-3) momentum: 0.94 # SGD momentum/Adam beta1 weight_decay: 0.0005 # optimizer weight decay 5e 效果如图： 三、增强启用cutout cutout需要手动启用； 启用方法： 1.datasets.py文件中，将Apply cutouts这一段代码的注释取消； Apply
2.4K10编辑于 2022-11-08 - 来自专栏爬虫逆向案例
js逆向-猿人学(5)乱码混淆增强
猿人学爬虫题目第五题: 《Js乱码-混淆增强》，该案例也非常简单。 任务5：抓取全部5页直播间热度，计算前5名直播间热度的加和。 ---- 抓包分析下请求流程。 接口： http://match.yuanrenxue.com/api/match/5?
4.2K30发布于 2021-11-22 - 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。 这一过程不仅增强了智能体的规划能力，也提升了其在复杂情境中的应用潜力。在HotpotQA和ALFWorld数据集的实验中，KnowAgent具有不错的性能表现。 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. 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。 与以往研究相符，论证了迭代自学习能有效增强模型对训练数据的理解。这也反映了“温故而知新”的学习原则。
30710编辑于 2025-03-31 - 来自专栏AI科技时讯
XGB5:DART Booster树增强器
以下是新的树增强器 dart 的说明。 原始论文 Rashmi Korlakai Vinayak, Ran Gilad-Bachrach。 format=libsvm') # specify parameters via map param = {'booster': 'dart', 'max_depth': 5, 'learning_rate
37400编辑于 2024-05-27 - 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。 语义搜索匹配：将LLM提取的疾病实体与向量数据库中的疾病实体进行比较，选择最相似的 当然，如果零样本方法未能识别出疾病实体，采取的办法是直接拿原始query去匹配，取top 5。
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AIGC 先锋科技
利用增强现实与改进 YOLOv5 检测 ！
在本文中，提出了一种基于CycleGAN和改进的YOLOv5算法的增强型路面损坏检测方法。 作者选取了7644张自行收集的路面损坏样本图像作为初始数据集，并利用CycleGAN对其进行增强。 为了解决这些限制，本研究提出了一种结合 CycleGAN 和YOLOv5算法的增强型路面损伤检测方法。 II Method Overall algorithmic framework process 本研究中使用的算法如图2所示：首先对输入图像进行数据增强，然后将数据增强后的图像数据输入到所提出的YOLOv5 为了验证本文提出的数据增强算法的有效性，本研究使用YOLOv5算法对数据增强前后的数据集进行了测试比较（实验平台和参数设置在第四节中给出）。结果如表1所示。 III Improved YOLOv5 network structure 在完成数据增强部分之后，作者分析了YOLOv5的网络结构，发现其使用的空间金字塔池化快速（SPPF）[70]模块作为空间池化操作影响了图像分辨率
78211编辑于 2024-07-08 - 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。 关于项目 JenAI 是一款开创性的聊天机器人，经过专门训练可以回答用户关于 Jenkins 技术的查询，从而增强软件的可访问性和可用性。 我们的目标是为用户提供更快、更可靠的帮助。 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。 微调的详细信息、方法和参数在我们的 最终文档 中提供： 阶段 #5：将模型转换为 GGML 格式和量化 为了实现我们的目标，我们需要用户能够仅使用 CPU 在其本地机器上运行模型，而不是托管它。 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。 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。 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。 ，传说中做知识库属它最牛逼，但是使用体验下来真的就是资源占用太大了，对准确率高的资源不在乎的可以尝试配置学习试试，这个也通过和 dify 结合进行使用，网上有相关教程可以参考，将 ragflow 直接外挂给
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？ 当你想要了解"苹果公司的发展历程"时，你可能在第5页找到了乔布斯创立苹果的信息，在第20页看到了iPhone的发布，在第35页读到了库克接任CEO……但你很难快速把这些信息串联起来，形成一个完整的知识脉络 GraphRAG是一种将知识图谱与检索增强生成相结合的技术方案。 代码解释检索路径：1.找到【请假流程】节点2.沿着【适用人群】边找到【全职员工】、【实习生】3.沿着【审批流程】边找到【部门经理审批】→【人事部备案】4.沿着【相关规定】边找到【年假政策】、【病假政策】5. 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