- 综合排序
- 最热优先
- 最新优先
- 来自专栏加菲猫的VFP
〔连载〕VFP9增强报表－运行时能力的增强
译者:Fbilo VFP 开发组在对运行时增强工作的时候有几个目标，其中包括： 处理更多的报表输出类型，而不仅仅是打印和预览； 为报表输出使用 GDI+。 这提供了一些显著的增强，比如精确得多的报表绘制、图像和字体的平滑缩放、以及象文本旋转那样的额外能力。 现在让我们来看一下运行时增强的某些特点。 新的预览窗口 匆匆一看，在图25中显示的 VFP 9 预览窗口看上去好像跟过去版本中的它并没多少不同。不过，请仔细看一下这里面的工具栏。 VFP 9 支持的输出中还没包括 PDF。 其它打印增强 在 VFP 9 中有着大量的其它通用打印增强。 显示页设置对话框的 SYS(1037) 有了一些新的功能。
1.3K10编辑于 2022-04-07 - 来自专栏写字母的代码哥
java9-Collection集合类的增强
我计划在后续的一段时间内，写一系列关于java 9的文章，虽然java 9 不像Java 8或者Java 11那样的核心java版本，但是还是有很多的特性值得关注。 期待您能关注我，我将把java 9 写成一系列的文章，大概十篇左右，本文是第5篇。 java9系列文章访问地址 本文带大家快速的了解一下在Java 9 种集合类Colleaction子类都发生了哪些比较有用的变化与增强。 一、提供Of()方法创建集合 1.1.构建Set集合对象 Java 9 提供了一系列的工厂方法of()来更加简便的构建Set集合对象。 版本中也进行了增强。
57020发布于 2020-10-29 - 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 - 来自专栏清菡软件测试
高级性能测试系列《9.脚本增强》下篇
用户定义的变量的这个值的后四位直接用${__Random(1000,9999,)}替换掉就可以了
38110编辑于 2022-06-21 - 来自专栏清菡软件测试
高级性能测试系列《9.脚本增强》上篇
高级性能测试系列《8.脚本写法》 目录 一、没有接口文档怎么办 二、写脚本方法扩展 三、脚本功能增强 1.定义用户变量 2.用户参数 3.用户定义变量（全局变量）和用户参数（局部变量）的区别 一、没有接口文档怎么办 三、脚本功能增强 关联： 前面接口的响应信息，有动态值作为后续接口的传入参数。 我想把手机号码发生变化： 变量： 1.用户定义变量；2.用户参数。 1.用户定义变量: 1.配置元件；2.测试计划。
56840编辑于 2022-06-21 - 来自专栏加菲猫的VFP
〔连载〕VFP9增强报表－多细节带区
幸运的是，VFP 9 通过一个新的功能很好的解决了这个问题：多细节带区。 记录处理 在探讨多细节带区之前，让我们先讨论一下在一个报表中，VFP 是如何在记录们中间移动的。 在 VFP 9 中，现在可以有多个细节范围了（超过20个）。一个特定的细节范围中的记录可以是来自子表中的相关记录，也可以是驱动游标中的记录，而这就意味着它可以被处理多次。 报表属性对话框的 Variables （变量）页现在使用 “reset based on（基于…重置）”而不是“reset at（在何时重置）”作为一个变量作用范围的提示，来增强这个功能。 在 VFP 9 中，这只是简单的意味着要有一个细节带区来进行计算、而用另一个细节带区来显示结果。在这个示例 EmployeesMD2.FRX 中，这两个细节带区都使用 Orders 表作为目标别名。
2.3K10编辑于 2022-04-07 - 来自专栏决策智能与机器学习
算法集锦（9）|自动驾驶|道路图像增强算法
因此，在训练自动驾驶算法时，需要一些特殊的图像增强处理。 为了更有效的训练汽车的CNN网络，本文提供了一个可模拟各种气候及环境的图像增强算法-Automold。该算法基于python的Numpy和OpenCV库开发，可以将图像转换至各种气候环境及季节。 比如，模拟雨天、晴天、大雾及雪天等，可以使系统在采集路况图像的时候，完成其在各种气候环境下的训练，大大增强了训练的样本数量及丰富程度。 Exception(err_snow_coeff) 6 else: 7 snow_coeff=random.uniform(0,1) 8 snow_coeff*=255/2 9 添加季节 Automold库提供了一种便捷的方式，可以对图像随机添加增强效果，而不需要繁琐的去指定增强类型，使得该算法可以很好的嵌入到自动驾驶的CNN网络训练中。
1.6K30发布于 2020-08-04 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- 来自专栏萌海无涯
Django学习回顾前面学习知识（9）
今天来回顾下前面学习的内容，温故而知新！ 1.首先是创建项目： # 在指定目录创建项目： # django-admin startproject 项目名 django-admin startproject myblog 2.Django 自动生成目录后，我们创建应用： # cd 到 mybolg # python manage.py startapp 应用名字 python manage.py startapp blog 3.把应用路由添加主路由： 在项目容器目录找到 urls.py 添加导入路由 fr
47020发布于 2019-09-05 - 来自专栏加菲猫的VFP
〔连载〕VFP9增强报表系统AND社群的各种姿势
好啦，继续来VFP9的增强报表系统开发 保护 如果你允许用户在你的应用程序运行过程中从报表设计器里修改报表，你也许会希望有一种途径能够保护其中一部分对象。 VFP 9 给 MODIFY/CREATE REPORT/LABLE 命令增加了一个新的关键字：PROTECTED。当使用了这个关键字的时候，你可以阻止特定的操作。 例如，比较一下图8和图9中的两个报表设计工作期。图8是使用不带 PROTECTED 关键字的 MODIFY REPORT 打开的。 图8、当没有使用 PROTECTED 关键字的时候，用于输出页码的表达式显示为一个表达式 图9使用了 PROTECTED 关键字。 在 VFP 9 中，你可以指定这些值应该如何显示。
91510编辑于 2022-04-07 - 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。 上下文提取：从SPOKE知识图谱中提取与疾病节点相关的上下文信息，并将其转换为自然语言。 提示组装：将提取的上下文与原始prompt结合。
2.4K10编辑于 2024-04-12 - 来自专栏wfaceboss
Python 小知识点（9）--反射
1.hasattr(obj,name_str) , 判断一个对象obj里是否有对应的name_str字符串的方法
39830发布于 2019-04-08 - 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 - 来自专栏加菲猫的VFP
VFP9的增强报表系统，驯服它从这里开始
VFP 9 的重点之一，是增强报表系统。新的和增强的功能的列表相当庞大：多细节带区、在报表设计器中对对象的保护、设计时事件、为对象绝对定位的能力、更多的缩放级别、更好的菜单、以及大量其它内容。 这一章详细的探索了这些增强，演示了某些你在过去版本的 VFP 中无法实现的报表，并为后面的两章“扩展报表系统”做铺垫。 VFP 9 中最大的改动之一，是对报表系统的令人难以致信的增强。 它包括增强了的报表设计器以及其它设计时增强、包括输出到 HTML 和 XML 的增强了的运行时能力、以及象对多细节带区的支持之类的新引擎功能。在这一章中，我们将对这些领域逐个进行探讨。 增强用户界面 你在 VFP 9 报表设计器中，你会首先注意到的事情之一，是极大得被增强了的对话框。 图2、在 VFP 9 中的属性对话框使用一个分页的界面来使得一个对象的所有属性都在一个对话框中 其它一些用户界面的增强是： 报表的 Report 菜单和快捷菜单被重新组织过了，并有了一些额外的项目（包括
1.2K10编辑于 2022-04-07 - 来自专栏写字母的代码哥
Java9系列第6篇-Stream流API的增强
我计划在后续的一段时间内，写一系列关于java 9的文章，虽然java 9 不像Java 8或者Java 11那样的核心java版本，但是还是有很多的特性值得关注。 期待您能关注我，我将把java 9 写成一系列的文章，大概十篇左右，本文是第6篇。 java9系列文章访问地址 本文带大家快速的了解一下在Java 9 种集合类Colleaction子类都发生了哪些比较有用的变化与增强。 在Java 9中对Java Util Stream的语法进行了优化和增强，下面我就和大家一起看一下有哪些比较有价值的使用方法。 1. .forEach(System.out::println); // 9,10,11 IntStream.iterate(0, i -> i < 10, i -> i + 1) .
72130发布于 2020-10-29 - 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。 里程碑 该项目包括我们已经经历的几个阶段： 阶段 #1：数据收集 使用不同的来源来收集 Jenkins 知识，例如 jenkins 文档和博客、discource 社区问题 以及许多外部来源，例如 stack 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”
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。 因为这里的知识技能不像图像是连续的，直接对其进行对抗攻击无法生成对抗样本，因此这里采用了对特征表示加扰动来构造对抗样本。） 是知识技能的特征表示，是回答的特征表示，和是特征维度。 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 - 来自专栏冰河技术
《MySQL核心知识》第9章：函数
大家好，我是冰河~~ 今天是《MySQL核心知识》专栏的第9章，今天为大家系统的讲讲MySQL中的函数，希望通过本章节的学习，小伙伴们能够举一反三，彻底掌握MySQL中的函数知识。 ”并不删除，结果为 xboxyokx 8、重复生成字符串的函数REPEAT(S,N) 这个函数跟SQLSERVER里的**REPLICATE()**函数是一样的，参数个数都是一样的，这里不作介绍了 9、 的字符排列方式 SELECT COLLATION(_latin2 'abc'),COLLATION(CONVERT('abc' USING utf8)) 可以看到，使用不同字符集时字符串的排列方式不同 9、 DECIMAL、SIGNED、UNSIGNED 在SQLSERVER里也是使用这两个函数进行数据类型转换的~ SELECT CAST(100 AS CHAR(2)),CONVERT('2013-8-9 12:12:12',TIME) 可以看到， CAST(100 AS CHAR(2))将整数数据100转换为带有2个显示宽度的字符串类型，结果为10 CONVERT('2013-8-9 12:12:12
1.6K10编辑于 2022-09-23
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