- 综合排序
- 最热优先
- 最新优先
- 来自专栏悟道
5-3记忆型递归
18 12:06 下午 * @Version 1.0 */ public class Main { static int n; static int m; //记忆化递归 +1][m+1]; rec = new int[n + 1][m + 1]; System.out.println(dp(1,1));; } //记忆化递归一定要有返回值
28610发布于 2021-04-19 - 来自专栏探物及理
RL实践3——为Agent添加Policy、记忆功能
对于一般问题，Agent包括如下功能 对环境的引用 自身变量：Q值，状态值的记忆 策略方法 动作执行方法 学习方法：改进策略，这部分是关键 class Agent(): def __init__ 同时没有记忆功能的Agent只能进行单一episode的学习，无法对其他的episode学习，无法进行batch学习，上限较低，对于复杂问题，为了增强学习的鲁棒性，往往需要输入数据的规模扩充，也就是对Agent 有了记忆能力的要求。 实现方式 抽象基类Agent 为了让代码具有较高的复用性和可读性，提现python的集成和多态特性，将Agent抽象为一个基类，在子类中实现记忆功能。 a:{1:<3} r:{2:<4} is_end:{3:<5} s1:{4:<3}".\ format(self.data[0], self.data
1K20发布于 2020-09-10 - 来自专栏叶子陪你玩编程
python连连看与记忆翻牌游戏（3）
上篇python连连看与记忆翻牌游戏（2）完成了界面，今天完成最后一篇算法与游戏结合，比较简单，这里简单讲讲。 最终效果： 之前的连接算法中，我们是通过一个矩阵来测试的。 ' '猫_1.png' '猫_1.png' '猫_4.png' '猫_6.png'] ['猫_5.png' '猫_1.png' '猫_5.png' '猫_7.png' '猫_2.png' '猫_3. png' '猫_5.png' '猫_6.png'] ['猫_7.png' '猫_6.png' '猫_3.png' '猫_4.png' '猫_2.png' '猫_1.png' '猫_5.png' '猫_8.png'] ['猫_2.png' '猫_8.png' '猫_2.png' '猫_3.png' '猫_3.png' '猫_8.png' '猫_7.png' '猫_8.png']] 接着将原来的算法作为一个模块
1.1K20编辑于 2022-05-22 - 来自专栏全栈程序员必看
记忆化递归（记忆化搜索）
我看了答案还是有些不能完全理解，于是又去b站翻了翻教程基础DP，其中提到记忆化的递归（也称记忆化搜索），相当于结合了dp和递归的优点（这时我又觉得比DP还厉害），然后就准备写写记忆化递归。 ---- 目录 1.记忆化递归的解释与分析 2.记忆化递归的应用 ---- 一、记忆化递归的解释与分析 前面说道它结合了dp和递归的优点，分别是记忆化和逻辑清晰易懂。 2)f[n]=1; //这里f[]是储存数据的数组 else if(f[n]==0) //这里是重点 f[n]=F(n-1)+F(n-2); return f[n]; } 代码解释： 第3行中 打个比方，dp就相当于计算了一个方阵上所有的点（无论有没有利用价值），而记忆化递归相当于计算了方阵上有价值的点，因此记忆化递归的运行时间可能比dp还要短。 （注意只是可能，因为斐波那契数列无论是dp还是记忆化递归，都是要把前面的值全部算出来的） ---- 二、记忆化递归的应用 感觉没啥写的,就拿分配宝藏来写shui一写shui吧。题目在这里。
68460编辑于 2022-09-17 - 来自专栏陶士涵的菜地
css3 中的新特性加强记忆
css3被拆分成如下的小模块，选择器，盒模型，背景和边框，文字特效，2D/3D转换，动画，多列布局和用户界面 2D转换 使用transform:属性来为元素设置2D转换，兼容浏览器加前缀 –webkit scale(2,2); 使用skew()方法，拉伸元素，参数：x轴角度，y轴角度 例如：transform:skew(20deg,20deg); 使用matrix()方法，多变换结合，参数：矩阵，我看不懂 3D
60540发布于 2019-09-10 - 来自专栏扶墙集
记忆技巧
今天扫了收藏夹里一个TED视频，所以也借此总结一下上半辈子学到的点滴技巧吧~ 关于记忆技巧， 我印象最深的是小时候电视里有个老师在讲如何记忆英语单词，比如同样的词根，只要变换一个字母就可以记住一大批单词这样的技巧 第二个印象，是一个女的演讲者提到的记忆技巧， 她的记忆技巧可以归纳为一个词： “标新立异”， 也就是给每一个你要记忆的事物都打上一个不同寻常的标签，突出强烈的反差感， 比如在脑海里描绘一幅“隔壁老王蹲在一个十米的茅坑里 第三个印象是一个TED演讲者， 他的方法是是图像记忆法， 给每一个词语或者生硬的字面都配合上一幅图， 这种记忆法其实很好的阐述了那句英语谚语："one picture is better than a 第四个印象是某人发明了个记忆宫殿（Memory Palace）这样的记忆技巧或者说术语，总结下来就是上下文关联（Context），将你要记忆的信息放到一个上下文中，这个上下文是任何你熟悉的场景，比如你的房子 关联性，将要记忆的信息通过某种故事线或者物理场景（上下文Context） 串联起来，可以帮助我们批量记忆一组信息，配合强烈反差的故事线更好。
69610发布于 2020-01-13 - 来自专栏程序员
智能体（Agent）的记忆架构：深入解析短期记忆与长期记忆
在人工智能领域，尤其是基于大语言模型（LLM）的智能体（Agent）系统中，记忆机制是实现持续、连贯和个性化交互的核心基石。记忆系统模拟了人类的认知结构，通常划分为短期记忆和长期记忆。 第一章：短期记忆——智能体的工作记忆与意识流1.1定义与本质短期记忆是智能体用于处理当前任务或单次会话的临时信息存储区。 检索当新的会话开始时，Agent不会加载整个长期记忆库（那样会瞬间爆满短期记忆）。相反，它会根据当前的用户查询和短期记忆的上下文，去长期记忆库中寻找最相关的信息。 记忆冲突与更新：当新信息与旧记忆矛盾时，如何更新或版本化管理记忆（例如，用户之前喜欢咖啡，现在改喝茶了）。 检索长期记忆：系统将当前查询与短期记忆的上下文结合，作为“检索键”，在长期记忆库中进行向量相似性搜索，找出相关记忆。
2K11编辑于 2025-09-25 - 来自专栏AI人工智能
智能体的记忆系统：短期记忆、长期记忆与知识图谱
import sqlite3import jsonfrom typing import List, Dictclass LongTermMemory: """长期记忆实现类""" def self.init_database() def init_database(self): """初始化数据库表结构""" conn = sqlite3. ) if row[3] else None, 'created_at': row[4], 'importance_score': row[5] 用户遇到数据库连接问题时，通常是配置文件路径错误", metadata={"success_rate": 0.85, "confidence": 0.9}, importance=0.8)3. )# 执行搜索query = "智能体记忆系统"results = bm25.rank(query, k=3)for i, result in enumerate(results): print(
1.6K00编辑于 2025-07-14 - 来自专栏UDM Lab
3D打印的儿时记忆 - 机械臂音画糖人
话不多说直接上视频 此次机械臂音画糖人的项目是在同济大学D&I学院-机械臂实验室完成的一次团队实践，希望通过结合机械臂3D打印的技术，融入互动模式来致敬中国的传统老手工艺糖画，基于此来探索设计、艺术和技术结合的应用场景的实验性尝试
1.3K30发布于 2020-11-05 - 来自专栏运维开发王义杰
刻意训练与记忆强化：竞技记忆与应用记忆的探索之旅
特别是在竞技记忆和应用记忆领域，我们看到了记忆力如何被推向极限，以及如何在日常生活中得到实际应用。本文旨在深入探讨这两个领域，分析其原理，探索它们的实际应用，并讨论如何通过刻意训练提高我们的记忆力。 一、竞技记忆：大脑的极限挑战 竞技记忆，顾名思义，是一种将记忆力竞赛化的活动。参与者需要在短时间内记忆尽可能多的信息，如一副洗乱的扑克牌、长串数字或复杂的图形等。 这不仅是一场对记忆力的挑战，更是对心智控制、专注力和心理素质的全面考验。 竞技记忆的技巧： 联想记忆：通过将抽象信息与熟悉事物关联，形成更容易记忆的图像。 二、应用记忆：日常生活的智慧 与竞技记忆相比，应用记忆更贴近日常生活，它关注如何将记忆技巧应用于学习、工作和生活中。 竞技记忆强调技巧和速度，而应用记忆强调实用性和长期记忆。两者之间的技巧和策略有交集，也有各自的特点。
43310编辑于 2024-01-04 - 来自专栏AI SPPECH
35：Multimodal Memory系统设计：短期记忆、长期记忆、结构化+Graph记忆架构
通过这种多模态记忆架构，显著提升AI系统的知识管理和推理能力。 目录 1. 本节为你提供的核心技术价值 2. 传统记忆系统的局限性 3. Multimodal Memory系统的核心优势 4. ：无法基于记忆进行复杂的推理和决策 更新困难：记忆更新机制不完善，难以适应新信息 多模态融合差：不同模态信息之间的融合效果不佳 3. -3-large") self.vectorstore = Chroma( persist_directory=persist_directory, print(f"医生: {query}") print(f"系统: {reply}") 效果： 医疗信息检索准确率达到92% 能够处理医疗图像和文本的融合 能够基于医疗知识进行推理 响应时间从传统系统的3秒降至 未来发展趋势 端到端优化：将记忆系统与LLM整合为端到端模型 自适应记忆：根据使用情况自动调整记忆结构和容量 多模态增强：支持更多模态，如音频、3D模型等 知识图谱集成：深度集成知识图谱，增强推理能力
17310编辑于 2026-04-05 - 来自专栏机器学习入门与实战
⻓短期记忆LSTM
输⼊⻔、遗忘⻔和输出⻔ 3. 候选记忆细胞 4. 记忆细胞 5. 隐藏状态 6. LSTM与GRU的区别 7. LSTM可以使用别的激活函数吗？ 8. 代码实现 9. 参考文献 1. 这篇将介绍另⼀种常⽤的⻔控循环神经⽹络：**⻓短期记忆（long short-term memory，LSTM）[1]。 可以先理解GRU的过程，在来理解LSTM会容易许多，链接地址： 门控循环单元(GRU) LSTM 中引⼊了3个⻔，即输⼊⻔（input gate）、遗忘⻔（forget gate）和输出⻔（output gate），以及与隐藏状态形状相同的记忆细胞（某些⽂献把记忆细胞当成⼀种特殊的隐藏状态），从而记录额外的信息。 如此⼀来，这3个⻔元素的值域均为[0, 1]。如下图所示： ? ? ? ? ? ? 6.
2K10发布于 2019-11-20 - 来自专栏数智转型架构师
通俗讲解大模型短期记忆 vs 长期记忆
有些同学问：智能体的 Memory 中 短期记忆（Short-term memory）与长期记忆（Long-term memory）是什么意思？有什么区别？ 其中记忆包括短期记忆和长期记忆。 短期记忆是智能体在单一会话中维护即时上下文的能力。 工作机制： 它完全依赖于大模型（LLM）的上下文窗口。 拿 Cherry Studio 为例，长期记忆是通过“全局记忆”实现的。 你可以手动添加记忆，也可以在智能体里开启记忆。它就会把自己需要记忆的信息做判断，然后自动存储。 我们可以在整体设置这里打开全局记忆。 我们在和他们聊天的时候，它会先检索相关的记忆，然后再回答我们的问题。 如果它认为有些信息需要记住，也会自动保存到记忆中。 听着很完美，实际上还是会存在很多问题。 有时候记忆是 AI 自动决策的，没有和用户确认，那么这些记忆可能是错误的。 有了记忆之后，有些模型不够聪明，它有时会强行和相关记忆上靠，导致回答并不是我们想要的信息。
73010编辑于 2026-03-04 - 来自专栏AI大模型
Spring AI 实战：聊天记忆之DB存储，长期记忆
中配置 MySQL 连接信息和 JDBC 记忆参数； step 3：初始化记忆组件：绑定JdbcChatMemoryRepository 与 ChatMemory，配置双记忆类型； step 4：开发业务服务 > <project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w<em>3</em>.org/2001/XMLSchema-instance spring-boot-maven-plugin</artifactId> </plugin> </plugins> </build> </project> <em>3</em>. 无需用户重复说明已存储的偏好，新需求可覆盖旧<em>记忆</em>； <em>3</em>. , "memoryType": "message", "userId": "1001" } } 测试 3：多记忆类型切换（prompt 模式） 访问接口（使用 prompt 记忆类型
22010编辑于 2026-03-31 - 来自专栏计算机工具
长期记忆、短期记忆、遗忘机制及门控机制；
长期记忆、短期记忆、遗忘机制及门控机制智能问答系统实现长期记忆、短期记忆、遗忘机制以及门控机制的方法如下： 长期记忆的实现- **使用数据库存储**：将大量的知识、信息和历史交互数据存储在数据库中。 这样系统可以通过遍历知识图谱来获取更全面和深入的知识，实现长期记忆。短期记忆的实现：滑动窗口- **使用缓存技术**：在系统内存中设置缓存，用于临时存储近期使用过的信息。 它可以根据不同的条件和策略，决定哪些信息可以进入系统的不同记忆模块，哪些信息可以被保留或遗忘。 遗忘门决定了从过去的记忆中丢弃多少信息；输入门控制新的信息有多少可以进入记忆单元；输出门决定了当前的记忆状态有多少可以作为输出。 - **示例**：假设用户询问“人工智能的发展历程”，系统通过输入门将相关的历史数据输入到记忆单元中，同时遗忘门会根据之前的记忆和当前的输入决定丢弃一些不相关的旧信息。
64321编辑于 2025-01-18 - 来自专栏远在上海
非典那年记忆
这时可以启用【web】登录网站并修改密码 3、添加实体类，业务实体 【Domain】中添加Book, 继承自审计聚合根 auditedAggregateRoot类。
1.2K20发布于 2020-02-12 - 来自专栏TechBlog
离散无记忆与有记忆信源的序列熵
文章目录 离散无记忆信源的序列熵 信源的序列熵 离散有记忆信源的序列熵 平稳有记忆N次扩展源的熵 离散无记忆信源的序列熵 马尔可夫信源的特点：无后效性。 , x_{i_{2}}, \cdots, x_{i_{L}}\right) =p\left(x_{i_{1}}\right) p\left(x_{i_{2}}\right) p\left(x_{i_{3} b i t / \text { 序列 } 平均每个符号 (消息) 熵为 \begin{array}{c} H(X)=-\sum_{i=1}^{3} p\left(x_{i}\right) \log p\ } \end{array} 离散有记忆信源的序列熵 对于有记忆信源,就不像无记忆信源那样简单, 它必须引入条件熵的概念, 而且只能在某些特殊情况下才能得到一些有价值的结论。 通信原理（第3版）[M]. 北京：北京邮电大学出版社, 2008. 樊昌信, 曹丽娜. 通信原理（第7版） [M]. 北京：国防工业出版社, 2012.
1.2K20编辑于 2023-02-26 - 来自专栏look Java
UML图记忆技巧
什么是UML类图 Class Diagram:用于表示类、接口、实例等之间相互的静态关系 虽然名字叫类图，但类图中并不只有类 记忆技巧 UML箭头方向： 从子类指向父类 我相信 很多同学都会有和我一样的想法 ，认为子类是以父类为基础的，箭头应该父类指向子类 那么我们改如何去记忆呢？ 线的含义 实线 -->继承 虚线-->实现 可以看到 大雁是一个类 实现的某个接口 是由它指向接口 因为接口不知道有大雁的定义 鸭是的父类 唐老鸭只是其中的一个子类 所以是由它指向父类鸭 如何记忆呢
41510编辑于 2023-12-07 - 来自专栏CSDN技术头条
大脑记忆的建模
瑞士洛桑联邦理工学院的科学家们研究了大脑是如何通过突触形成记忆的。突触具有很高的可塑性，因此神经元可以改变信息传递速度和密度，从而改变记忆。 由沃尔夫兰姆·格斯特纳(Wolfram Gerstner)带领的一支研究团队针对所谓的“记忆集合”的形成过程进行了研究。这指的是一组由神经元组成的网络，之间由突触相互连接，可以存储一部分特定的记忆。 当人试图唤起某段回忆时，这些特定的记忆碎片就会组合在一起，形成完整的记忆。该研究团队的模拟过程显示，记忆形成和唤起的过程“就像交响乐队一样协调”。 根据其得出的结果，科学家们得到了一组复杂的算法，并称这是目前为止能够最精确地描述记忆形成过程的表示方法。 这一算法通过改良，可以用于研发新的科技，在大脑中激发新的记忆，或是完全抹去以前的记忆。 这说明科学家已经在它们脑中创造了新的记忆。
1.4K80发布于 2018-02-09 - 来自专栏DeepHub IMBA
理解 Agent 记忆：从无状态模型到持久化记忆架构
Agent 记忆遵循相同的逻辑。 Agent 记忆的四种类型 Agent 记忆并非单一概念，它是一个四层体系，各层服务于不同目的。 四种记忆类型映射到技术栈的不同组件上。工作记忆对应上下文窗口；情景记忆和语义记忆对应外部数据库（向量存储、关系型数据库、键值存储）；程序记忆对应模型权重和系统提示词。 记忆系统需要衰减机制。旧的、低相关性的记忆应当逐渐淡出；相互矛盾的记忆（先说偏好 Python，后来又切换到 Go）需要被清理，否则知识库会随时间推移变得陈旧且自相矛盾。 Mem0 大概是目前应用最广的记忆层方案。它介于 agent 和数据库之间，自动处理写入、检索、遗忘逻辑——接入技术栈后即可管理情景记忆和语义记忆。 API 设计简洁：保存记忆、搜索记忆，剩下的交给它。
50410编辑于 2026-03-31
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