- 综合排序
- 最热优先
- 最新优先
- 来自专栏DrugOne
大语言模型是语境中的分子学习者
但是，之前的方法要么是需要进行大量的领域预训练，要么是在分子与描述的对齐上存在过于粗糙的问题[2]，要么是对大语言模型的能力和参数规模有着严苛的要求[1]。 因此，在这篇文章中，我们提出了上下文分子微调（ICMA），其流程如图2所示，总共三个阶段：混合模态上下文召回，召回后重排，和上下文分子微调。 图2: 上下文分子微调（ICMA）框架 混合模态上下文召回 召回的质量对上下文例子的信息量至关重要，如果我们召回到的分子足够相似，那么他们在描述中的重叠就很可能会更多，这样模型就可以更好地学习到分子SMILES 表2、3列出了ChEBI-20数据集上，上下文分子微调和直接微调、基线模型的效果比较。 IEEE Transactions on Knowledge and Data Engineering. [2] Liu, Z., Li, S., Luo, Y., Fei, H., Cao, Y.,
33510编辑于 2024-06-04 - 来自专栏FunTester
Groovy语境下的Map
如果我们想批量删除符合规则的元素，Groovy完成胜任这项工作： map.removeAll {it.value % 2 == 0} Groovy还提供一个API来保留符合规则的元素： map.retainAll {it.value % 2 == 1} 遍历 对于Groovy遍历来讲，使用each准没错的，语法如下： map.each { output("key:$it.key 使用Groovy就是为了简洁提效，不需要为了学习而学习花式炫技的语法，一旦时过境迁，自己会对自己的代码感觉陌生。
96610编辑于 2022-12-09 - 来自专栏深度学习自然语言处理
【ACL2020】基于语境的文本分类弱监督学习
高成本的人工标签使得弱监督学习备受关注。seed-driven 是弱监督学习中的一种常见模型。 使用上面算法，我们就可以将原始语料库转变为基于语境下的语料库： ? 第三步：使用基于语境下的语料库进行文档分类 本篇论文使用Hierarchical Attention Networks (HAN) 进行文本分类。 ?
1.1K20发布于 2021-01-14 - 来自专栏机器学习之旅
中文语境下的手机号识别
理论情况下文本中的手机号码出现方式应该如下： 9*6箱车转让，连线路一起打包，带线路转让，固定货源联系13802131234,手机号，非诚勿扰2+1合同 对于这种情况，只要需要进行一下正则就行了： text = '9*6箱车转让，连线路一起打包，带线路转让，固定货源联系13802131234,手机号，非诚勿扰2+1合同' mobilephone_pattern = "1\d{10}" phoneNumbers 1合同 9*6箱车转让，连线路一起打包，带线路转让，固定货源联系138-洞2##幺3幺234,手机号，非诚勿扰2+1合同 甚至还会有： 9*6箱车转让，连线路一起打包，带线路转让，固定货源联系1衫8-洞 2##幺散幺2删4,手机号，非诚勿扰2+1合同 这样的情况下，继续通过规则就难以实现了： In [38]: re.findall(mobilephone_pattern, text, flags=0) #幺散幺2删4,手机号，非诚勿扰2+1合同' In [38]: re.findall(mobilephone_pattern, text, flags=0) Out[38]: [] In [39]:
1.2K30发布于 2019-05-14 - 来自专栏AI智能体从入门到实践
构建AI智能体：大模型三大适应技术详解：有监督微调、提示学习与语境学习
语境学习： 更强调即时适配、无需训练，它不需要提前准备标注数据或调整模型，只需在输入时给出少量示例或清晰的任务描述，模型就能在当前语境中快速理解任务逻辑，完成新需求。 提供学习材料：我们给他一堆实际业务中的标准问答，特定的标注数据，比如“病人说头痛发烧，应该考虑感冒”。2. 实习与纠错：他一开始会答错。 这个图表直观地展示了语境学习的核心思想：通过增加上下文中的示例数量，可以显著提升模型在特定任务上的表现，而无需更新模型参数。2. 详细示例假设我们有一个实体识别任务。 2. 实际项目，循序渐进原型与验证阶段（提示/语境学习）：当有一个新想法时，首先使用提示学习和语境学习来快速验证想法的可行性。这就像做一个概念验证，几乎零成本。目的：快速回答“大模型能不能做这个任务？”
35832编辑于 2026-01-19 - 来自专栏【腾讯云开发者】
React语境下前端DDD的长年探索经验
图2 业务系统、通用应用和工具类应用开发时解决问题的思路对比 这种解决问题的思路差异决定了我们在开发工作中方法论的差异。 前端语境下DDD的价值主张 1）前端需要DDD吗？ 这个问题可以细化为，前端需要与业务方领域专家进行沟通吗？在设计系统或功能时，需要基于沟通结构的领域模型展开完成模块的搭建吗？我们需要在前端建模吗？ 前后端要解决的问题大不相同： 表2 前后端要解决的问题对比 这也就意味着，在前端语境下，我们关注的内容范畴比后端还要大。 2）建模方法 DDD给我们提供了一些具体的建模方案，例如ENTITY、VALUE OBJECT、SERVICE、AGGREGATE、REPOSITORY、FACTORY等等。 在前端语境下，由于前端关注的内容的异质性，我们不可能直接照搬后端的DDD实践，不得不探索前端DDD的特殊途径。基于DDD的设计，我们的架构剖离出不同的分层，在领域层和控制层完完全全描述了业务需求。
1K40编辑于 2023-01-18 - 来自专栏机器之心
观点 | 人工智能的三个阶段：我们正从统计学习走向语境顺应
手工知识（Handcrafted Knowledge）阶段 2. 统计学习（Statistical Learning）阶段 3. 自然语言处理 2. 图像识别 3. 强化学习 4. 问答机 5. 对抗式训练 6. 第三阶段：语境顺应（contextual adaption） 接下来呢？Lauchbury 说，当前统计学习时代出现了两个问题，第三个阶段要解决两个问题。 生成模型：这些模型可以从潜在语境中进行学习，比如一个模型，掌握了每个字母的笔画，而不是基于大量糟糕的书写样本进行粗暴分类。我们今天使用的生成模型有望显著减少对训练数据的需求。 鉴于这些特点，处在这一阶段的人工智能系统就能使用语境模型（contextual models）进行感知、学习、推理以及抽象，将从一个系统中学习到的东西应用到一个完全不同的语境中。
1.4K90发布于 2018-05-07 - 来自专栏时空探索之旅
CVPR 2026 | SounDiT: 地理语境声景到景观生成
Soundscape-to-Landscape, GeoS2L）问题，并围绕它贡献三件事：（1）作者团队构建了两套大规模多模态地理语境数据集 SoundingSVI 与 SonicUrban（合计约41 “地理语境声景到景观生成”（Geo-contextual Soundscape-to-Landscape, GeoS2L）问题 数据集构建 以往音频到图像研究多依赖通用音视数据集，主要用于声源定位与视听对应学习 ，缺乏GeoS2L所需的地理语境（例如青蛙鸣叫更可能指向湿地而非青蛙本身，鸣笛声更可能指向拥堵的街道而非一辆车）。 SoundingSVI与SonicUrban数据集覆盖范围 研究方法 GeoS2L（地理语境声景到景观生成）旨在从某地的环境声景生成与该地点语境一致的景观图像。 它们共同支持了可复现的“地理语境声景到景观生成”（Geo-contextual Soundscape-to-Landscape, GeoS2L）基准，在数据、模型与评测三方面推进该任务。
13110编辑于 2026-04-02 C++23 容器推导指引中对于分配器的非推导语境（P1518R2）
toc在C++23中，P1518R2提案对容器推导指引（CTAD）中的分配器处理方式进行了重要的改进。这一改进主要解决了在容器推导过程中分配器参数可能导致的推导失败或错误推导的问题。 2. 分配器参数导致冲突推导另一个问题是分配器参数可能导致模板参数的冲突。 P1518R2 的解决方案P1518R2 提案通过以下方式解决了上述问题：修改容器适配器的推导指引规则：对于容器适配器（如std::stack），如果推导指引具有Container模板参数，则不再因Allocator 总结P1518R2 提案通过引入非推导上下文和修改推导指引规则，显著改善了C++23中容器推导指引对分配器的处理。这些改进使得代码更加简洁，同时避免了因分配器类型导致的推导失败。
18700编辑于 2025-05-22- 来自专栏Alter聊科技
“数字孪生”语境下的城市：拼图模式与航向之争
海纳云“1+5+2”战略 第二种是中心化的平台战略，华为、阿里可以说是其中的典型代表。
53730编辑于 2023-01-13 《谷歌Gemini 1.5：长语境理解重塑文档分析与检索新格局》
谷歌Gemini 1.5的问世，凭借其卓越的长语境理解能力，在文档分析和检索任务方面掀起了一阵技术革新的浪潮。以往的大语言模型在处理长文本时，常因上下文窗口的限制而出现信息丢失、理解偏差等问题。 在文档分析领域，Gemini 1.5的长语境理解能力犹如一把精准的手术刀，能够深入剖析复杂文档。 而Gemini 1.5凭借强大的长语境理解能力，能够理解用户查询的真正意图，即使查询语句表述模糊，它也能在庞大的文档库中精准定位到最相关的文档。 尽管Gemini 1.5在长语境理解能力上取得了重大突破，但它并非完美无缺。在处理一些专业性极强、领域知识极为复杂的文档时，Gemini 1.5可能仍需要进一步学习和优化，以达到更精准的理解。 谷歌Gemini 1.5的长语境理解能力为文档分析和检索任务带来了巨大的变革，虽然还存在一些挑战，但它无疑为人工智能在这两个领域的应用开辟了新的道路，让我们对未来智能文档处理充满期待。
30910编辑于 2025-04-21- 来自专栏雪胖纸的玩蛇日常
vue学习（2）
2.打开cmd，cd到lesson2文件夹下，执行命令：npm init 进行npm初始化。 3.随便输入个包名package name：02，随便输入个版本名version：1.0.2，摘要description：学习npm，，，，等等。 就可以在lesson02目录下看到一个package.json，json文件里的内容为： { "name": "02", "version": "1.0.2", "description": "学习 目录被放在这个目录下 同时，package.json的内容也变为将jquery加进去了： { "name": "02", "version": "1.0.2", "description": "学习 3.vue第一个案例 1.下载vue.js开发者版本，下载页面的链接：https://cn.vuejs.org/v2/guide/installation.html 2.新建lesson3目录，在目录下新建
47820发布于 2018-08-16 - 来自专栏Linux学习~
Makefile学习2
Makefile学习2 Makefile条件判断 使用条件判断，可以让make在编译程序时，根据不同的情况，执行不同的分支：可以执行不同的命令，使用不同的编译参数，生成不同的目标。 PHONY: all define func @echo "pram1 = $(0)" @echo "pram2 = $(1)" endef all: $(call func,
99910编辑于 2023-10-17 - 来自专栏若是烟花
JavaScript 学习（2）
(); // 打开新窗口 window.close(); // 关闭当前窗口 window.moveTo(); // 移动当前窗口 window.resizeTo(); // 调整当前窗口 （2） GMT; path=/"; // 读取 cookie var x = document.cookie; // 以字符串的方式返回所有cookies，类型格式：cookie1=value; cookie2= （2）JQuery 这里只所JQuery吧，至于JQuery，打算重新写篇文章 ... ... ---- 六、 至此，JavaScript算是基本完成了。
80120发布于 2020-07-28 - 来自专栏网络收集
JAVA学习（2）
在 java 文件中，如果要调用其他 java 文件中定义的类 / 接口，就需要进行导入：
29220编辑于 2022-08-03 - 来自专栏火星娃统计
shiny学习-2
shiny学习-2 概述 填补上次的更新 正文 添加控件 类似的控件如下 ? = 2, "Choice 3" = 3), selected radioButtons("radio", h3("Radio buttons"), choices = list("Choice 1" = 1, "Choice 2" selectInput("select", h3("Select box"), choices = list("Choice 1" = 1, "Choice 2" h3("Sliders"), min = 0, max = 100, value = 50), sliderInput("slider2"
2.7K20发布于 2020-09-15 - 来自专栏后端技术学习
rocketmq学习2
properties = new Properties(); properties.load(in); MixAll.properties2Object (properties, namesrvConfig); MixAll.properties2Object(properties, nettyServerConfig); MixAll.printObjectProperties(console, nettyServerConfig); System.exit(0); } MixAll.properties2Object (ServerUtil.commandLine2Properties(commandLine), namesrvConfig); if (null == namesrvConfig.getRocketmqHome match the location of the RocketMQ installation%n", MixAll.ROCKETMQ_HOME_ENV); System.exit(-2)
49030发布于 2020-07-23 - 来自专栏菩提树下的杨过
RxJava2学习笔记(2)
传统写法，通常是中规中矩的封装2个方法，依次调用。用rxjava后，可以写得更流畅，先做点准备工作： ? 也可以将它们划分到不同的线程里：（虽然就这个场景而言，这样做的意义不大，因为支付前，肯定要等订单先提交，这个没办法并发处理，这里只是意思一下，可以这样做而已） @Test public void test2( response.getOrderNo(), response.getOrderAmount()))) .observeOn(Schedulers.newThread()) //(消费者2) orderDesc=iphone X, orderAmount=8888) 订单创建完成:CreateOrderResponse(orderNo=8c194b1d07c044a8af3771159e1bb2bf
1.3K80发布于 2018-03-28 - 来自专栏AI机器学习与深度学习算法
学习分类 2-2 内积
我们为分类问题中的直线取一个新名字：决策边界（decision boundary），把决策边界定义为： w\cdot x = 0 图片 w\cdot x = w_1x_1 + w_2x_2 既然是分类问题的决策边界 图片 \begin{split} w\cdot x &= w_1x_1 + w_2x_2 \\ &=1\cdot x_1 + 1\cdot x_2\\ &= x_1+x_2 \end{split} 图片 \begin{split} w\cdot x &= w_1x_1 + w_2x_2 \\ &=1\cdot 1 + 1\cdot 1\\ &= 2 >0 \end{split} 图片 \begin{ split} w\cdot x &= w_1x_1 + w_2x_2 \\ &=1\cdot 1 + 1\cdot -2\\ &= -1 < 0 \end{split} 图片 向量的内积除了用向量中的元素进行定义 《白话机器学习的数学》
54610编辑于 2022-11-08 Gitee Wiki：软件工厂语境下的知识管理中台实践
GiteeWiki：软件工厂语境下的知识管理中台实践在全球数字化转型浪潮下，软件开发的工业化进程正加速推进，软件工厂模式正成为企业提升研发效能的关键路径。
17510编辑于 2025-11-20
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