- 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
分子图召回首先采用一个图神经网络去对分子图进行编码，得到分子图向量: 具体来说，我们采用了Mole-BERT[4]作为图神经网络编码器。 表4、5列出了PubChem324K数据集上，上下文分子微调与直接微调的效果比较，其结果与ChEBI-20的结果相类似，上下文分子微调相较于直接微调都带来了可观的表现增益。 图3: 模型性能随着上下文设置（例子数量和截断长度）变化的比较 而图4则展现了上下文分子微调所具备的scaling law，更大的模型因其具有更强的上下文学习和推理能力，因而会获得更好的上下文分子微调效果 图4: 上下文分子微调（ICMA）的scaling law，这里选取了Galactica-125M，Galactica-1.3B，和Mistral-7B进行比较 表11、12进一步说明了上下文分子微调的通用性 Translation between molecules and natural language. arXiv preprint arXiv:2204.11817. [4] Xia, J., Zhao
33510编辑于 2024-06-04 - 来自专栏FunTester
Groovy语境下的Map
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
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, [] 所以，我们做了一个拼音转译+循环判断的逻辑进行了优化，会先把文本处理一边： In [37]: 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1衫8-洞2##幺散幺2删4,
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。 4. 示例：高级提示学习基于Qwen1.5-1.8B-Chat模型通过设计好的指令模板引导模型根据不同的要求示例做出回答。 4. 从“引导”到“改造”：介入深度的不同提示学习 & 语境学习（轻量级引导）：如上图左侧所示，它们位于同一层级，都属于不更新模型权重的方法。 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
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？ 图4 前端关注的主要内容 前端开发注定不可能只关注业务模型。在前端特别是web领域，除业务之外关注由后端吐出的数据和界面交互是一件必须的事。 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。 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
统计学习（Statistical Learning）阶段 3. 语境顺应（Contextual Adaptation）阶段 Launchbury 的观点对我帮助极大。 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 - 来自专栏雪胖纸的玩蛇日常
Vue学习（4）
/audio/3.mp3",name:"113",author:"311111"}, {id:4,src:". /audio/4.mp3",name:"114",author:"411111"} ]; var music=new Vue({ el:'#music /audio/3.mp3",name:"113",author:"311111"}, {id:4,src:". /audio/4.mp3",name:"114",author:"411111"} ]; var music=new Vue({ el:'#music 创建组件 1.cd 到当前目录下 2.vue init webpack-simple 项目名 3.接下来根据提示操作 4.cd 项目名 5.npm install 6.npm run dev 7.只关心
48320发布于 2018-08-16 - 来自专栏c++与qt学习
Qt学习-------4
Qt学习------4 信号和槽（1） connect(信号发送者，发送的具体信号，信号接收者，信号的处理（槽）) 信号和槽的优点：松散耦合，信号发送端和信号接收端本身没有关系，通过connect链接将两端耦合在一起 //需求 点击关闭程序按钮，关闭窗口 //参数1 信号发送者-->按钮（传入地址） 参数2 发送的信号--->点击按钮（函数的地址） 参数3 信号的接收者-->窗口 参数4
33130发布于 2021-02-22 - 来自专栏时空探索之旅
CVPR 2026 | SounDiT: 地理语境声景到景观生成
那么，AI 能否模拟人类这种“听声想景”的能力，仅凭声景生成与地点语境一致的环境图像？ “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 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。 图4. SounDiT模型架构 场所相似性分数 PSS 以往音频到图像评测多用 FID、AIS、IIS 等指标，主要衡量画面质量或音视匹配，但无法判断生成图像是否与真实地理环境或目标场景一致。 SounDiT图片生成结果与基线方法对比定量评估 讨论 研究结果显示，SounDiT 可将地理语境声景到景观生成同时做到可控与可解释，并将听觉线索与场所语境连接起来，支持下游分析与设计。
13110编辑于 2026-04-02 - 来自专栏云深之无迹
Python学习手册(第4版).4
模式匹配 在继续学习之前，值得关注的一点就是字符串对象的方法能够支持基于模式的文本处理。 column 2 >>> col2 [2,5,8] >>> M # The matrix is unchanged [[1,2,3],[4,5,6
1.5K30发布于 2020-08-11 - 来自专栏dotnet & java
WCF入门学习（4）
前言 上一篇的学习中碰到一个问题，用地址http://localhost:8080/mex 访问元数据的时候一直提示400 bad request 错误，因为时间太晚了，查了好几遍代码，也没有发现问题。 <system.serviceModel> <services> <service name="Part<em>4</em>.CompanyService" behaviorConfiguration ="mexBehavior"> <endpoint address="CompanyService" binding="basicHttpBinding" contract="Part<em>4</em>. ICompanyPublicService"></endpoint> <endpoint address="CompanyService" binding="netTcpBinding" contract="Part<em>4</em>.
52340发布于 2018-08-24 - 来自专栏学习成长指南
Linux指令学习（4）
0.普通用户和root用户之间的切换 （1）这个我们之前不是经常使用这个root用户吗，现在随着指令的学习，我们需要切换到这个普通的用户，因为这个root就是一个超级管理员，和windows里面的超级管理员是一个意思 ，但是这个不会出现报错等信息； （2）使用普通的账户，我们就可以通过这个报错，权限的限制等等来了解更多的知识，后续的话普通账户会有利于我们的学习，因此我们创建一个普通用户； （3）实际上我们可以先登录这个 用户名的方式进行设置，注意这个密码是不会显示的，设置完成之后重新登陆这个普通的账户，填进去我们刚刚设置的密码就可以了； 1.head/tail指令 （1）这两个指令的作用基本上就是一样的，就是我们上一次学习的这个 cal 这个指令的作用就是显示日历，后面也是可以添加其他的选项的，像这个默认的话就会打印一个月的日历，-3就会打印3个月的日历，后面加上这个年份就会打印这个一年12月的日历，这个仅仅需要我们了解即可； 4. ，这样的话可以让多个文件变成一个文件，这样的话不容易造成这个文件的损失； （3）为什么进行压缩：压缩就是让这个文件的体积变小，这样的话可以减少我们下载这个文件的耗费的时间，减小这个文件占用的内存； （4）
16810编辑于 2025-02-24 - 来自专栏小神仙
vue学习笔记4
考虑一个问题：想要实现 名 和 姓 两个文本框的内容改变，则全名的文本框中的值也跟着改变；（用以前的知识如何实现？？？）
87040发布于 2019-09-29 - 来自专栏Puppeteer学习
MongoDB学习（翻译4）
枚举字段或者属性可以和同一种类型的枚举常量比较，其真正的比较是基于其底层整数的比较。
1.1K20编辑于 2022-05-09 - 来自专栏育种数据分析之放飞自我
snakemake 学习笔记4
MB RAM detected; reserving 31992 MB for main workspace. 3 variants loaded from .bim file. 6 people (4 Before main variant filters, 4 founders and 2 nonfounders present. b.bim,b.fam, 这三个文件也要写, 因为是下一个rule的input文件, 建立依赖关系. 3, rule cfile中建立input, 是上一个rule bfile的输出, 这样就建立的依赖 4, rule cfile中的output, 对应的是rule all的input, 这样三个就建立好了依赖关系. 4.
1K30发布于 2019-07-07 - 来自专栏睡不着所以学编程
bs4学习
爬虫的数据解析包括正则，bs4，xpath，现在学习到了bs4，但是还是有点糊涂，现在根据网上的一些资料深入学习一下。 首先，要安装环境，在终端terminal输入： pip3 install Beautifulsoup4 pip install lxml 按下回车即可，顺便要安装lxml,其实系统也有自带的解析器， 但是bs4自带的解析器lxml更有优势。 使用的时候输入以下就可以导入模块 from bs4 import BeautifulSoup 为了搞清楚标签和属性定位，我截取了一段html的文本来学习他们的用法。 ，可能要开始学习html了 吧！
55010编辑于 2022-09-20 - 来自专栏周小末天天开心
Java 基础学习（4）
j = ++i i = 6 ，j = 5 i = 6 ，j=6 -- 自减: 分为自减在前和 自减在后两种 i = 5 ；j = i-- i = 5 ；j = --i i = 4 ，j = 5 i = 4 ，j=4 （3）算术运算符的使用细节 1）自增自减运算符都作为独立的语句使用，前++（--）和后++（--）都完全等价于 i = i + ( - ) 1 ；
29830编辑于 2022-10-26 - 来自专栏python练习
基础学习python（4）
while a < 10: #当a小于10的时候 print(a) #打印出a 这一步输出是死循环 一直小于10 a -= 2 #表示a每次加2输出 if a == 4: #if嵌套语句，如果a等于4的时候 继续下一个循环 跳过4 continue 0 2 4 6 8
37000发布于 2020-02-25 - 来自专栏明丰随笔
WCF学习笔记 4
WCF学习笔记之契约（Contract） 初识契约（Contract） 契约简单讲就是服务端和客户端进行消息交换定义的一种交换协议。
48320发布于 2019-08-29
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