- 综合排序
- 最热优先
- 最新优先
- 来自专栏大内老A
ASP.NET Core 6框架揭秘实例演示：利用Session保留语境
单一的对话毫无意义，在在同一语境下针对某个主题进行的多次对话才会有结果。 会话的目的就是在同一个客户端和服务器之间建立两者交谈的语境或者上下文，ASP.NET Core利用一个名为SessionMiddleware的中间件实现了会话。 （本文提供的示例演示已经同步到《ASP.NET Core 6框架揭秘-实例演示版》）。
1K10编辑于 2022-09-28 - 来自专栏DrugOne
大语言模型是语境中的分子学习者
最后，上下文分子微调借助于大语言模型的上下文学习能力，生成最终的分子/分子描述。 上下文分子微调 MolReGPT[1]已经表明，上下文学习对于提示大语言模型进行分子-描述翻译任务是有效的，但是为了达到这种效果，需要依赖于上下文学习和推理能力，而这种能力通常都对模型的参数量和性能有着极高的要求 因此，我们提出上下文分子微调，去训练大语言模型，使得他们具有从上下文中提取有用信息和学习分子片段和描述片段之间的对应的能力，不同于直接微调的损失函数： 上下文分子微调同时学习了上下文例子所给出的对应关系 于此同时，本文也展开了大量的实验去探究影响上下文分子微调效果的因素，集中探究了召回算法对效果的影响、上下文设置的影响、不同基座模型的影响（模型类型和模型参数量） 表6、7展示了使用不同召回算法进行上下文分子微调的效果区别 ，提升了大语言模型在分子-描述翻译任务上的能力，也表明了大语言模型是天然的上下文分子学习者。
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
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 text, flags=0) 得到了如下结果： In [36]: phoneNumbers Out[36]: ['13802131234'] 但是实际情况下，第三方会进行逃避规则的操作，出现了比如： 9*6箱车转让 ，连线路一起打包，带线路转让，固定货源联系138-02##131234,手机号，非诚勿扰2+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
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
针对中小企业或技术储备有限的使用者，行业已探索出多条轻量化、低门槛的落地路径，其中有监督微调、提示学习与语境学习最为核心，它们能帮我们绕开大规模硬件投入与复杂技术壁垒，高效发挥大模型的能力：有监督微调： 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。 示例：动态少样本学习通过Qwen1.5-1.8B-Chat模型演示了让AI模型通过示例学习新任务，通过情感分析判断文本情感倾向、实体识别提取人名、组织、地点以及文本分类划分文章类别，展示了大模型语境学习的实际应用 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c++与qt学习
QT学习---------6
信号和槽的拓展 拓展 1.信号可以连接信号 2.一个信号可以连接多个槽 3.多个信号可以连接同一个槽函数 4.信号和槽的参数必须类型一一对应 5.信号的参数个数可以多于槽函数，但类型也要对应 6.
33920发布于 2021-02-22 - 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？ 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。 图6 前端领域建模的首要问题是划清核心与边界 使用OOP的范式进行建模是比较常见且直接的方式，通过建立形形色色的class来创建一个又一个的对象。关键的问题在于，这些对象的核心是什么，边界又在哪里？ 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。 第二个小的突破是现代人工智能工具集的兴起，其由以下 6 种技术组成： 1. 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
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。 场所相似性分数（Place Similarity Score，PSS）框架图 图6. 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WD学习记录
Dubbo 学习笔记（6）
服务消费方收到register和unregister事件后，从Key:/dubbo/com.foo.BarService/providers下获取提供者地址列表 6.
57640发布于 2019-01-07 - 来自专栏机器学习算法与Python学习
机器学习(6) -- SVM
SVMs 8.1 Optimization Objection 支持向量机(Support Vector Machine: SVM)是一种非常有用的监督式机器学习算法。 注1：事实上，上述公式中的Cost0与Cost1函数是一种称为hinge损失的替代损失(surrogate loss)函数，其他常见的替代损失函数有指数损失和对率损失，具体参见《机器学习》P129 周志华
1K50发布于 2018-04-04 - 来自专栏萌海无涯
Django学习视图（6）
我们在浏览器请求后，Django 匹配URL 进行路由，匹配到后调用对应的视图，生成HTML代码，返回给浏览器。
89240发布于 2019-09-03 - 来自专栏Puppeteer学习
MongoDB学习（翻译6）
有许多种让你控制序列化的方式，上一节通过约定方法来控制序列化，你也可以通过代码配置或者成员映射或者使用特性来控制你的序列化，下面说道的序列化的各个方面，我们都会展示两种方式。
33810编辑于 2022-05-09 - 来自专栏周小末天天开心
Java 基础学习（6）
1）表达式1 和 表达式2 要为可以赋给接受变量的类型，或者可以自动转换的数据类型。
53410编辑于 2022-10-26 - 来自专栏IMWeb前端团队
ECMAScript 6 学习笔记
变量的解构赋值 定义：ES6允许按照一定模式，从数组和对象中提取值，对变量进行赋值，这被称为解构。 ES6在Math对象上还提供了许多新的数学方法。 ES6引入了一种新的原始数据类型Symbol，表示独一无二的ID。它通过Symbol函数生成。 （6）clear()：清除所有成员，没有返回值。 本文是学习ES6的一点心得，想要具体学习ES6，请参考阮老师的书，电子版地址点这里
1.1K80发布于 2017-12-29 - 来自专栏IMWeb前端团队
ECMAScript 6 学习笔记
变量的解构赋值 定义：ES6允许按照一定模式，从数组和对象中提取值，对变量进行赋值，这被称为解构。 ES6在Math对象上还提供了许多新的数学方法。 ES6引入了一种新的原始数据类型Symbol，表示独一无二的ID。它通过Symbol函数生成。 （6）clear()：清除所有成员，没有返回值。 本文是学习ES6的一点心得，想要具体学习ES6，请参考阮老师的书，电子版地址点这里
73830发布于 2019-12-04 - 来自专栏森屿暖树
前端特效学习6
效果图 HTML代码 <!Doctype html> <html> <head> <meta charset="utf-8"> <title>图片层叠</title> <link type="text/css" href="css/style.css" rel="stylesheet" /> </head> <body>
<input type="radio" name="slider" id="item-1" che32340编辑于 2022-03-23来自专栏WD学习记录机器学习 学习笔记（6） Logistic 回归
线性模型可以进行回归学习，但是若要做分类任务该怎么办，只需要找一个单调可微函数将分类任务的真实标记y与线性回归的预测值联系起来。 # 代码以及数据集源自于机器学习实战，见https://github.com/AnnDWang/MachineLearning/blob/master/thirdbook/ch5/logRegres.py 参考： 《机器学习》 《统计学习方法》 《机器学习实战》 逻辑回归(logistic regression)的本质——极大似然估计
76020发布于 2018-09-03来自专栏RattenkingES6学习之路6----箭头函数
什么是箭头函数 ES6允许使用“箭头”（=>）定义函数。 ES5: var add = function(param){console.log(param);} add(9);//9 ES6: let add = param => console.log(param ); add(9);//9 1.如果箭头函数只有一句话并且返回值 ES5： var sum = function(a,b){return a + b;} sum(1,2);//3 ES6: let sum0 sum = function(a,b){ console.log(a); console.log(b); return a + b; } sum(1,2);//1 2 3 ES6: console.log(self); } add(); } obj.bind(obj0)();//{a: 0, b: 2} window {a: 0, b: 2} ES6:
44030发布于 2021-01-30
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