- 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
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 最后，如表8、9所示，消融实验也论证了召回后重排策略所带来的性能增益： 结论 本文提出了上下文分子微调，作为一个新的范式，来将大语言模型运用到分子-描述翻译任务上，不需要额外的领域预训练和复杂的模型结构 ，上下文分子微调使得大语言模型能够运用他们的上下文学习和推理能力学习到分子和描述之间的对齐，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 - 来自专栏项目文章
Redis学习9：Jedis学习
Jedis学习 编程语言中的数据如任何和redis联动，如果是java语言，那么就可以使用Jedis工具，同时springdata redis也可以使用，lettuce也可以使用。
18010编辑于 2024-06-07 - 来自专栏MiningAlgorithms
机器学习9：采样
另外，利用重采样技术，可以在保持特定的信息下（目标信息不丢失），有意识地改变样本的分布，以更适应后续的模型训练和学习，例如利用重采样来处理分类模型的训练样本不均衡问题。 对于很多分类算法，如果直接采用不均衡的样本集来进行训练学习，会存在一些问题。 同样地，对于欠采样，可以采用InformedUndersampling来解决由于随机欠采样带来的数据丢失问题 7.2，基于算法的方法： 在样本不均衡时，也可以通过改变模型训练时的目标函数（如代价敏感学习中不同类别有不同的权重 ）来矫正这种不平衡性；当样本数目极其不均衡时，也可以将问题转化为单类学习（one-classlearning）、异常检测（anomaly detection）。 if __name__ == '__main__': plot_mcmc(0.1, 0.1) plot_mcmc(1, 1) plot_mcmc(2, 3) Reference： 《百面机器学习
2.3K30发布于 2019-08-08 - 来自专栏周小末天天开心
Java 基础学习（9）
2）例如：int d = -9 其原码为：10000000 00000000 00000000 00001001 其反码为：11111111 11111111 11111111 11110110
29820编辑于 2022-10-26 - 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！
47020发布于 2019-09-05 - 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
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【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9 两个简易模型 上图中，我们创建了两个模型Todo和TodoList，其中TodoList是对Todo的聚合，我们会在下文讲。 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mukekeheart的iOS之旅
OC学习9——反射机制
通过字符串来获取Class 7 Class clazz = NSClassFromString(@"NSDate") ; 8 NSLog(@"%@", clazz) ; 9 （具体KVC机制的原理后面学习了再补充：OC学习篇之---KVC和KVO操作） 7、如果程序需要判断某个对象是否可调用方法，则可通过NSObject的如下方法进行判断： respondsToSelector Foundation.h> 2 3 //定义接口部分 4 @interface FKCar : NSObject 5 @end 6 7 8 #import <objc/message.h> 9 " 3 4 int main(int argc, char * argv[]) 5 { 6 @autoreleasepool{ 7 8 //获取FKCar类 9 selector(addSpeed:), 2.4) ; 28 29 //输出 30 NSLog(@"加速后的速度为：%g", speed) ; 31 } 32 } 9、
2.3K50发布于 2018-02-27 - 来自专栏WD学习记录
机器学习 学习笔记（9）支持向量机
线性可分支持向量机与硬间隔最大化 给定训练样本集，分类学习最基本的想法就是基于训练集D在样本空间中找到划分超平面，将不同类别的样本分开，希望找到的是位于两类样本正中间的划分超平面，因为该划分对训练样本的局部扰动的容忍性最好 SMO详细步骤见 机器学习 学习笔记（10）序列最小最优化算法 定理核函数：令 ? 为输入空间， ? 是定义在 ? 上的对称函数，则 ? 是核函数当且仅当对于任意数据 ? 通过引入核化（即引入核函数）来将现行学习期拓展为非线性学习器。 SVM smo代码如下： # 代码和数据集主要源自于机器学习实战，https://github.com/AnnDWang/MachineLearning/blob/master/thirdbook/ch6 # 如果支持向量太少，就可能会得到一个很差的决策边界 # 如果支持向量太多，也就相当于每次都利用整个数据集进行分类 参考： 《机器学习》 《统计学习方法》 《机器学习实战》
89120发布于 2018-09-03 - 来自专栏一个爱吃西瓜的程序员
学习SQL【9】-集合与联结
现在我们开始学习使用2张以上的表的SQL语句。通过以行方向为单位的集合运算符和以列方向为单位的联结，就可以将分散在多张表中的数据组合成期望的结果。 在学习使用方法之前，我们先创建一张表： --创建表Product2(商品2) CREATE TABLE Product2 ( product_id CHAR(4) NOT NULL SQL中的联结有很多种，我们主要学习内联结和外联结两种。 内联结—INNER JOIN 内联结（INNER JOIN）是运用最广泛的联结运算。 我们继续使用Product表和ShopProduct表来进行后续的学习。 每天学习一点点，每天进步一点点。
1.5K120发布于 2018-04-04 - 来自专栏菩提树下的杨过
babylon.js 学习笔记(9)
spriteManagerPlayer); player5.position.y = 1.5; player5.position.x = 0.8; player5.playAnimation(0,9,
57920编辑于 2023-06-10 - 来自专栏YO大数据
python学习笔记（9）文件 IO
Python提供了两个内置函数从标准输入读入一行文本，默认的标准输入是键盘。如下：
57030发布于 2021-08-16 - 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。 Launchbury 表明，到目前为止，我们已经拥有非常先进、细分和强大预测能力的系统，但是仍然还没有理解语境和最小推理能力。 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。 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。 具体而言，它支持场景条件生成：在固定声景输入下，通过调整场景提示词即可生成视觉上不同、但在听觉线索与场景语境上保持一致的图像。 图9.
13110编辑于 2026-04-02 - 来自专栏SuperFeng
机器学习系列9：正则化
在线性回归问题中，像下面这个数据集，通过房屋面积去预测房价，我们用一次函数去拟合数据：
64020发布于 2019-09-26 - 来自专栏机器学习算法工程师
《机器学习》笔记-聚类（9）
作者： 刘才权 编辑： 黄俊嘉 前 言 如今机器学习和深度学习如此火热，相信很多像我一样的普通程序猿或者还在大学校园中的同学，一定也想参与其中。 对于自己，经历了一段时间的系统学习（参考《机器学习/深度学习入门资料汇总》(https://zhuanlan.zhihu.com/p/30980999)），现在计划重新阅读《机器学习》[周志华]和《深度学习 这两本是机器学习和深度学习的入门经典。 记录笔记，一方面，是对自己先前学习过程的总结和补充。 另一方面，相信这个系列学习过程的记录，也能为像我一样入门机器学习和深度学习同学作为学习参考。 ，学习过程用样本的这些监督信息来辅助聚类。
58950发布于 2018-06-07 - 来自专栏漫漫架构路
Spring源码学习笔记(9)——AOP
Spring源码学习笔记(9)——AOP 一. 基于注解的AOP开发 AOP的定义及一些术语相信大家已经很熟悉了，这里不再赘述。下面演示基于注解的Spring AOP开发。
46420发布于 2020-09-03
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