- 综合排序
- 最热优先
- 最新优先
- 来自专栏韩曙亮的移动开发专栏
【AI 大模型】使用 AI 大模型 编程 ① ( AI 编程简介 | 使用 GitHub Copilot 插件进行 AI 编程 | 使用对话方式进行 AI 编程 )
一、AI 编程简介 1、GPT 大模型 可 替代的工作特点 - " 输入文本 -> 输出文本 " GPT 大模型 可 替代的工作 都有如下特点 : " 输入类型是文本 , 输出类型也是文本 " ; 翻译工作 等 , 都有相关的 自动驾驶 替代方案 ; 2、大模型 的 编程能力 在训练大模型 的 编程相关能力时 有如下特点 : 数据质量高 : 近几十年中 , 程序员们产出了 大量高质量代码 和 相关的技术资料 , 因此 大模型 的 编程能力很强 , 远超过其它领域 ; AI 大模型 可以应用于各种领域 , 但是 其 " 编程能力 " 几乎是最强的 , 几乎可以到达替代程序员的程度 , 编程能力 是 大模型 领域分的很细 , 用途很偏的代码 ; 4、AI 编程技巧 AI 编程技巧 : 大模型搜索效率高 : 有问题 , 先问 大模型 , 大模型搞不定再去查资料 ; 大模型的搜索效率要远高于搜索引擎 ; 提示词可以是一个文档 AI 埋坑里 ; 完全不懂代码 , 不能碰 AI 编程 , 无法靠 AI 编程实现任何软件开发任务 ; 二、使用 GitHub Copilot 插件进行 AI 编程 1、GitHub Copilot 简介
86421编辑于 2024-08-09 - 来自专栏APP自动化测试
AI探索（三）Tensorflow编程模型
Tensorflow编程模型 。。。。 后续完善 import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' import numpy as np num_points = 1000 data_array Original data') plt.plot(x_data, sess.run(w) * x_data + sess.run(b)) plt.xlabel('x') plt.xlim(-2,2
39830发布于 2019-10-15 - 来自专栏云深之无迹
手写一个RTOS.2(编程模型)
我们的51，或者Arduino这些比较简单的单片机，使用的编程模型（抱歉我的自大，给了起了名字）是轮询系统，说人话就是一个大循环，放上我们的子函数，开始运行，一次又一次。 就好像这样 它在做不需要响应外部事件的时候工作很漂亮~很漂亮，也叫裸机编程，对实时处理的事件反应不好。 我们给它升级一下，改善它的外部驱动功能。
65520编辑于 2021-12-20 - 来自专栏Golang语言社区
Go语言并发模型的2种编程方案
概述 我一直在找一种好的方法来解释 go 语言的并发模型： 不要通过共享内存来通信，相反，应该通过通信来共享内存 但是没有发现一个好的解释来满足我下面的需求： 1.通过一个例子来说明最初的问题 2.提供一个共享内存的解决方案 读过这篇文章后你应该会了解通过通信来共享内存的模型，以及它和通过共享内存来通信的区别，你还将看到如何分别通过这两种模型来解决访问和修改共享资源的问题。 解决办法 我们通过两种方法来解决这个问题： 1.共享内存的解决方案 2.通过通信的解决方案 所有的解决方案都是简单的封装了一下 SimpleAccount 来实现保护机制。 b.Balance() | 2. ch -> [acc.balances]-> ch 3. 这也就是为什么除了描述出来的这些以外，第2-4步没有别的操作执行。 总结 这篇博客描述了问题以及问题的解决办法，但那时没有深入去探究不同解决办法的优缺点。
88190发布于 2018-03-23 - 来自专栏微言码道
面向程序员的编程大模型AI
编程类大模型AI 总体而言, 编程类大模型AI的特点是: 基于大量开源代码来训练 如前所示, AI模型的一个核心就是使用大量的数据对它进行训练. 而编程类大模型的训练数据大多来源开源代码. 开源代码的可公开访问性, 是编程类大模型的主要数据来源 支持主流语言 一个编程类大模型AI支持哪些语言, 当然是由其训练数据中包含哪些语言或框架决定. 其实相当一部分开源模型都是基于Llama 2再次重新训练出来, 又改个名来的. 同样, Meta的Llama 2是通用型的AI模型, 意味着它并非面向特定行业或领域. 幸运的是, Meta公司基于Llama 2, 训练出了Code Lllama, 也就是面向编程的开源大模型. 如果真想部署一个本地的编程大模型, 可能starCoder2是更具可行性的选择. starcoder2的bigcode训练的开源大模型, 它包括: starcoder2 - 3B starcoder2
1.2K10编辑于 2024-03-13 - 来自专栏腾讯技术工程官方号的专栏
面向AI编程：探索可视化分析模型
效果展示 AI 可视化分析模型是结合了 LLM 的能力，依据用户的需求生成互动式、直观且适用于交互设计师、视觉设计师和产品设计师的常用模型，如用户旅程地图、用户画像等。 理想的AI 理想中的 AI 当然是编写提示词通过 LLM 直接输出设计稿数据，再通过图形数据解析器在图形编辑器中创建出设计稿。 现实中的AI 上图是用户画像模型的设计稿到最终产物的对比。可以看出，整个过程中设计稿的基础轮廓并不会改变，只有便签的创建和特定区块内文字的变化。 ","3","4","5"],"用户留存":["1","2","3","4","5"],"获得收益":["1","2","3","4' // 流式传输过程中数据示例2 const process2 = 分析模型示例 总结 在本文中，我们详细总结了实现 AI 可视化分析模型的过程中所需进行的功能拆解和实现思路。在此基础上，还分享了在利用 LLM 生成结构化数据时所遇到的问题及其相应解决方案。
69631编辑于 2023-07-26 第八章 AI模型质量-2
这种方法有助于确保模型在实际应用场景中能够满足预期要求。 端到端的黑盒测试实施比较简单，主要包括以下几个关键步骤： 1.确定算法指标。 2.设计测试场景、收集样本。 3.测试及结果分析。 第一，一个AI算法对应的业务功能背后可能是有一系列的AI算法模型串联起来的，当端到端的指标不达标的时候，比较难定位问题的根因。 快速找到算法瓶颈点，通过建立漏斗模型，我们可以快速的看到哪一层的算法是我们的重点优化对象。 2. 发现算法存在明显的场景偏见。 首先，我们选择一个输入序列，例如 [1, 2, 3, 4, 5]，并计算其平均值。在这个例子中，average([1, 2, 3, 4, 5]) 应该返回 3。 AI模型的蜕变测试 在深度神经网络（DNN）的上下文中，蜕变测试可以用于评估模型的性能和鲁棒性。由于深度学习模型通常是黑盒系统，很难直接从模型结构中推断其行为。
63600编辑于 2025-04-15- 来自专栏大数据杂货铺
Edge2AI之CDSW 实验和模型
在本次实验中，您将在 CDSW 中运行实验，选择产生最佳实验结果的模型并将该模型部署到生产环境中。 实验总结 实验 1 - CDSW：训练模型。 实验 2 - 部署模型。 /cloudera-labs/edge2ai-workshop 现在您的项目已经创建，单击Open Workbench并启动 Python3 会话： 修改Docker的PIP安装默认源路径，在CDSW 第 5 步：重新运行实验几次 返回 Workbench 并再运行 2 次实验，并为 NumTrees 和 NumDepth 尝试不同的值。 实验 2 - CDSW：部署模型 第 1 步：检查程序cdsw.iot_model.py 打开您在上一个实验中创建的项目并在 Workbench 中检查该文件。 第 2 步：部署模型 从项目的主页中，选择“模型”按钮。
2K30编辑于 2022-04-27 - 来自专栏C++开发学习交流
【AI模型】AI模型部署概述
导出深度学习模型到应用平台（★★） 许多深度学习框架支持将训练好的模型导出为 C++ 可以读取的格式，如 ONNX、TensorFlow Lite、Caffe2 等。 2. AI模型部署框架 模型部署常见的推理框架有：ONNX、NCNN、OpenVINO、 TensorRT、Mediapipe。 在部署方面，OpenVIVO的开发也是相对比较简单的，提供了C、C++和python3种语言编程接口。 TensorRT 以 NVIDIA 的并行编程模型 CUDA 为基础构建而成，可帮助您利用 CUDA-X 中的库、开发工具和技术，针对人工智能、自主机器、高性能计算和图形优化所有深度学习框架中的推理。 AI模型部署平台 AI 模型部署是将训练好的 AI 模型应用到实际场景中的过程。
1.8K10编辑于 2024-07-24 - 来自专栏GPUS开发者
DAY2:阅读CUDA C Programming Guide之编程模型
本文共计1619字，阅读时间30分钟 2. Heterogeneous Programming【异构编程】 As illustrated by Figure 8, the CUDA programming model assumes that the VecAdd() performs one pair-wise addition 整体翻译的话，可以翻译为“每个线程进行一对数值的加法”，请注意pair-wise addition还有另外一个意思是log2( 前8个里面分成4个+4个，4个+4个分成2+2+2+2...这种pair-wise的累加是为了保持精度。 我们常见的，常说的shared memory上的规约，实际上就是这种累加。 所以也叫log2规约加法。 这种累加能增加精度，减少误差。 回到VectorAdd这个例子，这里面就是普通的两个数相加的意思。
1.1K40发布于 2018-06-25 - 来自专栏程序小小事
如何选择最佳编程AI模型？JetBrains AI Assistant 全模型分析比较！可要把眼睛擦亮了哦~
前言 JetBrains AI Assistant 现已支持多模型！ 这意味着 AI Assistant 现在适应性更强。 它结合了不同 AI 模型的优势，从大型模型的深度推理到紧凑型模型的速度，甚至本地模型的隐私。 那么，哪种型号最适合您呢？您只需要一个，还是应该混合搭配用于不同的工作？ 答案并不总是显而易见的！ 如果您在此处看到更高的数字，则表示该模型在基于选票的比较中始终优于其他模型。 Aider 的多语言基准测试。通过检查解决方案是否正确运行来评估使用多种编程语言编写和修复代码的能力 LLMs。 高分表示 在LLM以多种编程语言进行编码时非常准确和可靠，这意味着它是各种开发任务的有力选择。 AI Assistant 支持本地模型，通过 ollama 和 LM Studio 提供。
90410编辑于 2025-03-27 - 来自专栏猫头虎博客专区
探索Stable Code：引领编程新纪元的AI语言模型
探索Stable Code：引领编程新纪元的AI语言模型 引言 在快速发展的人工智能领域，编程语言模型正成为推动技术创新的重要力量。 今天，我们要介绍的Stable Code技术，是由Stability AI Language Models团队精心打造的新一代代码语言模型，它不仅在代码补全、推理、数学计算等软件工程任务上表现出色，更以其小巧的体积和高效的性能 应用场景 开发工具：作为代码编辑器的内置AI助手，提供代码补全、问题解答和调试插件。 教育领域：帮助编程新手理解代码结构，提供交互式学习体验。 随着模型的不断优化和应用的深入，我们有理由相信，Stable Code将极大地推动软件开发的自动化和智能化，提高工程师的工作效率，降低编程门槛，让更多人享受到编程的乐趣。 参考资料 Stability AI开源3B代码生成模型：https://huggingface.co/stabilityai/stable-code-instruct-3b HuggingFace 试用
37910编辑于 2024-04-07 - 来自专栏nummy
socket编程【2】TCP编程
大多数连接都是可靠的TCP连接。创建TCP连接时，主动发起连接的叫客户端，被动响应连接的叫服务器。 下面是一个客户端的例子：
94410发布于 2018-08-27 - 来自专栏【腾讯云开发者】
AI结对编程核心思维模型
01、VibeCoding的诞生与困境 2025年2月，OpenAI联合创始人、前特斯拉AI负责人Andrej Karpathy在一场公开演讲中首次提出一个全新概念：VibeCoding（氛围编程）。 他核心的观点是：自然语言正在成为真正的“第一编程范式”。 软件开发模式从一开始的瀑布模型到快速交付版本的敏捷模型再到AI时代的VibeCoding，“这种开发范式的转变反映了一个深刻的变化：从"从零构建"到"从无限可能中做减法"。 的体验，每天与AI“对话”已逐渐成为我的编程日常，无论是能“猜你所想”的TabTab,还是功能强大的Agent模式，都让我屡次感到惊艳。 05、一些心得 别指望AI完全替你干活，很多时候他也不靠谱，未来人们一大部分工作就是证明他“靠谱” 相比Agent模式，多用Tab更能体会到编程的乐趣。
38821编辑于 2025-10-21 - 来自专栏全栈程序员必看
MapReduce编程模型
1.MapReduce简介 MapReduce是一个分布式运算程序的编程框架，核心功能是将用户编写的业务逻辑代码和自带默认组件整合成一个完整的分布式运算程序，并发运行在Hadoop集群上。 MapReduce核心编程思想 1）分布式的运算程序往往需要分成至少2个阶段。 4）MapReduce编程模型只能包含一个map阶段和一个reduce阶段，如果用户的业务逻辑非常复杂，那就只能多个mapreduce程序，串行运行。 3.MapReduce编程规范 用户需要编写的代码分成三个部分：Mapper，Reducer，Driver(提交运行mr程序的客户端) 1）Mapper阶段 （1）用户自定义的Mapper ） （5）map()方法（maptask进程）对每一个<K,V>调用一次 2）Reducer阶段 （1）用户自定义的Reducer要继承自己的父类 （2）Reducer的输入数据类型对应Mapper
51820编辑于 2022-09-13 - 来自专栏编程
MapReduce编程模型
通过WordCount程序理解MapReduce编程模型 WordCount，名为单词统计，功能是统计文本文件中每个单词出现的次数。 今天就带大家一步一步的写一下WordCount程序，帮助大家理解MapReduce编程模型。 编程模型内部的类型，可以理解为Java里面的Integer和String类型） //1.Map publicstaticclassTestMapperextendsMapper { } 那么KEYOUT //2.Reduce publicstaticclassTestReducerextendsReducer{ } 9、在TestReducer类中，定义用于reduce输出结果的成员变量 //2.Reduce 不如按照这个思路自己写一写代码，理解下MapReduce编程模型的思路。
71580发布于 2018-02-12 - 来自专栏一臻AI
人人都会AI｜人工智能大模型现状（2）
plt.legend() plt.grid(True) # Add annotations for model versions models = ['GPT-1', 'GPT-2' AI大模型的应用与挑战 大模型在实际应用中展现出惊人的创造力。深度学习模型AlexNet开启图像识别新纪元，如今已发展出更广泛的应用场景。 一位工厂的品控工程师跟我分享，AI模型能发现肉眼难辨的微小缺陷，将产品合格率提升了整整15%。 在自然灾害预警领域，AI展现出超强的分析能力。 不过，AI技术也面临着严峻的挑战： 黑箱问题 AI模型虽然准确，但决策过程难以解释。 有趣的是，一位研究者通过简单修改交通标识的图片，就能让AI把停车标志误认为鸟类图片。 大语言模型(LLM)也展现出强大的文本处理能力： 能将复杂的编程概念转化为通俗易懂的解释，能根据教学需求生成个性化的课程大纲，甚至能理解上下文进行连贯对话。
25110编辑于 2025-03-06 - 来自专栏深度学习与python
AI 大模型爆发，如何 2 周上手 AI 应用开发？| 极客时间
前段时间，我就在 GitHub 上看到不少开发者只花了 1-2 天时间就做出来了图书翻译、人工智能语音对话等应用，甚至刚上线就已经开始赚钱了。 能够预料的，AI 时代巨头做大模型，而普通程序员在应用方面的机会无限，而且在未来几年 AI 领域的应用开发也将会是就业市场中最火热的岗位。 说了这么多，到底该如何快速跟上时代节奏，掌握新一代的 AI 应用开发技术呢？我从去年 12 月份就开始筹备《AI 大模型之美》，希望能够把新一代的 AI 应用开发的方法和机会介绍给你。 扫码免费试读 如果你也想以最快的速度跟上 AI 大模型时代潮流，掌握 AI 应用开发最核心的技能，一定不要错过这个专栏。 即使你是一个产品经理或者业务方，你也可以自己动手体验到新一代的 AI 应用。 2.
2.5K20编辑于 2023-04-21 - 来自专栏changxin7
2.并发编程多编程
multiprocessing模块用来开启子进程，并在子进程中执行我们定制的任务（比如函数），该模块与多线程模块threading的编程接口类似。 在并发编程中使用生产者和消费者模式能够解决绝大多数并发问题。 基于队列实现生产者消费者模型 from multiprocessing import Process,Queue import time,random,os def consumer(q): while #程序中有两类角色 一类负责生产数据（生产者） 一类负责处理数据（消费者） #引入生产者消费者模型为了解决的问题是： 平衡生产者与消费者之间的工作能力，从而提高程序整体处理数据的速度 #如何实现： 生产者<-->队列<——>消费者 #生产者消费者模型实现类程序的解耦和
1.5K20发布于 2019-08-20 - 来自专栏AI模型部署实践
HAI 一键部署Mistral AI large-2模型
环境介绍HAI已适配Mistral AI最新开源大语言模型Large 2，用户可在HAI中快速启动Llama3.18B和70B版，进行测试并接入业务。 Large 2特点如下： ● Large 2是法国人工智能初创公司于7月25日推出的最新一代旗舰模型。 ● 该模型共有 1230 亿个参数，在代码生成、数学和推理方面比其前身功能更强大，并提供更强大的多语言支持和高级函数调用功能。 ● 官方称其为 GPT-4 级模型，在多项基准测试中的性能非常接近 GPT-4o、Llama 3.1-405 和 Anthropic 的 Claude 3.5 Sonnet。二. 使用说明 1. 在“社区应用”选择“Mistral AI Large 2B”应用 2.
56410编辑于 2024-07-26
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