- 综合排序
- 最热优先
- 最新优先
- 来自专栏Vehicle攻城狮
Adaptive Autosar
在这样的趋势下，需要一高度灵活、高性能且支持HPC、动态通讯等特性的新软件架构平台---Adaptive Autosar。 Adaptive Autosar平台的主要开发语言。 Adaptive Autosar架构 Adaptive Autosar架构如下：主要包括硬件/虚拟机层、基础层、服务层和应用层。 ROS的架构了），Adaptive Autosar基础模块在布置和更新应用时会读取该文件，Instance 配置文件主要包含静态的信息，如版本信息等。 ；而Adaptive Autosar则支持大数据的并行处理，所以对于高性能运算的功能则需要运行在Adaptive平台上。
80830编辑于 2022-04-19 - 来自专栏JathonKatu
二（拓展）@Adaptive
@Adaptive称为自适应扩展点注解。 Adaptive 注解值 value 类型为 String[]，可填写多个值，默认情况下为空数组。若 value 为非空数组，直接获取数组内容即可。若 value 为空数组，则需进行额外处理。 修饰方法级别 当扩展点的方法被@Adaptive修饰时，在Dubbo初始化扩展点时会自动生成和编译一个动态的Adaptive类。 修饰，Dubbo在初始化扩展点时，会生成一个Protocol$Adaptive类，里面会实现这两个方法，生成的代码如下： public class Protocol$Adaptive implements 修饰类级别 以AdaptiveCompiler类为例，它作为Compiler扩展点的实现类，被@Adaptive在类级别修饰。
47820编辑于 2022-12-02 - 来自专栏Vehicle攻城狮
Adaptive AUTOSAR 2
如楼主《Adaptive Autosar》那篇所说，Adaptive Autosar并不是为了取代Classic Autosar和非Autosar架构的平台，而是为了更好的与当前这些架构平台相互兼容、协作并满足未来的需求 Adaptive Autosar的特点 1 以C++为实现形式 Adaptive Autosar平台的Applications都将采用C++编程，我们知道C是嵌入式系统的主要编程语言，具有执行速度快、 最新Release的Adaptive Autosar标准完全采用C++ 11/14作为首选语言。 Adaptive Autosar软件分层架构 下面是AP的软件分层架构，楼主随意选两点谈谈，谬误之处，还请指正。 对Data Distribution Service（DDS）或基于时间敏感网络（TSN）等通讯技术的支持如下： Adaptive Autosar的应用 Adaptive Autosar的应用是灵活的
77020编辑于 2022-04-19 - 来自专栏DeepHub IMBA
手把手搭建 Adaptive RAG 系统：从向量检索到 Streamlit 前端全流程
本文会带你从零搭建一个完整的概念验证项目（POC），技术栈涵盖 Adaptive RAG、LangGraph、FastAPI 和 Streamlit 四个核心组件。 技术概览 Adaptive RAG 可以把 Adaptive RAG 理解为"搜索之前先思考"的 RAG。 FastAPI FastAPI 把 Adaptive RAG + LangGraph 包装成 API 接口对外暴露，处理请求分发，天然适配异步 I/O。 RAG Assistant") st.title("Adaptive RAG Support Assistant") query = st.text_input("Enter your question LangGraph 工作流从 retrieve 节点启动，Adaptive RAG 根据查询长度动态选定检索深度——短查询取 k=3长查询取 k=8。
19110编辑于 2026-02-27 - 来自专栏HD-学习笔记
Adaptive Inertia: Disentangling the Effects of Adaptive Learning Rate and Momentum
Adaptive Inertia: Disentangling the Effects of Adaptive Learning Rate and Momentum 本博客暂略公式推导 Summary 则没有一个严谨的数学推导，仅仅有实验数据，我认为这算是一个weak conclusion Notes 本文的appendix实在太长，以后有空再看(逃) References FLAT MINIMA 如何理解Adam算法(Adaptive
76920编辑于 2023-03-10 - 来自专栏大模型系列
自适应检索（Adaptive RAG）：让AI学会“因问施策”的智能问答新范式
一、传统RAG的困境：“静态检索”的信息陷阱传统的检索增强生成（RAG）系统遵循一个固定的流水线：用户提问→向量检索→拼接上下文→LLM生成这种静态模式在面对复杂多变的真实场景时，暴露出严重缺陷：资源浪费 二、AdaptiveRAG的核心思想：动态、智能、协同AdaptiveRAG的本质是为RAG系统装上一个“大脑”，使其能够根据问题的特性和当前的上下文状态，自主决定最优的信息获取和处理路径。 结语AdaptiveRAG标志着RAG技术从“被动响应”走向“主动思考”。它不再是一个简单的管道，而是一个具备初步认知和规划能力的智能系统。
23521编辑于 2026-04-02 - 来自专栏DeepHub IMBA
Adaptive-k 检索：RAG 系统中自适应上下文长度选择的新方法
RAG 工作流程中提出的方法。该方法根据已排序相似性得分分布中的较大间隙选择检索阈值 k。 这一发现表明，未来的 RAG 系统可能受益于基于查询特征的集成嵌入方法或运行时嵌入模型选择策略。 主要影响 Adaptive-k 技术不仅是一种优化方法，更代表了向智能化、查询感知信息检索的范式转变。 该技术解决了制约 RAG 系统发展的三个关键限制。 成本效益优化 通过在保持性能的同时大幅减少 token 使用量，Adaptive-k 使大规模 RAG 部署在经济上变得可行。 核心技术要点总结 Adaptive-k 代表了 RAG 系统从固定检索向智能化、查询感知检索的技术范式转变。该技术实现了显著的效率提升——在保持或提高准确性的同时，token 减少高达 99%。 一刀切检索策略的时代已经结束，Adaptive-k 开启了智能、高效且经济可行的 RAG 系统时代，这些系统能够适应每个查询的独特需求。
32210编辑于 2025-08-20 - 来自专栏Vehicle攻城狮
Adaptive AUTOSAR 3
在开始阅读之前，如果你对已介绍的内容还不了解的话，可以先阅读以下文章快速熟悉一下~ Adaptive AUTOSAR Adaptive AUTOSAR 2 这篇主要分享AP中操作系统、执行管理、状态管理
1.2K20编辑于 2022-04-19 - 来自专栏Spark学习技巧
Spark Adaptive Execution调研
来设置合并的阀值，默认为64M 只会合并小的分区，太大的分区并不会进行拆分 开启方式： spark.sql.adaptive.enabled=true：启动Adaptive Execution。 开启方式： spark.sql.adaptive.enabled和spark.sql.adaptive.join.enabled 都设置为 true。 开启方式： spark.sql.adaptive.skewedJoin.enabled 设置为 true spark.sql.adaptive.skewedPartitionMaxSplits 控制处理一个倾斜 默认是64M spark.sql.adaptive.skewedPartitionFactor，倾斜因子。 参考资料 http://www.jasongj.com/spark/adaptive_execution/ https://github.com/Intel-bigdata/spark-adaptive
2.1K10发布于 2019-07-15 - 来自专栏计算机视觉理论及其实现
Integrated Multiscale Domain Adaptive YOLO
领域自适应领域在解决许多深度学习应用程序遇到的领域转移问题方面发挥了重要作用。这个问题是由于用于训练的源数据的分布与实际测试场景中使用的目标数据之间的差异而产生的。在本文中，我们介绍了一种新的多尺度域自适应YOLO（MS-DAYOLO）框架，该框架在YOLOv4目标检测器的不同尺度上采用了多个域自适应路径和相应的域分类器。在我们的基线多尺度DAYOLO框架的基础上，我们为生成领域不变特征的领域自适应网络（DAN）引入了三种新的深度学习架构。特别地，我们提出了一种渐进特征约简（PFR）、一种无人分类器（UC）和一种集成架构。我们使用流行的数据集与YOLOv4一起训练和测试我们提出的DAN架构。我们的实验表明，当使用所提出的MS-DAYOLO架构训练YOLOv4时，以及当在自动驾驶应用的目标数据上进行测试时，物体检测性能显著提高。此外，相对于更快的R-CNN解决方案，MS-DAYOLO框架实现了数量级的实时速度改进，同时提供了可比的目标检测性能。
73020编辑于 2023-10-07 - 来自专栏Windows Community
Windows Developer Day - Adaptive Cards
早在 Microsoft Build 2017，Matt Hidinger 就对 Adaptive Cards 做了展示。 ? 而在 WDD 前夕，Adaptive Cards 1.0 版本正式 Release，开源在 GitHub Microsoft AdaptiveCards， 官网文档在 Microsoft Doc Adaptive 基本原理 那么 Adaptive Cards 是怎么工作的呢？ Cards 各平台 SDK，就可以使用一套 JSON 完成多平台的通用和统一； 这种实现方式和 Adaptive Cards 要实现的目标也是一致的： The goals for adaptive 对 Adaptive Cards 的简单体验和示例就到这里，后面如果产品代码中实际用到，我会再结合实际场景来具体展开分析，谢谢大家！
1.9K90发布于 2018-04-28 - 来自专栏全栈程序员必看
Adaptive thresholding using the integral image
int main() //欢迎大家加入图像识别技术交流群：271891601 { // 从文件中加载原图 //IplImage *pSrcImage1 = cvLoadImage(“adaptive.jpg
31820编辑于 2022-08-29 - 来自专栏Web行业观察
Adaptive GCD Bucketing Algorithm: Smart Range Matching
The Adaptive GCD Bucketing Algorithm: Smart Range Matching for Optimal Performance Introduction In computer This article introduces Adaptive GCD Bucketing, a hybrid algorithm that combines: Greatest Common Divisor Adaptive Tolerance If ranges don’t share a natural GCD, we slightly adjust their sizes within a tolerance sets Binary Search O(log n) O(1) Large, irregular ranges Pure GCD Bucket O(1) O(k) Ranges with GCD > 1 Adaptive Conclusion The Adaptive GCD Bucketing Algorithm provides a practical balance between speed and precision
16200编辑于 2025-08-19 - 来自专栏计算机视觉理论及其实现
Domain Adaptive SiamRPN++ for Object Tracking in the Wild
得益于大规模的训练数据，基于Siamese的目标跟踪的最新进展已经在普通序列上取得了引人注目的结果。 而基于Siamese的跟踪器假定训练和测试数据遵循相同的分布。 假设有一组有雾或有雨的测试序列，不能保证在正常图像上训练的跟踪器在其他领域的数据上表现良好。 训练数据和测试数据之间的域转移问题已经在目标检测和语义分割领域进行了讨论，但在视觉跟踪方面尚未进行研究。 为此，在Siamese++的基础上，我们引入了域适配Siamese++，即DASiamRPN++，以提高跟踪器的跨域可移植性和鲁棒性。 在
62620编辑于 2022-04-02 - 来自专栏Datawhale专栏
RAG 作者：RAG 已死，RAG 万岁！
一个具有更大上下文窗口的新模型问世，社交媒体上便会充斥着“RAG 已死”的宣言。 RAG 的初衷 五年前，我在 Meta 基础人工智能研究中心（FAIR，前身为 Facebook 人工智能研究中心）的团队提出了 RAG（Retrieval-Augmented Generation，检索增强生成 底线是：您同时需要长上下文 LLM 和 RAG。 但既然“RAG”这个术语似乎如此具有争议性，那我们不妨这样说： 我们不必非得称之为 RAG。 我们可以就叫它 检索 (retrieval)。 RAG 提供了相当于直接翻到相关页面的能力。处理更多 token 不仅更慢，而且极其低效，并且比使用 RAG 精准定位所需信息要昂贵得多。 RAG、微调和大型上下文窗口在 AI 中也是如此。 结论 我们不需要在 RAG 与长上下文窗口、微调或 MCP 之间做出选择。
72210编辑于 2025-04-24 - 来自专栏计算机视觉理论及其实现
DEEP DOMAIN ADAPTIVE OBJECT DETECTION: A SURVEY
基于深度学习的目标检测获得了很大的方法。这些方法基本上假定可以获得大规模的训练标签，训练和测试数据服从理想的分布。然而这两个假设在实际中通常不满足。深度域适配目标检测做为一种新的学习范式开始出现，来解决上述问题。这篇文章旨在对最先进的域适配目标检测方法进行综述。首先，我们简要介绍域适配的概念。第二，深度域适配检测器可以分为四类，并提供了每个类别中有代表性的方法的详细说明。最后给出了将来的研究趋势。
1.3K20编辑于 2022-09-02 - 来自专栏全栈开发工程师
【RAG】001-RAG概述
【RAG】001-RAG概述 0、整体思维导图 下面的知识是基于一个视频教程结合 AI 生成的笔记，我也看了一遍，有了一些印象，但这种印象很快就会消失，知识也就消失了，为了使得知识在我的大脑中停留更长的时间 补充1：RAG 基本逻辑 补充2：RAG 知识库基本逻辑 一、RAG 介绍 1、LLM 的主要局限性 大语言模型（LLM）尽管功能强大，但仍存在以下明显的局限性： 时效性问题：模型的知识在预训练后就固定了 概述 1、RAG 的概念 RAG（Retrieval-Augmented Generation，检索增强生成）是一种结合了检索和生成技术的文本处理方法，主要用于提高语言模型的输出质量。 2、RAG 的工作原理 RAG 的核心工作流程包含以下步骤： 知识库构建： 收集和处理文档资料 将文档切分为适当大小的文本块 使用向量化模型将文本转换为向量并存储 检索过程： 接收用户查询并向量化 在向量数据库中搜索相似内容 获取最相关的文本片段 生成过程： 将检索到的相关内容与用户问题组合 构建合适的提示词（Prompt） 通过 LLM 生成最终答案 3、RAG 的应用场景 RAG 技术在多个领域都有广泛应用
76310编辑于 2025-03-25 - 来自专栏数据库与编程
Oracle Adaptive Plans新特性的个人理解
参考文章1: adaptive plan的官方文档: http://docs.oracle.com/database/121/TGSQL/tgsql_optcncpt.htm#TGSQL94982 参考文章 How Adaptive Plans Work An adaptive plan contains multiple predetermined subplans, and an optimizer statistics parameter is set to the default of false OPTIMIZER_ADAPTIVE_FEATURES enables 另外注1 查看执行计划是不是adaptive 查看执行计划是不是adaptive plan的方法(之二): v$SQL视图的IS_RESOLVED_ADAPTIVE_PLAN列: If IS_RESOLVED_ADAPTIVE_PLAN is set If IS_RESOLVED_ADAPTIVE_PLAN is set to ‘N’, it indicates the plan selected is adaptive but the final
31710编辑于 2024-04-03 - 来自专栏Oracle数据库技术
自适应游标共享(Adaptive Cursor Sharing)
因此，优化器在11.1以后的版本上，为了解决绑定变量窥视(Bind Peeking)的问题，推出了自适应游标共享(Adaptive Cursor Sharing 以后简称ACS）功能，使包含绑定变量的同一条 本文是自适应游标共享(Adaptive Cursor Sharing)的第一部分主要介绍当自适应游标共享(Adaptive Cursor Sharing)无效时的状况： 例子1（ACS无效） 首先，我们看一下在绑定变量窥视 总结 本文是自适应游标共享(Adaptive Cursor Sharing)的第一部分，主要介绍ACS的概述和当ACS无效时会产生的问题例子。
73060发布于 2020-03-26 - 来自专栏机器学习原理
rag
RAG技术全面解析：原理、应用与优势 引言 在当今快速发展的人工智能领域，检索增强生成（Retrieval-Augmented Generation, RAG）技术已成为一个备受关注的话题。 RAG工作流程 RAG的工作流程可以分为以下几个步骤： 用户查询：用户提出一个查询，系统首先会将这个查询传递给检索模型。 RAG技术的应用场景 RAG技术在众多实际应用场景中显示出其独特的优势，这是其他单一技术难以比拟的。下面我们详细探讨RAG技术的几个主要应用场景。 RAG技术可以在知识图谱构建过程中发挥重要作用。通过利用检索模型从大规模文档库中找到最新的相关信息，RAG系统可以识别出新的实体和关系。 RAG技术的优势与挑战 RAG技术在很多方面展示了其显著的优势，但它也面临着一些挑战。以下我们将详细探讨RAG技术的优势和挑战。
61311编辑于 2024-06-27
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