- 综合排序
- 最热优先
- 最新优先
- 来自专栏h5
Tauri2.0接入Deepseek实战客户端Ai聊天系统
2025重磅客户端AI系统Tauri2.x+Vue3.5+openai接入DeepSeek-v3搭建客户端流式ai对话应用。支持多窗口管理、代码高亮、上下文多轮会话、本地存储对话等功能。
46910编辑于 2025-06-18 - 来自专栏AI掘金志
华人企业医学影像 AI 产品获 FDA 认证，可将 PET 成像速度提高 4-10 倍
医学影像与AI的组合并不新鲜，但过去大部分初创公司的切入点都是AI辅助诊断。深透医疗则另辟蹊径，将研究中心放在了如何提升医疗设备的成像速度、减少放射剂量上。 不久前，深透医疗刚刚在RSNA上展示了这款AI影像处理平台。影像数据从设备端出来以后直接进入深透医疗系统，处理之后，进入PACS影像工作站供医师使用。 据了解，深透医疗目前可以做到用AI技术加速MRI和PET成像过程4-10倍，并保证诊断级别的精确度。 这项技术解决的另一个痛点是安全性。PET这种分子影像的扫描需要注射放射试剂，对于人体会有较高辐射。 深透医疗的技术可以提高影响质量，从而降低临床PET影像4-10倍放射性试剂计量，对病人、操作人员以及医院都有好处。 欢迎点击AI投研邦，阅读百位医疗AI专家推荐的《医疗影像AI行业研究报告》。
76650发布于 2019-08-29 - 来自专栏Windows开发
系统学习Windows客户端开发
学习地图 书籍推荐 C++ Primer Windows核心编程 TCP/IP详解 卷1：协议 设计模式GoF版 编码规范 C++编码规范 C++语言 C++宏 C++11 用正则表达式查找提取
3.5K30发布于 2019-11-07 - 来自专栏AI系统
【AI系统】AI系统架构的组成
AI 系统组成如图所示，大致可以将 AI 系统分为以下几个具体的方向：AI 训练与推理框架AI 框架不仅仅是指如 PyTorch 等训练框架，还包括推理框架。 就像传统的软件工程中调试器，可视化，类型系统等工具链的支撑，让整个开发过程中，跨平台，跨平台，问题诊断，缺陷验证等得以高效实现，目前 AI 系统领域也不断有类似工具产生，以支持整个 AI 工程化实践。 AI 编译与计算架构负责 AI 模型在真正运行前的编译和系统运行时的动态调度与优化。 但是我们将在后续章节中，将会围绕核心系统软硬件，如 AI 训练和推理框架，AI 编译器，AI 芯片，部分涉及更广泛的 AI 系统生态中的重要内容如算法等展开介绍。 AI 系统生态除了以上重要的 AI 系统构成之外，随着人工智能应用越来越广泛，我们还可以看到更广泛的 AI 系统生态的构成。
1.9K11编辑于 2024-11-26 - 来自专栏Html5知典
本地文件系统——客户端存储
概述 本地文件系统（Local FileSystem） API是通过FileSystem对象window.requestFileSystem()方法来实现的。 Web应用程序可以通过调用window.requestFileSystem()来请求对一个沙盒文件系统的访问权限。调用requestFileSystem()会创建一个新的沙盒存储空间。 代码示例 请求文件系统 通过调用window.requestFileSystem()请求对沙盒文件系统的访问权限： //浏览器的兼容性 window.requestFileSystem = window.requestFilsSystem * successCallback \\ 文件系统请求成功时调用的回调函数。其参数为FileSystem对象。 * opt_errorCallback \\ 用于处理错误或获取文件系统的请求遭到拒绝时可选的回调。其参数为FileError对象。 创建文件夹 在根目录中创建一个文件夹。
1.8K10发布于 2019-11-26 转载：【AI系统】AI系统架构的组成
AI 系统组成 如图所示，大致可以将 AI 系统分为以下几个具体的方向： AI 训练与推理框架 AI 框架不仅仅是指如 PyTorch 等训练框架，还包括推理框架。 就像传统的软件工程中调试器，可视化，类型系统等工具链的支撑，让整个开发过程中，跨平台，跨平台，问题诊断，缺陷验证等得以高效实现，目前 AI 系统领域也不断有类似工具产生，以支持整个 AI 工程化实践。 AI 编译与计算架构负责 AI 模型在真正运行前的编译和系统运行时的动态调度与优化。 但是我们将在后续章节中，将会围绕核心系统软硬件，如 AI 训练和推理框架，AI 编译器，AI 芯片，部分涉及更广泛的 AI 系统生态中的重要内容如算法等展开介绍。 AI 系统生态 除了以上重要的 AI 系统构成之外，随着人工智能应用越来越广泛，我们还可以看到更广泛的 AI 系统生态的构成。
2.7K10编辑于 2024-12-11- 来自专栏AI系统
【AI系统】AI系统概述与设计目标
AI 系统全栈架构 通过对 AI 的发展、以及模型算法、硬件与数据的趋势介绍，我们已经了解了 AI 系统的重要性。 本文将介 AI 系统的设计目标、组成和生态，让读者形成 AI 系统的知识体系，为后续展开每篇文章的内容做好铺垫。 接下来将从不同的维度和技术层面展开 AI 系统的全景图。 AI 系统概述 AI 系统基本概念 从类比的角度理解 AI 系统：AI 时代连接硬件和上层应用的中间层软硬件基础设施。 AI 系统。 所介绍的 AI 全栈相关内容中则是指 AI 系统（AI System），是围绕深度学习而衍生和设计的系统，因此也叫做深度学习系统（Deep Learning System）。
86910编辑于 2024-12-02 - 来自专栏JAVA同学会
Spring Mobile——探测客户端设备和系统
Spring Mobile——探测客户端设备和系统 今天闲来无事，浏览Spring的官方网站，发现了Spring Mobile项目，之前也看到过，还以为是针对手机端的项目，并没有细看。 今天仔细看了一下，原来是可以探测请求端的设备和系统。比如是手机、平板、还是正常的PC网站。它是Spring MVC的扩展，主要的目的是简化手机web应用的开发。
86030发布于 2018-09-04 - 来自专栏无原型不设计
电商管理系统客户端原型分享
在《政务管理系统原型分享》中，我们对ERP系统的概念进行了简单的介绍：ERP系统是针对物资资源管理、人力资源管理、财务资源管理、信息资源管理集成一体化的管理软件。 在金融、教育、电商、政务等行业，ERP系统的应用都非常广泛。 电商管理系统客户端原型设计 近年来，随着电商行业的飞速发展，电商ERP系统的需求量也大大提升。 一款功能全面的电商ERP系统，不仅可以帮助各大电商平台高效管理店铺，同时还可以节省不少人力、物力、财力。 在设计电商ERP系统之前，我们首先需要尽可能全面地总结出产品所有的业务场景和用户的使用场景。 我们使用Mockplus经典版原型设计工具搭建了一款电商ERP系统的客户端原型。 接下来一起来看看，在这款电商管理系统客户端原型中，有哪些值得借鉴的设计技巧吧。 Mockplus原型分享——电商管理系统客户端 这套电商管理系统客户端原型属于中高保真原型，包含登录注册、系统首页、商品管理、订单管理、财务管理、数据分析、系统设置七个部分，共计22个页面。
2.5K30发布于 2020-04-27 - 来自专栏小鑫同学编程历险记
客户端开发（Electron）系统级API使用
系统对话框： 1. 调用系统API实现文件保存或读取前的选择功能： 如上图所示的功能，我们在使用电脑时就经常会遇到，在Electron中我们可以通过调用dialog.showOpenDialogSync函数同步打开下面的对话框 特殊对话框（关于面板）： 如上图就是我们设置过后的特殊对话框关于面板，通常显示当前客户端应用的信息。 系统右键菜单： 通过覆盖oncontextmenu来实现弹出定义的菜单想： const menus = [ { label: '文件', submenu: [{ label: '新建文件 function (e) { e.preventDefault() menuCtx.popup() } win.on('blur', () => { menuCtx.hide() }) 总结： 利用系统提供的对话框
4K50编辑于 2022-12-26 - 来自专栏开源部署
多种操作系统NTP客户端配置
在调节NTP时间的时候，请保证123端口畅通，或者未被占用(使用netstat -n命令查看)。 假设时间服务器的地址如下： Time Server Address： Primary：192.168.1.254 Standby：192.168.1.253
2.7K10编辑于 2022-06-28 - 来自专栏建站知识
在 RHEL 8 上配置客户端系统
restart rsyslog 要在启动时运行 Rsyslog，请运行以下命令： $ sudo systemctl enable rsyslog 测试日志记录操作 已经成功安装并配置 Rsyslog 服务器和客户端后 在客户端系统上，运行以下命令： # logger "Hello guys! This is our first log" 现在进入 Rsyslog 服务器并运行以下命令来实时查看日志消息： # tail -f /var/log/messages 客户端系统上命令运行的输出显示在了 Rsyslog 服务器的日志中，这意味着 Rsyslog 服务器正在接收来自客户端系统的日志： centralize-logs-rsyslogs-centos8 就是这些了！ 我们成功设置了 Rsyslog 服务器来接收来自客户端系统的日志信息。
82010发布于 2021-09-15 - 来自专栏JAVA同学会
Spring Mobile——探测客户端设备和系统
今天仔细看了一下，原来是可以探测请求端的设备和系统。比如是手机、平板、还是正常的PC网站。它是Spring MVC的扩展，主要的目的是简化手机web应用的开发。
80940发布于 2018-08-28 - 来自专栏猛牛哥的博客
WINDOWS系统安装WireGuard客户端的方法
目前WireGuard的WINDOWS客户端由tunsafe.com 提供，但是这个网站目前已经被墙了，所以下载和安装不太方便。 我把官方的安装包放到自己服务器了，点此下载TunSafe。
9.1K50编辑于 2023-10-21 - 来自专栏AI系统
【AI系统】推理系统架构
推理系统架构是 AI 领域中的一个关键组成部分，它负责将训练好的模型应用于实际问题，从而实现智能决策和自动化。 作为一个强大的推理框架，Triton 能够满足多样化的 AI 应用需求，帮助企业和开发者构建高效、可靠的推理服务。 需要特定的客户端库支持。Ⅲ. 共享内存 IPC 通信机制共享内存是一种进程间通信（IPC）方式，允许多个进程共享同一块内存区域。 正如之前所提到的，Triton 支持多种协议，如 gRPC 和 HTTP/REST，以适应不同客户端的需求。 此外，对于连续的推理任务，Triton 支持会话（Session）管理，进一步减少了客户端与服务端之间的握手和认证开销。
2.4K10编辑于 2024-12-02 - 来自专栏AI系统
【AI系统】AI 框架作用
本文将从深度学习的原理开始，进而深入地讨论在实现深度学习的计算过程中使用到的 AI 框架，看看 AI 框架具体的作用和目的。 这种模拟生物神经元的数学计算，能够很好地对大规模独立同分布的数据进行非线性映射和处理，使得其能够应对到 AI 的不同任务。函数逼近现在，如果把神经网络看做一个复杂函数，那么这个函数可以逼近任何函数。 AI 框架的作用AI 框架与微分关系根据深度学习的原理，AI 框架最核心和基础的功能是自动求导（后续统一称为自动微分，AutoGrad）。 AI 框架与程序结合下面左图的公式是神经网络表示的复合函数表示，蓝色框框表示的是 AI 框架，AI 框架给开发者提供构建神经网络模型的数学操作，AI 框架把复杂的数学表达，转换成计算机可识别的计算图。 这一过程，只要你定义好网络 AI 框架都会主动地帮我们完成。
64310编辑于 2024-12-06 DeepSeek：重新定义AI成本的东方力量
DeepSeek的成功，破解了全球AI产业长期以来对"堆算力"的路径依赖-4。它证明了一个关键命题：AI的竞争力不只看参数规模，更要看架构效率。 它在后训练阶段大规模使用强化学习，让AI自发涌现出推理能力-4-10。在回答之前，它会清晰展示自己的推理过程，而非直接给出答案。 开源策略：AI普惠的推动者DeepSeek所有模型均采用开源协议，允许免费商用-1。它还将代码、模型权重和训练日志全部公开，降低了中小企业部署AI的门槛-4-10。 APIDeepSeek提供OpenAI兼容的API接口，接入极其简单-3：# 安装SDK# pip install deepseekfrom deepseek import DeepSeekAPI# 初始化客户端 response = client.chat_completion(prompt=messages)这段代码展示了调用DeepSeek API的核心流程：初始化客户端 → 构建对话 → 获取回复。
9900编辑于 2026-08-17- 来自专栏AI系统
【AI系统】推理系统介绍
推理系统是一个专门用于部署神经网络模型，执行推理预测任务的 AI 系统。它类似于传统的 Web 服务或移动端应用系统，但专注于 AI 模型的部署与运行。 AI 生命周期在日常生活中，深度学习的相关方法已经广泛的部署到各类的应用当中。 此外，推理系统提供了多样化的服务接口（如 HTTP、gRPC 等），以便客户端轻松调用。用户可以通过这些接口不断向推理服务系统发起请求，并接收相应的响应。 根据上图示的 AI 框架、推理系统与硬件之间的关系，可以看到，除了应对应用场景的多样化需求，推理系统还需克服由不同训练框架和推理硬件所带来的部署环境多样性挑战，这些挑战不仅增加了部署优化和维护的难度，而且易于出错 开发人员需要将各种必要的软件组件拼凑在一起，以确保兼容数据读取、客户端请求、模型推理等多个阶段的处理。
2.4K10编辑于 2024-12-02 - 来自专栏AI系统
【AI系统】AI 系统与程序代码关系
模型算法的开发者一般会通过使用 AI 框架提供 Python 等高级语言的 API，来编写对应的 AI 算法，而 AI 算法的底层系统问题被当前层抽象隐藏。 到底在代码背后 AI 系统的每一层发生和执行了什么？有哪些有意思的系统设计问题？ 本文我们将从一个具体的 PyTorch 实现一个 LeNet5 神经网络模型作为实例开始，启发读者和后面 AI 系统的每一层和各篇文章构建起桥梁与联系。 底层通过层层抽象，提升了开发效率，但是对系统研发却隐藏了众多细节，需要 AI 系统开发的工程师进一步探究。 如果没有 AI 框架、AI 编译器和算子库的支持，算法工程师进行简单的神经网络模型设计与开发都会举步维艰，所以应该看到 AI 算法本身飞速发展的同时，也要看到底层系统对提升整个算法研发的生产力起到了不可或缺的作用
85510编辑于 2024-12-02 - 来自专栏AI系统
【AI系统】推理系统引言
推理的最终目标，便是将训练好的模型部署到实际的生产环境中，使 AI 真正运行起来，服务于日常生活。推理系统，是一个专门用于部署神经网络模型，执行推理预测任务的 AI 系统。 它类似于传统的 Web 服务或移动端应用系统，但专注于 AI 模型的部署与运行。推理系统会加载模型到内存，并进行版本管理，确保新版本能够顺利上线，旧版本能够安全回滚。 通过提供服务接口（如 HTTP、gRPC 等），推理系统使得客户端能够方便地调用模型进行推理预测。同时，推理系统还可以作为一个微服务，在数据中心中与其他微服务协同工作，共同完成复杂的请求处理任务。 推理引擎，则是推理系统中的重要组成部分，它主要负责 AI 模型的加载与执行。 人工客服应用推理引擎或推理系统在人工客服和 AI 对话方面有广泛的应用。以下是一些相关的内容：智能客服：推理引擎可以用于实现智能客服系统，能够理解用户的问题并提供准确的答案。
1.8K10编辑于 2024-12-02
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