- 综合排序
- 最热优先
- 最新优先
- 来自专栏Helloted
Runloop(4):应用
4、事件响应 苹果注册了一个 Source1 (基于 mach port 的) 用来接收系统事件，其回调函数为 __IOHIDEventSystemClientQueueCallback()。 随后苹果注册的那个 Source1 就会触发回调，并调用 _UIApplicationHandleEventQueue() 进行应用内部的分发。 实际上，start 这个函数的内部会会获取 CurrentRunLoop，然后在其中的 DefaultMode 添加了4个 Source0 (即需要手动触发的Source)。
53020编辑于 2022-06-07 - 来自专栏素质云笔记
R+NLP︱text2vec包——BOW词袋模型做监督式情感标注案例（二,情感标注）
近年来，BoW模型被广泛应用于计算机视觉中。 ———————————————————————————————— 二、text2vec基于BOW的情感标注 本文选用的是text2vec开发者自带的数据集，有ID、sentiment代表情感正负面 （3）设置、形成语料文件，vocab_vectorizer （4）构建DTM矩阵，create_dtm 尼玛，看下来真是烦，这么多步骤。但是，为什么这么多步骤呢？ 假设一幅图像表示为Y=[x1 x2 x3 x4 x5], L1-normalize的结果为： ? L2-normalize的结果为： ? ———————————————————————————————— 应用一：在text2vec中灵活的进行数据转化、并建模 从第三章节来看，数据转化一般是形成DTM之后，或者通过fit或者通过
1.9K20发布于 2019-05-26 - 来自专栏素质云笔记
重磅︱R+NLP：text2vec包——New 文本分析生态系统 No.1（一,简介）
那么前面一类有三个开源的包，后面这一类我倒是看到得不多，恰好是在我关注了许久的一个包里面有，它就是text2vec啦。该包提供了一个强大API接口，能够很好地处理文本信息。 这个生态系统也是笔者见到过的，R语言里面最好、最全面的包了，包含了很多类型的算法以及成熟的应用。而且包的介绍十分详尽，很棒！！ 系列文章： 重磅︱R+NLP：text2vec包——New 文本分析生态系统 No.1（一,简介） R+NLP︱text2vec包——BOW词袋模型做监督式情感标注案例（二,情感标注） R+NLP︱text2vec 两大包之后，第三个有主题模型功能的包啦~前面两个包可以参考我的另外博客： R语言︱LDA主题模型——最优主题数选取(topicmodels)+LDAvis可视化(lda+LDAvis) 4、 word2vec的R语言实现 2、语言︱LDA主题模型——最优主题数选取(topicmodels)+LDAvis可视化(lda+LDAvis) 3、自然语言处理︱简述四大类文本分析中的“词向量”（文本词特征提取） 4、
1.2K10发布于 2019-05-26 - 来自专栏福大大架构师每日一题
weaviate v1.29.7震撼发布！全面升级HuggingFace＆Mistral向量化模块，性能与体验双重跃升！
2025年5月13日，伴随着AI应用的不断深入和知识图谱的火热发展，领先的开源向量数据库Weaviate迎来了重要版本v1.29.7的发布。 此次v1.29.7版本虽未带来全新特性，但对已有模块做了极具深度的调整和优化，特别是围绕主流向量化模块Text2Vec HuggingFace和Text2Vec Mistral： • 支持最新API，兼容性更强 OpenAI Text2Vec最大Token数限制调整 Weaviate团队降低了OpenAI Text2Vec模块单次请求的最大Token数限制。 增强模块的灵活性，方便第三方自定义及扩展 4. 调整OpenAI Text2Vec请求最大Token数限制参数（如有自定义） 4.
62910编辑于 2025-05-14 - 来自专栏技术人生黄勇
教程｜使用免费GPU 资源搭建专属知识库 ChatGLM2-6B + LangChain
requirements.txt 下载模型 Embedding 模型 git clone https://huggingface.co/GanymedeNil/text2vec-large-chinese $PWD/text2vec 照例按照上面的步骤，下载好模型，传到机器学习平台的服务器上，我放在了这个目录下：/mnt/workspace/text2vec。 修改模型地址 打开 configs/model_config.py 文件，找到参数 embedding_model_dict 修改 "text2vec" 的值为：/mnt/workspace/text2vec "text2vec-base": "shibing624/text2vec-base-chinese", "text2vec": "/mnt/workspace/text2vec", . Meta（Facebook）的 Llama 2 搅动大模型混战的格局 Claude 2 解读 ChatGPT 4 的技术秘密：细节：参数数量、架构、基础设施、训练数据集、成本 AI人工智能大模型失守
58910编辑于 2024-07-19 - 来自专栏素质云笔记
R+NLP︱text2vec包——四类文本挖掘相似性指标 RWMD、cosine、Jaccard 、Euclidean （三,相似距离）
开篇内容参考： 重磅︱R+NLP：text2vec包——New 文本分析生态系统 No.1（一,简介） R+NLP︱text2vec包——BOW词袋模型做监督式情感标注案例（二,情感标注） 不展开描述，因为很常见，其中文本分析还有Hamming距离 详情戳我转的博客：机器学习中应用到的各种距离介绍（附上Matlab代码） ———————————————————————————— EMD主要应用在图像处理和语音信号处理领域。 EMD 实际上是线性规划中运输问题的最优解。首先，简要描述下运输问题。我们假设这个例子是从多个工厂运输货物到多个仓库。 2、EMD算法在自然语言处理领域的应用 通过词嵌入（Word Embedding），我们可以得到词语的分布式低维实数向量表示，我们可以计算词语之间的距离，即我们可以得到dij，因此可以将EMD Euclidean 距离 x = dtm_tfidf_lsa[1:300, ] y = dtm_tfidf_lsa[1:200, ] m1 = dist2(x, y, method = "euclidean") 4、
2K20编辑于 2022-05-09 - 来自专栏萌海无涯
Django学习创建应用（4）
我们接下来就要搭建应用 了！通过 Djaong 编写的每个应用 都是由 Python 包组成的，这些包存放在你的 Python 路径中并且遵循一定的命名规范。 Django 提供了个实用工具可以自动生成一个应用的基本目录架构，因此你可以专注于编写代码而不是去创建目录。 说起来搭建应用 ，这个应用 是干嘛的？ 项目与应用之间有什么不同之处？ 应用是一个提供功能的 Web 应用 – 例如：一个博客系统、一个公共记录的数据库或者一个简单的投票系统。项目是针对一个特定的 Web 网站相关的配置和其应用的组合。一个项目可以包含多个应用。 创建应用： 理解了应用之后我们就可以学习在Django怎么创建应用了！ 注意：运行命令的目录同样需要与 manage.py 同目录。 此目录结构就是投票应用。 目录截图： ?
61230发布于 2019-08-30 - 来自专栏Web 技术
【Swift4】(7) 枚举 | 应用
,Int,Int,Int) case QRCode(String) //将枚举变量QRCode关联为String类型 } let productCodeA = Barcode.UPCA(4, //"UPC-A with value of 4, 102, 306,8.
30820编辑于 2023-10-07 - 来自专栏架构师成长之路
Spring boot(4)-应用打包部署
合适的资源过滤 4、合适的插件配置（exec插件，surefire，Git commitID，shade） 5、针对 application.properties和application.yml 的资源过滤 启动： 我们直接启动：java -jar demo-0.0.1-SNAPSHOT.jar 4、部署到javaEE容器 修改启动类，继承 SpringBootServletInitializer 是 beans 显示应用中包含的 Spring bean 的信息。 是 configprops 显示应用中的配置参数的实际值。 是 dump 生成一个 thread dump。 是 health 显示应用的健康状态信息。 否 info 显示应用的基本信息。 否 metrics 显示应用的性能指标。 是 mappings 显示 Spring MVC 应用中通过“ @RequestMapping”添加的路径映射。 是 shutdown 关闭应用。
1.9K20编辑于 2022-04-14 - 来自专栏机器学习AI算法工程
最准的中文文本相似度计算工具
text2vec, chinese text to vetor. 篇章粒度，可以通过gensim库的doc2vec得到，应用较少，本项目不实现。 get similarity score between text1 and text2 from text2vec import Similarity a = '如何更换花呗绑定银行卡' b = '
15.6K31发布于 2020-04-08 - 来自专栏素质云笔记
NLP︱词向量经验总结（功能作用、高维可视化、R语言实现、大规模语料、延伸拓展）
包） 参考博客：text2vec（参考博客：重磅︱R+NLP：text2vec包——New 文本分析生态系统 No.1（一,简介）） —————————————————————————————————— —————————————— 二、词向量表示精度 不同的词向量表达方式也有着不同的优劣势， 1、NLP︱高级词向量表达（一）——GloVe（理论、相关测评结果、R&python实现、相关应用） 2、NLP 4、词向量的短语组合word2phrase 通过词向量构造一些短语组合，要分成两步来探索： （1）词语如何链接起来？（参考论文） （2）链接起来，用什么方法来记录组合短语？ 近日发现了其他两个：一个是text2vec，一个是rword2vec。 其中text2vec是现在主要的研究方向： 重磅︱R+NLP：text2vec包简介（GloVe词向量、LDA主题模型、各类距离计算等） ——————————————————————————————
2.9K10发布于 2019-05-26 - 来自专栏素质云笔记
R+NLP︱text2vec包——四类文本挖掘相似性指标
不展开描述，因为很常见，其中文本分析还有Hamming距离 详情戳我转的博客：机器学习中应用到的各种距离介绍（附上Matlab代码） ———————————————————————————— EMD主要应用在图像处理和语音信号处理领域。 ? EMD 实际上是线性规划中运输问题的最优解。首先，简要描述下运输问题。我们假设这个例子是从多个工厂运输货物到多个仓库。 2、EMD算法在自然语言处理领域的应用 通过词嵌入（Word Embedding），我们可以得到词语的分布式低维实数向量表示，我们可以计算词语之间的距离，即我们可以得到dij，因此可以将EMD 链接：http://ir.dlut.edu.cn/news/detail/362 ————————————————————————————————————————————— 三、R语言︱text2vec Euclidean 距离 x = dtm_tfidf_lsa[1:300, ] y = dtm_tfidf_lsa[1:200, ] m1 = dist2(x, y, method = "euclidean") 4、
2.2K30发布于 2019-05-28 - 来自专栏程序员树先生
基于 ChatGLM-6B 搭建个人专属知识库
6b # 下载 Embedding 模型 git clone https://huggingface.co/GanymedeNil/text2vec-large-chinese /your_path/text2vec "ernie-tiny": "nghuyong/ernie-3.0-nano-zh", "ernie-base": "nghuyong/ernie-3.0-base-zh", "text2vec ": "/your_path/text2vec" } llm_model_dict = { "chatyuan": "ClueAI/ChatYuan-large-v2", "chatglm -6b-int4-qe": "THUDM/chatglm-6b-int4-qe", "chatglm-6b-int4": "THUDM/chatglm-6b-int4", "chatglm
4.3K155编辑于 2023-05-16 - 来自专栏C++核心准则原文翻译
自学鸿蒙应用开发（4）- 画面布局
在原有布局基础上，增加另外的DirectionalLayout管理图像和文字，并增加三处Component用于调整个要素之间的间隔。
64220发布于 2020-12-31 - 来自专栏一臻AI
人人都会AI｜Python基础应用（4）
Python的基础概念和简单应用 记得你小时候第一次学说话吗？"妈妈"、"爸爸"这样简单的词汇，开启了你与这个世界对话的大门。 在Python世界里，我们的第一句话就是"Hello, World"。 Python的实际应用场景和编程思维 看到这，你可能会问： 学习Python编程到底能做什么？ pandas as pd import matplotlib.pyplot as plt # 创建示例销售数据 sales_data = { '月份': ['1月', '2月', '3月', '4月 在接下来的学习中，我们将继续探索更多AI和Python的高级特性和实际应用场景。
39710编辑于 2025-03-06 - 来自专栏葡萄城控件技术团队
ActiveReports 报表应用教程 (4)---分栏报表
1、横向分栏报表 1.1、在 ASP.NET 应用程序中添加一个名为 rptAcrossDown.cs 的 ActiveReports 报表文件，选择的项目模板类型为 ActiveReports 7 区域报表
3.5K80发布于 2018-01-10 - 来自专栏算法工程师的学习日志
Matlab实用程序--图形应用4
实例40：UIMENU菜单的应用 h0=figure('toolbar','none',... 'position',[200 150 450 250],... 'set(hl2(4),''checked'',''on''),',... 'position',[80 230 100 20]); h4=uicontrol(gcf,'style','edit',... 'set(h4,''string'',c),',... 'end']); h8=uicontrol(gcf,'style','text',... 'position',[150 60 50 20]); t4=uicontrol('parent',h0,... 'style','text',...
59430编辑于 2022-07-27 - 来自专栏科控自动化
运动控制4.CAM同步应用
在生产机械应用领域得到广泛应用，例如：浇铸机的浇口控制，飞锯/轮切等线材、板材等定长控制，开箱机、旋盖机、贴标机、模切机、印刷机、交叉铺网机、轮胎成型机、烫金机、汽车水箱翅片机、密封条打孔机、岩棉锯切机 VDI指南2143中定义了16种可能的运动过渡选择（图4），并给出了不同过渡转换可能适用的运动转变的过渡曲线（图5）。 图4 VDI 2143基于连续分段的运动过渡选择 图5 VDI 2143适用于可能的运动转变的运动定律 有关“LCamHdl”库的更多信息，请参见西门子工业在线支持网站的条目 ID 105644659 应用示例介绍了如何使用“LCamHdl”创建凸轮并以按下操作为例说明了如何切换两个凸轮。 随后同步，设置参数“MC_CamIn.SyncProfileReference”= 3时，设置参数使用主值距离与特定同步位置同步和“MC_CamIn.SyncProfileReference”= 4时，
4.6K31编辑于 2022-03-29 - 来自专栏超级架构师
区块链的4个实际应用
但是区块链技术的应用超过了加密货币。将来，它可能成为许多日常b2b事务的一部分，包括那些由企业应用程序驱动的事务。 iStockphoto 考虑一下在企业应用程序中使用区块链的四种场景，以提供更灵活、更安全、更精简的业务流程——甚至启用新的业务模型。 1。赋能分布式的、独立的市场 。 例如，通过使用企业资源规划(ERP)应用程序的验证发票，公司可以通过在一个自主的发票保理市场上销售发票来快速筹集所需的现金或加速现金流。 其他资产的自主市场将成倍增长。 一个合乎逻辑的应用程序是雇员或学生记录，雇主和教育机构，甚至是行业认证机构，都可以添加新的资格、等级或工作岗位。 4。跟踪产品和材料的来源。 区块链可以帮助确保产品的质量和安全性，使其更容易追踪和定位在使用的产品和材料。
1.2K60发布于 2018-04-24 - 来自专栏大模型应用
大模型应用：语料库治理实战：基于 text2vec+BERT 的由浅入深解析.41
价值导向的偏差：如果训练数据中包含大量不文明用语，模型很可能在无意中生成类似内容，这在商业应用中可能带来品牌声誉风险。 规则细筛：业务精修阶段目标：应用业务特定规则进行精细筛选核心任务：关键词过滤：保留包含领域关键词的文本长度筛选：根据应用场景设定合理的文本长度范围文体过滤：保留目标文体（如正式文档、对话记录等）来源可信度 语义去重：基于text2vec识别语义相似的重复文本3. 质量评分：使用BERT模型评估文本质量并打分4. 规则细筛：应用业务特定规则进行精细筛选5. 质量评估：综合验证语料整体质量指标6. 向量维度：{emb_array.shape}") # 4. ===== 结果图示：4.
32843编辑于 2026-03-10
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