- 综合排序
- 最热优先
- 最新优先
- 来自专栏Redis原理与应用
Redis应用—9.简单应用汇总
(String数据结构)6.实现一个简单的唯一ID生成器(incr命令)7.实现博客点赞次数计数器(incr命令 + decr命令)8.社交网站的网址点击追踪机制(长网址转短网址)(Hash数据结构)9. /短网址追踪案例public class ShortUrlDemo { private static final String[] X36_ARRAY = "0,1,2,3,4,5,6,7,8,9, shortUrlDemo.getShortUrlAccessCount(shortUrl); System.out.println("短网址被访问的次数为：" + accessCount); }}9.
17900编辑于 2025-03-08 - 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）
https://blog.csdn.net/sinat_26917383/article/details/53260117 在之前的开篇提到了text2vec，笔者将其定义为 近年来，BoW模型被广泛应用于计算机视觉中。 "John": 1, "likes": 2,"to": 3, "watch": 4, "movies": 5,"also": 6, "football": 7, "games": 8,"Mary": 9, ———————————————————————————————— 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 ———————————————————————————————— 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Devops专栏
9. Django 2.1.7 创建应用模板
上一篇中讲诉了关于Django 2.1.7 视图的操作，本篇章开始研究模块这块内容。
50820编辑于 2022-01-17 - 来自专栏C++核心准则原文翻译
自学鸿蒙应用开发（9）- TimePicker组件
本文介绍在鸿蒙应用中TimePicker组件的基本用法。 增加TimePicker组件 如下代码中46行~52行所示，在布局中增加TimePicker组件。 <?
59020发布于 2021-01-13 - 来自专栏HarmonyOS知识集合
【HarmonyOS NEXT】鸿蒙应用点9图的处理（draw9patch）
【HarmonyOS NEXT】鸿蒙应用点9图的处理（draw9patch）一、前言：首先在鸿蒙中是不支持安卓 .9图的图片直接使用。
56100编辑于 2025-03-24 - 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 ——————————— 三、LDA主题模型 LDA主题模型是基于lda包开发的（Jonathan Chang）,在下次发布的时候该主题模型的引擎就会嵌入到lda包之中，目前text2vec
1.2K10发布于 2019-05-26 - 来自专栏生信技能树
RNAvelocity 9：scVelo应用—动力学模型
与以前的教程一样，应用胰腺内分泌发育数据集来展示。 [ ]: # update to the latest version, if not done yet. ! [9]: df = adata.var df = df[(df['fit_likelihood'] > .1) & df['velocity_genes'] == True] kwargs = dict 'degradation rate', xticks=[.1, .4, 1], **kwargs) scv.get_df(adata, 'fit*', dropna=True).head() [9]
62620发布于 2021-10-12 - 来自专栏单细胞天地
RNAvelocity 9：scVelo应用—动力学模型
与以前的教程一样，应用胰腺内分泌发育数据集来展示。 [ ]: # update to the latest version, if not done yet. ! [9]: df = adata.var df = df[(df['fit_likelihood'] > .1) & df['velocity_genes'] == True] kwargs = dict 'degradation rate', xticks=[.1, .4, 1], **kwargs) scv.get_df(adata, 'fit*', dropna=True).head() [9]
93910发布于 2021-10-09 - 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 Text2Vec Mistral模块同步升级 类似HuggingFace模块，Mistral文本向量化模块也同步更新以支持最新模型嵌入API。 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。 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）
在之前的开篇提到了text2vec，笔者将其定义为R语言文本分析"No.1"，她是一个文本分析的生态系统。笔者在学习之后发现开发者简直牛！基于分享精神，将自学笔记记录出来。 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
2K20编辑于 2022-05-09 - 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", .
58910编辑于 2024-07-19 - 来自专栏AI智韵
YoloV9改进策略：Block改进|MBConv在YoloV9中的应用
在YoloV9中的应用：将MBConv模块替换YoloV9中的BottleNeck模块后，可以进一步提升YoloV9的计算效率和性能。 模型性能提升：除了训练速度的提升外，MBConv模块还能在一定程度上提高YoloV9的模型性能。 本文介绍了EfficientNetV2及其中的MBConv模块，并探讨了将MBConv模块应用于YoloV9中的可能性。 通过替换YoloV9中的BottleNeck模块为MBConv模块，可以显著加快训练速度并提高模型性能。这一改进为YoloV9的目标检测任务提供了更高效、更准确的解决方案。 由于搜索空间较小，我们可以在与EfficientNetB4大小相当的大型网络上应用强化学习（Tan等，2019）或简单的随机搜索。
42010编辑于 2024-12-19 - 来自专栏DotNet NB && CloudNative
.NET 9应用安全实战：构筑金库级防护体系的9大核心策略
在.NET 9的世界中，安全威胁的演变速度与框架更新同样迅猛。编写安全代码绝非简单勾选清单——它需要将安全意识融入每一行代码的基因。 本文将深入探讨如何通过高级技术手段，让你的.NET 9应用固若金汤。 1. NET 9中认证中间件的改进让集成更加丝滑。 示例：使用.NET 9数据保护API加解密 var protector = _dataProtectionProvider.CreateProtector("MyApp.SecretData 将这些实践深度融入.NET 9开发流程，你不仅能抵御现有威胁，更能构建值得用户托付的可靠系统。下次敲下代码时，请自问：这条代码安全吗？若答案存疑，你已知道该如何行动。
34410编辑于 2025-05-26 - 来自专栏一“技”之长
iOS9系列专题三——应用瘦身 原
更小，更快——iOS9的App Thinning apple在iOS9中引入了一套新的app瘦身方案，通过一些优化策略，将尽可能的减小app安装包的体积。 在xcode中，使用asset catalog管理素材文件，在我们提交应用市场后，会自动帮我们生成各个尺寸包得app副本。 三、On-Demand Resources 这是一种多级应用的设计思路，例如一个游戏，开发者可以将其分为一个大小各异的资源包，用户只需下载一个小的引导程序，在程序内加载相应资源包。 这样，可以大大加快应用的安装速度。 专注技术，热爱生活，交流技术，也做朋友。 ——珲少 QQ群：203317592
54220发布于 2018-08-16 构建现代应用的9个Python GUI库
你是不是也觉得Python好是好，就是做个带界面的桌面应用太费劲了，是时候打破这个刻板印象了。如今的Python在GUI开发领域早就不是吴下阿蒙了。 今天介绍的Python GUI库都可以打造炫酷的应用。在此之前，我们先搞定一切的基础 —— 开发环境。项目一多，Python版本就成了个头疼事。 这个界面既可以在浏览器里访问，也可以打包成一个独立的桌面应用。非常适合做数据看板、Web小工具这类应用。特点：只写Python，就能得到一个现代化的Web UI。部署灵活，既是网站，也是桌面应用。 非常适合数据密集型应用和开发工具。独特的立即模式API。 下次再有人说Python做不了桌面应用，就把这篇文章甩给他！
1.9K21编辑于 2025-10-31- 来自专栏大魏分享（微信公众号：david-share）
实战：应用对持久数据访问| 从开发角度看应用架构9
二、Java对持久数据的访问方式 前文已经提到，Java应用对应用数据的访问，最终通过ORM方式实现。 ? 而ORM的实现，通过JPA的标准，底层使用Hibernate等技术。 应用程序调用实体管理器的持久性，查找或合并方法后，实体实例处于受管状态。 Removed State:持久实体可以通过多种方式从数据库表中删除。 事务类型定义了应用程序打算执行什么类型的事务。容器事务使用每个Java EE应用程序服务器中提供的Java事务API（JTA）。在JTA类型的事务中，容器负责创建和跟踪实体管理器。 六、实战：应用对持久数据的访问 通过JBDS导入一个已经存在maven项目： ? 接下来，构建和部署应用。 ? ? 接下来，在EAP上部署应用： ? 部署成功： ? 通过浏览器访问应用： ? 输入名字：david wei，点击提交： ? 点击view all names： ? ?
2.2K30发布于 2018-07-30 - 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. , "无线充电", ""] # 附加功能use_scenes = ["出差用", "打游戏", "日常办公", ""] # 使用场景discounts = ["5折", "7折", "8折", "9折 -9，。？！
32843编辑于 2026-03-10 - 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 包中的四大相似性距离 text2vec环境中有这么四个求距离的函数： sim2(x, y, method)：分别计算x*y个相似性； psim2(x, x, method
2.2K30发布于 2019-05-28 - 来自专栏C++系列
【C++】STL容器——string类的例题应用（9）
class Solution { public: bool isLetterOrNumber(char ch)//是否是字母 { return (ch >= '0' && ch <= '<em>9</em>' ) if(1 == count[s[i]]) return i; return -1; } }; 【例4]输入一个字符串，求字符串里面最后一个单词的长度【getline函数的应用 = 0; int valueret = value1 + value2 + next;//next为进位，value1，value2为单次循环中分别的取数 if(valueret > 9)
32910编辑于 2024-01-22
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