- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI应用开发实践
为文字预测建立数学模型
简单来说，它是一个可以预测单词（或字符）序列概率的模型。 根据这样一个简单的模型，我们就可以根据上文，预测出下文的字符，并最终得到完整的语句出现概率。 什么是文字的自然分布概率？ 文字的自然分布概率指单个文字在大型真实语料库（如新闻、书籍、网页文本等）中出现的频率统计，即： P(c)=语料中所有汉字的总出现次数/汉字 c 在语料中出现的次数 例如，“的”字在中文中出现频率极高（约 N-gram 模型的数学基础如下： 例如，句子“我爱自然语言”的Bigram概率为： 如果利用 N-gram 计算第一小节的问题，那么我们可以省去 今晚 两个字，而直接基于“我想吃”三个字去推断后面的内容
12410编辑于 2026-03-26 - 来自专栏cwl_Java
前端基础-HTML文字滚动
1.文字滚动 <html> <head> <title>我的第一个页面</title> </head> <body> <marquee behavior="scroll" direction="up
10.6K30发布于 2020-04-07 - 来自专栏Python基础、进阶与实战
Pygame基础7-输入文字
7-输入文字 原理 显示文字只要3步： 1. 创建字体对象 2. 渲染文字 3. 显示文字 base_font = pygame.font.Font(None, 32) user_text = ':' ... text_surface = base_font.render(user_text 案例 文字输入框 用一个矩形框来显示输入的文字，当鼠标点击时，矩形框变成蓝色，可以输入文字。当鼠标点击矩形框外时，矩形框变成灰色，不可以输入文字。
48110编辑于 2024-04-11 - 来自专栏大模型应用
大模型应用：概率驱动：大模型文字预测的核心机制与理论基础.5
大模型文字预测1. 基本原理 文字预测，就是让模型根据已经出现的文字，预测下一个最可能出现的字（或词）。比如，输入“今天天气很”，模型可能预测出“好”、“热”、“冷”等。2. 这就是文字预测最最基本的核心：根据已有的文字，计算下一个最可能出现的文字是什么。大模型不是一个真正的大脑，而是一个极其复杂的数学网络。我们可以把它想象成一个巨大的、经过特殊训练的自动补全机器。 二、文字预测的学习过程一个模型不是生来就会预测的。它需要经历一个“上学”的过程，这个过程叫做 “训练”。1. 微调：在预训练的基础上，用特定领域的数据（如医学、法律）或针对特定任务（如问答、对话）对模型进行进一步训练，使其更擅长特定任务。 三、文字预测的应用 如果大模型只是一个词一个词地预测，能有什么大用处，事实上，这正是所有强大AI应用的基础，应用的范围涵盖广泛，以智能对话、内容创作以及信息检索总结等这些和我们息息相关的业务领域为起点正蓬勃发展
28832编辑于 2026-02-02 HarmonyOS NEXT AI基础视觉服务-文字识别
案例描述这是一个基于AI基础视觉服务实现的文字识别案例，通过调用设备相机拍摄照片后识别图片中的文字内容。实现步骤：1. 文字识别核心实现// 配置视觉识别参数let visionInfo: textRecognition.VisionInfo = { pixelMap: pixelMap};// 执行文字识别并获取结果 // 按钮点击事件处理 async openCamera() { // 整合上述步骤的完整调用逻辑 } build() { Column() { Button('拍照 文字识别 完整业务逻辑整合各功能模块的完整调用流程总结梳理：核心点相机调用需设备权限与硬件支持图像转换确保兼容不同格式图片文字识别接口返回结构化识别结果完整代码// 原始代码保持完整，仅添加说明注释import kit.CoreVisionKit';@Entry@Componentstruct TextRecognition { @State text: string = ''; // 主功能方法：整合相机调用与文字识别
37700编辑于 2025-03-30- 来自专栏开心的学习之路
基础练习 龟兔赛跑预测
然而有些比赛相当漫长，全程观看会耗费大量时间，而小华发现只要在每场比赛开始后记录下兔子和乌龟的数据——兔子的速度v1（表示每秒兔子能跑v1米），乌龟的速度v2，以及兔子对应的t，s值，以及赛道的长度l——就能预测出比赛的结果 但是小华很懒，不想通过手工计算推测出比赛的结果，于是他找到了你——清华大学计算机系的高才生——请求帮助，请你写一个程序，对于输入的一场比赛的数据v1，v2，t，s，l，预测该场比赛的结果。
64420发布于 2019-02-14 - 来自专栏大数据钻研
HTML5基础——文字常用标签（上）
字体与字号 在介绍完标题后，我们还要处理正文的文字， 2.1 设置字体——face 语法： 文字 其中，font为设置文字的标签，face为该标签的属性，表示文字的字体 ，之间的文字，就是应用字体的文字。 文字的字体.png 2.2 文字的字号 我们在设置完文字的字体后，还需要给文字设置大小，设置字号的范围是1~7。 文字的字号.png 3. 颜色 我们在设置好文字的字号后，发现文字总是黑色的，有时，我们为了页面好看，需要将文字设置成别的颜色，设置文字的颜色的标签属性为color。 文字的颜色.png 以上是关于文字的一些常用格式，下篇文章将为大家介绍文字的粗体与斜体、下划线与删除线以及等宽文字标记。
4.6K60发布于 2018-04-18 - 来自专栏Java
试题 基础练习 龟兔赛跑预测
试题 基础练习 龟兔赛跑预测 资源限制 内存限制：512.0MB C/C++时间限制：1.0s Java时间限制：3.0s Python时间限制：5.0s 问题描述 话说这个世界上有各种各样的兔子和乌龟 然而有些比赛相当漫长，全程观看会耗费大量时间，而小华发现只要在每场比赛开始后记录下兔子和乌龟的数据——兔子的速度v1（表示每秒兔子能跑v1米），乌龟的速度v2，以及兔子对应的t，s值，以及赛道的长度l——就能预测出比赛的结果 但是小华很懒，不想通过手工计算推测出比赛的结果，于是他找到了你——清华大学计算机系的高才生——请求帮助，请你写一个程序，对于输入的一场比赛的数据v1，v2，t，s，l，预测该场比赛的结果。
17100编辑于 2025-01-21 Eigen基础用法-实现线性回归预测
基础 定义一个 3∗3 的浮点型矩阵 typedef Eigen::Matrix<float, 3, 3> MyMatrix33f; 定义一个 3∗1 的浮点型列向量 typedef Eigen::Matrix 最流行的估计方法之一是基于最小二乘原理的估计方法：最小化给定数据集中观测的因变量与线性函数预测的因变量之差的平方和。这被称为常规最小二乘( OLS )估计量。 << "Estimated with normal equation parameters vector : " << b_norm << std::endl; // 预测
53120编辑于 2025-05-03- 来自专栏落影的专栏
文字排版入门—— 排版基础、CoreText和图文混排
一、排版概念 1、Characters and Glyphs（字符和字形） 字符是文字的最小单元，以这段文字为例，每个字都是一个字符；需要注意，字符是一个抽象的概念； 当文字真正绘制出来时需要选择字体 字符属性的详细介绍： text direction：文字的排版顺序，像English是从左上角开始，从左到右；也有文字的排版是从右到左或者是从上到下的排版等； line breaking：在字符串中找到一个点 ； Alignment：多行文字的对齐方式，常见有下面三种： ? 根据测量，文字中图片的size确实为预设的文字大小，底部的浅绿色区域其实是排版时，一行的descent区域。 总结 本文详细介绍了CoreText的基础概念以及实际运用，如果理解完CoreText框架和文字排版、图文混排等知识，那么已经足够支撑做起一个阅读器啦，恭喜你。
8.7K32发布于 2020-02-25 - 来自专栏自动化测试实战
接口测试基础——第2篇smtplib发送文字邮件
王者荣耀真害人！这就是昨天没发的原因…… 我先给大家补充一个用QQ发送纯文本电子邮件的代码，用QQ的朋友可以参考一下： # coding=utf-8 import smtplib from email.mime.text import MIMEText mail_host = “smtp.qq.com” receivers = “123@qq.com” sender = “456@qq.com” passwd = ‘QQ邮箱的授权码’ contents = “python发送邮件” # 构造邮件正文 ms
89250发布于 2018-05-18 - 来自专栏人工智能
机器学习：预测性维修的数据基础
当我们谈到应用落地时，可能很多企业会有这样的误解或疑问：“是不是将设备装上传感器就能开展预测性维修”、“我的工厂现在能不能部署预测性维修”。 通过我的上一篇文章（机器学习（13）：飞机发动机的故障预测），我们知道进行故障预测的前提假设是设备故障遵循某种与时间相关的模式，也就是说设备会随着使用时间的增加而出现性能下降、健康衰减、零件磨损等问题， 在大部分的预测性分析场景，通常要由数据的质量来确定多少数据量是可以接受的。如果数据集不包含与故障预测相关的特征，那么尽管有很多数据，构建一个可用的预测模型也是不可能的。 我们对预测性维修的平台、价值的讨论已经太多了，企业客户其实会感到焦虑和迷茫，接下来需要行业内更多地关注落地，引导企业理性思考，共同寻找那些具有良好数据基础的应用场景，先行先试。 论应用：预测性维修不能取代人的决策 1）预测性维修不可能代替事后维修 2）基于过往故障记录的预测只能是方向性的，基于具体设备检查诊断分析才可能准确 3）对设备熟悉程度在某种程度上决定了预测的结果，所以人在预测性维修中起了主导作用
4K100发布于 2018-02-05 - 来自专栏DeepHub IMBA
Moirai：Salesforce的时间序列预测基础模型
在本文中，我们将探索用于时间序列预测的 Salesforce 新发布的基础模型 Moirai。 最后我们还对比Moirai 与其他两个基础模型之间的差异，例如训练数据的大小、模型参数的数量以及它们是否允许多变量预测。 概率预测在风险管理和规划中特别有用，因为它使利益相关者能够评估从最悲观到最乐观的各种情景的可能性。 Moirai Moirai 是 Salesforce 开发的用于时间序列预测的基础模型。 在时间序列预测的基础模型中，补丁的作用是什么呢？ 时间序列预测的目标是理解每个不同时间步之间的相关性。基础模型倾向于使用基于transformer 的架构。 由于 Moirai 是一个基础模型，它旨在预测各种数据域，因此不能限于单一分布。
1.7K11编辑于 2024-04-15 - 来自专栏PaddlePaddle
【场景文字识别】场景文字识别
场景文字识别是在图像背景复杂、分辨率低下、字体多样、分布随意等情况下，将图像信息转化为文字序列的过程，可认为是一种特别的翻译过程：将图像输入翻译为自然语言输出。 场景图像文字识别技术的发展也促进了一些新型应用的产生，如通过自动识别路牌中的文字帮助街景应用获取更加准确的地址信息等。 本例将演示如何用 PaddlePaddle 完成 场景文字识别 (STR, Scene Text Recognition) 。 使用 PaddlePaddle 训练与预测 [1]安装依赖包 pip install -r requirements.txt [2]修改配置参数 config.py 脚本中包含了模型配置和训练相关的参数以及对应的详细解释 [5]预测 预测部分由 infer.py 完成，使用的是最优路径解码算法，即：在每个时间步选择一个概率最大的字符。
28.4K70发布于 2018-04-02 - 来自专栏CSDNToQQCode
Java递归基础案例-回文字符串的判断
题目解析： 回文字符串就是正读倒读都一样的字符串。 如”98789”, “abccba”都是回文字符串 package Action; public class test { public static void main(String[] args
64220编辑于 2022-11-29 - 来自专栏ypw
蓝桥杯 试题 基础练习 龟兔赛跑预测
对模拟题一直都不太熟练，此题就是我们把路程作为一个衡量标准，然后的当其中一个打破的时候，看看哪个大，然后判断哪个胜出，那么如果两者距离没有大于t，那么的话就是两者都在奔跑，所以的话，将两者距离都更新，但如果是大于的话，那么兔子不跑，只用将乌龟的时间跟距离更新即可！
64610发布于 2020-09-11 - 来自专栏雪碧君终将成长
iOS swift将文字转为竖排文字
在开发一款中国文化的app时，需要以竖排文字的方式展示诗文。 在CSS中，有一个文字方向的属性可以用来直接显示竖排文字，但是在iOS中并没有直接提供，所以扩展一下String类，可以返回一个竖排多行文字 先看一下效果: ---- 简单做一下说明： convertVerticalText 是将多行文字转变为多列文字的处理过程，类似于矩阵的对角。 首先获取待转换的文字一共有多少行，那么也就对应着转换后每一行有几个字。 由于每一行的文字个数未必相同，在转换为列的时候，就意味着会有空白，所以要获取最长一行有多少个字符。
3.2K20编辑于 2023-02-15 - 来自专栏自动化测试实战
接口测试基础——第一篇smtplib发送文字邮件
现在我们就开始进入接口测试框架的知识准备阶段，今天是第一篇，很简单的，就是发送纯文字的电子邮件，会的童鞋可以忽略，不会的就多敲几遍，直到自己能敲出来为止~~ # coding: utf-8 import
1.1K70发布于 2018-05-18 - 来自专栏时空探索之旅
ICLR 2026 | 时间序列（Time Series）论文总结（上）【预测，多模态，预测×LLM，基础模型】
观察：39篇时序预测相关文章统计值 最大均分 均值 最小均分 6.5 5.21 4 其中均分≥6的有9篇，根据OpenReview显示，应该均为Poster，无Oral和Spotlight（如有错误， 注：由于论文数目较多，分为上下篇，此为上篇，主要涵盖时间序列预测，包括但不限于不规则时序，多模态，可解释性，概率预测，不确定性，在线预测，benchmark，预测和LLM以及基础模型结合。 下篇主要涵盖基础模型，异常检测，分类，插补，表示学习等 祝大家小年快乐！ 1. 6.0 推荐阅读 ICLR 2026 | Rebuttal前 时间序列(Time Seires)高分论文总结 NeurIPS 2025 | 时间序列（Time Series）论文总结[上]——时间序列预测 NeurIPS 2025 | 时间序列（Time Series）论文总结[下]——基础模型, 异常检测, 分类, 生成,表示学习 ICML 2025 | 时间序列(Time Series)论文总结 此公众号的文章皆系本人原创
1.3K10编辑于 2026-03-10 - 来自专栏杨龙飞前端
文字换行
1、首先文字换行和display属性是没有关系的 2、影响文字换行不起作用的有可能是white-space属性 .div{ width:100px;//必须要设置的 white-space:normal
5.2K50发布于 2018-06-14
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