- 综合排序
- 最热优先
- 最新优先
- 来自专栏乐乐
【MySQL 文档翻译】理解查询计划
原文地址: 【MySQL 文档翻译】理解查询计划欢迎访问我的博客: http://blog.duhbb.com/官方文档MySQL 官方文档地址: 8.8 Understanding the Query (感觉就是查询的时候, 所有的索引都不太可用, 然后就走全表扫描, 但是所选的列又是被二级索引覆盖了, 所以会优先去扫描二级索引, 我理解的是这样的)对于 InnoDB, 即使查询还选择了主键, 二级索引也可能覆盖选定的列 请参见第 5.1.1 节 配置服务器.笔者的验证 Demo没有刻意增加 Explain 的使用 Demo, 后续的开发中会找机会验证的.原文地址: 【MySQL 文档翻译】理解查询计划欢迎访问我的博客:
2.8K20编辑于 2022-07-10 - 来自专栏机器学习AI算法工程
文档智能理解：通用文档预训练模型与数据集
所谓解码就是根据一个句子的输入得到一个预想的结果，比如机器翻译（输入源语言句子，输出目标语言句子），或者阅读理解（输入文档和问题，输出答案）。 我们在三个不同类型的下游任务中进行验证：表单理解（Form Understanding），票据理解（Receipt Understanding），以及文档图像分类（Document Image Classification 研究员们在三个不同类型的下游任务中进行了验证：表单理解（Form Understanding）、票据理解（Receipt Understanding），以及文档图像分类（Document Image Classification 实验结果：LayoutLM 的表单、票据理解和文档图像分类水平显著提升 预训练过程使用了 IIT-CDIP 数据集，这是一个大规模的扫描图像公开数据集，经过处理后的文档数量达到约11,000,000。 通过千万文档量级的预训练并在下游任务微调，LayoutLM 在测试的三个不同类型的下游任务中都取得了 SOTA 的成绩，具体如下： 1) 表单理解（Form Understanding）：表单理解任务上
2K30发布于 2020-12-15 - 来自专栏FreeBuf
安全扫描工具Nmap引擎理解文档
作者 yiran4827 本文档介绍了Nmap的系统结构及扫描流程，最后重点介绍了Nmap的NSE扫描脚本。
2.4K70发布于 2018-02-02 - 来自专栏DeepHub IMBA
基于Vision Transformers的文档理解简介
文档理解是从pdf、图像和Word文档中提取关键信息的技术。这篇文章的目标是提供一个文档理解模型的概述。 文档理解算法使用编码器-解码器结构分析文档内容，该管道结合了计算机视觉(CV)和自然语言处理(NLP)方法。管道的CV部分将文档作为输入图像进行分析，生成transformer可以处理的表示形式。 VisionEncoderDecoderConfig.from_encoder_decoder_configs(config_encoder, config_decoder) model = VisionEncoderDecoderModel(config=config) 视觉编码器解码器为许多文档理解模型提供了基础 尽管一些文档理解模型(如LayoutLMv3[1])需要预处理来识别边界框并执行OCR，但Donut将输入图像直接转换为目标JSON，如下面的代码所示。 "$42.30", "Amount": "$42.30" } ], "InvoiceTotal": "$425.79" } 以上就是文档理解的简介
87430编辑于 2023-02-01 - 来自专栏史上最简单的Spring Cloud教程
深入理解Hystrix之文档翻译
该文介绍了如何使用Hystrix实现服务熔断和降级，以及Hystrix的配置和监控方法。同时，文章还介绍了Hystrix的熔断器、隔离和Fallback机制，以及如何使用Hystrix实现服务熔断和降级。
1.4K70发布于 2017-12-29 - 来自专栏JadePeng的技术博客
深度解读RAGFlow的深度文档理解DeepDoc
上传成功后，可以通过解析状态查看解析进度，也可以配置文档的parser解析方法，以更好的解析内容。 点击文档名称，可以进入文档详情，查看拆分的chunk，可以看到普通的文本是按照token拆分，还未实现按照段落语义拆分，差评。 表格是单独抽取出来，独立存储的，将文档里的表格比较好的还原为了html表格，准确率尚可，这里好评。 DeepDoc 介绍 DeepDoc 是 RAGFlow 的核心组件，它利用视觉信息和解析技术，对文档进行深度理解，提取文本、表格和图像等信息。 DocxParser word文档解析 word文档比pdf解析更容易，直接看__call__: def __call__(self, fnm, from_page=0, to_page=100000)
17K45编辑于 2024-04-10 - 来自专栏bug收集
JS中文档碎片的理解和使用
本文将要探讨： js中对于文档碎片的理解与使用 1、我们要明白当js操作dom时发生了什么？ 每次对dom的操作都会触发"重排"（重新渲染界面，发生重绘或回流），这严重影响到能耗，一般通常采取的做法是尽可能的减少dom操作来减少"重排" 2、什么是文档碎片？ document.createDocumentFragment() 一个容器，用于暂时存放创建的dom元素 3、文档碎片有什么用？ 将需要添加的大量元素时 ,先添加到文档碎片中，再将文档碎片添加到需要插入的位置，大大减少dom操作，提高性能（IE和火狐比较明显） 示例：往页面上放100个元素； 普通方式：（操作了100次dom ：(操作1次dom) 先将dom暂存在文档碎片中，然后在一次性操作dom var df = document.createDocumentFragment();
1.9K20编辑于 2022-07-22 - 来自专栏技术探究
【前端攻略--HTMLCSS】html 文档流的理解
理解好文档流，有助于我们对css中定位和浮动的理解。什么是文档流呢，经过我看过的一些文章，加入自己的理解。我得出文档流的定义如下： 从左至右，从上至上的布局。 可以这样理解，本来这个标签是属于文档流管理的，那么它应该按照文档流的正常布局方式从左至右从上之下，并且符合标签本身的含义。 脱离文档流是指，这个标签脱离了文档流的管理。 浮动元素不占任何正常文档流空间，而浮动元素的定位照样基于正常的文档流，然后从文档流中抽出并尽能够远的挪动至左侧或许右侧。 当一个元素脱离正常文档流后，依然在文档流中的其他元素将忽略该元素并填补其原先的空间。 基于文档流，理解以下的定位形式: 相对定位：元素框偏移某个距离。 块级元素生成一个矩形框，作为文档流的一部分，行内元素则会创建一个或多个行框，置于其父元素中。 inherit：继承值，对象将继承其父对象相应的值。 要很好的理解上面这段话，可以用排除法。
3K20发布于 2019-07-10 征服PDF：超越纯文本的文档理解技术
征服PDF：超越纯文本的文档理解如果所有数据都以干净、清晰的纯文本形式出现，那么自然语言处理和数据科学将会非常简单。 本次演讲将介绍一种新的模块化方法，用于构建鲁棒的文档理解系统，该方法利用最先进的模型和强大的Python生态系统。将展示如何从PDF转换到结构化数据，甚至为特定用例构建完全定制化的信息提取流水线。 资源与工具博文：从PDF到AI就绪的结构化数据：深入探讨链接：基于此演讲的博文，介绍了如何为行业用例构建端到端的文档理解和信息提取流水线。 TableFormer：使用Transformers进行表格结构理解链接：Nassar等人，2022年。 利用TableFormer等模型进行表格结构理解，并将表格转换为pandas DataFrame，甚至可以自定义表格的文本表示。实践工作流：文档处理与标注：结合布局分析和自然语言处理。
11010编辑于 2026-01-24- 来自专栏运维开发王义杰
如何有效阅读和理解软件设计文档
阅读和理解软件设计文档是软件开发的重要技能。对于使用 UML 建模的设计文档，理解起来可能会有些困难，特别是对于初次接触的人来说。 在本文中，我们将探讨如何有效地阅读和理解这样的设计文档，包括概要设计和详细设计。 1. 了解设计文档的结构 设计文档通常包括若干部分，如需求分析、概要设计、详细设计、测试计划等。 了解用于表示设计的 UML 图 设计文档通常包含多种 UML 图，如类图、序列图、状态图等。你需要理解每种图的语义，以便正确地解读设计。 等你对这个部分有了充分的理解后，再去阅读其他部分。 结论 阅读和理解软件设计文档需要时间和实践。你需要熟悉 UML 语言，理解设计文档的结构，从全局视角开始，然后深入到详细设计，最后有针对性地阅读。 随着你的实践经验的增加，你会发现理解设计文档变得越来越容易。
45220编辑于 2023-08-10 - 来自专栏容器化
理解Linux文档属性、拥有者、群组、权限、差异
第三列 表示拥有者 第四列 表示所属群组 第五列 表示文档容量大小，单位字节 第六列 表示文档最后修改时间，注意不是文档的创建时间哦 第七列 表示文档名称。 语法 chown [-R] [帐号名称] [文件或目录] chown [-R] [帐号名称]:[群组名称] [文件或目录] 备注：此命令也可以顺便变更文档群组，但还是建议使用chgrp命令来变更文档群组 号码又是记录到目录所属的block中，所以当我们读取某个文件时，必须先读到目录的inode，然后再读取目录的block信息，拿到待读取文件的索引信息，即具体存储在哪个block上，最后才能读到文件内容(这块内容，需要先理解 由于使用的是root身份，具有读取任何文档的权限。如果，使用一般账号，上面每一个步骤的读取，还会匹配权限。 ，请看下一篇，Linux如何管理文档多租户进行实战练习。
1.1K30发布于 2019-02-15 - 来自专栏我爱计算机视觉
文档理解最新技术介绍 | DAS 2020 Keynote Speech
DAS 2020 (Document Analysis System,文档分析系统研讨会) 于 7月26-29日在武汉召开，本次研讨会中有不少精彩的内容，昨天向大家推荐了来自华南理工大学金连文老师和 Adobe 研究院的Sun Tong 博士的分享： DAS 2020 Keynote Speech | 深度学习时代的 OCR DAS 2020 Keynote Speech | Adobe 文档分析技术介绍 今天向大家推荐在该会议上来自 该分享指出文档分析技术正从文本识别向着更高级的文档理解发展，文档理解含有丰富的内涵： 1. 文档的布局检测分割； 2. 结构化信息提取，比如表格检测与识别等； 3. 基于文档识别的内容视觉问答。 包括相关技术和数据集的介绍，相信对从事OCR领域的朋友有帮助。 以下为完整PDF，52CV 获得授权发布。 大家也可以在我爱计算机视觉公众号后台回复“文档理解”获取PDF文件全文。 ?
84740发布于 2020-08-10 - 来自专栏智慧零售领域相关技术应用
从0到1理解ElasticSearch文档写入和检索原理
文档（Document）：一个文档是可以被索引的基础信息单元（相当于关系型数据库中一行数据）。文档可以用Json格式来表示。 3.1、文档写入流程 [文档写入流程图] 假设选中了Node2(DataNode) 发送写入Index1索引的请求，此时的Node2可以被称为协调节点（Coordinating Node）; Coordinaing 3.2、文档存储 3.2.1、文档存储结构 每个Elasticsearch分片都是一个Lucene索引（Index）,每个Lucene都包含了多个段（segment），每个segment有多个文档（Document 文档存储结构如下图所示： [文档存储结构图] 3.2.2、倒排索引存储 [倒排索引存储过程图] 从 in-memory buffer 到 disk page cache 的过程，对应 ElasticSearch 协调节点向包含这些文档ID的分片发送get请求，对应的分片将文档数据返回给协调节点，最后协调节点将数据返回给客户端。
1.9K75发布于 2021-10-14 - 来自专栏机器之心
通用文档理解新SOTA，多模态大模型TextMonkey来了
更进一步，基于对用户多样化需求的深入理解，TextMonkey 通过文本定位技术强化了答案的准确性，提升了模型的解释性，减少了幻觉，有效提高了在处理各类文档任务上的表现。 与此同时，在经过微调之后，TextMonkey 还可以具备 APP Agent 中理解用户指令并点击相应位置的能力。 可视化结果展示 TextMonkey 在场景图像和文档图像中都能准确定位和识别文本。 此外，(a) 中的自然图像、(b) 中的文档、(c) 中的图表和 (d) 中的表格都展示了 TextMonkey 在多种场景下识别、理解和定位文本信息的能力。 TextMonkey 的到来为通用文档理解带来曙光，这有潜力促进办公自动化、智慧教育、智慧金融等行业的技术变革。 参考文献 [1] Li Z, Yang B, Liu Q, et al.
1K10编辑于 2024-03-26 - 来自专栏通用文字识别信息技术白皮书
文档理解的新时代：LayOutLM模型的全方位解读
LayOutLM模型是一种创新的深度学习模型，它结合了传统的文本处理能力和对文档布局的理解，从而在处理包含丰富布局信息的文档时表现出色。这种模型的设计思想源于对现实世界文档处理需求的深刻理解。 通过深入了解LayOutLM模型，读者将能够更好地理解其在现代文档理解领域的独特价值和广泛应用前景。 它不仅理解文本内容，还融入了文档的布局信息，为文档理解带来了革新性的进步。接下来，我们将深入探讨LayOutLM模型的关键组成部分、工作原理和实际应用。 通过这个实战指南，读者应该能够理解如何在实际项目中部署和使用LayOutLM模型，从而解决复杂的文档理解任务。 LayOutLM的出现弥补了这一空缺，它的能力在于不仅理解文本内容，还能解读文档的视觉布局，展示了对更复杂数据的深层次理解。
2.2K10编辑于 2023-11-29 - 来自专栏全栈程序员必看
ettercap的使用帮助文档 官方man page的个人理解
原英文的帮助文档可以在 http://linux.die.net/man/8/ettercap 查看 或者在安装有ettercap的Linux终端输入”man ettercap”查看 多数以我自己的理解的方式翻译 ，不是很理解的地方翻译过来的可能会有很多不对的地方 如果对我翻译的内容有不一样的看法，欢迎交流。 BRIDGED模式的原理就比较好理解吧，ettercap就在两块网卡中间嗅探两块网卡的数据 你可以在嗅探期间使用同样的中间人攻击，也可以选择你喜欢的MITM攻击。 list”来查看（例：ettercap -P list） 注：你可以在图形化界面直接启动插件（经常按下“H”键可以获得帮助） 更多关于如何编写插件的信息可以查看ettercap_plugin的帮助文档 FILE >（加载过滤器文件） 加载过滤器文件，过滤器文件必须使用etterfilter编译，这个程序会把过滤脚本编译成一个可以用在ettercap下的二进制文件，可以阅读etterfilter的帮助文档获得更多过滤脚本的内容
1.9K20编辑于 2022-09-14 - 来自专栏繁依Fanyi 的专栏
【Java 进阶篇】JavaScript DOM 编程：理解文档对象模型
在 web 开发中，DOM（文档对象模型）是一个重要的概念。DOM 是一种将网页文档表示为树状结构的方式，允许开发者使用 JavaScript 来访问和操作网页的内容。 DOM 是 Document Object Model（文档对象模型）的缩写。它是一种编程接口，允许开发者使用脚本语言（通常是 JavaScript）来访问和修改网页的内容。 DOM 的树状结构如下所示： 文档（Document）是整个网页的根节点。 元素（Element）是文档中的标签，如
91120编辑于 2023-10-19来自专栏智能文本处理达观纪传俊：多模态文档LayoutLM版面智能理解技术演进
达观数据长期致力于办公文档的智能化处理，即通过对文档格式的全面解析、对文档内容的全面理解，从而提取出核心业务信息。 近几年兴起的多模态算法在这一方向上展现出了很好的效果，微软亚洲研究院的研究人员所提出的通用文档理解预训练模型LayoutLM模型就是具有代表性的方法，模型目前是开源的并且已经发布到3.0版本，各个版本都在一系列文档理解任务重取得了领先的效果 LayoutLM一经推出就在多个下游的文档理解任务上取得了领先的结果。 针对复杂布局长文档理解，使用Kleister-NDA数据集进行效果评测。 EPHOIE上也取得了SOTA，证明了多模态技术对于文档理解的可行性和未来巨大的潜力。
1.4K20编辑于 2022-12-07来自专栏MixLab科技+设计实验室建筑师编程指南之SketchUp插件开发 2 理解 API 文档
在 MixLab 群有用户求助，关于 casts_shadows 的代码，关键在于正确理解SketchUp 的 api 文档的写法： 1、 => 表示返回的值 #casts_shadows? 简短的练习，理解ruby等号结尾的方法～
1.5K60发布于 2018-04-17《谷歌Gemini 1.5：长语境理解重塑文档分析与检索新格局》
谷歌Gemini 1.5的问世，凭借其卓越的长语境理解能力，在文档分析和检索任务方面掀起了一阵技术革新的浪潮。以往的大语言模型在处理长文本时，常因上下文窗口的限制而出现信息丢失、理解偏差等问题。 在文档分析领域，Gemini 1.5的长语境理解能力犹如一把精准的手术刀，能够深入剖析复杂文档。 而Gemini 1.5凭借强大的长语境理解能力，能够理解用户查询的真正意图，即使查询语句表述模糊，它也能在庞大的文档库中精准定位到最相关的文档。 在处理多语言文档检索时，Gemini 1.5的优势更加明显。它能够跨越语言障碍，准确理解不同语言文档的内容，实现多语言文档的高效检索。 在处理一些专业性极强、领域知识极为复杂的文档时，Gemini 1.5可能仍需要进一步学习和优化，以达到更精准的理解。
30910编辑于 2025-04-21
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