模型 需求simulink阶段
软件项目需求建议书（RFP）
 : 原理：RAG结合了信息检索和文 ......
需求修改文档
目录认证中心修改文档添加详情页面应用详情页面可以添加应用的菜单给应用建立菜单属于三方系统，默认不显示创建角色开发步骤 认证中心修改文档 添加详情页面 功能: 在详情页面, 可以为该系统创建和查看三方菜单和角色, 所有的和应用相关的操作, 入口都在详情页里面 应用详情页面可以添加应用的菜单 给应用建立 ......
PM-软件最难的不是开发程序，而是需求
最近几个月，关于人工智能的惊人文章在互联网泛滥。这也引发了很多人的担心——软件开发人员可能很快就会失业，被人工智能取代。他们想象所有的企业高管和产品研究人员将绕过大多数或所有的软件开发人员，直接要求人工智能构建他们想要或需要的东西。但作为一个拥有15年一线开发经验的人，我觉得这些担心有点危言耸听。 ......
模型类序列化器
1 原来用的Serilizer跟表模型没有直接联系， 模型类序列化器ModelSerilizer，跟表模型有对应关系 2 使用 class BookModelSerializer(serializers.ModelSerializer): class Meta: model=表模型 # 跟哪个表模型 ......
【略读论文|大模型相关】Zero-Shot Relational Learning on Temporal Knowledge Graphs with Large Language Models
时间：2023 学校：慕尼黑大学 创新点： 1.据我们所知，这是第一个试图在TKGF背景下研究零射击关系学习的工作。 2.我们设计了一种基于llm的方法zrLLM，并设法在零射击关系推理中增强各种基于嵌入的TKGF模型。 3.实验结果表明，zrLLM有助于大大提高所有考虑的TKGF模型对包含未见零射 ......
要满足跨网文件安全交换需求，得靠专业的内外网文件摆渡系统！
当前企业信息安全环境面临着多重挑战。随着数字化转型的加速，企业对信息技术的依赖程度不断加深，信息安全问题也日益凸显。具体表现为：网络攻击日益复杂、安全防护措施不到位数据泄露风险增加、内部员工不当行为或恶意操作，威胁不容忽视、技术更新迭代快等。 企业为了保护其网络不受外部威胁和内部误操作的影响，通常会 ......
星型模型&雪花模型
数据集市（Data Mart）也有称ADS（Application Data Store），数据集市将主题层和基础层的数据按照各业务的实际需求进行聚合，形成宽表或数据立方体（Cube），可直接供业务部门和数据分析团队使用。 数据集市中主要存在的是事实表（fact）和维度表（dimension）。 事 ......
R语言GARCH族模型：正态分布、t、GED分布EGARCH、TGARCH的VaR分析股票指数|附代码数据
全文链接：http://tecdat.cn/?p=31023 最近我们被客户要求撰写关于GARCH族模型的研究报告，包括一些图形和统计输出。 如何构建合适的模型以恰当的方法对风险进行测量是当前金融研究领域的一个热门话题 （ 点击文末“阅读原文”获取完整代码数据******** ）。 VaR方法作为当 ......
AI_NLP以及SAM的理解-分割模型
机器学习 一般机器学习分为有监督学习，无监督学习和强化学习 无监督学习 Unsupervised Learning Self-Supervised Learning，又称为自监督学习 -Self-Supervised Learning 的核心思想 Masked Autoencoders Are Sc ......
图论的需求入门
一个码农在工位上写代码累了，趴着睡着了。 再次睁开眼睛，发现身边好几个妖艳宫女正在给你按摩敲背，住的屋子墙壁和天花板都镶嵌着金箔和银片，大殿的柱子是金丝楠木，雕龙刻凤，地毯是波斯纯手工制作，踩上去柔软而温暖。 突然一个老太监急急忙忙的跑到我跟前说： “大皇子，皇上驾崩了，得速速从南京回北京继承皇位呀 ......
用一张图片测试几个大模型的看图理解，文心一言表现不佳，通义千问了解最到位！
样图如下： 用上面的图片，在几个主流的AI大模型中进行识别理解，最终的理解各有不同。 不过最让我意外的是 文心一言 居然理解的最不到位！ 下图是文心一言的看图理解： 下图是通义千问的看图理解： 下图是讯飞星火的看图理解： 大家觉得哪一个理解的最到位？？？？？ ......
C++U6-01-阶段测评练习
学习目标 图的遍历 复习应用 无向图 有向图 带权图 深搜遍历 练习1 [文献搜索] 只需按照题目。分开跑dfs和bfs，需要注意初始化vis数组。 #include<bits/stdc++.h> using namespace std; int a[1005][1005]; //邻接矩阵 int ......
使用docker搭建deepspeed多机多卡分布式微调大模型环境
前置环境：两台可以互通的centos服务器（服务器1、服务器2），docker，NVIDIA驱动 docker创建overlay共享网络 1）选用服务器1作为manage节点进行初始化，执行docker swarm init Swarm initialized: current node (ly4d ......
公共仓库元模型(CWM)（转）
转自：https://www.jianshu.com/p/21207b50084a 一、什么是CWM？ 在我们学习一个新东西时，首先得弄懂明白它是用来干什么的？然后通过实例与理论交错学习，CWM——Common Warehouse Metamodel, 很明显翻译过来时公共仓库元模型，CWM的提出主 ......
Atlas关系型数据库元数据模型
[ { "category": "ENTITY", "guid": "00b4a314-1185-4cd4-84e9-20275990d58d", "createdBy": "hadoop", "updatedBy": "hadoop", "createTime": 1615973091411, " ......
使用知识图谱提高RAG的能力，减少大模型幻觉
在使用大型语言模型(llm)时，幻觉是一个常见的问题。LLM生成流畅连贯的文本，但往往生成不准确或不一致的信息。防止LLM产生幻觉的方法之一是使用提供事实信息的外部知识来源，如数据库或知识图谱。 向量数据库和知识图谱 向量数据库 向量数据库是表示实体或概念(如单词、短语或文档)的高维向量的集合。数据 ......
三维模型的几何坐标纠正应用探讨
三维工厂K3DMaker是一款三维模型浏览、分析、轻量化、顶层合并构建、几何校正、格式转换、调色裁切等功能专业处理软件。可以进行三维模型的网格简化、纹理压缩、层级优化等操作，从而实现三维模型轻量化。轻量化压缩比大，模型轻量化效率高，自动化处理能力高；采用多种算法对三维模型进行几何精纠正处理，精度高，... ......
软件需求十步走 阅读笔记下
第二篇：《软件需求十步走》关键实践 6. 第五步：需求管理 讨论了需求管理的概念和实践方法。 强调了需求跟踪、版本控制和变更管理的重要性，以确保在需求变更时能够有效管理和追踪。 提到了需求库的建立以及使用需求管理工具的益处。 7. 第六步：需求确认 强调了需求确认的重要性，即确保利益相关者对收集和分 ......
鱼类识别系统Python+TensorFlow卷积神经网络算法模型+深度学习人工智能【计算机课设项目】
一、介绍 鱼类识别系统。使用Python作为主要编程语言开发，通过收集常见的30种鱼类（'墨鱼', '多宝鱼', '带鱼', '石斑鱼', '秋刀鱼', '章鱼', '红鱼', '罗非鱼', '胖头鱼', '草鱼', '银鱼', '青鱼', '马头鱼', '鱿鱼', '鲇鱼', '鲈鱼', '鲍鱼' ......
开课吧前端1期.阶段5：generator，模块化与babel
复习：ES6 变量let、箭头function、参数等、map、reduce、filter、forEach Promise消除回调，Promise.all([p1,p2,p3]).then() 单独Promise并不能帮我们解决所有问题，还有2个兄弟是从Promise过度出来的，generator ......
Windows11下私有化部署大语言模型实战 langchain+llama2
一、本机环境 1.硬件环境： CPU：锐龙5600X 显卡：GTX3070 内存：32G 注：硬件配置仅为博主的配置，不是最低要求配置，也不是推荐配置。 2.软件环境： Windows系统版本：Win11专业版23H2 Python版本：3.11 Cuda版本：12.3.2 VS版本：VS2022 ......
使用PyTorch实现去噪扩散模型
在深入研究去噪扩散概率模型(DDPM)如何工作的细节之前，让我们先看看生成式人工智能的一些发展，也就是DDPM的一些基础研究。 VAE VAE 采用了编码器、概率潜在空间和解码器。在训练过程中，编码器预测每个图像的均值和方差。然后从高斯分布中对这些值进行采样，并将其传递到解码器中，其中输入的图像预计 ......
根据语音生成全身姿态；基于变分贝叶斯框架的VAE模型；CFG是一种隐式的Perceptual Loss！
本文首发于公众号：机器感知 根据语音全身姿态；基于变分贝叶斯框架的VAE模型；CFG是一种隐式的Perceptual Loss！ Diffusion Model with Perceptual Loss 本文研究了扩散模型在生成样本时的质量问题，作者发现使用均方误差损失训练的模型生成的样本往往不真实 ......
首次引入大模型!Bert-vits2-Extra中文特化版40秒素材复刻巫师3叶奈法
Bert-vits2项目又更新了，更新了一个新的分支：中文特化，所谓中文特化，即针对中文音色的特殊优化版本，纯中文底模效果百尺竿头更进一步，同时首次引入了大模型，使用国产IDEA-CCNL/Erlangshen-MegatronBert-1.3B大模型作为Bert特征提取，基本上完全解决了发音的ba ......
未来，随着Windows操作系统的不断发展和更新，我认为System Image Manager也将随之更新和改进，以适应新的功能和需求。以下是我个人对System Image Manager未来方向的一些想法
System Image Manager（SIM）是Windows Assessment and Deployment Kit（ADK）中的一个组件，用于创建和编辑Windows无人值守安装或升级过程中所使用的答案文件。 未来，随着Windows操作系统的不断发展和更新，我认为System Imag ......
一文搞懂什么是阻塞IO、信号驱动IO、Reactor模型、零拷贝
公众号《鲁大猿》，寻精品资料，帮你构建Java全栈知识体系 www.jiagoujishu.cn 基础IO 如何从数据传输方式理解IO流？ 从数据传输方式或者说是运输方式角度看，可以将 IO 类分为: 字节流, 字节流读取单个字节，字符流读取单个字符(一个字符根据编码的不同，对应的字节也不同，如 U ......