526互联

generative模型 原理 参数

机器学习算法原理实现——xgboost，核心是加入了正则化和损失函数二阶泰勒展开

先看总的图： 本质上就是在传统gbdt的决策树基础上加入了正则化防止过拟合，以及为了让损失函数求解更方便，加入了泰勒展开，这样计算损失函数更方便了（除了决策树代码有差别，其他都是gbdt一样，本文仅实现xgboost的决策树）。如下： 再解释各个步骤： 。。。 让gpt来汇总下： 好了，我们直接写下 ......
正则 算法 函数 损失 原理

Llama2-Chinese项目：2.2-大语言模型词表扩充

因为原生LLaMA对中文的支持很弱，一个中文汉子往往被切分成多个token，因此需要对其进行中文词表扩展。思路通常是在中文语料库上训练一个中文tokenizer模型，然后将中文tokenizer与LLaMA原生tokenizer进行合并，最终得到一个扩展后的tokenizer模型。国内Chinese ......
词表 Llama2-Chinese 模型 Chinese 语言

AI打游戏-肆（模型训练）

AI打游戏-肆(bilibili) 目标 pip安装依赖 (可选)安装GPU版pytorch 自定义训练配置，模型训练 步骤 文档 ultralytics官方文档 ultralytics开源项目 视频：TOLOv8训练自己的数据集 文章：安装CUDA后，pytorch仍然无法启用GPU pip安装依 ......
模型

5.进程线程模型你知道多少？

5.进程线程模型你知道多少？ 1.进程 进程创建与结束 背景知识： 进程有两种创建方式，一种是操作系统创建的一种是父进程创建的。从计算机启动到终端执行程序的过程为：0号进程 -> 1号内核进程 -> 1号用户进程(init进程) -> getty进程 -> shell进程 -> 命令行执行进程。所以 ......
线程 进程 模型

无参数RCE实践

来自： [GXYCTF2019]禁止套娃 首先打开一看，什么都没有： 查看源码也啥都没有，没有hint。 那这种情况下估计是源码泄露，我们用dirsearch扫一下： 扫了一堆git出来，估计就是git泄露。 这里就需要第二个工具githack，拿到源码文件： 打开一看，确定了是文件包含： <?ph ......
参数 RCE

机器学习算法原理实现——gbdt

前面的文章介绍了决策树的实现，我们基于之前决策树的实现（https://www.cnblogs.com/bonelee/p/17691555.html），写一个gbdt： import numpy as np from sklearn.model_selection import train_tes ......
算法 原理 机器 gbdt

48-字典-核心底层原理-内存分析-存储键值对过程

......
底层 字典 原理 内存 核心

49-字典-核心底层原理-内存分析-查找键值对过程

......
底层 字典 原理 内存 核心

Vue响应式原理

该随笔是根据b站小满zs的Vue3 + vite + Ts + pinia + 实战 + 源码 +electron的视频学习写的，Vue3 + vite + Ts + pinia + 实战 + 源码 +electron ......
原理 Vue

机器学习算法原理实现——adaboost，三个臭皮匠顶个诸葛亮

adaboost算法的基本原理是什么？举一个简单的例子说明呢 AdaBoost（Adaptive Boosting）是一种集成学习方法，其基本原理是结合多个弱学习器来构建一个强学习器。AdaBoost的工作方式如下： 权重初始化：给定一个训练数据集，首先为每个训练样本分配一个权重，开始时这些权重都是 ......
算法 adaboost 原理 机器 三个

Bash-变量（自定义/预定义/环境/位置参数）

变量设置规则 变量名称可由字母、数字和下划线组成，但不能以数字开头（与python命名规则一致） Bash中，变量的默认类型都是字符串型，如果要数值运算，则必须指定变量为数值型 变量由 = 连接值，等号左右两侧不能为空 变量的值如果有空格，需要用单引号或双引号包含 变量的值可以使用'\'转义符 如果 ......
变量 位置 参数 环境 Bash

Golang 获取命令行携带的参数丶文件操作

一.获取命令行携带的参数 1 /* 获取命令执行携带的参数 */ 2 func TestGetCMDParameter() { 3 /* 4 os.Args就是运行时携带的参数. 5 os.Args是一个切片 6 第一个是主程序的名称 7 8 测试: 9 1.编译 go buil main.go 1 ......
命令 参数 文件 Golang

如何成功将 API 客户的 transformer 模型推理速度加快 100 倍

🤗 Transformers 已成为世界各地数据科学家用以探索最先进 NLP 模型、构建新 NLP 模块的默认库。它拥有超过 5000 个预训练和微调的模型，支持 250 多种语言，任君取用。无论你使用哪种框架，都能用得上它。 虽然在 🤗 Transformers 中试验模型很容易，但以最高性能 ......
transformer 模型 速度 客户 API

认识网络原理

一、局域网和广域网 随着时代的发展，计算机之间相互通信、共享数据，协同合作的需求越来越大，于是就有了计算机之间的网络互连，进行数据共享，数据共享的本质是通过网络来进行数据的传输，也成为网络通信。根据网络互连的规模可以分为局域网和广域网。 局域网 局域网，简称LAN，英文全称是Local Area N ......
原理 网络

Java中HashMap的底层实现原理

......
底层 原理 HashMap Java

halcon AI读取onnx模型并推理

*程序功能：读取onnx模型并推理dev_update_off()dev_close_window () read_dl_model ('squeezenet.onnx', DLModelHandle)set_dl_model_param (DLModelHandle, 'type', 'class ......
模型 halcon onnx

tracert 路由追踪原理

一、概念 就是利用ICMP（Internet Control Message Protocol）Internet控制报文协议 来追踪的计算机到目标计算机之间的所有路由器信息 二、不同平台下命令方式 windows下： tracert www.baidu.com linux下 traceroute w ......
路由 原理 tracert

Python并发编程——IO模型、阻塞IO、非阻塞IO、多路复用、异步IO、IO模型比较、selectors模块、复习网络和并发知识点

文章目录 每日测验一 IO模型介绍二 阻塞IO(blocking IO)三 非阻塞IO(non-blocking IO)四 多路复用IO(IO multiplexing)五 异步IO(Asynchronous I/O)六 IO模型比较分析七 selectors模块网络并发知识点梳理网络并发知识点梳理 ......
模型 知识点 selectors 模块 知识

Hyper-V创建虚拟机配置IP等网络配置原理（Linux、Windows为例）

大家知道Windows系统里面内置了Hyper-V管理器，用来创建和管理本地虚拟机环境。今天我创建了两台虚拟机，一台是CentOS7.9（Linux），另一台是Windows 11，然后发现，Linux虚拟机网络不通，默认没有设置本地网络配置。而 Windows11虚拟机却可以。研究了下原因，解决办 ......
原理 Hyper-V Windows Hyper Linux

自回归语言模型简介

自回归语言模型（Autoregressive Language Model）是一种用于生成文本的统计模型。它基于序列数据的概率分布，通过建模当前词语与前面已生成词语的条件概率来预测下一个词语。 在自回归语言模型中，假设我们有一个文本序列，例如一段连续的句子。模型的目标是根据前面已生成的词语来预测下一 ......
模型 语言 简介

Gradio：为你的机器学习模型快速构建Web UI

Gradio是一个开源库，用于仅使用Python构建易于使用且易于共享的应用程序。它特别适用于机器学习项目，旨在使测试、共享和展示模型简单直观。 安装 Gradio的安装非常简单，直接使用pip即可安装： pip install gradio 创建第一个程序 import gradio as gr ......
模型 机器 Gradio Web UI

vue2原理初探-数据代理和数据劫持

本篇文章主要想简单聊聊vue如何实现数据修改，页面联动的底层原理。 当然，篇幅有限，只是自己一些浅显的认知而已，我会从一下几个方面去聊，希望对你有所帮助。 几个基础知识点 数据代理 数据劫持 完整demo 一、几个基础知识点 1.普通函数和箭头函数的区别 我们知道，每个函数执行都会形成一条作用域链[ ......
数据 原理 vue2 vue

软件测试|Python函数参数之必传参数、默认参数、可变参数、关键字参数的详细使用

在Python中，函数参数是定义在函数头部的变量，用于接收传递给函数的数据。Python函数参数有四种类型：必传参数、默认参数、可变参数和关键字参数。每种类型都有不同的使用方式和适用场景。本文将详细介绍这四种函数参数的使用方法。 获取更多技术资料，请点击！ Python函数参数类型 必传参数：最常用 ......
参数 软件测试 函数 关键字 关键

Shell 传递参数

我们可以在执行 Shell 脚本时，向脚本传递参数，脚本内获取参数的格式为：$n。n 代表一个数字，1 为执行脚本的第一个参数，2 为执行脚本的第二个参数，以此类推…… 实例 以下实例我们向脚本传递三个参数，并分别输出，其中 $0 为执行的文件名： #!/bin/bash # author:php中 ......
参数 Shell

Sentinel（三）工作原理

Sentinel工作原理和源码解析 1 架构图解析 ​ Sentinel的核心骨架是ProcessorSlotChain，其将不同的Slot按照顺序串在一起（责任链模式），从而将不同的功能组合在一起，系统会为每个受保护的资源都创建一套SlotChain。 ​ 整个架构分为两部分，一部分的Slot用于 ......
Sentinel 原理

Sentinel（四）工作原理和源码解析总结

Sentinel工作原理和源码解析 1 工作原理简介 Sentinel在使用上是通过注解@SentinelResource来实现的对资源的流控保护的，本质是通过AOP的方式来实现的流控方法增强，底层是通过SentinelResourceAspect指定切入点为注解，然后通过环绕通知的方式获取注解传来 ......
源码 Sentinel 原理

Recognize Anything:一个强大的图像标记模型

Recognize Anything是一种新的图像标记基础模型，与传统模型不同，它不依赖于手动注释进行训练;相反，它利用大规模的图像-文本对。RAM的开发过程包括四个关键阶段: 通过自动文本语义解析获得大规模的无标注图像标签。 结合标题和标注任务，训练一个自动标注的初步模型。该模型由原始文本和解析后 ......
标记 Recognize Anything 模型 图像

golang工具值generate

示例: 大家经常碰到命名错误码、状态码的同时，又要同步写码对应的翻译，有没有感觉很无聊。这里举一个例子： package main ​ import "fmt" ​ // 定义错误码 const ( ERR_CODE_OK = 0 // OK ERR_CODE_INVALID_PARAMS = 1 ......
generate 工具 golang

三维模型3DTile格式轻量化压缩处理的数据质量提升方法分析

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，... ......
模型 格式 质量 方法 数据

【RocketMQ】【源码】延迟消息实现原理

RocketMQ设定了延迟级别可以让消息延迟消费，延迟消息会使用SCHEDULE_TOPIC_XXXX这个主题，每个延迟等级对应一个消息队列，并且与普通消息一样，会保存每个消息队列的消费进度（delayOffset.json中的offsetTable）： public class MessageSt ......
源码 RocketMQ 原理 消息
共8200篇  :88/274页 首页上一页88下一页尾页