- Seq2Seq 架构RNN 和 LSTM 处理序列数据。这些模型在三类任务中表现出色多对一（Many-to-One）：将整个序列信息压缩成一个特征向量，用于文本分类、情感分析等任务。多对多（Many-to-Many, Aligned）：为输入序列的每一个词元（Token）都生成一个对应的输出，如词性标注、命名实体识别等。一对多（One-to-Many）：从一个固定的输入（如一张图片、一个类... Seq2Seq 架构RNN 和 LSTM 处理序列数据。这些模型在三类任务中表现出色多对一（Many-to-One）：将整个序列信息压缩成一个特征向量，用于文本分类、情感分析等任务。多对多（Many-to-Many, Aligned）：为输入序列的每一个词元（Token）都生成一个对应的输出，如词性标注、命名实体识别等。一对多（One-to-Many）：从一个固定的输入（如一张图片、一个类...
- 基于 YOLOv8 的人体与行人检测智能识别实战 [目标检测完整源码] 引言：为什么“行人检测”仍然是工程中的关键基础能力？在安防监控、智慧城市、公共空间管理等应用中，几乎所有高层视觉任务——如人数统计、行为分析、异常检测——都建立在一个共同前提之上：稳定、准确的人体与行人检测能力。尽管目标检测算法已发展多年，但在真实环境中仍然面临诸多挑战：人群密集、目标遮挡严重行人尺度变化大、姿态多样摄... 基于 YOLOv8 的人体与行人检测智能识别实战 [目标检测完整源码] 引言：为什么“行人检测”仍然是工程中的关键基础能力？在安防监控、智慧城市、公共空间管理等应用中，几乎所有高层视觉任务——如人数统计、行为分析、异常检测——都建立在一个共同前提之上：稳定、准确的人体与行人检测能力。尽管目标检测算法已发展多年，但在真实环境中仍然面临诸多挑战：人群密集、目标遮挡严重行人尺度变化大、姿态多样摄...
- 基于强化学习的自主决策 Agent 训练方法及其在复杂动态环境中的应用研究 一、问题背景：为什么需要“自主决策 Agent”在真实世界中，Agent 往往运行在高度动态、部分可观测、存在不确定性的环境中，例如：自动驾驶中的复杂交通流智能调度系统中的实时资源分配游戏 AI 或仿真环境中的多目标博弈智能体工作流中对工具、策略的自主选择在这类场景下，规则驱动或监督学习存在明显局限：难以枚举所有状... 基于强化学习的自主决策 Agent 训练方法及其在复杂动态环境中的应用研究 一、问题背景：为什么需要“自主决策 Agent”在真实世界中，Agent 往往运行在高度动态、部分可观测、存在不确定性的环境中，例如：自动驾驶中的复杂交通流智能调度系统中的实时资源分配游戏 AI 或仿真环境中的多目标博弈智能体工作流中对工具、策略的自主选择在这类场景下，规则驱动或监督学习存在明显局限：难以枚举所有状...
- 很多程序员学数学时会陷入 “学了就忘” 的困境，本质是没掌握 “修炼方法”—— 数学思维不是靠 “突击刷题”，而是靠 “理解原理→刻意应用→复盘优化” 的循环。比如余数不仅能用于分布式任务分配（工程实践），还能用于数据分片（跨领域应用），只有反复在很多程序员学数学时会陷入 “学了就忘” 的困境，本质是没掌握 “修炼方法”—— 数学思维不是靠 “突击刷题”，而是靠 “理不同场景中应用，才能真正内化。 很多程序员学数学时会陷入 “学了就忘” 的困境，本质是没掌握 “修炼方法”—— 数学思维不是靠 “突击刷题”，而是靠 “理解原理→刻意应用→复盘优化” 的循环。比如余数不仅能用于分布式任务分配（工程实践），还能用于数据分片（跨领域应用），只有反复在很多程序员学数学时会陷入 “学了就忘” 的困境，本质是没掌握 “修炼方法”—— 数学思维不是靠 “突击刷题”，而是靠 “理不同场景中应用，才能真正内化。
- Gensim 简介Gensim (Generate Similar) 是一个功能强大且高效的Python库，专门用于处理原始的、非结构化的纯文本文档。它内置了多种主流的词向量和主题模型算法，如 Word2Vec、TF-IDF、LSA、LDA 等。 核心概念语料库：这是 Gensim 处理的主要对象，可以简单理解为训练数据集。分词后的文档通常表示为 list[list[str]]；用于 TF... Gensim 简介Gensim (Generate Similar) 是一个功能强大且高效的Python库，专门用于处理原始的、非结构化的纯文本文档。它内置了多种主流的词向量和主题模型算法，如 Word2Vec、TF-IDF、LSA、LDA 等。 核心概念语料库：这是 Gensim 处理的主要对象，可以简单理解为训练数据集。分词后的文档通常表示为 list[list[str]]；用于 TF...
- 概述Word2Vec 通常被认为是一种浅层神经网络模型（Shallow Neural Network）。其"浅层"体现在网络结构的简单性上，它移除了传统神经概率语言模型（NNLM）中计算昂贵的非线性隐藏层，直接将投影层与输出层相连。这种简洁的设计使得 Word2Vec 的计算非常高效，从而能够在大规模语料库上进行训练。 目标与手段分离理解Word2Vec的关键在于区分其最终目标与实现手段。... 概述Word2Vec 通常被认为是一种浅层神经网络模型（Shallow Neural Network）。其"浅层"体现在网络结构的简单性上，它移除了传统神经概率语言模型（NNLM）中计算昂贵的非线性隐藏层，直接将投影层与输出层相连。这种简洁的设计使得 Word2Vec 的计算非常高效，从而能够在大规模语料库上进行训练。 目标与手段分离理解Word2Vec的关键在于区分其最终目标与实现手段。...
- 引言机器学习和深度学习模型，无论结构多么复杂，其处理的输入都必须是数值形式——具体来说，是由数字组成的特征向量或矩阵。因此，在分词之后，必须将这些词元转换为模型可以"消化"的数字形式。这个过程称为词向量表示 (Word Representation) 。词嵌入 (Word Embedding) 通常特指通过神经网络学习得到的稠密向量表示，是词向量表示的一个重要子集。 为什么需要模型无法直接... 引言机器学习和深度学习模型，无论结构多么复杂，其处理的输入都必须是数值形式——具体来说，是由数字组成的特征向量或矩阵。因此，在分词之后，必须将这些词元转换为模型可以"消化"的数字形式。这个过程称为词向量表示 (Word Representation) 。词嵌入 (Word Embedding) 通常特指通过神经网络学习得到的稠密向量表示，是词向量表示的一个重要子集。 为什么需要模型无法直接...
- 本文阐述了AI时代测试工程师的能力模型转型。AI测试的核心不是验证功能，而是保障不确定系统的确定性，重点关注输出稳定性、行为可预测性和风险兜底能力。测试人员需具备看懂模型、以数据为用例、构建智能化自动化平台三大核心能力，形成完整工程闭环，从功能执行者转变为保障AI系统可靠的工程架构师，这正是新时代测试工程师的核心价值。 本文阐述了AI时代测试工程师的能力模型转型。AI测试的核心不是验证功能，而是保障不确定系统的确定性，重点关注输出稳定性、行为可预测性和风险兜底能力。测试人员需具备看懂模型、以数据为用例、构建智能化自动化平台三大核心能力，形成完整工程闭环，从功能执行者转变为保障AI系统可靠的工程架构师，这正是新时代测试工程师的核心价值。
- GLM-4.7的发布标志着大模型竞争进入工程化落地新阶段。其核心突破并非单纯参数增长，而是通过交织式思考等机制，显著提升了代码生成与多步任务执行（Agent）的稳定性和可交付性。智谱采用“先验证再上桌”的严谨数据筛选策略，并配套开源强化学习框架Slime，将模型训练打造成系统工程。这预示着未来竞争焦点将从“模型更聪明”转向“体系更可靠、更能干活”。 GLM-4.7的发布标志着大模型竞争进入工程化落地新阶段。其核心突破并非单纯参数增长，而是通过交织式思考等机制，显著提升了代码生成与多步任务执行（Agent）的稳定性和可交付性。智谱采用“先验证再上桌”的严谨数据筛选策略，并配套开源强化学习框架Slime，将模型训练打造成系统工程。这预示着未来竞争焦点将从“模型更聪明”转向“体系更可靠、更能干活”。
- GLM-4.7的发布标志着大模型竞争进入工程化落地新阶段。其核心突破并非单纯参数增长，而是通过交织式思考等机制，显著提升了代码生成与多步任务执行（Agent）的稳定性和可交付性。智谱采用“先验证再上桌”的严谨数据筛选策略，并配套开源强化学习框架Slime，将模型训练打造成系统工程。这预示着未来竞争焦点将从“模型更聪明”转向“体系更可靠、更能干活” GLM-4.7的发布标志着大模型竞争进入工程化落地新阶段。其核心突破并非单纯参数增长，而是通过交织式思考等机制，显著提升了代码生成与多步任务执行（Agent）的稳定性和可交付性。智谱采用“先验证再上桌”的严谨数据筛选策略，并配套开源强化学习框架Slime，将模型训练打造成系统工程。这预示着未来竞争焦点将从“模型更聪明”转向“体系更可靠、更能干活”
- 本文阐述了AI时代测试工程师的能力模型转型。AI测试的核心不是验证功能，而是保障不确定系统的确定性，重点关注输出稳定性、行为可预测性和风险兜底能力。测试人员需具备看懂模型、以数据为用例、构建智能化自动化平台三大核心能力，形成完整工程闭环，从功能执行者转变为保障AI系统可靠的工程架构师，这正是新时代测试工程师的核心价值。 本文阐述了AI时代测试工程师的能力模型转型。AI测试的核心不是验证功能，而是保障不确定系统的确定性，重点关注输出稳定性、行为可预测性和风险兜底能力。测试人员需具备看懂模型、以数据为用例、构建智能化自动化平台三大核心能力，形成完整工程闭环，从功能执行者转变为保障AI系统可靠的工程架构师，这正是新时代测试工程师的核心价值。
- RAG实战指南：三招突破“幻觉”瓶颈，让你的LLM比ChatGPT更懂你的业务数据摘要（198字）作为拥有10年NLP经验的AI架构师，我上周在某大型商业银行项目中遭遇了35.7%的LLM幻觉率危机——系统竟将"贷款利率"错误生成为"存款利率"。本文基于真实企业级落地经验，深度剖析RAG技术中"幻觉"问题的三大根源，并提出三招突破性解决方案：混合检索增强、上下文感知重构和动态验证机制。通过... RAG实战指南：三招突破“幻觉”瓶颈，让你的LLM比ChatGPT更懂你的业务数据摘要（198字）作为拥有10年NLP经验的AI架构师，我上周在某大型商业银行项目中遭遇了35.7%的LLM幻觉率危机——系统竟将"贷款利率"错误生成为"存款利率"。本文基于真实企业级落地经验，深度剖析RAG技术中"幻觉"问题的三大根源，并提出三招突破性解决方案：混合检索增强、上下文感知重构和动态验证机制。通过...
- 厌倦了冗长又主观的MBTI选择题？我们开发了一个只需回答8个问题的AI模型，通过自然对话分析你的语言风格与思维模式，即可判断你的真实MBTI人格类型，准确率达99%。无需自我评价、不受情绪干扰，在轻松聊天中就能看清你的性格底色。 厌倦了冗长又主观的MBTI选择题？我们开发了一个只需回答8个问题的AI模型，通过自然对话分析你的语言风格与思维模式，即可判断你的真实MBTI人格类型，准确率达99%。无需自我评价、不受情绪干扰，在轻松聊天中就能看清你的性格底色。
- 1. 项目介绍 ProPainter是一个去掉视频里的静止和移动水印图像的AI项目。ProPainter项目地址：https://github.com/sczhou/ProPainter。 经过改写的资源包propainter_ascend20251029.zip支持使用昇腾910B显卡训练ProPainter，里面包含改写后的代码，已标注的训练数据（包括训练集和验证集）。 2. 安装训练环... 1. 项目介绍 ProPainter是一个去掉视频里的静止和移动水印图像的AI项目。ProPainter项目地址：https://github.com/sczhou/ProPainter。 经过改写的资源包propainter_ascend20251029.zip支持使用昇腾910B显卡训练ProPainter，里面包含改写后的代码，已标注的训练数据（包括训练集和验证集）。 2. 安装训练环...
- 检查环境1、SSH登录机器后，检查NPU设备状态。运行如下命令，返回NPU设备信息。npu-smi info # 在每个实例节点上运行此命令可以看到NPU卡状态npu-smi info -l | grep Total # 在每个实例节点上运行此命令可以看到总卡数，用来确认对应卡数已经挂载npu-smi info -t board -i 1 | eg... 检查环境1、SSH登录机器后，检查NPU设备状态。运行如下命令，返回NPU设备信息。npu-smi info # 在每个实例节点上运行此命令可以看到NPU卡状态npu-smi info -l | grep Total # 在每个实例节点上运行此命令可以看到总卡数，用来确认对应卡数已经挂载npu-smi info -t board -i 1 | eg...
上滑加载中
推荐直播
-
华为云码道 × 仓颉编程：工程化AI编码探索2026/05/27 周三 19:00-21:00
刘俊杰-华为云仓颉语言专家/李炎-华为云码道技术专家/王智鹏-OpenCangjie开源社区发起人
本场直播围绕华为云仓颉语言与华为云码道的深度结合，展示华为云智能编程从零基础到高效落地的完整生态能力。以华为云码道为引擎，仓颉语言为载体，带给大家日常提效、趣味创新到极速量产的开发体验。
回顾中
热门标签