- 1 简介安全地配置和存储云服务的 AK/SK（Access Key / Secret Key） 是非常重要的。不直接将它们硬编码进代码更能提高安全性。以下是几种推荐方式（以 Python 和 Go 为例）： ✅ 通用安全策略 方法 优点 场景 环境变量 简单、支持多平台 本地开发、部署在云主机 配置文件 + 加密 灵活、适合版本管... 1 简介安全地配置和存储云服务的 AK/SK（Access Key / Secret Key） 是非常重要的。不直接将它们硬编码进代码更能提高安全性。以下是几种推荐方式（以 Python 和 Go 为例）： ✅ 通用安全策略 方法 优点 场景 环境变量 简单、支持多平台 本地开发、部署在云主机 配置文件 + 加密 灵活、适合版本管...
- 1 简介ent 是一个简单但功能强大的 Go 实体框架，使其易于构建 维护具有大数据模型的应用程序，并遵循以下原则：轻松地将数据库架构建模为图形结构。将 schema 定义为编程 Go 代码。基于代码生成的静态类型。数据库查询和图形遍历很容易编写。使用 Go 模板轻松扩展和自定义。 2 Ent 与 GORM 对比分析主要区别 特性 Ent (Entity Framework) G... 1 简介ent 是一个简单但功能强大的 Go 实体框架，使其易于构建 维护具有大数据模型的应用程序，并遵循以下原则：轻松地将数据库架构建模为图形结构。将 schema 定义为编程 Go 代码。基于代码生成的静态类型。数据库查询和图形遍历很容易编写。使用 Go 模板轻松扩展和自定义。 2 Ent 与 GORM 对比分析主要区别 特性 Ent (Entity Framework) G...
- 1 简介作为最流行的经典机器学习算法之一，决策树的可解释性比其他算法更直观。CART算法经常用于构建决策树模型，它可能也是最常用的算法。当我们将 Scikit-Learn 库用于决策树分类器时，它是默认算法。用 scikit-learn 构建一个 CART 决策树模型；计算每个叶节点上“流失”类别的概率；根据概率阈值为每个叶节点打上模态标签： □ churn（必然流失，概率 > 0.9）... 1 简介作为最流行的经典机器学习算法之一，决策树的可解释性比其他算法更直观。CART算法经常用于构建决策树模型，它可能也是最常用的算法。当我们将 Scikit-Learn 库用于决策树分类器时，它是默认算法。用 scikit-learn 构建一个 CART 决策树模型；计算每个叶节点上“流失”类别的概率；根据概率阈值为每个叶节点打上模态标签： □ churn（必然流失，概率 > 0.9）...
- 1 简介模态逻辑（Modal Logic）是一种对“不确定性”、“可能性”、“必然性”等语义进行形式化推理的逻辑系统，它已经被广泛引入到现代人工智能（AI）、自然语言处理、知识表示与自动推理、博弈论、以及机器学习等领域。在数据科学中，模态逻辑与决策树（如 CART）结合使用，可以将“确定性计算”与“不确定性建模”融合，用于推理、决策支持或局部可信度评估。 2、模态逻辑的核心思想和计算目的基... 1 简介模态逻辑（Modal Logic）是一种对“不确定性”、“可能性”、“必然性”等语义进行形式化推理的逻辑系统，它已经被广泛引入到现代人工智能（AI）、自然语言处理、知识表示与自动推理、博弈论、以及机器学习等领域。在数据科学中，模态逻辑与决策树（如 CART）结合使用，可以将“确定性计算”与“不确定性建模”融合，用于推理、决策支持或局部可信度评估。 2、模态逻辑的核心思想和计算目的基...
- 1 简介本文介绍模态逻辑对现代计算机与人工智能的助力。 2 应用场景知识表示与推理（Knowledge Representation and Reasoning）模态逻辑，特别是认知逻辑（epistemic logic），提供了一种形式化的工具，表达“智能体知道/相信什么”。多智能体系统中，用模态逻辑建模每个智能体的信息状态与推理过程。描述如：“Agent A 知道 Agent B 不知道... 1 简介本文介绍模态逻辑对现代计算机与人工智能的助力。 2 应用场景知识表示与推理（Knowledge Representation and Reasoning）模态逻辑，特别是认知逻辑（epistemic logic），提供了一种形式化的工具，表达“智能体知道/相信什么”。多智能体系统中，用模态逻辑建模每个智能体的信息状态与推理过程。描述如：“Agent A 知道 Agent B 不知道...
- tensorflow自带的评估器（estimator）有Pre-made模式，可以轻松启动第一个深度学习模型。 tensorflow自带的评估器（estimator）有Pre-made模式，可以轻松启动第一个深度学习模型。
- 作者：Dawes转载来源：黄大年茶思屋凌晨一点，我合上笔记本电脑，屏幕右下角的AI助手弹出提示“已自动整理今日项目文档，生成3版技术方案对比报告，待你明日确认。”窗外的写字楼仍亮着零星灯光，其中几盏属于隔壁的自动驾驶研发中心——就像过去一年里无数个深夜一样，AI正在以不同形式融入行业的每一个角落。作为一名深耕大模型与行业应用的AI从业者，2025年于我而言，不仅是技术迭代的“加速年”，更是A... 作者：Dawes转载来源：黄大年茶思屋凌晨一点，我合上笔记本电脑，屏幕右下角的AI助手弹出提示“已自动整理今日项目文档，生成3版技术方案对比报告，待你明日确认。”窗外的写字楼仍亮着零星灯光，其中几盏属于隔壁的自动驾驶研发中心——就像过去一年里无数个深夜一样，AI正在以不同形式融入行业的每一个角落。作为一名深耕大模型与行业应用的AI从业者，2025年于我而言，不仅是技术迭代的“加速年”，更是A...
- 文章转载了【空间数据研究所】的最新POI数据，数据比较新。需要科研和做数据处理的朋友可以重点关注。 文章转载了【空间数据研究所】的最新POI数据，数据比较新。需要科研和做数据处理的朋友可以重点关注。
- 本文详解昇腾流水线优化技术，涵盖NPU与GPU侧多级流水实现。通过Stage划分、异步调度与计算通信重叠，提升训练吞吐与硬件利用率。NPU基于Rec SDK实现五阶段流水，支持动态换入换出；GPU则利用CUDA Stream构建StagedTrainPipeline，实现高效prefetch与梯度更新协同。 本文详解昇腾流水线优化技术，涵盖NPU与GPU侧多级流水实现。通过Stage划分、异步调度与计算通信重叠，提升训练吞吐与硬件利用率。NPU基于Rec SDK实现五阶段流水，支持动态换入换出；GPU则利用CUDA Stream构建StagedTrainPipeline，实现高效prefetch与梯度更新协同。
- 本文详解推荐系统多级缓存中的准入淘汰策略，涵盖基于访问频次、概率、ShowClick等准入机制，以及基于时间、L2范数、频次等淘汰机制，结合CPU-PS控制流程与NPU执行优化，实现缓存资源高效利用，提升模型训练效率与推荐精度。 本文详解推荐系统多级缓存中的准入淘汰策略，涵盖基于访问频次、概率、ShowClick等准入机制，以及基于时间、L2范数、频次等淘汰机制，结合CPU-PS控制流程与NPU执行优化，实现缓存资源高效利用，提升模型训练效率与推荐精度。
- 嵌入表分片与哈希管理：支撑万亿参数的关键技术 1、 Hash管理及实现如下图所示：在推荐系统中，大部分ID的原始特征都是离散型（global ids），因为其取值空间巨大且稀疏（如用户ID或物品ID可能达到百万甚至亿级别），直接作为输入会导致嵌入表维度爆炸，引发存储和计算瓶颈。常见的做法是需要将离散的ID转为连续的行号（hash indices），从而压缩特征空间，实现高效存储和查询。Ha... 嵌入表分片与哈希管理：支撑万亿参数的关键技术 1、 Hash管理及实现如下图所示：在推荐系统中，大部分ID的原始特征都是离散型（global ids），因为其取值空间巨大且稀疏（如用户ID或物品ID可能达到百万甚至亿级别），直接作为输入会导致嵌入表维度爆炸，引发存储和计算瓶颈。常见的做法是需要将离散的ID转为连续的行号（hash indices），从而压缩特征空间，实现高效存储和查询。Ha...
- 1、问题与挑战推荐系统中的用户（User）、物品（Item）及上下文（Context）特征具有高度异构性，其物理含义和量纲差异显著。为将这些特征有效引入深度神经网络（DNN），须通过Embedding技术将其映射为统一的低维稠密向量表示，从而解决特征间的语义鸿沟并提升模型泛化能力。为提升推荐系统的整体推荐效果，满足用户个性化推荐的需求，加速互联网电商企业快速变现。如下图所示：近10年来推荐... 1、问题与挑战推荐系统中的用户（User）、物品（Item）及上下文（Context）特征具有高度异构性，其物理含义和量纲差异显著。为将这些特征有效引入深度神经网络（DNN），须通过Embedding技术将其映射为统一的低维稠密向量表示，从而解决特征间的语义鸿沟并提升模型泛化能力。为提升推荐系统的整体推荐效果，满足用户个性化推荐的需求，加速互联网电商企业快速变现。如下图所示：近10年来推荐...
- 问题：在使用lightgbm的时候，如果希望结果更平滑、更具有趋势性，那么应该如何调整参数 答案：在使用LightGBM时，如果你希望模型的预测结果更平滑且更具有趋势性，可以考虑调整以下几个参数：num_leaves：减少num_leaves的值可以使得模型更简单，从而减少过拟合，使结果更平滑。通常可以尝试从较小的值开始，如31或15。max_depth：限制树的最大深度。较小的深度可以防... 问题：在使用lightgbm的时候，如果希望结果更平滑、更具有趋势性，那么应该如何调整参数 答案：在使用LightGBM时，如果你希望模型的预测结果更平滑且更具有趋势性，可以考虑调整以下几个参数：num_leaves：减少num_leaves的值可以使得模型更简单，从而减少过拟合，使结果更平滑。通常可以尝试从较小的值开始，如31或15。max_depth：限制树的最大深度。较小的深度可以防...
- 很多开发者学 Python 都是东拼西凑，学完基础不知道怎么做项目，学完框架不懂底层原理。最近整理了一套比较系统的学习资源，从基础语法到架构设计都有覆盖，分享给需要的朋友。 什么是真正的 Python 全栈开发在整理学习资料时，发现很多同学对"全栈开发"这个概念理解得比较模糊。到底需要掌握哪些技术？各模块之间是什么关系？今天结合一套比较完整的课程大纲，系统拆解一下 Python 全栈开发的技... 很多开发者学 Python 都是东拼西凑，学完基础不知道怎么做项目，学完框架不懂底层原理。最近整理了一套比较系统的学习资源，从基础语法到架构设计都有覆盖，分享给需要的朋友。 什么是真正的 Python 全栈开发在整理学习资料时，发现很多同学对"全栈开发"这个概念理解得比较模糊。到底需要掌握哪些技术？各模块之间是什么关系？今天结合一套比较完整的课程大纲，系统拆解一下 Python 全栈开发的技...
- 大模型API调用会用，但不理解背后原理？微调训练无从下手？本文从底层架构到工程实践，拆解完整技术路径。 大模型技术体系全景：从原理到工程实践随着ChatGPT引发的AI浪潮，大模型技术已成为开发者必备技能。但从API调用到深入理解架构原理，再到企业级应用落地，中间存在明显的知识断层。本文整理了一套完整的学习资源，帮助开发者系统掌握大模型技术栈。 技术栈覆盖范围基础理论层内容涵盖必要的数学基础... 大模型API调用会用，但不理解背后原理？微调训练无从下手？本文从底层架构到工程实践，拆解完整技术路径。 大模型技术体系全景：从原理到工程实践随着ChatGPT引发的AI浪潮，大模型技术已成为开发者必备技能。但从API调用到深入理解架构原理，再到企业级应用落地，中间存在明显的知识断层。本文整理了一套完整的学习资源，帮助开发者系统掌握大模型技术栈。 技术栈覆盖范围基础理论层内容涵盖必要的数学基础...
上滑加载中
推荐直播
-
华为云码道Agent集成与鸿蒙实战2026/08/11 周二 19:00-21:00
王一男-华为云码道产品规划专家；李炎-华为云码道产品专家；彭江敏-华为云鸿蒙端云一体化开发专家
本次直播带你解读华为云码道7月份产品新特性、新功能。更有专家演示码道Agent Space × 钉钉机器集成实战，从0到1打通消息通道；码道鸿蒙端云一体化实战，快速搭建员工签到系统。
回顾中 -
华为云开发者AI素养直播课·第五期2026/09/04 周五 16:00-18:00
林华鼎-华为云AI开发者运营负责人；蒋春阳-华为云AI开发者案例开发专家
本期直播内容： AI工具体验营 · 第5-8课连讲。Agent-Team 多智能体协作完成毕业设计实践
回顾中 -
华为云开发者AI素养ClassRoom·第六期2026/09/08 周二 19:00-20:00
樊渊-2026华为软件挑战赛冠军
高手来了：看软挑高手解析二维排样问题—从工业难题到算法突破
回顾中
热门标签