草庐IT

Deep Transfer Learning综述阅读笔记

全部标签

Java学习笔记:字符串

目录Java学习笔记:字符串String创建String对象内存模型String比较Scanner验证键入的字符串本质是new出来的练习案例:判断账户和密码是否一致遍历字符串统计字符次数字符串反转StringBuilderStringBuilder构造方法链式编程拼接字符串StringJoiner总结必须学习使用JDKAPI帮助文档​ 2024/3/17学习链接:黑马程序员(字符串)Java学习笔记:字符串String创建String对象内存模型String比较Scanner验证键入的字符串本质是new出来的练习案例:判断账户和密码是否一致遍历字符串统计字符次数字符串反转StringBuil

【STM32】STM32学习笔记-课程简介(01)

00.目录文章目录00.目录01.课程简介02.硬件设备03.软件工具04.硬件套件4.1面包板和跳线/飞线4.2杜邦线和STM32最小系统板4.3STLINK和OLED显示屏4.4LED和按键4.5电位器和蜂鸣器4.6传感器和旋转编码器4.7USB转串口和MPU60504.8Flash闪存和电机模块4.9SG90舵机05.配件清单06.附录01.课程简介程序纯手打,手把手教学STM32最小系统板+面包板硬件平台该平台比较适合高校在校大学生学习STM32。02.硬件设备STM32最小系统+面包板Windows10操作系统万用表、示波器、镊子、剪刀等03.软件工具Keil5MDK04.硬件套件4

【YOLOv8改进】MSCA: 多尺度卷积注意力 (论文笔记+引入代码).md

介绍摘要我们提出了SegNeXt,一种用于语义分割的简单卷积网络架构。最近基于变换器的模型由于自注意力在编码空间信息方面的效率而在语义分割领域占据主导地位。在本文中,我们展示了卷积注意力是一种比变换器中的自注意力机制更高效和有效的编码上下文信息的方式。通过重新审视成功的分割模型所拥有的特征,我们发现了几个关键组件,这些组件导致了分割模型性能的提升。这激励我们设计了一种新颖的卷积注意力网络,该网络使用廉价的卷积操作。没有任何花哨的技巧,我们的SegNeXt在包括ADE20K、Cityscapes、COCO-Stuff、PascalVOC、PascalContext和iSAID在内的流行基准测试上

【AI大模型应用开发】【RAG评估】0. 综述:一文了解RAG评估方法、工具与指标

大家好,我是同学小张,日常分享AI知识和实战案例欢迎点赞+关注👏,持续学习,持续干货输出。+v:jasper_8017一起交流💬,一起进步💪。微信公众号也可搜【同学小张】🙏本站文章一览:前面我们学习了RAG的基本框架并进行了实践,我们也知道使用它的目的是为了改善大模型在一些方面的不足:如训练数据不全、无垂直领域数据、容易出现幻觉等。那么如何评估RAG的效果呢?本文我们来了解一下。文章目录推荐前置阅读0.RAG效果评估的必要性1.RAG评估方法1.1人工评估1.2自动化评估1.2.1.1LangSmith1.2.1.2Langfuse1.2.1.3Trulens1.2.4RAGAS2.常用评估指

mysql笔记:11. 性能优化

文章目录概览查询速度优化1.分析查询语句1.1EXPLAIN1.2DESCRIBE2.使用索引优化查询3.优化子查询数据库结构优化1.分解表2.建立中间表3.增加冗余字段4.优化插入速度4.1.MyISAM引擎表4.2.InnoDB引擎表5.分析表、检查表和优化表5.1.分析表5.2.检查表5.3.优化表MySQL服务器的优化1.服务器硬件优化2.MySQL参数优化性能优化是通过合理安排资源,调整系统参数使MySQL运行更快、更节省资源。主要包括查询速度优化、更新速度优化、MySQL服务器优化等。概览MySQL数据库优化是多方面的,原则上是减少系统的瓶颈和资源的占用、增加系统的反应速度。MyS

【论文阅读】【论文复现】Image Disentanglement Autoencoder for Steganography without Embedding(IDEAS)-CVPR-2022

参考链接:[CVPR2022]基于图像解耦生成的无嵌入隐写-知乎这篇论文介绍的很好信息隐藏|ImageDisentanglementAutoencoderforSteganographywithoutEmbedding实现无嵌入隐写的图像无纠缠自动隐写器代码:https://github.com/Lemok00/IDEAS无嵌入隐写(steganographywithoutembedding,SWE)隐藏秘密信息的过程不会直接修改载体图像,因此具有免疫传统隐写分析器攻击的独特优势。现有无嵌入隐写可以分为两类:基于映射的SWE通过设计映射机制,将秘密信息转换为从现有图像集中选取的图像哈希序列,其

国产大模型最近挺猛啊!使用Dify构建企业级GPTs;AI阅读不只是「总结全文」;我的Agent自媒体团队;Nijijourney官方AI绘画课完结啦! | ShowMeAI日报

👀日报&周刊合集|🎡生产力工具与行业应用大全|🧡点赞关注评论拜托啦!👀大模型近期重大进展:百川、讯飞、智源发布新模型,GLM-4、DeepSeek上线开放平台,GoogleBard反超,Mixtralmedium泄露,真的很热闹…https://www.baichuan-ai.com/1月29日,百川智能发布超千亿参数的大语言模型Baichuan3。根据官方消息,Baichuan3在多个权威通用能力评测如中表现出色:在中文任务上更是超越了GPT-4,在数学和代码专项评测同样表现不错⋙点击了解详情https://xinghuo.xfyun.cn/1月30日,科大讯飞举行星火认知大模型V3.5升级

大模型学习笔记(一):部署ChatGLM模型以及stable-diffusion模型

大模型学习笔记(一):部署ChatGLM模型以及stable-diffusion模型注册算力平台(驱动云平台)1.平台注册2.查看算力3.进入平台中心部署ChatGLM3-6B模型1.创建项目2.配置环境设置镜像源、克隆项目修改requirements3.修改web_demo_gradio.py代码1、修改模型目录2、修改启动代码3、添加外部端口映射4、运行gradio界面5、访问gradio页面4.修改web_demo_streamlit.py代码1、修改模型目录2、运行streamlit界面3、访问streamlit界面用免费GPU部署自己的stable-diffusion1.创建项目2.

Docker使用笔记

什么是DockerDocker介绍简单来说,Docker可视为一种特殊的“虚拟机”,它将用户应用程序与该程序的依赖项打包在一起,当用户要运行其程序时,Docker就会生成一个与外界隔离的容器,将用户的程序置于其中运行,从而帮助程序跨平台、跨系统运行。Docker生成的“容器”与虚拟机类似,但比虚拟机效率更高、使用更为方便。如果要使用虚拟机来运行用户程序,则需要完整配置应用,依赖项,必要的二进制库,以及一个完整的虚拟机操作系统。但如果使用Docker容器,则可以直接在原始主机的操作系统上运行,无需额外配置。容器还会对用户程序的进程进行隔离,令程序进程接触到的各种资源都是虚拟的,从而实现与底层系统

web学习笔记(二十八)

目录1.JSON1.1JSON简介1.2JSON的语法1.3JSON字符串分类 1.4JSON方法 2.数据存储 2.1会话存储2.1.1会话存储的特点2.1.2会话存储的常用方法 2.2本地存储2.2.1本地存储的特点2.2.2本地存储的常用方法 2.3两者的共同点1.JSON1.1JSON简介JSON(JavaScriptObjectNotation)是JavaScript的对象表示法,是轻量级的文本数据交换格式,后端的很多语言都支持JSON,但JavaScript只能自己使用,因此在使用后台数据的时候我们需要用JSON来转换一下数据的格式。1.2JSON的语法JSON的数据以键值对的形式