14,551
社区成员
发帖
与我相关
我的任务
分享
① Stable Diffusion初体验——基于机器学习通过神经网络的强大AI平台(雪碧有白泡泡:[博客] [成就])
[质量分:97;难度等级:未知;新鲜技术:99]
摘要:在这个信息爆炸的时代,AI技术正以前所未有的速度发展着。图生图AI换脸图生视频等技术的涌入,极大地改变了我们的工作与生活,带来了更多的挑战与机遇。例如我们可以使用AI去生成具有质感的人物图像也可以使用实现视频,图片的换脸效果图生视频也可以轻松实现。
② 【机器学习】机器的登神长阶——AIGC(东洛的克莱斯韦克:[博客] [成就])
[质量分:96;难度等级:未知;新鲜技术:99]
摘要:AIGC,全称为Artificial Intelligence Generated Content,即人工智能生成内容。
③ 哈喽GPT-4o——对GPT-4o 文本创作的思考与看法(哪 吒:[博客] [成就])
[质量分:94;难度等级:未知;新鲜技术:99]
摘要:江川,AI 工程师,温柔体贴,朴实无华。为了使 ChatGPT 能够流畅地生成符合预期的散文,用户需要向 ChatGPT 提供明确的写作指引,包括写作类型、主题、字数范围和语言风格等要求,以便 ChatGPT 能够根据具体需求进行创作。
④ Enhancing CLIP with GPT-4: Harnessing Visual Descriptions as Prompts(七77.:[博客] [成就])
[质量分:95;难度等级:未知;新鲜技术:99]
摘要:对比预训练的视觉-语言模型(VLMs)如CLIP,通过在下游数据集上提供出色的性能,已经彻底改变了视觉表征学习。VLMs可以通过设计与数据集相关的提示(prompts)来零样本学习(0-shot)适应下游数据集。
⑤ Stable Diffusion文生图模型训练入门实战(完整代码)(林泽毅:[博客] [成就])
[质量分:94;难度等级:未知;新鲜技术:99]
摘要:(SD1.5)是由Stability AI在2022年8月22日开源的文生图模型,是SD最经典也是社区最活跃的模型之一。以SD1.5作为预训练模型,在火影忍者数据集上微调一个火影风格的文生图模型(非Lora方式),是学习的入门任务。
① 11 类型泛化(启航zpyl:[博客] [成就])
[质量分:93;难度等级:未知;新鲜技术:56]
摘要:首先C++为强类型语言-优点:有很多的数据类型(基本类型、类类型)在类型安全性方面是无可比拟的-缺点:因为数据类型的多样性,在很大程度上会给程序员编写通用代码带来麻烦。
① k8s学习--OpenKruise详细解释以及原地升级及全链路灰度发布方案(爱吃龙利鱼:[博客] [成就])
[质量分:97;难度等级:未知;新鲜技术:99]
摘要:它是由阿里巴巴集团的阿里云团队维护和开发的,并且在2018年将其贡献给了云原生计算基金会(CNCF),成为了CNCF的孵化项目。因为后面会使用,这里详细讲一下。
② Docker入门(For-Sea:[博客] [成就])
[质量分:96;难度等级:未知;新鲜技术:99]
摘要:Docker是一个开源的应用容器引擎。其诞生于2013年初,基于Go语言实现,由dotCloud公司出品(后改名为Docker Inc)。Docker可以让开发者将他们的应用及其依赖包。
③ “Docker之道:优雅管理容器数据的艺术“(南石.:[博客] [成就])
[质量分:95;难度等级:未知;新鲜技术:99]
摘要:但是一旦持久化到了本地,这个时候本地的数据是不会删除的。挂载作用:我在容器中创建的文件,它会被同步到容器外面,同时我在容器外创建的文件或者是修改的文件也会被同步到容器内;这个就是卷技术,比如说目录挂载:将容器内的目录,挂载到本地上,实现容器间的数据共享;
④ 《Cloud Native Data Center Networking》(云原生数据中心网络设计)读书笔记 -- 02 Clos拓扑(梆子井欢喜坨:[博客] [成就])
[质量分:93;难度等级:未知;新鲜技术:99]
摘要:在leaf交换机层面,下行链路是面向服务器节点的连接,而上行链路是面向spine交换机的连接。
⑤ Docker配置与使用详解(Weirdo丨:[博客] [成就])
[质量分:91;难度等级:未知;新鲜技术:99]
摘要:本文详细介绍了Docker的配置与使用,包括Docker的安装、镜像管理、容器操作以及Docker Compose的使用。通过具体的代码示例,展示了如何执行各种Docker操作,并解释了它们的作用和用法。希望本文能帮助读者更好地理解和使用Docker技术。
① 【机器学习】图神经网络:深度解析图神经网络的基本构成和原理以及关键技术(空白诗:[博客] [成就])
[质量分:97;难度等级:未知;新鲜技术:99]
摘要:图数据是一种复杂的数据结构,由节点(vertices)和边(edges)组成,用于表示对象及其相互关系。节点代表数据中的实体,边则表示实体之间的关系。多样性:图数据可以表示各种类型的关系,如一对一、一对多、多对多等。不规则性。
② 【机器学习】基于顺序到顺序Transformer机器翻译(MUKAMO:[博客] [成就])
[质量分:93;难度等级:未知;新鲜技术:99]
摘要:本文详细介绍了序列到序列(Seq2Seq)模型和Transformer架构在机器翻译任务中的应用。Seq2Seq模型:作为处理序列转换问题的核心架构,Seq2Seq模型包括编码器和解码器两个主要部分,能够有效处理不同长度的输入和输出序列。
③ 结合Boosting理论与深度ResNet:ICML2018论文代码详解与实现(修炼室:[博客] [成就])
[质量分:96;难度等级:未知;新鲜技术:99]
摘要:定义一个打印函数,用于在控制台打印输出。
④ 【深度学习】GPT-2,Language Models are Unsupervised Multitask Learners,【语言建模】(XD742971636:[博客] [成就])
[质量分:94;难度等级:未知;新鲜技术:99]
摘要:自然语言处理任务,如问答、机器翻译、阅读理解和摘要生成,通常通过在特定任务的数据集上进行监督学习来实现。我们展示了当在一个包含数百万网页的新数据集WebText上进行训练时,语言模型在没有任何明确监督的情况下开始学习这些任务。
⑤ 吴恩达2022机器学习专项课程C2W3:2.26 机器学习发展历程(AIGC学习社:[博客] [成就])
[质量分:94;难度等级:未知;新鲜技术:99]
摘要:方差偏差在第一位,误差分析在第二位。在选择如何改进学习算法性能时,偏差和方差是最重要的概念,而误差分析则是其次。具体来说,假设你有500个交叉验证样本,算法错误分类了其中的100个。误差分析指的是手动检查这100个错误样本,找出常见的错误类型。
① 敏捷开发时代,彻底结束了(陈哥聊测试:[博客] [成就])
[质量分:86;难度等级:未知;新鲜技术:98]
摘要:卡尔·波普尔曾说:“新的基本原则是,为学会避免犯错误,我们必须从我们的错误中学习。”敏捷本身并不能带来投资回报。当改进开发流程而不改进部署时,我们最终不可避免会面临这些问题。我之前陆陆续续写过一系列DevOps文章,
① 【Spring】1. Maven项目管理(爱敲代码的小杨.:[博客] [成就])
[质量分:97;难度等级:未知;新鲜技术:92]
摘要:官方描述:翻译:Apache Maven是一个软件项目管理和理解工具。基于项目对象模型(POM)的概念,Maven可以从一个中心信息片段管理项目的构建、报告和文档Maven 是⼀个项目管理工具, 通过pom.xml文件的配置获取jar。
② Spring的事务操作(Carl·杰尼龟:[博客] [成就])
[质量分:96;难度等级:未知;新鲜技术:94]
摘要:典型场景:转账业务A→B转账100,A-100&&B+100,两者同时满足则完成转账操作,两者相互依赖,如果只有一个满足/不满足则是bug,因此这种业务必须以事务来控制。
① WebRTC播放组件之 srs.sdk.js 使用与详述(Wu Youlu:[博客] [成就])
[质量分:85;难度等级:未知;新鲜技术:99]
摘要:webrtc流媒体的播放,本质上也是基于建立端到端的RTC连接、接收推送过来的视频流数据的过程。webrtc流地址本质上就具有很强的规则性,其中包含信令服务器地址、基本参数等。
② VUE3版本新特性(Casual_Lei:[博客] [成就])
[质量分:96;难度等级:未知;新鲜技术:75]
摘要:const persion = reactive({ username:“zs” , age:18})//监听单个值watch(value,()=>{ console.log(value);第一步:在子组件中准备一个按钮,点击按钮就给父组件传值。
① 【基于 PyTorch 的 Python 深度学习】8 注意力机制(4):PyTorch 实现(上)(作者正在煮茶:[博客] [成就])
[质量分:96;难度等级:未知;新鲜技术:99]
摘要:目前主流的神经序列转换模型大都基于 Encoder-Decoder 架构。所谓序列转换模型就是把一个输入序列转换成另外一个输出序列,它们的长度可能不同。比如基于神经网络的机器翻译,输入是中文句子,输出是英语句子,这就是一个序列转换模型。
① Kafka 最佳实践:构建高性能、可靠的数据管道(Coder加油!:[博客] [成就])
[质量分:89;难度等级:未知;新鲜技术:99]
摘要:Apache Kafka 是一个分布式流处理平台,广泛应用于实时数据处理、日志收集、事件驱动架构等场景。为了充分发挥 Kafka 的性能和可靠性,遵循最佳实践尤为重要。
② 走进Elasticsearch(、小H:[博客] [成就])
[质量分:86;难度等级:未知;新鲜技术:98]
摘要:
③ 数据资产入表-数据分级分类标准-数据分类(刘哈哈yupin:[博客] [成就])
[质量分:85;难度等级:未知;新鲜技术:99]
摘要:2.盘点组织内部的贴源层(STG)的数据来源,一般数据来源包含外部获取(公共数据授权、爬虫归集、外部采购三类)、系统沉淀的数据等维度,按照不同的数据来源区分数据权属,一般贴源层的数据可拥有的权属为数据持有权和数据加工使用权两类;
④ oracle rac for aix 替换ASM磁盘过程(上帝的二公子:[博客] [成就])
[质量分:88;难度等级:未知;新鲜技术:98]
摘要:数据库:ORACLE Version:11.2.0.4.0 RAC。由于共享存储需进行存储更换升级,故需对所有ASM磁盘进行在线迁移。至此,RAC集群ASM磁盘存储替换成功。操作系统:AIX 7.1。
⑤ 【Redis-高效的NoSQL数据库】Redis主从复制(点滴岁月:[博客] [成就])
[质量分:83;难度等级:未知;新鲜技术:99]
摘要:Redis不仅支持集群功能,为了保证单一节点可用性,redis还支持主从复制功能。每个节点有N个复制品(replica),其中一个复制品是主(master),另外N-1个复制品是从(Slave),也就是说Redis支持一主多从。
① kotlin之协程基础知识(洋洋敲不动了:[博客] [成就])
[质量分:95;难度等级:未知;新鲜技术:99]
摘要:从本质上来说,协程是一种轻量级的线程,不同协程之间的切换仅在编程语言的层面就可以实现。而线程之间的切换需要依靠操作系统的调度才能实现。我们可以在单个线程中创建多个协程,协程支持挂起,挂起的同时又不会阻塞当前线程,这也是我们常说的非阻塞式挂起。
② 【Android】安卓开发的前景(人不走空:[博客] [成就])
[质量分:95;难度等级:未知;新鲜技术:89]
摘要:随着技术的不断进步和用户需求的变化,安卓开发的前景充满了机遇和挑战。随着5G的推广,更多的新兴应用场景正在涌现,如虚拟现实(VR)和增强现实(AR)体验、物联网(IoT)设备的集成,以及更复杂的移动协作工具。5G技术的普及为安卓开发带来了巨大的机遇。
③ 安卓Context上下文(似霰:[博客] [成就])
[质量分:97;难度等级:未知;新鲜技术:78]
摘要:Context也就是上下文对象,是Android较为常用的类,但是对于Context,大多都停留在会用的阶段,本文会从源码角度来分析Context,从而更加深入的理解它。Context意为上下文或者场景,是一个应用程序环境信息的接口。
① 物联网实战技术(reiraoy:[博客] [成就])
[质量分:95;难度等级:未知;新鲜技术:95]
摘要:在IoT场景中,我们把需要队列分为两个场景,一个是上行队列,一个是下行队列。海量的物联网数据、设备、业务,异构的设备和数据描述方式,难以理解,互通困难,首先,产业链内部自成体系,模组、芯片、平台、方案商角色多样,跨角色协作时,数据标准各异,协作困难;
① Github上前十大开源Rust项目(草原上唱山歌:[博客] [成就])
[质量分:85;难度等级:未知;新鲜技术:98]
摘要:Deno 是一个建立在V8、Rust和Tokio之上的 JavaScript、TypeScript 和 WebAssembly 的运行时环境,具有自带安全的设置和出色的开发人员体验。它可以帮助用户创建独特且有用的终端提示符,提升终端的使用体验。
② JupyterLab使用指南(三):JupyterLab的Cell详细介绍(日立安:[博客] [成就])
[质量分:87;难度等级:未知;新鲜技术:36]
摘要:在 JupyterLab 中,cell(单元格)是最基本的构建块。它们用于编写和执行代码、记录笔记、展示结果。每个 Jupyter notebook 由多个 cell 组成,可以包含代码、文本、公式、图表等。
③ Git--Part3--远程操作 & 配置 & 标签管理(C++下等马:[博客] [成就])
[质量分:94;难度等级:未知;新鲜技术:0]
摘要:在Git中,“origin”是默认的远程仓库名称。实际情况往往是这样,找⼀台电脑充当服务器的⻆⾊,每天24⼩时开机,其他每个⼈都从这个“服务器”仓库克隆⼀份到⾃⼰的电脑上,并且各⾃把各⾃的提交推送到服务器仓库⾥,也从服务器仓库中拉取别⼈的提交。
① 【数据结构】排序(下)(s_little_monster_:[博客] [成就])
[质量分:96;难度等级:未知;新鲜技术:0]
摘要:前边我们讲的快速排序是基于递归条件下实现的,但我们知道,递归会消耗栈上的空间,并且栈上的空间比较小,不能实现大量数据的快速排序,所以我们要将这个过程放在空间更大的堆上,也就是使用栈来实现。最拉胯的就是冒泡排序,跟其他排序所用时间都不在一个量级上。
① 性能测试、负载测试、压力测试、稳定性测试简单区分【超详细】(测试老哥:[博客] [成就])
[质量分:88;难度等级:未知;新鲜技术:50]
摘要:文末有免费的配套视频可观看🍅,免费获取软件测试全套资料,资料在手,涨薪更快性能测试是一个总称,可细分为性能测试、负载测试、压力测试、稳定性测试。
① 2024.6.17文献分享【Chromatin architecture reorganization in murine somatic cell nuclear transfer embryos】(猛码先生:[博客] [成就])
[质量分:94;难度等级:未知;新鲜技术:99]
摘要:【Abstract】Kdm4d体细胞核转移(SCNT)是将体细胞重新编程为全能胚胎并产生有活力的动物的唯一途径。染色质3D结构具有高度动态性,与许多生物过程有关。相间染色质3D结构的分层原则包括染色体区域、染色质隔间(A/B)、TAD和环。
① WebSocket——学习(海滩上的猪:[博客] [成就])
[质量分:90;难度等级:未知;新鲜技术:75]
摘要:WebSocket 是一种在单个 TCP 连接上进行全双工通信的协议。它与 HTTP 协议的主要区别在于 WebSocket 允许服务器主动向客户端推送消息,而不仅仅是响应客户端的请求。
① Nginx + KeepAlived高可用负载均衡集群(廿四味£:[博客] [成就])
[质量分:92;难度等级:未知;新鲜技术:97]
摘要:在"双机热备"高可用(HA)系统中,当联系两个节点的"心跳线"断开时(即两个节点断开联系时),本来为一个整体、动作协调的HA系统,就分裂成为两个独立的节点(即两个独立的个体)。应用或监控系统来关闭主服务器或备服务器其中一个的keepalived服务。
① Golang内存模型与分配机制(月屯:[博客] [成就])
[质量分:93;难度等级:未知;新鲜技术:98]
摘要:每层节点。
② Golang连接FTP服务器(空白也是一种色彩:[博客] [成就])
[质量分:82;难度等级:未知;新鲜技术:99]
摘要:1go使用的是一个荷兰开发者作为主导的包,当时主要是因为有一个博主在CSDN上分享过这个包的使用方法,所以当时就去看了下这个包的源码。
③ Go基础编程 - 09 - 通道(channel)(iuhart:[博客] [成就])
[质量分:88;难度等级:未知;新鲜技术:84]
摘要:
① Scala入门【安装与使用、变量与数据类型、运算符、函数、条件判断、循环、字符串、面向对象、数组】(upward337:[博客] [成就])
[质量分:94;难度等级:未知;新鲜技术:0]
摘要: C = A + B,将 A + B 的运算结果赋值给 C。+=,C += A 相当于 C = C + A。-+,C -= A 相当于 C = C - A。=,C = A 相当于 C = C * A。/输出1-50之内的偶数/
① rust内存分配,内存回收,内存泄露(乌拉乌拉liang:[博客] [成就])
[质量分:91;难度等级:未知;新鲜技术:85]
摘要:栈内存的分配是在函数调用的时候,函数那需要多大的栈空间那么就需要申请多大的内存空间。注意这里是函数调用的时候,而不是代码块调用的时候。栈内存的回收是在堆栈所在线程销毁的时候。不管在控制台查看还是在系统监视器中查看,都是这个结果。
① 【C++进阶学习】第二弹——继承(下)——挖掘继承深处的奥秘(GG Bond.ฺ:[博客] [成就])
[质量分:96;难度等级:未知;新鲜技术:93]
摘要:以上就是C++继承中需要额外注意的点,此外,还有一个很重要的知识点我们还没讲到——多继承、菱形继承、虚拟继承,这几个知识点是有很大关联性的,且我们在平时使用继承时也很容易出错,鉴于篇幅问题,这几个问题会在下一篇单拎出来来讲,今天的内容就到此为止。!!
② Windows电脑部署Jellyfin服务端并进行远程访问配置详细教程(春人.:[博客] [成就])
[质量分:94;难度等级:未知;新鲜技术:98]
摘要:本文主要分享如何使用Windows电脑本地部署Jellyfin影音服务并结合cpolar内网穿透工具,将本地服务免费发布至公网,实现远程访问,无需公网IP也不用设置路由器那么麻烦。
③ 图神经网络实战(14)——基于节点嵌入预测链接(盼小辉丶:[博客] [成就])
[质量分:96;难度等级:未知;新鲜技术:99]
摘要:我们已经了解了如何使用图神经网络 (Graph Neural Networks, GNN) 生成节点嵌入,我们可以使用这些嵌入执行矩阵分解 () 完成链接预测任务。本节将介绍两种用于链接预测的GNN 架构——图自编码器 (GAE) 和变分图自编码器 (