求助!! treeview
type
PTreeNodePnt = ^TTreeNodePnt;
TTreeNodePnt = record
T_Id: string;
T_Value: string;
end;
procedure TMainForm.FormCreate(Sender: TObject);
var
PTree: PTreeNodePnt;
TemQ: TADOQuery;
TempNode: TreeNode;
begin
with TreeQ do
begin
Close;
SQL.Clear;
SQL.Add('select * from T_SYS_PARAMETER');
Open;
while not eof do
begin
New(PTree);
PTree^.T_Id := FieldByName('CONTENT_ID').asstring;
PTree^.T_Value := FieldByName('CONTENT').AsString;
if TreeQ.FieldByName('ROOT_ID').AsInteger = id1 then
begin
TempNode:= TreeView1.Items.AddChildObject(Treeview1.Items[0],Ptree^.T_Value,PTree);
GetNxtNode(FieldByName('CONTENT_ID').AsInteger,TempNode);
end;
Next;
end;
end;
procedure TMainForm.TreeView1Change(Sender: TObject; Node: TTreeNode);
var
id: string;
begin
if Treeview1.Selected.Level = 1 then
id := TTreeNodePnt(Treeview1.selected.data^).T_id; //正确;
if Treeview1.Selected.Level = 2 then
id := TTreeNodePnt(Treeview1.selected.data^).T_id; // 在这里就出错了,这是最后一个节点
......
end;
初学D不久,请问为什么在这里会出错, access iolation at address 004c07a6
in module 'project1.exe'
相关推荐
DeepSeek-V3:大型专家混合语言模型的技术革新与应用
内容概要:本文介绍了DeepSeek-V3,一个拥有671亿参数的大型专家混合(MoE)语言模型。该模型采用创新的无辅助损失负载均衡策略、多令牌预测训练目标和高效的多头潜在注意力(MLA)架构,在大规模语料库(14.8万亿高质量和多样化的代币)上进行预训练,并在监督微调和强化学习后展现出顶尖的多语言处理能力,尤其在代码和数学推理方面超越同类开源模型。文章还详细解释了模型的独特技术特点,例如低精度训练框架(FP8)、优化推理算法(DualPipe)等,并提供了详尽的评估结果与闭源模型对比。此外,还讨论了部署策略及其在硬件设计上的改进建议,突显DeepSeek-V3的高性价比与高性能。 适合人群:具有一定编程基础和技术背景的研发人员、人工智能和大数据从业者、科研工作者。 使用场景及目标:适用于对自然语言处理、代码解析及生成、数学和科学问题解答等应用场景的学术研究或企业开发项目,目标是提高这些任务的准确性和效率。文中强调通过模型训练实现经济的成本效益,并确保高效训练过程中的稳定性和高精度。 阅读建议:建议深入理解深度学习中的低精度训练技术和专家混合模型,关注其新颖的负载均衡策略与高效推理部署方法。对于有兴趣进行实际应用或改进自身项目的用户,则重点阅读性能对比与未来发展方向部分的内容。
大型混合专家语言模型DeepSeek-V3的技术突破与应用
内容概要:本文介绍了大型混合专家(MoE)语言模型DeepSeek-V3的研发过程及其显著改进。DeepSeek-V3采用了高效的多头潜在注意力(MLA)和DeepSeekMoE架构,并创新引入无辅助损失负载均衡策略以及多令牌预测训练目标,从而实现了高性能训练和推理,同时大大减少了计算成本。DeepSeek-V3基于14.8万亿高质量、多样化的数据进行预训练,经过监督精调和强化学习两个阶段进一步优化模型能力,在多个标准和开放测试基准上展现了强大的性能,尤其是在数学和编程任务方面。此外,论文还讨论了部署过程中对硬件的要求和建议,以及针对特定领域的知识蒸馏方法。 适合人群:具备机器学习尤其是深度学习基础知识的从业者和研究人员,特别是关注大规模语言模型和混合专家系统的技术专家。 使用场景及目标:用于研究和开发高性能的大规模语言模型,特别适用于需要高效推理和经济训练的应用场景。目标是在数学和编程任务等复杂领域取得领先的性能表现,为开发者和研究人员提供强大的工具支持。 其他说明:DeepSeek-V3通过一系列技术创新,如MLA、无辅助损失负载平衡策略等,不仅提高了模型性能,还保持了极高的性价比
深度混合专家语言模型DeepSeek-V3的技术报告:高效推理与经济训练实现
内容概要:本文介绍了大型混合专家(MoE)语言模型DeepSeek-V3的技术报告。DeepSeek-V3拥有总计671亿参数,在每个令牌激活约37亿参数,采用Multi-head Latent Attention (MLA)架构和DeepSeekMoE架构确保高效的推理和成本效益的训练。为优化推理和成本有效训练,DeepSeek-V3还引入了无辅助损失策略用于负载均衡以及多令牌预测训练目标,旨在增强性能。同时文中讨论了预训练、后训练阶段,及其硬件部署策略,并展示了全面评估表明DeepSeek-V3相较于其他开源模型表现更为优秀且与顶级闭源模型媲美。 适用人群:具备一定深度学习和自然语言处理基础知识的研发人员和技术爱好者。 使用场景及目标:①探讨最新的深度学习优化技术和大规模语言模型的设计;②理解高效率的语言模型训练框架及其经济性;③学习先进模型在不同任务基准测试上的实际应用表现。 其他说明:该研究致力于推动开源模型在性能和实用性方面的边界拓展,并为研究人员提供了新的研究方向和发展路径。尽管其性能出色,但其部署规模较大可能对小型团队带来负担。未来的改进将依赖于更先进的硬件发展来进一步提升速度并降低成本。此外,文章强调该系列持续关注开放源码长远发展模式,逐步接近人工通用智能(AGI)这一最终目标。
DeepSeek-V3技术报告
本资料仅用作学习,可以免费下载。DeepSeek-V3技术报告,官方源地址为:https://github.com/LRriver/DeepSeek-V3/blob/main/DeepSeek_V3.pdf
python 强大的混合专家 (MoE) 语言模型 DeepSeek-V3
python 强大的混合专家 (MoE) 语言模型 DeepSeek-V3,DeepSeek-V3,这是一个强大的混合专家 (MoE) 语言模型,总共有 671B 个参数,每个 token 激活 37B。为了实现高效的推理和经济高效的训练,DeepSeek-V3 采用了多头潜在注意力 (MLA) 和 DeepSeekMoE 架构,这些架构在 DeepSeek-V2 中得到了彻底的验证。此外,DeepSeek-V3 开创了一种无辅助损失的负载平衡策略,并设置了多 token 预测训练目标以获得更强大的性能。在 14.8 万亿个多样化和高质量的 token 上对 DeepSeek-V3 进行了预训练,然后进行监督微调和强化学习阶段,以充分利用其功能。综合评估表明,DeepSeek-V3 优于其他开源模型,并实现了与领先的闭源模型相当的性能。尽管性能出色,但 DeepSeek-V3 仅需要 2.788M H800 GPU 小时即可完成完整训练。此外,它的训练过程非常稳定。在整个训练过程中,没有遇到任何无法恢复的损失峰值或执行任何回滚。


数据库相关
