登录社区云，与社区用户共同成长
邀请您加入社区
本文介绍了一种基于Spring AI Alibaba构建的数据分类分级智能体解决方案。该系统通过大模型（通义千问）结合RAG（检索增强生成）和对话记忆技术，自动完成数据字段的分类与敏感度分级。用户只需输入字段名（如"身份证号"），系统即可返回分类路径、敏感等级（1-4级）及判断理由，支持多轮上下文对话。文章详细解析了系统架构，包括知识库向量化存储、对话记忆管理以及Advisor
摘要：本文介绍如何利用Gemini3.1 AI模型实现邮箱GTD自动分类，通过RskAi提供的API（兼容OpenAI格式）快速搭建个人邮件管理系统。传统邮件过滤规则仅能基于关键词，而Gemini3.1可理解邮件语义，准确分类为待办、参考或垃圾邮件（实测准确率达96%）。教程包含70行Python代码实现，支持IMAP协议收取邮件，通过函数调用机制完成语义分类，每日免费额度可处理300-400封邮
糖尿病视网膜病变是糖尿病常见且严重的微血管并发症之一，也是导致成年人视力下降甚至失明的重要原因。由于该病在早期往往缺乏明显症状，若不能及时筛查和干预，容易造成不可逆的视觉损伤。传统眼底图像判读主要依赖专业医生人工完成，不仅工作量大，而且对临床经验具有较强依赖性。因此，研究并设计一种基于深度学习的糖尿病眼底图像分类识别系统，对于提高眼底病变筛查效率、辅助临床诊断以及推动智能医疗技术应用具有重要的现实
（Linear Gaussian SSM / Kalman Filter / ARIMA 的状态空间形式 / Switching SSM / Hidden Markov Model）( SVR / Random Forest / XGBoost / LightGBM / 浅层ANN)
在 PyTorch 入门阶段，我们经常使用自带的 torchvision.datasets.ImageFolder 来加载数据。数据必须按类别分好子文件夹存放。但在实际的工程项目或开源数据集中（如图像分类、目标检测等），数据往往是**“大杂烩”**形式的：几千上万张图片全部混放在一个大文件夹中，另附一个标注文件（如 train.txt 或 val.json）。面对这种“一图一表”的结构，Image
注意力层自动强化关键情感词（如"非常失望"的权重 $\alpha_i > 0.2$ vs 中性词 $\alpha_i < 0.05$）此方案通过注意力机制弥补BERT在特征加权上的不足，显著提升细粒度情感分类性能，适用于电商、社交媒体等短文本场景。BERT层解析深层语义（如"电池续航差但拍照极好"的冲突表达）对无关词降权（如"物流很快"在评价产品质量时的低权重）(权重0.31)" → 正确分类为正
本文基于珠宝电商真实交易数据，采用K-Means聚类和RFM模型进行客户细分研究。通过数据清洗、特征工程（构建RFM指标及多维行为特征）和PCA降维处理后，确定3个最优客户群：高潜力客户、流失风险客户和价格敏感型客户，并针对每类群体提出差异化营销策略。研究展示了从数据处理到商业落地的完整流程，同时指出数据代表性等局限性，建议未来结合深度学习方法提升营销精度。该案例为电商客户细分提供了可借鉴的实施框
随着人工智能（AI）技术的不断发展，越来越多的电商平台开始尝试运用 AI 来提升销售效率和用户体验。从购物推荐到会员分类，再到商品的智能定价，AI 正在深刻地改变电子商务行业的运行方式。AI 的加持不仅让电商平台更加智能化，同时也推动了行业整体的数字化转型。本文将详细探讨如何运用 AI 技术来创新实现购物推荐、会员分类、商品定价等关键业务，全面提升电商平台的运营效率与用户体验。
系统还能够根据用户的浏览历史和购买偏好，提供个性化的商品推荐，这不仅极大地提高了用户的购物效率，也为商家带来了更高的转化率。通过实时的直播展示，商品的细节得以清晰呈现，而互动元素的融入，如实时问答和限时抢购，不仅极大地提高了用户的参与度，也有效刺激了购买决策。在这一过程中，图像分类技术扮演着至关重要的角色，它能够智能识别直播中的商品图像，为用户提供更精准的搜索和推荐服务，从而优化整个购物体验。这一
7. 电商分账结算系统的使用可以大大简化电商平台的结算流程，提高资金结算的效率和准确性，为电商企业和参与方带来更好的交易体验。5. 结算报表和对账：系统能够生成结算报表，对各方的收支情况进行清晰的展示和统计，方便管理者进行。：根据预先设定的规则和逻辑，系统能够自动将交易款项分配到相应的账户上，实现自动结算。管理：系统可以管理结算周期，包括每日、每周或每月的结算，以满足不同参与者的资金需求。系统就承
说明：（1）Swagger的主要作用是【生成API文档】；而且，当我们项目更新的时候，Swagger也会实时更新；目录一：引入并配置Swagger；1.在pom.xml中，引入Swagger所需的依赖；2.在程序入口处MallApplication，使用【@EnableSwagger2注解】：开启Swagger；3.创建SpringFoxConfig类，去配置Swagger；4.创建ImoocMa
说明：（1）本篇博客的核心是就一条：递归查询的解决套路；主要有两点：●由于接口文档，要求是返回的数据，需要是递归嵌套的数据；所以，要创建CategoryVO这个bean，去包装查到的数据；以满足接口对返回数据的格式的要求；●递归查询的逻辑；（这条尤为重要）；目录一：先看下接口文档和接口说明；（1）前台的【分类列表（递归）】接口：在前台页面上的显示效果；（2）前台的【分类列表（递归）】接口：接口文档
说明：（1）本篇博客需要注意的点：●对于SpringBoot来说，POST请求时，更建议使用【@RequestBody实体类】的方式，去接收参数；（这一点还有不清晰的地方，需要回来修正）；（是不是如果请求参数很多的时候，参数就尽量不要放在url后面，否则的话会很长；更好的做法就是，把参数通过JSON的方式，放在body中；；；那么，与此对应，Controller就需要使用@RequestBody来
Ollama 是一款能让你在本地电脑上一键部署、运行各种大模型的工具。它把模型下载、依赖配置、运行环境全部封装好了，只需要几条命令，就能在你的 Windows 电脑上跑通 Qwen、Llama、Mistral 等热门模型，不用再折腾复杂的 Python 环境。下面我以 Windows 系统为例，带你从零安装并运行你的第一个本地大模型。
在数字化转型的浪潮中，大数据已成为企业的核心生产要素。云计算平台将复杂的大数据技术封装为可按需使用的服务，极大地降低了技术门槛。行业里通常按数据处理模式、存储形态和分析场景，将这些服务划分为几大主流类型。和是数据入口；是核心湖泊；是强大的加工引擎；与服务于最终应用与看板。下面针对这8种通用分类，再以Microsoft Azure平台为例，将每种类型拆解为清晰的子分类、核心组件与典型实例，帮你构建一
本文分析了Kaggle竞赛"Petals to the Metal - Flower Classification on TPU"的技术要点。该竞赛要求使用TPU硬件对104类花卉图像进行分类，评估指标为Macro F1 Score。数据以TFRecord格式提供，约5GB规模，包含背景干扰等现实场景复杂性。文章提出了四种递进式解决方案：基于颜色/形状统计的规则方法（适配度10
摘要：本项目基于Python实现了一种轻量级文本分类模型的知识蒸馏方法，通过BERT等大模型作为教师模型指导小型学生模型训练，在保持分类精度的同时大幅降低模型复杂度。项目包含完整的数据处理管道、模型架构设计（教师模型采用12层Transformer，学生模型缩减为4-6层）、多任务损失函数（交叉熵+KL散度损失）以及训练评估流程。通过温度参数和权重系数调节软硬标签的平衡，最终学生模型在CPU推理速
核心概念：逻辑回归是二分类算法，不是回归算法，输出是样本属于正类的概率核心思想：用 Sigmoid 函数把线性回归的输出映射到 (0,1) 区间，通过决策阈值进行分类核心评估：分类问题不能只用准确率，要结合精确率和召回率，根据业务需求调整决策阈值你已经做到了：写出了第一个实用的 AI 分类器，能根据业务需求优化模型性能。
空间计算与AR技术的融合正在重构测试认知边界，其技术架构涵盖感知、计算、渲染与交互四大层面。测试要点包括空间感知与定位精度、虚实融合渲染效果以及自然交互技术验证，需建立分级测试环境体系和设备分级矩阵。随着AI与物联网的发展，未来测试将面临环境智能理解、多设备协同等新挑战，需提前布局场景生成算法和跨设备测试方案。自动化测试框架与持续改进机制将成为提升测试效率的关键，技术指标、体验指标与业务指标相结合
空间计算与AR技术的融合正在重构测试认知边界，其技术架构涵盖感知、计算、渲染与交互四大层面，为测试带来全新挑战。测试要点包括空间感知定位精度、虚实融合渲染效果和自然交互体验，需构建分级测试环境体系和设备矩阵。自动化测试框架和度量体系是提升效率的关键，需关注技术指标、体验指标和业务指标。未来随着AI和物联网的深度融合，测试需应对环境智能理解、多设备协同和持久体验等新挑战，提前布局相关技术能力。测试人
激活函数和损失函数的合理选择对训练收敛和模型性能有决定性作用。实际任务中常要根据数据特性灵活调整。
一个基于深度学习的场景识别系统，支持ResNet、DINOv3、Swin Transformer和FastViT四种模型架构。系统采用模块化设计，提供完整的训练到部署流程，包括多GPU分布式训练、混合精度加速、模型量化和ONNX导出等功能。项目特别注重实用性和可扩展性，支持Places365数据集的365个场景分类任务，并提供了类激活映射可视化等模型可解释性工具。
本文分享了一个包含4000张高质量图像的工业粉尘检测数据集，适用于YOLO系列深度学习模型的分类检测任务。该数据集覆盖多种工业场景，经过标准化处理和精确标注，支持YOLO、COCO等多种格式。数据集可用于开发环境监测系统、YOLO算法研究、图像增强评估等应用场景，为工业安全提供智能化解决方案。文中详细介绍了数据集特点、标注规范、文件结构，并提供了模型训练流程和应用指南，助力粉尘检测技术的研究与部署
教育行业数据安全治理迫在眉睫：2025年前需完成全量教育数据的分类分级保护。教育数据具有"四多"特征——类型多、主体多、敏感度差异大、业务场景复杂，需采用三级分类模型（公开级、内部级、敏感级、机密级）进行差异化保护。实施路径包括数据资产梳理、建立分类分级映射表和自动化打标系统，核心是制定《数据分类分级清单》，实现从数据发现到安全策略落地的闭环管理。特别提醒：未成年学生数据属于特
本文总结了两篇关于时间序列分类与感知的前沿论文，分别应对了模态异构与带来的现实挑战。第一篇针对物理惯导（）与文本对齐不精准的问题提出了Vistar框架，创新性地使用视频作为中间桥梁，结合离线跨模态对比学习与在线检索增强生成（），赋能大语言模型对复杂传感器信号的理解与感知。第二篇针对时序学习的标签噪声难题提出DREAM，摒弃传统过滤法，从邻域和模型双重数据中心视角分离干净与噪声样本，通过循环特征插值
AI核心概念解析：大模型、智能体、AIGC与RAG的区别与联系 大模型（如GPT-4）是知识库型AI，擅长语言处理但被动响应；智能体（AI Agent）则是能自主行动的AI系统，具备规划执行能力。AIGC指AI生成的内容（文本/图像等），RAG是通过检索增强大模型的知识更新能力。四者关系可概括为：大模型是基础大脑，智能体=大模型+行动能力，RAG是知识增强插件，AIGC是产出结果。当前趋势显示，A
摘要：全球软件测试工具链正面临激烈竞争，国际巨头与本土企业在AI测试、云原生等领域展开技术争夺。国际巨头如Synopsys在EDA测试领域占据优势，而本土企业如掌动智能通过AI技术实现测试效率突破。竞争聚焦技术突破（AI、云原生）与场景适配（汽车电子、军工），但从业者面临技术兼容性、人才短缺等挑战。未来测试工具将向云原生、智能化、开源化发展，从业者需转型为"质量架构师"，掌握跨
摘要： 软件测试领域正面临“AI弥赛亚崇拜”现象，部分从业者将AI工具神化，认为其能解决所有测试难题。这种崇拜源于确定性焦虑、全能性幻象及拟人化交互的情感投射，但隐藏着逻辑漏洞、可维护性缺失及伦理风险。AI的偶然成功可能掩盖系统性缺陷，而盲目信任会削弱测试的严谨性。测试从业者需回归理性，构建透明AI测试体系，提升专业能力，并坚守伦理底线，平衡技术效能与批判思维，确保AI工具的科学应用。
教育神经植入技术通过脑机接口优化学习过程，为软件测试带来全新挑战。测试需聚焦四大维度：安全性测试确保系统可靠，防范神经损伤风险；性能测试验证实时响应与资源效率；可靠性测试保障长期稳定运行；伦理测试评估公平性与隐私保护。从业者需结合神经科学知识，采用仿真平台和AI测试工具，构建兼顾技术创新与社会责任的测试体系。这一前沿技术的落地，亟需建立跨学科的标准化测试框架，在保障安全可靠的同时推动教育公平。
《代码原罪与技术赎罪券：软件测试的算力救赎之道》摘要 本文探讨了软件开发中普遍存在的"代码原罪"现象及其应对策略。随着代码错误导致的系统崩溃事件年增15%，技术赎罪券作为一种新型测试范式应运而生。文章系统阐述了代码缺陷的三大根源（人为失误、需求漂移、技术债务），并提出通过算力投资（自动化工具、云平台、AI框架）实现缺陷风险量化管理。核心内容包括：构建自动化测试框架和安全防御体系
算法说“再给我两周，AUC还能提两个点”，产品说“现在的版本已经可以上线了”。数据出来，分歧自动消失。当分歧严重到影响项目进度时，任何成员都可以触发“安全通道”——直接上报给项目发起人或管理层，由更高权限的人快速裁定。AI项目有一个天然的分歧温床：算法工程师说“这个模型精度最高”，产品经理说“用户等不了那么久”，运维说“服务器扛不住”，法务说“数据合规有问题”。记住三个原则：把人和事分开，用数据代
一个 4 位量化的 70 亿参数模型，在 4GB 显存上就能流畅运行，效果足以应对大部分实际业务。可以按权重幅度剪（绝对值小的删掉），也可以按梯度信息剪（不重要的删掉）。用一个超大模型（老师）的输出作为“标准答案”，训练一个很小的模型（学生）。学生不需要学习互联网上的所有知识，只需要学会老师在这个任务上的“思考方式”。很多场景下，70 亿参数的模型已经足够好，没必要上 700 亿的。4 位量化：显
在之前的文章中，我们训练了一个不错的图像分类模型，性能指标看着很漂亮。我最近就接了个需求，要把一个花卉识别模型塞到客户的安卓App里，让他们能离线拍照识别。一开始觉得，不就是模型转换和调用嘛，结果从TensorFlow SavedModel到真正在手机摄像头流里跑起来，踩的坑一个接一个。通过这个项目，我们成功地将一个服务器端的AI模型“瘦身”并“移植”到了移动设备上，实现了离线、低延迟的智能识别功
智慧农业玉米生长阶段分类识别数据集 玉米计算机视觉数据集 玉米生长状态识别 生长进程监测 农业 AI 场景识别第10430期 (1)
本项目成功构建了基于Transformer的医疗文本科室分类模型，实现了患者病情文本到就诊科室的精准映射，模型准确率高、推理速度快，可应用于医疗咨询分诊、智能问答等场景。通过HF镜像解决了数据集下载问题，通过合理的模型设计与超参数配置，确保了模型的性能与泛化能力。后续可进一步优化模型结构、扩大数据集规模，提升模型对复杂病情文本的分类精度，同时完善Flask服务，适配生产环境部署需求。
本文提供一条系统化的学习路径，涵盖Python基础到AI核心应用，最终实现图像分类项目。通过此路径，可逐步构建从编程基础到AI落地的完整知识体系，最终独立实现图像分类模型。
综上所述，这份人体检测、行人识别数据集不仅具备数量适中、标注精准、划分合理、场景多样等优势，还能够为多个研究方向和实际应用提供支持。无论是学术研究、项目开发，还是模型原型设计，该数据集都能够成为一个理想的起点。专业性强：专注于人体检测与行人识别任务，涵盖多种姿态和场景质量高：所有图像均经过人工精标，确保标注精度实用性好：已完成数据划分，开箱即用，无需额外预处理兼容性强：支持YOLO、VOC、COC
摘要 本文介绍了一个专为高压输电线路电力巡检设计的图像识别数据集，包含6类关键目标（电缆破损、绝缘子破损、正常电缆、正常绝缘子、杆塔和植被遮挡），共计2000张标注图像。数据集采用YOLO标准格式，已完成训练集（70%）、验证集（15%）和测试集（15%）划分。该数据集具有高质量标注、真实场景覆盖和多样化特点，可直接用于YOLO系列等目标检测模型的训练。文章详细说明了数据集结构、应用场景和使用指南
第一阶段跑完，发现有些“前氧传感器”和“后氧传感器”被开源模型搞混了。这时候就该咱们自己动手了。把第一阶段跑错的案子挑出来当反面教材，把 15 万标签数据当正面教材。租个显卡，花几小时把原来那个开源模型微调一下，变成你独家的“汽配懂哥”模型，然后重新刷一遍库。具体流程：攒数据：最关键的一步。把你那 15 万商品里，同标签的商品两两配对（正样本）。把第一阶段模型分错的、或者极其相似但标签不同的商品配
分类
——分类
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
DeepSeek技术社区
快递鸟社区
openEuler 社区
