登录社区云，与社区用户共同成长
邀请您加入社区
贪心n个商品，如果一个商品价格超过当前钱的一半，则不会买。问至少准备多少钱，才能买下所有商品，并且商品购买顺序不确定。显然最贵的商品，最可能超过剩余钱的一半，导致买不了。并且如果所有商品价格一样，最后一个买的商品，前面已经花的钱最多，剩余钱最少，最可能超过钱的一半，导致买不了。综合一下，越贵，越靠后的越可能买不了。最严格的条件是：最贵的东西最后一个买，如果这个情况钱都够，前面的也都够。要满足这个条
任务：电商评论情感二分类（正面 / 负面）模型路线：BERT 预训练编码器（1.02 亿参数）+ 线性分类头（BCE 路线，输出 1 个 logit）实测结果：测试集准确率95.04%（LSTM 项目为 91.48%）💡 这个项目的独特价值：与作者此前从零训练的 LSTM 情感分类项目（同数据集、同任务、同 SEQ_LEN，是"预训练微调 vs 从零训练"最公平的对照实验。
过去一年，AI Agent从技术概念走向工程落地。但很多人仍然把注意力集中在“用哪个模型”上——换更强的模型、写更长的提示词，仿佛模型就是Agent的全部。但实际开发过Agent 的人，大概率会认识到，这并非事实。
本实验聚焦于农业国际贸易中极具经济价值的开心果细粒度品种鉴定，依托涵盖基尔米兹（Kirmizi）与锡尔特（Siirt）两大核心出口品种、共计 2148 张非平稳多维物理形态影像的工业级资产大盘，在 TensorFlow 框架下成功完成了 EfficientNetB3、ResNet50 以及 VGG16 三大经典计算机视觉特征骨干网的迁移学习微调与横向竞技对位。
介绍MDP是Markov decision process马尔科夫决策过程的缩写。本示例在马尔科夫决策过程中训练一个智能体。问题定义MDP = createMDP(8,["up";"down"]);createMDP函数的用法为：SyntaxMDP = createMDP(states,actions)8为states的个数；“up”、“down”为两个可能的动作；在createMDP中通过.T和
低空空中目标检测数据集（Low-Altitude Aerial Target Detection Dataset）低空目标检测 反无人机 空中目标分类 小目标检测 YOLO格式 深度学习数据集 计算机视觉x数据集概述本数据集专注低空空域目标感知，服务于反无人机、空中交通监控及生态监测等前沿领域。数据涵盖典型空中目标，场景丰富，适配可见光条件下的目标检测算法研发与评测。在这里插入图片描述数据集核心信
先说一个你可能遇到过的场景：你让 AI 帮你整理一份竞品分析报告。它洋洋洒洒写了两千字，看上去头头是道，但一核对，数据是过时的，竞品有遗漏，格式也对不上你们公司的模板。
分类回答整张图或一个样本“属于哪一类”，回归预测连续数值，目标检测寻找多个对象并给出类别与位置，图像分割则把判断细化到像素级。它们之间存在明确组合关系：检测通常包含类别判断和框回归，语义分割相当于密集像素分类，实例分割还会结合对象检测与掩码预测。确定项目任务时，先写清楚最终需要类别、数值、边界框还是精确轮廓，再决定标注方式、模型输出和评价指标，后续的数据准备与训练流程才不会走偏。项目咨询。
用 5 个可运行的 Julia 案例拆解深度学习基础：SOM 无监督聚类、Softmax 与交叉熵、卷积/ReLU/池化前向传播、神经网络函数拟合和鸢尾花分类，并结合损失曲线、混淆矩阵和 U-Matrix 观察算法实际运行过程。
上周一个读者找我复盘字节面试，二面面试官问了一个看似简单的问题："你们团队提示词膨胀得厉害，你打算怎么精简？"我当时想都没想就回："模仿Claude Code的思路呗，把冗余的示例删掉，过时的硬性规则清理掉，剩下按需加载。"面试官听完点点头，又追问了一句："那删完之后，你怎么验证没翻车？"
蒸馏的最终产出是"知识摘要"——一份浓缩了仓库核心知识的文档。# 知识摘要：xxx## 项目定位一句话说明项目是什么、解决什么问题。## 核心概念- 概念1：定义 + 为什么重要- 概念2：定义 + 为什么重要## 关键决策| 决策 | 背景 | 选择 | 原因 || 状态管理 | Vuex 跨模块繁琐 | Pinia | 直观、TS 支持好 |## 常见坑点- 坑1：现象 + 原因 + 规避方法
这是《Git 仓库蒸馏术：从代码仓库到 OpenClaw 虚拟人》系列的第 5 篇。第 04 篇从提交历史还原了项目的"时间轴"，这一篇转向"空间轴"——。提交历史告诉你系统怎么长成的，代码结构告诉你系统现在长什么样、各部分怎么咬合。
摘要 本研究基于Kaggle的XWOD极端天气数据集（涵盖暴雨、大雪、浓雾、洪涝等7类恶劣场景），采用预训练ResNet50模型，通过PyTorch框架构建了高鲁棒性的目标检测系统。实验采用数据增强策略（随机翻转、旋转、亮度/对比度调整）提升模型泛化性，并利用AdamW优化器微调网络。结果显示，模型在独立验证集上达到99.29%的准确率，各类别F1分数均超0.99，证实了残差网络在极端天气下的卓越
这篇文章分享了一个深度学习教学案例库的使用体验，作者通过运行多个可独立执行的小脚本，直观理解了卷积、池化等基础算子在前向传播中的具体作用，以及CNN、LSTM、VAE等模型的运行机制。案例库包含18个轻量级脚本，涵盖图像分类、时间序列预测、生成模型等主题，每个案例都配有可视化结果和可调参数，特别适合自学和验证。作者重点测试了CNN几何图形分类（测试准确率75%）、LSTM时间序列预测（MSE 0.
《AI技术栈的演进逻辑：从原子到城市》梳理了2024-2026年AI领域核心概念的层级关系，构建了从基础单元到复杂系统的认知框架。文章以Token（模型的最小语义单元）为起点，逐层解析Prompt（人机交互界面）、RAG（知识增强）、MCP（通用连接协议）、Agent（自主智能体）、Harness（运行环境）和Loop（执行循环）的技术内涵与递进关系，最终形成"砖块→建筑→城市"的完整隐喻。作者强
本文介绍了预算管理系统的数据库查询与聚合实现，主要包括三个核心功能：按月查询预算、分类支出统计和预算进度计算。通过WHERE条件与SUM聚合实现分类支出统计，处理了空结果的NULL陷阱问题。预算进度计算采用程序循环与SQL聚合结合的方式，包含百分比封顶逻辑和超支判断。总预算和总支出的统计分别采用前端累加和SQL聚合两种方式。文章还提及了防御性编程和DAO层计算分工原则，展示了从单表查询到双表联动的
本文基于YOLO26目标检测算法，构建了一套船舶分类识别检测系统，用于对五类常见船舶（集装箱船、游轮、军舰、滚装船、油轮）进行自动识别与定位。系统在包含3,721张标注图像的数据集上进行训练与评估，其中训练集3,232张，验证集339张，测试集150张。实验结果表明，模型在验证集上的整体mAP50达到0.879，mAP50-95达到0.875，平均精度为0.843，召回率为0.85。各类别中，游轮
随着光伏产业的飞速发展，太阳能电池板的质量控制成为保障发电效率的关键环节。针对传统人工检测效率低、主观性强等问题，本文提出了一种基于YOLO26（You Only Look Once）深度学习算法的小尺寸太阳能电池板缺陷自动检测系统。本研究构建了包含黑芯、裂纹、栅线异常、水平错位、短路及粗线等6类典型缺陷的数据集，共计5016张图像。尽管在细微裂纹和水平错位检测上仍存在挑战，但整体系统展现了在工业
本研究设计了一个基于Python的城市垃圾分类管理系统，通过图像识别技术实现垃圾自动分类。系统包含用户管理、分类指导、数据分析和多平台访问等功能模块，采用符合数据库范式的表结构设计。研究旨在提高垃圾分类准确性和回收效率，促进资源循环利用和城市可持续发展。该系统具有经济可行性、社会接受度和技术成熟度，能为政府部门提供决策支持，同时提升居民环保意识。
摘要：Python基础语法在大模型开发中的重要性愈发凸显。文章通过实际案例（如列表拼接导致内存泄漏、Tokenizer内部机制误解、生成器误用等问题）说明，即使使用高级框架，底层Python机制仍直接影响性能与稳定性。作者强调在大模型高成本训练场景下，必须掌握对象生命周期、深浅拷贝、迭代器特性等基础概念，并提出5条实用建议：编写纯函数、管理对象引用、正确处理拷贝、采用迭代器思维及完善类型提示。这些
本文提出了一种基于深度学习目标检测模型YOLOv12的垃圾智能分类系统，旨在实现高效、精准的垃圾识别与分类。系统针对10类常见垃圾（包括电池、衣物、玻璃、金属、塑料等）进行检测，采用自构建的YOLO格式数据集，包含训练集（9909张）、验证集（977张）和测试集（486张）。通过YOLOv12模型结构，系统集成用户友好的UI界面，支持登录注册功能，便于用户交互与数据管理。实验结果表明，该系统在实时
近一年我帮人改过上百份带"Agent 项目"的简历，模拟面试也做了不少场。一个让我自己都意外的发现：项目做得不错但讲得很差的人，几乎拿不到 offer。同样的项目讲清楚的人，反而能拿到手软。
电脑用久了，桌面和下载文件夹总会变得一团糟。用 Python 写几个脚本，一键重命名、按类型归档、清理重复文件。
水下生物识别是海洋生态监测与渔业资源管理的关键技术。本研究构建了一个基于YOLO26的水下生物目标检测系统，针对5类典型水下生物（海胆、海参、扇贝、海星、水草）进行自动识别与定位。系统采用5320张训练图像、1520张验证图像和760张测试图像进行模型训练与评估。本文详细阐述了研究背景、数据集构成及当前技术瓶颈，为后续数据修复与模型优化提供基础。类别索引英文名称中文名称生态/经济意义0echinu
本文提出了一种基于聚集的智能客服问题自动分类系统，采用Python开发，集成K-means聚类算法与文本处理技术。系统通过TF-IDF/Word2Vec实现文本向量化，结合改进的K-means算法（最优K=15）达到89.7%的F1-score，较传统方法提升5%-8%。实际应用中，系统自动处理率达75%，人工转接减少40%。采用四层架构设计，支持MySQL/MongoDB混合存储，提供PyQt5
本项目基于YOLOv8目标检测算法，开发了一套高效、精准的水果自动分类检测系统，能够实时识别并分类六种常见水果：苹果（Apple）、香蕉（Banana）、芒果（Mango）、橙子（Orange）、菠萝（Pineapple）、西瓜（Watermelon）（nc=6）。系统采用深度学习技术，在自建数据集上进行训练和优化，该数据集包含1007张标注图像，其中训练集768张、验证集129张、测试集110张
VASI 的第一步不是训练一个更会“看人”的模型，而是限制系统可以做什么。它可以根据当前语音、对话和业务状态，选择更合适的沟通方式；它必须承认不确定性；用户一旦明确表达偏好，系统就要让位。高风险场景里，它更应该把问题交给人工，而不是证明自己有多聪明。最终，系统输出不该是“这个用户是什么类型”，而应是：在当前证据和风险边界下，我为什么选择这样说话；如果你不喜欢，我可以立刻换一种方式。
本文基于心脏病医疗数据集开展二分类预测实战，完成数据清洗、EDA 可视化、特征标准化等预处理，筛选关键生理指标作为模型输入。封装统一评估函数，对比逻辑回归、SVM、决策树、随机森林、XGBoost 五类算法，通过混淆矩阵与 ROC-AUC 衡量性能。实验表明线性模型效果一般，树集成模型随机森林、XGBoost AUC 达 0.99，拟合与泛化能力最优，适合医疗辅助诊断，文末给出优化拓展思路。
📌 摘要 针对 BaoStock 数据缺失、维护不足、登录繁琐等问题，推荐使用高性能量化数据 SDK QuantDash（pip install quantdash）。QuantDash 原生支持 Pandas，提供服务器端无缝复权计算，统一多市场标的格式（如 600519.SH），支持 A 股、港股、美股等市场。开发者仅需 3 行代码即可高效获取历史 K 线和实时盘口数据，性能提升 10 倍以
本项目旨在构建一套基于深度学习的铁轨轨道缺陷自动检测系统，利用YOLOv11目标检测算法对铁路轨道表面的缺陷进行实时识别与定位。数据集涵盖四类常见缺陷类型，分别为剥落（Spalling）烧伤（Wheel Burn）挤压变形（Squat）及波浪磨耗（Corrugation），共计训练集1916张、验证集240张、测试集240张。系统在数据预处理阶段采用图像增强与归一化方法，以提升模型的泛化能力。在模
让我们回到开头那个机票预订的问题。现在你应该能看懂了：Agent不是一次性回答你，而是启动了它的OPAR循环——Observe：读取你的请求，发现涉及航班、积分、时间三个维度；Plan：制定四步计划（搜航班→查积分→筛选→预订），附带"如果积分不足则切换现金"的退出条件；Act：调用搜索API，拿到10个航班结果；Reflect：发现最便宜的结果违反时间约束，输出REPLAN；回到Observe：
这篇2026年的论文《Toward Personalized LLM-Powered Agents》系统探讨了AI智能体的个性化实现路径，提出了一个四维能力框架：用户画像建模（Profile Modeling）、记忆管理（Memory）、自适应规划（Planning）和行动执行（Action Execution）。研究指出，真正的个性化需要贯穿整个决策链路，而不仅是调整生成层输出。论文揭示了当前A
本项目基于YOLOv10目标检测算法开发了一套高性能吸烟行为识别系统，主要用于实时检测吸烟相关目标。模型采用nc=5的五分类架构，能够精准识别香烟（Cigarette）、人员（Person）、烟雾（Smoke）、电子烟（Vape）和吸烟动作（smoking）五大关键目标。系统通过多目标关联检测技术，不仅能识别吸烟相关物体，还能结合人员与香烟/电子烟的交互状态进行行为判断，可部署于安防监控、智能巡检
读取train or val or test文件，遍历每条，每条的每个字都会计算出一个score值，0 ≤ socre ≤ 1，然后设置一个门限值，将score大于该门限值的字，或多个字连在一起组成的词抽取出来，放入一个数组，最后统计该字or词出现的frequency，排序。参数量为bert_base的十分之一，模型大小也十分之一；使用warmup调整学习率，0～1000步时，学习率从0线性增加到
本项目基于PyQt5构建了简洁易用的图形用户界面，支持用户选择本地图片或视频进行目标检测。系统界面美观，交互流畅，具备良好的用户体验。项目附带完整的 Python 源码和详细的使用说明，适合学生进行学习或有一定 Python 基础的开发者，参考与二次开发。您可以在文末获取完整的代码资源文件。✨ 项目亮点🔧包括pyqt5界面、后台检测逻辑、模型加载等模块🧠源代码，支持个人添加改进、模型修改等🚀
本文为AI开发者提供Python 3.x开发指南，涵盖环境配置、基础语法和核心数据结构。重点介绍了Anaconda发行版和PyCharm IDE的最佳实践，强调虚拟环境隔离项目依赖。详细解析Python语法规范，包括命名规则、类型转换和流程控制，并深入讲解列表、元组等数据容器在AI场景中的应用。内容从"会写代码"升级到"理解工程架构"，适合有一定基础需要深化
随着城市化进程加快和环境保护要求的提高，生活垃圾的智能分类成为实现资源循环利用和减少环境污染的关键技术。本文基于YOLO目标检测算法构建了一个四类垃圾分类检测系统，包括可回收物（recyclable waste）、有害垃圾（hazardous waste）、厨余垃圾（kitchen waste）和其他垃圾（other waste）。实验采用YOLO26模型在自建数据集上进行训练，数据集共计2743
分类
——分类
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
EazyDevelop社区
快递鸟社区
AI Agent技术社区
亚马逊云科技技术品牌专区
天工造物局
MCP技术社区
AI编程社区
龙虾开发者社区
人工智能6S服务平台
