登录社区云，与社区用户共同成长
邀请您加入社区
如果需要给每个元素设置不同的上下限，可传入和原数组同形状的a_mina_maxpython运行# 原始数组# 每个元素的最小值（按位置）# 每个元素的最大值（按位置）# 按位置裁剪print("原始数组：", arr)print("裁剪后数组：", clipped_arr)输出plaintext原始数组： [ 1 6 11 16]裁剪后数组： [ 2 6 9 16]解释：第 1 个元素：1 < 2
本文深度解析了CANN原生Numpy库AsNumpy的架构设计与优化技术。AsNumpy提供与标准Numpy兼容的接口，同时针对CANN硬件进行深度优化，包含数组模块、计算模块、优化模块和兼容模块四大核心组件。通过向量化优化、并行计算和内存优化等关键技术，显著提升了数值计算性能。文章还展示了AsNumpy的实际应用示例，并展望了其未来发展方向，包括功能扩展、性能优化和设备支持等。作为CANN生态的
微信公众号搜一搜“书匠策AI”）正用“智能外挂”的姿态，把课程论文从“痛苦修行”变成“闯关游戏”。它像一位耐心的导师、一位严谨的编辑、一位靠谱的助手，让你的每一篇课程论文，都能成为学术思维的“磨刀石”，研究能力的“基石”。：一位历史专业学生常在B站观看“唐朝服饰复原”视频，书匠策AI推荐“唐代女性服饰色彩的考古学分析”，该论文因视角独特被推荐至省级学术会议。格式规范是论文的“门面”，但不同学校、期
书匠策AI并非要“替代人类思考”，而是通过智能化工具，帮助学生完成从“知识接收者”到“学术探索者”的关键转型。当AI承担起格式校对、基础分析等重复性工作，学生得以将更多精力投入问题发现与理论思考——这才是学术训练的真正价值。，），或微信公众号搜一搜“书匠策AI”，开启你的智能学术之旅！在这里，每一篇课程论文都是思想与技术的完美融合，每一次写作都是学术能力的跃迁升级。让书匠策AI成为你的“学术外挂”
在学术写作的江湖里，每一位学子都渴望拥有一把“屠龙宝刀”，能轻松斩断选题迷茫、文献混乱、框架松散、表达生硬等“拦路虎”。今天，就让我们揭开一位学术新宠的神秘面纱——书匠策AI科研工具，它正以四大“超能力”，重新定义课程论文的写作方式，让学术之路从“荆棘密布”变为“康庄大道”。
它不是替代思考的“作弊器”，而是放大学术潜力的“放大镜”——通过智能化工具，帮助学生完成从“知识接收者”到“学术探索者”的关键转型。撰写“公共管理”论文时，系统自动检测“政策工具”与“治理手段”的使用场景，避免混淆。，像一位经验丰富的“学术建筑师”，基于“问题提出-文献综述-理论框架-研究方法-实证分析-结论展望”的标准范式，自动生成可调整的三级标题体系，并标注每个章节的核心功能。的科研工具正以“
书匠策AI的出现，并非要取代人类思考，而是通过智能化工具，帮助学生完成从“知识接收者”到“学术探索者”的关键转型。它不是替你写论文的“代练”，而是为你配备了一位24小时在线的“学术教练”，从选题到定稿，全程护航。：一位管理学学生原框架中缺失“政策工具与地方经济特征的关联性分析”，书匠策AI建议增加跨学科模块，逻辑层次显著提升，论文最终获评“优秀”。格式规范是论文的“门面”，但不同学校、期刊的要求常
CANN推理优化项目cann-recipes-infer为AI模型推理提供端到端优化方案，涵盖LLM和多模态模型。该项目在开源社区获530+Star，包含DeepSeek等主流模型的优化实践，提供从模型转换到多流并发的完整流程。技术特点包括完整代码、性能优化技巧和详细文档，其中DeepSeek模型优化展示了CP并行策略和大EP并行等关键技术，通过分块处理和专家路由实现高效推理。项目为开发者提供可直
本文介绍了昇腾NPU原生NumPy库中的asnumpy模块，该模块实现了CPU与NPU间数据的高效转换。主要内容包括：asnumpy的功能概述、与传统NumPy的差异、安装配置方法、核心功能（基础转换、内存管理、流式处理等）、性能优化策略（批量传输、内存复用、异步处理）、常见问题处理以及实际应用示例（深度学习推理、科学计算）。asnumpy保持了NumPy的易用性，同时支持异步传输和内存优化等高级
这款以“学术写作智能导师”为定位的工具，凭借六大核心功能，覆盖从选题到答辩的全流程，甚至能将“学术小白”培养成“科研达人”。今天，我们就以教育测评的视角，拆解它的“超能力”，看看它如何重新定义AI时代的论文写作。书匠策AI的“逻辑架构师”功能，像一位经验丰富的“建筑师”，能基于研究问题自动生成多层级框架，并模拟审稿人视角检测逻辑漏洞：。学术表达与日常语言的差异常让初学者头疼，但书匠策AI的“内容精
本文是《机器学习导论》第1章的实战指南，系统讲解机器学习五大核心应用场景。内容涵盖关联规则学习、分类、回归、非监督学习和增强学习，每个知识点均配有可直接运行的Python代码（含详细注释）和可视化效果对比。通过购物篮分析、鸢尾花分类、房价预测、KMeans聚类和迷宫寻路等经典案例，直观展示机器学习算法的实际应用。文章采用"理论+代码+可视化"的三维讲解模式，包含流程图、思维导图
此次研究直指当前以 DiT 为代表的主流扩散模型与流匹配模型存在的通病，并提出了一种用于单步、无潜空间（Latent-free）的图像生成新框架。何恺明团队新论文，再次「大道至简」。此次研究直指当前以 DiT 为代表的主流扩散模型与流匹配模型存在的通病，并提出了一种用于单步、无潜空间（Latent-free）的图像生成新框架。在生成式 AI 领域，追求更高效、更直接的生成范式一直是学界的核心目标。
Laser 的研究不仅是一项技术突破，更指明了未来 LLM 服务系统的重要演进方向。随着大模型应用场景日益多元化，从实时对话到后台批处理，单一的 SLO 保障模式已不再适用。Laser 所倡导的层级别调度理念，为构建弹性、高效、可定制的下一代 AI 推理基础设施提供了坚实的技术路线。在大模型推理服务日益成为 AI 基础设施的今天，如何高效支撑多 SLO（Service-Level Objectiv
Agent Skills 的本质是把「怎么做事」从模型里解耦出来。以前，我们只能寄希望于模型越来越大、见过的数据越来越多。「按这个流程来」。这对企业落地 AI Agent 来说，意义重大——你不用等 GPT-5 或 Claude 4.5 来「天然理解」你的业务，你现在就能把知识喂给它。
具身智能模型，最强开源机器人大脑！两万小时真机数据开启物理AI缩放定律。蚂蚁集团旗下的具身智能公司灵波科技开源了两大重磅模型。具身智能模型，最强开源机器人大脑！两万小时真机数据开启物理AI缩放定律。以及强大的世界模型LingBot-World。LingBot-World将视频生成模型进化成了可交互世界模拟器，让AI学会了理解物理规律、空间记忆和实时交互。
一位学音乐、零技术基础的Meta产品经理，在一次旅行中偶然被Claude唤醒了「超能力」！他利用AI重构工作流，2天竟能干完一个团队几周的活。不会用AI的人，终将被那些善用AI的人取代！在AI浪潮下，这句话曾像警钟一样敲打着无数人的神经。但如今，这句话却演绎出了一个全新的版本：AI不会替代你，而会为你推倒那道挡在你与梦想之间的技术高墙。Meta产品经理Zevi Arnovitz就是一个很好的例子。
tail指令从指定点开始将文件写到标准输出，使用tail命令的 -f 选项可以方便的查阅正在改变的日志文件，tail -f filename 会把 filename 里最尾部的内容显示屏幕上，并且不断刷新，使你看到最新的文件内容。就像它的名字一样的浅显易懂，它是用来显示开头或结尾某个数量的文字区块，head用来显示档案的开头至标准输出中，而tail想当然就是看档案的结尾。：查看小文件，小算法，小配
Agentic workflow 模式代表了我们设计与部署 AI 系统方式的根本转变。从一次性提示走向迭代、结构化的工作流，极大拓展了 AI Agents 的可靠能力边界。不再孤立生成答案，Agents 现在可以在问题展开过程中进行规划、行动、反思、协作与适应。Reflection pattern 通过自我审查与打磨提升质量。Tool use pattern 让 Agent 超越纯语言，连接真实系
这次推出的全新成员AlphaGenome，将AI的预测疆域拓展到了最为宏大且神秘的人类基因组图谱。谷歌Alpha家族，再登Nature封面！这次推出的全新成员，将AI的预测疆域拓展到了最为宏大且神秘的。AlphaGenome能够，准确捕捉基因深处的复杂互动。它能，识别细胞如何从单个基因生成多种蛋白质，以及这一过程何时会出错导致疾病。例如，AlphaGenome对白血病相关基因TAL1的致病突变进行
高校师生是如何面对生成式人工智能（GAI）浪潮的？生成式人工智能正在重塑高等教育的教学形态和知识生产模式。青海大学、厦门大学等联合团队对四川省的三所高校进行问卷调查，深入研究了高校面对AI时的焦虑和采用意愿。该研究发表在了Nature的科学报告上。高校师生是如何面对生成式人工智能（GAI）浪潮的？生成式人工智能正在重塑高等教育的教学形态和知识生产模式。从智能辅导系统设计个性化学习路径，到自然语言处
本综述通过 "Locate-Steer-Improve" 的框架，首次系统地勾勒出了 MI 从分析走向具体干预的路线图。展望未来，作者团队认为 MI 的核心挑战与机遇在于打破 “各自为战” 的局面 —— 需要建立标准化的评估基准（Standardized Evaluation），验证干预手段的泛化性；同时推动 MI 向自动化（Automated MI）演进，最终实现让 AI 自主发现并修复内部错误
实际上这么看下来，Kimi K2.5通过视觉能力和Agent集群，极大地抹平了普通用户与专业交付成果之间的技术鸿沟。毕竟，连提示词都不用反复修改润色，只要拿图或视频给K2.5看，它就能交给你一个基本满意的答卷。办公方面的升级，也在侧面说明Kimi现在已经是被微软认定的生产力工具；要知道，微软之前在「Agent+Office」这方面合作的核心可是OpenAI的GPT系列。大家总爱说AI迟早要替代人，
Clawdbot 解决了 AI 落地最后一公里的问题，它有记忆，能控制浏览器和文件，还能自我学习和扩展技能，真正实现了从聊天到办事的飞跃。Clawdbot 真正让 AI 走出了聊天框，变成了一个能帮你干活的数字同事。这个诞生仅三周的开源项目，让整个科技圈为之侧目。它是一个能 7x24 小时在你自己的电脑上运行的个人 AI 助手，通过你常用的聊天软件（如 WhatsApp、Telegram）与你对话
主流agent框架及对比分析（github上热度top5）：Agent框架适合场景优势不足AutoGPT各类通用任务，完全发挥自主性1.完全自主执行2.任务分解与多步执行3.记忆和持续学习1. 复杂任务场景前后文一致性问题2.高成本和效率问题3.操作可控性较低LangGraph可明确拆解任务步骤1.灵活的多步骤控制2.原生支持短长期记忆3.易调试和全链路可观测1.自主性有限2.Agent模式不成熟
（Numpy+Pandas+Matplotlib），全程用pip安装，代码简洁可直接运行，聚焦「数组计算 + 表格处理 + 折线图 / 柱状图绘制」，用 Pandas 处理 Excel/CSV 数据，用 Matplotlib 画数据图表
本文介绍了Python数据可视化库Matplotlib的常用功能与技巧。重点内容包括：1）网格绘制(plt.grid)的参数设置；2）面向对象编程方式(Figure和Axes对象)的优势；3）子图布局方法(plt.subplot/subplot2grid)及其constrained_layout参数；4）图片保存技巧(plt.savefig)与路径管理；5）图例设置(plt.legend)与坐标轴
数据分析仪处理，必不可少的技能之：numpy+pandas
数据清洗（Data Cleaning） 是数据分析与机器学习流程中的关键步骤，指的是识别并纠正（或删除）数据集中的不准确、不完整、不一致或重复信息的过程。通俗来说，就是把 “脏数据” 变成 “干净数据”，为后续分析和建模打下基础。
例如，一个元素类型是float64的数组的itemsize是8（=64/8）。它的目标是提供一种高级的、高效的科学计算环境，为科学家、工程师和数据分析师提供丰富的工具和函数。.NumPy（Numerical Python）的主要对象是异构的多维数组，这个数组通常是一些相同类型的元素的表格（这些元素通常是数组），由一个元组的正整数索引。下面是一个求解线性方程组，该代码使用 Scipy 中的 lina
前提你已经安装了python 3.8。注意：Mac OS X自带python 2；需要在python官网下载最新版。Python 3.8 内置pip, 不需要再次install。详情请阅读：https://pip.pypa.io/en/stable/installing/目标是安装 numpy, pandas和对excel进行读写的package在terminal上的操作（1）先进行numpy,
第1行代码中的plt.subplots（nrows=2,ncols=2）（也可以简写为plt.subplots（2,2））就表示绘制2行2列共4张子图，它会返回两个内容：fig（画布）和axes（子图集合，以数组形式存储各张子图）。例如，subplot（221）表示绘制2行2列的子图（共4张子图），当前绘制的是第1张子图，如下图所示。从前面的介绍可知，可以在一张图表里绘制两条线，但如果两条线的取值
由于需要将Python3.7 和一些软件包交叉编译到 armv7 平台硬件，如果是arm64位的系统，很多包都有预编译好的版本，可直接下载。本文主要在基于环境下交叉编译。
可以查看我之前发过的这篇文章，里面有在黑窗口中更新pip的详细步骤在python中如何安装matplotlib模块?(亲测有效)-CSDN博客。
版本兼容问题numpy和pandas
本文的独特价值在于突破传统教学的孤立讲解模式，文章不仅提供可直接复用的项目代码和数据集，更通过精心设计的流程图揭示三库协同工作机制，带你亲手搭建从原始数据到商业洞察的端到端分析能力，真正掌握企业级数据分析的完整方法论。
Python、NumPy、Pandas 和 Matplotlib 之间存在一定的依赖关系，通常建议使用兼容的版本以避免冲突。
NumPy、Pandas和Matplotlib作为Python数据科学的三大核心库，各自在数值计算、数据处理和可视化方面发挥着重要作用：- NumPy提供了高效的数组操作和数学运算，是科学计算的基础- Pandas提供了灵活的数据结构和数据分析工具，简化了数据处理流程- Matplotlib提供了丰富的可视化功能，帮助我们直观地理解数据掌握这三个库，将为你的数据科学之旅打下坚实的基础。
之前安装的时候试过还好好的，今天却出现这样的提示。网上看了下，说是要卸载，可卸载后发现还是不行。在重装pandas时出现依赖包的提示，发现一个numpy记得是重装过。
Python数据分析三剑客：NumPy、Matplotlib、Pandas，入门笔记，视频教程参考B站黑马程序员
通常我们通过Python来处理数据，用的比较多的两个库就是numpy和pandas，在本篇文章中，将分别利用两个库来进行操作。3、其中使用pandas库来实现读取文件夹下多个CSV文件中的第一列数据并求其最大值和最小值的代码如下图所示。4、通过pandas库求取的结果如下图所示。通过该方法，便可以快速的取到文件夹下所有文件的第一列的最大值和最小值。5、下面使用numpy库来实现读取文件夹下多个CS
Series、DataFrame（pandas）和ndarray（numpy）三者相互转换笔者从事数据分析的工作，经常会用到pandas和numpy，虽然使用了很久，但仍有部分疑惑，现抽个时间好好梳理下。下文将从是什么（what），怎么做（how）两个角度进行说明。老规矩，talk is cheap, show me the code.Ⅰ. What1.1 numpy.ndarraynumpy.n
NumPy和Pandas都是Python的第三方库，但是它们的应用场景不同。主要用于处理数值数据，提供了数组来容纳数据，支持并行计算，底层使用C语言编写，效率高。主要用于处理类表格数据，提供了和数据结构，能够处理不同类型的数据，支持数字索引和标签索引，是专门为处理表格和混杂数据设计的。NumPy适合处理统一的数组数据，而Pandas更适合处理结构化数据。总之，Numpy与Pandas库是数据分析的
替换 Sandbox 镜像为可扩展的版本在中声明依赖删除旧镜像并重新启动这样一来，Dify 的 Sandbox 环境就能像常规 Python 环境一样自由使用第三方库了 🚀有问题欢迎评论区留言！🤞😉。
在处理数据时遇到NAN值的几率还是比较大的，有的时候需要对数据值是否为nan值做判断，但是如下处理时会出现一个很诡异的结果：import numpy as npnp.nan == np.nan#此时会输出为False对np.nan进行help查看，输出如下：Help on float object:class float(object)|float(x) -> floating point
numpy
——numpy
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
2048 AI社区
昇腾开源生态专区
松山湖开发者村综合服务平台
NVIDIA DRIVE 智能汽车专区
