logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

搭建微信小程序(前后端)

前言有段时间比较闲就尝试着做了一个微信小程序,一是为了锻炼自己独立部署一个前后端全链路系统的能力,二是想做一个自己都想用的小程序出来。方向是让用户可以集中获取优质的电影、音乐、书籍、游戏等信息的推荐,那什么是优质的信息呢?我这里假设的是排行榜里越靠前的信息就越是优质的信息,于是就做了一个这几类信息的排行榜小程序,当然排行的信息不是我随便瞎编的,数据来源主要是豆瓣以及其他一些排行网站,希望...

#后端#java#前端
Postgresql 正则表达式【转】

原文:http://blog.csdn.net/wugewuge/article/details/7704996postgresql支持POSIX 风格的正则表达式,在postgresql中使用正则表达式时需要使用关键字“~”,以表示该关键字之前的内容需匹配之后的正则表达式,若匹配规则不需要区分大小写,可以使用组合关键字“~*”;相反,若需要查询不匹配这则表达式的记录,只需在...

#数据库
clion调试postgresql

eclipse调试postgresql参见:Linux下用Eclipse编译、安装、运行、调试PostgreSQL源码,亲测可用clion怎么调试postgresql呢?clion使用cmake去编译项目的,但是大家编译postgresql用的是make。虽然项目中也有CMakeLists.txt文件,但是cmake会报错,因此我们要修改使用cmake调用make去做编译,就好像在j...

#数据库#java
EmoLLM开源大模型:基于指令微调与LoRA的心理健康AI助手实战

指令微调(Instruction Tuning)是让通用大模型适应特定领域任务的核心技术,其原理是通过高质量、结构化的指令-输出数据对,引导模型学习特定领域的对话模式与知识。这项技术对于实现AI在垂直领域的深度应用具有重要价值,尤其在需要高度专业性与安全性的场景中。在心理健康支持领域,结合LoRA等参数高效微调方法,开发者能够以较低算力成本,将通用对话模型转化为具备共情能力与专业边界的AI助手。本

#LoRA
从‘哈哈哈’到‘无语’:如何用情感分析洞察微博热点事件的真实舆论风向?

本文探讨了如何利用情感分析技术洞察微博热点事件的真实舆论风向。通过SVM模型和动态语境库,有效解码网络用语和表情符号的多义性,提升舆情监控的准确性和时效性。结合实战案例,展示了情感分析在商业决策中的核心价值,包括情绪伪装识别、舆情早期预警和决策支持优化。

Google免费生成式AI课程:从基础到实战全解析

生成式AI作为人工智能领域的重要分支,通过Transformer架构、扩散模型等技术实现内容创作自动化。其核心原理涉及自注意力机制和低秩适配(LoRA)等微调方法,能显著提升大语言模型(LLM)的生成质量。在工程实践中,提示工程(Prompt Engineering)和CLIP Score等评估指标成为关键技能,广泛应用于智能客服、设计辅助等场景。Google最新推出的10门免费课程体系,覆盖从基

#生成式AI
Emacs集成Aider:基于Git上下文的AI编程助手实战指南

AI辅助编程正成为提升开发效率的重要技术方向,其核心原理是通过大型语言模型理解开发者意图并生成代码。在工程实践中,如何将AI能力无缝融入现有开发工作流是关键挑战。Emacs作为高度可定制的编辑器生态系统,通过插件扩展支持与各类工具深度集成。本文聚焦于将命令行AI编程助手Aider原生集成到Emacs环境的技术方案,重点解析基于Git版本控制的上下文感知机制,该机制使AI能精准理解当前工作状态和修改

HiMu框架:长视频问答中的关键帧定位技术解析

多模态特征融合是计算机视觉与自然语言处理交叉领域的核心技术,通过视觉、文本和时序特征的联合建模实现跨模态语义对齐。其技术价值在于突破单模态分析的局限性,在视频理解、智能问答等场景展现显著优势。HiMu框架创新性地构建三维特征空间,采用动态帧选择算法实现高效计算,特别适用于在线教育和安防监控等长视频分析场景。该方案通过特征压缩和实时性优化,在保持92%准确率的同时将计算量降低至6%,其中模型蒸馏技术

从Darknet-53到多尺度预测:手把手带你复现YOLOv3核心模块(PyTorch版)

本文详细解析了YOLOv3目标检测模型的核心模块实现,包括Darknet-53骨干网络、多尺度预测机制和PyTorch实战代码。通过手把手教学,读者将掌握从数据准备、模型构建到训练优化的完整流程,特别深入讲解了FPN特征金字塔、锚框聚类等关键技术,帮助开发者快速复现这一经典目标检测算法。

#目标检测#深度学习
别再让散点图糊成一团了!用Matplotlib的核密度估计(KDE)搞定海量数据可视化

本文介绍了如何使用Matplotlib的核密度估计(KDE)技术解决海量数据可视化中散点图重叠的问题。通过详细讲解KDE的核心原理、参数调优、高级调色技巧及性能优化方法,帮助数据分析师清晰呈现数据分布模式,特别适用于金融、用户行为等大数据场景。

#数据可视化
    共 27 条
  • 1
  • 2
  • 3
  • 请选择