【AI大模型】LangChain框架：示例选择器与输出解析器携手，编织NLP高效精准之网

news2024/9/22 3:42:20

在这里插入图片描述

文章目录

  • 前言
  • 一、示例选择器
    • 1.介绍及应用
    • 2.自定义示例选择器
      • 案例：AI点评姓名
    • 3.基于长度的示例选择器
      • 案例：对输入内容取反
    • 4.基于最大边际相关性(MMR)的示例选择器
      • 案例：得到输入的反义词
    • 5.基于n-gram重叠的示例选择器
    • 6.综合案例
  • 二、输出解析器
    • 1.介绍
    • 2.列表解析器
    • 3.日期时间解析器
    • 4.枚举解析器
    • 5.Pydantic 解析器
      • 案例：讲个笑话
      • 案例：订单案例

前言

    本文将聚焦于LangChain框架中的两大璀璨明珠——示例选择器和输出解析器，深入探讨它们如何与Prompt精妙结合，共同编织出提升NLP任务效率与准确性的精密网络。示例选择器通过提供精心挑选的示例来增强Prompt，有效引导大型语言模型(LLM)生成更加符合预期的高质量输出。而输出解析器则负责将LLM产生的非结构化文本输出转换为结构化数据，为后续处理和分析提供便利。文章将详细介绍多种类型的示例选择器和输出解析器，并通过实际案例展示它们如何与Prompt协同工作，共同提升NLP任务的效率和准确性。

一、示例选择器

1.介绍及应用

    LangChain 的示例选择器是一个用于从一组示例中动态选择部分示例以构建提示（prompt）的重要组件。在LangChain中，有多种不同类型的示例选择器，包括自定义样例选择器、长度样例选择器、MMR样例选择器、n-gram重叠度样例选择器和相似度样例选择器。以下是这些示例选择器的简要介绍和格式清晰的回答：

1. 自定义样例选择器

  • 允许用户根据自己的业务逻辑和需求来定义样例的选择方式。
  • 至少需要实现两个方法：add_example（用于添加新示例）和select_examples（基于输入变量返回一个样例列表）。
  • 用户可以通过继承BaseExampleSelector类并实现所需的方法来创建自定义样例选择器。

2. 长度样例选择器

  • 根据输入的长度来选择要使用的示例。对于较长的输入，它会选择较少的示例，而对于较短的输入，则会选择更多示例。
  • 这在构建提示时需要控制上下文窗口长度时特别有用。
  • 使用时，可以导入LengthBasedExampleSelector类，并传入示例列表来创建长度样例选择器。

3. MMR样例选择器

  • MMR（Maximum Marginal Relevance）是一种常用于信息检索和推荐系统的排序算法，也适用于样例选择。
  • MMR样例选择器通过计算示例与输入之间的相关性以及示例之间的不相似性来选择样例。
  • 具体的实现细节可能因库或框架而异，但通常用户需要指定计算相关性和不相似性的方法。

4. n-gram重叠度样例选择器

  • 基于输入和示例之间的n-gram重叠度来选择样例。
  • n-gram是一种用于表示文本中连续n个词或字符的序列的模型。
  • 通过计算输入和示例之间的n-gram重叠度，可以选择与输入内容最相关的样例。

5.相似度样例选择器

  • 基于输入和示例之间的相似度来选择样例。
  • 相似度可以使用各种方法来计算，如余弦相似度、Jaccard相似度等。
  • 选择与输入内容最相似的样例可以帮助语言模型更好地理解prompt，并给出更准确的回答。

2.自定义示例选择器

    示例选择器是一个接口或抽象类，定义了选择示例的通用方法。根据输入或上下文选择最合适的示例，以提高模型的性能或适应特定的应用场景。

ExampleSelector 必须实现两个方法：

  1. add_example 方法，接受一个示例并将其添加到 ExampleSelector 中
  2. select_examples 方法，接受输入变量（用于用户输入）并返回要在 few shot prompt 中使用的示例列表。

案例：AI点评姓名

from langchain.prompts import PromptTemplate
from langchain_community.llms import Tongyi

from langchain.prompts.example_selector.base import BaseExampleSelector
import numpy as np

names = [
  "张伟", "张静", "张磊", "张敏", "张涛",
  "王强", "王芳", "王刚", "王艳", "王超",
  "李娜", "李明", "李静", "李杰", "李浩",
  "刘波", "刘洋", "刘婷", "刘伟", "刘芳"
]
# 示例选择器
class ExampleSelector(BaseExampleSelector):
    def __init__(self, example):
        self.examples = example
    def add_example(self, example):
        self.examples.append(example)
    def select_examples(self, input_v):
        return list(filter(lambda e: e.startswith(input_v), names))
        # return np.random.choice(self.examples,size=5)

selector = ExampleSelector(names)
temp = "你是一个玄学大师，我给你一些姓名，你帮我做一些点评，这些姓名如下：{names}"
pt = PromptTemplate.from_template(temp)
prompt = pt.format(names=selector.select_examples("李"))
llm = Tongyi()
ret = llm.invoke(prompt)
print(ret)

在这里插入图片描述

3.基于长度的示例选择器

    这个示例选择器基于长度来选择要使用的示例，特别适用于当构建的提示可能超出上下文窗口长度的情况。它能智能调整：对于较长的输入，会选择较少的示例以避免超出长度限制；而对于较短的输入，则会选择更多的示例以提供更丰富的信息。

案例：对输入内容取反

from langchain.prompts import PromptTemplate
from langchain.prompts import FewShotPromptTemplate
from langchain.prompts.example_selector import LengthBasedExampleSelector
from langchain_community.llms import Tongyi

# 这是一个虚构任务的许多示例，用于创建反义词。
examples = [
    {"input": "面包", "output": "馒头"},
    {"input": "冰棍", "output": "雪糕"},
    {"input": "面条", "output": "粉丝"},
    {"input": "粥", "output": "汤"},
    {"input": "可口可乐", "output": "百事可乐"},
]


example_prompt = PromptTemplate(
    input_variables=["input", "output"],
    template="Input: {input}\nOutput: {output}",
)
example_selector = LengthBasedExampleSelector(
    # 这些是可供选择的示例。
    examples=examples,
    # 这是用于格式化示例的PromptTemplate。
    example_prompt=example_prompt,
    # 这是格式化示例的最大长度。
    # 长度由下面的get_text_length函数测量。
    max_length=25,
    # 这是用于获取字符串长度的函数，用于确定要包含的示例。
    # 如果未指定，则提供一个默认值。
    # get_text_length: Callable[[str], int] = lambda x: len(re.split("\n| ", x))
)
dynamic_prompt = FewShotPromptTemplate(
    # 我们提供一个ExampleSelector而不是示例。
    example_selector=example_selector,
    example_prompt=example_prompt,
    prefix="给出每个输入的反义词",
    suffix="输入: {adjective}\n输出:",
    input_variables=["adjective"],
)

# 一个输入较小的示例，因此它选择所有示例。
# print(dynamic_prompt.format(adjective="big"))
prompt1 = dynamic_prompt.format(adjective="big")

# 一个输入较长的示例，因此它只选择一个示例。
long_string = "big and huge and massive and large and gigantic and tall and much much much much much bigger than everything else"
# print(dynamic_prompt.format(adjective=long_string))
prompt2 = dynamic_prompt.format(adjective=long_string)

# 您还可以将示例添加到示例选择器中。
new_example = {"input": "big", "output": "small"}
dynamic_prompt.example_selector.add_example(new_example)
# print(dynamic_prompt.format(adjective="enthusiastic"))
prompt3 = dynamic_prompt.format(adjective="enthusiastic")

llm = Tongyi()
# ret = llm.invoke(prompt1)
print('输入：big')
print(llm.invoke(prompt1))
print('---'*20)
print("输入：",long_string)
print(llm.invoke(prompt2))
print('---'*20)
print("输入：enthusiastic")
print(llm.invoke(prompt3))

在这里插入图片描述

4.基于最大边际相关性(MMR)的示例选择器

MaxMarginalRelevanceExampleSelector根据示例与输入之间的相似性以及多样性进行选择。 它通过找到与输入具有最大余弦相似度的嵌入示例，并在迭代中添加它们，同时对已选择示例的接近程度进行惩罚来实现这一目标。

  • MMR 是一种在信息检索中常用的方法，它的目标是在相关性和多样性之间找到一个平衡
  • MMR 会首先找出与输入最相似（即余弦相似度最大）的样本
  • 然后在迭代添加样本的过程中，对于与已选择样本过于接近（即相似度过高）的样本进行惩罚
  • MMR 既能确保选出的样本与输入高度相关，又能保证选出的样本之间有足够的多样性
  • 关注如何在相关性和多样性之间找到一个平衡

案例：得到输入的反义词

from langchain.prompts import PromptTemplate
from langchain.prompts import FewShotPromptTemplate
from langchain.prompts.example_selector import MaxMarginalRelevanceExampleSelector
from langchain_community.vectorstores import FAISS
from langchain_community.embeddings import DashScopeEmbeddings
from langchain_community.llms import Tongyi

# 假设已经有这么多的提示词示例组：
examples = [
    {"input": "高兴", "output": "悲伤"},
    {"input": "乐观", "output": "悲观"},
    {"input": "光明", "output": "黑暗"},
    {"input": "干燥", "output": "湿润"},
    {"input": "善良", "output": "邪恶"},
    {"input": "复杂", "output": "简单"},
    {"input": "安静", "output": "喧闹"}
]

# 构造提示词模板
example_prompt = PromptTemplate(
    input_variables=["input", "output"],
    template="原词：{input}\n反义：{output}"
)

# 调用MMR
example_selector = MaxMarginalRelevanceExampleSelector.from_examples(
    # 传入示例组
    examples,
    # 使用阿里云的dashscope的嵌入来做相似性搜索
    DashScopeEmbeddings(),
    # 设置使用的向量数据库是什么
    FAISS,
    # 结果条数
    k=2,
)

# 使用小样本提示词模版来实现动态示例的调用
dynamic_prompt = FewShotPromptTemplate(
    example_selector=example_selector,
    example_prompt=example_prompt,
    prefix="给出每个输入词的反义词",
    suffix="原词：{word}\n反义：",
    input_variables=["word"]
)
prompt = dynamic_prompt.format(word="快乐")
# print(dynamic_prompt.format(word="快乐"))

llm = Tongyi()
ret = llm.invoke(prompt)
print(ret)

在这里插入图片描述

5.基于n-gram重叠的示例选择器

NGramOverlapExampleSelector 是一个根据ngram重叠得分选择和排序示例的工具。这个得分是一个介于0.0和1.0之间的浮点数（包含0.0和1.0）。此选择器允许用户设置一个阈值得分，得分小于或等于此阈值的示例将被排除。默认阈值设为-1.0，意味着不会排除任何示例，只会对它们进行重新排序。若将阈值设为0.0，则会排除与输入没有ngram重叠的示例。

6.综合案例

    假设我们正在构建一个基于LangChain的文本生成系统，该系统需要根据用户输入的关键词生成相关的故事或描述。 为了提高生成的准确性和相关性，我们决定使用示例选择器来动态选择最佳的示例，这些示例将被包含在Prompt中以引导模型进行生成。

- 1>示例选择器选择
    在LangChain中，有多种示例选择器可供选择，每种都有其特定的用途和优势。在这个案例中，我们假设选择了以下两种示例选择器：

  1. LengthBasedExampleSelector：基于输入的长度来选择示例。当输入较长时，选择较少的示例以避免Prompt过长；当输入较短时，选择更多的示例以提供更多的上下文。
  2. SemanticSimilarityExampleSelector：基于输入与示例之间的语义相似性来选择示例。这种方法能够确保选择的示例与输入高度相关，从而提高生成的准确性。

- 2>案例步骤

  1. 定义示例列表：
    首先，我们需要定义一个包含多个示例的列表。每个示例都应该是一个包含输入和输出的字典
  2. 创建PromptTemplate：
    接下来，我们创建一个PromptTemplate，该模板将用于格式化输入和输出示例，以构建最终的Prompt
  3. 创建示例选择器：
    然后，我们创建之前提到的两种示例选择器。这里，为了简化案例，此处仅展示如何使用LengthBasedExampleSelector，还可以根据需要添加SemanticSimilarityExampleSelector。
  4. 动态选择示例并构建Prompt：
    最后，当用户输入关键词时，使用示例选择器动态选择示例，并使用PromptTemplate构建最终的Prompt。

    通过结合使用PromptTemplate和示例选择器（如LengthBasedExampleSelector和SemanticSimilarityExampleSelector），我们能够根据输入动态选择最佳的示例，并将它们包含在Prompt中以引导模型进行生成。这种方法能够提高生成的准确性和相关性，使生成的文本更加符合用户的期望。

- 3>代码实现

from langchain_core.prompts import PromptTemplate
from langchain.prompts.example_selector import LengthBasedExampleSelector
from langchain_community.llms import Tongyi


# 示例
examples = [
    {"input": "好天气", "output": "与好天气相关的故事或描述"},
    {"input": "坏天气", "output": "与坏天气相关的故事或描述"},
]

# 模板
prompt_template = PromptTemplate(
    input_variables=["input", "output"],
    template="Input: {input}\nOutput: {output}",
)

#
length_based_selector =LengthBasedExampleSelector(
    # 这些是可供选择的示例。
    examples=examples,
    # 这是用于格式化示例的PromptTemplate。
    example_prompt=prompt_template,
    # 这是格式化示例的最大长度。
    # 长度由下面的get_text_length函数测量。
    max_length=25,
    # 这是用于获取字符串长度的函数，用于确定要包含的示例。
    # 如果未指定，则提供一个默认值。
    # get_text_length: Callable[[str], int] = lambda x: len(re.split("\n| ", x))
)

user_input = "春天的天气特别好，我特别喜欢，写一个关于春天的文章"  # 假设用户输入的关键词
selected_examples = length_based_selector.select_examples(input_variables={"key":user_input})

prompt = prompt_template.format(
    input=user_input,
    output="\n".join([example["output"] for example in selected_examples])
)

# 将prompt传递给模型进行生成
print(prompt)
tongyi = Tongyi()
ret = tongyi.invoke(prompt)
print(ret)

在这里插入图片描述

二、输出解析器

1.介绍

输出解析器是一种专门用于结构化语言模型响应的类。其核心功能通过两个主要方法实现：

  1. 获取格式指令（get_format_instructions）： 此方法返回一个字符串，详细说明了语言模型输出的期望格式。
  2. 解析（parse）： 此方法接受一个字符串作为输入（该字符串假设为语言模型的响应），并将其解析成某种结构化形式。

此外，输出解析器还可以选择实现一个额外的方法：

  • 带提示解析（parse_with_prompt）： 此方法除了接受语言模型的响应字符串外，还接受一个提示字符串。提示字符串主要用于在解析过程中提供额外信息，帮助解析器更好地结构化输出，尤其是在需要利用提示中的信息来修复或完善输出时。

综上所述，输出解析器的主要作用是帮助将语言模型的响应转换为更加结构化和易于处理的形式。

2.列表解析器

    列表解析器是输出解析器的一种，专门用于处理大型语言模型生成的列表数据。它能够将逗号或其他分隔符分隔的文本字符串解析为Python列表或其他数据结构，便于后续的程序处理和分析。通过简单的接口，用户可以轻松地将语言模型的输出转换为所需的数据结构。

from langchain_core.output_parsers import CommaSeparatedListOutputParser,NumberedListOutputParser
from langchain.prompts import PromptTemplate, ChatPromptTemplate, HumanMessagePromptTemplate
from langchain_community.llms import Tongyi


# 1.定义输出解析器：列表解析器
output_parser = CommaSeparatedListOutputParser()
# 2.获取格式指令
format_instructions = output_parser.get_format_instructions()

# 3.创建并格式化提示
promptTemplate = PromptTemplate(
    template="列出五种{subject}。\n{format_instructions}",
    input_variables=["subject"],
    partial_variables={"format_instructions": format_instructions},
)

prompt=promptTemplate.format(subject="水果")
print(prompt)

# 4.调用模型并获取响应
tongyi = Tongyi()
ret = tongyi.invoke(prompt)
print(ret)
print(type(ret))

# 5.使用输出解析器解析模型响应
parsed_list = output_parser.parse(ret)
print(parsed_list)  # eg：输出: ['苹果', '香蕉', '橙子', '葡萄', '梨']

在这里插入图片描述

3.日期时间解析器

    输出解析器中的日期时间解析器是一种专门用于处理大型语言模型（LLMs）生成的日期和时间数据的工具。它的主要作用是将LLMs输出的文本字符串（如日期和时间的自然语言表达） 解析为 Python中的datetime对象或其他日期时间格式，以便于程序进行进一步的日期时间计算、比较或格式化等操作。

from langchain_community.llms import Tongyi
from langchain.prompts import PromptTemplate
from langchain.output_parsers.datetime import DatetimeOutputParser

# 1、定义输出解析器：日期时间解析器
output_parser = DatetimeOutputParser()
# 2、获取格式指令
format_instructions = output_parser.get_format_instructions()
print("获取格式指令:\n",format_instructions)


template = """请按下面要求回答问题:
{question}
{format_instructions}"""

# 3、定义模板
promptTemplate = PromptTemplate.from_template(
    template,
    partial_variables={"format_instructions": output_parser.get_format_instructions()},
)

# 4、生成prompt
prompt = promptTemplate.format(question="新中国成立的日期是什么？")
print(prompt)

# 5、调用大模型并获取响应
llm= Tongyi()
output = llm.invoke(prompt)
print(output)

# 6、使用输出解析器解析模型响应
# output_parser.parse(output)
print("使用输出解析器解析模型响应 ",output_parser.parse(output))

在这里插入图片描述

4.枚举解析器

    输出解析器中的枚举解析器是一种专门用于处理大型语言模型（LLMs）输出中预定义值集合的工具。枚举（Enum）是一种数据类型，它包含了一组命名的常量值，这些值在程序中是固定的，不能改变。 在LLMs的应用场景中，有时模型的输出应该是这组预定义值之一，以确保数据的准确性和一致性。这时，枚举解析器就派上了用场。

from langchain.output_parsers.enum import EnumOutputParser
from enum import Enum

# 定义一个枚举类Colors，用于列举颜色选项
class Colors(Enum):
    RED = "red"
    GREEN = "green"
    BLUE = "blue"

# 创建EnumOutputParser实例，指定Colors枚举作为解析目标
parser = EnumOutputParser(enum=Colors)

# 示例：解析字符串"red"，预期输出Colors枚举中对应的RED成员
print(parser.parse("red"))
# -> <Colors.RED: 'red'>

# 包括空格也可以
print(parser.parse(" green"))
# -> <Colors.GREEN: 'green'>

# 包括\n\t也可以
print(parser.parse("blue\n\t"))
# -> <Colors.BLUE: 'blue'>

# 其他字符不可以
# print(parser.parse("blue?"))
# -> <Colors.BLUE: 'blue'>

在这里插入图片描述

5.Pydantic 解析器

    输出解析器中的 Pydantic解析器 是一种专门用于处理大型语言模型（LLMs）或其他数据源输出的工具，它利用Pydantic库的数据验证和解析能力来确保输出数据符合预期的数据模型。
    Pydantic 是一个基于Python类型注解的数据验证和设置管理工具，特别适合于构建复杂的数据模型并自动验证数据的有效性和完整性。

案例：讲个笑话

from typing import List

from langchain.output_parsers import PydanticOutputParser
from langchain.prompts import PromptTemplate
from langchain_core.pydantic_v1 import BaseModel, Field, validator

from langchain_community.llms import Tongyi


# 定义一个笑话模型，用于规范和解析语言模型生成的笑话
class Joke(BaseModel):
    joke: str = Field(description="设置笑话的问题部分",title="笑话")
    answer: str = Field(description="解答笑话的答案部分")


# 设置一个解析器 + 将指令注入到提示模板中。
# 初始化PydanticOutputParser解析器，用于将语言模型的输出解析为Joke模型
parser = PydanticOutputParser(pydantic_object=Joke)
# 打印解析器的格式化指令，用于指导语言模型生成符合格式的输出
print(parser.get_format_instructions())
print("="*50)

# 创建一个提示模板，用于格式化输入的问题，并注入解析器的格式化指令
promptTemplate = PromptTemplate(
    template="回答用户的问题：\n{format_instructions}\n{query}\n",
    input_variables=["query"],
    partial_variables={"format_instructions": parser.get_format_instructions()},
)

# 使用提示模板格式化一个关于笑话的问题
prompt = promptTemplate.format(query="讲一个中文的笑话。")
print(prompt)
print("="*50)

# 使用通义大模型生成符合提示要求的笑话
llm = Tongyi()
ret = llm.invoke(prompt)
print(ret)

在这里插入图片描述

案例：订单案例

如下代码中，order_data验证Order模型失败时触发 ValidationError

from pydantic import BaseModel,Field,ValidationError
class Order(BaseModel):
    product_id: int = Field(...,gt=0)
    quantity: int = Field(...,gt=0,le=100)
    payment_method: str = Field(...,pattern=r'^(cash|credit_card|bank_transfer)$')

# 订单数据示例，用于验证Order模型
order_data = {
    "product_id": -123, #不符合规则,必须大于0
    "quantity": 50,
    "payment_method": "cash"
}

try:
    order = Order(**order_data)
    print(order)
except ValidationError as e:
    print(e.errors())

在这里插入图片描述

在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1994283.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

深入探索String AOP想详情

深入探索String AOP想详情

一.AOP的概述 AOP是Spring框架的第⼆⼤核⼼(第⼀⼤核⼼是IoC&#xff09; Q:什么是AOP&#xff1f; A:Aspect Oriented Programming&#xff08;⾯向切⾯编程&#xff09; 什么是⾯向切⾯编程呢? 切⾯就是指某⼀类特定问题, 所以AOP也可以理解为⾯向特定⽅法编程. 什么是⾯向特…
阅读更多...
鸿蒙HarmonyOS开发：@Observed装饰器和@ObjectLink装饰器：监听嵌套类对象属性变化

鸿蒙HarmonyOS开发：@Observed装饰器和@ObjectLink装饰器：监听嵌套类对象属性变化

文章目录 一、装饰器二、概述三、限制条件四、装饰器说明五、Toggle组件1、子组件2、接口3、ToggleType枚举4、事件 六、示例演示1、代码2、效果 一、装饰器 State装饰器&#xff1a;组件内状态Prop装饰器&#xff1a;父子单向同步Link装饰器&#xff1a;父子双向同步Provide装…
阅读更多...
Linux云计算 |【第二阶段】NETWORK-DAY1

Linux云计算 |【第二阶段】NETWORK-DAY1

主要内容&#xff1a; 计算机网络概述、网络拓扑结构、OSI参考模型、eNSP、交换机及原理 一、计算机网络概述 计算机网络是指将多台计算机或设备通过通信线路连接起来&#xff0c;以便它们能够相互交换信息和共享资源的系统。计算机网络的目的是实现数据通信和资源共享&#…
阅读更多...
生成式人工智能安全评估体系构建

生成式人工智能安全评估体系构建

文章目录 前言一、人工智能安全治理的现状1.1 国际安全治理现状1.2 国内安全治理现状二、构建人工智能安全评估体系1.1 需要对生成式人工智能技术的安全性、可靠性、可控性、公平性等维度进行全面的考量。1.2 应对生成式人工智能全维度风险。1.3 在体系化应对框架中，应明确法律…
阅读更多...
[Meachines] [Easy] Traverxec Nostromo RCE+SSH-私钥RSA解密+journalctl权限提升

[Meachines] [Easy] Traverxec Nostromo RCE+SSH-私钥RSA解密+journalctl权限提升

信息收集 IP AddressOpening Ports10.10.10.165TCP:22,80 $ nmap -p- 10.10.10.165 --min-rate 1000 -sC -sV PORT STATE SERVICE VERSION …
阅读更多...
nfc苹果手机怎么开启？3招就教会你

nfc苹果手机怎么开启？3招就教会你

在数字化时代&#xff0c;nfc技术已成为智能手机的一项重要功能&#xff0c;它让我们的设备能够进行无线数据交换&#xff0c;实现便捷的移动支付、文件传输等操作。那么&#xff0c;nfc苹果手机怎么开启呢&#xff1f;如果你想要充分利用这一技术&#xff0c;那么本文将为你提…
阅读更多...
git推送错误--＞远程分支比本地的分支更新,无法直接推送

git推送错误--＞远程分支比本地的分支更新,无法直接推送

每次上传本地修改好的代码的时候,十次有八次都会出现这样的问题!!(暴躁!!!) 现在写个帖子记录一下,这个问题目前我还没有解决,欢迎懂的佬指点一下. 情景: 我在本地仓库做了一些代码的修改,准备上传到远程仓库上,下边是上传步骤: git add . # 将所有的修改都提交到缓冲区git …
阅读更多...
免费获取！Windows10 32位纯净版：无捆绑更安全！

免费获取！Windows10 32位纯净版：无捆绑更安全！

今日&#xff0c;系统之家小编给大家分享2024最新的Windows10纯净版32位系统&#xff0c;该版本系统不包含任何捆绑软件&#xff0c;系统资源占用少&#xff0c;运作流畅&#xff0c;适合老旧电脑安装。系统安装起来特别简单&#xff0c;推荐大家使用硬盘安装&#xff0c;即便是…
阅读更多...
大黄蜂能飞的起来吗？

大黄蜂能飞的起来吗？

Bumblebee argument 虽然早期的空气动力学证明大黄蜂不能飞行——因为体重太重&#xff0c;翅膀太薄&#xff0c;但大黄蜂并不知道&#xff0c;所以照飞不误。 背景 在20世纪初&#xff0c;‌科学家们通过研究发现&#xff0c;‌大黄蜂的身体与翼展的比例失调&#xff0c;‌按照…
阅读更多...
OpenAI Embedding效果表现不佳：那如何评估选择Embedding?

OpenAI Embedding效果表现不佳：那如何评估选择Embedding?

OpenAI Embedding效果表现不佳 对文本进行Embedding是大模型应用中必不可少的一步&#xff0c; 虽然大模型OpenAI是最好的&#xff0c; 但OpenAI的Embedding却不是。本文Embedding评估的具体流程&#xff0c; 代码&#xff0c; 以及结论。 如果仅关心代码 & 结论&#xf…
阅读更多...
软件项目质量管理体系，软件评审，资质认证，安全建设及项目管理匹配资料（原件参考）

软件项目质量管理体系，软件评审，资质认证，安全建设及项目管理匹配资料（原件参考）

软件项目质量管理体系是指一套系统化的管理方法、流程、工具和文档&#xff0c;旨在确保软件项目从需求分析、设计、开发、测试到部署和维护的整个生命周期中&#xff0c;都能达到预定的质量标准和客户期望。该体系通过明确的角色和责任、标准化的工作流程、有效的质量控制和持…
阅读更多...
NC 找到搜索二叉树中两个错误的节点

NC 找到搜索二叉树中两个错误的节点

系列文章目录 文章目录 系列文章目录前言 前言 前些天发现了一个巨牛的人工智能学习网站&#xff0c;通俗易懂&#xff0c;风趣幽默&#xff0c;忍不住分享一下给大家。点击跳转到网站&#xff0c;这篇文章男女通用&#xff0c;看懂了就去分享给你的码吧。 描述 一棵二叉树原…
阅读更多...
Windows系统下的MATLAB 虚拟机中Ubuntu系统的ROS通讯

Windows系统下的MATLAB 虚拟机中Ubuntu系统的ROS通讯

在Windows系统下的MATLAB与虚拟机中Ubuntu系统的ROS进行通讯&#xff0c;主要涉及到网络配置、环境变量设置以及MATLAB与ROS的接口调用。以下是一个详细的步骤说明&#xff1a; 一、网络配置 设置虚拟机网络&#xff1a; 确保虚拟机&#xff08;Ubuntu系统&#xff09;的网络…
阅读更多...
7-3 单机多卡并行

7-3 单机多卡并行

一台机器可以安装多个GPU&#xff08;1-16&#xff09;在训练和预测时&#xff0c;我们将一个小批量计算切分到多个GPU上来达到加速的目的 同样一个小批量&#xff0c;让用多个GPU同时运行来一起完成这个计算梯度的过程常用的切分方案有 数据并行 模型并行 通道并行&#xff…
阅读更多...
中国中医科学院某医院：监控易7.0开启一体化运维新篇章

中国中医科学院某医院：监控易7.0开启一体化运维新篇章

在首都北京的医疗领域中&#xff0c;中国中医科学院某医院作为佼佼者&#xff0c;一直致力于为患者提供高质量的医疗服务。然而&#xff0c;随着医院业务的不断扩展和IT系统的日益复杂&#xff0c;如何确保IT基础资源的稳定运行&#xff0c;成为了医院面临的一大挑战。为了应对…
阅读更多...
Java继承细节

Java继承细节

目录 继承给编程带来的便利 细节1 案例演示 细节2 案例演示 细节3 案例演示 细节4 案例演示 细节5 细节6 细节7 案例演示 细节8 细节9 细节10 继承给编程带来的便利 提高了代码的复用性&#xff0c;代码的扩展性与维护性。 细节1 子类继承了所有的属性和方法…
阅读更多...
Java面试题--JVM大厂篇之破解 JVM 性能瓶颈：实战优化策略大全

Java面试题--JVM大厂篇之破解 JVM 性能瓶颈：实战优化策略大全

目录 引言: 正文: 1. 常见的JVM性能问题 频繁的GC导致应用暂停 内存泄漏导致的内存不足 线程争用导致的CPU利用率过高 类加载问题导致的启动时间过长 2. 优化策略大全 2.1 代码层面的优化 2.1.1 避免不必要的对象创建 2.1.2 优化数据结构的选择 2.1.3 使用并发工具…
阅读更多...
【文心超级智能体创造营】打造「潮流穿搭助手」智能体 引领潮流新动向

【文心超级智能体创造营】打造「潮流穿搭助手」智能体 引领潮流新动向

【文心超级智能体创造营】打造潮流穿搭助手 引领潮流新动向 文章目录 【文心超级智能体创造营】打造潮流穿搭助手 引领潮流新动向一、智能体发展背景二、文心智能体平台—AgentBuilder一图概览三、我的智能体—潮流穿搭助手3.1 智能体初步设想3.2 prompt提示词准备3.3 &#x1…
阅读更多...
LabVIEW中CANopen 读取程序解读

LabVIEW中CANopen 读取程序解读

这段程序用于创建 CANopen 接口&#xff0c;并读取 CANopen CAN 帧消息。以下是详细的解读&#xff1a; 左侧部分 node-ID (U8): 指定节点 ID&#xff0c;用于标识 CANopen 网络中的设备。CANopen interface (U32): 指定 CANopen 接口。baud rate (U32): 设置波特率&#xff0…
阅读更多...
企业如何发布新闻稿到全球媒体上？

企业如何发布新闻稿到全球媒体上？

在经济全球化的今天&#xff0c;中国某个小县生产的商品可能会卖到全国各地&#xff0c;我们国家很多本土品牌面临出海的难题。当然有些企业已经通过国外的代理商把货品铺到了国外的市场&#xff0c;有的通过亚马逊这样的电商平台进行销售&#xff0c;但这些只是铺货&#xff0…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023