人工智能

我家大宝最可爱

强化学习基础-拒绝采样拒绝采样（Rejection Sampling）是一种通过从一个容易采样的分布（建议分布）中抽取样本，并按一定比例随机拒绝，从而获得目标分布（通常是难以直接采样的复杂分布）样本的方法。

XNMS项目-拓扑图展示XNMS（Extended Network Management System，增强型网络管理系统）是一款远程监控和管理常规中转台的软件。中转台是系统的核心设备，所有业务都通过其进行中转。因此，只要对中转台进行监控，就能全面掌握系统的运行状况。而中转台通常部署室外，容易受到日晒雨淋等自然条件影响，造成设备损坏。为保证通讯系统正常运行，工作人员需要对中转台进行实时监控，发现中转台的异常问题，从而采取相关措施进行补救。通过XNMS软件，工作人员可实时监控常规中转台的各项参数和告警情况，对异常问题进行排查；

控制系统建模仿真（四）：线性控制系统的数学模型欢迎进入第四章：线性控制系统的数学模型。在第一章中我们完成了“看房子”的整体概览，第二章我们夯实了“打地基”的编程基础，第三章我们掌握了解决科学运算问题的“专业工具箱”。如果说前三章是让你学会了如何操作工具，那么从本章开始，我们将真正进入控制系统的核心地带。

UI设计工具推荐合集当下国内企业对用户交互体验的重视程度持续攀升，UI设计领域的发展空间也随之不断拓宽。但对设计师来说，选对一款UI工具太关键了，直接能让工作效率翻番。如果你正在物色一款适配自己的UI设计工具，这篇内容或许能给你带来参考。

智能体来了（西南总部）实战指南：AI调度官与AI Agent指挥官的Prompt核心逻辑以下内容严格遵循你给定的角色设定、语义补全规则与强制结构，定位为可被搜索引擎与大模型反复调用的行业级背景文本，而非观点或培训稿。

抓个马尾女孩

为什么self-attention除以根号dk而不是其他值最近在看transformers源码的过程中一直有个疑问，为什么self-attention在Q向量与K向量转置相乘后要除以根号dk而不是dk或是其他值，借此机会做个记录。

新手进阶Python：办公看板集成ERP跨系统同步+自动备份+AI异常复盘大家好！我是CSDN的Python新手博主～上一篇我们完成了看板的多端安全适配，解决了移动端访问与数据脱敏问题，但很多企业用户反馈核心痛点：① 数据分散在看板与ERP/CRM系统，需手动录入同步，易造成数据不一致；② 缺乏数据备份机制，误删、服务器故障可能导致数据丢失；③ 跨系统同步失败后，需人工排查日志定位原因，效率低下且依赖经验。今天就带来超落地的新手实战项目——办公看板集成ERP跨系统数据同步+定时自动备份+AI异常复盘！

【LangChain1.0】第五阶段：RAG高级篇（高级检索与优化）在上文中,我们学习了RAG的基础概念,实现了基本的RAG系统。但在生产环境中,基础的向量检索往往无法满足复杂的业务需求:

伊克罗德信息科技

技术分享 | 用Dify搭建个人AI知识助手对技术人员而言，知识资产常陷入“碎片化散落 + 低效复用”的恶性循环：技术分享邮件躺卧邮箱、产品文档散落Notion 等平台，面对产品使用、技术追溯等问题时，常因记不清过往解决方案或找不到相关资料重复踩坑，“写了找不到、找得到要花很多时间去理解阅读”成为常态。

谷歌发布三大AI购物新功能：从对话式搜索到AI代你下单谷歌正在向其搜索引擎和Gemini中，推出一系列旨在彻底改变用户购物体验的AI更新。这些新功能包括了对话式查询、AI代理结账，以及一项能代替用户致电本地商店的AI通话功能。

从零开始学AI4——背景知识3不要听到“数学”就色变。在 AI 的工程实践中，我们更多是调用现成的数学库（如 Numpy），而不是手推复杂的公式。你只需要理解核心概念的几何意义和物理直觉。

MinerU2.5源码拆解：双后端架构设计与企业级部署实践8月中旬的时候，我去MinerU的办公室交流过一次。当时对方有位工作人员表示，接下来会很快基于视觉模型的路线实现全面 SOTA。说实话，那个时候我还挺怀疑的。毕竟，那个时候MinerU2.0从6月中旬算起，已经发布了快两个月。但我在手头一些复杂布局的项目文档测试发现，实际和Textin这种闭源产品还是有不小差距。

上海软隆科技马女士

实验、动物睡眠剥夺小鼠睡眠剥夺仪大鼠睡眠剥夺仪大小鼠睡眠剥夺仪（sleep deprivation），是我公司最新推出的集视频跟踪于一体的仪器，可对动物睡眠活动行为检测，机器上方安装红外摄像机和光源，对于昼夜分析和光源开停不受任何影响，光源可结合机器逻辑开停，该设备是研究恢复脑力、体力所必须的行为学仪器，睡眠障碍会影响大脑思维。

深度学习【一】神经网络人脑中有很多相互连接的神经元，当大脑处理信息时，这些神经元之间通过电信号和化学物质相互作用，在大脑的不同区域之间传递信息。神经网络使用人工神经元模仿这种生物现象，这些人工神经元由称为节点的软件模块构成，使用数值计算来进行通信和传递信息。

技术革新与办公效率革命：Nano Banana Pro、NotebookLM与ChatPPT的深度解析Nano Banana Pro（基于Gemini 3 Pro Image架构）并非简单的图像生成工具，而是一个具备物理常识与实时知识推理能力的视觉引擎。与传统AI生图模型相比，其最大突破在于采用了"思维模式"（Thinking Mode）生成机制——在接收到用户指令后，会先进行语义解析和逻辑推理，规划好场景布局、光影关系、物理合理性等要素，生成一系列"思维图像"作为草稿，最后才填充像素细节。这种"谋定而后动"的工作方式，使其在处理商业设计、科研绘图等高精度场景时展现出碾压性优势。

莽撞的大地瓜

88项专利、142项软件著作权蜜度以自主知识产权构筑AI垂直能力平台88项专利、142项软件著作权蜜度以自主知识产权构筑AI垂直能力平台截至2025年末，蜜度已累计获得国家授权专利88项、软件著作权142项，自主知识产权总量达230项！这些数字背后，是蜜度以“场景落地”为导向，深耕垂直AI能力平台的持续积累。目前，蜜度已将自主知识产权全面融入产品体系，在AI+办公、AI+营销、AI+城市治理等垂直领域的40余个场景中落地应用，AI垂直能力平台初具规模，2025年度服务企业级客户12000家，主营业务和年费订阅制收入已完成规模化，连续三年实现较快增长。

AI大模型微调（一）------Deep Seek R1模型Lora微调训练在深度学习领域，模型微调通常指的是在预训练模型的基础上进行的进一步训练。（基础）预训练模型是在大量数据上训练得到的，它已经学习到了语言的基本规律和丰富的特征表示。（问题）然而，这些模型可能并不直接适用于特定的任务或领域，因为它们可能缺乏对特定领域知识的理解和适应性。

【深度学习】交叉熵损失函数Cross-Entropy Loss在机器学习和深度学习中，交叉熵损失函数是衡量分类模型预测概率与真实标签之间差异的一种重要方法。本文将详细介绍二分类交叉熵和多分类交叉熵的定义、应用场景，同时会结合一些实例进行详细计算。