作者小头像 Lv.4
更多个人资料
577 成长值
0 关注
0 粉丝
+ 关注 私信

个人介绍

这个人很懒，什么都没有留下

感兴趣或擅长的领域

暂无数据
个人勋章
TA还没获得勋章~
成长雷达
565
12
0
0
0

个人资料

个人介绍

这个人很懒，什么都没有留下

感兴趣或擅长的领域

暂无数据

达成规则

以上满足项可达成此勋章

  • 博客
  • 关注
  • 粉丝
  • 论坛
全部时间
全部时间
最近三天
最近一周
最近一月
  • 全部
  • 暂无专栏分类
systemd 入门：用 systemctl 把你的脚本变成开机自启的服务
很多开发者都遇到过这样的场景：写了一个监控脚本或者一个小工具，每次服务器重启后就要手动跑一遍，忘了就出事。其实Linux早就内置了解决方案，那就是systemd。今天用最短的路，带你把任意脚本变成一个开机自启、崩溃自动重启的正规服务。一、先准备一个脚本。假设我们有一个简单的健康检查脚本，放在 /opt/mytools/check.sh，记得给它加上可执行权限：chmod +x /opt/my...
作者小头像 搞点薯条 2026-11-12 09:23:48
0
0
0
2026-11-12 09:23:48
0
0
0
Docker 入门：从镜像到容器的第一课
代码在自己的电脑上跑得好好的，换一台机器就报错。Docker 就是为解决这类问题而生的工具：它把应用和依赖打包在一起，让程序“在哪里都能一样运行”。 一、Docker 是什么可以把 Docker 想象成一套轻量化的“集装箱”系统。传统虚拟机要模拟一整台电脑，又重又慢；容器则共享宿主机的操作系统内核，只打包应用本身及其依赖，因此启动快、占用资源少。 二、镜像与容器镜像（Image）是只读的模板...
Docker
作者小头像 搞点薯条 2026-11-11 08:12:43
3
0
0
2026-11-11 08:12:43
3
0
0
从提示词工程到上下文工程：大模型应用的下半场
本文探讨大模型应用从提示词工程向上下文工程的转变，介绍上下文工程的三件事（写入什么、何时写入、如何淘汰）和四层落地方法（指令层、知识层、状态层、历史层），并分享长内容放前面、精排片段、字段裁剪等实用技巧。
分布式数据库中间件 DDM 数据管理服务 DAS 机器学习
作者小头像 搞点薯条 2026-11-10 12:38:15
8
0
0
2026-11-10 12:38:15
8
0
0
推测解码技术深度解析：大语言模型如何在保持生成质量的同时提升推理速度？
一、引言随着大语言模型在智能问答、代码生成、内容创作和智能体系统中的广泛应用，模型推理效率逐渐成为人工智能工程领域的重要研究方向。与传统的分类模型不同，大语言模型通常采用自回归生成机制，即根据已经生成的文本，逐个预测下一个Token。每生成一个新Token，模型都需要执行一次相应的推理计算。当生成一段较长的文本时，这种逐Token计算方式会带来明显的延迟。即使部署了计算能力强大的GPU，模型...
机器学习
作者小头像 搞点薯条 2026-10-22 11:26:59
95
0
0
2026-10-22 11:26:59
95
0
0
大模型量化技术深度解析：如何将庞大的AI模型压缩到4-bit运行？
一、引言随着人工智能技术的快速发展，大语言模型的参数规模不断扩大。从数十亿参数到数千亿参数，模型在语言理解、代码生成、逻辑推理和复杂任务处理等方面展现出越来越强的能力。然而，庞大的参数规模也带来了一个现实问题：运行这些模型需要消耗大量计算资源和存储空间。例如，一个拥有70亿参数的大语言模型，如果采用16位浮点数格式存储权重，仅模型参数就需要约14GB的内存。如果模型规模扩大到700亿参数，仅...
神经网络
作者小头像 搞点薯条 2026-10-21 17:22:47
148
0
0
2026-10-21 17:22:47
148
0
0
扩散模型技术解析：人工智能如何从随机噪声中生成高质量图像？
一、引言近年来，人工智能在图像生成领域取得了显著进展。通过输入一段简单的文字描述，AI就能够生成具有丰富细节的风景图片、人物肖像、艺术插画甚至接近真实摄影效果的图像。这种从文字到图像的生成能力，正在改变数字内容创作的方式。在众多图像生成技术中，扩散模型（Diffusion Model）已经成为生成式人工智能的重要技术路线之一。它采用了一种看似反直觉的方法：首先研究如何逐步向真实图像添加噪声，...
机器学习 神经网络
作者小头像 搞点薯条 2026-10-20 09:07:53
176
0
0
2026-10-20 09:07:53
176
0
0
MoE混合专家架构深度解析：大语言模型如何用更少的计算激活更多参数？
一、引言随着人工智能技术的不断发展，大语言模型（Large Language Model，LLM）的参数规模持续增长。从早期的数亿参数，到后来的数十亿、数千亿参数，模型规模的扩大为自然语言理解、复杂推理和代码生成等任务带来了新的可能性。然而，模型参数数量的增加，也意味着更高的计算资源需求。在传统的稠密模型（Dense Model）中，每次处理输入Token时，模型通常都需要执行各层中的全部参...
NAT
作者小头像 搞点薯条 2026-10-18 10:27:56
170
0
0
2026-10-18 10:27:56
170
0
0
LoRA微调技术深度解析：如何用少量参数训练大语言模型？
一、引言随着人工智能技术的快速发展，大语言模型（Large Language Model，LLM）在自然语言处理、代码生成、智能问答和数据分析等领域展现出强大的能力。然而，如何让通用大语言模型适应特定行业和实际业务需求，仍然是人工智能应用开发中的重要问题。例如，一家医疗机构希望大语言模型能够理解专业医学术语，一家软件企业希望模型按照内部代码规范生成程序，或者一家金融机构希望模型按照特定格式分...
机器学习 神经网络
作者小头像 搞点薯条 2026-10-17 10:21:29
179
0
0
2026-10-17 10:21:29
179
0
0
RAG技术深度解析：大语言模型如何通过检索增强生成实现精准知识问答
一、引言随着人工智能技术的快速发展，大语言模型（Large Language Model，LLM）在自然语言理解、文本生成、代码编写和智能问答等领域展现出强大的能力。然而，在实际应用过程中，大语言模型仍然存在一些明显的局限性，例如知识更新不及时、专业领域信息不足，以及生成内容可能出现事实性错误等问题。传统大语言模型主要依赖训练阶段学习到的知识进行回答。当用户提出涉及最新信息、企业内部文档或专...
机器学习 深度学习
作者小头像 搞点薯条 2026-10-16 09:42:57
187
0
0
2026-10-16 09:42:57
187
0
0
Transformer技术解析：大语言模型背后的核心架构与工作原理
一、引言近年来，以ChatGPT为代表的大语言模型在自然语言处理、代码生成、机器翻译和智能问答等领域取得了显著进展。这些模型能够根据用户输入生成连贯的文本，完成复杂的语言任务，甚至表现出一定程度的逻辑推理能力。而支撑许多现代大语言模型的关键技术，正是Transformer架构。Transformer最早由Google研究人员在2017年发表的论文《Attention Is All You N...
机器学习 网络
作者小头像 搞点薯条 2026-10-15 08:59:53
153
0
0
2026-10-15 08:59:53
153
0
0
总条数：53
10
10
20
50
100
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6

上滑加载中

https://www.baidu.com/s?ie=utf-8&f=3&rsv_bp=0&rsv_idx=1&tn=baidu&wd=sed%20%E6%9B%BF%E6%8D%A2%E5%AD%97%E7%AC%A6%E4%B8%B2&rsv_pq=c7db61a600035dc5&rsv_t=5e19yEsbV9N5fIvdlGRU
作者小头像
作者小头像
快速交付
+ 关注