首页
沸点
课程
数据标注
HOT
AI Coding
更多
直播
活动
APP
插件
直播
活动
APP
插件
搜索历史
清空
创作者中心
写文章
发沸点
写笔记
写代码
草稿箱
创作灵感
查看更多
登录
注册
AI相关开发
渐儿
创建于2026-04-30
订阅专栏
xyh
等 2 人订阅
共133篇文章
创建于2026-04-30
订阅专栏
默认顺序
默认顺序
最早发布
最新发布
如何写出高质量提示词完全指南
目录 提示词工程基础 核心原则与框架 提示词编写完整流程 高级技巧与模式 最佳实践示例 常见错误与优化 领域专用提示词模板 1. 提示词工程基础 1.1 什么是提示词工程? 定义: 提示词工程(Pro
vLLM + Qwen3 快速参考卡(60GB显存专用)
🎯 核心推荐 🥇 首选方案:Qwen3-14B (FP16) 🥈 备选方案:Qwen3-7B (FP16) 📊 显存计算速查表 模型 精度 总需求 卡数 每卡显存 可行性 Qwen3-7B FP16
08 - 集成学习:Boosting 与 Bagging
目录 为什么集成学习有效? 集成学习全景图 Bagging 原理 随机森林(回顾) Boosting 原理 AdaBoost 详解 梯度提升树 GBDT XGBoost / LightGBM / Ca
09 - 降维算法:PCA 与 t-SNE
目录 为什么需要降维?——维度灾难 降维的生活类比 PCA 主成分分析 t-SNE 可视化利器 LDA 线性判别分析(简介) UMAP 简介 方法对比与选择指南 实战案例 总结 1. 为什么需要降维?
AI算法原理与应用实战详解
一、机器学习的本质:教会计算机从数据中学习 1.1 传统编程 vs 机器学习:思维范式的转变 想象你要开发一个垃圾邮件过滤系统。传统方式下,你需要手写成百上千条规则: "如果邮件包含'中奖'且包含'汇
后端面试题 - 分布式系统与微服务篇
一、分布式理论基础 1.1 CAP理论 Q1: 什么是CAP理论?为什么分布式系统无法同时满足CAP? 答案: CAP定理 (Eric Brewer, 2000年) 三个特性: C - Consist
后端面试题 - 网络与性能优化篇
一、网络协议基础 1.1 HTTP协议 Q1: HTTP/1.0、HTTP/1.1、HTTP/2、HTTP/3有什么区别? 答案: HTTP/1.0 (1996年) 特点: HTTP/1.1 (199
分布式事务 × 分布式锁 × 限流熔断 —— 生产落地指南
目录 核心认知:为什么这三个问题永远在一起 分布式事务 2.1 本地事务 vs 分布式事务的本质区别 2.2 两阶段提交(2PC)—— 理解原理,生产慎用 2.3 SAGA 模式 —— 长事务的主流方
Pydantic AI 源码深度剖析与应用
目录 项目定位与整体架构 Agent 核心与运行循环 Model 抽象与 Provider 层 工具系统与结构化输出 pydantic-graph 工作流引擎 贯穿式应用案例 总结:pydantic-
Python 并行与并发:案例与实现
一、核心概念辨析 维度 并发 (Concurrency) 并行 (Parallelism) 本质 多任务交替执行 多任务同时执行 硬件 单核即可 必须多核 Python 实现 threading /
Redis 后端面试知识点梳理(中高级 + 高阶补强)
〇、Redis 命令大全(按数据结构分类) 0.1 通用命令(Key 维度) 0.2 String 0.3 List(双端链表 / quicklist) 0.4 Hash 0.5 Set 0.6 ZS
机器学习与深度学习核心指南 - 场景与原理深度解析
一、机器学习的本质思想 1.1 为什么机器能够"学习"? 从人类学习到机器学习的类比 婴儿如何学会识别猫? 看到100张猫的照片 大脑抽象出"猫"的特征:尖耳朵、胡须、四条腿 下次看到新的猫,能够识别
强化学习:马尔可夫决策过程与价值迭代
1. 引言 强化学习(Reinforcement Learning, RL)是机器学习的第三大范式,不同于监督学习和无监督学习,RL 通过与环境交互学习最优策略。本教程深入探讨 RL 的数学基础——*
MySQL 复杂链表查询 × Redis 高访问量 —— 生产落地指南
目录 核心设计原则 MySQL 复杂链表查询优化 2.1 典型链表场景拆解 2.2 索引策略 2.3 SQL 写法最佳实践 2.4 分页优化 2.5 递归 CTE(树形/层级结构) Redis 缓存架
分布式系统三大支柱:CAP、一致性协议、分布式事务
一、为什么需要分布式系统? 单机的极限: 性能:单机 CPU、内存、磁盘有上限 容量:TB 级数据单机放不下 可用性:单机宕机 = 服务全挂 地域:跨地域用户要就近访问 分布式系统就是用一群机器协作干
Kafka 高阶应用深度学习指南
一、历史背景与发展历程 1.1 Kafka 诞生的历史背景 时间节点:2010年,LinkedIn公司 诞生背景: LinkedIn面临着海量日志和用户行为数据的实时处理需求 传统消息队列(Activ
04 - 支持向量机 (Support Vector Machine, SVM)
目录 什么是 SVM?一个生活中的比喻 线性 SVM 的基本原理 最大间隔(Maximum Margin) 支持向量是什么? 核技巧(Kernel Trick) 软间隔与正则化参数 C 常见核函数对比
机器学习基础:梯度下降与损失函数深度解析
1. 引言 机器学习的核心目标是找到一个最优的模型参数,使得模型在给定数据上的表现最好。这个过程本质上是一个优化问题:我们需要最小化(或最大化)某个目标函数。本教程将深入探讨梯度下降算法和损失函数的数