一、认识AI

1.人工智能发展

AI，人工智能（Artificial Intelligence），使机器能够像人类一样思考、学习和解决问题的技术。

AI发展至今大概可以分为三个阶段：

在这里插入图片描述

其中，深度学习领域的自然语言处理(Natural Language Processing, NLP)有一个关键技术叫做Transformer，这是一种由多层感知机组成的神经网络模型，是现如今AI高速发展的最主要原因。

我们所熟知的大模型（Large Language Models, LLM），例如GPT、DeepSeek底层都是采用Transformer神经网络模型。

以GPT模型为例，其三个字母的缩写分别是Generative、Pre-trained、Transformer：

在这里插入图片描述

那么问题来， Transformer神经网络有什么神奇的地方，可以实现如此强大的能力呢？

2.大模型原理

其实，最早Transformer是由Google在2017年提出的一种神经网络模型，一开始的作用是把它作为机器翻译的核心：

Transformer中提出的注意力机制使得神经网络在处理信息时可以根据上下内容调整对数据的理解，变得更加智能化。这不仅仅是说人类的文字，包括图片、音频数据都可以交给Transformer来处理。于是，越来越多的模型开始基于Transformer实现了各种神奇的功能。

例如，有的模型可以根据音频生成文本，或者根据文本生成音频：

还有的模型则可以根据文字生成图片，比如Dall-E、MidJourney：

不过，我们要聊的大语言模型（Large Language Models, 以下简称LLM）是对Transformer的另一种用法：推理预测。

LLM在训练Transformer时会尝试输入一些文本、音频、图片等信息，然后让Transformer推理接下来跟着的应该是什么内容。推理的结果会以概率分布的形式出现：

可能大家会有疑问：

仅仅是推测接下来的内容，怎么能让ChatGPT在对话中生成大段的有关联的文字内容呢？

其实LLM采用的就是笨办法，答案就是：持续生成

根据前文推测出接下来的一个词语后，把这个词语加入前文，再次交给大模型处理，推测下一个字，然后不断重复前面的过程，就可以生成大段的内容了：

这就是为什么我们跟AI聊天的时候，它生成的内容总是一个字一个字的输出的原因了。

以上就是LLM的核心技术，Transformer的原理了~

二、大模型应用开发

相信大家肯定会有疑问：

  • 什么是大模型应用开发呢？
  • 跟传统的Java应用开发又有什么区别呢？
  • 我们该如何去开发大模型应用呢？

别着急，本章我们就一起来分析一下。

1.模型部署

首先要明确一点：大模型应用开发并不是在浏览器中跟AI聊天。而是通过访问模型对外暴露的API接口，实现与大模型的交互。

因此，企业首先需要有一个可访问的大模型，通常有三种选择：

  • 使用开放的大模型API
  • 在云平台部署私有大模型
  • 在本地服务器部署私有大模型

使用开放大模型API的优缺点如下：

  • 优点：
    • 没有部署和维护成本，按调用收费
  • 缺点：
    • 依赖平台方，稳定性差
    • 长期使用成本较高
    • 数据存储在第三方，有隐私和安全问题

云平台部署私有模型：

  • 优点：
    • 前期投入成本低
    • 部署和维护方便
    • 网络延迟较低
  • 缺点：
    • 数据存储在第三方，有隐私和安全问题
    • 长期使用成本高

本地部署私有模型：

  • 优点：
    • 数据完全自主掌控，安全性高
    • 不依赖外部环境
    • 虽然短期投入大，但长期来看成本会更低
  • 缺点：
    • 初期部署成本高
    • 维护困难

注意：

这里说的本地部署并不是说在你自己电脑上部署，而是公司自己的服务器部署。

由于大模型所需要的算力非常多，自己电脑部署的模型往往都是阉割蒸馏版本，性能和推理能力都比较差。

再加上现在各种模型都有很多免费的服务可以访问，性能还是满血版本，推理能力拉满。

所以完全不建议大家在自己电脑上部署，除非你想自己做模型微调或测试。

接下来，我们给大家演示下两种部署方式：

  • 开发大模型服务
  • 本地部署（在本机演示，将来在服务器也是类似的）

1.1 开放大模型服务

通常发布大模型的官方、大多数的云平台都会提供开放的、公共的大模型服务。大模型官方前面讲过，我们不再赘述，这里我们看一些国内提供大模型服务的云平台：

云平台公司地址
阿里百炼阿里巴巴https://bailian.console.aliyun.com
腾讯TI平台腾讯https://cloud.tencent.com/product/ti
千帆平台百度https://console.bce.baidu.com/qianfan/overview
SiliconCloud硅基流动https://siliconflow.cn/zh-cn/siliconcloud
火山方舟-火山引擎字节跳动https://www.volcengine.com/product/ark

这些开放平台并不是免费，而是按照调用时消耗的token来付费，每百万token通常在几毛~几元钱，而且平台通常都会赠送新用户百万token的免费使用权。（token可以简单理解成你与大模型交互时发送和响应的文字，通常一个汉字2个token左右）

我们以阿里云百炼平台为例。

1.1.1 注册账号

首先，我们需要注册一个阿里云账号：

https://account.aliyun.com/

然后访问百炼平台，开通服务：

https://www.aliyun.com/product/bailian?spm=5176.29677750.nav-v2-dropdown-menu-1.d_main_0_6.6b44154amuN66a&scm=20140722.M_sfm.P_197.ID_sfm-OR_rec-V_1-MO_3480-ST_12892

首次开通应该会赠送百万token的使用权，包括DeepSeek-R1模型、qwen模型。

1.1.2 申请API_KEY

注册账号以后还需要申请一个API_KEY才能访问百炼平台的大模型。

在阿里云百炼平台的右上角，鼠标悬停在用户图标上，可以看到下拉菜单：

在这里插入图片描述

选择API-KEY，进入API-KEY管理页面：

在这里插入图片描述

选择创建我的API-KEY，会弹出表单：

在这里插入图片描述

填写完毕，点击确定，即可生成一个新的API-KEY：

在这里插入图片描述

后续开发中就需要用到这个API-KEY了，一定要记牢。而且要保密，不能告诉别人。

1.1.3 体验模型

访问百炼平台，可以看到如下内容：

在这里插入图片描述

点击模型调用 ->立即调用 就能进入模型广场：

在这里插入图片描述

选择一个自己喜欢的模型，然后点击API调用示例，即可进入API文档页：

在这里插入图片描述

点击立即体验，就可以进入API调用大模型的试验台：

在这里插入图片描述

在这里就可以模拟调用大模型接口了。

1.2 本地部署

很多云平台都提供了一键部署大模型的功能，这里不再赘述。我们重点讲讲如何手动部署大模型。

手动部署最简单的方式就是使用Ollama，这是一个帮助你部署和运行大模型的工具。官网如下：

https://ollama.com/

1.2.1 下载安装ollama

首先，我们需要下载一个Ollama的客户端，在官网提供了各种不同版本的Ollama，大家可以根据自己的需要下载。

在这里插入图片描述

下载后双击即可安装，这里不再赘述。

注意：

Ollama默认安装目录是C盘的用户目录，如果不希望安装在C盘的话（其实C盘如果足够大放C盘也没事），就不能直接双击安装了。需要通过命令行安装。

命令行安装方式如下：

在OllamaSetup.exe所在目录打开cmd命令行，然后命令如下：

OllamaSetup.exe /DIR=你要安装的目录位置

OK，安装完成后，还需要配置一个环境变量，更改Ollama下载和部署模型的位置。环境变量如下：

OLLAMA_MODELS=你想要保存模型的目录

环境变量配置方式相信学过Java的都知道，这里不再赘述，配置完成如图：

在这里插入图片描述

1.2.2 搜索模型

ollama是一个模型管理工具和平台，它提供了很多国内外常见的模型，我们可以在其官网上搜索自己需要的模型：

https://ollama.com/search

如图，目前热度排第一的就是deepseek-r1：

在这里插入图片描述

点击进入deepseek-r1页面，会发现deepseek-r1也有很多版本：

在这里插入图片描述

这些就是模型的参数大小，越大推理能力就越强，需要的算力也越高。671b版本就是最强的满血版deepseek-r1了。需要注意的是，Ollama提供的DeepSeek是量化压缩版本，对比官网的蒸馏版会更小，对显卡要求更低。对比如下：

在这里插入图片描述

比如，我的电脑内存32G，显存是6G，我选择部署的是7b的模型，当然8b也是可以的，差别不大，都是可以流畅运行的。

1.2.3 运行模型

选择自己合适的模型后，ollama会给出运行模型的命令：

在这里插入图片描述

复制这个命令，然后打开一个cmd命令行，运行命令即可，然后你就可以跟本地模型聊天了：

在这里插入图片描述

注意：

  • 首次运行命令需要下载模型，根据模型大小不同下载时长在5分钟~1小时不等，请耐心等待下载完成。
  • ollama控制台是一个封装好的AI对话产品，与ChatGPT类似，具备会话记忆功能。

Ollama是一个模型管理工具，有点像Docker，而且命令也很像，比如：

  ollama serve      # Start ollamaollama create     # Create a model from a Modelfileollama show       # Show information for a modelollama run        # Run a modelollama stop       # Stop a running modelollama pull       # Pull a model from a registryollama push       # Push a model to a registryollama list       # List modelsollama ps         # List running modelsollama cp         # Copy a modelollama rm         # Remove a modelollama help       # Help about any command

2.调用大模型

前面说过，大模型开发并不是在浏览器中跟AI聊天。而是通过访问模型对外暴露的API接口，实现与大模型的交互。

所以要学习大模型应用开发，就必须掌握模型的API接口规范。

目前大多数大模型都遵循OpenAI的接口规范，是基于Http协议的接口。因此请求路径、参数、返回值信息都是类似的，可能会有一些小的差别。具体需要查看大模型的官方API文档。

2.1 大模型接口规范

我们以DeepSeek官方给出的文档为例：

# Please install OpenAI SDK first: `pip3 install openai`from openai import OpenAI# 1.初始化OpenAI客户端，要指定两个参数：api_key、base_url
client = OpenAI(api_key="<DeepSeek API Key>", base_url="https://api.deepseek.com")# 2.发送http请求到大模型，参数比较多
response = client.chat.completions.create(model="deepseek-chat", # 2.1.选择要访问的模型messages=[ # 2.2.发送给大模型的消息{"role": "system", "content": "You are a helpful assistant"},{"role": "user", "content": "Hello"},],stream=False # 2.3.是否以流式返回结果
)print(response.choices[0].message.content)
2.1.1 接口说明
  • 请求方式：通常是POST，因为要传递JSON风格的参数
  • 请求路径：与平台有关
    • DeepSeek官方平台：https://api.deepseek.com
    • 阿里云百炼平台：https://dashscope.aliyuncs.com/compatible-mode/v1
    • 本地ollama部署的模型：http://localhost:11434
  • 安全校验：开放平台都需要提供API_KEY来校验权限，本地ollama则不需要
  • 请求参数：参数很多，比较常见的有：
    • model：要访问的模型名称
    • messages：发送给大模型的消息，是一个数组
    • stream：true，代表响应结果流式返回；false，代表响应结果一次性返回，但需要等待
    • temperature：取值范围[0:2)，代表大模型生成结果的随机性，越小随机性越低。DeepSeek-R1不支持

注意，这里请求参数中的messages是一个消息数组，而且其中的消息要包含两个属性：

  • role：消息对应的角色
  • content：消息内容

其中消息的内容，也被称为提示词（Prompt），也就是发送给大模型的指令。

2.1.2 提示词角色

通常消息的角色有三种：

角色描述示例
system优先于user指令之前的指令，也就是给大模型设定角色和任务背景的系统指令你是一个乐于助人的编程助手，你以小团团的风格来回答用户的问题。
user终端用户输入的指令（类似于你在ChatGPT聊天框输入的内容）写一首关于Java编程的诗
assistant由大模型生成的消息，可能是上一轮对话生成的结果注意，用户可能与模型产生多轮对话，每轮对话模型都会生成不同结果。

其中System类型的消息非常重要！影响了后续AI会话的行为模式。

比如，我们会发现，当我们询问这些AI对话产品“你是谁”这个问题的时候，每一个AI的回答都不一样，这是怎么回事呢？

这其实是因为AI对话产品并不是直接把用户的提问发送给LLM，通常都会在user提问的前面通过System消息给模型设定好背景：

所以，当你问问题时，AI就会遵循System的设定来回答了。因此，不同的大模型由于System设定不同，回答的答案也不一样。

示例：

## Role
System: 你是智能客服，你的名字叫小黑。请以友好、热情的方式回答用户问题。
## Example
User: 你好
Assisant: 你好，我是小黑，很高兴认识你！无论什么问题，我都会尽力帮你解答哦！
2.1.3 会话记忆问题

这里还有一个问题：

我们为什么要把历史消息都放入Messages中，形成一个数组呢？

这是因为大模型是没有记忆的，因此我们调用API接口与大模型对话时，每一次对话信息都不会保留，多次对话之间都是独立的，没有关联的。

但是大家可能发现了，我们使用的AI对话产品却能够记住每一轮对话信息，根据这些信息进一步回答，这是怎么回事呢？

答案就是Messages数组。

我们只需要每一次发送请求时，都把历史对话中每一轮的User消息、Assistant消息都封装到Messages数组中，一起发送给大模型，这样大模型就会根据这些历史对话信息进一步回答，就像是拥有了记忆一样。

示例：

System: 你是智能客服，你的名字叫小黑。请以友好、热情的方式回答用户问题。User: 你好，我是小明
Assisant: 你好小明，我是小黑，很高兴认识你！无论什么问题，我都会尽力帮你解答哦！User: 帮我写一个跟我名字有关的诗
Assisant: 好的，下面是以你的名字写的诗：
小明啊小明，名字真明亮，
如晨曦初现，驱散了黑暗。
心中有火焰，智慧放光芒，
在求知路上，你是那最亮的星。像清澈溪流，绕过知识山岗，
带着勇气和希望，不断向前方。
你的每一步，都闪耀着坚强，
未来的大门，正为你而敞开。无论走到哪，世界因你更晴朗，
小明啊小明，愿你永远这样，
保持那份纯真，还有对梦想的向往，
人生的旅途上，成为自己的太阳。

2.2 调用大模型

部分平台提供了图形化的试验台，可以方便测试模型接口。比如阿里云百炼平台：

在这里插入图片描述

当然，我们也可以用普通的http客户端来发起请求大模型，我们以Ollama为例：

Ollama在本地部署时，会自动提供模型对应的Http接口，访问地址是：http://localhost:11434/api/chat

在这里插入图片描述

3.大模型应用

大模型应用是基于大模型的推理、分析、生成能力，结合传统编程能力，开发出的各种应用。

为什么要把传统应用与大模型结合呢？

别着急，我们先来看看传统应用、大模型各自擅长什么，不擅长什么

3.1 传统应用

作为Java程序员，大家应该对传统Java程序的能力边界很清楚。

核心特点

基于明确规则的逻辑设计，确定性执行，可预测结果。

擅长领域
  1. 结构化计算
    1. 例：银行转账系统（精确的数值计算、账户余额增减）。
    2. 例：Excel公式（按固定规则处理表格数据）。
  2. 确定性任务
    1. 例：排序算法（快速排序、冒泡排序），输入与输出关系完全可预测。
  3. 高性能低延迟场景
    1. 例：操作系统内核调度、数据库索引查询，需要毫秒级响应。
  4. 规则明确的流程控制
    1. 例：红绿灯信号切换系统（基于时间规则和传感器输入）。
不擅长领域
  1. 非结构化数据处理
    1. 例：无法直接理解用户自然语言提问（如"帮我写一首关于秋天的诗"）。
  2. 模糊推理与模式识别
    1. 例：判断一张图片是"猫"还是"狗"，传统代码需手动编写特征提取规则，效果差。
  3. 动态适应性
    1. 例：若用户需求频繁变化（如电商促销规则每天调整），需不断修改代码。

3.2 AI大模型

传统程序的弱项，恰恰就是AI大模型的强项：

核心特点

基于数据驱动的概率推理，擅长处理模糊性和不确定性。

擅长领域
  1. 自然语言处理
    1. 例：ChatGPT生成文章、翻译语言，或客服机器人理解用户意图。
  2. 非结构化数据分析
    1. 例：医学影像识别（X光片中的肿瘤检测），或语音转文本。
  3. 创造性内容生成
    1. 例：Stable Diffusion生成符合描述的图像，或AI作曲工具创作音乐。
  4. 复杂模式预测
    1. 例：股票市场趋势预测（基于历史数据关联性，但需注意可靠性限制）。
不擅长领域
  1. 精确计算
    1. 例：AI可能错误计算"12345 × 6789"的结果（需依赖计算器类传统程序）。
  2. 确定性逻辑验证
    1. 例：验证身份证号码是否符合规则（AI可能生成看似合理但非法的号码）。
  3. 低资源消耗场景
    1. 例：嵌入式设备（如微波炉控制程序）无法承受大模型的算力需求。
  4. 因果推理
    1. 例：AI可能误判"公鸡打鸣导致日出"的因果关系。

3.3 强强联合

传统应用开发和大模型有着各自擅长的领域：

  • 传统编程：确定性、规则化、高性能，适合数学计算、流程控制等场景。
  • AI大模型：概率性、非结构化、泛化性，适合语言、图像、创造性任务。

两者之间恰好是互补的关系，两者结合则能解决以前难以实现的一些问题：

  • 混合系统（Hybrid AI）
    • 用传统程序处理结构化逻辑（如支付校验），AI处理非结构化任务（如用户意图识别）。
    • 示例：智能客服中，AI理解用户问题，传统代码调用数据库返回结果。
  • 增强可解释性
    • 结合规则引擎约束AI输出（如法律文档生成时强制符合条款格式）。
  • 低代码/无代码平台
    • 通过AI自动生成部分代码（如GitHub Copilot），降低传统开发门槛。

在传统应用开发中介入AI大模型，充分利用两者的优势，既能利用AI实现更加便捷的人机交互，更好的理解用户意图，又能利用传统编程保证安全性和准确性，强强联合，这就是大模型应用开发的真谛！

综上所述，大模型应用就是整合传统程序和大模型的能力和优势来开发的一种应用。

3.4大模型与大模型应用

我们熟知的大模型比如GPT、DeepSeek都是生成式模型，顾名思义，根据前文不断生成后文。

不过，模型本身只具备生成后文的能力、基本推理能力。我们平常使用的AI对话产品除了生成和推理，还有会话记忆功能、联网功能等等。这些都是大模型不具备的。

要想让大模型产生记忆，联网等功能，是需要通过额外的程序来实现的，也就是基于大模型开发应用。

所以，我们现在接触的AI对话产品其实都是基于大模型开发的应用，并不是大模型本身，这一点大家千万要区分清楚。

下面我把常见的一些大模型对话产品及其模型的关系给大家罗列一下：

大模型对话产品公司地址
GPT-3.5、GPT-4oChatGPTOpenAIhttps://chatgpt.com/
Claude 3.5Claude AIAnthropichttps://claude.ai/chats
DeepSeek-R1DeepSeek深度求索https://www.deepseek.com/
文心大模型3.5文心一言百度https://yiyan.baidu.com/
星火3.5讯飞星火科大讯飞https://xinghuo.xfyun.cn/desk
Qwen-Max通义千问阿里巴巴https://tongyi.aliyun.com/qianwen/
MoonshootKimi月之暗面https://kimi.moonshot.cn/
Yi-Large零一万物零一万物https://platform.lingyiwanwu.com/

当然，除了AI对话应用之外，大模型还可以开发很多其它的AI应用，常见的领域包括：

在这里插入图片描述

那么问题来了，如何进行大模型应用开发呢？

4.大模型应用开发技术架构

基于大模型开发应用有多种方式，接下来我们就来了解下常见的大模型开发技术架构。

4.1 技术架构

目前，大模型应用开发的技术架构主要有四种：

在这里插入图片描述

4.1.1 纯Prompt模式

不同的提示词能够让大模型给出差异巨大的答案。

不断雕琢提示词，使大模型能给出最理想的答案，这个过程就叫做提示词工程（Prompt Engineering）。

很多简单的AI应用，仅仅靠一段足够好的提示词就能实现了，这就是纯Prompt模式。

其流程如图：

在这里插入图片描述

4.1.2 FunctionCalling

大模型虽然可以理解自然语言，更清晰弄懂用户意图，但是确无法直接操作数据库、执行严格的业务规则。这个时候我们就可以整合传统应用于大模型的能力了。

简单来说，可以分为以下步骤：

  1. 我们可以把传统应用中的部分功能封装成一个个函数（Function）。
  2. 然后在提示词中描述用户的需求，并且描述清楚每个函数的作用，要求AI理解用户意图，判断什么时候需要调用哪个函数，并且将任务拆解为多个步骤（Agent）。
  3. 当AI执行到某一步，需要调用某个函数时，会返回要调用的函数名称、函数需要的参数信息。
  4. 传统应用接收到这些数据以后，就可以调用本地函数。再把函数执行结果封装为提示词，再次发送给AI。
  5. 以此类推，逐步执行，直到达成最终结果。

流程如图：

在这里插入图片描述

注意：

并不是所有大模型都支持Function Calling，比如DeepSeek-R1模型就不支持。

4.1.3 RAG

RAG（Retrieval**-Augmented Generation）叫做检索增强生成。简单来说就是把信息检索技术和大模型**结合的方案。

大模型从知识角度存在很多限制：

  • 时效性差：大模型训练比较耗时，其训练数据都是旧数据，无法实时更新
  • 缺少专业领域知识：大模型训练数据都是采集的通用数据，缺少专业数据

可能有同学会说， 简单啊，我把最新的数据或者专业文档都拼接到提示词，一起发给大模型，不就可以了。

同学，你想的太简单了，现在的大模型都是基于Transformer神经网络，Transformer的强项就是所谓的注意力机制。它可以根据上下文来分析文本含义，所以理解人类意图更加准确。

但是，这里上下文的大小是有限制的，GPT3刚刚出来的时候，仅支持2000个token的上下文。现在领先一点的模型支持的上下文数量也不超过 200K token，所以海量知识库数据是无法直接写入提示词的。

怎么办呢？

RAG技术正是来解决这一问题的。

RAG就是利用信息检索技术来拓展大模型的知识库，解决大模型的知识限制。整体来说RAG分为两个模块：

  • 检索模块（Retrieval）：负责存储和检索拓展的知识库
    • 文本拆分：将文本按照某种规则拆分为很多片段
    • 文本嵌入（Embedding)：根据文本片段内容，将文本片段归类存储
    • 文本检索：根据用户提问的问题，找出最相关的文本片段
  • 生成模块（Generation）：
    • 组合提示词：将检索到的片段与用户提问组织成提示词，形成更丰富的上下文信息
    • 生成结果：调用生成式模型（例如DeepSeek）根据提示词，生成更准确的回答

由于每次都是从向量库中找出与用户问题相关的数据，而不是整个知识库，所以上下文就不会超过大模型的限制，同时又保证了大模型回答问题是基于知识库中的内容，完美！

流程如图：

在这里插入图片描述

4.1.4 Fine-tuning

Fine-tuning就是模型微调，就是在预训练大模型（比如DeepSeek、Qwen）的基础上，通过企业自己的数据做进一步的训练，使大模型的回答更符合自己企业的业务需求。这个过程通常需要在模型的参数上进行细微的修改，以达到最佳的性能表现。

在进行微调时，通常会保留模型的大部分结构和参数，只对其中的一小部分进行调整。这样做的好处是可以利用预训练模型已经学习到的知识，同时减少了训练时间和计算资源的消耗。微调的过程包括以下几个关键步骤：

  • 选择合适的预训练模型：根据任务的需求，选择一个已经在大量数据上进行过预训练的模型，如Qwen-2.5。
  • 准备特定领域的数据集：收集和准备与任务相关的数据集，这些数据将用于微调模型。
  • 设置超参数：调整学习率、批次大小、训练轮次等超参数，以确保模型能够有效学习新任务的特征。
  • 训练和优化：使用特定任务的数据对模型进行训练，通过前向传播、损失计算、反向传播和权重更新等步骤，不断优化模型的性能。

模型微调虽然更加灵活、强大，但是也存在一些问题：

  • 需要大量的计算资源
  • 调参复杂性高
  • 过拟合风险

总之，Fine-tuning成本较高，难度较大，并不适合大多数企业。而且前面三种技术方案已经能够解决常见问题了。

那么，问题来了，我们该如何选择技术架构呢？

4.2技术选型

从开发成本由低到高来看，四种方案排序如下：

Prompt < Function Calling < RAG < Fine-tuning

所以我们在选择技术时通常也应该遵循"在达成目标效果的前提下，尽量降低开发成本"这一首要原则。然后可以参考以下流程来思考：

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.pswp.cn/bicheng/85136.shtml
繁体地址，请注明出处：http://hk.pswp.cn/bicheng/85136.shtml
英文地址，请注明出处：http://en.pswp.cn/bicheng/85136.shtml

如若内容造成侵权/违法违规/事实不符，请联系英文站点网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

IP5362至为芯支持无线充的22.5W双C口双向快充移动电源方案芯片

IP5362至为芯支持无线充的22.5W双C口双向快充移动电源方案芯片

英集芯IP5362是一款应用于移动电源&#xff0c;充电宝&#xff0c;手机&#xff0c;平板电脑等支持无线充模式的22.5W双向快充移动电源方案SOC芯片,集成同步升降压转换器、锂电池充电管理、电池电量指示等功能。兼容全部快充协议&#xff0c;同步开关放电支持最大22.5W输出功率…
阅读更多...
手游刚开服就被攻击怎么办？如何防御DDoS？

手游刚开服就被攻击怎么办？如何防御DDoS？

手游新上线时遭遇DDoS攻击是常见现象&#xff0c;可能导致服务器瘫痪、玩家流失甚至项目失败。面对突如其来的攻击&#xff0c;开发者与运营商需要迅速响应并建立长效防御机制。本文提供应急处理步骤与防御策略&#xff0c;助力游戏稳定运营。 一、手游开服遭攻击的应急响应 快…
阅读更多...
秋招是开发算法一起准备，还是只准备一个

秋招是开发算法一起准备，还是只准备一个

THE LAST TIME 昨天晚上半夜有个星球的26届的同学&#xff0c;私信问我。说目前是只准备开发还是开发算法一起准备&#xff08;两者技术知识都挺欠缺的&#xff09; 看到这里&#xff0c;肯定有很多同学会说。马上都该秋招了&#xff0c;还什么多线程开工&#xff0c;赶紧能住编…
阅读更多...
web项目部署配置HTTPS遇到的问题解决方法

web项目部署配置HTTPS遇到的问题解决方法

今天使用nginxtomcatssl完成了web项目的部署&#xff0c;本以为没有什么问题&#xff0c;但是在页面测试的时候又蹦出了这么一个问题&#xff0c;大致是说由于配置了HTTPS&#xff0c;但是之前的请求是通过HTTP请求的&#xff0c;所以现在被拦截&#xff0c;由于缺少某些权限信…
阅读更多...
理解与建模弹性膜-AI云计算数值分析和代码验证

理解与建模弹性膜-AI云计算数值分析和代码验证

弹性膜在连接生物学理解和工程创新方面至关重要&#xff0c;因为它们能够模拟软组织力学、实现先进的细胞培养系统和促进柔性设备&#xff0c;广泛应用于软组织生物力学、细胞培养、生物膜建模和生物医学工程等领域。 ☁️AI云计算数值分析和代码验证 弹性膜在连接生物学理解和…
阅读更多...
AI大模型竞赛升温：百度发布文心大模型4.5和X1

AI大模型竞赛升温：百度发布文心大模型4.5和X1

AI大模型&#xff0c;作为智能技术的巅峰之作&#xff0c;正逐步改变着我们的生活与工作方式。近期&#xff0c;百度在AI大模型领域的最新动向&#xff0c;无疑为这场科技竞赛再添一把火。3月16日&#xff0c;百度正式宣布发布文心大模型4.5及文心大模型X1&#xff0c;这两款大…
阅读更多...
升级OpenSSL和OpenSSH 修复漏洞

升级OpenSSL和OpenSSH 修复漏洞

升级OpenSSL和OpenSSH 目前版本OpenSSH_7.4p1, OpenSSL 1.0.2k-fips 26 Jan 2017 升级到OpenSSH_9.8p1, OpenSSL 1.1.1u 30 May 2023 服务器CentOS Linux release 7.6.1810 (Core) 一、升级OpenSSL到1.1.1u 下载并编译 OpenSSL&#xff08;推荐目录 /usr/local/openssl&…
阅读更多...
JavaSE - Object 类详细讲解

JavaSE - Object 类详细讲解

定义 是所有类的直接或者间接父类&#xff0c;是 Java 中唯一一个没有父类的类。其中所有的方法都是可以被子类继承的。 常用方法 equals方法&#xff1a; 比较两个对象引用的地址值是否相同&#xff0c;默认情况下是使用 “” 进行比较&#xff0c;但是这个方法一般会被之类…
阅读更多...
观远ChatBI｜让数据分析像聊天一样简单

观远ChatBI｜让数据分析像聊天一样简单

BI通过收集、整合和分析企业内部的各种数据&#xff0c;帮助企业发现数据中的模式和趋势&#xff0c;从而做出更明智的商业决策&#xff0c;以此来提升企业的经营能力和竞争力。无论是传统BI还是自助BI&#xff0c;都是为了在数据和人之间建立一座桥梁&#xff0c;使数据能够被…
阅读更多...
Go语言同步原语与数据竞争：WaitGroup

Go语言同步原语与数据竞争：WaitGroup

在Go语言并发编程中&#xff0c;我们经常需要等待多个 goroutine 执行完毕后再继续下一步操作。Go 提供的 sync.WaitGroup 就是专为这种**“等待一组任务完成”**而设计的同步原语。 一、基本原理 sync.WaitGroup 提供三个主要方法&#xff1a; 方法说明Add(n int)设置等待的…
阅读更多...
Java单体架构 vs 分布式架构

Java单体架构 vs 分布式架构

Java单体架构 vs 分布式架构 在电商系统开发中&#xff0c;当用户量从几百激增到百万级&#xff0c;你的架构是否还能从容应对&#xff1f;一次代码更新是否意味着整个系统停机&#xff1f;今天我们就来拆解Java架构设计的核心命题&#xff1a;单体还是分布式&#xff1f; 一、…
阅读更多...
day40- 硬件学习之 51单片机II （中断处理）

day40- 硬件学习之 51单片机II （中断处理）

一、独立按键的使用 main.c key.c key.h 二、中断处理 2.1 定义 中断系统是为使CPU具有对外界紧急事件的实时处理能力而设置的。 当CPU正在处理某件事的时候外界发生了紧急事件请求&#xff0c;要求CPU暂停当前的工作&#xff0c;转而去处理这个紧急事件&#xff0c;处理完以…
阅读更多...
机器学习：开启智能时代的大门

机器学习：开启智能时代的大门

一、引言 机器学习&#xff08;Machine Learning&#xff09;正成为人工智能的核心技术。从 Netflix 推荐电影&#xff0c;到银行识别欺诈交易&#xff0c;机器学习正在逐渐改变世界。本篇文章将从理论到实操全面介绍机器学习的基础概念&#xff0c;并附有代码和案例。 二、什…
阅读更多...
几个重要的行列式 线性代数

几个重要的行列式 线性代数

目录 1.主&#xff08;副&#xff09;对角线行列式 2 拉普拉斯展开式 3 范德蒙德行列式 对于行列式的计算来说&#xff0c;一般给出的行列式我们都要对其进行化简&#xff0c;但是化简到什么程度就可以了呢&#xff1f; 这就是本篇的用处&#xff0c;一般给出的行列式化简的…
阅读更多...
答辩讲解387基于Spring Boot的心理健康管理系统

答辩讲解387基于Spring Boot的心理健康管理系统

摘 要 视频地址 答辩讲解387基于Spring Boot的心理健康管理系统_哔哩哔哩_bilibili 自改革开放政策施行以来&#xff0c;我国经济持续保持快速增长态势&#xff0c;国民生活水平得到了明显提升&#xff0c;然而近些年来&#xff0c;经济增速出现放缓&#xff0c;再加上疫情等…
阅读更多...
使用WinUSB读写USB设备

使用WinUSB读写USB设备

参考&#xff1a;使用WinUSB读写USB设备 - USB中文网
阅读更多...
DECOUPLING REPRESENTATION AND CLASSIFIER FOR LONG-TAILED RECOGNITION

DECOUPLING REPRESENTATION AND CLASSIFIER FOR LONG-TAILED RECOGNITION

摘要 在本文中&#xff0c;我们将学习过程解耦为表征学习和分类&#xff0c;系统地探究不同的平衡策略如何对长尾识别产生影响。研究结果令人惊讶&#xff1a;&#xff08;1&#xff09;数据不平衡在学习高质量表征时可能并非问题&#xff1b;&#xff08;2&#xff09;通过最…
阅读更多...
如何使用joomla5缓存来加速网页加载速度

如何使用joomla5缓存来加速网页加载速度

Joomla 有多种缓存“内容”的方式。我们将以两个角色来介绍和使用缓存&#xff0c;在这篇将以普通管理员的视角来概述——缓存什么、在哪里缓存以及何时缓存。 什么是Joomla 缓存cacha 作为管理员&#xff0c;Joomla 为您提供了缓存网站内容的能力。您可以选择缓存整个网页或…
阅读更多...
《我们的十年》电影联合品宣品牌白碧美：自然与科技共融

《我们的十年》电影联合品宣品牌白碧美：自然与科技共融

破界新生&#xff0c;定义东方美肤高度 湖南白碧美生物科技有限公司&#xff0c;扎根中国创新活力之都——星城长沙&#xff0c;是以“科技赋能美肤”为核心的高端轻奢护肤品牌。秉承“自然与科技共融”的品牌哲学&#xff0c;白碧美将千年东方草本植萃智慧与现代尖端生物科技…
阅读更多...
B树与B+树：数据库索引背后的秘密

B树与B+树：数据库索引背后的秘密

B-tree&#xff08;B树&#xff09;和Btree&#xff08;B树&#xff09;是两种高效的多叉树数据结构&#xff0c;专为磁盘存储系统优化设计&#xff0c;广泛应用于数据库和文件系统的索引。以下是两者的核心特点及区别&#xff1a; ⚙️ 一、B-tree&#xff08;B树&#xff09;…
阅读更多...
最新文章

Copyright @ 2022~2023