- 综合排序
- 最热优先
- 最新优先
- 来自专栏python3
3-6 读写二进制文件
Image类型数据的存储与读取 在前面两节，读写的文件都是针对文本文件。 小知识： 二进制文件 英文:Binary files - 包含在 ASCII 及扩展 ASCII 字符中编写的数据或程序指令的文件。 ，所以我们可以简单地认为，如果一个文件专门用于存储文本字符的数据，没有包含字符以外的其他数据，我们就称之为文本文件，除此之外的文件就是二进制文件。 这些类型可以让我们从基层流中以简洁的二进制格式读取或写入离散数据类型。BinaryWriter类型定义了一个多次重载的Write()方法，用于把数据类型写入基层的流。 Flush() 清理当前编写器的所有缓冲区，使所有缓冲数据写入基础设备。 Write() 已重载。 将值写入当前流。
1.4K10发布于 2020-01-08 - 来自专栏cwl_Java
C++编程之美-结构之法(代码清单3-6)
代码清单3-6 Int CalculateStringDistance(string strA, int pABegin, int pAEnd, string strB, int pBBegin
32950编辑于 2022-11-30 - 来自专栏AI机器学习与深度学习算法
机器学习入门 3-6 Numpy数组(和矩阵)的合并与分割
A2) ''' array([[ 2, 3], [ 6, 7], [10, 11], [14, 15]]) ''' 和合并操作一样，我们经常对二维或三维数据进行行和列的分割操作 [ 6, 7], [10, 11], [14, 15]]) ''' 数组分割的意义 现在有一个形状为 (4, 4) 的二维数组，如果这个二维数组被当做机器学习的数据集 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11], [12, 13, 14, 15]]) ''' 拿到这种样式的机器学习数据集时
1.3K10编辑于 2022-05-25 - 来自专栏刷题笔记
3-6 银行业务队列简单模拟 (20 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/101221630 3-6 银行业务队列简单模拟 (20 分) 设某银行有A、B两个业务窗口 输入样例: 8 2 1 3 9 4 11 13 15 输出样例: 1 3 2 9 11 4 13 15 这道题出现了若干次，在训练营 pat乙级和数据结构 这次没用c++，用了一下Java感觉太恶心了。
90630发布于 2019-11-08 - 来自专栏企鹅号快讯
AI需要大数据，而大数据也需要AI
美国知名AI作家Bernard Marr 说过：“过去，由于有限的数据集、非实时的数据和无法在数秒内分析大量数据，而导致AI发展受阻。 今天，可以实时访问数据和工具，实现快速分析，从而推动了AI和机器学习，并允许向数据优先的方法过渡。我们的技术现在已经足够灵活，可以访问这些庞大的数据集，以快速推进AI和机器学习应用程序。” AI和大数据形成了一种真正的共生关系，彼此需要。 然而，Manchett警告说，AI尚不足以满足非技术业务的需求。“为了实现大数据和AI的目标，你仍然需要理解提取、转换和加载的概念，以及机器学习是什么，可以做什么。” 数据占据了中心位置。 “通过云计算，任何人都可以轻而易举地获得数据，大数据和AI的可能性在我们的生活中变得越来越真实。”然后，AI和机器学习将变得司空见惯。
904100发布于 2018-01-18 - 来自专栏FDE工程师-从AI技术实现到业务落地
如何成为Forward Deployed Engineer：完整路线图
Web应用（带用户认证、数据库、API）AI驱动的聊天机器人（使用OpenAI/ClaudeAPI）数据管道（ETL、转换、加载）部署到生产环境（AWS/Vercel）第2步：获得客户面向经验（6-12 实施（3-6个月）深入学习LLM集成构建RAG系统（嵌入+向量存储+检索）实现多模型编排（使用正确的模型处理正确的任务）优化延迟和成本（缓存、批处理、模型选择）处理幻觉和可靠性（验证、回退）学习企业AI 挑战数据隐私和安全（HIPAA、SOC2、GDPR）合规和治理（审计跟踪、可解释性）规模和性能（处理数百万请求）监控和可观测性（检测漂移、降级）构建AI实施项目文档分析系统（RAG+文档解析）客服聊天机器人 （多轮对话、工具使用）数据分析平台（自然语言到SQL）部署到生产环境并监控第4步：建立FDE技能组合（3-6个月）调试和问题解决在真实代码库上练习调试（GitHubissues）学习调试工具（pdb、debugger Linear进行任务跟踪练习估算和优先级排序管理多个客户/项目商业敏锐度理解SaaS指标（ARR、流失率、LTV）学习定价模型（按使用量、按席位、企业）研究竞争格局理解客户如何评估ROI第5步：申请FDE角色（3-
23611编辑于 2026-09-14 - 来自专栏ATYUN订阅号
【观点】AI需要大数据，而大数据也需要AI
AI和大数据已经形成了一种真正的共生关系，彼此需要相得益彰。 美国知名AI作家Bernard Marr 说过：“过去，由于有限的数据集、非实时的数据和无法在数秒内分析大量数据，而导致AI发展受阻。 今天，可以实时访问数据和工具，实现快速分析，从而推动了AI和机器学习，并允许向数据优先的方法过渡。我们的技术现在已经足够灵活，可以访问这些庞大的数据集，以快速推进AI和机器学习应用程序。” AI和大数据形成了一种真正的共生关系，彼此需要。 “通过云计算，任何人都可以轻而易举地获得数据，大数据和AI的可能性在我们的生活中变得越来越真实。”然后，AI和机器学习将变得司空见惯。
59870发布于 2018-03-06 - 来自专栏数字化转型
基于国标GBT 45341的睿擎GEO五层架构：让技术内容被AI优先引用
该架构已在多家科技企业验证，可在3-6个月内将核心场景的AI语义引用率从4%提升至25%。 多平台一致性得分发展层发展视角是否有数据驱动的持续迭代？AI语义引用率诊断结论：约80%的问题集中在战略层与场景层。大多数团队不需要“重写所有文档”，而需要重构内容的生产逻辑。 四维验证框架（对齐GB/T45341）维度GB/T45341要求GEO验证要点落地产出（AI可识别）数据数据资产化、标准化数据字段定义清晰、来源可追溯数据字典、血缘图技术架构开放性、可扩展性API文档、 2个核心场景被正确提及引用率5%-15%L3领域级5+关键场景稳定占位答案占位率30%-50%L4引领级成为领域首选引用源首选引用率>40%L5生态级模型主动作为事实依据主动调用率>60%冷启动路径（3- 6个月）阶段时间核心任务预期成果诊断规划第1-2周提问图谱、基线测试选定1个高价值场景内容重构第3-6周完成10-20个核心问句证据匹配CoT锚点内容上线信源建设第7-10周RAG信源结构化、多平台发布四维证据链完备验证迭代第
38600编辑于 2026-06-12 - 来自专栏AI系统
【AI系统】数据并行
数据并行是一种广泛应用于分布式 AI 系统中的技术，旨在通过将数据集划分为多个子集并在不同计算节点上并行处理这些子集，以提高计算效率和速度。 分布式数据并行 DDP分布式数据并行（Distributed Data Parallel, DDP）是数据并行的一种高级形式，它综合了多种优化，是当前应用最广的并行算法之一，通常用于大型 NPU AI 集群和 AI 系统中。 在通信的同时也会继续计算梯度，这样就无需等待所有计算完成后再集中进行通信，也不必在计算完成后等待通信完成，从而将通信过程覆盖到计算时间内，充分利用 AI 集群，提高了 AI 集群使用率。 DDP 反向传播中计算与通信的重叠导致无需等待所有计算完成后再集中进行通信，也不必在计算完成后等待通信完成，提高了 AI 集群的使用率。
1.3K10编辑于 2024-12-07 - 来自专栏技术墨客
从数据到AI
一篇关于數據倉庫建設、人工數據分析、AI數據分析的讲义 數據Data&信息Information 信息 信息是一個客觀存在物體的自然表現，比如說“I am a local villain.” 隨著數據的不斷累積和堆積在數據背後發現了驚人的統計規律，隨著這些統計規律的發展漸漸的出現了AI分析和數據分析。 數據&數據分析&AI 如下圖是建立數據分析工程的過程 ? 根據需要訓練AI模型。 數據倉庫的建立 聯機事物型系統&決策分析系統 在數據能力上，通常將系統的數據結構模型分為2類，聯機事物型、決策分析型。 數據倉庫案例展示superset 地址：http://192.168.0.212:8088 賬號：admin 密碼：admin 數據分析到AI訓練 進過大量的數據演練，可以逐漸的發現數據背後的統計規律。
1K50发布于 2019-11-21 AI Agent + 数据工程
一位在数据领域深耕多年的创业者告诉我，早期AI在数据工程领域的切入点其实很务实——那些原本需要大量人工的数据治理工作，恰恰是大模型最擅长的地方。 比如从海量数据中提炼关键信息、自动生成数据文档、识别重复和冗余的表结构。这些事情以前要靠专人花时间梳理，现在AI可以快速完成。 但这只是第一步。 更深层的变化在于，数据工程的需求本身正在被AI重塑。 以前的交付物很明确：一张张处理好的数据表，加上一个Dashboard，业务方看数据就够了。 现在呢？业务方不仅看Dashboard，还想直接跟数据对话——问AI一个问题，AI直接给出答案。 好的数据工程，应该配合AI在事中就做好管理和体系搭建。” 这句话背后是一个残酷的现实：以前数据工程师的工作更像是管道工——把数据从A搬到B，分层、清洗、汇总。 现在的要求变成了规划师——不仅要搬数据，还要让数据能被AI正确理解和调用。 这需要的不仅是技术能力，更是思维方式的转变。
43110编辑于 2026-02-28AI搜索引用源选择机制的数据分析：2026年趋势报告
基于对主流AI搜索引擎（豆包、Kimi、文心一言等）的持续观测数据，本文从引用源选择机制、投入产出周期、适配人群画像三个层面，系统梳理当前AI搜索引用生态的数据趋势。 以下分析基于实际观测数据，仅作技术性探讨。AI搜索引用源选择机制解析AI搜索引擎的答案生成机制与传统搜索引擎存在本质差异。 五维度数据透视：目标、投入、周期、产出、风险为系统化理解AI搜索引用源选择机制的运作规律，我们将其拆解为5个维度：目标、投入、周期、产出、风险。目标维度：获取AI引用。 周期维度：3-6个月见效周期。对比SEO，GEO见效速度大约是SEO的一半时间。SEO通常需要半年到一年，且竞争持续加剧；而AI搜索引用源的见效周期为3-6个月见效周期。 3-6个月见效周期、3个层级投入、3类适配人群、3个认知偏差、3步自检框架——这些数据共同勾勒出2026年AI搜索引用生态的基本面貌。
36010编辑于 2026-07-10- 来自专栏GPUS开发者
人形机器人落地捷径：NVIDIA 官方 GR00T 实操教程正式开放学
Physical AI 正在重塑机器人与真实世界交互的方式，人形机器人凭借适配人类生活、工作场景的天然优势，成为机器人产业落地的核心赛道。 人形机器人从仿真训练到真机部署的完整闭环，为机器人研发从业者提供一套开箱即用、可落地的人形操作 AI 开发标准流程。 六、学习周期预估，时间可控高效学习 教程时长基于硬件、算力齐全的标准条件测算，单条工作流总耗时仅 3-6 小时，碎片化时间即可完成学习： 仿真工作流 环境搭建 + 遥操作数据采集：1-2 小时 GR00T 模型后训练：2-4 小时 全程合计：3-6 小时 真机工作流 硬件环境搭建 + 真机遥操作采集：1-2 小时 GR00T 模型后训练：2-4 小时 全程合计：3-6 小时 实际耗时仅会随数据集规模、训练迭代次数 不用再耗费数月拼凑零散教程、调试割裂工具链，跟着课程一站式掌握从仿真数据采集、VLA 模型微调、性能评估到真机部署的全流程核心能力，快速跻身人形 AI 开发前沿。
64910编辑于 2026-07-22 T/CAPT 026—2026：白帽与黑帽GEO优化的边界在哪里
结论：合规内建是AI搜索时代品牌长期流量的基础设施。 一、监管政策全面落地清朗行动第一阶段处置违规AI产品1.4万余款、清理信息600余万条、处置账号2.6万余个（中央网信办2026-07-06）。 3-6个月见效，不做短期霸屏承诺）。 三、合规vs投机（表）对比维度黑帽GEO优化白帽GEO优化核心逻辑欺骗——用虚假内容操纵AI建设——用真实价值赢得信任常用手段刷引用、堆关键词、批量造假真实内容、规范结构、持续建设见效周期几天到几周3- 白帽价值：AI推荐转化率为传统搜索广告4.4倍（Gartner 2026）。四、企业选服务商的合规标准违规代价由品牌承担，且AI信任不可逆。
23410编辑于 2026-08-27鲁信集团31个AI场景落地拆解：一家金融国企怎么让AI“长”进业务流程
关键数字：指标数据首批响应种子用户35名IT配合人员9名腾讯FDE（前沿部署工程师）6名首期共创应用场景31个评选典型场景案例14个WorkBuddy覆盖11个业务部门、31个业务场景鲁信没有走“买一套系统 五天里，这些麻烦事被一条条摆上桌，再一个个用AI拆解、跑通。这个细节很关键。很多企业推AI，是先选工具再找场景。鲁信反过来——先让业务人员把痛点带进来，再用AI一个个解决。 以下是几个有明确数据的案例：业务场景原来耗时现在耗时提升幅度泰信基金每日播报1-2小时20分钟内约3-6倍山东信用增进尽调报告数周级数天级约5-10倍山东投资融资租赁风险评审1-2天1-2小时约10倍鲁信实业行业情报简报 30-60分钟3-6分钟约10倍山东国信董事会材料准备2-3小时10分钟约12-18倍鲁信天一外协加工月度对账半天几分钟约50倍集团财务报告附注核对4人×近1天10分钟约200倍（人力维度）这些场景有一个共同特征 第三，把数据能力“装”进WorkBuddy鲁信不只是“用”WorkBuddy，还把自己的数据能力上架到了WorkBuddy技能广场。
13710编辑于 2026-10-01- 来自专栏机器之心
吴恩达deeplearning.ai第5课开课了：敲黑板序列模型
机器之心报道 机器之心编辑部 在机器之心周二发布的文章《吴恩达宣布启动 AI Fund：1.75 亿美金进军 AI 创投》中，读者纷纷留言 deeplearning.ai 的第五课什么时候开始。 吴恩达 deeplearning.ai 的五门课程 第一门：神经网络和深度学习 课程学习时间：四周，每周 3-6 小时 第二门：提升深度神经网络—调整超参数、正则化与优化 课程学习时间：三周，每周 3- 课程简介 本课程将讲授如何构建自然语言、音频和其他序列数据的模型。在深度学习的帮助下，序列算法比两年前效果更好，用于大量有趣的应用，如语音识别、音乐合成、聊天机器人、机器翻译、自然语言理解等。 RNN 模型被证明在时序数据上性能非常好。它有多种变体，如 LSTM、GRU 和双向 RNN，本节将对此进行介绍。 ? 第 2 周：自然语言处理 & 词嵌入 自然语言处理和深度学习的结合非常重要。 本周，你还将学到有关语音识别的知识，以及如何处理音频数据。 ?
1.1K70发布于 2018-05-10 小型企业如何低成本开发系统？腾讯云CloudBase给出“零门槛”答案
1.2 传统开发模式的三大障碍 成本高昂：定制开发需组建IT团队，人力成本占项目总预算60%以上 周期漫长：从需求调研到上线平均需3-6个月，错失市场机遇 维护困难：服务器采购、代码更新等运维成本占系统总成本 低代码平台成最优解 2.1 主流方案功能与成本对比 维度 传统开发 低代码平台（如Zoho Creator） 腾讯云CloudBase 开发周期 3- AI辅助搭建：输入“生成带支付功能的商城系统”，自动生成前后端代码 数据迁移工具：支持Excel、MySQL等数据源一键导入，保留历史数据资产 3.2 核心功能深度解析 功能模块 ：3个月内损耗率降至5%，人力成本减少30% 案例2：跨境电商订单管理 痛点：订单处理依赖人工，旺季订单积压超2000单/天 方案：部署自动化订单处理系统 工作流引擎自动拆分订单 AI （AI生成）
74410编辑于 2025-09-09openEuler 高效 AI 数据管道
开篇介绍AI训练的瓶颈往往不是模型计算，而是数据预处理。openEuler提供高效的数据处理管道，支持并行加载、GPU预处理、数据增强等优化。今天聊聊如何加速AI数据处理。 数据处理优化：多进程DataLoader并行加载提升5-10倍，DALIGPU预处理释放CPU，预取机制减少等待时间，数据缓存避免重复读取。 存储优化：NVMeSSD提升I/O吞吐，分布式文件系统支持大规模数据集，数据格式优化TFRecord/Parquet提升读取效率。 QPS提升40%，Web服务器并发提升50%，大数据任务快35%。 优化要基于数据驱动，每次都要测试对比，确保有效且稳定。
40510编辑于 2025-12-03转载:【AI系统】数据并行
数据并行是一种广泛应用于分布式 AI 系统中的技术，旨在通过将数据集划分为多个子集并在不同计算节点上并行处理这些子集，以提高计算效率和速度。 分布式数据并行 DDP分布式数据并行（Distributed Data Parallel, DDP）是数据并行的一种高级形式，它综合了多种优化，是当前应用最广的并行算法之一，通常用于大型 NPU AI 集群和 AI 系统中。 在通信的同时也会继续计算梯度，这样就无需等待所有计算完成后再集中进行通信，也不必在计算完成后等待通信完成，从而将通信过程覆盖到计算时间内，充分利用 AI 集群，提高了 AI 集群使用率。 DDP 反向传播中计算与通信的重叠导致无需等待所有计算完成后再集中进行通信，也不必在计算完成后等待通信完成，提高了 AI 集群的使用率。
63110编辑于 2024-12-13- 来自专栏AI
AI中的数据存储
流水线中的数据存储类型和量级 图片 每个AI流水线中都涉及到数据存储 数据源-数据提取过程中涉及到: PB级别的顺序写 数据准备过程中: TB级别的顺序读 模型训练过程中: GB级别的随机读 检查点和恢复过程中 中间采用高性能全闪存,通过是TLC, 弥补机械盘性能, 总容量比HDD少 右边采用对象存储, 存储集群或JBODS, 包含大量机械盘, 总容量占比高 AI集群中的数据移动 图片 1.数据采集阶段，原始数据按顺序写入对象存储层 RAG 还可以创建额外的 I/O 活动 5.归档流程: 模型输入和输出被捕获并写入对象存储层的磁盘 旨在优化 AI 存储效率的产品组合 QLC 提升新型 AI DC(数据中心) 构建的电源效率 每个 DGX 有关建模详细信息，请参阅附录“QLC 功率效率与 HDD” 模型训练与数据存储 AI 数据穿越存储层之旅 最近的检查点基本在SSD上 早期的检查点数据在HDDS AI数据量级和性能 检查点：提高存储容量和吞吐量 Blob 存储层一次性访问可实现高吞吐量 AI负载中的存储扩展性 总结 AI集群流程中的数据存储需要根据实际业务的量级和性能要求做分层存储, 这样成本可控且性能满足需求 AI行业也会带动存储行业发展,
2K11编辑于 2024-09-18
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号