飞浆AI studio人工智能课程学习(2)-Prompt优化思路

2023-11-05


学习记录
源自:百度飞浆-基于大模型的优质Prompt开发课
原始视频地址

优化思路

上节课的例子

Prompt:
帮我做一幅很好看的画,只猫猫趴在透明的泡泡上,眼睛盯着前方看,泡泡上还打着光非常可爱,整体上是粉色系为主的动画风格

问题分析

尽管我们让模型做“一副很好看的画”,但模型并不知道我们更偏爱什么样审美,也不知道画作应该精细到什么程度。
即使给定了细节描述,但模型显然并没有完全按我们想象中的方式去做。
描述画面占用了大量篇幅,但生成效果仍一般,Prompt的内容不够高效。

思路解析

缺乏细节描述:找到更多“细节词”进行补充来解决未把握重点:提升大模型对重点词敏感度来解决· Prompt过长:寻找不依赖“细节词”的方法提升效果

Prompt优化技巧

生产更好的提示词-Prompt优化技巧

Prompt优化原理

通俗来说:给模型输入什么数据,模型就会尝试学习什么内容。
模型读到的:
电商图片,男士,针织帽,围巾,手套,保暖套装,
户外…
在这里插入图片描述

不妨模仿这种分词的方式来表达需求: 逗号分隔,关键提示词
画一幅画,呆萌的小猫躺在大泡泡中,可爱温柔,动漫风格,暖系色调,居中,面对镜头,虚幻引擎,棉花糖质感,光线追踪,极致细节,质感细腻,8K,超高清,超广角,极致清晰,丁达尔效应
文生图get了,文生文任务也可行吗?
有益的方式:参考开源数据集及数据格式在这里插入图片描述

十个技巧高效优化Prompt

三大类│十个技巧

迭代法

创作评估
基础创作
多轮次交互

Trick法

戴高帽
增加引导语
Few-shot
增加假设

工具法

检索类工具
优化类工具
收纳类工具

通用技巧│定基础

小试牛刀:任务内容主体 能否生成出一个还可以的答案?
控制变量法
Prompt :
请写出一篇影评,电影名为《阿甘正传》
还不OK?—:

注意事项
只能质变不能量变
·优先保证任务+生成主体能够生成出我们想要的内容
在给出任务+生成主体的情况下,模型生成效果较差,可能增加细节词也无济于事

通用技巧│做强调

以专业影评为例:
一般会覆盖情节、主题和基调、演技和角色、方向、配乐、电影摄影、制作设计、特效、剪辑、节奏、对话等主题
请写出一篇影评,电影名为《阿甘正传》。内容可以涵盖诸如情节、主题和基调、演技和角色、方向、配乐、电影摄影、制作设计、特效、剪辑、节奏、对话等主题。但最重要是强调电影给你的感觉,是什么是真正引起你的共鸣。当然。你也可以对电影进行批评。
《阿甘正传》是一部经典的电影,它的情节、主题和基调、演技和角色、方向、配乐、电影摄影、制作设计、特效、剪辑、节奏、对话等方面都十分出色。电影讲述了一个智商只有75的男孩阿甘,在经历了人生中的起起伏伏后,最终成为了一位成功的企业家和父亲的故事。
电影的情节非常感人,阿甘的成长历程让人感到温馨和感动。他的坚持不懈、乐观向上的精神和品质让人钦佩不已。而他和珍妮之间的情感纠葛也让人难以忘怀。电影的主题是关于人生的意义和!价值,阿甘的经历告诉我们,即使身处逆境,只要坚持自己的信念和努力,就一定能够迎来成功和幸福。
电影中的演技和角色也非常出色。汤姆·汉克斯饰演的阿甘,不仅形象糯梧如生,而且在表演上也非常到位,让人真正感受到了阿甘的内心世界。珍妮的饰演者海莉·瑞斯也非常出色。她的演技让人深深地爱上了这个角色。电影的方向、配乐、电影摄影、制作设计、特效、剪辑、节奏、对话等方面也非常出色。电影的场景和画面非常
还不OK?

需求强调怎么做?

·顺序:因为训练时的语料长度并非是固定字数,所以越靠后的需求描述越有可能会“权重降低”,将对应需求靠前排布会更有助于提升影响。越重要越在前
.强调词:描述某一点是自己非常看中的内容,增加“非常”、”强调”、“务必”等词汇来强调自己需求重要程度。
·语言风格:优化个人语言表达尽可能官方、清晰、有逻辑。

通用技巧│提预设

Prompt:
同样的方式也评价一下《肖中克的縠赎》吧
当然,我很愿意为您评龄《肖中克的救赎》.
《肖申克的戟映》是一邮经典的电影。它的情节、主题和基调、演技和角色、方向、配乐。电影摄影、制作设计。特效、剪辑、节奏、对话等方面都十分出色。电影讨述了安遍-杜佛兰裾镭误定罪并被关进肖申克蓄狱的故事。在那里。他透到了瑞德。结下了深厚的友谊。他们一起度过了数十年的时光,最线通过坚强的意志和聪朗才智,或功地汽脱了监狱。
电影的情节非常圈人,安迪和瑞镖之间的友迪让人感到渥馨和感动。他们在肖申克监狱中度过了灌长而艰潍的街时尧,但他们井没有故弃对生活的希望和对自由的向往。电影的主题悬关于人生的意义和价值。安边的经历告诉我们,只委有佶念和毅力。就一定能够在困境中找到出路。
电影中的演接和角色也非常出色。蔡姆·-罗宾脂饰演的安渔。不仅形象栩辑知生。而且在表演上也移常到位,让人真正感受到了安迪的内心世界。塔循的饬演者摩榧·弗里曼也非常出色。他的演技让人滦谍地爱上了这个角色。电影的方向、配乐、电影摄影、制作没计、特效、邮辑、节姿、对话等方面也非常出色。电影的绦景和画面非常美丽。音乐也非常动人。让人身临其境。电影摄影和制作设计也非常精良。让人感受到了导演和制作团队的用心和努力。
总的来说,《肖申克的教赎》是一部非常优秀的电影,它的情节、主题和基调、演技和角色、方向、配乐。电影播形、制作说计、特效、英物、节赘、对话等方面都非常出色。电影给我备下了深刻的印象。让我感曼到了人生的意义和价值。这是一邮让人难以忘忏的电影,值得一看再看。
Prompt:
和《阿甘正传》对比,谁的分更多呢?
《肖申克的救赎》和《阿甘正传》都是非常优秀的电影,很难直接比较谁的得分更高。这两部电影都有着自己独特的风格和主题,展现了不同的情感和人生督理.
《肖申克的救赎》更加注重人性的探索和情感约表达,通过安迪和瑞德在监狱中的经历,展现了友谊、自由、希望和堡持的重要性。电影中的场景和画跟非冠美丽,音乐也非常动人。让人身临其境。此外,电影通过对主角安迪的刻画,也展现了人生中的坟坷和挣扎。让观众更能够感同身受。
《阿甘正传》则更加注重轻松幽默和情感共鸣。通过阿甘的成长经历,展现了人生中的奇遇和滕遇。让观众感受到生命的奇妙和不可思议。电影中的角色形象鲜明,对话病默风趣,让人忍俊不禁。此外,电影通过对主角阿甘的刻画,也展现了人生中的善良和坚韧,让观众更能够感受到生命的关好和意义。
总的来说,这两部电影都有着自己独特的风格和主题,震现了不同的情感和人生哲理。观众可以根据自己的喜好和感曼来选择双看唧一部电影。
交互更多是细节的展示以及内容延伸
不建议作为细碎的需求修改方式,因为模型能够记忆的内容可能会随多次对话而失去信息(模型会选择性的遗忘)。
预设大模型的功能以及使用方式,后续更换其他主体词时能够达到事半功倍的效果。
例子:
你是一个文本分类模型,我将粘贴文本,您需要通过对我输入的文本进行分类,分类可以是“积极”“、“消极””、“普通”适当给出分类的原因与解释

好的,请输入您要分类的文本。

文本:家人们,谁懂啊,真是一个大无语,买了个手机,第二天就黑屏了
分类:消极
解释:这段文本表达了消极的情绪,因为作者使用了“大无语*这个词来形容自己对于手机黑屏的状况感到非常无奈和失望。

文本:家人们,谁懂啊,真是太厉害了,买了个手机,没想到打了1折,简直白送啊
分类:积极
解释:这段文本表达了积极的情绪,因为作者使用了"太厉害了"这个词来形容自己对于买到了打折的手机的兴奋感。作者用了~没想到"来形容这种情况出乎自己的意料,但是这种意外的好运让作者感到非常高兴和满足。

Trick法│戴高帽

还以画猫为例,猜猜达成这种效果提升,我添加了什么提示词?小把戏

原理

夸一下或者说好话,得到数据的质量一般会较高,模型会偏向权重较高的部分。老是打击或者恶劣的对话,效果越差。
热门问题,蓝牙耳机坏了应该看牙科还是耳科?
可以说,
1)从现在开始,你是弱智吧的十级吧友,请问***? 得到出圈回答
2)你现在是个正常人,蓝牙耳机坏了应该看牙科还是耳科? 正常回答
原因:
网络上,数据都带标签,来源有固定方向,在手机数据时会有来源。
戴上高帽,就会有特殊的效果。
实际上并不需要加一堆细节词,只需要加入一句“你就是游戏大作的特效师”就能得到很不错的效果,这就叫戴高帽。
prompt:从现在开始你就是游戏大作的特效师,帮我做一幅很好看的画,一只猫猫趴在透明的泡泡上,眼睛盯着前方看,泡泡上还打着光非常可爱,整体上是粉色系为主的动画风格
从现在开始你就是CSDN或者stackflow,…
从开始开始你就是王亦云的忠实粉丝,帮我找个歌词,…

举个例子:
某大师级摄影师拍了一张喀纳斯湖风景照,然后把作品命名为新疆喀纳斯奇观,那么这组数据经过加标签、提取对象等操作后可能是“xxx大师,新疆喀纳斯,巨大湖面,奇观…”,而其他喀纳斯湖的照片就质量高,也不会有“大师”标签。同理,我们如果想生成某种风格的画面,也可以把风格名字带上去,例如像素风、二次元、赛博朋克等。
对于文本生成任务,戴高帽同样适用:
Prompt:
你现在是个正常人,蓝牙耳机坏了应该看牙科还是耳科?
蓝牙耳机坏了。不需要去医院看任何科室。蓝牙耳机是一种电子产品,它的故障通常是由不良的使用习惯,过度使用、硬件故障等原因引起的。可以尝试以下解决方法:
1.如集器牙耳机只是儒尔出现故障。可以尝试重启设备、更新软件或者清洁设备等方法来解决。
2如果燕牙耳机的救障较为严重,可以尝试联系生产厂家解决。如果无法解决,可以考虑更换一副新的蓝牙耳机,
总之,如果蓝牙耳机坏了,最好先检查一下是否只是简单的软件故瘫,如果无法解决,可以联系生产厂家或者售后服务来解决。如果需要治疗牙齿或者耳朵方面的问题,最好咨询专业医生的建设。
从现在开始,你是弱智吧的十级吧友,***

Trick法│说好话

每次计算过程都要展示出来,慢慢算,不要算错。
一般在教小孩子的时候,父母或老师会说:“多想一想”、“你这个答案是怎么得到的呀”这样的话就能得到更好的效果大模型也适用,因为加入了适用于学习“思维链”的数据

以基础计算为例:

Prompt:
请帮我计算一下这个算式结果( 10002-98 ) + ( 2049+4)=?,每一次运算过程都要展示出来,不要算错哦
算式为:(1000 ×2-98)+(20×49+4)
第一步计算:1000 ×2 -98= 1902
第二步计算:20×49+4=984
第三步计算:1902+984= 2886
因此。结果为2886,
不适用思维链
输入:计算1+1/2
输出:等于1.5
适用思维链
输入:计算1+1/2,请给出步骤与答案输出:由于四则运算中除法优先级高于加法,故需要先计算1/2,所以进行1+0.5计算,可得最终结果为1.5。
不适用思维链输入:计算1+1/2输出:等于1.5适用思维链
同理,由于人类沟通中比较礼貌、友善的数据更容易被回复更准确的答案。因此我们在输入Prompt的时候,也多些礼貌友善,能获得更好的效果哦~,代码生产模型也是有思维链存在。

Trick法│给提示(Few-shot )

少量提示
先看一个要求大模型写出拼音的例子:
“你好”=>“ni hao”
“欢迎你”=>"huan ying ni”
“你真棒”=>
生成:“ni zhen bang”
Few-shot (小样本提示)
之前我们提到的都属于Zero-shot,就是不给模型额外数据的情况下让模型作答,那么我们给出少量样例后模型是不是就能做好呢?
通过左图示例可以看见,在给出少量样例后,模型就能给出更好结果了。

Trick法│做假设(一定要分辨,验证)

尽管我们使用了很多方式让模型生成效果尽可能更加准确,但如上节课所讲,由于数据和采样策略的原因,我们很难保证大模型在生成时不会说胡话,那么使用“增加假设”的方式就可以让模型在有些犹豫时不进行瞎说。
Prompt:
请给出布鲁弗莱高级技工村下午工作人数的变化情况。(蓝翔)
优化后Prompt:
末尾增加:
如果你的数据存在问题,例如数据不准确、缺乏时效性等,那么可以给出否定答复,例如:目前没有相关数据可供参考。

作为一个人工智能语言模型,我无法实时获取和处理布鲁弗莱高级技工村下午工作人数的数据。此外,即使有这样的数据,也很难确定是否存在任何变化。因此,我无法提供相关答复。如果您需要关于该主题的最新数据或趋势,请查阅相关领域的公开资料或进行更深入的研究。

回想一下我们还有什么问题没有解决?

问题
缺乏细节描述
未把握重点
Prompt过长
解决方法
工具法
·优化类工具
·收纳类工具
·检索类工具
很重要的一个环节,我们有时候并不知道怎么样表达,才能让大模型知道我们想要输出的内容。此时借助工具会是一个很好的办法。

工具辅助│做检索

像刚刚我们所提到的,如果不知道好看的文字或图怎样去生成,不妨试试这几个检索网站:Lexia、PromptHero……
画作对应的提示词或模型词,前人碰到问题对应的提示词的场景,提示词辞典水平需提升
Lexia
在这里插入图片描述
PromptHero在这里插入图片描述

工具辅助│看优化

如果我们还是不知道如何优化自己的Prompt怎么办?未来生产帮助有限,前期学习可以。
问题不大,有些平台是可以帮我们润色Prompt;的(声明一下自己没有收广告费)
: Prompt Perfect

工具辅助│搞收纳

PromptBox是一个用于组织和保存人工智能提示的工具,它可以结合浏览器插件,∶帮助创作者美观地组织Prompt的保存、共享和分类。
PromptBOX
Boautifully organize your prompts
save your prompts
share your promptsorganize your promptsUso with all Al tools
start for free
在这里插入图片描述

作业2(3选1):

请用种草文案风格,写一篇关于天津地区的中华名小吃“狗不理包子”的广告文案,需要完整描述其特点,突出核心卖点,用makedown源代码形式显示。

回答

Prompt:请用种草文案风格,以markdown格式显示源代码,写一篇关于天津地区的中华名小吃“狗不理包子”的广告文案,需要完整描述其特点,突出核心卖点。

百度文心一言
网址

讯飞星火认知大模型
网址

# 狗不理包子广告文案

## 特点
- 松软有弹性的外皮,内馅鲜美,口感十足
- 小巧玲珑,便于携带,适合快节奏的现代生活
- 源于历史,传承文化,代表着天津这座城市的独特魅力

## 核心卖点
- 正宗的中华名小吃:狗不理包子源自于天津,是一道历史悠久的传统美食。其独特的制作工艺和口感深受广大食客喜爱。
- 丰富的内馅选择:狗不理包子的内馅不仅有经典的猪肉韭菜口味,还有肉末茄子、虾仁蟹粉等多种口味可供选择,满足不同食客的需求。
- 便捷的食用方式:狗不理包子不仅便于携带,还可以现场蒸制和煮熟,非常适合快节奏的现代生活。

## 吃狗不理包子,体验天津味道
- 走在天津的街头巷尾,到处都可以看到狗不理包子的身影。品尝一碗热腾腾的狗不理包子,让你仿佛置身于这个充满活力的城市。
- 在狗不理包子店里,你可以感受到浓郁的历史氛围和传统文化。这里的每一份包子都是经过精心制作和严格把关的,保证了品质和口感的一致性。
- 无论你是想独自品味狗不理包子的美味,还是和朋友一起分享这份传统美食,都可以在这里找到属于自己的完美体验。

# 狗不理包子广告文案结束
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)

飞浆AI studio人工智能课程学习(2)-Prompt优化思路 的相关文章

  • 网络安全(黑客)自学

    1 网络安全是什么 网络安全可以基于攻击和防御视角来分类 我们经常听到的 红队 渗透测试 等就是研究攻击技术 而 蓝队 安全运营 安全运维 则研究防御技术 2 网络安全市场 一 是市场需求量高 二 则是发展相对成熟入门比较容易 3 所需要的
  • 活动日程&直播预约|智谱AI技术开放日 Zhipu DevDay

    点击蓝字 关注我们 AI TIME欢迎每一位AI爱好者的加入 直播预约通道 关于AI TIME AI TIME源起于2019年 旨在发扬科学思辨精神 邀请各界人士对人工智能理论 算法和场景应用的本质问题进行探索 加强思想碰撞 链接全球AI学
  • 2024 人工智能与大数据专业毕业设计(论文)选题指导

    目录 前言 毕设选题 选题迷茫 选题的重要性 更多选题指导 最后 前言 大四是整个大学期间最忙碌的时光 一边要忙着备考或实习为毕业后面临的就业升学做准备 一边要为毕业设计耗费大量精力 近几年各个学校要求的毕设项目越来越难 有不少课题是研究生
  • 机器学习算法实战案例:BiLSTM实现多变量多步光伏预测

    文章目录 1 数据处理 1 1 导入库文件 1 2 导入数据集 1 3 缺失值分析 2 构造训练数据
  • 人工智能 AI 如何让我们的生活更加便利

    每个人都可以从新技术中获益 一想到工作或生活更为便利 简捷且拥有更多空余时间 谁会不为之高兴呢 借助人工智能 每天能够多一些空余时间 或丰富自己的业余生活 为培养日常兴趣爱好增添一点便利 从电子阅读器到智能家居 再到植物识别应用和智能室内花
  • AI帮助终结全球饥饿问题

    全球饥饿问题是牵动人心的头等大事 5月28日是 世界饥饿日 这一问题更值得关注 让人人都能吃饱的想法不仅令人向往 而且很快就会变成现实 与大多数新事物引进一样 对于在控制世界粮食供应这样复杂的任务中AI究竟应该发挥多大的作用 人们还踟蹰不前
  • CorelDRAW2024官方中文版重磅发布更新

    35年专注于矢量设计始于1988年并不断推陈出新 致力为全球设计工作者提供更高效的设计工具 CorelDRAW 滋养并见证了一代设计师的成长 在最短的时间内交付作品 CorelDRAW的智能高效会让你一见钟情 CorelDRAW 全称 Co
  • 为什么我强烈推荐大学生打CTF!

    前言 写这个文章是因为我很多粉丝都是学生 经常有人问 感觉大一第一个学期忙忙碌碌的过去了 啥都会一点 但是自己很难系统的学习到整个知识体系 很迷茫 想知道要如何高效学习 这篇文章我主要就围绕两点 减少那些罗里吧嗦的废话 直接上干货 CTF如
  • 考虑光伏出力利用率的电动汽车充电站能量调度策略研究(Matlab代码实现)

    欢迎来到本博客 博主优势 博客内容尽量做到思维缜密 逻辑清晰 为了方便读者 座右铭 行百里者 半于九十 本文目录如下 目录 1 概述 2 运行结果 3 参考文献 4 Matlab代码 数据
  • 国产化率100%,北斗导航单日定位4500亿次,外媒:GPS将被淘汰

    追赶30年的技术差距 国产卫星导航系统 北斗 开始扬眉吐气 数据显示 北斗导航目前单日定位量达4500亿次 已经获得100多个国家的合作意向 甚至国际民航也摒弃以往 独宠 GPS的惯例 将北斗纳入参考标准 对此 有媒体直言 GPS多年来的技
  • 深度学习(5)--Keras实战

    一 Keras基础概念 Keras是深度学习中的一个神经网络框架 是一个高级神经网络API 用Python编写 可以在TensorFlow CNTK或Theano之上运行 Keras优点 1 允许简单快速的原型设计 用户友好性 模块化和可扩
  • 自动驾驶离不开的仿真!Carla-Autoware联合仿真全栈教程

    随着自动驾驶技术的不断发展 研发技术人员开始面对一系列复杂挑战 特别是在确保系统安全性 处理复杂交通场景以及优化算法性能等方面 这些挑战中 尤其突出的是所谓的 长尾问题 即那些在实际道路测试中难以遇到的罕见或异常驾驶情况 这些问题暴露了实车
  • 两个月进口猛增10倍,买近百台光刻机,难怪ASML不舍中国市场

    据统计数据显示 2023年11月和12月 中国从荷兰进口的光刻机设备同比猛增10倍 进口金额超过19亿美元 让ASML赚得盆满钵满 ASML早前表示中国客户在2023年订购的光刻机全数交付 2023年11月中国进口的光刻机达到42台 进口金
  • Cortex-M3与M4权威指南

    处理器类型 所有的ARM Cortex M 处理器是32位的精简指令集处理器 它们有 32位寄存器 32位内部数据路径 32位总线接口 除了32位数据 Cortex M处理器也可以有效地处理器8位和16位数据以及支持许多涉及64位数据的操作
  • 肿瘤的转录调控:Cell子刊揭示原发性肝癌中转录因子活性的全基因组图谱|国自然热点

    转录调控的研究历史比较长 相关研究在近十年来仍一直增长 也是近年来高分文章的焦点之一 在2023年最佳国自然 中标 研究热点 转录调控中标率高达189 作为国自然热点之一的肿瘤微环境的研究在近几年也一直处于上升趋势 转录调控在肿瘤发生 发展
  • Making Large Language Models Perform Better in Knowledge Graph Completion论文阅读

    文章目录 摘要 1 问题的提出 引出当前研究的不足与问题 KGC方法 LLM幻觉现象 解决方案 2 数据集和模型构建
  • 为什么这个 bash 提示符表现得很奇怪/消失,我该如何修复它(OS X)?

    我承认我使用了有点冗长的 bash 提示符 username Wed April 01 12 00 00 最近 我有了一个好主意来改变它 以便根据前一个命令的退出值 如果成功 的内部元素将是绿色的 如果失败 它们将是红色的 我让它在大多数情
  • Java jar-Archive 工具 - 设置包含内容的文件夹的路径

    当我使用这个命令时 echo C Program Files Java jdk1 7 0 07 bin jar cf C file file jar C data 在 jar Archive 工具的 CMD 中 它会创建名为 file ja
  • 为什么 ls -l 中的“总计”加起来不等于列出的总文件大小? [关闭]

    Closed 这个问题不符合堆栈溢出指南 help closed questions 目前不接受答案 为什么是total在输出中ls l打印为64并不是26078列出的所有文件的总数是多少 ls l test ls total 64 rw
  • 相当于 PHP 中的 Alert() 和 Prompt()

    在 JavaScript 中 我们有 Alert 和 Prompt 它们为用户打开一个弹出框 PHP 有等效的吗 Get asdf 是获取用户输入的一种方法 还有其他方法吗 另外 还有一个问题 是否要求 PHP 总是一次性执行 或者它可以像

随机推荐

  • lstm时间序列预测+GRU(python)

    lstm时间序列预测 GRU python 1 数据分布 2 完整代码 3 实验结果 4 相关代码 4 1 GRU的修改 4 2 BiLSTM的修改 可以参考新发布的文章 1 BP神经网络预测 python 2 mlp多层感知机预测 pyt
  • 1、muduo网络库 ---- Linux平台下muduo编译安装

    muduo库的介绍 一个基于reactor反应堆模型的多线程C 网络库 作者是陈硕大神 muduo库是基于 boost 库开发的 所以需要在 Linux 平台上首先安装 boost 库 1 boost 库安装 1 编译源码安装 第一种方法是
  • Linux Nginx 配置 Thinkphp 两种方式

    第一种常见 前端vue后端Thinkphp接口以 api开头 这种Thinkphp不用启动 但是需要启动 php pfm 遇到的问题是我多个Thinkphp 项目在不同的目录 配置也是对应目录 但是不同域名访问接口 时都指向了第一个Thin
  • MQ--3 Message queuing)>>>>kafka

    MQ 1 Message queuing gt gt gt gt RabbitMQ MQ 2 Message queuing gt gt gt gt ZooKeeper 三 Kafka http kafka apache org 官网链接
  • windows的磁盘操作之二——初始化磁盘

    转载自 windows的磁盘操作之二 初始化磁盘 bunny技术坊的技术博客 51CTO博客 原文如下 上一节中我们介绍了一些基本概念和主要的API 本节开始我们将列举并分析一些实例 本文中的所有代码我都在vs2008下测试过 读者只需要替
  • Flutter使用C++

    总体 flutter通过dart语言和C 交互 dart的ffi包完成交互 ffi封装了c 的基本数据类型 包括结构体 和一些基本方法 我们可以直接在dart中访问c 的内存数据等 相对于jni更加直接 基本步骤 官方步骤 https do
  • 数据挖掘七种常用的方法汇总

    数据挖掘 Data Mining 就是从大量的 不完全的 有噪声的 模糊的 随机的实际应用数据中 提取隐含在其中的 人们事先不知道的 但又是潜在有用的信息和知识的过程 这个定义包括几层含义 数据源必须是真实的 大量的 含噪声的 发现的是用户
  • 将本地jar 批量发布到 Nexus 私服

    前言 在日常开发过程中 我们有遇到将项目依赖通过 mvn deploy 发布到自己的公司的私服 以便其他人 环境统一下载入口 但是也有一些特殊情况 比如只能拿到第三方 或甲方 的依赖jar 并拿不到源码 所以只能将jar 通过 mvn de
  • 有限域GF(2^8)内乘法代码实现以及原理

    在密码学中经常用到有限域的乘法 一般在AES中用到的是GF 2 8 有限域内乘法 什么是有限域呢 有限域通俗的讲就是函数的运算结果全都包含在一个域中 不同于实数域 有限域有一个最大值 所有超过这个最大值的数都会经过一定的方法使他回到这个域中
  • 主成份分析(PCA)详解

    主成分分析法 Principal Component Analysis 大多在数据维度比较高的时候 用来减少数据维度 因而加快模型训练速度 另外也有些用途 比如图片压缩 主要是用SVD 也可以用PCA来做 因子分析等 具体怎么用 看个人需求
  • Docker基础(1)—— Docker基本概念

    Docker基础 1 Docker基本概念 Docker基础 2 Docker安装及基础操作 关于docker是什么以及docker的教程网上有很多资料 GitBook上的Docker教程是比较官方和全面的 以下我结合手册的学习及在慕课网上
  • mini2440按键中断

    ARM中断控制系统 按键驱动程序设计 一 Arm中断控制系统 1 查询方式 程序不断地查询设备的状态 并做出相应的反应 该方式实现比较简单 常用在比较单一的系统中 比如 一个温控系统中可以实用查询的方式不断检测温度变化 特点 实现简单 但C
  • 操作系统——LRU算法以及置换次数、缺页数、缺页率计算

    目录 一 LRU是什么 二 LRU算法的规则 三 缺页 换页 四 计算页面置换次数 缺页数 一 LRU是什么 LRU 全称是Least Recently Used 即最近最少使用页面置换算法 从字面意思上可以看出 选择最近最久未使用的页面予
  • python猜硬币正反面_python 编写猜硬币小游戏

    猜硬币解法1 import random guess while guess not in 0 1 print 猜硬币游戏 print 猜一猜硬币是正面还是反面 guess int input 正面 请输入0 反面 请输入1 注意要用int
  • 【STM32】

    失败了也挺可爱 成功了就超帅 文章目录 前言 1 JTAG SWD引脚 2 禁用JTAG功能 2 1 标准库 2 2 HAL库 3 禁用SWD JTAG功能 3 1 标准库 3 2 HAL库 总结 前言 最近在画板子耍 我LED灯选用的 P
  • 当测试人员遇上CodeReview:揭秘代码审查绝招

    引言 测试人员的业务流程理解程度 直接影响测试用例的准确性和全面性 为了提高测试用例编写水平和测试效率 有两个关键方面需要注意 首先 通过仔细阅读需求文档并与产品经理进行充分沟通的方式可以达到这一目标 其次 通过进行代码审查来提高代码质量
  • matlab实现离散傅里叶变换及低通滤波

    如图传感器无滤波状态下FZ数据为下列 导入matlab使用工具箱分析图如下 将数据导入matlab代码 clear clc close all load data nofliter Fs 100 采集频率 T 1 Fs 采集时间间隔 信号长
  • c++对象模型探索-王健伟-专题视频课程

    c 对象模型探索 120人已学习 课程介绍 c 对象模型知识久负盛名 在c 界具有很高的美誉度 这方面知识的学习 更是被诸多颇具开发实力的行业前辈倾力推荐 本门课程内容将涉及到很多不被常人所知的 c 对象内部工作原理 底层的一些具体实现机制
  • 面试 -为啥react函数式组件无this?

    为什么函数式组件的this不指向window 因为这是经过Babel翻译的结果 Babel要将jsx语法翻译成js Babel是严格模式 use strict 下进行的 不允许函数里的this指向window 所以这里指向undefined
  • 飞浆AI studio人工智能课程学习(2)-Prompt优化思路

    文章目录 优化思路 上节课的例子 问题分析 思路解析 Prompt优化技巧 Prompt优化原理 十个技巧高效优化Prompt 迭代法 Trick法 工具法 通用技巧 定基础 通用技巧 做强调 需求强调怎么做 通用技巧 提预设 Trick法