-
（47）对象创建模式（上篇）
（47）对象创建模式（上篇） 介绍 模式1：命名空间（namespace） 模式2：定义依赖 3_84模式3：私有属性和私有方法 4Revelation_120模式4：Revelation模式 5_164模式5：链模式 _193总结 （47）对象创建模式（上篇） 介绍 本篇主要是介绍创建对象方面的模式，利用各种技巧可以极大地避免了错误或... -
十九、数据整理（上）
十九、数据整理（上） 在 Pandas 中通过分组应用函数 在 Pandas 中向分组应用操作 在 Pandas 数据帧上应用操作 向 Pandas 数据帧赋予新列 将列表拆分为大小为 N 的分块 在 Pandas 中使用正则表达式将字符串分解为列 由两个数据帧贡献列 从多个列表构建字典 将 CSV 转换为 Python 代码来重建它 将分... -
The History of Artificial Intelligence
The History of Artificial Intelligence History of Computing CSEP 590A University of Washington December 2006 Introduction – Chris Smith The Turing Test – Brian McGuire H... -
装饰器
装饰器 简介（新语法） 装饰器 API（新语法） 类装饰器（新语法） 方法装饰器（新语法） 方法的装饰 为什么装饰器不能用于函数？ 存取器装饰器（新语法） 属性装饰器（新语法） accessor 命令（新语法） addInitializer() 方法（新语法） core-decorators.js 使用装饰器实现自动发布事件 Mixi... -
Writing and Optimizing Go code
Writing and Optimizing Go code When and Where to Optimize How to Optimize Optimization Workflow Concrete optimization tips Data Changes Algorithmic Changes Benchmark Inputs P... -
BERT 上的动态量化（Beta）
BERT 上的动态量化（Beta） 简介 1.设置 1.1 安装 PyTorch 和 HuggingFace 转换器 1.2 导入必要的模块 1.3 了解辅助函数 1.4 下载数据集 2.微调 BERT 模型 2.1 设置全局配置 2.2 加载经过微调的 BERT 模型 2.3 定义分词和评估函数 3.应用动态量化 3.1 检查模型大小 ... -
10 How to Make Comparison Your Teacher
545 2025-05-28 《The Let Them Theory: A Life-Changing Tool That Millions of People Can’t Stop Talking About》[CHAPTER 9] When Comparison Is Torturing You CHAPTER 10 They’ve Always Been Your Teacher Let Them Show That It’s Possible Let’s Talk About You [CHAPTER 9] [Yes, Life Isn’t ... -
11 ChatGPT+翻译
11 ChatGPT+翻译 11 ChatGPT+翻译 以对话的方式进行翻译 ChatGPT可以翻译小段文本，下面是一个例子。 Q：请将以下的英文文本翻译成中文： ChatGPT is underpinned by a large language model that requires massive amounts of data to fu... -
使用torchtext的文本分类
使用torchtext 的文本分类 使用 N 元组加载数据 定义模型 启动实例 用于生成批量的函数 定义函数来训练模型并评估结果 分割数据集并运行模型 使用测试数据集评估模型 测试随机新闻 使用torchtext 的文本分类 原文：https://pytorch.org/tutorials/beginner/text_sentimen... -
LSTM 单词语言模型上的动态量化（beta）
LSTM 单词语言模型上的动态量化（beta） 简介 1.定义模型 2.加载文本数据 3.加载预先训练的模型 4.测试动态量化 总结 LSTM 单词语言模型上的动态量化（beta） 原文：https://pytorch.org/tutorials/advanced/dynamic_quantization_tutorial.html ...
