当前位置：首页 > news >正文

【pyspark学习从入门到精通24】机器学习库_7

news 来源：原创 2025/7/13 4:13:13

聚类

在出生数据集中寻找簇

主题挖掘

回归

聚类

聚类是机器学习中另一个重要的部分：在现实世界中，我们并不总是有目标特征的奢侈条件，因此我们需要回归到无监督学习的范式，在那里我们尝试在数据中发现模式。

在出生数据集中寻找簇

在这个例子中，我们将使用 k-means 模型在出生数据中寻找相似性：

import pyspark.ml.clustering as clus
kmeans = clus.KMeans(k = 5, featuresCol='features')
pipeline = Pipeline(stages=[assembler,featuresCreator, kmeans]
)
model = pipeline.fit(births_train)

估计模型后，让我们看看我们是否能找到不同簇之间的一些差异：

test = model.transform(births_test)
test \.groupBy('prediction') \.agg({'*': 'count', 'MOTHER_HEIGHT_IN': 'avg'}).collect()

前面的代码产生了以下输出：

嗯，MOTHER_HEIGHT_IN 在第 2 个簇中显著不同。仔细研究结果（这里我们显然不会这么做）可能会揭示更多的差异，并允许我们更好地理解数据。

主题挖掘

聚类模型不仅限于数值数据。在自然语言处理领域，像主题提取这样的问题依赖于聚类来检测具有相似主题的文档。我们将经历这样一个例子。

首先，让我们创建我们的数据集。数据由互联网上随机选择的段落组成：其中三个涉及自然和国家公园的主题，其余三个涵盖技术。

text_data = spark.createDataFrame([['''To make a computer do anything, you have to write a computer program. To write a computer program, you have to tell the computer, step by step, exactly what you want it to do. The computer then "executes" the program, following each step mechanically, to accomplish the end goal. When you are telling the computer what to do, you also get to choose how it's going to do it. That's where computer algorithms come in. The algorithm is the basic technique used to get the job done. Let's follow an example to help get an understanding of the algorithm concept.'''],(...),['''Australia has over 500 national parks. Over 28 million hectares of land is designated as national parkland, accounting for almost four per cent of Australia's land areas. In addition, a further six per cent of Australia is protected and includes state forests, nature parks and conservation reserves.National parks are usually large areas of land that are protected because they have unspoilt landscapes and a diverse number of native plants and animals. This means that commercial activities such as farming are prohibited and human activity is strictly monitored.''']
], ['documents'])

首先，我们将再次使用 RegexTokenizer 和 StopWordsRemover 模型：

tokenizer = ft.RegexTokenizer(inputCol='documents', outputCol='input_arr', pattern='\s+|[,.\"]')
stopwords = ft.StopWordsRemover(inputCol=tokenizer.getOutputCol(), outputCol='input_stop')

接下来是我们管道中的 CountVectorizer：一个计算文档中单词数量并返回计数向量的模型。向量的长度等于所有文档中所有不同单词的总数，这可以在以下片段中看到：

stringIndexer = ft.CountVectorizer(inputCol=stopwords.getOutputCol(), outputCol="input_indexed")
tokenized = stopwords \.transform(tokenizer\.transform(text_data))stringIndexer \.fit(tokenized)\.transform(tokenized)\.select('input_indexed')\.take(2)

前面的代码将产生以下输出：

如你所见，文本中有 262 个不同的单词，现在每个文档由每个单词出现次数的计数表示。

现在轮到开始预测主题了。为此，我们将使用 LDA 模型——潜在狄利克雷分配模型：

clustering = clus.LDA(k=2, optimizer='online', featuresCol=stringIndexer.getOutputCol())

k 参数指定我们期望看到的主题数量，优化器参数可以是 'online' 或 'em'（后者代表期望最大化算法）。

将这些谜题拼凑在一起，到目前为止，这是我们最长的管道：

pipeline = ml.Pipeline(stages=[tokenizer, stopwords,stringIndexer, clustering]
)

我们是否正确地发现了主题？嗯，让我们看看：

topics = pipeline \.fit(text_data) \.transform(text_data)
topics.select('topicDistribution').collect()

这是我们得到的：

看起来我们的方法正确地发现了所有的主题！不过，不要习惯看到这么好的结果：遗憾的是，现实世界的数据很少是这样的。

回归

我们不能在没有构建回归模型的情况下结束机器学习库的一章。

在这一部分，我们将尝试预测 MOTHER_WEIGHT_GAIN，给定这里描述的一些特征；这些特征包含在这里列出的特征中：

features = ['MOTHER_AGE_YEARS','MOTHER_HEIGHT_IN','MOTHER_PRE_WEIGHT','DIABETES_PRE','DIABETES_GEST','HYP_TENS_PRE', 'HYP_TENS_GEST', 'PREV_BIRTH_PRETERM','CIG_BEFORE','CIG_1_TRI', 'CIG_2_TRI', 'CIG_3_TRI']

首先，由于所有特征都是数值型的，我们将它们整合在一起，并使用 ChiSqSelector 仅选择最重要的六个特征：

featuresCreator = ft.VectorAssembler(inputCols=[col for col in features[1:]], outputCol='features'
)
selector = ft.ChiSqSelector(numTopFeatures=6, outputCol="selectedFeatures", labelCol='MOTHER_WEIGHT_GAIN'
)

为了预测体重增加，我们将使用梯度提升树回归器：

import pyspark.ml.regression as reg
regressor = reg.GBTRegressor(maxIter=15, maxDepth=3,labelCol='MOTHER_WEIGHT_GAIN')

最后，再次将所有内容整合到一个 Pipeline 中：

pipeline = Pipeline(stages=[featuresCreator, selector,regressor])
weightGain = pipeline.fit(births_train)

创建了 weightGain 模型后，让我们看看它在我们测试数据上的表现如何：

evaluator = ev.RegressionEvaluator(predictionCol="prediction", labelCol='MOTHER_WEIGHT_GAIN')
print(evaluator.evaluate(weightGain.transform(births_test), {evaluator.metricName: 'r2'}))

我们得到以下输出：

遗憾的是，这个模型不比抛硬币的结果好。看来，如果没有与 MOTHER_WEIGHT_GAIN 标签更相关的额外独立特征，我们将无法充分解释其方差。

【pyspark学习从入门到精通24】机器学习库_7

目录聚类在出生数据集中寻找簇主题挖掘回归聚类聚类是机器学习中另一个重要的部分：在现实世界中，我们并不总是有目标特征的奢侈条件，因此我们需要回归到无监督学习的范式，在那里我们尝试在数据中发现模式。在出生数据…...

编程日记 2025/7/13 4:13:13

Unity 策略游戏地图上的网格是如何实现的

在Unity中实现策略游戏地图上的网格，主要涉及到地图数据的处理、地图的加载与渲染、以及玩家在地图上的移动与碰撞检测等关键步骤。以下是对这些步骤的详细解释： 一、地图数据的处理收集地图数据：这包括地形高度、地形纹理、建筑物、树木等…...

编程日记 2025/7/10 12:20:52

【MySQL 进阶之路】锁详解

MySQL 锁详解 1. 锁的基本概念锁在数据库中是用来保证数据一致性和防止并发冲突的一种机制。MySQL 中的锁可以分为不同的类型和粒度，每种锁都有特定的使用场景和特点。了解锁的类型、作用以及如何避免锁带来的问题是提升数据库性能和避免数据冲突的关键。 2. 锁…...

编程日记 2025/7/7 20:03:37

RK3588--解码H264(mpp-dec-h264-to-yuv-file)

1. 简介源码下载:https://download.csdn.net/download/mao0514/90096131 本例完成H264格式文件解码，并保存为yuv格式文件。参考mpp_dec_test重写，进行了一部分精简。瑞芯微提供的媒体处理软件平台（Media Process Platform，简称 MPP）是适用于瑞芯微芯片系列的通用媒体…...

编程日记 2025/7/8 20:14:34

解决Conda虚拟环境中pip下载包总是到base环境的问题

conda本地创建的虚拟环境使用pip安装一些包总是安装到base环境中，导致无法正确进行环境隔离，下面是一些解决办法方法一、使用python -m pip安装 1.1、验证虚拟环境的pip版本是哪个版本，如下所示，本人的demo虚拟环境直接使用pip…...

编程日记 2025/7/9 22:30:39

PyCharm 中设置虚拟环境

在 PyCharm 中设置虚拟环境的步骤如下： 1. 创建新项目时设置虚拟环境 1. 打开 PyCharm 并选择 New Project。 2. 在 Location 中指定项目路径。 3. 在右侧的 Python Interpreter 下，选择 New Environment。 Environment: 选择 Virtualenv。 Loca…...

编程日记 2025/7/9 0:03:32

M9484C VXG 矢量信号发生器- 110GHz-

M9484C VXG 矢量信号发生器 - 110GHz- M9484C VXG 是一款矢量信号发生器，在每个通道上提供 2.5 GHz 调制带宽，能够生成高达 54 GHz 的信号。这款 VXG 矢量信号发生器可以组成经过校准和同步的全方位综合解决方案，帮助您更快测试下一代无线…...

编程日记 2025/7/13 1:35:00

机器学习详解(3):线性回归之代码详解

文章目录 1 数据预处理2 构建线性回归模型并绘制回归线初始化方法前向传播：forward_propagation代价函数：cost_function反向传播：backward_propagation参数更新：update_parameters训练方法：train代码运行结果 3 使用Py…...

编程日记 2025/7/13 4:03:45

工业检测基础-工业相机选型及应用场景

以下是一些常见的工业检测相机种类、检测原理、应用场景及选型依据： 2D相机检测原理：基于二维图像捕获，通过分析图像的明暗、纹理、颜色等信息来检测物体的特征和缺陷.应用场景：广泛应用于平面工件的外观检测，如检测…...

编程日记 2025/7/13 4:07:04

标准状态下一个气体分子每秒平均碰撞次数的估算

要估算在标准状态（0C, 1个大气压）下，一个气体分子在1秒内与其他分子的碰撞次数，我们可以使用一些基本的物理和化学原理。这个过程涉及到气体动力学理论，特别是麦克斯韦-玻尔兹曼分布。计算气体分子的平均速率&#xf…...

编程日记 2025/7/10 15:46:36

使用PHPUnit使用本地调试代替远程调试，快速提高开发效率

Laravel 是一个在 Linux 环境下表现非常出色的 PHP 框架，但它在 Windows 环境下可能会遇到一些兼容性和配置问题。为了调试或没试的方便可以在 Windows 环境下进行 Laravel PHPUnit进行本地调试和测试。本地主要针对断点调试效果非常高效。在 Laravel 中&#x…...

编程日记 2025/7/10 21:28:13

Android 镜像模式和扩展模式区别探讨-Android14

Android 镜像模式和扩展模式区别探讨 1、区分镜像模式和扩展模式1.1 扩展屏是否有显示内容1.2 镜像模式显示条件 2、镜像模式界面同屏显示和异屏显示探讨DisplayManagerService启动及主屏添加-Android13 Android主副屏显示-Android14 1、区分镜像模式和扩展模式 LogicalDispla…...

编程日记 2025/7/12 10:30:12

链表头文件大更新！！！

引言原文章:链表简介及自制链表操作头文件_自己写一个链表头文件-CSDN博客。此次更新添加了更多功能，让改头文件更人性化。安装教程见原文章。介绍 linked_list.h 头文件 linked_list.h 是一个 C 头文件，定义了一个模板类 LinkedList&#xff…...

编程日记 2025/7/13 4:02:55

ROS2创建 base 包用于其他模块的参数配置和头文件依赖

Demo 背景 ROS2项目开发中存在以下需求：有多个包需要读取一些共同的配置项(以txt或者yaml形式存在），且依赖于一些公用的utils工具代码(C)。Solution: 创建一个 base_config 包来“存放” 配置文件和公用的头文件。gitee address: Gitee/CDal…...

编程日记 2025/7/13 4:04:31

设计模式の软件设计原则

文章目录前言一、聚合&组合&继承&依赖1.1、继承1.2、组合1.3、聚合1.4、依赖二、单一职责原则2.1、单一职责原则反面案例2.2、单一职责原则反面案例的改进三、接口隔离原则3.1、接口隔离原则反面案例3.2、接口隔离原则反面案例的改进四、依赖倒转原则4.1、依赖…...

编程日记 2025/7/13 4:01:57

【python自动化四】日志打印

我们在进行自动化测试时，需要打印过程日志和结果日志等，这里记录下日志的相关配置。这里我们直接自己新建一个logger。先贴上日志代码如下，可根据需要修改： import logging import os import timefrom logging.handlers import …...

编程日记 2025/7/13 4:01:57

E498 ThinkPHP+MYSQL+LW+纯洁婚纱网站系统的设计与实现源码配置文档全套资料

婚纱网站系统的设计与实现 1.摘要2.开发目的和意义3.系统功能设计4.系统界面截图5.源码获取 1.摘要在互联网和电子商务迅速发展的今天，网络已经是人们日常生活所不可缺少的信息获取渠道，人们日常生活基本已完全被网络所覆盖，互联网影响到各…...

编程日记 2025/7/9 21:23:29

【PostgreSQL系列】列类型从整数转换为 UUID

💝💝💝欢迎来到我的博客，很高兴能够在这里和您见面！希望您在这里可以感受到一份轻松愉快的氛围，不仅可以获得有趣的内容和知识，也可以畅所欲言、分享您的想法和见解。推荐:kwan 的首页,持续学…...

编程日记 2025/7/12 9:44:12

shell脚本实战案例

文章目录实战第一坑功能说明脚本实现实战第一坑实战第一坑：在Windows系统写了一个脚本，比如上面，随后上传到服务，执行会报错原因： 解决方案：在linux系统touch文件，并通过vim添加内容&…...

编程日记 2025/7/13 4:03:45

VAE为什么叫变分（variational），相对于AE有什么区别。

VAE为什么叫变分（variational），相对于AE有什么区别。 VAE为什么叫变分（variational）？VAE相对于AE有什么区别？ VAE为什么叫变分（variational）？ 变分自编码器&…...

编程日记 2025/7/12 14:00:59

Codeforces Round 991 (Div. 3)

补题连接 A. Line Breaks 思路：从头开始累加单词个数，超过m就退出。代码： #include <bits/stdc.h> using namespace std; #define int long longvoid solve() {int n, m, k;cin >> n >> m;vector<string> a(n);…...

编程日记 2025/7/13 4:01:14

红日靶场vulnstark 4靶机的测试报告[细节]（一）

目录一、测试环境 1、系统环境 2、注意事项 3、使用工具/软件二、测试目的三、操作过程 1、信息搜集 2、漏洞利用Getshell ①Struts 2 s2-045漏洞手工利用s2-45漏洞 Msf综合利用 ②Tomcat框架(CVE-2017-12615) ③phpMyAdmin(CVE-2018-12613) 构造语句写入冰蝎木…...

编程日记 2025/7/11 4:57:09

Android上运行OpenCV（Android Studio）

用Android Studio的话，整体来说没什么难的，照着教程来做就好了。【OpenCV】OpenCV库的安装 - Android与OpenCV系列教程_哔哩哔哩_bilibili 主要就是导入module，然后加入依赖。代码只有几行。 if(OpenCVLoader.initLocal()){Toast.makeText(…...

编程日记 2025/7/13 3:56:33

代码随想录算法训练营day50|动态规划12

不同的子序列给定一个字符串 s 和一个字符串 t ，计算在 s 的子序列中 t 出现的个数。、编辑距离中的删除元素，其实就是直接变数字，其只删除原来的较长的数组里的元素递推模拟，使用s的最后一个元素匹配，或者删除…...

编程日记 2025/7/12 7:45:11

图像生成-扩散模型的经典之作DDPM

论文：https://arxiv.org/pdf/2006.11239 项目：https://github.com/hojonathanho/diffusion Denoising Diffusion Probabilistic Models (DDPM) 是一种生成模型，它通过一系列逐步添加噪声的过程将数据点映射到一个简单的先验分布（…...

编程日记 2025/7/11 12:13:14

知识拓展 ?. 连选链操作

?. 连选链操作 ?. 可选链操作符 ?. 是可选链操作符，常用于访问引用类型具有不确定性的内部数据时，比如要访问一个对象中的数组，不确定数组一定有数据就可以使用 ? 取读取它的 length 属性，如果对象没有这个属性也仅会返回 …...

编程日记 2025/7/12 15:45:12

API设计指南：详解HTTP状态码错误解析、HTTP方法及参数命名规则

目录 1、HTTP API规范1.1 原则1.2 协议1.3 版本1.4 路径1.5 HTTP 方法（Method）1.6 过滤信息1.7 参数命名1.8 HTTP 状态码（Response Code）1.9 鉴权 2、状态码2.1 API返回基础规范2.2 常见的 HTTP 状态码2.3 API错误信息应该放到响应…...

编程日记 2025/7/13 0:17:02

【D3.js in Action 3 精译_043】5.1 饼图和环形图的创建（三）：圆弧的绘制

当前内容所在位置： 第五章饼图布局与堆叠布局 ✔️ 5.1 饼图和环形图的创建 ✔️ 5.1.1 准备阶段（一）5.1.2 饼图布局生成器（二）5.1.3 圆弧的绘制（三） ✔️5.1.4 数据标签的添加（四&…...

编程日记 2025/7/10 16:41:27

7. 一分钟读懂“单例模式”

7.1 模式介绍单例模式就像公司里的打印机队列管理系统，无论有多少员工提交打印任务，大家的请求都汇总到唯一的打印管理中心，按顺序排队输出。这个中心必须全局唯一，避免多个队列出现资源冲突，保证打印任务井然有序。…...

编程日记 2025/7/11 16:54:47

如何让谷歌外链看起来更真实？

在SEO优化过程中，外链的自然性往往会被忽视，尤其是在一些急于见效的策略中，外链往往集中在高权重的少数几个网站上，导致外链结构单一且缺乏多样性。这样的外链网络容易让搜索引擎怀疑其真实性，进而影响网站排名。如何才…...

编程日记 2025/7/10 8:34:17

C标签和 EL表达式的在前端界面的应用

目录前言常用的c标签有： for循环 1 表示普通的for循环的 2 常在集合中使用表示选择关系 1 简单的表示如果 2 表示如果。。否则。。 EL表达式格式 ： ${属性名/对象/ 集合} 前言本篇博客介绍 c标签和el表达式的使用使用C标签要引入 …...

编程日记 2025/7/10 7:47:28

Luma 视频生成 API 对接说明

Luma 视频生成 API 对接说明随着 AI 的应用变广，各类 AI 程序已逐渐普及。AI 已逐渐深入到人们的工作生活方方面面。而 AI 涉及的行业也越来越多，从最初的写作，到医疗教育，再到现在的视频。 Luma 是一个专业高质量的视频生成平…...

编程日记 2025/7/10 14:52:21

嵌入式基础：Linux C语言:Day7

重点： strlen()函数\strcpy()函数\strcat实现\strcmp()实现数组的清空：bzero函数、memset函数一、字符数组 <1> 概念字符数组本质上就是一个数组，保存一个个字符，也一般用来保存字符串字符串由多个字符组成的一个字符…...

编程日记 2025/7/11 21:12:15

阿里云盘permission denied

问题是执行 ./aliyunpan 时遇到了 Permission denied 的错误。这通常是因为文件没有执行权限。以下是解决问题的步骤： 检查文件权限运行以下命令检查文件的权限： ls -l aliyunpan输出中会看到类似以下内容： -rw-r--r-- 1 user group 123…...

编程日记 2025/7/12 22:55:16

Flink学习连载文章12--FlinkSQL高级部分

eventTime 测试数据如下： {"username":"zs","price":20,"event_time":"2023-07-17 10:10:10"} {"username":"zs","price":15,"event_time":"2023-07-17 10:10:3…...

编程日记 2025/7/12 13:10:33

缓冲区溢出基础与实践

缓冲区溢出缓冲区溢出是指当计算机向缓冲区内填充数据时超过了缓冲区本身的容量，溢出的数据覆盖在合法数据上。理想的情况是：程序检查数据长度并不允许输入超过缓冲区长度的字符，但是绝大多数程序都会假设数据长度总是与所分配的储存空间相匹…...

编程日记 2025/7/11 16:56:49

matlab figure函数 single 数据类型

1.matlab figure函数详细介绍在MATLAB中，figure函数用于创建新的图形窗口或激活现有的图形窗口。以下是figure函数的详细介绍和用法： 基本用法创建新图形窗口：不带任何参数调用figure会创建一个新的图形窗口，并将其设为当前活…...

编程日记 2025/7/11 2:18:47

量化交易系统开发-实时行情自动化交易-8.15.Ptrade/恒生平台

19年创业做过一年的量化交易但没有成功，作为交易系统的开发人员积累了一些经验，最近想重新研究交易系统，一边整理一边写出来一些思考供大家参考，也希望跟做量化的朋友有更多的交流和合作。接下来会对于Ptrade/恒生平台介绍。 P…...

编程日记 2025/7/12 20:43:20

Vue03

目录一、今日目标 1.生命周期 2.综合案例-小黑记账清单 3.工程化开发入门 4.综合案例-小兔仙首页二、Vue生命周期三、Vue生命周期钩子四、生命周期钩子小案例 1.在created中发送数据六、工程化开发模式和脚手架 1.开发Vue的两种方式 2.Vue CLI脚手架基本介绍…...

编程日记 2025/7/12 23:14:24

【AI学习】Mamba学习（十九）：关于S4-FouT

在前面《Mamba学习（十六）：从S4到S5模型》一文中，提到了S4D-Lin，其具体状态矩阵A的初始化形式为： S4D-Lin对比S4D-Inv是一种更简单的形式，可以看作是对S4-FouT（S4的另外一种变体&am…...

编程日记 2025/7/12 9:14:58

YOLOv5-C3模块实现

YOLOv5-C3模块实现 🍨 本文为🔗365天深度学习训练营中的学习记录博客 🍖 原作者：K同学啊电脑系统：Windows11 显卡型号：NVIDIA Quadro P620 语言环境：python 3.9.7 编译器：jupyt…...

编程日记 2025/7/11 12:37:09

ubuntu下Qt5自动编译配置QtMqtt环境（10）

文章目录 [toc]1、概述2、下载QtMqtt源码3、编译4、验证5、参考6、视频更多精彩内容👉内容导航 👈👉Qt网络编程 👈 1、概述 Qt默认是不包含mqtt库的，如果需要使用到mqtt库就只能自己编译配置； 网络所有的…...

编程日记 2025/7/11 23:42:59

切比雪夫不等式：方差约束下的概率估计

切比雪夫不等式：方差约束下的概率估计背景在概率分析中，切比雪夫不等式是一个常用的工具，它通过引入随机变量的方差信息，给出了偏离均值的概率界限。这一不等式是对马尔科夫不等式的自然扩展，结合了更丰富的分布…...

编程日记 2025/7/12 0:54:00

SIP系列七：ICE框架（P2P通话）

我的音视频/流媒体开源项目(github) SIP系列目录目录一、NAT 1、NAT介绍 2、NAT类型 2.1、完全圆锥型NAT 2.2、受限圆锥型NAT 2.3、端口受限圆锥型NAT 2.4、对称NAT 3、NAT打洞 3.1、不同一NAT下 3.2、同一NAT下二、ICE 三、ICE中的SDP 至此&#x…...

编程日记 2025/7/13 3:28:52

小程序-基于java+SpringBoot+Vue的智慧校园管理系统设计与实现

项目运行 1.运行环境：最好是java jdk 1.8，我们在这个平台上运行的。其他版本理论上也可以。 2.IDE环境：IDEA，Eclipse,Myeclipse都可以。推荐IDEA; 3.tomcat环境：Tomcat 7.x,8.x,9.x版本均可 4.硬件环境&#xff1a…...

编程日记 2025/7/12 11:18:42

Visual Studio 2022创建离线安装包

步骤1： 下载 Visual Studio 引导程序(最新版) 历史版本步骤2 新建文件夹“E:\VS2022”，将下载的“vs_Professional.exe”拷贝到文件夹下在此文件夹窗口按住shift鼠标右键，选择“在此处打开powershell窗口” 步骤3 根据需要将代码复制到…...

编程日记 2025/7/12 14:21:22

Android 实现中英文切换

在开发海外项目的时候，需要实现app内部的中英文切换功能，所有的英文都是内置的，整体思路为： 创建一个sp对象，存储当前系统的语言类型，然后在BaseActivity中对语言进行判断； //公共Activitypubl…...

编程日记 2025/7/12 18:53:02

CmakeLists学习刨根问底

必要的两项内容 cmake_minimum_required(VERSION 2.5)project(mymuduo) 这行代码指定了构建项目所需的CMake最低版本为2.5。CMake是一个跨平台的自动化构建系统，它使用CMakeLists.txt文件来定义项目的构建过程。定义项目的名称为mymuduo。CMake将使用这个名称来生成…...

编程日记 2025/7/12 2:06:36

策略模式实战 - 猜拳游戏

**可以整体的替换一套算法，这就是策略模式。**这样对于同一个问题，可以有多种解决方案——算法实现的时候，可以通过策略模式来非常方便的进行算法的整体替换，而各种算法是独立封装好的，不用修改其内部逻辑。具体的实…...

编程日记 2025/7/11 6:13:56

VoCo-LLaMA: Towards Vision Compression with Large Language Models

视觉语言模型在各种多模态任务上取得了显著的成功，但经常受到有限上下文窗口和处理高分辨率图像输入和视频的高计算成本的瓶颈。视觉压缩可以通过减少视觉令牌数量避免该问题。先前方法使用额外模块压缩视觉令牌并强制LLM理解压缩的令牌。然而，LLM对视觉…...

编程日记 2025/7/12 13:31:12

聚类

在出生数据集中寻找簇

主题挖掘

回归

相关文章：