智能工厂的设计软件 应用场景的一个例子:为AI聊天工具添加一个知识系统 之7 附件(文档)
为AI聊天工具添加一个知识系统
Part1 人性化&去中心化
前情提要
这一次我们暂时抛开前面对“智能工厂的软件设计”的考虑--其软件智能 产品就是 应用程序。直接将这些思维方式和方法论 运用在其具体应用场景中。本文是其中的一个应用场景。
今天用了 一个新的AI助手工具来交流。下面是就这一应用场景和“天意ChatGPT”(自称是ChatGPT 4.0 的直通通道)的Q&A。
在现在各种AI聊天工具层出不穷的今天,我觉得特别需要一个通用的AI聊天工具的图形界面能够为每个聊天者(或一个利益相关者组织)建立自己的知识树,并以认知地图为基础,建立从当前节点导航到其它各个知知识树节点的技术能力分析作为连接或运用成熟的计算机技术(后期会包括其他技术)的 指导和辅助,以优化路径为目标,这样一个软件系统。
项目考虑(文字描述)
分三部分:
- 三端架构(this formal:体系结构)--信息处 信息技术上的哲学统一(基础设施:“道”)(哲学<生态>)
- 三层结构(that relational:层次结构)-- 运行时 运行技术上的认知综合(上层建筑:“器”)(科学<组态>)
- 三方系统(the material:市场结构)--运营流 运营技术上的信念分解(应用行规:“形”)(宗教<模态>)
注:这里的文字只是为Part2 预定的 结构化和形式化 任务目的(我将其称为 “备忘录” requests for commentary )以及为part3 智能化和公理化 的设想的理想目标(我将其称为 “备注项”notes on definition ),在Part1中 会完全被忽略--即文字中不对对它们做任何解释 (--“悬置或挂起” 系统外挂“冠名” ,此时 Part1中的文字描述组成即描述项 都是“裸名”) 也不会提及和使用它们(--“免责或除外”功能内嵌“实名” ,此时Part1中出现的文字 都是 “匿名”)。part 1的文字仅仅是此时此刻想问的问题 questions at this moment
三端架构(this formal:体系结构)--信息技术上的哲学统一(基础设施:“道”)
这个软件系统的架构和要求--简单的说一下三端的架构基础和基础任务:
- 前端基于一个组织架构的提供和人类编辑者的交互(语言处理视图),
- 后端基于一个系统架构提供运行代理服务器(计算机网络模型),
- 中间端基于一个微服务架构提供通用属性的适配器(属性通量调节控制:比如,可执行控制指令集 的适用性 和 具有执行能力的设备的 均衡 等等)
前端:三大任务
总说前端
首先说前端。这个软件不需要自己的聊天工具,而是需要设计一个聊天工具的接口,包括通用的 以及和特定聊天工具对接的。前者(通用接口)将生成用户的知识树节点内容模型,后者将可以从特定聊天工具的聊天文字中提取不同级别和分类的主题、不同种类和侧面的关键字等,作为知识树结构和知识树节点内容的根据。
前端的知识树
由于前端表达的是需求,是决定系统是否有用的关键,所以我们先细化一下前端-从知识树开始。知识树 有三种节点:根茎叶。三种节点分别对应 三级主题:广泛主题theme(逻辑等价),狭义主题subject(概念泛化)和语篇主题topic(存在特化)。
同时,
- 有一个内容提供者工具,(比如各种聊天工具作为 chatWindow 实例 )
- 还有一个内容处理程序(自带语言处理器) 首先将一次聊天主题定位到某个节点上,并对AI聊天工具所做的答复进行分析 如果能正确纳入内容则直接添加,如果不能则标明问题扔给语言处理器)。
对前端来说,语言处理器是关键,他将区分AI聊天工具的问和答中的符号学分支关系( 后缀词典词 '~' :语法/语义/语用 <signs>)、语言学分类关系(中缀概念词'|' : 普通代词/一般术语/技术术语 <notes>)以及 根据后端能力给出的工程学分界关系(前缀索引词‘-’: this/that/the <notions> )
补充说明:
在刚才的描述中为前端需要实现一个语言处理器(前端的核心组件),用于处理一个word的三种“缀” (前缀/中缀/后缀,为word附随的元语言注释)并用不同的元级符号(对应的元语言编程符号)表示('-' /'|' / '~')。
语言处理器 作为前端的核心组件,该组件是知识库的“唯一合法居民”。
前端的三种处理器(三分支并行处理)
下面给出前端需要实现的三种处理器--我们先不进行下一步,而是看看“上一步”以及“同行人”(能和“语言处理器”相提并论的三者--并行处理)。
- 上一步 即“知识库”。前面所说,语言处理器作为前端的核心组件,该组件是知识库的“唯一合法居民”。知识库:一个非正式的术语,指包含一个本体作为一个组件的信息集合。除了本体外,知识库还可以包含以声明性语言(如逻辑或专家系统规则)指定的信息,但也可以包含以自然语言或过程代码表示的非结构化或非形式化信息。
- “同行人”--下面简列(前端需要的,包括“语言处理器”在内的三种处理器):
- 1) 树trees(决策) :知识处理器【顿 仪,利益】- 抽取(组织式) 概念图形(operation-运营期间 全生命周期 加载-表征强化 网页页面):实践法则- 经验数据。 直接包括/本质包含/实质蕴含<面face:括号 - 指 手指指示 法线> =>晚期(成熟期)
- 2)列表Lists(选择): 内容处理器【 渐 仪, 玩具】-提取(分析式) 主题词表(develop -开发阶段 戴明环 提炼 -过程精化 属性面板):科学实验 - 实验证据 三方辩论<方side 符号- 索 绳索准绳 准线>: 差异/差别/区分。=>中间过渡期(成长期)
- 3)网络Networks(判断):语言处理器【不定 仪, 武器】-合取(凝聚式) 谓词系统(run-time运行时 路线图 petri网 转换-路径优化 技术板块 ):理论原则-监测数据。 阿尔法α go 治理 (相干性或先行性 AI instrument ),β try 推理 (相应性或因果性深度学习 effector),γ do 代理(相关性或毗连性 机器学习 agent)。 <层hierarchy:引号- 标 标准标架 基线> =>初期(新生期)。
后端:三个系统
由于我们还没有细致讨论 “后端”,所以现在还不完整是必然的。事实上,在“后端”我们同样会发现也需要一个中间层(猜测应该是 “推理系统”和“证明系统”的中间层“句子系统” )。
后端的具体考虑暂缺。
系统的三端架构总述
在此(前端)基础上,我们仍然“反其道而行之”,给出 目标系统的 三端:
- none:break/continue 中间-二无我(“机chance”):main-target 三跟随(本心或本体心 heart)物自体 : 位置/速度/力 。 无“我”的物质形态( 整体是一个 三位一体triad:逻辑表示”notation“ :: 中介“物质subtance”)
- apply 后端-法我(“器machine”) 法身/化身/报身 三主机( 智脑或智能脑 brain): master-portal constructor / host-window builder / home-page editor。 “法”“我”的社会形态(实体三分法trichotomy :语言符号”signs" :: 内嵌'“描述description” )
- new 前端-人我(“线line”):run-time 三新 创新/ 维新/ 革新 三本位(自性或表面心 mind):划时代/新时期,新纪元( (复 文身) - 标点符号(双亲 句身)-偏旁部首(单子 字身)):生产板/开发板/测试板。 “人”“我”的意识形态(本体三元组triple:数学函数 ”元ary“ :: 外插“概念conception”。它直接表示了一个函数的参数个数,如unary, binary, ternary, 和 n-ary。
前端和后端
两个中心词:“概念” 和“描述”
通过上面的考虑我提取出两个 中心词“概念”和“描述”。
- “概念” (侧重于后端)。前面对后端的描述文字:“后端基于一个系统架构提供运行代理服器(计算机网络模型)...apply 后端-法我(“器machine”) 法身/化身/报身 三主机( 智脑智能脑 brain): master-portal constructor / host-window builder / home-page editor。 “法”“我”的社会形态(实体三分法trichotomy :语言符号”signs“)” )
- “描述”(侧重于 前端 )。文档中对前端的描述: “ 基于一个组织架构的提供和人类编辑者的交互(语言处理视图).....apply 后端-法我(“器machine”) 法身/化身/报身 三主机( 智脑智能脑 brain): master-portal constructor / host-window builder / home-page editor。 “法”“我”的社会形态(实体三分法trichotomy :语言符号”signs“) )。
注1:需要根据这些考虑重现 审视 之前的文档中的描述是否准确(指文档中 “本文提要”这一节中的文字)。
三端的“体”性
目前一定还有很多问题,其中一个原因是因为我们只是提出了 三个中间层 的逻辑关系,却没有明确定位和区分 前端/中端/后端 的完整用意--尤其是中端和后端。此外,由于三端自身的性质决定了三个虽然都有“中间”,但由于结构和形式的不同一定会导致“中间” 的“体”不同(“体”性不同)。
在文档中提到,三端本身分别是 整体三位一体triad ,实体三分法trichotomy和本体三元组triple 。
注意,这里三种不同的“体” 是指 整个后端、中端和前端 的,不只是“中间”的。 整体 triad ,实体trichotomy和本体triple 的三位、三分和三元 的中间 那个 就是 三端架构的 “中间区” 的缩影,由于三端架构的“体”性不同,所以语用、语义和语法均不同。
三层结构(that relational:层次结构)--认知综合(上层建筑:“器”)
“中间”断言
中间区断言:research
我的断言:前端和后端的各自的中间层 形成了 research 的两个面,这两个面将由 “中端”的 中间层提供的结合带来结合。
中间“分区”:时间片段、空间片段和时空片段
关于中端 中间层,实际上对整个系统来说 是“待定”。相应的,前端是“否定”后端是“肯定” (即知识系统的三端架构 在对应各自的三个中间层 整体 支撑一个 三支决策 )。 我之前已经设计了这三个“区”(后端/中端/前端的 中间层 surface)的接口类 分别时:StringProcessor ,ModeAdapter,,CaseFilter。注2:需要 考虑可行性。
中间“区”(片段 )的进一步阐明
更明确的描述应该是:
- 后端中间区(整体 triad 的中间“位”缩影---三位一体的支点“位”。 这里比较特殊 ,需要区别中间位是指倒三角的中心点 --“体心”,另外三个顶点是对等的(称为“面心”),但是底下的那个“位”是 支点 ,是整体 triad 的中间“位” 。所以整个结构中这个中间位 对顶上的两位 是 左右分 --一个时空区域对应于一个时空连续流体的区分),
- 中端中间区(实体 trichotomy 的中间“分”缩影 --实体三分法的中间“分”, 空间的上下文),
- 前端中间区(本体 triple 的中间“元”缩影--本体三元组 的中间“元” ,时间的前后分)。
所以 本项目的整个三端架构中,三端的“中间”区分的分别是: 连续流的 时空(频域或邻域或视域)的左右分, 离散词的 空间(空域)的上下分,出现处的 时间(时域)的前后分。
三套“点”的Tagged-Value
统一标记符号(抽象/具象/实象 ):一个九宫格(元语言注释)
进一步,我们将 三端架构的中间区分 统一称为“标注符号” (一个具象的tag), 形成一个三对具有一个公共中心交点的的一个几何结构,具有全部的4个拓扑 特性(对称性、对偶性、连通性和传递性)。这样无论是前端、中端和后端,当我们忽略几何特征以外的所有其他特征时,无论是 左右 时空片段的 还是上下空间片段的或者是前后时间片段,都是一个严格的相对论,它总是一个变( 因变 ),一个动(应变),但中间的那个重合点总是牢牢地将三者相对固定的“栓”住(“稳固性”)---即:每一对总能保证一个正确的tagged-value (实象)作为 “知识”的 三个分量。所有可以依次作为知识系统的基础
然后,在抽象层(抽象元层 --知识库及组件图 )面为 上面具象的定点、变点、动点(具象模型层--语义网络的拓扑图) 对应设计 锚点、拐点、靶点作为 知识系统的监管控一体化的一个全能Supervisor 。同时在实象层面(实象对象层--认知地图的地形图tops)上对应设计应用程序的 (垂类或列式“列簇”)埋点、(斜线或偏序“序积”)插点和切点(横切关注点或横行 “行矢”) 。这样这个项目(为AI两天工具添加一个知识系统)的设计就基本确定了
本质上这个项目整体由三套“点” 形成一个3*3的九宫格来奠基。
三方(the material:市场结构)--运营技术上的分解(应用行规:“形”)
三个词:
软件技术上的分解:描述description(欠科 family) /概念conception(纯种 species)/物质substance(超属genus)
回过头来看。 前面 已经为前端和后端 抽取出两个词“描述” (兼容泛化和特化的 问题描述语言 )和 “概念”(概念整体运作 的公共逻辑语言。名词“信念notion” --兼具个体包容性和集体团结性的整体一致性 “逻辑等价” )。后者可以映射到 带有元语言注释(九宫格)的 一阶理论格(格上自带四个操作符修订,收缩/扩张/类比 ) ,前者可以简化为 带有一个合取操作的谓词系统(谓词“描述”)。现在还缺中端以及后端的完善。
在为前端和后端 锁定的两个中心词“概念”(命题“作文”的 程序 公共逻辑语言 )和“描述”(谓词“描述” 的 自然 描述语言)的基础上 ,暂时将中端的中心词 锁定在“环境” (情境 “意义”的人工语义网络语言 )。三者的共同性--都需要通过“演算”得到(命题演算/谓词演算/情境演算 )。每种演算 都以本地或局部的 this此岸为输入(A-box,最初是一个条件分支符--条件表达式),远处或全局的彼岸that(T-box。最终是一个原因操作符--执行程序)为输出,中间负责演算的是两个box的连接器(最初是一个 深信不疑的具有自明性的 原语名相(连接弧)通过演算 可能被重新认识或转变为不可信--断开 。或者反过来)
补充:一个条件分支符--条件表达式,一个原因操作符--执行公式,一次推理链接符 --理由陈述句。
进一步阐明:演算 整体上是一个 “bank” 的词扇 。
到现在为止,这个项目设计 是不是基本上可以 进入实现阶段了,或者说在设计阶段该考虑的问题已经考虑的差不多了。最后的演算词扇 为程序设计的 基础。
统一分解和综合: 认知科学的两个内部奠基和三个外部影响
一个符号signs理论是认知科学的适当基础。
认知科学包括哲学,心理学,语言学,人类学,神经科学和人工智能。有人建议神经科学有一天可能为其他分支机构提供合适的基础,而另一些人则建议人工智能可以。但是,这两种观点都是错误的。神经科学和人工智能对其他分支机构也产生了深远的影响。然而,它们两个都受到研究study 认知的外部影响的分支的指导:心理学,语言学和人类学。由于可以从不同的角度研究同一主题topics ,因此认知科学从本质上讲必须是跨学科的。
附注:语言的三级主题(根茎叶)
- Theme:根级 --更广泛主题( NCG最内层嵌套--服务器端session。位于运行时路线图。形式逻辑专项 )
- Suject:茎干级--更狭义主题(客户端cookie 。数理逻辑专项)
- Topic: 叶子级--语篇主题亦即 AI聊天工具的每次新建的一次聊天的主体,使用一个内容模型附加在知识树的末级节点上(NCM的 最外层嵌套 --用户端token。辩证逻辑专项)。要求:动态更新
嵌套概念图 NCG。
概念整体运营逻辑的三个专项运营逻辑,--Term :表征论的意向相关项
三个统一(外部影响- :心理学/语言学/人类学/)
语言文化中的统一:indexical/conceptual/lexical
在我之前的设计中,将三端的中心词确定为 (统一在语言学中 ) 分别是 概念词 conceptual (直接表述--明示。是一个个体自明性约定 或者一个组织 为了共识而达成的规定 ,由文本解释者将泛化概念聚合为分类specified叙词库 --vocabulary)、 词典词lexical(实质蕴含-- 暗示, 是语言和语言所表达的知识之间的桥梁。由词典编纂者分析一个上下文引文的语料库以及在词典、叙词表和术语表中列出语言习惯。--dictionary)、 索引词indexical(本质包含--揭示 ,揭示隐藏在简单的文本或协议之后的复杂性。由逻辑描述者组织为一个左右式公式的术语库 glossary )。 (以上对三种词的描述比较随意,只是为了大致了解它们的立意)。 现在讨论一下是否合理以及程序中如何表示。
注4:这里的话题还缺一个,应该是 “认知科学中的综合”。 三者分别研究三种差异: 系统差异/文化差异/随机差异。
文字解释及其描述格式
上面在分别讨论确定在这个项目中,前端、后端和中端 讨论时 我使用的格式探讨 使用AI聊天工具的 提问者应该怎样描述问题。
希望能根据问题描述文字“猜”出 该描述的 格式、形式、用意等的全部,确保每一个部分都被收集在您给出的描述项中 并指出 有问题或不明确的地方。
问题描述格式分析
前面说过,问题描述除了”自述“形式,还有”资源描述“形式。下面先看前面给出 目标系统的 三端:
- none:break/continue 中间-二无我(“机chance”):main-target 三跟随(本心本体心 heart)物自体 : 位置/速度/力 。 无“我”的物质形态( 整体是一个 三位一体triad:逻辑表示”notation“ )
- 2.apply 后端-法我(“器machine”) 法身/化身/报身 三主机( 智脑智能脑 brain): master-portal constructor / host-window builder / home-page editor。 “法”“我”的社会形态(实体三分法trichotomy :语言符号”signs“)
- 3.new 前端三新-人我(“线line”):创新 维新 革新 三本位(自性 mind):划时代,新时期,新纪元( (复 文身) - 标点符号(双亲 句身)-偏旁部首(单子 字身)):生产板/开发板/测试板。 “人”“我”的意识形态(本体三元组triple:数学函数 ”元“。注:暂时没有找到合适的英文单词,它表示一个函数的参数个数,如unary, binary, ternary, 和 n-ary)
首先,我们看看 source的“自述” (比较严格)和resource的“描述” (相对随意)在格式、形式、结构等的相关描述项中是否一致或者有什么直接关系。这需要先正确给出两者的描述 项 之后再分析。
实际上我是希望通过讨论 完整给出“描述”的描述项,包括不同级别,不同侧面,不同方面及其评估标准和手段。
实际上我是希望通过讨论 完整给出“描述”(这里 具体针对 提问者的问题描述--为的是更好的使用各种AI聊天工具。因为本项目就是“为AI聊天工具添加一个知识系统”)的描述项,包括不同级别,不同侧面,不同方面及其评估标准和手段。
前面我们就在和AI聊天工具的Q&A中如何描述问题(source的自述文件 ),以及如何评判问题回复(resource的描述文件)的质量 并试图通过将其作为内容提供者,通过前端的三种处理器(内容/知识/语言 处理器) 来建立 聊天者的知识树,同时通过 知识系统的三端架构 来提供导航和路径优化能力。两者分别和 两种描述文件有关。
两种描述文件
下面我们继续讨论两种描述文件的形式。我觉得,source(Type() 的类元 )的自述文件 应该被设计为 脚本模板,模板中的“槽” 是 前述 通用接口(用来建模知识树),“槽”通过一个函数式语言声明来陈述 知识树的三种节点;resource的描述文件 应该被设计为一个灵活的模块化框架,要求三种处理模块(分别用来处理 内容/知识/语言。对应三个接口类: 特定聊天工具接口的行为接口、知识树建模的结构化接口,词典编纂的规格接口 )分工协作完成 对聊天过程的帮助和支持 以及知识系统的建立和导航。
补充:source(Type() 的元类metaClass--元语言注释 )的自述文件 应该被设计为 脚本模板,模板中的“槽” 是 前述 通用接口(用来建模知识树),“槽”通过一个函数式语言声明来陈述 知识树的三种节点;resource(Class()的类元 classifier --元数据仓库)的描述文件 应该被设计为一个灵活的模块化框架,要求三种处理模块(分别用来处理 内容/知识/语言。对应三个接口类(Meyhod()的 元编程--元推理技术): 特定聊天工具接口的行为接口、知识树建模的结构化接口,词典编纂的规格接口 )分工协作完成 对聊天过程的帮助和支持 以及知识系统的建立和导航 。
基于这一要求,我们将这个描述进行分层。分三层: 元语言层/模型控件层/对象组件层。每一个层 都有两面side(一面定义软件技术源码source的SPI --技术板块中的-“资源描述文件”,一面声明业务资源resouce的API --网页主页中的--“自述文件”。 独立的两面 )。 显然三种处理器是 对象组件层面上的。根据前面的文字,侧重点是描述 “前端的三种处理器(三分支并行处理)”自身,亦即 应该是“自述文件”,所以我们可以反推出 在对象组件层上 的“自述文件”的描述格式应该有哪些描述项。
分析:我将这个过程称为“反推”。也就是根据文字内容,推出 描述格式的方法。这里”推“法 主要关注内部描述项(即”自述“),而将外部描述项一带而过(基本都会忽略”引入“ 的”背景“ 和 ”前景”,一般仅会简单地 ”取景“ ,并且很不准确很随意)。另外,您对“取景”解释不准确。“取景”指的是 “我”所关注的那部分,剩下的”景“ 才是”背景“和”前景“,之所以能”取景“的原因是”背景“的衬托,我之所以去这样”取景“ 是因为 我有某种愿景。
基于这些考虑--这里指“自述文件”的描述格式,我们选择前面描述文字中最完整的 一行(“3)网络Networks(判断):语言处理器【秘密 仪, 武器】-合取(凝聚式) 谓词系统(run-time运行时 路线图 petri网 转换-路径优化 技术板块 ):理论原则-监测数据。 阿尔法α go 治理(相干性或先行性 AI instrument ),β try 推理 (相应性或因果性深度学习 effector),γ do 代理(相关性或毗连性 机器学习 agent)。 <层hierarchy:引号- 标 标准标架 基线> =>初期(新生期)。”)来看,请给出其描述与格式,然后对比另外两种处理器进行差异分析,并进一步给出一个基本猜测:本来就不同还是 描述不完整有待完善。
这里再次强调:我们是在讨论如何从问题描述文字中 反推出该问题属于哪一层 上的哪一类问题,并进一步推论出该问题描述文字是否准确、完备和全面。基于这些分析,试图能为提问者提供提问指导。
信念: notion 和belief
公理化:“名相”的自明性约定 及 动态组织社区的 共识
这儿还需要有一个共识,就是当一个“名相”(说明:在描述文件中被描述的所有 您的统称)不被用来描述“别人”时,那么,对提问者来说,他就是一个“原语”--不再需要描述的文字,这就意味着 对”提问者“来说, 有已知确定的解释 或者 用法 或者被实现了的。总之,”提问者“确信他”认识“这个东西---尽管可能不是共识。
这里还需要树立一个信念notion(“自明性”约定),就是当一个“名相”(说明:在描述文件中被描述的所有 文字的统称 ,它应该覆盖并不重复覆盖一个提问中的所有单词、词组或短语 )不被用来描述“别人”时,那么,对提问者来说,他就是一个“原语”--不再需要描述的文字,这就意味着 对”提问者“来说, 有已知确定的解释 或者 用法 或者被实现了的。总之,”提问者“确信他”认识“这个东西---尽管可能不是共识。
这里所说的”信念notion(“自明性”约定)“ 正是建立个人知识库和词典库的基础,在此基础上,当多个”个人“组织为一个”利益相关者组织“时,就可以利用他们来虚构一个能”共识“的社区语言。或者反过来,通过虚构一个社区语言来 找到 可以被组织到一个特定“利益相关者组织”中的“个人”
形式化:三支决策
逻辑:
公约
程序
描述文字的具体格式:使用的陈述格式及区分的不同文字块
Source的“自述”
前端:问题描述语言
本文继续完善 “描述” ---现在我们应该可以将它称为 “问题problem描述语言 ”。 它 通过对话框的question 引发 表征的issue 的“涌现” 最终 厘清应用程序的“problem”。即它合并了 ISO七层模型中的上面三层,通过将三层 分别形成 Token/Cookie/Session(三种open-end 端 :中间 --这里应该被设计为用户界面 完成人机交互 /客户端/服务器端) 而构造一个 三嵌套上下文来建立graph(概念图)的三个不同实例 。
整个知识系统目的是为了 让 整个系统 在保证对内逻辑自洽(“逻辑”语言---“概念” 整体运作 ,待讨论)的基础上对外灵活方便( “描述” 语言,现在讨论的问题)。--- 对内逻辑自洽,对外灵活方便。
“反推”和“反证” 及其中间层
到现在为止(前端),这个三嵌套是从最外层向最内层 渗透的,前面说过这是一个 “反推”过程(也可以叫“猜”)并且这个反推 是以 “描述”语言 为基础的。反过来,呈现给使用者(这主要指 提问者)的如果不能被理解,那么就需要被修正(这个过程 我暂且称为“反证”--因为只有否定结论)。 这样的话,“描述”语言 及其程序设计 需要一个中间层来保证"反推"和"反证"的相互作用和效果。
特殊块:“【】”中的文字块
在这些文字的解释中,被讨论忽略了的“【】”中的文字块。
我们这一次的讨论围绕着 "描述“ (比如 一次提问的文字 的描述文字和描述格式和形式等),以期能找到 问题描述 的准确性、完备性和全面性(这三者都是自然语言比较薄弱的环节)。
前面主要是对”自述“ 部分的分析。 刚才在”【】“中的”仪“ (有”仪表“的意思)本质上都是”source“,并分别描述了”source“的三个subtype:effector,instrument,和agent。(原文字中有说明)。其中只有”Instrument“ 的字面义(指称或外延,明示或直接包括)和”仪“一致。 而 ”agent“和”effector“ 分别是”source“的引申义(内涵-暗示 或实质蕴含)和深层义(隐喻 或 本质包含)。
Resource的“描述 ”
一些补充
在为前端和后端 锁定的两个中心词“概念”(命题“作文”的 程序 公共逻辑语言 )和“描述”(谓词“描述” 的 自然 描述语言)的基础上 ,暂时将中端的中心词 锁定在“环境” (情境 “意义”的人工语义网络语言 )。三者的共同性--都需要通过“演算”得到(命题演算/谓词演算/情境演算 )。每种演算 都以本地或局部的 this此岸为输入(A-box,最初是一个条件分支符--条件表达式),远处或全局的彼岸that(T-box。最终是一个原因操作符--执行程序)为输出,中间负责演算的是两个box的连接器(最初是一个 深信不疑的具有自明性的 原语名相(连接弧)通过演算 可能被重新认识或转变为不可信--断开 。或者反过来)
一个条件分支符--条件表达式,一个原因操作符--执行公式,一次推理链接符 --理由陈述句。
进一步阐明:演算 整体上是一个 “bank” 的词扇 。
到现在为止,这个项目设计 是不是基本上可以 进入实现阶段了,或者说在设计阶段该考虑的问题已经考虑的差不多了。最后的演算词扇 为程序设计的 基础。
根据所有讨论和文档给出了修正稿。
后续考虑
我将根据这些讨论整理一份 完整的 描述文字 写成一份文件(修改稿),然后根据文档逐条问答 。同时,从第一个问题开始就建立一个项目程序文件,后面每一条都对逐步修补,最终到问题结构,程序结构也设计完成。
在整理这份修改稿的过程中我将 审视每一个部分,对存疑部分 进行针对性的提问。但必须保证问题具有恰当程度的针对性。如何做到这一点是个问题。
另外提问有两种方法:一是在文档中的相应文字直接列出问题--如果位置明确的话(因为此时问题 和上下文文紧密相关),二是 想到问题就问(这时组织问题语言本身是个问题--英文离开了上下文),根据回答去调整文档的结构和内容。估计 这两种方式 会结合使用。
需要就这两种问题的提问方式约定一个格式。
最后,还需要全面分析前面所有的文档和讨论,对这个项目的可行性以及工作量 和开发难度进行了评估。
Part2 形式化&结构化
(以上是前期考虑到的,下面是为了整理项目文档提出的问题)
特定域模板的 hoc结构
它是特定域模板的 hoc结构。在三端架构中 描述 前端执行公式 的“体”性( body )
特定域模板的 hoc结构(为本项目actors 剧本: 脚本模板)。
祖传代码脚本模板<head><body><boot>中的<body>--一个div标签的内容模型,在三端架构中 描述前端执行公式 的“体”性。
- 集群类clustering 组织式 一个动态社区 百科全书式 循环往复的knowledge组织 (因变或-- 自由创新 尝试自由创新(人工的 主体客体性) 自由意志 )pro hoc
- 分类classification 分析式 一个 内在: 劳动结晶式 动静一源source的分析 (应变或 机会chance--随机应变 自主自立(人为的 - 客体主体性) 自主意识) post hoc
- 聚合类aggregated凝聚式 一个 因果 始终如一的resource和合积聚 ( 不变或连续流统 -以不变应万变 探索自然规律-准绳 间性 自然意念)ad hoc 临时传输方案
特定于领域的模板--一个三套接的hoc结构。这是今天讨论的内容。它是本项目actors 剧本 原型。其地位: 祖传代码脚本模板<head><body><boot>中的<body>--一个div标签的内容模型,在三端架构中 描述前端执行公式 的“体”性。 目的是准备完善出该项目。希望的做法是:我将我给出的附件文档中零散的一些考虑 组成出完整的 描述文字 --写成一份文件(修改稿),然后根据文档逐条问答 。同时,从第一个问题开始就建立一个项目程序文件,后面每一条都对逐步修补,最终到问题结构,程序结构也设计完成。
先完成第一步(“从附件中提取出与项目相关的内容,整理出初步结构,包括关键术语、模块划分以及相关背景信息,并提供一个模板来组织这些信息。”)。
我们可以先看看三端架构中的两段文字:三端架构
一、简述三端的架构基础和基础任务:
- 前端基于一个组织架构的提供和人类编辑者的交互(语言处理视图),
- 后端基于一个系统架构提供运行代理服器(计算机网络模型),
- 中间端基于一个微服务架构提供通用属性的适配器(属性通量调节控制:比如,可执行控制指令集 的适用性 和 具有执行能力的设备的 均衡 等等)
二、三端架构总述
- none:break/continue 中间-二无我(“机chance”):main-target 三跟随(本心本体心 heart)物自体 : 位置/速度/力 。 无“我”的物质形态( 整体是一个 三位一体triad:逻辑表示”notation“ )
- apply 后端-法我(“器machine”) 法身/化身/报身 三主机( 智脑智能脑 brain): master-portal constructor / host-window builder / home-page editor。 “法”“我”的社会形态(实体三分法trichotomy :语言符号”signs“)
- new 前端三新-人我(“线line”):创新 维新 革新 三本位(自性 mind):划时代,新时期,新纪元( (复 文身) - 标点符号(双亲 句身)-偏旁部首(单子 字身)):生产板/开发板/测试板。 “人”“我”的意识形态(本体三元组triple:数学函数 ”元“。注:暂时没有找到合适的英文单词,它表示一个函数的参数个数,如unary, binary, ternary, 和 n-ary)
以上“三端架构” 是对项目 做的横切。这里三种不同的“体”(整体 triad ,实体trichotomy和本体triple) 是指 整个后端、中端和前端 的。 整体 triad ,实体trichotomy和本体triple 的三位、三分和三元 的中间 那个 就是 三端架构的 “中间区” 的缩影,由于三端架构的“体”性不同,所以语用、语义和语法均不同。” 意思是:
以三端架构为“体”,三层结构则描述这些“体”的“性”,并强调了“中间层” 的“分区”:中间“分区”:时间片段、空间片段和时空片段 关于中端 中间层,实际上对整个系统来说 是“待定”。相应的,前端是“否定”后端是“肯定” (即知识系统的三端架构 在对应各自的三个中间层 整体 支撑一个 三支决策 )。 我之前已经设计了这三个“区”(后端/中端/前端的 中间层 surface)的接口类 分别时:StringProcessor ,ModeAdapter,,CaseFilter。注:需要 考虑可行性。
在对项目的水平横切 (三端架构:行矢)和垂直划分(三层结构:列簇)的基础上,后面还给出了 两者的 合取以及合取形成的“序积” 。最后还需要在此基础上,将 九宫格顶上的 列簇和 旁边的行矢 以及由 两者 共同推进的 偏序(序积) 在一个齐次空间中平展为 三种消费者模式(行式、列式和行列一体式),并由Borker 为他们配套 不同的生产者producer。这一部分 就是今天讨论的内容--“特定于领域的模板--一个三套接的hoc结构”。文档中 作为part2--待讨论完善的部分,也是 项目文档的根据。
祖传代码脚本(元语言注释模板)中 主要部分的<body>需要同时考虑--用不同的符号集:1) 水平横切(行矢)和垂直划分(列簇) (需要设计一个类似元素周期表的分类标准standard 来完成分类classification ) 以及 2) 共同推进的序积(需要设计一个 类似双面神结构的 分界准则criterion 完成 聚合 ) 形成的 3)九宫格 ( 三套点 。齐次空间中的三类消费者,需要一个类似圣灵三角形--表示“是”/不是 的倒三角来是定义“名相”--文档中有介绍 ,是逻辑合适的全部描述项 ),最后,为消费者配套不同生产者的broker 需要一个类似petri net的 过程规格specification来完成集群--这个是今天讨论的在Part 2中的待完善内容。 换句话说,我们的讨论最终要让所有 的一切 各就各位并为其准备就绪提供帮助和指导。
补充一下我前面给出的文字中和结构化和形式化有关(实现有关)的三处:
- 1)分类标准 为 元素周期表中每一个元素类 (a-dot“独角兽”--比喻“能动”--动物。知识库的 ‘Component ’ )制定标准,
- 2)分界准则为聚合在 知识树上的每一个节点 (two-side “双面神” 比拟“能活”-活物 知识原则‘Compose’)规定 特征点的选择依据以及特征评估的准则,
- 3)过程规则指导网络集群中的每一台机器(tree-edge“圣灵三角性”象征“能生” --生物,知识 内容‘Correlaive’)如何工作或执行指令。
其中单引号‘’中的三个是观察者观察实体的三种不同方式,是第一性、第二性、第三性的“现状”观察者一个三位一体triad。
我们先撇开这些细节,仍是“反其道而行之”, 看看能不通过认识“Firstness/Secondness/Thirdness” 来锁定 问题(本项目的中心问题)。 首先假设:三者是我们前述的三层结构的中间层 缩影,初始断言是这个中端(无我)中间层(“待定” 时空片段)在文档要求被分析为不能再分的实体, 而对编程来说,就是一阶逻辑形式“Term”(定义一阶逻辑公式语法的形成规则之一)的 项目projection模型 (数学背景是 模型理论--符号逻辑 symbolic logic形式化(形而上学)理论的范畴)同时明确,这个中间层的提出,这是作为构建两边的中心基础而被提出来的。
说到这里,还需要补充一点,“知识” 兼具三者: “能动”(知识会不断进化)、“能活”(知识是一个有机组织)和“能生”(知识可以转化为生产力)。
所以,我设计分别用 ”电话簿“、”户口簿“和”账簿“ 来分别记录 知识兼具的 三项全能( “能动”、“能活”和“能生”)。
用自然语言来说 三者分别是: 离散词(概念词--知识点:语言中所表达的知识 )、出现处(词典词 --运营处:两者之间的桥梁)、连续流(索引词-信息项 :人们用语言 进行交流的信息)。
前者(三种簿册)可以视为官方应建立的正式的标准(制定),后者(三个词组)是民间事实上的标准(收集和调查)。
再简单一点:所谓官方的,实际上就是 formal的,它以能得以贯彻执行为基础, 所谓民间的,可以记为normal,它以面对它的人 能理解为目的。
对程序设计而言:前者基于一个自上而下的 分类体系--(生物遗传基因),后者者需要一个收集差异的自下而上的差异继承路径--(系统继承源流)
也就是 广义和狭义 分类学,共性对齐 和 差异收集 正是两者的不同任务。剩下的就是 为两者 归纳 适用的 应用场景。 这项工作 是 为caseFilter规定的任务。
在项目文档中 给出的三个接口类(StringProcessor,ModeAdapter和CaseFilter。Part 1的重点。)正是用来解决本项目的三大类(Clustering ,Aggregated和Classification。Part 2的重点 )问题的。其中,Part 1 文档中已有很多考虑,但Part 2是今天在准备将Part 1中零散 考虑 进行结构化整理时 提出了 祖传代码的三部,其中间的<body>时,提出了今天的讨论题目“特定域模板的 hoc结构“。其地位是祖传代码脚本模板<head><body><boot>中的<body>--一个div标签的内容模型,在三端架构中 描述前端执行公式 的“体”性。
对”体“性的理解很重要。<body> 就是”体“,不是”体“性。 Part 1的三个接口才会考虑”体“的“性”,在Part 1中 是 通过 ”中端“的”中间层“ 来描述的。
(从我们的讨论可以看出,part 2 的核心就是如何标准化 以及怎样定规则(纯粹理性层面上),Part 1的核心就是大家在怎样做以及为什么等(实践理性上) )
补充:”三端架构中的三种“中间区“ :
- 后端 体心-心 heart ( 充当的form-purpose pairing的map 契约的条件--身份线。 需要收集整理成一个事实上的标准--符合物理规律的 :norm )
- 中端 元心 --心物一元 的 psyche (需要一个人工心理代理Agent 来约定形式化mapReduce步骤的智能合约的资格 --等号线。 要求制定一个正式标准或法律标准--符合整体利益的 :form)
- 前端 面心- 表意心 mind(作为form-meaning pairing的自明性约定--规约的修饰符 --边框线。 需要事先规定一个 文档或上下文 标准 --迎合大众喜好的:term );
上面不同的“心”分别带者不同的规则 :映射规则(陈述原子句的组织机制)、投影规则(描述项Term 的项目模型 ) 、和转换规则(阐述执行公式的调用策略)
Part3 智能化&公理化
数学背景:模型理论(Game Graphs)-语言游戏
三个中心词对应的数学表示:
- n-ary 函数参数arg 个数: 数字number。“物质substance”
- n- adic谓词符号 symbol : 算符operator。 “描述description”
- n-tuple state标记 flag < p1,...,pn>: 量词quantifier。“概念conception”
人工智能中的程序program使用树trees和图graphs来表示游戏。象棋、跳棋和tic-tac-toe可以用有向图来表示,有向图的节点表示游戏的位置或状态,其弧表示从一个状态到另一个状态的移动。一个完整的游戏,称为游戏路径,是从一个开始状态到一个结束状态的定向行走,它决定了一场胜利、失败或平局。
模型理论--游戏理论的语义,介绍一种常见的博弈类型,称为两人零和完全信息博弈(two-person zero-sum perfect-information games)--零和游戏。它们被称为两人游戏,以区别于许多玩家的扑克等游戏;它们是零和游戏,因为一个玩家输给另一个玩家的任何东西都会赢(区别于负和游戏,在负和游戏中,机构house是一个削减(takes a cut)或正和游戏,在正和游戏中创造了新的价值);它们是完美的信息游戏,因为每个玩家都可以随时看到完整的状态(区别于扑克或桥牌,其中隐藏了一些最重要的信息)
- 状态 同一性 评估函数( 身份标识符 条件表达式 )身份线 恒等于 逻辑等价
- 事件 唯一性 截断 执行公式(本体 句子成分资格符 )边框线 约等于 存在特化
- 弧 赋值语句(实体 修饰符 )等号线 等于 概念泛化
按照游戏理论的语义,每个公式p都会确定一个两人零和的完美信息游戏-由Game Graphs所定义的。评估游戏中的两个参与者是提议者(通过显示p为真而赢得游戏)和怀疑者(通过显示p为假而赢得游戏)。在玩游戏时,两个玩家根据以下规则从外向内分析p。规则通过删除量词和布尔运算符来简化公式p,直到公式简化为单个原子为止。
相关文章:
智能工厂的设计软件 应用场景的一个例子:为AI聊天工具添加一个知识系统 之7 附件(文档)
为AI聊天工具添加一个知识系统 Part1 人性化&去中心化 前情提要 这一次我们暂时抛开前面对“智能工厂的软件设计”的考虑--其软件智能 产品就是 应用程序。直接将这些思维方式和方法论 运用在其具体应用场景中。本文是其中的一个应用场景。 今天用了 一个新的AI助手工具…...
智能化人才招聘系统是怎样的?
随着企业规模的扩大和业务范围的拓展,人才招聘成为了企业发展的关键环节。然而,市面上的人才招聘系统琳琅满目,质量参差不齐,许多企业发现,并非所有系统都能满足他们的需求,特别是智能化的需求。今天&#…...
memcached的基本使用
memcached是一种基于键值对的内存数据库,一般应用于缓存数据,提高数据访问速度,减轻后端数据库压力。 安装 这里以Ubuntu为例,其他系统安装方法请看官方文档。 sudo apt-get update sudo apt-get install memcached启动 memca…...
【Unity3d】C#浮点数丢失精度问题
一、float、double浮点数丢失精度问题 Unity3D研究院之被坑了的浮点数的精度(一百零三) | 雨松MOMO程序研究院 https://segmentfault.com/a/1190000041768195?sortnewest 浮点数丢失精度问题是由于大部分浮点数在IEEE754规范下就是无法准确以二进制…...
机器学习中回归预测模型中常用四个评价指标MBE、MAE、RMSE、R2解释
在机器学习中,评估模型性能时常用的四个指标包括平均绝对误差(Mean Absolute Error, MAE)、均方误差(Mean Squared Error, MSE)、均方根误差(Root Mean Squared Error, RMSE)和决定系数…...
2412d,d语言中写汇编
原文 嗨,我只是想共享该要点,它展示了如何在ASM中用D编写你好. D中写汇编非常方便!这是我写的: extern(C) int main() {auto hip "hello D\n".ptr;size_t len 8;//write(1,消息,长度)asm {mov RDX, len;//缓冲长度mov RSI, hip;//消息缓冲mov EDI, 1;//Stdout文描…...
急救复试英语口语第一招:confidence
自信与内容是成功的关键 复试是每个考生面临的一道重要关卡,尤其是对于需要进行英语口语测试的同学而言,如何在有限的时间内展示自己的英语能力和综合素质,成为了一个关键问题。今天我们将从两个方面为大家分享应对复试英语口语的技巧&#…...
深入理解 pytest Fixture 方法及其应用
在 Python 自动化测试领域,pytest 是当之无愧的王者。提到 pytest,不得不说它的一大核心功能——Fixture。Fixture 的强大,让复杂的测试流程变得井井有条,让测试代码更加灵活和可复用。 那么,pytest 的 Fixture 究竟是…...
python实现自动登录12306抢票 -- selenium
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 python实现自动登录12306抢票 -- selenium 前言其实网上也出现了很多12306的代码,但是都不是最新的,我也是从网上找别人的帖子,看B站视频&…...
@RestControllerAdvice注解
RestControllerAdvice 是 Spring 4 引入的一个组合注解,它结合了 ControllerAdvice 和 ResponseBody,专门用于处理 RestController 类型的控制器中的全局异常、全局数据绑定和全局模型属性等问题。在 Spring Boot 中,RestControllerAdvice 通…...
04-微服务02
我们将黑马商城拆分为5个微服务: 用户服务 商品服务 购物车服务 交易服务 支付服务 由于每个微服务都有不同的地址或端口,相信大家在与前端联调的时候发现了一些问题: 请求不同数据时要访问不同的入口,需要维护多个入口地址…...
离线语音识别+青云客语音机器人(幼儿园级别教程)
1、使用步骤 确保已安装以下库: pip install vosk sounddevice requests pyttsx3 2、下载 Vosk 模型: 下载适合的中文模型,如 vosk-model-small-cn-0.22。 下载地址: https://alphacephei.com/vosk/models 将模型解压后放置在…...
Llama 3 后训练(三)
目录 4. 后训练 4.1 建模 图表解读 4.1.1 聊天对话格式 4.1.2 奖励建模 4.1.3 监督微调(Supervised Finetuning) 4.1.4 直接偏好优化(Direct Preference Optimization) 4.1.5 模型平均(Model Averaging&#x…...
Cobbler+kickstart实现批量全自动装机
cobbler简介 cobbler 是一个系统启动服务boot server,可以通过pxe得方式用来快速安装,重装系统,支持安装不同linux发行版和windows。这个工具是用python开发,方便小巧,15k行代码,使用简单得命令完成pxe网络安装环境…...
【Pandas】pandas Series at
Pandas2.2 Series Indexing, iteration 方法描述Series.get()用于根据键(索引标签)从 Series 中获取值Series.at用于快速访问标量值(单个元素)的访问器Series.iat用于快速访问标量值(单个元素)的访问器 …...
optimum-habana 安装 optimum安装
目录 git地址: 运行必须参数设置 git地址: https://github.com/huggingface/optimum-habana git clone 以后 cd optimum-habana pip install . 运行必须参数设置 hpu改为 cuda, output = subprocess.run("pip list | grep habana-torch-plugin",shell=True…...
AutoDL服务器深度学习使用过程
前期准备 Xshell,Xftp,Pycharm专业版 step 1:实例开机(无卡or有卡),Xshell连接 新建xshell会话: 登录指令格式为: ssh -p 38076 rootregion-1.autodl.com 在ssh -p 38076 rootregion-1.autodl.com命令中࿰…...
微信小程序:定义页面标题,动态设置页面标题,json
1、常规设置页面标题 正常微信小程序中,设置页面标题再json页面中进行设置,例如 {"usingComponents": {},"navigationBarTitleText": "标题","navigationBarBackgroundColor": "#78b7f7","navi…...
LeetCode算法题——有序数组的平方
题目描述 给你一个按非递减顺序排序的整数数组nums,返回每个数字的平方组成的新数组,要求也按非递减顺序排序。 题解 解法一:暴力解法 思路: 该题目可通过暴力解法解决,即利用for循环遍历数组,对数组每…...
【MyBatis-Plus 核心接口】BaseMapper 和 IService 深度解析
在使用 MyBatis-Plus(简称 MP)进行开发时,BaseMapper 和 IService 接口是我们老朋友了,不知道你会不会跟我一样好奇:为什么实现了 BaseMapper 或 IService 接口,我们就能轻松操作数据库?这背后有…...
SQL 建表语句详解
SQL 建表语句详解 在 SQL 中,创建表(Table)是数据库设计的基础。表是存储数据的基本单位,每个表由行和列组成。创建表的过程涉及到定义表的结构,包括列名、数据类型、约束等。本文将详细介绍 SQL 中的建表语句&#x…...
数据可视化-16. 日历图
目录 1. 日历图的概念 2. 日历图的适用场景 2.1 事件或活动的频率分析 2.2 数据的时间周期性分析 2.3 异常值检测 2.4 绩效监控 3. 日历图的缺陷 3.1 粒度受限于天数 3.2 数据密度过高时候难以解读 3.3 难以比较多个数据集 3.4 周期性较长的数据不易展示 4. 日历图…...
Docker 安装与常用命令
Docker 安装与常用命令 安装 Docker 如果您的系统尚未安装 Docker,可以使用以下命令安装 docker.io: 1. 安装命令: sudo apt install -y docker.io2、安装完成后,使用以下命令检查 Docker 是否成功安装: docker -…...
logback之自定义pattern使用的转换器
目录 (1)场景介绍 (2)定义转换器BizCallerConverter (3)logback配置conversionRule (4)测试效果 前文《logback之pattern详解以及源码分析》已经介绍了pattern,以及…...
Spring Cloud Alibaba2022之Sentinel总结
Spring Cloud Alibaba2022之Sentinel学习 Sentinel介绍 Sentinel是一个面向云原生微服务的流量控制、熔断降级组件。 Sentinel 分为两个部分: 核心库:(Java 客户端)不依赖任何框架/库,能够运行于所有 Java运行时环 …...
期末速成C++【知识点汇总完】
目录 第一章 C特点 命名空间-命名冲突 引用 new和delete 堆和栈 缺省参数 重载/隐藏/覆盖 初始化方式 第二章 面向对象的三大特征 成员变量 成员函数:构造函数和析构函数 访问权限和继承方式 空类 常const 静态static 友元friend 第三章 重…...
从 ELK Stack 到简单 — Elastic Cloud Serverless 上的 Elastic 可观察性
作者:来自 Elastic Bahubali Shetti, Chris DiStasio 宣布 Elastic Cloud Serverless 上的 Elastic Observability 正式发布 — 一款完全托管的可观察性解决方案。 随着组织规模的扩大,一个能够处理分布式云环境的复杂性并提供实时洞察的可观察性解决方…...
手机h5加桌面图标
手机h5应用1,网址浏览器添加到桌面,修改图标 关键代码 <!-- 手机h5加桌面图标 --> <!-- 安卓平台 chrome --> <link relapple-touch-icon-precomposed href<% BASE_URL %>logonew.png> <meta name"mobile-web-app-capab…...
Vue3,什么情况下数据会丢失响应式呢?
一、使用 reactive 定义的数据重新赋值 <template><h1>{{ foo.a }}</h1><h1>{{ bar.a }}</h1><button click"handleClick">点我</button> </template> <script setup> import { ref, reactive } from vuele…...
【Vim Masterclass 笔记03】S03L10 + S03L11:Vim 中的文本删除操作以及 Vim 思维习惯的培养(含 DIY 拓展知识点)
文章目录 Section 3:Vim Essentials(Vim 核心知识)S03L10 Vim 核心浏览命令同步练习点评课S03L11 Deleting Text and "Thinking in Vim" 文本的删除及 Vim 思维习惯的培养1 删除单个字符2 删除一个单词2.1 推广1:D HJK…...
《Java核心技术II》流中的filter、map和flatMap方法
filter、map和flatMap方法 filter filter通过转换产生过滤后的新流,将字符串流转化为只包含长单词的另一个流。 List words ...; Stream longWords words.stream().filter(w->w.length()>12) filter类型是Predicate(谓词,表示动作)类型对象,…...
logback之自定义过滤器
logback有两种过滤器,一种是context中的过滤器叫TurboFilter,是一个全局的过滤器,会影响所有的日志记录。另一种是Appender中的过滤器,只对所在的append有效。两者大同小异,这里我们以Appender的过滤器为例。 &#x…...
【论文阅读笔记】IceNet算法与代码 | 低照度图像增强 | IEEE | 2021.12.25
目录 1 导言 2 相关工作 A 传统方法 B 基于CNN的方法 C 交互方式 3 算法 A 交互对比度增强 1)Gamma estimation 2)颜色恢复 3)个性化初始η B 损失函数 1)交互式亮度控制损失 2)熵损失 3)平滑损失 4)总损失 C 实现细节 4 实验 5 IceNet环境配置和运行 1 下载…...
查看 GitHub 仓库的创建时间
查看 GitHub 仓库的创建时间 1. https://api.github.com/repos/{owner}/{repository}2. curl -s https://api.github.com/repos/{owner}/{repository} | jq .created_atReferences 1. https://api.github.com/repos/{owner}/{repository} REST API endpoints for repositories…...
五种被低估的非常规统计检验方法:数学原理剖析与多领域应用价值研究
在当前的数据分析实践中,研究人员往往过度依赖t检验和方差分析(ANOVA)等传统统计方法。但是还存在多种具有重要应用价值但未受到足够重视的统计检验方法,这些方法在处理复杂的实际数据时具有独特优势。本文将详细介绍五种具有重要…...
mysql重置root密码(适用于5.7和8.0)
今天出一期重置mysql root密码的教程,适用于5.7和8.0,在网上搜索了很多的教程发现都没有效果,浪费了很多时间,尝试了多次之后发现这种方式是最稳妥的,那么废话不多说,往下看: 目录 第一步&…...
【AIGC-ChatGPT职业提示词指令】职业发展的航海指南:在人生的十字路口做出明智抉择
引言 在职业发展的海洋中,每个人都会遇到需要重要抉择的时刻。这些关键节点就像航海中的分岔路口,选择不同的航线可能驶向截然不同的目的地。如何在这些关键时刻做出明智的选择,需要我们既要着眼当下的风向,也要洞察远方的航程。…...
【从零开始入门unity游戏开发之——C#篇39】C#反射使用——Type 类、Assembly 类、Activator 类操作程序集
文章目录 前言一、前置知识1、编译器2、程序集(Assembly)3、元数据(Metadata) 二、反射1、反射的概念2、反射的作用3、反射的核心Type 类3.1 Type 类介绍3.2 不同方法获取 Type3.3 获取type类型所在的程序集的相关信息 4、反射的常…...
如何启动CentOS6远程服务器和进行ssh远程登录?
如何启动CentOS 6远程服务器? 在CentOS 6中,启动远程服务器通常涉及到配置SSH服务和VNC服务,以下是详细的步骤: 配置SSH服务 确认是否安装SSH 首先需要检查系统中是否已经安装了SSH服务,打开终端并输入以下命令&am…...
面向机器学习的Java库与平台
学习Java语言中与机器学习相关的各种库与平台,了解每个库的功能,以及可以用它 们解决的问题。 实现机器学习应用时需要具备的Java环境 Weka:一个通用的机器学习平台 Java机器学习库:一系列机器学习算法 Apache Mah…...
AI大模型语音识别转文字
提取音频 本项目作用在于将常见的会议录音文件、各种语种音频文件进行转录成相应的文字,也可从特定视频中提取对应音频进行转录成文字保存在本地。最原始的从所给网址下载对应视频和音频进行处理。下载ffmpeg(https://www.gyan.dev/ffmpeg/builds/packages/ffmpeg-…...
GAN对抗生成网络(一)——基本原理及数学推导
1 背景 GAN(Generative Adversarial Networks)对抗生成网络是一个很巧妙的模型,它可以用于文字、图像或视频的生成。 例如,以下就是GAN所生成的人脸图像。 2 算法思想 假如你是《古董局中局》的文物造假者(Generator,生成器)&a…...
LeetCode - 初级算法 数组(旋转数组)
旋转数组 这篇文章讨论如何通过编程实现数组元素的旋转操作。 免责声明:本文来源于个人知识与公开资料,仅用于学术交流。 描述 给定一个整数数组 nums,将数组中的元素向右轮转 k 个位置,其中 k 是非负数。 示例: 输入: nums = [1,2,3,...
目标检测入门指南:从原理到实践
目录 1. 数据准备与预处理 2. 模型架构设计 2.1 特征提取网络原理 2.2 区域提议网络(RPN)原理 2.3 特征金字塔网络(FPN)原理 2.4 边界框回归原理 2.5 非极大值抑制(NMS)原理 2.6 多尺度训练与测试原理 2.7 损失函数设计原理 3. 损失函数设计 4. 训练策略优化 5. 后…...
连接github和ai的桥梁:GitIngest
Git ingest GitIngest - 将任何 Github 仓库转变为适合 LLM 的友好型提示文本 (https://github.com/cyclotruc/gitingest) 输入 Github 地址或者名称,GitIngest 就会提供该仓库的总结、目录结构、仓库内容的文本内容 你可以复制这些文本与 AI 大模型更好地对话...
百度贴吧的ip属地什么意思?怎么看ip属地
在数字化时代,IP地址不仅是网络设备的唯一标识符,更承载着用户的网络身份与位置信息。百度贴吧作为广受欢迎的社交平台,也遵循相关规定,在用户个人主页等位置展示账号IP属地信息。那么,百度贴吧的IP属地究竟意味着什么…...
5.系统学习-PyTorch与多层感知机
PyTorch与多层感知机 前言PyTroch 简介张量(Tensor)张量创建张量的类型数据类型和 dtype 对应表张量的维度变换:张量的常用操作矩阵或张量计算 Dataset and DataLoaderPyTorch下逻辑回归与反向传播数据表格 DNN(全连结网络&#x…...
wpf 基于Behavior库 的行为模块
Microsoft.Xaml.Behaviors 是一个用于WPF(Windows Presentation Foundation)的行为库,它的主要作用是允许开发者在不修改控件源代码的情况下,为控件添加自定义的行为和交互逻辑。行为库的核心思想是通过定义可重用的行为组件&…...
【一文解析】新能源汽车VCU电控开发——能量回收模块
一、概述 VCU(Vehicle Control Unit,整车控制器)能量回收功能是新能源汽车(如纯电动汽车和混合动力汽车)中非常重要的一个环节。它主要是在车辆减速或制动过程中,将车辆的部分动能转化为电能,并…...
鸿蒙TCPSocket通信模拟智能家居模拟案例
效果图 一、智能家居热潮下的鸿蒙契机 在当下科技飞速发展的时代,智能家居已如浪潮般席卷而来,深刻地改变着我们的生活方式。从能依据环境光线自动调节亮度的智能灯具,到可远程操控、精准控温的智能空调,再到实时监测健康数据的智…...