DeepSeek从入门到精通:全面掌握AI大模型的核心能力
文章目录
- 一、DeepSeek是什么?
- 性能对齐OpenAI-o1正式版
- 二、Deepseek可以做什么?
- 能力图谱
- 文本生成
- 自然语言理解与分析
- 编程与代码相关
- 常规绘图
- 三、如何使用DeepSeek?
- 四、DeepSeek从入门到精通
- 推理模型
- 推理大模型
- 非推理大模型
- 快思慢想:效能兼顾 全局视野
- 提示语策略差异
- 推理模型
- 通用模型
- 关键原则
- 模型选择
- 提示语设计
- 避免误区
- 从“下达指令”到“表达需求”
- 任务需求与提示语策略
- 如何向AI表达需求
- 五、提示语(Prompt)
- 提示语示例
- 提示语类型
- 提示语的本质
- 提示语的类型
- 六、总结
引用
清华大学新闻与传播学院新媒体研究中心, 宇宙文化实验室. (2025). DeepSeek从入门到精通. 余梦珑(博士后主笔). 北京: 清华大学.
一、DeepSeek是什么?
DeepSeek是中国一家专注通用人工智能(AGI)研发的科技公司,基于自主研发的大模型核心技术,提供智能对话助手(如深度求索)、开放平台API接口及企业级解决方案,涵盖智能客服、数据分析、内容生成等场景应用。
性能对齐OpenAI-o1正式版
DeepSeek-R1在后训练阶段大规模使用了强化学习技术,在仅有极少标注数据的情况下,极大提升了模型推理能力在数学、代码、自然语言推理等任务上,性能比肩OpenAI o1正式版。
二、Deepseek可以做什么?
DeepSeek直接面向用户或者支持开发者,提供智能对话、文本生成、语义理解、计算推理、代码生成补全等应用场景,支持联网搜索与深度思考模式,同时支持文件上传,能够扫描读取各类文件及图片中的文字内容。
能力图谱
文本生成
文本创作
- 文章/故事/诗歌写作
- 营销文案、广告语生成
- 社交媒体内容(如推文、帖子)剧本或对话设计
摘要与改写
- 长文本摘要(论文、报告)
- 文本简化(降低复杂度)
- 多语言翻译与本地化
结构化生成
- 表格、列表生成(如日程安排、菜谱)
- 代码注释、文档撰写
自然语言理解与分析
语义分析
- 语义解析
- 情感分析(评论、反馈)
- 意图识别(客服对话、用户查询)
- 实体提取(人名、地点、事件)
知识推理
- 知识推理
- 逻辑问题解答(数学、常识推理)
- 因果分析(事件关联性)
文本分类
- 文本分类
- 主题标签生成(如新闻分类)
- 垃圾内容检测
编程与代码相关
代码生成
- 根据需求生成代码片段(Python、JavaScript)
- 自动补全与注释生成
代码调试
- 错误分析与修复建议
- 代码性能优化提示
技术文档处理
- API文档生成
- 代码库解释与示例生成
常规绘图
SVG矢量图
基础图形/图标/简单插图/流程图/组织架构图
Mermaid图表
流程图/时序图/类图/状态图/实体关系图/思维导图
React图表
折线图/柱状图/饼图/散点图/雷达图/组合图表
三、如何使用DeepSeek?
官网:DeepSeek官网
四、DeepSeek从入门到精通
推理模型
推理大模型
推理大模型是指能够在传统的大语言模型基础上,强化推理、逻辑分析和决策能力的模型。它们通常具备额外的技术,比如强化学习、神经符号推理、元学习等,来增强其推理和问题解决能力。
例如:DeepSeek-R1,GPT-o3在逻辑推理、数学推理和实时问题解决方面表现突出。
非推理大模型
适用于大多数任务,非推理大模型一般侧重于语言生成、上下文理解和自然语言处理,而不强调深度推理能力。此类模型通常通过对大量文本数据的训练,掌握语言规律并能够生成合适的内容,但缺乏像推理模型那样复杂的推理和决策能力。
例如:GPT-3、GPT-4(OpenAI),BERT(Google),主要用于语言生成、语言理解、文本分类、翻译等任务。
维度 | 推理模型 | 通用模型 |
---|---|---|
优势领域 | 数学推导、逻辑分析、代码生成、复杂问题拆解 | 文本生成、创意写作、多轮对话、开放性问答 |
劣势领域 | 发散性任务(如诗歌创作) | 需要严格逻辑链的任务(如数学证明) |
性能本质 | 专精于逻辑密度高的任务 | 擅长多样性高的任务 |
强弱判断 | 并非全面更强,仅在其训练目标领域显著优于通用模型 | 通用场景更灵活,但专项任务需依赖提示语补偿能力 |
快思慢想:效能兼顾 全局视野
1 | 概率预测(快速反应模型,如 ChatGPT 4o) | 链式推理(慢速思考模型,如 OpenAI o1) |
---|---|---|
性能表现 | 响应速度快,算力成本低 | 慢速思考,算力成本高 |
运算原理 | 基于概率预测,通过大量数据训练来快速预测可能的答案 | 基于链式思维(Chain - of - Thought),逐步推理问题的每个步骤来得到答案 |
决策能力 | 依赖预设算法和规则进行决策 | 能够自主分析情况,实时做出决策 |
创造力 | 限于模式识别和优化,缺乏真正的创新能力 | 能够生成新的创意和解决方案,具备创新能力 |
人机互动能力 | 按照预设脚本响应,较难理解人类情感和意图 | 更自然地与人互动,理解复杂情感和意图 |
问题解决能力 | 擅长解决结构化和定义明确的问题 | 能够处理多维度和非结构化问题,提供创造性的解决方案 |
伦理问题 | 作为受控工具,几乎没有伦理问题 | 引发自主性和控制问题的伦理讨论 |
CoT链式思维的出现将大模型分为了两类:“概率预测(快速反应)”模型和“链式推理(慢速思考)”模型。前者适合快速反馈,处理即时任务;后者通过推理解决复杂问题。了解它们的差异有助于根据任务需求选择合适的模型,实现最佳效果。
提示语策略差异
推理模型
- 提示语更简洁,只需明确任务目标和需求(因其已内化推理逻辑)。
- 无需逐步指导,模型自动生成结构化推理过程(若强行拆解步骤,反而可能限制其能力)。
通用模型
- 需显式引导推理步骤(如通过CoT提示),否则可能跳过关键逻辑。
- 依赖提示语补偿能力短板(如要求分步思考、提供示例)。
关键原则
模型选择
优先根据任务类型而非模型热度选择(如数学任务选推理模型,创意任务选通用模型)。
提示语设计
推理模型:简洁指令,聚焦目标,信任其内化能力。(“要什么直接说”)。
通用模型:结构化、补偿性引导(“缺什么补什么”)。
避免误区
不要对推理模型使用“启发式”提示(如角色扮演),可能干扰其逻辑主线。
不要对通用模型“过度信任”(如直接询问复杂推理问题,需分步验证结果)。
从“下达指令”到“表达需求”
策略类型 | 定义与目标 | 适用场景 | 示例(推理模型适用) | 优势与风险 |
---|---|---|---|---|
指令驱动 | 直接给出明确步骤、格式要求 | 简单任务、需快速执行 | “用 Python 编写快速排序函数,输出需包含注释。” | 结果精准高效;限制模型自主优化空间 |
需求导向 | 描述问题背景与目标,由模型规划解决路径 | 复杂问题、需模型自主推理 | 我需要优化用户登录流程,请分析当前瓶颈并提出 3 种方案。” | 激发模型深层推理;需清晰定义需求边界 |
混合模式 | 结合需求描述与关键约束条件 | 平衡灵活性与可控性 | “设计一个杭州三日游计划,要求包含西湖和灵隐寺,且预算控制在 2000 元内。” | 兼顾目标与细节;需避免过度约束 |
启发式提问 | 通过提问引导模型主动思考(如 “为什么”“如何”) | 探索性问题、需模型解释逻辑 | “为什么选择梯度下降法解决此优化问题?请对比其他算法。” | 触发模型自解释能力;可能偏离核心目标 |
任务需求与提示语策略
任务类型 | 通用模型 | 提示语句重点 | 示例(有效提示) | 需避免的提示策略 |
---|---|---|---|---|
数学证明 | 推理模型 | 直接提问,无需分步引导 | “证明勾股定理” | 冗余拆解(如“先画图,再列公式”) |
通用模型 | 显式要求分步思考,提供示例 | “请分三步推导勾股定理,参考:1. 画直角三角形…” | 直接提问(易跳过关键步骤) | |
创意写作 | 推理模型 | 鼓励发散性,设定角色/风格 | “以海明威的风格写一个冒险故事” | 过度约束逻辑(如“按时间顺序列出”) |
通用模型 | 需明确约束目标,避免自由发挥 | “写一个包含‘量子’和‘沙漠’的短篇小说,不超过200字” | 开放式指令(如“自由创作”) | |
代码生成 | 推理模型 | 简洁需求,信任模型逻辑 | “用Python实现快速排序” | 分步指导(如“先写递归函数”) |
通用模型 | 细化步骤,明确输入输出格式 | “先解释快速排序原理,再写出代码并测试示例” | 模糊需求(如“写个排序代码”) | |
多轮对话 | 通用模型 | 自然交互,无需结构化指令 | “你觉得人工智能的未来会怎样?” | 强制逻辑链条(如“分三点回答”) |
推理模型 | 需明确对话目标,避免开放发散 | “从技术、伦理、经济三方面分析AI的未来” | 情感化提问(如“你害怕AI吗?”) | |
逻辑分析 | 推理模型 | 直接抽出复杂问题 | “分析‘电车难题’中的功利主义与道德主义冲突” | 添加主观引导(如“你认为哪种对?”) |
通用模型 | 需拆分问题,逐步追问 | “先解释电车难题的定义,再对比两种伦理观的差异” | 一次性提问复杂度提 |
如何向AI表达需求
需求类型 | 特点 | 需求表达公式 | 推理模型适配策略 | 通用模型适配策略 |
---|---|---|---|---|
决策需求 | 需权衡选项、评估风险、选择最优解 | 目标+选项+评估标准 | 要求逻辑推演和量化分析 | 直接建议,依赖模型经验归纳 |
分析需求 | 需深度理解数据/信息、发现模式或因果关系 | 问题+数据/信息+分析方法 | 触发因果链推导与假设验证 | 表层总结或分类 |
创造性需求 | 需生成新颖内容(文本/设计方案) | 主题+风格/约束+创新方向 | 结合逻辑框架生成结构化创意 | 自由发散,依赖示例引导 |
验证需求 | 需检查逻辑自洽性、数据可靠性或方案可行性 | 结论方案+验证方法+风险点 | 自主设计验证路径并排查矛盾 | 简单确认,缺乏深度推演 |
执行需求 | 需完成具体操作(代码/计算/流程) | 任务+步骤约束+输出格式 | 自主优化步骤,兼顾效率与正确性 | 严格按指令执行,无自主优化 |
五、提示语(Prompt)
提示语示例
提示语(Prompt)是用户输入给AI系统的指令或信息,用于引导AI生成特定的输出或执行特定的任务。简单来说,提示语就是我们与AI“对话”时所使用的语言,它可以是一个简单的问题,一段详细的指令,也可以是一个复杂的任务描述。
提示语的基本结构包括指令、上下文和期望
- 指令(Instruction): 这是提示语的核心,明确告诉AI你希望它执行什么任务。
- 上下文(Context): 为AI提供背景信息,帮助它更准确地理解和执行任务。
- 期望(Expectation): 明确或隐含地表达你对AI输出的要求和预期。
需求类型 | 实战技巧示例 |
---|---|
决策需求 | * 为降低物流成本,现有两种方案: ①自建区域仓库(初期投入高,长期成本低) ②与第三方合作(按需付费,灵活性高) 请根据ROI计算模型,对比5年内的总成本并推荐最优解。 |
分析需求 | * 分析近三年新能源汽车销量数据(附CSV),说明: ①增长趋势与政策关联性; ②预测2025年市占率,需使用ARIMA模型并解释参数选择依据。 |
创造性需求 | * 设计一款智能家居产品,要求: ①解决独居老人安全问题; ②结合传感器网络和AI预警; ③提供三种不同技术路线的原型草图说明。 |
验证性需求 | * 以下是某论文结论:“神经网络模型A优于传统方法B”,请验证: ①实验数据是否支持该结论; ②检查对照组设置是否存在偏差; ③重新计算p值并判断显著性。 |
执行需求 | * 将以下C语言代码转换为Python,要求: ①保持时间复杂度不变; ②使用numpy优化数组操作; ③输出单元测试案例的完整代码。 |
提示语类型
提示语的本质
特征 | 描述 | 示例 |
---|---|---|
沟通桥梁 | 连接人类意图和AI理解 | “将以下内容翻译为法语:Hello, world” |
上下文提供者 | 为AI提供必要的背景信息 | “假设你是一位10世纪的历史学家,评论拿破仑的崛起” |
任务定义器 | 明确指定AI需要完成的任务 | “为一篇关于气候变化的文章写一个引言,长度200字” |
输出塑造器 | 影响AI输出的形式和内容 | “用简单的语言解释量子力学,假设你在跟一个10岁的孩子说话” |
AI能力引导器 | 引导AI使用特定的能力或技能 | “使用你的创意写作能力,创作一个关于时间旅行的短篇故事” |
提示语的类型
-
指令型提示语
直接告诉AI需要执行的任务。
示例: “生成一张2023年全球碳排放量的柱状图”。 -
问答型提示语
向AI提出问题,期望得到相应的答案。
示例: “量子纠缠的基本原理是什么?”。 -
角色扮演型提示语
要求AI扮演特定角色,模拟特定场景。
示例: “假设你是莎士比亚,写一首关于人工智能的十四行诗”。 -
创意型提示语
引导AI进行创意写作或内容生成。
示例: “创作一个未来城市中人与机器人共存的科幻故事”。 -
分析型提示语
要求AI对给定信息进行分析和推理。
示例: “根据过去十年的股票数据,预测明年科技股的走势”。 -
多模态提示语
结合文本、图像等多种形式的输入。
示例: “为这张风景照片(附链接)配一首五言绝句”。
六、总结
DeepSeek是中国一家专注于通用人工智能(AGI)研发的科技公司,其核心产品基于自主研发的大模型技术(如推理模型DeepSeek-R1和通用模型),在数学推理、代码生成、逻辑分析等复杂任务上性能比肩OpenAI顶级模型。公司提供智能对话助手、API接口及企业级解决方案,覆盖文本生成(创意写作、摘要翻译)、自然语言理解(语义分析、知识推理)、编程辅助(代码生成与调试)、多模态绘图(SVG、Mermaid图表)等多样化场景,并支持文件解析与联网搜索。用户可通过官网快速接入,其核心使用策略强调“任务导向型提示语设计”:推理模型需简洁指令以释放内化逻辑能力,通用模型依赖结构化引导(如分步示例);同时,文档系统梳理了从需求分类(决策、分析、创造、验证、执行)到提示语类型(指令型、角色扮演、多模态等)的适配方法,助力用户高效利用AI能力,规避过度约束或模糊指令的常见误区,实现从基础操作到复杂问题解决的全面覆盖。
相关文章:
DeepSeek从入门到精通:全面掌握AI大模型的核心能力
文章目录 一、DeepSeek是什么?性能对齐OpenAI-o1正式版 二、Deepseek可以做什么?能力图谱文本生成自然语言理解与分析编程与代码相关常规绘图 三、如何使用DeepSeek?四、DeepSeek从入门到精通推理模型推理大模型非推理大模型 快思慢想&#x…...
MySQL数据库(七)SQL 优化
目录 一 插入数据 1 批量插入 2 手动提交事务 3 主键顺序插入 4* 使用load插入指令数据 二 主键优化 1 数据组织方式 2 页分裂 编辑3 页合并 4* 主键设计原则 三 order by 优化 四 group by 优化 五 limit 优化 六 count优化 七 update优化 一…...
Oracle数据连接 Dblink
拓展: oracle远程登陆数据库 1.oracle客户端或者服务端 2.修改你的电脑如下路径文件(服务器IP,服务器的数据库名,服务器的数据库端口号) c:\oracle\product\10.2.0\db_1\NETWORK\ADMIN\tnsnames.ora orcl_109 (DESCRIPTION …...
基于 Nginx 的 CDN 基础实现
概览 本文是对基于Nginx的CDN网络的学习笔记,阅读的代码为:https://github.com/leandromoreira/cdn-up-and-running 其中,先确定CDN中的一些基础概念: Balancer:负载均衡,即请求数据的流量最开始打到Bal…...
网络编程基础1
七层协议模型和四层协议模型 七层协议模型:物理层、数据链路层、网络层、传输层、会话层、表示层、应用层 四层协议模型:链路层、网络层、传输层、应用层 TCP通信流程 服务器端 (1)创建socket(socket) (2)绑定自己的IP(bind) (3)监听客户端连接(liste…...
Web3 跨链技术:构建互联互通的虚拟世界
随着区块链技术的蓬勃发展,我们正站在 Web3 时代的门槛上。Web3 不仅仅是技术的革新,它更是一场关于数据所有权和互联网自由的革命。然而,区块链技术的一个核心挑战是如何打破不同链之间的壁垒,实现信息和资源的自由流动。跨链技术…...
【专题】2025年我国机器人产业发展形势展望:人形机器人量产及商业化关键挑战报告汇总PDF洞察(附原数据表)
原文链接:https://tecdat.cn/?p39668 机器人已广泛融入我们生活的方方面面。在工业领域,它们宛如不知疲倦的工匠,精准地完成打磨、焊接等精细工作,极大提升了生产效率和产品质量;在日常生活里,它们是贴心…...
FPGA VGA timing
概念 VGA(Video Graphics Array)时序是控制VGA接口显示图像的关键参数,它主要包括行时序和场时序两部分。以下是对VGA时序的详细解释: 一、VGA接口简介 VGA接口是IBM公司在1987年推出的一种使用模拟信号的视频传输标准,具有成本低、结构简单、应用灵活等优点,至今仍被广…...
[7] 游戏机项目说明
[7] 游戏机项目说明 在这节课中,我们将学习如何基于FreeRTOS开发一个简单的游戏项目。我们会使用一个开源项目nwatch,它是一个基于STM32的开源手表,包含了三个游戏。我们的目标是将这个游戏移植到我们的开发板上,并逐步使用FreeR…...
UE学习日志#25、26 C++笔记#11 智能指针
注:本篇内容主要为《C20高级编程》的学习笔记 当智能指针离开作用域或被重置时,会自动释放所占用的资源。智能指针可用于管理在函数作用域内(或作为类的数据成员)动态分配的资源。也可以通过函数实参来传递动态分配的资源的所有权…...
Spring AI -使用Spring快速开发ChatGPT应用
前言 Spring在Java生态中一直占据大半江山。最近我发现Spring社区推出了一个Spring AI项目,目前该项目还属于Spring实验性项目,但是我们可以通过该项目,可以非常快速的开发出GPT对话应用。 本篇文章将会对SpringAI进行简单的介绍和使用&#…...
windows通过网络向Ubuntu发送文件/目录
由于最近要使用树莓派进行一些代码练习,但是好多东西都在windows里或虚拟机上,就想将文件传输到树莓派上,但试了发现u盘不能简单传送,就在网络上找到了通过windows 的scp命令传送 前提是树莓派先开启ssh服务,且Window…...
大语言模型需要的可观测性数据的关联方式
可观测性数据的关联方式及其优缺点 随着现代分布式架构和微服务的普及,可观测性(Observability)已经成为确保系统健康、排查故障、优化性能的重要组成部分。有效的可观测性数据关联方式不仅能够帮助我们实时监控系统的运行状态,还…...
python连点器
要实现一个用于抖音点赞的鼠标连点工具,可以通过编程或现有软件实现。以下是两种常见方法(但请注意:频繁自动化操作可能违反平台规则,需谨慎使用): 方法 1:使用现成工具(如 AutoClic…...
Nginx部署Umi React前端项目标准配置
文章目录 概要前端Umi项目配置文件请求后端Api打包 后端项目Nginx配置配置文件 错误信息 概要 使用UmiJs开发的前端项目打包部署在Nginx,主要是Umi中项目的配置和Nginx的配置 前端Umi项目 基于"umijs/max": "^4.3.24", "react": &…...
Ubuntu20.4软件应用打不开
安装 snap-store: 确保 Snap 已安装: Snap 是一个包管理系统,需要先确保 snapd 已经安装。如果系统中没有安装,可以通过以下命令来安装 Snap: sudo apt update sudo apt install snapd安装 snap-store: 使…...
如何在Vscode中接入Deepseek
一、获取Deepseek APIKEY 首先,登录Deepseek官网的开放平台:DeepSeek 选择API开放平台,然后登录Deepseek后台。 点击左侧菜单栏“API keys”,并创建API key。 需要注意的是,生成API key复制保存到本地,丢失…...
apisix的real-ip插件使用说明
k8s集群入口一般都需要过负载均衡,然后再到apisix。 这时候如果后台业务需要获取客户端ip,可能拿到的是lb或者网关的内网ip。 这里一般要获取真实ip需要做几个处理。 1. 负载均衡上,一般支持配置获取真实ip参数,需要配置上。然…...
基于 Ollama+Docker+OpenWebUI 的本地化部署deepseek流程
搭建deepseek 安装Ollama Ollama官方下载地址 下载完成后双击打开Ollama进行安装,点击install 安装完成后系统会弹出下图提示代表安装成功并且已启动 验证安装 ollama -v安装完成后,cmd 打开命令行窗口,输入 “ollama -v” 测试,显示 olla…...
打家劫舍3
今天和打家讲一下打家劫舍3 题目: 题目链接:337. 打家劫舍 III - 力扣(LeetCode) 小偷又发现了一个新的可行窃的地区。这个地区只有一个入口,我们称之为root。 除了 root 之外,每栋房子有且只有一个“父“…...
第三个Qt开发实例:利用之前已经开发好的LED驱动在Qt生成的界面中控制LED2的亮和灭
前言 上一篇博文 https://blog.csdn.net/wenhao_ir/article/details/145459006 中,我们是直接利用GPIO子系统控制了LED2的亮和灭,这篇博文中我们利用之前写好的LED驱动程序在Qt的生成的界面中控制LED2的亮和灭。 之前已经在下面两篇博文中实现了LED驱动…...
归一化与伪彩:LabVIEW图像处理的区别
在LabVIEW的图像处理领域,归一化(Normalization)和伪彩(Pseudo-coloring)是两个不同的概念,虽然它们都涉及图像像素值的调整,但目的和实现方式截然不同。归一化用于调整像素值的范围,…...
DeepSeek-V2 论文解读:混合专家架构的新突破
论文链接:DeepSeek-V2: A Strong, Economical, and Efficient Mixture-of-Experts Language Model 目录 一、引言二、模型架构(一)多头部潜在注意力(MLA):重塑推理效率(二)DeepSeekM…...
基于布谷鸟算法实现率定系数的starter
布谷鸟算法(Cuckoo Search, CS)是一种基于群体智能的优化算法,灵感来源于布谷鸟的繁殖行为以及宿主鸟发现外来蛋的概率。该算法由 Xin-She Yang 和 Suash Deb 在2009年提出。它结合了莱维飞行(Lvy flight)这一随机漫步…...
Java之自定义注解
介绍:在Java中,自定义注解是通过 interface 关键字定义的。注解是一种元数据,可以附加到类、方法、字段等代码元素上,用于提供额外的信息或配置。 1. 自定义注解的基本语法 使用 interface 关键字定义注解,注解中可以…...
SpringCloud面试题----Nacos和Eureka的区别
功能特性 服务发现 Nacos:支持基于 DNS 和 RPC 的服务发现,提供了更为灵活的服务发现机制,能满足不同场景下的服务发现需求。Eureka:主要基于 HTTP 的 RESTful 接口进行服务发现,客户端通过向 Eureka Server 发送 HT…...
prometheus配置大盘与告警
1、prometheus配置大盘 kube-prometheus-stack 定义 dashboard https://stackoverflow.com/questions/77271449/persist-grafana-dashboard-on-kube-prometheus-and-expose-itAlso to persist dashboards to outlive pod deletion follow the below steps: Create your cust…...
记录 | WPF创建和基本的页面布局
目录 前言一、创建新项目注意注意点1注意点2 解决方案名称和项目名称 二、布局2.1 Grid2.1.1 RowDefinitions 行分割2.1.2 Row & Column 行列定位区分 2.1.3 ColumnDefinitions 列分割 2.2 StackPanel2.2.1 Orientation 修改方向 三、模板水平布局【Grid中套StackPanel】中…...
git代理设置
在 Git 中,可以通过以下命令查看当前设置的代理配置: 查看 HTTP 代理 git config --get http.proxy查看 HTTPS 代理 git config --get https.proxy查看全局代理设置 如果你设置了全局代理,可以通过以下命令查看: git config …...
使用 Axios ——个人信息修改与提示框实现
目录 详细介绍:个人信息设置与修改页面实现 1. HTML 结构 2. CSS 样式 3. JavaScript 核心逻辑 a. 信息渲染与表单提交 b. 头像上传与预览 4. 功能详解 5. 总结 提示: 这段代码展示了如何创建一个简单的个人信息设置页面,包含用户个…...
(done) openMP学习 (Day11: 可怕的东西:内存模型,Atomics,Flush(Pairwise同步))
url: https://dazuozcy.github.io/posts/introdution-to-openmp-intel/#19-%E6%8A%80%E8%83%BD%E8%AE%AD%E7%BB%83%E9%93%BE%E8%A1%A8%E5%92%8Copenmp 这一节介绍了一些概念,包括 OpenMP 内存模型,串行一致性的概念,以及 Flush 操作ÿ…...
docker数据持久化的意义
Docker 数据持久化是指在 Docker 容器中保存的数据不会因为容器的停止、删除或重启而丢失。Docker 容器本身是临时性的,默认情况下,容器内的文件系统是临时的,容器停止或删除后,其中的数据也会随之丢失。为了确保重要数据…...
【漫话机器学习系列】084.偏差和方差的权衡(Bias-Variance Tradeoff)
偏差和方差的权衡(Bias-Variance Tradeoff) 1. 引言 在机器学习模型的训练过程中,我们常常面临一个重要的挑战:如何平衡 偏差(Bias) 和 方差(Variance),以提升模型的泛…...
android的Compose 简介
Jetpack Compose 简介 Jetpack Compose 是 Android 官方推出的声明式 UI 工具包,用于替代传统 XML 布局,简化界面开发流程。它基于 Kotlin 语言,通过函数式编程实现高效、灵活的 UI 构建,支持实时预览和更直观的状态管理。 优势…...
git学习
报错504:代理有问题 查看代理: 法1 export | grep proxy 法2 env | grep xxx设置代理HTTPS_PROXY为空: export HTTPS_PROXY重进入git bash,HTTPS_PROXYxxx,又出现了 有效的办法 无效的办法: #取消htt…...
Spring Boot 对接深度求索接口实现知识问答功能
Spring Boot 对接深度求索接口实现知识问答功能 一、概述 本文将详细介绍如何使用 Spring Boot 对接深度求索(DeepSeek)接口,实现知识问答功能。深度求索是一个强大的自然语言处理平台,提供多种 API 接口,包括知识问…...
探索Scikit-learn:Python中的机器学习宝库
探索Scikit-learn:Python中的机器学习宝库 引言 在数据科学和机器学习的世界中,Python无疑是最受欢迎的编程语言之一。而在Python的众多机器学习库中,Scikit-learn无疑是最闪耀的明星之一。Scikit-learn是一个开源的Python库,它…...
活动预告 | Power Hour: Copilot 引领商业应用的未来
课程介绍 智能化时代,商业应用如何实现突破?微软全球副总裁 Charles Lamanna 将为您深度解析,剖析其中关键因素。 在本次线上研讨会中,Charles Lamanna 将分享他在增强商业运营方面的独到见解与实战策略,深度解读商业…...
MIT6.824 Lecture 2-RPC and Threads Lecture 3-GFS
Lecture 2-RPC and Threads Go语言在多线程、同步,还有很好用的RPC包 《Effective Go》 线程是实现并发的重要工具 在分布式系统里关注多线程的原因: I/O concurrencyParallelismConvenience Thread challenges 用锁解决race问题 Coordination channel…...
MariaDB *MaxScale*实现mysql8读写分离
1.MaxScale 是干什么的? MaxScale是maridb开发的一个mysql数据中间件,其配置简单,能够实现读写分离,并且可以根据主从状态实现写库的自动切换,对多个从服务器能实现负载均衡。 2.MaxScale 实验环境 中间件192.168.12…...
Linux之Http协议分析以及cookie和session
Linux之Http协议分析以及cookie和session 一.分析请求行与响应行1.1请求行1.1.1资源的URL路径1.1.2常见的方法1.2响应行 二.cookie和session2.1cookie2.2session 一.分析请求行与响应行 在我们简单了解了请求和响应的格式以及模拟实现了请求和响应后我们已经可以通过网页来访问…...
Python Pandas(5):Pandas Excel 文件操作
Pandas 提供了丰富的 Excel 文件操作功能,帮助我们方便地读取和写入 .xls 和 .xlsx 文件,支持多表单、索引、列选择等复杂操作,是数据分析中必备的工具。 操作方法说明读取 Excel 文件pd.read_excel()读取 Excel 文件,返回 DataF…...
iOS主要知识点梳理回顾-3-运行时
运行时(runtime) 运行时是OC的重要特性,也是OC动态性的根本支撑。动态,如果利用好了,扩展性就很强。当然了,OC的动态性只能算是一个一般水平。与swift、java这种强类型校验的语言相比,OC动态性很…...
[渗透测试]热门搜索引擎推荐— — shodan篇
[渗透测试]热门搜索引擎推荐— — shodan篇 免责声明:本文仅用于分享渗透测试工具,大家使用时,一定需要遵守相关法律法规。 除了shodan,还有很多其他热门的,比如:fofa、奇安信的鹰图、钟馗之眼等࿰…...
java-初识List
List: List 是一个接口,属于 java.util 包,用于表示有序的元素集合。List 允许存储重复元素,并且可以通过索引访问元素。它是 Java 集合框架(Java Collections Framework)的一部分 特点: 有序…...
ElasticSearch集群因索引关闭重打开导致飘红问题排查
背景 某组件向 ElasticSearch 写入数据,从最近某一天开始写入速度变慢,数据一直有积压。推测是 ElasticSearch 集群压力导致的,查看 ElasticSearch 集群状态,发现集群确实处于 red 状态。 本文记录 ElasticSearch 集群因索引关闭…...
idea 如何使用deepseek 保姆级教程
1.安装idea插件codegpt 2.注册deepseek并生成apikey deepseek 开发平台: DeepSeek 3.在idea进行codegpt配置 打开idea的File->Settings->Tools->CodeGPT->Providers->Custom OpenAI Chat Completions的URL填写 https://api.deepseek…...
【大模型】硅基流动对接DeepSeek使用详解
目录 一、前言 二、硅基流动介绍 2.1 硅基流动平台介绍 2.1.1 平台是做什么的 2.2 主要特点与功能 2.2.1 适用场景 三、硅基流动快速使用 3.1 账户注册 3.2 token获取 3.2.1 获取token技巧 四、Cherry-Studio对接DeepSeek 4.1 获取 Cherry-Studio 4.2 Cherry-Stud…...
机器学习数学基础:14.矩阵的公式
1. 操作顺序可交换 对于矩阵 A A A,若存在两种运算 ? ? ?和 ? ? ?,使得 ( A ? ) ? ( A ? ) ? (A^{?})^{?}\ (A^{?})^{?} (A?)? (A?)?,这意味着这两种运算的顺序可以交换。由此我们得到以下三个重要等式: ( A …...
t113-qt
修改QT配置: # # qmake configuration for building with arm-linux-gnueabi-g ## MAKEFILE_GENERATOR UNIX # CONFIG incremental # QMAKE_INCREMENTAL_STYLE sublib# include(../common/linux.conf) # include(../common/gcc-base-unix.conf) # inc…...