【LangChain核心组件】Memory:让大语言模型拥有持续对话记忆的工程实践
目录
一、Memory架构设计解析
1. 核心组件关系图
2. 代码中的关键实现
二、对话记忆的工程实现
1. 消息结构化存储
2. 动态提示组装机制
三、Memory类型选型指南
四、生产环境优化实践
1. 记忆容量控制
2. 记忆分片策略
3. 记忆检索增强
五、典型问题调试技巧
1. 记忆丢失问题排查
.2. 消息类型不匹配修复
六、扩展应用场景
1. 个性化对话系统
2. 多模态记忆存储
示例代码关键方法对照表
1、库名解析
2、ConversationBufferMemory关键参数
3、LLMChain()关键参数
示例代码
在AI对话系统开发中,让模型记住上下文如同赋予机器"短期记忆",这是构建连贯交互体验的关键。本文通过剖析一个完整的多轮对话实现案例,揭示LangChain的Memory模块如何突破大模型的"金鱼记忆"困境。
一、Memory架构设计解析
1. 核心组件关系图
2. 代码中的关键实现
# 记忆存储初始化(对话历史容器)
chat_memory = ConversationBufferMemory(memory_key="chat_history", # 存储标识符return_messages=True # 保持消息对象结构
)# 记忆系统与链的整合
memory_chain = LLMChain(llm=qwen,prompt=prompt,memory=chat_memory # 记忆注入
)
二、对话记忆的工程实现
1. 消息结构化存储
# 典型记忆存储结构
[HumanMessage(content="你好"),AIMessage(content="您好!有什么可以帮助您?"),HumanMessage(content="讲个笑话"),AIMessage(content="为什么程序员总分不清万圣节和圣诞节?因为Oct31==Dec25!")
]
-
设计优势:保留原始消息类型,支持角色区分化处理
2. 动态提示组装机制
# 运行时实际发生的提示拼接
final_prompt = [SystemMessage(content="你是一个专业的聊天AI"),HumanMessage(content="你好"),AIMessage(content="您好!有什么可以帮助您?"),HumanMessage(content="讲个笑话")
]
-
技术价值:使模型始终在完整对话上下文中生成响应
三、Memory类型选型指南
Memory类型 | 存储原理 | 适用场景 | 代码示例 |
---|---|---|---|
ConversationBufferMemory | 完整保存所有对话记录 | 短对话调试 | return_messages=True |
ConversationBufferWindowMemory | 仅保留最近K轮对话 | 移动端轻量化应用 | k=3 |
ConversationSummaryMemory | 存储摘要而非原始对话 | 长文档分析 | summary_prompt=... |
CombinedMemory | 混合多种存储策略 | 复杂对话系统 | memories=[buffer, summary] |
四、生产环境优化实践
1. 记忆容量控制
from langchain.memory import ConversationBufferWindowMemory# 保留最近3轮对话
optimized_memory = ConversationBufferWindowMemory(k=3,memory_key="chat_history",return_messages=True
)
-
避免问题:GPT-3.5的4k token限制下,防止长对话溢出
2. 记忆分片策略
class ChunkedMemory:def save_context(self, inputs, outputs):# 将长对话分段存储chunk_size = 500 # 按token计算self.chunks = split_text(inputs['question'], chunk_size)
-
应用场景:法律咨询、医疗问诊等长文本领域
3. 记忆检索增强
from langchain.retrievers import TimeWeightedVectorStoreRetriever# 基于时间权重的记忆检索
retriever = TimeWeightedVectorStoreRetriever(vectorstore=FAISS(),memory_stream=chat_memory.load_memory_variables({})['chat_history']
)
-
技术价值:优先召回相关性高且较近期的对话
五、典型问题调试技巧
1. 记忆丢失问题排查
# 打印记忆状态
print(chat_memory.load_memory_variables({}))
# 期望输出:
# {'chat_history': [HumanMessage(...), AIMessage(...)]}
.2. 消息类型不匹配修复
# 错误现象:TypeError: sequence item 0: expected str instance, HumanMessage found
# 解决方案:确保Memory配置return_messages=True
3. 长对话性能优化
# 监控内存使用
pip install memory_profiler
mprof run python chat_app.py
六、扩展应用场景
1. 个性化对话系统
# 用户画像记忆
profile_memory = ConversationBufferMemory(memory_key="user_profile",input_key=["age", "occupation"]
)# 组合记忆体系
combined_memory = CombinedMemory(memories=[chat_memory, profile_memory])
2. 多模态记忆存储
from langchain_core.messages import ImageMessage# 支持图片记忆
chat_memory.save_context({"question": "分析这张图片"},{"output": ImageMessage(content=image_bytes)}
)
3. 记忆持久化方案
# SQLite存储实现
from langchain.memory import SQLiteMemorypersistent_memory = SQLiteMemory(database_path="chat.db",session_id="user123"
)
结语:
通过合理运用Memory组件,开发者可以构建出具备以下能力的智能对话系统:
✅ 30轮以上连贯对话
✅ 个性化上下文感知
✅ 长期用户画像记忆
✅ 跨会话状态保持
工作流程图
示例代码关键方法对照表
1、库名解析
方法/类名 | 所属模块 | 核心功能 |
---|---|---|
ChatPromptTemplate | langchain.prompts | 多角色提示模板构建 |
SystemMessagePromptTemplate | langchain.prompts | 系统角色提示定义 |
MessagesPlaceholder | langchain.prompts | 动态消息占位符 |
HumanMessagePromptTemplate | langchain.prompts | 用户消息格式化 |
ConversationBufferMemory | langchain.memory | 对话历史缓冲存储 |
LLMChain | langchain.chains | 语言模型执行流水线 |
2、ConversationBufferMemory关键参数
参数名 | 类型 | 作用说明 | 默认值 |
---|---|---|---|
memory_key | str | 记忆字典的键名 | "history" |
return_messages | bool | 是否返回Message对象 | False |
input_key | str | 输入项的键名 | None |
return_messages=True
-
必要性:
-
MessagesPlaceholder
需要Message对象列表(而不仅是字符串) -
保持消息类型信息(系统/人类/AI消息)
-
-
对比实验:
设置 输入格式 是否可用 return_messages=True
Message对象列表 ✅ return_messages=False
纯文本字符串 ❌
3、LLMChain()关键参数
-
核心参数:
参数 类型 作用说明 llm
BaseLanguageModel 语言模型实例 prompt
BasePromptTemplate 提示模板 memory
BaseMemory 记忆系统 verbose
bool 是否打印执行日志
示例代码
代码说明:
该代码实现了一个基于LangChain的带记忆功能的智能对话系统,主要演示以下核心能力:
1. **对话记忆管理**
通过`ConversationBufferMemory`实现对话历史的持久化存储,突破大模型单次请求的上下文限制,支持连续多轮对话。2. **提示工程架构**
采用分层提示模板设计:
- 系统消息固化AI角色设定
- `MessagesPlaceholder`动态注入历史对话
- 用户消息模板接收即时输入3. **服务集成方案**
对接阿里云灵积平台(DashScope)的千问大模型,演示:
- 第三方模型API调用
- 参数调优(temperature=0增强确定性)4. **执行流水线封装**
使用`LLMChain`将提示工程、记忆系统、模型调用封装为可复用组件,体现LangChain模块化设计思想。完整技术栈涵盖环境变量管理、类型化消息处理、交互式调试等工程实践。
from langchain.chat_models import ChatOpenAI
from langchain.prompts import (ChatPromptTemplate,MessagesPlaceholder,SystemMessagePromptTemplate,HumanMessagePromptTemplate,
)
from langchain.chains import LLMChain
from langchain.memory import ConversationBufferMemory
import os
from dotenv import load_dotenv#一、加载配置环境
load_dotenv()# 二、初始化ChatOpenAI模型
llm = ChatOpenAI(model="qwen-max",api_key=os.getenv("DASHSCOPE_API_KEY"),openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1",temperature=0
)# 三、创建对话提示模板
prompt = ChatPromptTemplate(messages=[SystemMessagePromptTemplate.from_template("You are a nice chatbot having a conversation with a human."),# 这里的`variable_name`必须与记忆中的对应MessagesPlaceholder(variable_name="chat_history"),HumanMessagePromptTemplate.from_template("{question}")]
)#四、定义历史消息存储
# 注意我们设置`return_messages=True`以适配MessagesPlaceholder
# 注意`"chat_history"`与MessagesPlaceholder名称对应
memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)#五、创建LLMChain实例,用于处理对话
conversation = LLMChain(llm=llm,prompt=prompt,verbose=True,memory=memory
)#六、定义模拟历史对话消息
# 注意我们只传入`question`变量 - `chat_history`由记忆填充
conversation({"question": "你好"})
conversation({"question":"你能给我讲一个苹果和医生的笑话吗?"})
conversation({"question":"说得好,再讲一个"})
conversation({"question":"讲一个葫芦娃的笑话"})#七、问题输入执行
while True:question = input("请输入问题:")if question.lower() == "exit":response = conversation({"question": "再见"}) # 主动触发结束语print(response['text'])breakresponse = conversation({"question": question})print(response['text']) # 确保输出模型响应
运行结果
> Entering new LLMChain chain...
Prompt after formatting:
System: You are a nice chatbot having a conversation with a human.
Human: 你好
AI: 你好!有什么可以帮助你的吗?
Human: 你能给我讲一个苹果和医生的笑话吗?
AI: 当然可以,这里有一个经典的笑话:为什么医生建议每天吃一个苹果?
因为医生需要钱买房子!(实际上原话是 "An apple a day keeps the doctor away",意思是“一天一个苹果,医生远离我”,但这个版本更幽默一些。)
希望这能让你会心一笑!
Human: 说得好,再讲一个
AI: 好的,再来一个苹果和医生的笑话:为什么苹果不喜欢去看医生?
因为每次医生都会说:“你看起来有点核(核心)问题!”
希望这个也能让你笑一笑!
Human: 讲一个葫芦娃的笑话
AI: 当然可以,这里有一个关于葫芦娃的笑话:为什么葫芦娃们总是穿肚兜?
希望这个笑话能让你开心一笑!
Human: 回答我刚刚的问题> Finished chain.
好的,再来一个关于葫芦娃的笑话为什么葫芦娃们每次都能找到爷爷?
因为不管他们被妖怪抓到哪里,只要喊一声“爷爷,救我!”爷爷就能立刻感应到他们的位置。这大概是因为葫芦娃和爷爷之间有特殊的“GPS”吧!
希望这个笑话能让你笑一笑!
请输入问题:
说明:主要看最后一个问题“回答我刚刚的问题”,可以发现大模型能够根据历史对话再去讲述关于葫芦娃的笑话。这也就说明成功实现了Memory记忆功能。
相关文章:
【LangChain核心组件】Memory:让大语言模型拥有持续对话记忆的工程实践
目录 一、Memory架构设计解析 1. 核心组件关系图 2. 代码中的关键实现 二、对话记忆的工程实现 1. 消息结构化存储 2. 动态提示组装机制 三、Memory类型选型指南 四、生产环境优化实践 1. 记忆容量控制 2. 记忆分片策略 3. 记忆检索增强 五、典型问题调试技巧 1. …...
GD32裸机程序-SFUD接口文件记录
SFUD gitee地址 SFUD spi初始化 /********************************************************************************* file : bsp_spi.c* author : shchl* brief : None* version : 1.0* attention : None* date : 25-…...
天元证券|调仓曝光!首批科技基金一季报出炉
4月15日,中欧基金、永赢基金、长城基金等公募基金公司旗下部分权益类基金产品一季报出炉。 券商中国记者梳理发现,永赢信息产业智选混合主要聚焦信息技术领域布局,前十大重仓股中9只股票属于信息技术行业,合计占基金资产净值比例达…...
【开源项目】Excel手撕AI算法深入理解(四):AlphaFold、Autoencoder
项目源码地址:https://github.com/ImagineAILab/ai-by-hand-excel.git 一、AlphaFold AlphaFold 是 DeepMind 开发的突破性 AI 算法,用于预测蛋白质的三维结构。它的出现解决了生物学领域长达 50 年的“蛋白质折叠问题”,被《科学》杂志评为…...
React-router v7 第四章(路由传参)
参数传递 React-router 一共有三种方式进行参数传递,参数传递指的是在路由跳转时,将参数传递给目标路由。 Query方式 Query的方式就是使用 ? 来传递参数,例如: #多个参数用 & 连接 /user?name小满zs&age18跳转方式&…...
常用密码技术初探
记得前几年有一部电影叫做《解除好友2:暗网》,它讲述了主角捡到一台电脑,并用它与好友进行视频通讯,但一名黑客通过网络技术篡改了通讯内容,最终导致所有参与视频通话的人都遭遇不测。 电影当然存在夸张成分ÿ…...
电脑知识 | TCP通俗易懂详解 <二>tcp首部
目录 一、👋🏻前言 二、🖃TCP快递单填写(必填部分) 1.🌸TCP快递单样式 2.🏢填写名称 3.🔢TCP序号 4. ✔️TCP确认号 编辑5.✅️确认号的确认号 6.📏首部长度 …...
09-RocketMQ 深度解析:从原理到实战,构建可靠消息驱动微服务
RocketMQ 深度解析:从原理到实战,构建可靠消息驱动微服务 一、RocketMQ 核心定位与架构探秘 1.1 分布式消息领域的中流砥柱 在分布式系统中,消息队列是实现异步通信、解耦服务、削峰填谷的关键组件。RocketMQ 作为阿里巴巴开源的分布式消息…...
MyBatis 如何使用
1. 环境准备 添加依赖(Maven) 在 pom.xml 中添加 MyBatis 和数据库驱动依赖: <dependencies><!-- MyBatis 核心库 --><dependency><groupId>org.mybatis</groupId><artifactId>mybatis</artifactId&g…...
AI日报 - 2025年04月17日
🌟 今日概览(60秒速览) ▎🤖 AGI突破 | OpenAI新模型或证人类未解定理,研究达Level 4 OpenAI安全博客暗示模型将创造新科学,能连接概念提新实验。CEO预测AI将证明人类未解定理,研究员称已达AGI第四层级。 ▎Ǵ…...
【Leetcode-Hot100】缺失的第一个正数
题目 解答 有一处需要注意,我使用注释部分进行交换值,报错:超出时间限制。有人知道是为什么吗?难道是先给nums[i]赋值后,从而改变了后一项的索引? class Solution(object):def firstMissingPositive(sel…...
Servlet简单示例
Servlet简单示例 文章说明 Servlet 虽然是一门旧技术了,但是它的基础性和广泛性仍然不可忽视;我在实践中发现不少同学经常会被它的一些特性给困惑住;时常出现404等错误,这里我写下这篇文章,介绍Servlet的不同版本的特…...
spring:注解@Component、@Controller、@Service、@Reponsitory
背景 spring框架的一个核心功能是IOC,就是将Bean初始化加载到容器中,Bean是如何加载到容器的,可以使用spring注解方式或者spring XML配置方式。 spring注解方式直接对项目中的类进行注解,减少了配置文件内容,更加便于…...
LLM做逻辑推理题 - 野鸭蛋的故事
题目: 四个旅游家(张虹、印玉、东晴、西雨)去不同的岛屿去旅行,每个人都在岛上发现了野鸡蛋(1个到3个)。4人的年龄各不相同,是由18岁到21岁。已知: ①东晴是18岁。 ②印玉去了A岛。 ③21岁的女…...
Linux的目录结构(介绍,具体目录结构)
目录 介绍 具体目录结构 简洁的目录解释 详细的目录解释 介绍 Linux的文件系统是采用级层式的树状目录结构,在此结构的最上层是根目录“/”。Linux的世界中,一切皆文件(比如:Linux会把硬件映射成文件来管理) 具体目…...
C++Cherno 学习笔记day21 [86]-[90] 持续集成、静态分析、参数计算顺序、移动语义、stdmove与移动赋值操作符
b站Cherno的课[86]-[90] 一、C持续集成二、C静态分析三、C的参数计算顺序四、C移动语义五、stdmove与移动赋值操作符 一、C持续集成 Jenkins 商业软件 二、C静态分析 静态分析器会检查你的代码,并尝试检测各种错误,这些错误 可能是你无意中编写的&am…...
python学习 -- 综合案例1:设计一款基于python的飞机大战小游戏
本文目录 pygame模块介绍核心模块与功能开发流程 本文案例 - 飞机大战开发流程1. 导入必要的库2. 定义常量3. 创建精灵类4. 主程序 运行游戏 总结 pygame模块介绍 Pygame 是基于 Python 的开源、跨平台游戏开发库,依托 SDL(Simple DirectMedia Layer&am…...
开启 Python 编程之旅:基础入门实战班全解析
重要的东西放前面 开启 Python 编程之旅:基础入门实战班全解析 开启Python编程之旅:基础入门实战班全解析 在当下热门的编程语言中,Python凭借简洁易读的语法、强大的功能和丰富的库,在数据科学、人工智能、Web开发等诸多领域大…...
Linux笔记---动静态库(原理篇)
1. ELF文件格式 动静态库文件的构成是什么样的呢?或者说二者的内容是什么? 实际上,可执行文件,目标文件,静态库文件,动态库文件都是使用ELF文件格式进行组织的。 ELF(Executable and Linkable…...
SpringBoot整合Logback日志框架深度实践
一、依赖与默认集成机制 SpringBoot从2.x版本开始默认集成Logback日志框架,无需手动添加额外依赖。当项目引入spring-boot-starter-web时,该组件已包含spring-boot-starter-logging,其底层实现基于LogbackSLF4J组合。这种设计使得开发者只需…...
Spring Boot中接入DeepSeek的流式输出
第一步,添加依赖: <!-- WebFlux 响应式支持 --> <dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-webflux</artifactId> </dependency> 第二步,配置We…...
路由交换网络专题 | 第四章 | 生成树 | VRRP | 边缘端口
拓扑图 (1)SW1、SW2、SW3 三台交换机之间存在环路问题,需要通过生成树协议破环,请简述二层环路可能导致的问题。 因为交换机在收到一个广播帧之后,会对非接收端口进行转发。每台交换机都转发的话,就行形成一…...
SFOS2:常用容器(布局)介绍
一、前言 最近在进行sailfish os的开发,由于在此之前并没有从事过QT开发的工作,所以对这一套颇为生疏,以此记录一下。以下内容不一定完全准确,开发所使用的是Qt Quick 2.6与Sailfish.Silica 1.0两个库。 二、布局 1.Qt Quick 2.…...
VS qt 联合开发环境下的多国语言翻译
添加Linguist 文件方法,如同添加类文件的方式,那样: 其他跟QT的一样的流程,另外在main函数里要注册一下, QTextCodec::setCodecForLocale(textCodec); QTranslator translator5; QString trans5 fi…...
基于 Python 的 ROS2 应用开发全解析
引言 在机器人操作系统(ROS)不断发展的进程中,ROS2 作为新一代的机器人框架,带来了诸多显著的改进与新特性。Python 作为一种简洁、高效且具有强大数据处理能力的编程语言,在 ROS2 应用开发中占据着重要地位。本文将深…...
AI分析师
01 实操 人工 公司需要开发了一个XX系统,在文件夹中包含了XX.csv,其中每一行表示一个XX样本,最后一列为每个样本的标签,现需要设计模型与系统,请按照以下要求完成算法测试。根据要求完成以下任务,将完成的…...
Redis核心数据类型在实际项目中的典型应用场景解析
精心整理了最新的面试资料和简历模板,有需要的可以自行获取 点击前往百度网盘获取 点击前往夸克网盘获取 Redis作为高性能的键值存储系统,在现代软件开发中扮演着重要角色。其多样化的数据结构为开发者提供了灵活的解决方案,本文将通过真实项…...
LLamaIndex中经常使用的三个模块
from aiostream import stream from fastapi import Request from fastapi.responses import StreamingResponse from llama_index.core.chat_engine.types import StreamingAgentChatResponse这四个模块每一个都很实用,在实际开发中经常用到,下面我就详…...
Idea集成AI:CodeGeeX开发
当入职新公司,或者调到新项目组进行开发时,需要快速熟悉项目代码 而新的项目代码,可能有很多模块,很多的接口,很复杂的业务逻辑,更加有与之前自己的代码风格不一致的现有复杂代码 更别提很多人写代码不喜…...
软考 中级软件设计师 考点知识点笔记总结 day12 计算机网络基础知识
文章目录 计算机网络基础5.1、计算机网络基础知识5.1.1 计算机网络分类5.1.2 七层网络体系结构5.1.3 网络标准5.1.4 TCP/IP协议族5.1.5 IP地址和IPv6简介5.1.6 Internet服务 计算机网络基础 要求掌握以下内容 5.1、计算机网络基础知识 网络体系结构 传输介质 传输技术 传输…...
【扩散模型(十三)】Break-A-Scene 可控生成,原理与代码详解(中)Cross Attn Loss 代码篇
系列文章目录 【扩散模型(一)】中介绍了 Stable Diffusion 可以被理解为重建分支(reconstruction branch)和条件分支(condition branch)【扩散模型(二)】IP-Adapter 从条件分支的视…...
C语言数字图像处理---2.31统计滤波器
本文介绍空域滤波器中的一种:统计滤波器 [定义与算法] 统计滤波(Statistic Filter)定义:基于图像处理中的邻域统计方法,对邻域内的像素信息进行统计,如基于均值和方差的信息,用于平滑或去噪图像,同时保留边缘信息。 算法步骤如下: 统计滤波器的优点和缺点主要包…...
流程设计实战:流程架构设计六步法
目录 简介 1、梳理业务模式及场景 2、甄别核心业务能力 3、搭建差异化的业务流程框架 4、定义L4流程能力 5、L4流程串联 6、展开L5业务流程 作者简介 简介 以往在设计流程的时候,我多数都是采用的自下而上的方式,从具体场景、具体问题出发去做流…...
SDK游戏盾如何接入?复杂吗?
接入SDK游戏盾(通常指游戏安全防护类SDK,如防DDoS攻击、防作弊、防外挂等功能)的流程和复杂度取决于具体的服务商(如腾讯云、上海云盾等)以及游戏类型和技术架构。以下是一般性的接入步骤、复杂度评估及注意事项&#…...
STM32F103C8T6 单片机入门基础知识及点亮第一个 LED 灯
目录 一、引言 二、STM32F103C8T6 基本特性 1. 内核与性能 2. 存储器 3. 时钟系统 4. GPIO(通用输入输出) 5. 外设 三、开发环境搭建 1. 硬件准备 2. 软件安装 四、点亮第一个 LED 灯 1. 硬件连接 2. 软件实现 (1)创…...
JavaScript Worker池实现教程
JavaScript Worker池实现教程 Worker池是一种管理和复用Web Workers的有效方法,可以在不频繁创建和销毁Worker的情况下,充分利用多线程能力提升应用性能。下面我将详细介绍如何在JavaScript中实现一个功能完善的Worker池。 为什么需要Worker池…...
【统信UOS操作系统】python3.11安装numpy库及导入问题解决
一、安装Python3.11.4 首先来安装Python3.11.4。所用操作系统:统信UOS 前提是准备好Python3.11.4的安装包(可从官网下载(链接)),并解压到本地: 右键,选择“在终端中打开”ÿ…...
Navicat导入JSON数据到MySQL表
🤟致敬读者 🟩感谢阅读🟦笑口常开🟪生日快乐⬛早点睡觉 📘博主相关 🟧博主信息🟨博客首页🟫专栏推荐🟥活动信息 文章目录 Navicat导入JSON数据到MySQL表1. 导入入口2.…...
体育比分小程序怎么提示日活
要提高体育比分小程序的日活跃用户(DAU),您可以考虑以下几个方面的策略: 一、核心功能优化 1.实时推送:确保比分更新真正实时,延迟不超过2秒,推荐接入熊猫比分API体育数据,比分实时更新 2.个性化订阅&am…...
【星海随笔】Python-JSON数据的处理
JSON 是一种轻量级的数据交换格式,主要用于在客户端和服务器之间传输数据。 JSON 在 python 里是一个标准库 https://www.jyshare.com/compile/9/ import json data {name: Alice, age: 30, city: New York} json_string json.dumps(data) print(json_string)js…...
Tomcat与Servlet
目录 1 Tomcat 1.1 目录结构 1.2 启动服务器 1.3 部署 2 Servlet 2.1 创建项目 (1)创建Maven项目 (2)目录结构 (3)引入依赖 (4)创建必要的目录结构 (5…...
MySQL MVCC工作流程详解
MySQL MVCC工作流程详解 1. 基础概念 MVCC(多版本并发控制)是通过在每行记录后面保存多个版本来实现并发控制的技术,主要用于提供并发事务访问数据库时的读一致性。 2. 核心要素 2.1 事务ID(DB_TRX_ID) 每个事务都…...
unityTEngine 框架学习记录1
目前项目再用QF框架其中的UI部分,突然有天想学习一下其他好用的框架UI,根据我多年网友胖菊大佬的推荐TE映入眼帘,网上找了一下发现学习教程没有几个,不太适合啥都不会的小白,然后我就加入了ET官方群,里面人长得又帅又有…...
算法的时间复杂度
整理了下算法的时间复杂度,跟大家一起分享下。 时间复杂度O是表示算法运行时间与输入数据规模(通常用 n 表示)之间的关系。算法执行时间随输入数据规模增长的变化趋势。 1、O(1) — 常数时间 无论输入数据多大,执行时间固定不变…...
深度学习 从入门到精通 day_01
Pytorch安装 torch安装 python版本3.9.0 在官方文档里面找到适合你设备的PyTorch版本及对应的安装指令执行即可:https://pytorch.org/get-started/previous-versions/ 针对我的网络及设备情况,我复制了如下指令完成了Torch的安装: …...
AutoToM:让AI像人类一样“读心”的突破性方法
引言:AI如何理解人类的“内心世界”? 如何让AI像人类一样理解他人的意图、情感和动机?这一问题的核心是心智理论(Theory of Mind, ToM),即通过观察行为推断心理状态的能力。近日,约翰霍普金斯大…...
Java实现Redis
String类型 代码 package com.whop.changyuan2.redisTest;import org.junit.jupiter.api.Test; import org.springframework.beans.factory.annotation.Autowired; import org.springframework.boot.test.context.SpringBootTest; import org.springframework.data.redis.cor…...
DAY09:【pytorch】nn网络层
1、卷积层 1.1 Convolution 1.1.1 卷积操作 卷积运算:卷积核在输入信号(图像)上滑动,相应位置上进行乘加卷积核:又称为滤波器、过滤器,可认为是某种模式、某种特征 1.1.2 卷积维度 一般情况下…...
河南普瑞维升企业案例:日事清SOP流程与目标模块实现客户自主简报功能落地
公司简介: 河南普瑞维升企业管理咨询有限公司成立于2017年,目前公司主营业务是为加油站提供全方面咨询管理服务,目前公司成功运营打造河南成品油,运营站点15座,会员数量已达几十万,在加油站周边辐射区域内…...
LeetCode面试热题150中19-22题学习笔记(用Java语言描述)
Day 04 19、最后一个单词的长度 需求:给你一个字符串 s,由若干单词组成,单词前后用一些空格字符隔开。返回字符串中 最后一个 单词的长度。 单词 是指仅由字母组成、不包含任何空格字符的最大子字符串。 代码表示 public class Q19_1 {p…...