开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

使微调器依赖于在其他微调器上选定的项目

是一种软件开发中的概念，它指的是一个微调器（Widget）的行为或显示取决于其他微调器上所选定的项目。

在前端开发中，微调器通常是指用户界面上的小组件或控件，用于展示特定的信息或提供特定的功能。当一个微调器依赖于其他微调器上选定的项目时，它会根据其他微调器的选择来改变自身的行为或显示。

这种依赖关系可以通过事件监听和状态管理来实现。当其他微调器上的项目发生变化时，触发相应的事件，然后被依赖的微调器可以监听这些事件并相应地更新自身的状态或显示。

这种依赖关系在许多应用场景中都有广泛的应用。例如，在一个电子商务网站中，当用户选择了某个商品分类时，相关的微调器可以根据这个选择来更新商品列表、价格范围等信息。在一个任务管理应用中，当用户选择了某个任务分类时，相关的微调器可以根据这个选择来更新任务列表、优先级等信息。

腾讯云提供了一系列的云计算产品和服务，可以帮助开发者构建和部署各种类型的应用。其中，腾讯云的云原生产品和服务可以帮助开发者实现微服务架构，包括容器服务、容器注册中心、容器镜像仓库等。此外，腾讯云还提供了数据库、服务器、存储、人工智能等相关产品和服务，可以满足不同应用场景的需求。

以下是腾讯云相关产品和产品介绍链接地址：

腾讯云容器服务：https://cloud.tencent.com/product/tke
腾讯云容器注册中心：https://cloud.tencent.com/product/tcr
腾讯云容器镜像仓库：https://cloud.tencent.com/product/tcr
腾讯云数据库：https://cloud.tencent.com/product/cdb
腾讯云服务器：https://cloud.tencent.com/product/cvm
腾讯云存储：https://cloud.tencent.com/product/cos
腾讯云人工智能：https://cloud.tencent.com/product/ai

相关搜索:选定的微调器项目无法在Android上运行选定项目时拆分微调器数据将微调器宽度调整为选定项目微调器单击时不显示选定项目重复选择微调器当前选定的项目根据Android中其他微调器的选择填充微调器在android中不显示微调器中的选定项目？根据选定的微调器项目启用/禁用编辑文本 Android SQLite在微调器上显示选定的特定行在android中获取选定微调器的文本为什么我的微调器不显示选定的项目如何使用微调器中选定的项目来转换TextViews？如何更改微调器项目的大小和微调器dropbox的高度？微调器控件中选定项的旋转设置基于微调器上选定项目的可见性TableLayout 项目上的微调器单击要添加的功能减少微调器项目之间的间距使漂亮的微调器的中心透明在Android中动态禁用微调器项目微调器不显示选定项目或默认项目，但显示下拉列表

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

容器并不能解决一切问题

我们的行业在过去十年中取得了令人难以置信的进步，这在一定程度上要归功于 Docker、Docker Compose 和 Kubernetes 等技术。然而，我们仍在研究如何在我们所处的多样化环境中进行开发。

02

亚马逊：我们提取了BERT的一个最优子架构，只有Bert-large的16%，CPU推理速度提升7倍

在自然语言处理领域，BERT 是一个里程碑式的进展。只需要添加一个单层线性分类器和一个简单的微调策略，它就能在多项任务中达到优异的性能。但另一方面，BERT 的应用也面临很多问题，如规模大、推理速度慢、预训练过程复杂。研究人员已经做了许多尝试来提取一个更简单的子架构，希望这个子架构能够保持原始 BERT 的优异性能，同时简化预训练过程，缩短推理时间。这些研究取得了不同程度的成功。然而，他们提取的这些子架构在准确率方面仍然低于原始架构的实现，而且架构参数集的选择往往看起来很随意。

01

新加坡国立大学&哈工大提出《Incremental-DETR》，基于自监督学习的增量 Few-Shot 目标检测，性能SOTA！

本文分享论文『Incremental-DETR: Incremental Few-Shot Object Detection via Self-Supervised Learning』，由新国立&哈工大提出 Incremental-DETR 进行基于自监督学习的增量 Few-Shot 目标检测，性能SOTA！

01

容器并不能解决一切问题

作者 | Andrew Meredith 译者 | Rayden 策划 | Tina 审校 | 冬雨我们的行业在过去十年中取得了令人难以置信的进步，这在一定程度上要归功于 Docker、Docker Compose 和 Kubernetes 等技术。然而，我们仍在研究如何在我们所处的多样化环境中进行开发。容器化在开发和运维领域掀起了一场风暴。在过去，部署是高度依赖于特定技术的，通常需要对每个项目进行大量不可重复的工程工作。你是否部署到 VPS？你是否在分法虚拟机镜像？静态可执行文件？需要特定解

04

BERT中的黑暗秘密

2019年可以被称为NLP的Transformer之年：这种架构主导了排行榜并激发了许多分析研究。毫无疑问，最受欢迎的Transformer是BERT(Devlin, Chang, Lee， & Toutanova, 2019)。除了其众多的应用，许多研究探索了各种语言知识的模型，通常得出这样的结论，这种语言知识确实存在，至少在某种程度上(Goldberg, 2019; Hewitt & Manning, 2019; Ettinger, 2019)。

03

亚马逊：我们提取了BERT的一个最优子架构，只有Bert-large的16%，CPU推理速度提升7倍

选自arXiv 作者：Adrian de Wynter、Daniel J. Perry 机器之心编译机器之心编辑部提取 BERT 子架构是一个非常值得探讨的问题，但现有的研究在子架构准确率和选择方面存在不足。近日，来自亚马逊 Alexa 团队的研究者细化 BERT 子架构提取过程，并提取了一个最优子架构 Bort，它的大小仅为 BERT-large 的 16%，CPU 上的推理速度却提升到了原来的八倍。在自然语言处理领域，BERT 是一个里程碑式的进展。只需要添加一个单层线性分类器和一个简单的微调

01

每日论文速递 | 华为提出一个提高LLM翻译能力的新训练范式

摘要：本文研究了在机器翻译（MT）任务中增强大型语言模型（LLM）翻译能力的策略。本文提出了一种新颖的范式，包括三个阶段：使用大量单语数据进行二次预训练，使用跨行文本格式文档进行持续预训练，以及利用源语言一致性指导进行监督微调。以往对 LLM 的研究主要集中在各种监督微调（SFT）策略上，但其效果有限。传统的机器翻译方法依赖于大量的平行双语数据，而我们的范例则强调了使用较小的高质量双语数据集的重要性。我们认为，重点应放在预训练过程中增强 LLM 的跨语言对齐能力，而不是在 SFT 过程中仅仅依赖大量双语数据。使用 Llama2 模型进行的实验结果，尤其是单语增强后的中文-Llama2，证明了 LLMs 翻译能力的提高。我们的方法的重大贡献在于第二阶段：该阶段只需不到 1B 的训练数据，因此我们的方法非常高效。此外，在第三阶段，我们观察到设置与源语言一致的指令有利于监督微调过程。实验结果表明，我们的方法超越了之前的工作，与 NLLB-54B 和 GPT3.5-text-davinci-003 等模型相比，尽管参数数量只有 7B 或 13B，但却取得了卓越的性能。这一成就确立了我们的方法在机器翻译领域的先驱地位。

01

每日论文速递 | 基于例子还是基于规则：Transformers是如何进行数学运算的？

摘要：尽管在各种复杂任务中表现出色，但现代大型语言模型（LLM）仍然难以处理一些对人类来说简单直观的数学问题，例如加法。虽然我们可以很容易地学习加法的基本规则，并将其应用于任何长度的新问题，但LLM也很难做到这一点。相反，他们可能依赖于训练语料库中看到的类似“案例”来寻求帮助。我们将这两种不同的推理机制定义为“基于规则的推理”和“基于案例的推理”。由于基于规则的推理是必不可少的，获得系统的泛化能力，我们的目标是探索究竟是基于规则的或基于案例的推理Transformers器的数学问题。通过精心设计的干预实验五个数学任务，我们证实，Transformers进行基于案例的推理，无论是否使用便笺，这与以前的观察，变压器使用子图匹配/快捷学习的原因。为了缓解这些问题，我们提出了一个规则遵循微调（RFFT）技术教Transformers执行基于规则的推理。具体来说，我们在输入中提供明确的规则，然后指示Transformers背诵并一步一步地遵循规则。通过RFFT，我们成功地使LLM在1-5位数加法上进行微调，以超过95%的准确度推广到12位数加法，比暂存器高出40%以上。这一显著的改进表明，教授LLM显式使用规则有助于他们学习基于规则的推理，并在长度上更好地概括。

01

一文看尽297篇文献！中科院领衔发表首篇「基于扩散模型的图像编辑」综述

本文全面研究图像编辑前沿方法，并根据技术路线精炼地划分为3个大类、14个子类，通过表格列明每个方法的类型、条件、可执行任务等信息。

01

视觉的跨界 Wiki-LLaVA | lmage + Question 的奇妙反应，生成多模态大型语言模型（MLLMs）！

近期，大型语言模型（LLM）在零样本文本任务中展现了令人印象深刻的性能。特别是，近期的研究设计出了能够根据用户指示处理多样任务的模型[6, 30, 41]。在这个背景下，经典的方法是在多种通过自然语言描述的任务上微调模型[7, 34]，从而使模型能够吸收外部提供的指示，并促进在多个领域内的强大泛化能力。在这些进展之后，计算机视觉界开始研究将这些模型扩展到视觉和语言的情境中，从而生成多模态大型语言模型（MLLMs）。在这方面，通过视觉到语言的 Adapter 将视觉特征融合到LLM的主干中，引起了显著的性能提升，使得对需要精心设计的视觉描述的视觉和语言任务能够广泛泛化。

01

「CodeFuse」CodeFuse简介及项目应用实战

CodeFuse 是一款为国内开发者提供智能研发服务的产品，该产品是基于蚂蚁集团自研的基础大模型进行微调的代码大模型，旨在辅助开发者提高编码效率和代码质量。它提供了多项功能，包括辅助编码、代码优化和生成单测。通过海量数据提供实时的代码补全服务，包括行内补全和片段补全，并支持解释代码、生成注释等功能，帮助开发者快速完成功能研发，提高研发效率。此外，CodeFuse 还能对选定的代码段进行分析理解，提出优化和改进建议，并能直接基于改进建议形成代码补丁，帮助开发者写出更好的代码。另外，在写完业务逻辑后，只需选中代码选择生成单测，即可智能生成具备业务语义的测试用例，从而提升问题发现的效率，方便快捷。

01

Flutter 旋转轮

在在本文中，我们将探讨 “Flutter 中的旋转轮”。我们还将在flutter应用程序中使用「flutter_spinwheel」包来实现带有自定义选项的「Spinwheel」演示程序。

02

效率新秀 | 详细解读：如何让EfficientNet更加高效、速度更快

近年来，许多研究致力于提高图像分类训练和推理的效率。这种研究通常集中于提高理论效率，通常以每个FLOP的ImageNet验证精度来衡量。然而，事实证明，这些理论上的改进在实践中很难实现，特别是在高性能训练加速器上。

02

RCNN 学习笔记

Author : Ross Girshick Jeff Donahue Trevor Darrell Jitendra Malik

04

机器学习是最容易得到错误结论的一种解决方案

机器学习是最容易得到错误结论的一种解决方案。和编程、做表格、或者纯粹的数学建模不同，机器学习是由数据驱动，并有很强的黑箱性。因此很多时候容易得出似是而非的结论。举个最简单的例子：伪相关/虚假相关（spurious correlation），两个变量很容易看起来有很强的相关（参看图1和2），然而这仅仅是偶然。因此当机器学习模型很轻松就达到很好的效果时，比如百分之百的正确率，你要警惕。除了过拟合以外，你很有可能包含了某个不该使用的强特征，甚至把标签y也当做特征使用了。

05

调度工具 taskctl-> Designer 设计IDE环境

桌面软件Designer是TASKCTL 调度平台客户端工具软件之一，本文旨在介绍该软件的功能与操作，以便帮助相关人员对该软件的使用。

03

学的少，忘的少！UC | LoRA最新研究：总结LoRA最佳实践，实现LLMs高效微调！

本文深入探讨了当前主流大模型高效微调方法——低秩适应（LoRA）。在代码编程、数学推理两个领域，对比了LoRA和全微调在不同数据规模下的性能。结果表明：LoRA在大多数情况下性能不如全微调，但作为一种正则化手段，LoRA能够保证在源领域上的性能（遗忘问题），并减少对新任务的学习成本。最后作者还给出了使用LoRA的最佳实践，来方便大家更有效地利用LoRA进行大模型微调。

01

为什么使用微型服务？

Netflix，亚马逊等公司都在其产品中采用了微服务的概念。微服务是软件行业中最热门的话题之一，许多组织都希望采用它们。并且，DevOps可以很好地与微服务配合使用。

02

AI模仿人脑记忆模式，游戏成绩大涨29.9%

我们常常被教育的做事“三思而后行”，充分运用积累过的经验，现在这句话对AI也有所启发了。

02

Copilot+PC：了解Microsoft不断发展的AI计算机堆栈

数据中心因 AI 工作负载而爆满，但 PC 现在已加入循环，以减轻大型 GPU 安装的压力。

01

DeepMind | 通过去噪来进行分子性质预测的预训练

今天给大家带来的是牛津大学的Sheheryar Zaidi和DeepMind公司的Michael Schaarschmidt联合发表的文章《Pre-training via Denoising for Molecular Property Prediction》。从3D结构中预测分子性质的数据有限，这对神经网络的泛化造成了挑战。作者介绍了一种预训练技术，它利用平衡状态下3D分子结构的大型数据集来为下游任务学习有意义的表示。受最近噪声正则化的启发，作者的预训练目标是基于去噪的。依赖于去噪自动编码器和分数比配之间公认的联系，作者还表明目标对应于直接从平衡结构学习分子力场——其由高斯混合近似物理状态分布产生。实验表明，使用这个预训练目标可以大大改善多个基准测试的性能，在广泛使用的QM9数据集中达到了最先进水平。最后，作者分析了不同因素对预训练的影响，并提出了实用性的见解。

01

【源头活水】让Mamba涨点！树形SSM来了！清华和腾讯提出GrootVL：多功能多模态框架

“问渠那得清如许，为有源头活水来”，通过前沿领域知识的学习，从其他研究领域得到启发，对研究问题的本质有更清晰的认识和理解，是自我提高的不竭源泉。为此，我们特别精选论文阅读笔记，开辟“源头活水”专栏，帮助你广泛而深入的阅读科研文献，敬请关注！

01

PrObeD方法开源 | 主动方法助力YOLOv5/Faster RCNN/DETR在COCO/GOD涨点

通用的2D目标检测（GOD）已经从早期的传统检测器发展到基于深度学习的目标检测器。深度学习方法的发展在近年来经历了许多架构上的变化，包括单阶段，两阶段，基于CNN的，基于Transformer的，以及基于扩散的方法。所有这些方法的目标都是预测图像中目标的2D边界框和它们的类别。

05

我们如何在 30 项关键服务任务中节省 70K 内核

作为 Uber 工程实现盈利的众多努力的一部分，最近我们的团队致力于通过提高效率来降低算力成本。其中最有影响力的一些工作是围绕 GOGC 优化展开的。在这篇博客，我们想分享我们在高效、低风险、大规模、半自动化 Go 垃圾回收调优机制方面的经验。

03

用复原魔方的思想对3D数据进行自监督学习（MICCAI 2020）

今天分享一篇发表在MICCAI 2020上的论文：Revisiting Rubik’s Cube: Self-supervised Learning with Volume-wise Transformation for 3D Medical Image Segmentation (原文链接：[1])。

02

参数量1/50，Meta发布110亿参数模型，击败谷歌PaLM

机器之心报道机器之心编辑部 Yann LeCun 表示：Atlas 是一个不太大的语言模型，具有 110 亿参数，在问答和事实核查方面击败了「大家伙」。我们可以将大型语言模型（LLMs）理解为小样本学习者，其能够通过很少的例子就能学习新任务，甚至仅通过简单的说明就能学习，其中对模型参数量和训练数据的大小进行扩展是模型拥有泛化能力的关键。LLMs 的这种提升归功于更强大算力和存储能力。直观上，推理能力的提高会带来更好的泛化，从而减少样本的学习，然而目前还不清楚有效的小样本学习在多大程度上需要大量的模型参数

01

34B参数量超越GPT-4！「数学通用大模型」MAmmoTH开源：平均准确率最高提升29%

数学推理问题是语言模型绕不过的痛点，在各种黑科技的加持下，开源模型的推理性能依然不够看。

01

80M参数打平GPT-4！苹果发超强上下文理解模型，聪明版Siri马上就来

今天，苹果发布了自家的最新模型ReALM，仅需80M参数，就能在上下文理解能力上打平甚至超越GPT-4！

01

Solus Linux 创始人正在开发一个没有 GNU 的“真正现代”的 Linux 发行版

曾经创建独立 Linux 发行版 Solus 的开发人员 Ikey Doherty 宣布了他的新项目：Serpent OS。

02

基于生成模型的推荐系统综述 (Gen-RecSys)

TLDR: 本篇综述旨在调研生成式推荐模型(Gen-RecSys)的主要进展，包括：交互驱动生成模型的基本概述；大型语言模型(LLM)在生成式推荐、检索和会话推荐中的应用；推荐系统中处理和生成图像视频内容的多模态模型的整合。本文以整体视角讨论了Gen-RecSys的影响和危害，并指出了其面临的挑战。

01

陈丹琦团队新作：数据量砍95%，大模型性能更强了！Less is More

数据选择算法LESS，只筛选出与任务最相关5%数据来进行指令微调，效果比用整个数据集还要好。

01

Kotlin 1.5.0-M2 发布：确保顺利迁移到 Kotlin 1.5.0

Kotlin 1.5.0 即将在今年春天发布，而 Kotlin 1.5.0-M2 是其的最后一个里程碑版本。因此，这将是您确保您的项目可以在 Kotlin 1.5.0 下正常工作的最后机会——再不行动，正式版就要来啦！

02

Salesforce AI Research Propose 'ALPRO'：一种新的视频和语言表示学习（预训练）框架

本文是 Marktechpost 工作人员根据研究论文“对齐和提示：使用实体提示进行视频和语言预训练”的总结。这项研究的所有功劳归于该项目的研究人员。

03

卷，卷，卷，SAM发布不到24h | BAAI、浙大、北大联合推出SegGPT

北京智源人工智能研究院联合浙大、北大发布SegGPT: Segmenting Everything In Context。让我们来一探究竟。

02

TransCenter: MIT&INRIA开源多目标物体跟踪算法

自从引入 Transformer 以来，其在 NLP 任务中就已被证明拥有卓越的性能。计算机视觉也不例外，近些年，Transformer 的使用在计算机视觉领域也变得非常流行。例如，Carian et al. 的 DETR 目标检测网络提出利用稀疏查询（sparse queries）的方式来搜索图像中的物体。同期工作也大多从 DETR 出发，保留稀疏查询，将 DETR 简单推广到多目标跟踪（MOT）任务中。

02

TransCenter: MIT&INRIA开源多目标物体跟踪算法

自从引入 Transformer 以来，其在 NLP 任务中就已被证明拥有卓越的性能。计算机视觉也不例外，近些年，Transformer 的使用在计算机视觉领域也变得非常流行。例如，Carian et al. 的 DETR 目标检测网络提出利用稀疏查询（sparse queries）的方式来搜索图像中的物体。同期工作也大多从 DETR 出发，保留稀疏查询，将 DETR 简单推广到多目标跟踪（MOT）任务中。

01

每日学术速递1.1

1.UniRef++: Segment Every Reference Object in Spatial and Temporal Spaces

01

Sublime Text 使用技巧1

Sublime Text 是一款功能很强大的编辑器，用起来很爽，界面也很华丽。但我看了一系列的学习视频时候，才发现为我对Sublime Text 2的许多功能还是不了解，这里记录下来，记性不好，只能通过别的方法来补充了。下面是一些小技巧。

02

Claude 3再次登顶！化学专业一骑绝尘，全面碾压GPT-4

Claude 3 Opus，Claude 3中最智能的模型，在大多数常见的人工智能系统评估基准测试中表现优异，包括本科水平专家知识（MMLU）、研究生水平专家推理（GPQA）、基础数学（GSM8K）等。

01

Meta-DETR | 图像级“元”学习提升目标检测精度

One-shot目标检测旨在通过几个标注的样本来检测新的目标。之前的工作已经证明了元学习是一个很有前途的解决方案，它们中的大多数基本上是通过解决在区域上的元学习检测来进行分类和位置微调。

04

大语言模型的预训练4：指示学习Instruction Learning详解以及和Prompt Learning,In-content Learning区别

Instruction Learning 让模型对题目 / 描述式的指令进行学习。针对每个任务，单独生成指示，通过在若干个 full-shot 任务上进行微调，然后在具体的任务上进行评估泛化能力，其中预训练模型参数是可更新的。

04

每日学术速递4.13

1.Slide-Transformer: Hierarchical Vision Transformer with Local Self-Attention(CVPR 2023)

02

介绍提示学习、连续提示、离散提示

2021 年，提示学习（Prompt Learning）的研究浪潮兴起。而早在 2020 年，OpenAI 在 NeurIPS 2020 发表的一篇论文 Language Models are Few-Shot Learners 中就已经探讨了如何利用提示学习来提升大语言模型（Large Language Models，LLMs）的推理能力。论文中介绍了 Zero-shot、One-shot、Few-shot 三种不同的提示方法，如下图示意。

00

6种机器学习算法要点

本文旨在为人们提供一些机器学习算法，这些算法的目标是获取关于重要机器学习概念的知识，同时使用免费提供的材料和资源。当然选择有很多，但哪一个是最好的？哪两个互相补充？什么是使用选定资源的最佳顺序？

09

SIGIR2024 | GraphGPT: 大语言模型引领图学习新范式

TLDR: 现有的许多图神经网络方法存在一个共同的局限性,即对高质量监督信号的强烈依赖,导致在处理稀疏和噪声数据时泛化性能较差。为了提升图神经网络的泛化能力,自监督学习被认为是具有潜力的研究方向。然而，这种对标注数据的依赖,可能会限制它们在缺乏高质量标注的实际场景中的泛化性能。针对上述挑战,本研究提出了一种基于大型语言模型的全新图学习方法——GraphGPT。其旨在在零样本学习场景下提升图模型的泛化能力,并在多个下游数据集和任务上展现了出色的性能。

01

Moonstarter IDO 一步一步的操作

第1轮:每一个白名单的个人将能够参与分配164,31美元，将与BNB挂钩，星期二，6月8日中午12 UTC时间。该回合将持续1小时。

02

人脸随意编辑！Adobe祭出新一代GAN神器：最多支持35个人脸属性变化

---- 新智元报道编辑：LRS 【新智元导读】用GAN模型进行图像合成有一个显著缺点，就是生成的图像不可控制，经常是摘个眼睛把性别都变了。最近Adobe提出新一代GAN模型，能够自由控制35个人脸属性的变化，而不会互相干扰。图像合成中的一个重要问题就是图像内的纠缠（entanglement）问题。比如把一个人脸上的胡子全都自动去掉，或者完美地贴上胡子，最后生成的图片或多或少都有违和感，因为胡子和人脸存在某种纠缠的关系。并且不同物体间的合成、去除的难度也不尽相同。举几个生活中的例子就很

01

人脸随意编辑！Adobe祭出新一代GAN神器：最多支持35个人脸属性变化

---- 点击上方↑↑↑“OpenCV学堂”关注我来源：公众号新智元授权【导读】用GAN模型进行图像合成有一个显著缺点，就是生成的图像不可控制，经常是摘个眼睛把性别都变了。最近Adobe提出新一代GAN模型，能够自由控制35个人脸属性的变化，而不会互相干扰。图像合成中的一个重要问题就是图像内的纠缠（entanglement）问题。比如把一个人脸上的胡子全都自动去掉，或者完美地贴上胡子，最后生成的图片或多或少都有违和感，因为胡子和人脸存在某种纠缠的关系。并且不同物体间的合成、去除的难度也不尽

03

容器的存储和网络开源方案该咋选？

容器存储的选择时至今日，企业客户运行容器的，编排工具大多数选择K8S。因此，我们先到社区里看看，目前K8S支持的持久存储，其实也就是PV支持的存储类型。 https://kubernetes.i

04

每日学术速递12.29

1.InstructVideo: Instructing Video Diffusion Models with Human Feedback

01

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭