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

如何从iqueryable中提取方法并应用于新上下文

从iQueryable中提取方法并应用于新上下文的过程可以通过以下步骤完成：

理解iQueryable：iQueryable是.NET框架中的接口，用于表示可查询的数据源。它提供了一组方法，用于构建和执行查询操作，例如过滤、排序和投影等。
提取方法：首先，需要通过调用iQueryable接口的方法来构建查询。这些方法包括Where、OrderBy、Select等。根据具体的需求，可以使用这些方法来过滤、排序和选择需要的数据。
应用于新上下文：一旦查询方法被提取出来，可以将其应用于新的上下文中的数据源。新的上下文可以是不同的数据库、数据集合或其他数据源。为了应用这些方法，需要将新的数据源转换为iQueryable对象，并使用提取出的方法来执行查询操作。
示例代码：

// 假设有一个原始的iQueryable对象
IQueryable<User> originalQuery = dbContext.Users;

// 提取方法，例如过滤和排序
var filteredQuery = originalQuery.Where(u => u.Age > 18);
var sortedQuery = filteredQuery.OrderBy(u => u.Name);

// 应用于新上下文的数据源
IQueryable<User> newQuery = newDbContext.Users;

// 将提取出的方法应用于新上下文的数据源
var result = sortedQuery.ToList(); // 执行查询操作

// result包含了根据提取出的方法从新上下文中获取的数据

在这个示例中，我们首先从原始的iQueryable对象中提取了过滤和排序的方法。然后，我们将这些方法应用于新的上下文中的数据源，并执行查询操作，最终获取到了符合条件的数据。

腾讯云相关产品和产品介绍链接地址：

腾讯云数据库：https://cloud.tencent.com/product/cdb
腾讯云云服务器：https://cloud.tencent.com/product/cvm
腾讯云人工智能：https://cloud.tencent.com/product/ai
腾讯云物联网：https://cloud.tencent.com/product/iotexplorer
腾讯云移动开发：https://cloud.tencent.com/product/mobdev
腾讯云存储：https://cloud.tencent.com/product/cos
腾讯云区块链：https://cloud.tencent.com/product/baas
腾讯云元宇宙：https://cloud.tencent.com/product/mu

相关搜索:如何从表中提取值并创建新表如何从txt文件中提取列并保存到新矩阵中如何从数据中提取列并创建新的命名文件如何从SQL中的XML列中提取值并插入到新列中？从字典中提取条目并添加到新列表中。(Python)如何从静态方法颤动中获取上下文如何有效地从函数(python)中提取值并传递给上下文(Django)javascript -从值中提取文本并添加到新的键值对中寻找一种方法从数组中提取值，将它们相加并推送到新的数组中如何在gofiber中从本地上下文中提取值如何从Leaflet Map中删除多个标记并添加新标记？如何从方法中提取类的依赖于上下文的变量，以避免重复代码？如何在admin update方法中从Django queryset中提取id？R-如何创建循环函数来提取数据并粘贴到新数据框中如何使用FFmpeg、OpenCV和python从.yuv视频文件中提取特定帧并创建新视频？如何从blazor中的sync方法调用异步并等待结果？从给定的组列表中提取用户，并使用powershell将数据以文本形式提取到每个新组名称中如何提取从API中获取的JSON数据并传递到react-plotly中？如何从表单组件中获取数据并传递给React中的方法？如何从POST请求负载中提取特定信息并保存到txt文件中？

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

.NET深入解析LINQ框架（四：IQueryable、IQueryProvider接口详解)

在开始看本篇文章之前先允许我打断一下各位的兴致。其实这篇文章本来是没有打算加“开篇介绍”这一小节的，后来想想还是有必要反馈一下读者的意见。经过前三篇文章的详细讲解，我们基本上对LINQ框架的构成原理有了一个根本的认识，包括对它的设计模型、对象的模型等，知道LINQ的查询表达式其实是C#之上的语法糖，不过这个糖确实不错，很方便很及时，又对一系列的LINQ支撑原理进行了大片理论的介绍，不知道效果如何；

01

.net 温故知新：【10】.NET ORM框架EFCore使用入门之CodeFirs、DBFirst

前言：本系列是我自己学习.net相关知识，以便跟上.net跨平台的步伐，目前工作原因基本在.net Framework4.7以下，所以才有了这一系列的学习总结，但是并不是从基本的C#语法和基础知识开始的，而是围绕.net core以后平台的重要设计和差异进行温故知新。目的在于通过要点的梳理最后串联起整个跨平台框架。之前的几篇算是把框架重要设计和框架重要知识点复习了，当然什么系统都可能使用到ORM框架。所以这里为了整个过程的完整连续性加入一个EFCore的示例，ORM不算详细写了，毕竟ORM框架可以根据需求选择很多，如果再详细那又是另外一个系列了，这里只做简单介绍。从这篇ORM完成之后就将进入asp.net core的学习总结！

03

一周论文 | 基于知识图谱的问答系统关键技术研究#4

作者丨崔万云学校丨复旦大学博士研究方向丨问答系统，知识图谱领域问答的基础在于领域知识图谱。对于特定领域，其高质量、结构化的知识往往是不存在，或者是极少的。本章希望从一般文本描述中抽取富含知识的句子，并将其结构化，作为问答系统的知识源。特别的，对于不同的领域，其“知识”的含义是不一样的。有些数据对于某一领域是关键知识，而对于另一领域则可能毫无意义。传统的知识提取方法没有考虑具体领域特征。本章提出了领域相关的富含知识的句子提取方法，DAKSE。DAKSE 从领域问答语料库和特定领域的纯文本文档中学习富

08

【论文笔记】Scalable End-to-End Dialogue State Tracking with Bidirectional Encoder Representations from Tr

对话状态跟踪 (DST) 中一个重要但很少被解决的问题是动态 ontology（如电影、餐馆）和 unseen 的插槽值的可扩展性。以前的方法通常依赖于 n 格枚举或槽标记输出的候选生成，这可能遭受错误传播而导致效率低下。

03

金三银四面试：C#.NET面试题中高级篇5-Linq和EF

实体框架EF是http://ADO.NET中的一组支持开发面向数据的软件应用程序的技术，是微软的一个ORM框架。

03

.NET 表达式树

达式树是不可变的；如果需要不同的表达式树并因此需要不同的查询，则需要将现有表达式树转换为新的表达式树，从而转换为新的 IQueryable。

04

多尺度特征融合：为检测学习更好的语义信息（附论文下载）

论文地址：https://arxiv.org/pdf/2112.13082.pdf

01

（转载）IQueryable和IEnumerable

第一篇：https://www.cnblogs.com/zgqys1980/p/4047315.html；

03

Repository个人实践

最近，有空了，想着把之前一些乱七八糟的小项目给整理一下，尤其是涉及到Repository、UoW几处。为此，专门查阅了博客园中几个大神关于Repository的实践，到最后都感觉依然莫衷一是，于是感觉这玩意儿不能深究，自己还是紧扣Martin老爷子关于Repository及UoW的核心定义，自己实践核心概念就是了，其他的都不重要了。

02

拯救被「掰弯」的GPT-4！西交微软北大联合提出IN2训练治疗LLM「中间迷失」

这个现象叫做LLM的中间迷失（Lost in the Middle），是大模型当前仍面临的最大挑战之一。

01

即插即用，快速适配！港大FlashST：简单通用的智慧交通时空预测模型 | ICML 2024

交通预测的目标是准确预测和分析城市未来的交通模式，这一过程需要同时考虑时间和空间因素。

01

特定任务上下文解耦用于目标检测（Chat-GPT协助完成）

论文地址：https://arxiv.org/pdf/2303.01047.pdf

02

首发 | 旷视14篇CVPR 2019论文，都有哪些亮点？

回顾 CVPR 2018 ，旷视科技有 8 篇论文被收录，如高效的移动端卷积神经网络 ShuffleNet、语义分割的判别特征网络 DFN、优化解决人群密集遮挡问题的 RepLose、通过角点定位和区域分割优化场景文本检测的一种新型场景文本检测器、率先提出的可复原扭曲的文档图像等等。

02

CVPR2020 | 真实场景中的玻璃检测，有趣的应用

论文地址：http://openaccess.thecvf.com/content_CVPR_2020/papers/Mei_Dont_Hit_Me_Glass_Detection_in_Real-World_Scenes_CVPR_2020_paper.pdf

03

【干货】主题模型如何帮助法律部门提取PDF摘要及可视化（附代码）

【导读】本文是Oguejiofor Chibueze于1月25日发布的一篇实用向博文，详细介绍了如何将主题模型应用于法律部门。文章中，作者分析了律师在浏览大量的法律文件的时候可以通过文档摘要进行快速了

07

用于自然语言处理的BERT-双向Transformers的直观解释

在这篇文章中，我们将使用一种直观的方法来理解NLP的发展，包括BERT。预训练策略使BERT如此强大和流行，并且BERT可针对大多数NLP任务进行微调。

02

在VS中调试LINQ(Lambda)

Linq调试有3种方法，准确来说是2种，因为LinqPad算是复制代码段到外部了。。

03

再见卷积神经网络，使用Transformers创建计算机视觉模型

本文旨在介绍/更新Transformers背后的主要思想，并介绍在计算机视觉应用中使用这些模型的最新进展。

02

清华&MBZUAI&CMU&牛津提出DenseCLIP，用上下文感知的提示进行语言引导密集预测！代码已开源！

最近的研究表明，使用对比图像文本对进行大规模的预训练可能是从自然语言监督中学习高质量视觉表示的有前途的方法。得益于更广泛的监督来源，这一新范式在下游分类任务和可迁移性方面展现出了不错的结果。

02

PGA-Net：基于金字塔特征融合与全局上下文注意力网络的自动表面缺陷检测

缺陷检测是工业产品处理中的一项重要任务。当前，已经有很多基于计算机视觉技术的检测方法成功应用于工业领域并取得了较好的检测结果。然而，受限于类间表面缺陷的内在复杂性，使得实现完全自动的缺陷检测仍然面临巨大挑战。虽然，类间缺陷包含相似的部分，但是缺陷的表面仍然存在较大的不同。为了解决这个问题，论文提出了一种金字塔特征融合与全局上下文注意力网络的逐像素表面缺陷检测方法，并命名为PGA-Net。在这个框架中，首先从骨干网络提取多尺度特征。然后，使用金字塔特征融合模块，通过一些有效的跳连接操作将5个不同分辨率的特征进行融合。最后，再将全局上下文注意模块应用于相邻分辨率的融合特征，这使得有效信息从低分辨率融合特征图传播到高分辨率融合特征图。另外，在框架中还加入边界细化模块，细化缺陷边界，提高预测结果。实验结果证明，所提方法在联合平均交点和平均像素精度方面优于对比方法。

01

学界 | 腾讯AI Lab解读多篇ACL 2018入选长文

本文转载自腾讯 AI Lab，微信号 tencent_ailab。本文将详解 2018 年 NLP 领域顶级学术会议 ACL 上，腾讯AI Lab入选 5 篇文章中的 4 篇长文。

02

CVPR2021 | DyCo3D: 基于动态卷积的3D点云鲁棒实例分割

原文地址：CVPR2021 | DyCo3D: 基于动态卷积的3D点云鲁棒实例分割

04

ACL 2024 | 构建超关系知识图谱（KG），增强大模型多跳/Multi-hop QA问答能力！

对于非结构化文本，大模型 (LLM) 比较擅长回答简单（单跳）问题。然而，随着问题的复杂性增加，LLM 的性能会下降。本文作者认为其主要原因是，大模型在理解复杂问题和从原始文本中筛选、聚合非结构化信息过程中出现了性能问题。

01

利用U-Net上下文融合模块实现高效的手掌线分割

世界上许多文化都相信看手相可以用来预测一个人未来的生活。手相学使用的是手的特征，比如手掌的纹路，手的形状，或者指尖的位置。然而，目前对掌纹检测的研究还比较少，很多人采用了传统的图像处理技术。在大多数真实场景中，图像通常不是很好，导致这些方法的性能严重不足。本文提出了一种从人的手掌图像中提取主要掌纹的算法。作者的方法应用深度学习网络(DNNs)来提高性能。这个问题的另一个挑战是缺乏训练数据。为了处理这个问题，作者从头手工制作了一个数据集。从这个数据集，作者比较了现成的方法和作者的方法的性能。此外，基于UNet分割神经网络结构和注意机制知识，作者提出了一种高效的手掌纹检测结构。作者提出了上下文融合模块来捕捉最重要的上下文特征，目的是提高分割精度。实验结果表明，该方法的F1得分最高，约为99.42%，在同一数据集上mIoU为0.584，优于其他方法。

01

在大模型RAG系统中应用知识图谱

【引子】关于大模型及其应用方面的文章层出不穷，聚焦于自己面对的问题，有针对性的阅读会有很多的启发，本文源自Whyhow.ai 上的一些文字和示例。对于在大模型应用过程中如何使用知识图谱比较有参考价值，特汇总分享给大家。

02

史上最全《知识图谱》2020综述论文，18位作者, 130页pdf

在本文中，我们对知识图谱进行了全面的介绍，在需要开发多样化、动态、大规模数据收集的场景中，知识图谱最近引起了工业界和学术界的极大关注。在大致介绍之后，我们对用于知识图谱的各种基于图的数据模型和查询语言进行了归纳和对比。我们将讨论schema, identity, 和 context 在知识图谱中的作用。我们解释如何使用演绎和归纳技术的组合来表示和提取知识。我们总结了知识图谱的创建、丰富、质量评估、细化和发布的方法。我们将概述著名的开放知识图谱和企业知识图谱及其应用，以及它们如何使用上述技术。最后，我们总结了未来高层次的知识图谱研究方向。

03

独家 | 阿里智能音箱发布前夕，首次公布自然语言处理成果

机器之心报道机器之心编辑部阿里巴巴AI Labs 将在7月5日发布第一款智能音箱设备的消息引发了国内极大的关注，但读者们不仅不熟悉阿里巴巴AI Labs，对阿里自然语言处理方面的成果是不是也不理解？这篇文章介绍了阿里巴巴被国际数据挖掘顶会KDD2017收录的一篇自然语言处理（NLP）的相关论文《一种新的语义编码模型及其在智能问答及分类中的应用》。上周，关于阿里巴巴成立 AI Labs 的消息不胫而走。事实上，该机构在 2016 年低调成立，主要负责阿里巴巴集团旗下消费级 AI 产品研发，与 iDST

08

【技术白皮书】第三章：文字表格信息抽取模型介绍——实体抽取方法：NER模型（上）

深度学习是一个由多个处理层组成的机器学习领域，用于学习具有多个抽象层次的数据表示。典型的层次是人工神经网络，由前向传递和后向传递组成。正向传递计算来自前一层的输入的加权和，并通过非线性函数传递结果。向后传递是通过导数链规则计算目标函数相对于多层模块堆栈权重的梯度。深度学习的关键优势在于表示学习的能力以及向量表示和神经处理赋予的语义合成能力。这允许机器输入原始数据，并自动发现分类或检测所需的潜在表示和处理。

02

TabTransformer：用于表格数据的Transformer

首先，我们将回答为什么可以将transformer应用于表格数据。然后，我们将看到他们如何处理表格数据。

04

每日学术速递8.4

1.Revisiting DETR Pre-training for Object Detection

01

[Nat. Mach. Intell] 用于通过细胞系化合物筛选对个性化临床药物反应鲁棒预测的上下文感知去混杂自编码器

A context-aware deconfounding autoencoder for robust prediction of personalized clinical drug response from cell-line compound screening

01

论文阅读：《Improving Content-based and Hybrid Music Recommendation using Deep Learning》

https://blog.csdn.net/u011239443/article/details/79984751

03

ICCV 2023 | 基于模型的深度视频压缩

传统的混合视频编码框架和现有的基于深度学习的视频压缩（DLVC）方法都遵循相同的视频压缩方法，通过设计各种模块来减少空间和时间冗余。它们使用同一帧或相邻帧中的相邻像素作为参考来导出帧内或帧间预测值。由于视频序列是以高帧率（例如30fps或60fps）捕获的，因此同一场景可能出现在时域中高度相关的数百个帧中。然而，现有的压缩策略并不能很好地去除块级或帧级预测中的场景冗余。

04

【ACL2018】腾讯AI Lab入选5篇论文解读：神经机器翻译、情感分类等

【新智元导读】第 56 届计算语言学协会年会ACL 2018 将于当地时间7 月15-20 日在澳大利亚墨尔本举办。腾讯AI Lab 今年共有 5 篇论文入选，涉及到神经机器翻译、情感分类和自动评论等研究方向。

00

人脸技术：不清楚人照片修复成高质量高清晰图像框架（附源代码下载）

关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq 学习群｜扫码在主页获取加入方式论文地址：https://arxiv.org/pdf/2201.06374.pdf 代码地址：https://github.com/wzhouxiff/RestoreFormer.git 计算机视觉研究院专栏作者：Edison_G Blind face恢复是从未知退化中恢复高质量的人脸图像。由于人脸图像包含丰富的上下文信息，研究者提出了一种方法，RestoreFormer，它

03

一个提示，让Llama 2准确率飙至80.3%？Meta提出全新注意力机制S2A，大幅降低模型幻觉

比如偏见（或包含不良信息）、幻觉（编造不存在的事情）、推理能力仍然比较弱（尽管有了step by step），还有一个问题是LLM倾向于迎合使用者的观点（阿谀奉承）。

01

车道线模型落地技巧 | LGAD注意力蒸馏让模型更鲁棒

车道线分割由于其在驾驶辅助系统和自动驾驶车辆中的应用，近年来越来越受到关注。此视觉任务旨在定位道路场景图像中的车道。车道的精确位置有利于下游任务，如在车道内定位汽车、车道偏离检测和轨迹规划。

03

内容中心知识图谱与大语言模型的深度整合

使用大型语言模型 (LLM) 提取知识图谱既耗时又容易出错。这些困难源于 LLM 被要求从内容中提取细粒度的、特定于实体的信息。受向量搜索优势的启发，特别是从相对较少清理的内容中获取良好结果的能力，让我们探索一个粗粒度的知识图谱——内容知识图谱——专注于内容之间的关系。

01

第三章--第一篇：什么是情感分析？

情感分析是一种自然语言处理技术，旨在识别和理解文本中表达的情感、情绪和情感倾向。它利用计算机算法和模型来分析文本中的情感表达，以确定文本的情感状态，例如正面、负面或中性。情感分析可以帮助我们理解人们在文本中表达的情感态度，从而揭示用户对产品、服务、事件或主题的情感倾向和观点。情感分析在自然语言处理领域具有重要性和广泛应用。首先，情感分析可以帮助企业了解用户对其产品和服务的情感反馈。通过分析用户在社交媒体、在线评论和调查问卷中的情感表达，企业可以了解用户对其产品的喜好、满意度和不满意度，从而进行改进和优化。其次，情感分析在舆情监测和品牌管理中发挥关键作用。通过分析公众对特定事件、品牌或产品的情感反馈，可以及时了解公众对品牌形象的看法，从而进行舆情应对和品牌形象的管理。此外，情感分析在社交媒体挖掘、市场调研和消费者洞察方面也具有广泛的应用。通过分析用户在社交媒体平台上的情感表达，可以了解用户对不同产品、话题和事件的看法和情感态度，为市场调研和推广活动提供有价值的信息。本文旨在介绍情感分析的概念和定义，强调情感分析在自然语言处理领域的重要性和应用广泛性。同时，我们将探讨情感分析的方法和技术，分析其在不同领域的应用，并讨论情感分析面临的挑战和未来发展方向。

03

CVPR2022：局部和全局知识蒸馏用于目标检测（源代码开源）

关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq 学习群｜扫码在主页获取加入方式论文地址：https://arxiv.org/pdf/2111.11837.pdf 源代码： https://github.com/yzd-v/FGD 计算机视觉研究院专栏作者：Edison_G 知识蒸馏已成功应用于图像分类。然而目标检测要复杂得多，大多数知识蒸馏方法都失败了。 01 前言在目标检测中，教师和学生的特征在不同的区域有很大的差异，尤其是在前景和背景中。如

03

图像恢复系列（11）之修复（inpainting） | 最新ICCV2021生成对抗网络GAN论文梳理汇总

本文提出一种用于图像修复的新型双流网络，以耦合方式进行结构约束的纹理合成，以及纹理引导的结构重建，可以更好地相互利用以获得更合理的生成。此外，为增强全局一致性，设计双向门控特征融合（Bi-GFF）模块来交换和组合结构和纹理信息，并开发上下文特征聚合（CFA）模块。CelebA、Paris StreetView 和 Places2 数据集上的定性和定量实验证明了所提出方法的优越性。

03

CVPR 2022：Generalized Few-shot Semantic Segmentation 解读

之前已经有过关于小样本语义分割的论文解读，关于如何用 Transformer 思想的分类器进行小样本分割，链接见：https://mp.weixin.qq.com/s/YVg8aupmAxiu5lGTYrhpCg 。本篇是发表在 CVPR 2022 上的 Generalized Few-shot Semantic Segmentation（后文简称 GFS-Seg），既一种泛化的小样本语义分割模型。在看论文的具体内容之前，我们先了解一些前置知识。

01

CVPR 2022：Generalized Few-shot Semantic Segmentation 解读

之前已经有过关于小样本语义分割的论文解读，关于如何用 Transformer 思想的分类器进行小样本分割，链接见：https://mp.weixin.qq.com/s/YVg8aupmAxiu5lGTYrhpCg 。本篇是发表在 CVPR 2022 上的 Generalized Few-shot Semantic Segmentation（后文简称 GFS-Seg），既一种泛化的小样本语义分割模型。在看论文的具体内容之前，我们先了解一些前置知识。

03

DDD理论学习系列（12）-- 仓储

1. 引言 DDD中Repository这个单词，主要有两种翻译：资源库和仓储，本文取仓储之译。说到仓储，我们肯定就想到了仓库，仓库一般用来存放货物，而仓库一般由仓库管理员来管理。当工厂生产了一批货物时，只需交给仓库管理员即可，他负责货物的堆放；当需要发货的时候，仓库管理员负责从仓库中捡货进行货物出库处理。当需要库存盘点时，仓库管理员负责核实货物状态和库存。换句话说，仓库管理员负责了货物的出入库管理。通过仓库管理员这个角色，保证了仓库和工厂的独立性，工厂只需要负责生产即可，而至于货物如何存放工厂无需关注。

07

每日学术速递7.1

CV - 计算机视觉 | ML - 机器学习 | RL - 强化学习 | NLP 自然语言处理

02

一文综述，未来已来 | 视觉和大语言模型的未来是什么？必然结连理实现多模态大模型

多模态模型结合了多种数据类型，如图像、文本、音频等。传统的语言模型（LLMs）主要针对文本数据进行训练和应用，但在理解其他数据类型方面存在局限性。纯文本语言模型，如GPT-3、BERT和RoBERTa，在文本生成和编码等任务上表现出色，但在理解和处理其他数据类型方面存在不足。

01

一文综述，未来已来 | 视觉和大语言模型的未来是什么？必然结连理实现多模态大模型

多模态模型结合了多种数据类型，如图像、文本、音频等。传统的语言模型（LLMs）主要针对文本数据进行训练和应用，但在理解其他数据类型方面存在局限性。纯文本语言模型，如GPT-3、BERT和RoBERTa，在文本生成和编码等任务上表现出色，但在理解和处理其他数据类型方面存在不足。

01

.NET深入解析LINQ框架（五：IQueryable、IQueryProvider接口详解)

这个主题扯的可能有点远，但是它关系着整个LINQ框架的设计结构，至少在我还没有搞懂LINQ的本意之前，在我脑海里一直频频出现这样的模型，这些模型帮助我理解LINQ的设计原理。其实在最早接触环路模型和碎片化模型是在前两个月，那个时候有幸接触企业应用架构方面的知识，里面就有很多业务碎片化的设计技巧。其实理解这些所谓的设计模型后将大大开阔我们的眼界，毕竟研究框架是要研究它的设计原理，它的存在必然是为了解决某一类问题，问题驱动它的设计模型。所以我们在研究这样的模型的时候其实已经在不知不觉的理解问题的本质。

03

【陆勤践行】机器学习与文本分析

原文作者：微软研究院杰出科学家Ashok Chandra博士，项目经理Dhyanesh Narayanan 译者：张鑫上个世纪七十年代，当我（Ashok）还是一名斯坦福大学人工智能实验室的学生时，大

09

机器学习与文本分析

image.png 原文作者：微软研究院杰出科学家Ashok Chandra博士，项目经理Dhyanesh Narayanan 译者：张鑫上个世纪七十年代，当我（Ashok）还是一名斯坦福大学人工智

06

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