自用计算机考研复试英语翻译常见词汇

最新推荐文章于 2025-02-24 16:32:56 发布
最新推荐文章于 2025-02-24 16:32:56 发布
阅读量644 收藏 7
点赞数 1
文章标签： 考研
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u010152858/article/details/129872195
版权

自用考研复试英语翻译常见词汇

http：hyper text transfer protocal
tcp:transmission control protocol
udp:user datagram protocol
smtp:simple mail transfer ~
ftp:file ~ ~
www:world wide web
fifo: First Input First Output
snmp: simple network management ~
DHCP:dynamic host configuration ~
PPP:point to point ~
IoT:internet of things
vpn：virtual private network
dns：domain name system
igp：interior gateway protocol
egp：external gateway protocol
gui：Graphical User Interface

analog signal 模拟信号
digital signal 数字信号
channel 信道
ethernet 以太网
frequency division multiplexing 频分复用
time division multiplexing 时分复用
code division multiplexing 码分复用
chip 码片
monochrome 单色

SVM：support vector machine
bfs：breath first search
dfs：depth first search
ai：artificial intelligence
sql：structured query language
ddl：data defination language
dcl:control
dml:manipulated
dql:query

transaction：事务
trigger：触发器
procedure：存储过程

mdr：Memory data Register
mar：Memory Address Register

频率：frequency

游标：cursor
会话：session
核：kernel
递推：recurrence
递归：recursion （来自算法之禅）
归纳法：Induction
高等数学：Advanced Mathematics
线性代数：linear algebra
概率论：probability theory
贝叶斯公式：Bayesian formula
监督学习：Supervised learning
半监督：semisupervised learning
内积：inner product
regression 回归
clustering 聚类
validation set 验证集
hypothesis function 假设函数
carrier sense multiple access 载波监听多点接口
contention period 争用期
collision window 碰撞窗口
jamming signal 人为干扰信号
derivative 导数
convex function 凸函数
converge 收敛
Feature scaling 特征缩放
mean normalization 均值归一化
Linear Algebra 线性代数
Matrices and vectors 矩阵和向量
inverse and transpose 逆和转置
Normal Equation 正态方程

（13-4）RAG基础知识介绍：高级RAG
码农三叔
02-04 2050
这是一个非常复杂的配置，涉及在每个文档上初始化一个Agent（OpenAIAgent），该智能体能进行文档摘要制作和传统问答机制的操作，还有一个顶层智能体，负责将查询分配到各个文档智能体，并综合形成最终的答案。然而，与往常一样，还有其他更复杂的选项，涉及多个LLM调用，以优化检索到的上下文并生成更出色的答案。然而，在多文档检索案例中，我们可以基于智能体的概念继续探讨，同时简要提及OpenAI助手，这是一个相对较新的概念，最近在OpenAI开发者大会上以GPTs的形式展示，并在下文的RAG系统中发挥作用。
深度解析RAG技术在大模型时代的原理与实践
m0_64752471的博客
10-21 1881
在 LLM 时代，RAG 的具体定义指的是，当回答问题或生成文本时，首先从大量文档中检索相关信息。随后，利用这些检索到的信息来生成响应或文本，从而提高预测质量。索引：文档被分割成块，编码成向量，并存储在向量数据库中；检索：根据语义相似性检索与问题最相关的前 k 个块；生成：将原问题和检索到的词块一起输入大语言模型中，生成最终答案。RAG 文本问答RAG 多模态问答。
大模型应用开发，必看的RAG高阶技巧
2301_81940605的博客
04-11 1099
大家好最近一直在探索RAG相关的技术，并且分析了langchain和llamaindex相关技术实现，现在总结和分享一些自己的经验。
高阶RAG技巧（四）后检索优化：重新排序、上下文后处理、提示工程、LLM 微调
Code1994的博客
02-24 1025
RAG 通过使生成模型能够引用外部数据来增强生成模型，从而提高响应准确性和相关性，同时减轻幻觉和信息差距。简单的 RAG 根据查询相似性检索文档，并直接将它们输入生成模型以生成响应。但是，更先进的技术（如本指南中详细介绍的技术）可以通过增强检索信息的相关性和准确性来显著提高 RAG 流水线的质量。本文回顾了可应用于 RAG 流水线各个阶段的高级 RAG 技术，以提高检索质量和生成响应的准确性。索引优化技术（如数据预处理和分块）专注于格式化外部数据以提高其效率和可搜索性。
15 种高级 RAG 技术，值得收藏！
m0_59164520的博客
08-20 857
一篇报告，介绍了 15 种高级 RAG（检索增强生成，Retrieval-Augmented Generation）技术，可以从预检索、检索、后检索和生成四个环节来细分。
高级检索增强生成技术(RAG)全面指南：原理、分块、编码、索引、微调、Agent、展望
人工智能讲师分享前沿技术
04-27 6581
如果我们使用多个源来生成答案，要么是由于初始查询的复杂性（我们必须执行多个子查询，然后将检索到的上下文合并到一个答案中），要么是因为我们在各种文档中找到了单个查询的相关上下文，问题是我们是否能够准确地回溯我们的来源。显然，尽管OpenAI是LLM提供商的市场领导者，但仍有许多替代方案，例如Anthropic的Claude、最近流行的较小但功能强大的模型，例如Mixtral形式的Mistral、Microsoft的Phi-2以及许多开源选项，例如Llama2、OpenLLaMA、Falcon。
开发RAG应用，你必须知道的7个Embedding模型
python12345_的博客
06-28 6260
在自然语言处理（NLP）领域，Embedding模型是将文本数据转化为数值向量的核心技术，从而让计算机能够便捷地衡量文本间的语义关联，这种表示法已成为多种基础NLP任务的核心，如文本相似度判定、语义搜索、信息检索、文本重新排序、聚类以及作为下游任务的特征输入。
【AI大模型应用开发】3.2 RAG实战 - RAG应用+UI实现加载本地文件并对话
2401_86518761的博客
09-12 1057
前面我们实现了RAG基本流程，今天我们在此基础上给它加个UI界面，在浏览器打开，实现上传本地文件、解析，并用大模型实现与该文档的对话。也就是一个阉割版demo版的ChatPDF或知识库对话系统。界面采用Python的gradio库，这个库在机器学习和大模型界很火，它运行后会启动一个Web服务器，并在默认浏览器中打开一个新页面，显示Gradio界面。别问为啥用这个，就是看大模型的界面好多都是这个库搭的，所以也就用一下。不会gradio没关系，就几行代码，很容易理解。
大模型技术学习系列(5): 基于langchain构建RAG应用
u011160113的博客
07-23 1482
本章中，我们回归了一下RAG的流程，并分析了下这个过程中涉及到的组件以及这些组件在langchain中对应的实现方式，并整合这些方式，实现了带RAG的大模型应用。通过这个实践过程，能够帮助我们更好的理解RAG的整个过程。
大模型应用开发之业务架构和技术架构（从AI Embedded 到 Copilot,再到Agent）
weixin_42924914的博客
09-10 1301
本文章，我们从大模型目前应用的典型业务架构和技术架构进行分析，让大家初步能够了解我们都是在如何使用LLM的，从而大家在自己的实际落地场景中，也可以对照分析，如何建设自己的业务架构和技术架构，以及选择什么样的技术路线。
基于Python的大模型RAG检索增强生成技术最佳实践设计源码
10-02
本项目源码“基于Python的大模型RAG检索增强生成技术最佳实践设计源码”就是致力于此领域的一次积极探索。 首先，这个项目是完全基于Python语言构建的。Python作为一种高级编程语言，在科学计算、数据分析以及机器...
更高级的 RAG 架构：提升 AI 大模型回答准确性的前沿技术
m0_59163425的博客
07-18 974
检索增强生成” (Retrieval Augmented Generation)，简称 RAG，这一概念首次出现在 2020 年 Meta 发布的一项学术研究中。RAG 通过将大量外部数据与基础模型相结合，增强了 LLM 的能力，使 AI 的回应更加真实、个性化和可靠。可以说 RAG 是一个旨在提高 LLM 性能的框架。短短三年内，RAG 在企业领域的 LLM 应用中取得了显著的增长。本文将对 RAG 技术进行进一步的探索，同时会介绍几种更进阶的 RAG 技术。
大模型技术知识点：RAG
h1453586413的博客
06-18 2782
RAG的核心思想是让语言模型在生成回答或文本时能够动态地从外部知识库中检索相关信息。这种方法能够提高模型生成内容的准确性、可靠性和透明度，同时减少“幻觉”（即模型生成看似合理但实际上错误的信息）。
RAG应用开发实战(01)-RAG应用框架和解析器
JavaEdge全是干货的技术号
04-11 619
第三方的工具去对文件解析拆分，去将我们的文件内容给提取出来，并将我们的文档内容去拆分成一个小的chunk。对文档的内容进行提取的时候，可能会发现提取出来的文档它的内容是会被截断的。跨页形式，提取出来它的上下页其实两部分内容就会被截断，导致文档内部分内容丢失，我们去解析图片或者是说双栏复杂的这种格式。作者简介：魔都技术专家，多家大厂后端一线研发经验，在分布式系统、和大数据系统等方面有多年的研究和实践经验，拥有从零到一的大数据平台和基础架构研发经验，对分布式存储、数据平台架构、数据仓库等领域都有丰富实践经验。
大模型系列——解读RAG
我相信......
02-04 3225
RAG 是2023年最流行的基于 LLM 的应用系统架构。有许多产品几乎完全建立在 RAG 之上，覆盖了结合网络搜索引擎和 LLM 的问答服务，到成千上万个数据聊天的应用程序。很多人将RAG和Agent 作为大模型应用的两种主流架构，但什么是RAG呢？RAG又涉及了哪些具体的技术呢？1. 什么是RAGRAG即检索增强生成，为 LLM 提供了从某些数据源检索到的信息，并基于此修正生成的答案。RAG ...
高级RAG(四)：RAGAs评估
热门推荐
weixin_42608414的博客
01-03 1万+
RAGAs (Retrieval-AugmentedGenerationAssessment) 它是一个框架(github官方文档question：用户输入的问题。answer：从 RAG 系统生成的答案(由LLM给出)。contexts：根据用户的问题从外部知识源检索的上下文即与问题相关的文档。： 人类提供的基于问题的真实(正确)答案。这是唯一的需要人类提供的信息。
高级 RAG 技术图解概览
GitCode
01-19 1626
这样的搜索分为两步：首先利用摘要来筛选出相关文档，然后只在这个筛选出的相关文档集中继续深入搜索。
用通俗易懂的方式讲解：一文详解大模型 RAG 模块
2301_78285120的博客
02-02 9591
RAG 技术是一种检索增强生成的方法，结合了大型语言模型和检索系统的优势，以提高生成内容的准确性、相关性和时效性。相比于仅依赖大型语言模型的生成，RAG技术可以从外部知识库中检索信息，避免了模型的幻觉问题，并提升了对实时性要求较高问题的处理能力。与传统的知识库问答系统相比，RAG技术更加灵活，可以处理非结构化的自然语言文本。RAG并非旨在取代已有的知识库问答系统，而是作为一种补充，强调实时性和准确性，并且通过结合生成和检索机制来提升自然语言处理任务的效果。增强数据获取。
5分搞懂大模型 - RAG（检索、增强、生成）
2401_85327249的博客
09-01 5180
RAG（Retrieval-Augmented Generation，检索增强生成） 是一种结合了信息检索技术与语言生成模型的人工智能技术。该技术通过从外部知识库中检索相关信息，并将其作为提示（Prompt）输入给大型语言模型（LLMs），以增强模型处理知识密集型任务的能力，如问答、文本摘要、内容生成等。RAG模型由Facebook AI Research（FAIR）团队于2020年首次提出，并迅速成为大模型应用中的热门方案。
大模型开发 rag项目
最新发布
03-27
### 大模型 RAG 开发教程与实现方案 #### 什么是RAG？ 信息检索增强生成（Retrieval-Augmented Generation, 简称RAG）是一种结合了检索系统和生成模型的技术，旨在提高大型语言模型的性能。它通过将外部知识库中的数据引入到生成过程中，使得生成的内容更准确、上下文一致且实时更新[^1]。 #### RAG的核心工作流程 RAG 的核心机制分为以下几个部分： - **检索阶段**：利用搜索引擎或其他检索工具从外部数据库中获取相关信息。 - **增强阶段**：将检索到的数据作为额外的上下文输入传递给生成模型，从而帮助其更好地理解问题并提供精确的回答[^2]。 - **生成阶段**：综合用户的查询以及之前检索得到的知识片段，形成完整的提示模板，并将其送入大语言模型以获得最终结果[^3]。 #### 技术选型建议 对于希望开展基于大模型的RAG项目开发者来说，可以从GitHub等平台上寻找合适的开源框架来加速开发进程。这些框架通常已经实现了上述提到的主要组件，并提供了灵活配置选项以便适配不同应用场景下的具体需求。 #### 示例代码展示 下面给出一段简单的Python伪代码用于说明如何搭建一个基础版本的RAG应用： ```python from transformers import pipeline import faiss from datasets import load_dataset def build_index(data): index = faiss.IndexFlatL2(len(data[0])) index.add(np.array(data)) return index def retrieve(index, query_vector, k=5): _, indices = index.search(query_vector.reshape(1,-1),k) return dataset.select(indices.flatten()) def generate(contexts, question): nlp = pipeline('question-answering') answers = [] for context in contexts: answer = nlp({'context': context,'question': question}) answers.append(answer['answer']) return max(set(answers), key=answers.count) dataset = load_dataset("my_knowledge_base")["train"]["text"] index = build_index([embed(d) for d in dataset]) query = "What is the capital of France?" retrieved_docs = retrieve(index, embed(query)) response = generate(retrieved_docs, query) print(response) ``` 此段代码展示了如何创建向量索引、执行文档检索以及调用预训练问答模型完成最后一步文本生成的过程。 #### 学习资源推荐 如果想深入研究关于AI大模型特别是涉及到像RAG这样的高级主题，则可能需要一些系统的理论和技术积累。这里有一份包含大量宝贵资料的学习包可供参考[^4]。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值