智能Agent場景實戰指南 Day 26：Agent評估與性能優化

【智能Agent場景實戰指南 Day 26】Agent評估與性能優化

開篇

歡迎來到"智能Agent場景實戰指南"系列的第26天！今天我們將深入探討智能Agent的評估方法與性能優化技術。構建高效、可靠的智能Agent系統需要完善的評估體系和優化策略，本文將系統講解如何量化評估Agent性能、識別系統瓶頸以及實施針對性優化，幫助開發者打造高性能的企業級智能Agent應用。

場景概述

業務價值

有效的Agent評估與優化帶來的核心價值：

  1. 質量保障：確保Agent行為符合預期
  2. 性能提升：優化響應速度和資源利用率
  3. 成本控制：降低計算資源和API調用成本
  4. 持續改進：建立可衡量的優化目標
  5. 用戶體驗：提供穩定高效的服務質量

技術挑戰

實現全面評估與優化面臨的主要挑戰：

  1. 評估指標多樣性：需要多維度量化評估
  2. 測試數據覆蓋：構建代表性測試數據集
  3. 性能瓶頸識別：準確找到系統瓶頸點
  4. 優化權衡：平衡質量與性能/成本
  5. 動態適應：適應不斷變化的用戶需求

技術原理

評估維度

評估維度關鍵指標測量方法
功能正確性任務完成率測試用例通過率
響應質量回答準確度人工/自動評分
性能表現響應延遲時間測量
資源效率CPU/內存使用系統監控
穩定性錯誤率日志分析
用戶體驗滿意度評分用戶反饋

優化技術

優化領域常用技術適用場景
模型優化量化/蒸餾生成延遲高
緩存策略多級緩存重復查詢多
異步處理非阻塞架構長流程任務
負載均衡動態分配高并發場景
預處理預計算可預測需求

架構設計

評估系統架構

[測試數據集]
│
▼
[評估引擎] → [功能測試模塊]
│           │
▼           ▼
[性能測試] ← [質量評估模塊]
│           │
▼           ▼
[優化建議] → [報告生成]

關鍵組件

  1. 測試數據集管理：存儲和管理測試用例
  2. 評估引擎核心：協調評估流程
  3. 功能測試模塊：驗證Agent行為正確性
  4. 質量評估模塊：評價響應質量
  5. 性能測試模塊：測量系統性能指標
  6. 優化建議生成：分析評估結果提出優化建議

代碼實現

基礎環境配置

# requirements.txt
pytest==7.4.0
numpy==1.24.3
pandas==2.0.3
openai==0.28.0
tqdm==4.65.0
psutil==5.9.5

評估系統核心實現

from typing import List, Dict, Any
import time
import pandas as pd
import numpy as np
from tqdm import tqdm
import psutil
import pytestclass AgentEvaluator:
def __init__(self, agent_instance):
"""
初始化Agent評估器
:param agent_instance: 待評估的Agent實例
"""
self.agent = agent_instance
self.test_cases = []
self.metrics = {
'functional': {},
'performance': {},
'resource': {},
'quality': {}
}def load_test_cases(self, test_case_file: str):
"""加載測試用例"""
df = pd.read_csv(test_case_file)
for _, row in df.iterrows():
self.test_cases.append({
'input': row['input'],
'expected': row['expected'],
'context': row.get('context', '')
})def evaluate_functional(self) -> Dict[str, float]:
"""執行功能評估"""
print("Running functional evaluation...")
results = []for case in tqdm(self.test_cases):
try:
response = self.agent.handle_request(case['input'], case['context'])
passed = self._check_response(response, case['expected'])
results.append(passed)
except Exception as e:
print(f"Error evaluating case {case['input']}: {str(e)}")
results.append(False)pass_rate = sum(results) / len(results)
self.metrics['functional'] = {
'pass_rate': pass_rate,
'total_cases': len(results),
'passed_cases': sum(results)
}return self.metrics['functional']def evaluate_performance(self, warmup: int = 3) -> Dict[str, float]:
"""執行性能評估"""
print("Running performance evaluation...")
latencies = []# 預熱
for _ in range(warmup):
self.agent.handle_request("warmup", "")# 正式測試
for case in tqdm(self.test_cases):
start_time = time.perf_counter()
self.agent.handle_request(case['input'], case['context'])
latency = time.perf_counter() - start_time
latencies.append(latency)self.metrics['performance'] = {
'avg_latency': np.mean(latencies),
'p95_latency': np.percentile(latencies, 95),
'min_latency': np.min(latencies),
'max_latency': np.max(latencies),
'throughput': len(latencies) / sum(latencies)
}return self.metrics['performance']def evaluate_resource_usage(self) -> Dict[str, float]:
"""評估資源使用情況"""
print("Evaluating resource usage...")
cpu_usages = []
mem_usages = []process = psutil.Process()for case in tqdm(self.test_cases):
# 測試前資源狀態
cpu_before = process.cpu_percent(interval=0.1)
mem_before = process.memory_info().rss / (1024 * 1024)  # MBself.agent.handle_request(case['input'], case['context'])# 測試后資源狀態
cpu_after = process.cpu_percent(interval=0.1)
mem_after = process.memory_info().rss / (1024 * 1024)cpu_usages.append(cpu_after - cpu_before)
mem_usages.append(mem_after - mem_before)self.metrics['resource'] = {
'avg_cpu': np.mean(cpu_usages),
'max_cpu': np.max(cpu_usages),
'avg_mem': np.mean(mem_usages),
'max_mem': np.max(mem_usages)
}return self.metrics['resource']def evaluate_quality(self, llm_evaluator=None) -> Dict[str, float]:
"""評估響應質量"""
print("Evaluating response quality...")
scores = []for case in tqdm(self.test_cases):
response = self.agent.handle_request(case['input'], case['context'])if llm_evaluator:
score = llm_evaluator.evaluate(
case['input'],
response,
case.get('expected', None)
)
else:
score = self._simple_quality_score(response, case.get('expected', None))scores.append(score)self.metrics['quality'] = {
'avg_score': np.mean(scores),
'min_score': np.min(scores),
'max_score': np.max(scores)
}return self.metrics['quality']def _check_response(self, response: Any, expected: Any) -> bool:
"""檢查響應是否符合預期"""
if isinstance(expected, str):
return expected.lower() in str(response).lower()
elif callable(expected):
return expected(response)
else:
return str(response) == str(expected)def _simple_quality_score(self, response: Any, expected: Any = None) -> float:
"""簡單質量評分(0-1)"""
if expected is None:
# 無預期結果時基于響應長度和信息量評分
response_str = str(response)
length_score = min(len(response_str.split()), 50) / 50  # 最大50詞
info_score = 0.5 if any(keyword in response_str.lower()
for keyword in ['know', 'understand', 'information']) else 0
return (length_score + info_score) / 2
else:
# 有預期結果時基于相似度評分
expected_str = str(expected)
response_str = str(response)
common_words = set(expected_str.lower().split()) & set(response_str.lower().split())
return len(common_words) / max(len(set(expected_str.lower().split())), 1)def generate_report(self) -> str:
"""生成評估報告"""
report = f"""
Agent Evaluation Report
======================Functional Metrics:
- Test Cases: {self.metrics['functional'].get('total_cases', 0)}
- Pass Rate: {self.metrics['functional'].get('pass_rate', 0):.1%}Performance Metrics:
- Average Latency: {self.metrics['performance'].get('avg_latency', 0):.3f}s
- 95th Percentile Latency: {self.metrics['performance'].get('p95_latency', 0):.3f}s
- Throughput: {self.metrics['performance'].get('throughput', 0):.1f} requests/sResource Usage:
- Average CPU Usage: {self.metrics['resource'].get('avg_cpu', 0):.1f}%
- Maximum CPU Usage: {self.metrics['resource'].get('max_cpu', 0):.1f}%
- Average Memory Usage: {self.metrics['resource'].get('avg_mem', 0):.1f}MB
- Maximum Memory Usage: {self.metrics['resource'].get('max_mem', 0):.1f}MBQuality Scores:
- Average Quality Score: {self.metrics['quality'].get('avg_score', 0):.2f}/1.0
"""# 添加優化建議
report += "\nOptimization Recommendations:\n"
if self.metrics['performance']['avg_latency'] > 1.0:
report += "- Consider implementing caching for frequent requests\n"
if self.metrics['resource']['avg_cpu'] > 70:
report += "- Optimize model inference or scale up hardware\n"
if self.metrics['quality']['avg_score'] < 0.7:
report += "- Improve prompt engineering or fine-tune models\n"return report

優化策略實現

class AgentOptimizer:
def __init__(self, agent_instance):
self.agent = agent_instance
self.cache = {}def implement_caching(self, cache_size: int = 1000):
"""實現查詢緩存優化"""
original_handle = self.agent.handle_requestdef cached_handle(input_text: str, context: str = "") -> Any:
cache_key = f"{input_text}:{context}"
if cache_key in self.cache:
return self.cache[cache_key]result = original_handle(input_text, context)
if len(self.cache) >= cache_size:
self.cache.pop(next(iter(self.cache)))
self.cache[cache_key] = result
return resultself.agent.handle_request = cached_handledef optimize_model(self, quantize: bool = True, use_smaller_model: bool = False):
"""優化模型推理"""
if hasattr(self.agent, 'model'):
if quantize:
self.agent.model = self._quantize_model(self.agent.model)
if use_smaller_model:
self.agent.model = self._load_smaller_model()def async_handling(self):
"""實現異步處理優化"""
import asynciooriginal_handle = self.agent.handle_requestasync def async_handle(input_text: str, context: str = "") -> Any:
return await asyncio.get_event_loop().run_in_executor(
None, original_handle, input_text, context
)self.agent.handle_request_async = async_handle
self.agent.handle_request = lambda i, c: asyncio.run(async_handle(i, c))def _quantize_model(self, model):
"""模型量化實現(示例)"""
print("Applying model quantization...")
return model  # 實際項目中實現真實量化邏輯def _load_smaller_model(self):
"""加載更小模型(示例)"""
print("Loading smaller model...")
return self.agent.model  # 實際項目中加載更小模型class LLMEvaluator:
"""使用LLM評估響應質量"""
def __init__(self, api_key: str):
self.client = openai.OpenAI(api_key=api_key)def evaluate(self, query: str, response: str, expected: str = None) -> float:
"""評估響應質量(0-1)"""
prompt = self._build_evaluation_prompt(query, response, expected)
result = self.client.chat.completions.create(
model="gpt-4",
messages=[{"role": "system", "content": prompt}],
max_tokens=10,
temperature=0
)
return float(result.choices[0].message.content.strip())def _build_evaluation_prompt(self, query: str, response: str, expected: str = None) -> str:
"""構建評估提示"""
if expected:
return f"""
Evaluate the response to the query based on correctness and completeness (0-1 score):Query: {query}
Expected: {expected}
Response: {response}Provide only a number between 0 and 1 as your evaluation score.
"""
else:
return f"""
Evaluate the response quality based on relevance and usefulness (0-1 score):Query: {query}
Response: {response}Provide only a number between 0 and 1 as your evaluation score.
"""

關鍵功能

綜合評估流程

def comprehensive_evaluation(agent, test_cases_path: str, llm_api_key: str = None):
"""執行綜合評估流程"""
evaluator = AgentEvaluator(agent)
evaluator.load_test_cases(test_cases_path)# 執行各項評估
evaluator.evaluate_functional()
evaluator.evaluate_performance()
evaluator.evaluate_resource_usage()if llm_api_key:
llm_evaluator = LLMEvaluator(llm_api_key)
evaluator.evaluate_quality(llm_evaluator)
else:
evaluator.evaluate_quality()# 生成報告
report = evaluator.generate_report()
print(report)return evaluator.metrics

基于評估的優化

def optimize_based_on_metrics(agent, metrics: Dict[str, Any]):
"""基于評估結果實施優化"""
optimizer = AgentOptimizer(agent)# 根據性能指標優化
if metrics['performance']['avg_latency'] > 1.0:
optimizer.implement_caching()
print("Implemented caching for performance improvement")# 根據資源使用優化
if metrics['resource']['avg_cpu'] > 70:
optimizer.optimize_model(quantize=True)
print("Optimized model through quantization")# 根據質量評分優化
if metrics['quality']['avg_score'] < 0.7:
print("Consider improving training data or prompt engineering")return agent

測試與驗證

測試策略

  1. 單元測試：驗證各評估指標計算正確性
  2. 集成測試：測試整個評估流程
  3. 基準測試：建立性能基準
  4. A/B測試：比較優化前后效果

驗證方法

def test_quality_scoring():
"""測試質量評分邏輯"""
evaluator = AgentEvaluator(None)# 測試有預期結果的評分
assert 0.5 < evaluator._simple_quality_score(
"The capital of France is Paris",
"Paris is France's capital"
) <= 1.0# 測試無預期結果的評分
assert 0 <= evaluator._simple_quality_score(
"This is a response"
) <= 1.0def benchmark_optimization(original_agent, optimized_agent, test_cases_path: str):
"""基準測試優化效果"""
original_metrics = comprehensive_evaluation(original_agent, test_cases_path)
optimized_metrics = comprehensive_evaluation(optimized_agent, test_cases_path)improvement = {
'latency': (original_metrics['performance']['avg_latency'] -
optimized_metrics['performance']['avg_latency']) /
original_metrics['performance']['avg_latency'],
'throughput': (optimized_metrics['performance']['throughput'] -
original_metrics['performance']['throughput']) /
original_metrics['performance']['throughput'],
'cpu_usage': (original_metrics['resource']['avg_cpu'] -
optimized_metrics['resource']['avg_cpu']) /
original_metrics['resource']['avg_cpu']
}print(f"Optimization Results:")
print(f"- Latency improved by {improvement['latency']:.1%}")
print(f"- Throughput improved by {improvement['throughput']:.1%}")
print(f"- CPU usage reduced by {improvement['cpu_usage']:.1%}")return improvement

案例分析：客服Agent優化

業務場景

某電商客服Agent面臨以下問題：

  1. 高峰時段平均響應時間3.2秒
  2. 15%的查詢回答不準確
  3. CPU利用率長期高于80%
  4. 缺乏系統化的評估方法

優化方案

  1. 評估實施：
# 加載測試用例
test_cases = "path/to/customer_service_test_cases.csv"# 執行評估
metrics = comprehensive_evaluation(
customer_service_agent,
test_cases,
llm_api_key="your_openai_key"
)
  1. 優化實施：
# 基于評估結果優化
optimized_agent = optimize_based_on_metrics(
customer_service_agent,
metrics
)# 驗證優化效果
benchmark_optimization(
customer_service_agent,
optimized_agent,
test_cases
)
  1. 優化結果：
    | 指標 | 優化前 | 優化后 | 提升 |
    | — | — | — | — |
    | 平均延遲 | 3.2s | 1.1s | 66% |
    | 準確率 | 85% | 92% | 7% |
    | CPU使用率 | 82% | 65% | 17% |
    | 吞吐量 | 12qps | 28qps | 133% |

實施建議

最佳實踐

  1. 持續評估：
def continuous_evaluation(agent, test_cases_path: str, schedule: str = "daily"):
"""設置持續評估任務"""
from apscheduler.schedulers.background import BackgroundSchedulerscheduler = BackgroundScheduler()
scheduler.add_job(
comprehensive_evaluation,
trigger='cron',
day_of_week='*' if schedule == "daily" else 'mon',
hour=2,
args=[agent, test_cases_path]
)
scheduler.start()
  1. 漸進優化：
  • 先解決最嚴重的性能瓶頸
  • 每次優化后重新評估
  • 保留優化前后的版本對比
  1. 監控告警：
def setup_monitoring(agent, thresholds: Dict[str, Any]):
"""設置性能監控和告警"""
while True:
metrics = quick_evaluate(agent)  # 簡化版評估
for metric, value in metrics.items():
if value > thresholds.get(metric, float('inf')):
alert(f"High {metric}: {value}")
time.sleep(300)  # 每5分鐘檢查一次

注意事項

  1. 評估覆蓋：確保測試用例覆蓋主要場景
  2. 優化平衡：避免過度優化單一指標
  3. 環境一致：評估和優化在相同環境進行
  4. 用戶反饋：結合主觀體驗評估優化效果

總結

核心知識點

  1. 評估體系：多維度量化Agent性能和質量
  2. 優化技術：緩存、模型優化、異步處理等
  3. 評估方法：自動化測試與人工評估結合
  4. 優化策略：基于數據的針對性優化

實際應用

  1. 性能調優：識別和解決系統瓶頸
  2. 質量保障：確保Agent行為符合預期
  3. 資源規劃：合理配置計算資源
  4. 持續改進：建立評估優化閉環

下期預告

明天我們將探討【Day 27: Agent部署與可擴展性】，深入講解如何將智能Agent系統部署到生產環境并實現水平擴展。

參考資料

  1. AI系統性能評估方法
  2. LLM評估基準
  3. 模型優化技術
  4. 生產環境AI系統監控
  5. 持續集成在AI系統中的實踐

文章標簽：智能Agent,性能評估,系統優化,質量保障,LLM應用

文章簡述：本文詳細介紹了智能Agent的評估與性能優化方法。針對生產環境中Agent系統缺乏量化評估標準、性能瓶頸難以識別等問題，提出了全面的評估體系和針對性優化策略。通過完整的Python實現和電商客服案例分析，開發者可以快速應用這些技術評估和優化自己的Agent系統，顯著提升服務質量和性能表現。文章涵蓋評估指標設計、優化技術實現和持續改進流程等實用內容，幫助開發者構建高性能、高可用的智能Agent應用。

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/news/917373.shtml
繁體地址，請注明出處：http://hk.pswp.cn/news/917373.shtml
英文地址，請注明出處：http://en.pswp.cn/news/917373.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

相關文章

機器學習——下采樣（UnderSampling），解決類別不平衡問題，案例：邏輯回歸 信用卡欺詐檢測

機器學習——下采樣（UnderSampling），解決類別不平衡問題，案例：邏輯回歸 信用卡欺詐檢測

過采樣&#xff1a; 機器學習——過采樣&#xff08;OverSampling&#xff09;&#xff0c;解決類別不平衡問題&#xff0c;案例&#xff1a;邏輯回歸 信用卡欺詐檢測-CSDN博客 &#xff08;完整代碼在底部&#xff09; 使用下采樣解決類別不平衡問題 —— 以信用卡欺詐識別為…
閱讀更多...
Qt 槽函數被執行多次，并且使用Qt::UniqueConnection無效【已解決】

Qt 槽函數被執行多次，并且使用Qt::UniqueConnection無效【已解決】

Qt 槽函數被執行多次&#xff0c;并且使用Qt::UniqueConnection無效引言一、問題描述二、解決方案三、深入了解信號和槽綁定機制引言 之前剛遇到 - 信號和槽正常連接返回true&#xff0c;但發送信號后槽函數無響應問題&#xff0c;現在又遇到槽函數執行多次&#xff0c;使用Qt…
閱讀更多...
Autosar Nm-網管報文PNC停發后無法休眠問題排查

Autosar Nm-網管報文PNC停發后無法休眠問題排查

文章目錄前言Autosar CanNm標準中的相關參數CanNmAllNmMessagesKeepAwakePN過濾功能CanNm_ConfirmPnAvailability問題描述問題原因排查解決方案擴展總結前言 Autosar Nm中針對于支持PN功能的收發器&#xff0c;要求PNC停發后允許進入休眠模式&#xff0c;開發過程中遇到PNC停發…
閱讀更多...
RK3568下的進程間通信：基于UDP的mash網絡節點通信

RK3568下的進程間通信：基于UDP的mash網絡節點通信

基于UDP的mash網絡節點通信系統實現: 最近的項目中需要實現一個功能，類似mash網絡的功能，比如 類似下圖中的多個節點之間，相互之間通信， 節點A自身的通信列表中，只有B和C，所以A發出的消息給B和C，依次類推，A發送的消息所有節點都能收到，同理，其他節點比如K節點發送的…
閱讀更多...
Effective C++ 條款17：以獨立語句將newed對象置入智能指針

Effective C++ 條款17：以獨立語句將newed對象置入智能指針

Effective C 條款17&#xff1a;以獨立語句將newed對象置入智能指針核心思想&#xff1a;使用智能指針管理動態分配的對象時&#xff0c;必須確保new操作與智能指針構造在同一獨立語句中完成&#xff0c;避免編譯器優化順序導致的內存泄漏。 ?? 1. 跨語句初始化的危險性 資源…
閱讀更多...
Linux iptables防火墻操作

Linux iptables防火墻操作

資料&#xff1a; 網絡運維相關 - iptables 【Main】 https://www.zsythink.net/archives/tag/iptables/ netfilter 在 Linux 內核 TCP/IP協議棧中的位置 【框架】【Aulaxiry】 https://zhuanlan.zhihu.com/p/93630586 1 概念詳解 ● 防火墻概念 ○ 主機防火墻 網絡防火墻 ○…
閱讀更多...
飛書推送工具-自動化測試發送測試報告一種方式

飛書推送工具-自動化測試發送測試報告一種方式

飛書推送工具 要獲取飛書開發所需的 APP_ID、APP_SECRET 以及用戶的 USER_ID&#xff0c;需通過飛書開放平臺和飛書客戶端的相關設置操作。以下是詳細步驟&#xff1a; 一、獲取 APP_ID 和 APP_SECRET&#xff08;飛書應用憑證&#xff09; APP_ID 和 APP_SECRET 是飛書開放…
閱讀更多...
從零開始的云計算生活——第三十七天，跬步千里，ansible之playbook

從零開始的云計算生活——第三十七天，跬步千里，ansible之playbook

目錄 一.故事劇情 二.Playbook簡介 三.Playbook核心元素(重要) 四.Playbook語法 五.Playbook的運行方式 六.Playbooks中tasks語法使用 1、file 2、lineinfile 3、replace 4、shell 5、debug 6、template/copy 7、fetch 8、unarchive 9、wait_for 10、yum 11、…
閱讀更多...
AI驅動下的數據新基建：騰訊游戲數據資產治理與湖倉架構革新

AI驅動下的數據新基建：騰訊游戲數據資產治理與湖倉架構革新

在大模型技術迅猛發展的今天&#xff0c;AI 正深度重塑數據基礎設施&#xff0c;推動其向智能化快速演進。如何將 AI 深度融入數據管理&#xff0c;釋放數據的潛在價值、提升運營效率&#xff0c;成為企業在構建 AI 驅動的數據資產管理體系的核心問題。在近期舉辦的“DataFun A…
閱讀更多...
ubuntu 系統風扇控制軟件 CoolerControl

ubuntu 系統風扇控制軟件 CoolerControl

背景 A6000顯卡的溫度一直都是86度左右&#xff0c;GPU的風扇轉速不夠大。 我首先把 nvidia的驅動更新了&#xff0c;但是發現風扇依然依然保持在較低的轉速。 后面無意間搜到了CoolerControl 這個linux平臺的風扇控制軟件。設置之后&#xff0c;增加了風扇的轉速&#xff0c;…
閱讀更多...
Oracle 11gR2 Clusterware應知應會

Oracle 11gR2 Clusterware應知應會

Oracle 11gR2 Clusterware應知應會 關鍵特性 啟動順序 日志路徑 資源狀態 資源管理 關鍵特性 ?? Oracle 11gR2 Clusterware的一些關鍵特性如下： 在安裝運行11gR2的Real Application Clusters數據庫之前需要先安裝11gR2 Clusterware。 GRID home包括Oracle Clusterware和AS…
閱讀更多...
微信小程序蘋果手機和安卓，怎么做適配

微信小程序蘋果手機和安卓，怎么做適配

1. 基于 rpx 單位進行布局適配微信小程序采用 rpx 作為尺寸單位&#xff0c;以實現不同設備的布局適配。小程序的屏幕寬度固定為 750rpx&#xff0c;在不同設備上通過動態計算 1rpx 對應的像素值進行適配。例如&#xff0c;在 iPhone 6 中&#xff0c;屏幕寬度為 375px&#xf…
閱讀更多...
XGBoost三部曲：XGBoost參數詳解

XGBoost三部曲：XGBoost參數詳解

之前已經介紹了XGBoost三部曲：XGBoost原理。本文詳細介紹XGBoost參數，讓大家在使用XGBoost的過程中能得心應手。后續會更新XGBoost實戰，敬請期待。 文章目錄 一、核心概念回顧 二、XGBoost算法參數整體介紹 1 原生接口和Scikit-learn接口的區別 2 參數分類詳解 三、核心Boos…
閱讀更多...
【python】轉移本地安裝的python包

【python】轉移本地安裝的python包

我們現在需要將某個環境已經安裝的 python 包離線傳遞到另外一個環境&#xff0c;且確保這種安裝行為最終不需要對 PYPI 中央倉庫的有效連接&#xff0c;也能完成。下面給出兩種辦法&#xff1a; docker container 如果你的 python 環境位于某個容器內&#xff0c;那最好的辦法…
閱讀更多...
TGD第十篇：當神經網絡遇到TGD特征

TGD第十篇：當神經網絡遇到TGD特征

目錄一、實驗背景二、實驗設置三、實驗結果和分析四、結語TGD 是我們定義的一種新的“變化率表征”&#xff0c;對連續函數而言是一種新的“廣義導數”&#xff0c;對離散序列而言是一種新的差分。TGD 是一個名字&#xff0c;一個代號。在基于 TGD 的圖像邊緣檢測以及視頻邊緣檢…
閱讀更多...
FreeRTOS源碼分析二：task啟動（RISCV架構）

FreeRTOS源碼分析二：task啟動（RISCV架構）

系列文章目錄 FreeRTOS源碼分析一&#xff1a;task創建&#xff08;RISCV架構&#xff09; 文章目錄系列文章目錄前言vTaskStartScheduler 調度器啟動函數xPortStartScheduler架構特定調度器啟動函數vPortSetupTimerInterrupt啟動 RISCV 定時器中斷xPortStartFirstTask啟動第一…
閱讀更多...
Python編程基礎與實踐：Python基礎運算符與表達式入門

Python編程基礎與實踐：Python基礎運算符與表達式入門

Python運算符與表達式實戰 學習目標 通過本課程的學習&#xff0c;學員可以掌握Python中算術運算符、比較運算符、邏輯運算符及賦值運算符的使用方法&#xff0c;并能夠構建簡單的表達式來解決實際問題。 相關知識點 Python運算符與表達式 學習內容 1 Python運算符與表達式 1.1…
閱讀更多...
Git下載全攻略（未更新完）

Git下載全攻略（未更新完）

一、在 Windows 上安裝 Git? ??? 1.1 下載安裝包? 官方版本可在 Git 官方網站下載，打開Redirecting…，下載會自動開始。此安裝包來自名為 Git for Windows 的項目（也稱作 msysGit），它與 Git 本身是相互獨立的項目，更多相關信息可訪問Redirecting Git for Windows…
閱讀更多...
rocky\centos安裝docker鏡像的命令

rocky\centos安裝docker鏡像的命令

1.安裝依賴&#xff1a; sudo yum install -y yum-utils device-mapper-persistent-data lvm22. 選擇倉庫源&#xff1a; sudo yum-config-manager --add-repo https://download.docker.com/linux/centos/docker-ce.repo阿里源&#xff1a; sudo yum-config-manager --add-r…
閱讀更多...
扣子，正式擁抱開源！

扣子，正式擁抱開源！

資料來源&#xff1a;火山引擎-開發者社區 扣子 是新一代 AI Agent 平臺&#xff0c;旗下有四款子產品&#xff1a;「扣子空間」、「扣子開發平臺」、「扣子羅盤」 及 Eino 。 我們始終堅信&#xff0c;AI Agent 的未來屬于每一位開發者和創造者。為了讓前沿的 AI 技術能夠更快…
閱讀更多...
最新文章

Copyright @ 2022~2023