- 博客(16)
- 收藏
- 关注
原创 【ClaudeCode】——常用指令
《ClaudeCode常用指令指南》摘要: 本文系统介绍了ClaudeCode交互式会话中的核心命令与使用技巧。通过20余种斜杠命令可完成对话管理、配置修改、代码审查等操作,包括/clear清空历史、/review请求代码审查、/model切换AI模型等。特别提供了"深度思考"触发词、Bash命令行模式、记忆模式等进阶技巧,并支持文件引用、图片读取等功能。用户可通过/help获取帮助,或访问官方文档和优快云博客获取更多使用指南。该指令集适用于开发者高效管理AI编程助手交互过程。
2025-08-18 11:27:05
1481
原创 【ClaudeCode】——使用技巧
【ClaudeCode使用技巧摘要】 ClaudeCode是一款智能开发辅助工具,主要提供以下使用技巧: 通过创建CLAUDE.md文件自定义设置,记录常用命令、代码风格和项目规范等关键信息,支持多级目录放置。 调优CLAUDE.md文件内容,可通过#键快速记录指令,并定期优化以提高遵循效果。 灵活管理工具权限,支持通过命令、配置文件或CLI标志控制Claude的访问权限。 扩展工具集:与bash环境集成、连接MCP服务器支持复杂操作,或创建自定义斜杠命令简化重复工作流。 推荐三种核心工作流程:探索-规划-
2025-08-18 11:25:19
2820
原创 【Linux服务器】——模型训练技巧
本文介绍了深度学习模型训练中的两个实用技巧:1)使用TensorBoard实时监控训练过程,通过启动TensorBoard服务并访问6006端口查看训练曲线;2)服务器后台训练方法,使用nohup命令让训练任务在后台持续运行,并详细说明了如何查看进程状态、监控日志文件、终止进程以及查看CPU使用情况。这些技巧特别适用于长时间训练任务,确保即使断开SSH连接也能继续训练,同时提供了完善的进程管理和监控方案。
2025-08-13 14:10:53
505
原创 【Linux】——Vim编辑器基本操作
Vim编辑器操作指南摘要(150字) Vim是Linux内置的文本编辑器,拥有三种模式:正常模式(默认模式,进行快捷操作)、编辑模式(按i进入,修改内容)和终端模式(按:进入,执行命令)。三种模式通过i、Esc和:相互转换。文件打开方式包括直接打开(vim路径)、指定行打开(vim+行号路径)和关键字搜索打开(vim+/关键词路径)。正常模式提供丰富的快捷操作(移动、复制、删除等),编辑模式支持多种插入方式,终端模式可实现保存(:w)、退出(:q)等命令操作。掌握模式切换和基本命令是使用Vim的关键。
2025-07-08 11:16:13
451
原创 【深度学习】—— 线性回归模型
为了更好的学习深度神经网络,本文介绍了线性神经网络中较为简单的线性回归模型,并演示了神经网络的整个训练过程,包括:定义简单的神经网络架构、数据处理、指定损失函数和如何训练模型。模型相对简单,但包含深度学习中模型训练的基本思想,为以后学习更复杂的模型打下基础。
2024-10-31 16:21:01
1792
原创 【docker】—— 部署python项目
Docker 是一个开源平台,用于自动化应用程序的部署、扩展和管理。它通过容器技术实现轻量级、可移植的应用打包,确保在不同环境中应用的一致性。本文使用docker简单演示了如何部署一个python项目。
2024-10-29 14:38:39
5727
原创 【强化学习】—— Q-learning算法
Q-learning 是一种无模型的强化学习算法,用于寻找最优策略以最大化累积奖励。它通过学习一个状态-动作值函数Qsa,该函数表示在状态 ( s ) 下执行动作 ( a ) 的预期收益。
2024-10-23 16:56:22
1537
原创 【影响力最大化】—— 次模性理论和应用
传播模型的次模性(Submodularity of propagation models)通常指的是在影响力最大化等传播问题中,影响力函数具有次模性特征。次模性是一种集合函数性质,它类似于“递减增益”的概念
2024-10-20 20:17:54
874
原创 【影响力最大化】——影响力扩展度计算(蒙特卡洛模拟近似)
计算影响力拓展度的一个简单的方法是反复模拟在某个种子结点集合S之下影响力的传播过程,统计这些模拟过程中被激活结点个数的平均值,用这个平均值作为种子集合S的影响力扩展度σ (S)的估计值。这种模拟估计的方法通常被称为蒙特卡洛模拟(Monte Carlo Simulation)。
2024-10-19 21:42:39
779
原创 【文献阅读】用迁移学习促进竞争影响最大化中的强化学习
本文提出了一种基于TV-CLT模型的迁移学习强化学习方法来解决TC-CIM问题。具体来说,我们将源网络和目标网络的状态表示归一化,以便有效地利用源网络上获得的知识。进一步,我们在RL域扩展了TL的起点方法,提出了NSQ-TL算法来解决源目标网络和代理设置之间的异构性。
2024-10-16 22:21:09
1397
原创 【大数据网络传播模型和算法-陈卫】——影响力最大化【持续更新】
影响力最大化(Influence Maximization)是一种经典的组合优化问题,旨在选择少数用户,从而最大限度地扩大在线社交网络的影响力
2024-10-15 22:18:48
2128
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人
RSS订阅