年前整理的C#规范

年前,领导让整理下简单的编程规范,不用太细致,主要是统一开发人员的编码风格。一共3份,分别为C#,Js,CSS。其中有自己的心得,也有部分从网上搜来的。

C#编码规范
一,基本约定
1. 所有的命名名称都必须使用能直接体现具体含义的名字。不能使用x,y,z等无意义的名称进行定义,循环变量除外。
2. 所有的成员变量必须在所有成员方法前面声明,用一个换行把它和方法分开
3. switch语句一定要有default来处理意外情况。
4. 同程序外部连接(如连接数据库、接口、文件等)一定要捕获任何类型的异常(try)给出友好的消息给用户,必要时用日志记录错误的细节,包括发生的时间,和相关方法,类名等。
5. 不在代码中使用具体的路径和驱动器名,必须使用相对路径。
6. 代码的缩进用Tab,而不要用space。
7. 一个方法只完成一个任务。不要把多个任务组合到一个方法中。
8. 避免使用大文件。如果一个文件里的代码超过300~400行,可考虑将代码分开到不同类中。
9. 重要变量必须有注释。  
10. 注意todo的运用 
二,命名规范
1. 常量 全部大写,单词之间以 “_” 分隔,例:USER_PASSWORD。
2. 类  采用Pascal命名规则
3. 方法 采用Pascal命名规则,一般将其命名为动宾短语
4. 成员变量 与类命名规则相同,私有变量首字母小写或加小写前缀。
5. 其它可遵循ReSharper的编码规范
三,注释规范
1、 注释必须使用中文及中文的标点符号, 每行注释的最大长度不能超过1024*800或者常用的屏幕的宽度 
2、 文件必须有注释
3、 典型算法必须有注释。  
4、 在循环和逻辑分支的地方必须写上注释。  
5、 程序段或语句的注释在程序段或语句的上一行。

资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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