定向搜索（beam search）

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.2k累计阅读 1.2k平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄16年

关注

原创最新推荐文章于 2026-09-27 17:30:40 发布 1.2k 阅读 AI 写同款· GEO 优化 ›

集束搜索（Beam Search Algorithm ）看计算机科学中最重要的32个算法，其中有个是集束搜索（又名定向搜索，Beam Search）——最佳优先搜索算法的优化。使用启发式函数评估它检查的每个节点的能力。不过，集束搜索只能在每个深度中发现前m个最符合条件的节点，m是固定数字——集束的宽度。泛泛的介绍，不是很能理解清楚，于是有百度又google，写篇东西备忘。先贴维基百科的地址：Beam Search 翻译过来就是： Beam Se 阅读详情

定向搜索是一种带有带有队列（队列大小固定为k）的A*搜索，运行方式是在队列中存储排名最前k个值。

每次都是找最优的进行扩展，然后更新队列。直到找到最优的值。

如果不知道A*算法可以参考http://blog.youkuaiyun.com/assiduousknight/article/details/18037359

栗子如下：

收录于

Artificial Intelligence

当前文章被收录于：

Artificial Intelligence

52 篇文章 1 人学习

订阅专栏查看详情

Machine Learning

当前文章被收录于：

Machine Learning

40 篇文章 1 人学习

订阅专栏查看详情

Pattern Recognition

当前文章被收录于：

Pattern Recognition

19 篇文章 0 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

图像情感识别今天组会讲了一个情感图片识别的例子，其实也是一个比较普通的机器学习的过程，但是总体来说涉及到的东西还是很广的，在此再次总结分享一下。问题简单来说就是对图片情感进行分类，分别是Amusement, Anger, Awe, Contentment, Disgust, Excitement, Fear, Sadness八个类。先上整个的流程图：首先我们必须有一个有label的图片数据阅读详情

相关推荐

测试时计算策略(BON, stepwiseBON, beamsearch, lookahead,混合方法，计算最优扩展,过程奖励模型引导，多数投票)

测试时计算策略

weixin_36378508的博客 1753

5.3.3定向搜索

课前提问： 1什么是定向搜索（也叫集束搜索）？ 2搜索什么东西？ 3怎么搜索？课中提问： 1 集束宽的概念？ B=3 答案：搜索过程如下图所示

dqefd2e4f1的博客 1132

【计算机视觉】pyrealsense2：Intel RealSense 深度相机的 Python 接口实战指南

pyrealsense2：Intel RealSense 深度相机的 Python 接口实战

weixin_43988131的博客 4350

在豆包中设定定向搜索功能提示词，实现问题的搜索参考步骤，以及问题的答案输出

向搜索（Directed Search）是指具有明确目标导向、通过策略性方法缩小搜索空间、提高检索精度的智能检索范式。与传统的关键词匹配或遍历式搜索不同，它强调利用先验知识、上下文理解和推理能力，直接定位最相关的信息区域。

仙魁XAN 1418

DDR4技术原理详解

DDR4是DDR4-SDRAM的简写，即第4代DDR-SDRAM，DDR-SDRAM全称Double Date Rate Synchronous Dynamic Random Access Memory。本文重点解析DDR4技术规范及其背后的电子电路原理，以及编程使用DDR4过程中需要注意的性能事项。

ctbinzi的专栏 1万+

TBtools的序列提取步骤

本教程详细介绍了如何使用TBtools软件从原来的FASTA序列中提取特定的DNA序列。

weixin_47509995的博客 1万+

特征选择-常见的搜索算法

2.2.1完全搜索　　完全搜索分为穷举搜索(Exhaustive)与非穷举搜索(Non-Exhaustive)两类。　　(1) 广度优先搜索( Breadth First Search ) 　　算法描述：广度优先遍历特征子空间。　　算法评价：枚举了所有的特征组合，属于穷举搜索，时间复杂度是O(2n)，实用性不高。　　(2)分支限界搜索( Br

zhangweijiqn的专栏 1万+

大疆OcuSync vs 传统2.4GHz：深度拆解无人机图传射频模块的硬件差异

本文深度对比了大疆OcuSync与传统2.4GHz无人机图传射频模块的硬件差异，涵盖芯片组、天线系统、PCB设计、散热方案及生产测试等核心环节。重点解析OcuSync的全定制SoC芯片、智能MIMO天线阵列及精密PCB布局如何实现革命性性能提升，为无人机图传技术发展提供专业参考。

u5v6w7的博客 806

带你玩转序列模型之seq2seq模型&定向(集束)搜索

目录一.基础模型二.选择最可能的句子三.定向搜索四.改进定向搜索五.定向搜索的误差分析在这一周，你将会学习seq2seq（sequence to sequence）模型，从机器翻译到语音识别，它们都能起到很大的作用，从最基本的模型开始。之后你还会学习集束搜索（Beam search）和注意力模型（Attention Model），一直到最后的音频模型，比如语音。现在就开始吧，比如你想通过输入一个法语句子，比如这句 “Jane visite I'Afrique en septembre.”，将它翻译成一个英语

长夜漫漫，无心睡眠 1081

保姆级教程：在mmdetection中手动计算并可视化P、R、F1值（附完整代码）

本文提供了一份详细的mmdetection教程，指导开发者如何手动计算并可视化精确率(P)、召回率(R)和F1值。通过完整的代码示例和清晰的步骤说明，帮助用户深入理解目标检测模型的性能评估方法，特别适合需要精细分析模型表现的计算机视觉研究人员和工程师。

weixin_29038303的博客 399

AI 编程工具面试题（Claude Code、Codex 等）基础篇（一）

文章摘要：本文整理了20道AI编程工具基础面试题，涵盖Claude Code、Codex CLI、GitHub Copilot等主流工具的核心概念与实操技巧。内容分为工具分类（代码补全/对话式/自主代理）、安装配置（静默部署/API管理）、关键命令（上下文加载/token监控）、调试策略（错误处理/提示优化）及对比选型（Tabnine vs Copilot）。重点解析了终端工具与模型能力的差异，并针对实际场景（如长代码生成/私有化部署）提供解决方案。附追问环节，深入探讨工具边界问题（如上下文溢出处理）和成

篮球界最会写bug的人；程序猿中打球最菜的人。 336

几个小技巧让你的搜索引擎对你“小鸟依人”

在日常生活中我们已经离不开搜索引擎的帮助，无论是查知识，看文章，听音乐，找资源……只要在搜索栏内输入关键字，搜索引擎就能帮我们找到需要的内容。但网络发展至今网上的资源太过庞大，有时候搜索引擎并不能找到我们需要的资源，不但如此还会给你弹出令人无语的广告。就像你每天给女神买早饭，女神却对你说：麻烦你明天多带一份我对象也喜欢吃。是不是血压瞬间上来了？一个小小的搜索引擎也想让爷当舔狗那毕不可能。第一点：搜索的问题一定要是问题。比如你知道你妈喜欢吃番茄炒蛋，你可以去搜索番茄炒蛋的做法但你不能问搜索引擎我妈喜欢

qq_49166504的博客 307

MATLAB与图像处理（一）：图像中结构张量的求法（Structure Tensor）

1.结构张量的作用：能够区分图像中的平坦区域，边缘，角点； 2.图像中的结构张量的定义 1）是一个矩阵； 2）与图像的水平，垂直梯度有关，定义如下：在MATLAB中，可以用如下语句求解：[Ix,Iy]=gradient(Image); 3)求出结构张量矩阵的行列式，和迹（矩阵对角线之和）行列式：K=det(E); 迹：

wenyusuran的专栏 5240

Ciphey A* 搜索算法重写方案：基于解码器专属节点的定向搜索实现指南

Ciphey 的核心能力是在不知道密钥与加密方式的前提下，自动组合多个解码器逐层还原密文，而 `src/searchers/astar.rs` 中的 A* 搜索算法正是决定"下一步尝试哪个解码器、沿哪条路径继续搜索"的引擎。本文以仓库内 [docs/astar_node_with_decoder_implementation_plan.md](https://link.gitcode.com/i/

gitblog_00824的博客 837

PyTorch强化学习实战（1）——强化学习（Reinforcement Learning，RL）详解

在本节中，开始进入探索强化学习 (Reinforcement Learning, RL) 之旅，首先剖析了强化学习的独特之处及其与监督学习、无监督学习范式的关系。随后系统学习了强化学习的基础形式化框架及其内部关联机制，并深入讲解了马尔可夫过程 (Markov Process, MP)、马尔可夫奖励过程 (Markov Reward Process, MRP) 和马尔可夫决策过程 (Markov Decision Process, MDP)，为后续学习奠定基础。

盼小辉丶的博客 2050

温度PID控制PLC程序

温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值

吴恩达《深度学习-序列模型》3 -- 序列模型和注意力机制

1. Basic model基础模型例如将法语翻译成英语：首先将法语单词逐个输入到CNN，这部分称为encoder network，然后一次输出一个英语单词，这部分称为decoder network。 CNN结合RNN解读图片内容，如上图输入一副图像，生成一句描述图像的句子。 2.Picking the most likely sentence最优句子如图，是语言模...

weixin_41043240的博客 8017

OV9734 DATASHEET，完整规格书

OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等

人工智能之集束搜索Beam Search Algorithm

集束搜索是属于人工智能基础知识中的知情搜索，知情搜索是基于启发法的一种搜索方法，由爬山法——>最陡爬坡法——>最佳优先搜索法——>集束搜索，逐步优化算法通过爬山简单来说下这几种知情搜索算法的区别：比如甲去爬山，其爬山过程中每到分叉点都有n—m条路径可以走，只不过其过程中可能存在下山的路径爬山法：当经过分叉点时，就会判断k条路径(k<n)，其中若排除掉下山的路径，剩下的路径中，能够到达较高的路径将会被选择。在爬上法中，是没有记录任何的经过路径信息。最陡爬坡法：当经过分叉点

weixin_44827241的博客 1019

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件

STM32F407中文手册

STM32f407中文手册本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。

Beam Search、GREEDY DECODER、SAMPLING DECODER等解码器工作原理可视化以及在自然语言生成领域的使用

图像标注的任务让我们可以构建和训练一个为任何给定图像生成字幕的神经网络。在设计时使用了解码器的来完成文字的生成。当我们描述了每个解码器的工作原理时，我发现当它们被可视化时，更容易理解它们。图像标注任务流程图与翻译模型类似，我们的图像字幕模型通过输入图像张量和特殊的句首标记（即）来启动字幕生成过程。这个模型生成了我们单词的概率分布（实际上是logits）。橙色方框显示解码算法的选择，帮助我们选择使用哪个单词。然后，选择的单词和图像再次传递给模型，直到我们满足停止条件，即我们获得特殊的句子结束标记（即）作

deephub 6762

集束搜索

看计算机科学中最重要的32个算法，其中有个是集束搜索（又名定向搜索，Beam Search）——最佳优先搜索算法的优化。使用启发式函数评估它检查的每个节点的能力。不过，集束搜索只能在每个深度中发现前m个最符合条件的节点，m是固定数字——集束的宽度。泛泛的介绍，不是很能理解清楚，于是有百度又google，写篇东西备忘。先贴维基百科的地址：Beam Search 翻译过来就是： Beam Se

shi_zyb的专栏 2588

《机器学习训练秘籍》精读：优化验证测试（Optimization Verification Test）——一条不等式定位搜索算法与得分函数的误差根源

> 本文解读 Andrew Ng《Machine Learning Yearning（机器学习训练秘籍）》中文版（[gh_mirrors/ma/machine-learning-yearning-cn](https://link.gitcode.com/i/76e7793a0c0f2bda2b61ce4bae5a3063)）中「Debugging inference algorithms（调试推理

gitblog_00016的博客 973

序列模型和注意力机制

qq_71681039的博客 632

2020-11-19 吴恩达DL学习-C5 序列模型-W3 序列模型和注意力机制(3.4 改进定向搜索-长度归一化，称为归一化的对数似然目标函数。取每个单词的概率对数值的平均。非精确搜索，速度快)

1.视频网站：mooc慕课https://mooc.study.163.com/university/deeplearning_ai#/c 2.详细笔记网站(中文)：http://www.ai-start.com/dl2017/ 3.github课件+作业+答案：https://github.com/stormstone/deeplearning.ai 3.4 改进定向搜索 Fefinements to beam search 上节课中, 你已经学到了基本的束搜索算法(the basic beam sea

weixin_42555985的博客 363

测试时计算：让大模型学会深思熟虑的技术本质

测试时计算（Test-Time Compute）是一种将算力从训练阶段动态迁移至推理阶段的关键范式，其核心在于通过规模化、可调度的推理期资源投入，提升模型在逻辑推演、数学证明、代码生成等确定性任务中的可靠性与准确性。它并非简单延长响应时间，而是构建‘生成-验证-搜索’闭环，依托验证器引导、束搜索、前瞻推理等技术实现错误抑制与路径优化。相比链式思维（CoT）仅展示推理过程，测试时计算强调过程可验证、步骤可回溯、结果可证伪，从而系统性缓解大模型幻觉问题。该技术已在金融风控、编译器优化、科研辅助等高精度场景落地，

ctk87443的博客 384

优快云开发者社区实践：分享Qwen3-ASR-0.6B模型调优与部署经验

本文介绍了如何在星图GPU平台上自动化部署Qwen3-ASR-0.6B轻量级高性能语音识别模型WeBUI，并分享了模型调优与部署经验。通过该平台，开发者可快速搭建语音识别服务，并将其应用于会议录音转写、实时字幕生成等场景，有效提升音频内容处理效率。

weixin_42527589的博客 31

Transformer详解

所有的Q&A问题（翻译，聊天机器人，摘要提取，评价的正负面等等）都可以用seq2seq来解，用大量的训练文本去训练，比如聊天机器人等：甚至用在目标检测硬解： encoder seq2seq的本质就是输入一些向量然后经过某个block生成另外一些向量。这件事RNN和self-attention和CNN都能做，在这里我们transformer做：现在分析transformer里面每个block的结构：首先是输入经过self-attention得到a，然后根据残差连接的思想加上一个b后用一个lay

liaominghui123的博客 837

Ciphey A* 搜索优化深度解析：解码器专属节点（Decoder-Specific Nodes）的设计与实现

本文围绕 Ciphey 项目中 A* 搜索算法的关键增强——**解码器专属节点（Decoder-Specific Nodes）**展开，讲解如何通过为每个搜索节点绑定"下一步要尝试的解码器"，将原本"每个状态尝试全部解码器"的暴力式扩展收敛为"按名称定向执行单个解码器"，从而显著提升多编码叠加文本的自动解码效率。读完本文，你将掌握该机制的节点结构、节点创建/扩展流程、与启发式函数及过滤系统的协作方

gitblog_00626的博客 1036

上一篇： A*算法（最佳优先搜索）

下一篇： S3VM和TSVM的不同

测试时计算策略(BON, stepwiseBON, beamsearch, lookahead,混合方法，计算最优扩展,过程奖励模型引导，多数投票)

weixin_36378508的博客

12-25

1753