泛型回顾

本文深入探讨了C#泛型的使用,包括其优势、语法、实例应用以及与C++模板的区别。通过一个简单的泛型排序实现,展示了泛型在解决实际问题中的强大能力。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

泛型利用“参数化类型”将类型抽象,实现更为灵活的复用,类型安全,更高的效率,更强的约束。

C#泛型由CLR运行时支持,区别于C++的编译时模板机制。

C#动态泛型能力能够避免C++静态模板产生的代码膨胀问题。因为C#实例化的类型相同,JIT编译器会重复使用该类型。

C#泛型可以应用强大的反射技术。

C#泛型实现对类型的“显示约束”,不比C++模板基于签名的隐式约束所具有的的灵活性。

一个简单实现的泛型排序如下:

由于是排序,此处需要确定能比较,所以有where T : IComparable的约束。

publicclassMyClass<T> where T : IComparable

    {

        publicvoid BubbleSort(T[] array)

        {

            int length = array.Length;

            for (int i = 0; i <= length - 2; i++)

            {

                for (int j = length - 1; j >= 1; j--)

                {

                    if (array[j].CompareTo(array[j - 1])<0)

                    {

                        T temp = array[j];

                        array[j] = array[j - 1];

                        array[j - 1] = temp;

                    }

                }

            }

            for (int i = 0; i < array.Length; i++)

            {

                Console.WriteLine(array[i].ToString());

            }

        }

}

泛型可以有泛型类,泛型接口,泛型结构等类型级别的。还可以由泛型方法。

publicclassMyClass

    {

        publicvoid fun() {//普通方法 }

        publicvoid change<T>(T[] arr) where T : IComparable

        {

            //实现

        }

    }

 

资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模文本分类实践的基本原理是,借助大模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,影响大模推理效果,因此可先通过向量检索缩小范围,再由大模做最终决策。 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决策。 该方法不更新任何模参数,直接使用开源模参数。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,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。 代码实现上,大模用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。 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