学习队列结构

package com.loong.datastructure;

/**
 * 学习队列结构
 * 
 * @author Loong
 *
 */
public class Queue {
    private Object[] item = new Object[100];
    private int front;// 对头
    private int rear;// 队尾
    private int count;

    public Queue() {

    }

    /**
     * 初始化队列
     */
    public void initQueue() {
        front = rear = count = 0;
    }

    /**
     * 判断队列是否为空
     * 
     * @return
     */
    public boolean isQueueEmpty() {
        return count == 0;
    }

    /**
     * 判断队列是否已满
     * 
     * @return
     */
    public boolean isQueueFull() {
        return count == item.length;
    }

    /**
     * 进队列
     * 
     * @param o
     */
    public void enQueue(Object o) {
        if (isQueueFull()) {
            throw new RuntimeException("队列已满");
        }

        if (rear >= this.item.length) {
            if (count < this.item.length) {
                rear = 0;
            }
        }

        item[rear++] = o;
        count++;
    }

    /**
     * 获取队首元素
     * 
     * @return
     */
    public Object getFront() {
        if (isQueueEmpty()) {
            throw new RuntimeException("队列为空");
        }
        return this.item[front];
    }

    /**
     * 出队列
     * 
     * @return
     */
    public Object deQueue() {
        if (isQueueEmpty()) {
            throw new RuntimeException("队列为空");
        }
        Object o = null;

        if (front > this.item.length - 1) {
            front = 0;
        }

        o = this.item[front];
        this.item[front++] = null;
        count--;
        return o;
    }

}

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