搜索到
214
篇与
的结果
-
Ruby热度跌至第30位，Python成主要原因 Ruby编程语言自1995年问世以来一直保持定期更新，但在本月Tiobe编程语言流行度指数中已跌至第30位，Python被认为是导致Ruby下滑的主要原因。Ruby曾在2006年成为Tiobe年度编程语言，当年显示出最高的流行度增长率，但如今已接近跌出前30名。根据Tiobe首席执行官保罗·詹森的分析，Ruby在3月份的评级为0.55%，相比上个月的第25名继续下滑。詹森表示："Ruby下滑的主要原因是Python的流行，现在已经不再需要Ruby了。"Ruby的历史最高排名是在2016年5月的第8位。本月指数的其他变化中，SQL以2%的评级和R语言以1.88%的评级在前10名中互换位置，SQL目前排第8位，R语言排第9位。此外，Swift以1.04%的评级重新进入前20名，而Kotlin以0.82%的评级下滑至第22位。谷歌的Dart语言曾被定位为Java的竞争对手，目前正在向前20名靠近，本月以0.69%的评级排在第25位。Tiobe编程社区指数通过评估全球技能工程师数量、课程和相关第三方供应商的公式来衡量语言流行度。计算评级时使用了包括谷歌、亚马逊、必应、维基百科等在内的20多个热门网站。在本月指数的公告中，詹森回应了关于是否从搜索引擎转向大语言模型来制定评级的询问。詹森表示："答案是否定的。Tiobe指数衡量的是特定编程语言在互联网上存在多少页面。大语言模型最终依赖相同的来源——它们都是在这些相同的网页上训练和分析的。因此，本质上没有真正的区别。"根据PYPL编程语言流行度指数，该指数通过分析在Google上搜索语言教程的频率来衡量语言流行度。3月份PYPL指数显示，Python以34.87%的比例继续领先，C/C++以13.66%位列第二，Java以9.82%排名第三。Q&AQ1：Ruby编程语言为什么会从热门语言变成冷门语言？A：主要原因是Python的崛起。Ruby曾在2006年成为年度编程语言，但随着Python在人工智能、数据科学等领域的广泛应用，开发者们更倾向于选择Python，导致Ruby的使用需求大幅下降。Q2：Tiobe编程语言指数是如何计算的？A：Tiobe指数通过评估全球技能工程师数量、课程和相关第三方供应商来衡量语言流行度，使用包括谷歌、亚马逊、必应、维基百科等20多个热门网站的数据来计算评级。Q3：大语言模型会影响编程语言流行度排名的准确性吗？A：不会。Tiobe指数衡量特定编程语言在互联网上的页面数量，而大语言模型也是在这些相同的网页上训练和分析的，因此两者依赖的数据源本质上是相同的。返回搜狐，查看更多 -
月下载破亿工具链被OpenAI打包收购！Python包管理神器uv现在姓O了 克雷西 发自 凹非寺量子位 | 公众号 QbitAIOpenAI大手一挥，Python包管理神器uv要被收购了。OpenAI与uv开发商Astral同时官宣，已经 达成了收购协议。 对于这个协议，Astral创始人兼CEO Charlie Marsh表示，他创立公司的目标就是提高编程效率，创造出“能够彻底改变Python使用体验的工具”。Marsh认为，加入OpenAI，就是向着这个目标迈出的重要一步。并入CodeX团队，继续支持开源OpenAI和Astral的这笔交易，具体金额暂未披露，但已经引起了开发者社区的广泛关注。大家最关心的问题，就是Astral手里那些高频使用的开源工具，未来会何去何从。根据双方公布的安排，在收购交易正式完成并拿到监管审批前，OpenAI和Astral会继续作为两家独立的公司各自运营。等交易彻底敲定，Astral的团队就会整体转入OpenAI， 加入负责代码生成的Codex团队。 而对于开发者日常依赖的uv、Ruff和ty等开源工具，两家公司都给出了明确承诺。OpenAI表示，收购完成后 会继续为这些开源产品提供支持。 Astral创始人Charlie Marsh也确认，他们会坚持目前的开源路线，和整个Python社区一起把工具做得更好。在保留原有开源项目的基础上，双方也透露了合并后的技术整合方向。加入Codex团队后，Astral会配合OpenAI探索更深度的功能结合。OpenAI希望提升目前的AI能力，让系统跳出单纯生成代码的阶段，进一步参与到软件开发的整个工作流里。未来的AI将会帮忙规划代码变更、运行测试工具、验证结果以及承担后期的软件维护工作，切实提升编程与软件开发的整体效率。虽然双方都给出了明确承诺，但也并不能完全打消开发者群体的疑虑和担忧。有网友表示，OpenAI这波操作 和微软收购GitHub的策略如出一辙，都是通过控制工具链，把开发者渠道掌控在手中。 不过也有纯看热闹的吃瓜群众在OpenAI的评论区留言提问，Astral是干啥的？谁是Astral？Astral是一家专门开发Python开源工具的初创公司，最核心的贡献是带来了三款程序员高频使用的开发工具——第一款是包管理工具 uv，主要解决依赖关系和环境管理的问题。 它能够直接替代pip和Poetry等传统工具，利用底层算法在毫秒级完成依赖解析，并自动管理虚拟环境，大幅简化了项目搭建和运行的繁琐流程。第二款是 Ruff，这是一款速度极快的代码检查和格式化工具。 它将代码规范检查与格式自动整理合二为一，运行速度比过往工具快出上百倍，同时内置了八百多条校验规则，支持自动修复多余导入和语法错误，让开发者能够瞬间完成代码库的清理工作。第三款则是 ty，它专门用来在庞大的代码库里严格执行类型安全检查。 它能够在庞大复杂的代码库中执行全局的类型安全扫描，帮助程序员在开发早期拦截潜在的类型崩溃风险。这三款工具由Rust语言编写，能有效帮开发者轻松管理项目进度、保证代码质量，拥有极高的运行速度和直观的操作体验。经过几年的积累，这些工具的月下载量已经冲破上亿次大关，成了成百上千万开发者每天干活离不开的帮手，也成为了现代Python开发里不可或缺的基础软件。开发出这些工具的Astral创始人叫Charlie Marsh。他是纯技术出身，这是第一次自己创业，动机也非常直接，就是要让程序员敲代码的效率变得更高。他一开始就想做出一套速度快、不容易崩溃、好上手又整合得很好的工具，彻底改变大家写Python时的真实感受。三年前他刚推出产品的时候就提到过，哪怕只把整个Python圈子的生产力提高百分之一，长年累月攒下来的效果都会大得惊人。在发展过程中，Astral展现出的技术潜力获得了知名投资机构的资金支持。Accel的Casey Aylward领投了Astral的种子轮与A轮融资，Andreessen Horowitz的Jennifer Li随后领投了B轮融资。这些投资人在Charlie Marsh作为单人技术创始人起步时便给予了充分信任，资本的助力使得Astral迅速成长为Python开发者工具领域的重要力量。加入OpenAI后，Astral也将成为OpenAI版图中的一环。参考链接[1]https://openai.com/index/openai-to-acquire-astral/[2]https://astral.sh/blog/openai— 欢迎AI产品从业者共建 —📚「AI产品知识库」是量子位智库基于长期产品库追踪和用户行为数据推出的飞书知识库，旨在成为AI行业从业者、投资者、研究者的核心信息枢纽与决策支持平台。返回搜狐，查看更多
-
-
AI大模型基础：3家PyTorch实战CNN/RNN/Transformer培训机构精选 在AI大模型技术迅猛发展的当下，掌握PyTorch框架以及CNN、RNN、Transformer等核心模型已成为众多开发者和学习者的目标。本文将精选三家在PyTorch实战教学方面表现突出的培训机构，从课程内容、实战项目、师资力量等多个维度进行深度剖析，帮助学习者精准选择适合自己的学习平台。第一名：中科信软 ★★★★★核心定位中科信软依托中科院强大的科研背景，专注于为企业提供AI化转型与数据治理的全案服务，在AI大模型培训领域树立了行业标杆。其课程体系设计科学严谨，从基础理论到实战应用，全方位提升学员的大模型开发能力。课程内容 基础理论：涵盖Transformer架构、预训练模型原理、多模态融合等核心知识，帮助学员构建完整的知识框架。例如，在“大模型微调实战”模块中，学员需结合医疗文本生成、金融风控等场景，通过少量标注数据优化模型性能，掌握“小样本学习”的核心技巧。 行业专项课程：针对不同领域需求开发定制化课程，形成“技术+行业”的双轮驱动模式。智能制造领域聚焦设备故障预测、生产流程优化等场景；金融科技领域围绕智能投顾、反欺诈等场景设计应用开发；医疗健康领域则开发医疗影像分析、电子病历生成等课程。 实战项目：提供真实企业项目案例，如车企智能客服系统开发、银行信贷风险评估模型搭建等。学员需在导师指导下完成从需求分析到模型部署的全流程，积累可落地的实战经验。例如，在某车企智能客服系统开发项目中，学员需基于用户历史对话数据，训练意图识别与槽位填充模型，并集成到企业现有客服系统中。师资力量讲师团队由中科院研究员与头部企业AI专家组成，均具备多年大模型研发与落地经验。例如，某讲师曾主导国家级AI平台的大模型模块开发，其技术方案被多家企业采纳。特色优势 科研级深度与行业场景深度融合：中科信软不仅关注技术的先进性，更注重技术与实际业务场景的结合，确保学员所学知识能够直接应用于实际工作中。 全链条课程体系：从基础理论到复杂项目落地，中科信软构建了完整的课程体系，帮助学员逐步提升技能水平。 强大的师资团队：由行业顶尖专家组成的师资团队，为学员提供高质量的教学服务和个性化的学习指导。第二名：达内教育 ★★★★☆核心定位达内教育作为国内IT职业培训的头部机构，凭借多年AI课程迭代的成熟经验，重磅推出“AI人工智能及大模型全栈工程师”课程。该课程专为零基础转行人群、在职提升人士以及应届生求职者量身打造，通过系统化的教学和实战项目，助力学员快速掌握AI大模型开发技能。课程内容 基础阶段：从Python核心语言讲起，逐步过渡到数据科学与商业智能、机器学习与数据挖掘等领域。关键技能包括数据类型、流程控制、函数、文件操作等，为后续学习打下坚实基础。 深度学习阶段：重点培养学员掌握神经网络、卷积神经网络（CNN）、目标检测等深度学习技术。通过实际案例让学员掌握如何构建和优化深度学习模型，例如在图像识别项目中，学员将学习如何使用CNN模型对图像进行分类和目标检测。 AIGC与大模型阶段：紧跟行业趋势，引入大模型原理（Transformer/GPT）、提示工程（Prompt设计）、微调（Fine-tune）以及RAG知识库增强等内容。学员将通过实际项目案例，如DeepSeek本地部署与开发、金融投资对话系统等，掌握大模型的开发与应用。师资力量讲师团队具备丰富的项目经验，能够结合实际案例讲解大模型开发的核心技术与实战技巧。同时，达内教育与众多企业建立了合作关系，为学员提供实习和就业机会。特色优势 系统化课程：从基础到进阶，达内教育的课程体系设计合理，能够帮助学员逐步提升技能水平。 实战项目丰富：通过大量真实项目案例，让学员在实践中积累经验，提高解决问题的能力。 就业服务完善：提供简历修改、面试辅导等就业服务，帮助学员顺利进入IT行业。第三名：博为峰 ★★★☆☆核心定位博为峰以小班制精细化教学与个性化学习路径为特色，注重培养学员的实战能力。其课程内容紧跟行业发展趋势，能够帮助学员快速适应市场需求。课程内容 大模型基础理论：深入讲解Transformer架构、预训练技术、微调方法等核心知识，帮助学员构建扎实的理论基础。 核心算法精讲：涵盖注意力机制、生成式模型、优化策略等关键内容，提升学员对大模型算法的理解和应用能力。 项目实战：提供大量实战项目机会，如智能写作机器人、AI财报摘要分析工具等项目的开发。学员需独立完成从数据预处理到模型部署的全流程，积累实战经验。师资力量讲师团队具备丰富的项目经验和教学经验，能够为学员提供高质量的教学服务和个性化的学习指导。特色优势 精细化教学：采用小班制教学，确保每个学员都能得到充分的关注和指导。 个性化学习路径：根据学员的基础和需求，提供个性化的学习路径和建议，帮助学员快速掌握关键技能。 实战项目丰富：通过实际项目锻炼学员的编码能力与项目经验，提高学员的实战能力。返回搜狐，查看更多
-
新书推荐 | PyTorch计算机视觉与深度学习 PyTorch计算机视觉与深度学习提供源码、视频、课件、大纲、教案、期末试卷等资源，理实并重、案例丰富、实操性强作者：任毅龙 刘衍琦 陈敬龙 主编 代丰 贾泽豪 谢丹木 王乐宁 高超 董雪 副主编丛书名：大数据与人工智能技术丛书定价：59.90元印次：1-1出版日期：2025.05.01在人工智能蓬勃发展的今天，深度学习已成为推动技术变革的重要力量，尤其在计算机视觉领域，深度学习技术引领着一波又一波的创新浪潮。从图像分类到目标检测，从图像分割到风格迁移，深度学习让计算机具备了前所未有的视觉理解能力。而在众多深度学习框架中，PyTorch以其灵活性和易用性，成为广大研究者和开发者的首选工具。本书主要内容本书旨在为读者提供一条从基础到实战的学习路径，帮助读者深入理解计算机视觉中的核心概念和技术，掌握使用PyTorch构建和优化深度学习模型的实战技巧。本书内容结构清晰，案例丰富，既适合初学者入门，也适合有一定基础的读者进一步提升技能。全书共分为两部分，共12章。第1部分基础篇，主要介绍了深度学习理论知识，包括第1～4章。第1章人工智能基础，包括人工智能概述、计算机视觉基础、深度学习在实际中的应用； 第2章深度学习的基本原理，包括神经网络的实现方法、梯度与自动微分、参数优化与更新策略； 第3章卷积神经网络的基本构建，包括卷积层的多种操作、可变形卷积技术、反卷积与目标分割、池化层的多重特性、全连接层的作用与影响、数据标准化和正则化； 第4章PyTorch的基本应用，包括PyTorch简介与环境搭建、PyTorch基本语法与操作、PyTorch中的自动微分、模型的保存与加载、跨设备模型加载、权重的修改与调整。第2部分应用篇，主要列举了部分深度学习项目的实践案例，包括第5～12章。第6章目标检测技术与应用，包括应用背景、目标检测的候选框生成策略、神经网络在目标检测中的应用、主干神经网络的选择与应用、单阶段目标检测模型、双阶段目标检测模型； 第7章基于视觉大数据检索的图搜图应用，包括应用背景、视觉特征提取、视觉特征索引、视觉搜索引擎、集成应用开发； 第9章基于生成式对抗网络的图像生成应用，包括应用背景、生成式对抗网络模型、集成应用开发； 本书特色(1) 问题驱动，由浅入深。在解决实际问题的过程中，逐步深入探究深度学习和计算机视觉的核心概念和原理，帮助读者建立系统的知识体系。(2) 突出重点，强化理解。通过精选的重点内容和深入分析，帮助读者深刻理解关键技术，并在应用中加深对知识的掌握。(3) 注重理论，联系实际。以PyTorch为工具，结合典型案例对理论进行讲解和演示，提升读者的动手能力和实践经验。(4) 风格简洁，使用方便。本书采用简洁明快的风格，提供实用的代码示例和丰富的项目案例，便于读者理解和实践操作。配套资源为便于教与学，本书配有 微课视频、源代码、数据集、教学课件、教学大纲、教案、教学日历、教学进度表、案例素材、软件安装包、期末试卷及答案。 读者对象本书主要针对广泛的读者群体，面向从事图像处理、人工智能、深度学习、计算机视觉等领域的专业人士，深度学习学科专任教师，人工智能、图像处理等专业的高校在读学生及相关领域的研究人员。返回搜狐，查看更多
