花满楼m_个人页

花满楼m
个人头像照片
4
3
0

个人介绍

暂无个人介绍

擅长的技术

获得更多能力
通用技术能力:

暂时未有相关通用技术能力~

云产品技术能力:

暂时未有相关云产品技术能力~

阿里云技能认证

详细说明
暂无更多信息

2025年02月

  • 02.17 17:13:52
    发表了文章 2025-02-17 17:13:52

    python pandas学习(一)

    该代码段展示了四个主要操作:1) 删除指定列名,如商品id;2) 使用正则表达式模糊匹配并删除列,例如匹配订单商品名称1的列;3) 将毫秒级时间戳转换为带有时区调整的日期时间格式,并增加8小时以适应本地时区;4) 将列表转换为DataFrame后保存为Excel文件,文件路径和名称根据变量拼接而成。
  • 02.17 15:42:44
  • 02.17 15:41:40
    回答了问题 2025-02-17 15:41:40
  • 02.10 09:57:43
    发表了文章 2025-02-10 09:57:43

    python泛微e9接口开发

    通过POST请求向指定IP的API注册设备以获取`secrit`和`spk`。请求需包含`appid`、`loginid`、`pwd`等头信息。响应中包含状态码、消息及`secrit`(注意拼写)、`secret`和`spk`字段。示例代码使用`curl`命令发送请求,成功后返回相关信息。
  • 02.10 09:54:56
    发表了文章 2025-02-10 09:54:56

    python 群晖nas接口(二)

    这段代码展示了如何通过API将文件上传到群晖NAS。它使用`requests`库发送POST请求,指定文件路径、创建父级目录及覆盖同名文件的参数,并打印上传结果。确保替换`yourip`和`sid`为实际值。
  • 02.09 23:01:28
    回答了问题 2025-02-09 23:01:28
  • 02.08 17:41:53
    发表了文章 2025-02-08 17:41:53

    python 群晖nas接口(一)

    这段代码展示了如何通过群晖NAS的API获取认证信息(SID)并列出指定文件夹下的所有文件。首先,`get_sid()`函数通过用户名和密码登录NAS,获取会话ID(SID)。接着,`list_file(filePath, sid)`函数使用该SID访问FileStation API,列出给定路径`filePath`下的所有文件。注意需替换`yourip`、`username`和`password`为实际值。
  • 发表了文章 2025-02-17

    python pandas学习(一)

  • 发表了文章 2025-02-10

    python泛微e9接口开发

  • 发表了文章 2025-02-10

    python 群晖nas接口(二)

  • 发表了文章 2025-02-08

    python 群晖nas接口(一)

正在加载, 请稍后...
滑动查看更多
  • 回答了问题 2025-02-17

    如何看待「学习 AI 是个伪命题,AI 的存在就是让人不学习」的观点?

    我曾经以为学习 AI 是为了让生活更轻松,甚至觉得只要借助 AI 工具就能“拯救”自己,不必深入钻研原理。但当我真正开始研究机器学习算法和数据处理时,我发现只有透彻理解背后的逻辑和数学,才能真正驾驭这些工具。借助 AI,我在工作中节省了不少时间,但同时也促使我去学习更多的专业知识,以便更好地解决问题。因此,我认为 AI 并不是让人不学习,而是为我们提供了更高层次的思考空间和学习动力。
    踩0 评论0
  • 回答了问题 2025-02-17

    DeepSeek 爆火,你认为 DeepSeek 会成为2025年开发者必备的神器吗?

    我是在今年年初第一次尝试部署 DeepSeek-R1 满血版,当时本着“零门槛、即刻上手”的理念,决定亲自试一试。以下是我的一些体验和建议: 1.部署体验与建议 环境配置我选择在 Ubuntu 20.04 环境下进行部署,整个安装过程非常顺畅,官方文档给出的依赖包和环境要求说明得很详细。唯一需要注意的是 CUDA 驱动的版本匹配问题,提前检查好硬件与驱动版本,可以避免部署中途出现不必要的错误。 运行效率部署完成后,我立即进行了推理测试。模型加载速度较快,而且在本地进行小规模任务测试时响应也很及时。唯一的不足是,对于一些较大规模的数据处理,内存占用略显吃紧,建议未来可以推出低精度或分布式部署方案,以满足不同硬件配置的需求。 功能体验在使用过程中,我对它的文本理解和生成能力印象深刻。无论是代码补全还是文档自动生成,都表现得比较稳定。当然,在一些专业领域的细节上,模型偶尔还会有理解偏差,可能需要针对性的数据微调。 优化建议 文档完善:虽然整体文档很清晰,但如果能增加更多的故障排查案例,对初学者更友好。资源占用控制:建议在未来版本中加入低内存模式或模型剪枝选项,便于在资源有限的设备上运行。扩展性:希望能开放更多 API 接口,方便用户定制化扩展自己的业务场景。2.关于 DeepSeek 成为 2025 年开发者必备神器的看法 我认为 DeepSeek 展示了非常大的潜力,特别是在 AI 编程辅助、代码生成和自动文档化方面。如果它能持续优化、扩充生态,并解决目前在高负载下的性能瓶颈,那么未来完全有可能成为开发者手中的“瑞士军刀”。关键在于: 社区和生态建设:如果官方能与社区保持紧密互动,不断推出插件、实用工具以及定期更新文档,用户会更愿意将其作为长期依赖。稳定性和适配性:对于大规模商业应用,稳定性至关重要。DeepSeek 需要不断完善错误处理机制和兼容性测试。灵活性和易用性:保持“零门槛”部署的初衷,同时支持多种开发环境,会让更多开发者快速上手和融入现有工作流中。总的来说,我对 DeepSeek 的未来持乐观态度,只要在细节上不断打磨,2025 年看到它成为开发者必备工具绝非不可能。
    踩0 评论0
  • 回答了问题 2025-02-09

    大模型数据处理vs人工数据处理,哪个更靠谱?

    大模型数据处理的优势:高效性:大模型能快速处理海量数据,适合大规模任务。 一致性:模型处理结果稳定,不受情绪或疲劳影响。 自动化:可自动完成复杂任务,减少人工干预。 模式识别:擅长从数据中发现复杂模式和关联。 大模型数据处理的局限:理解力有限:缺乏人类的深度理解和推理能力。 数据依赖:依赖高质量数据,数据偏差可能导致错误结果。 灵活性不足:难以处理高度复杂或模糊的任务。 成本高:训练和运行大模型需要大量计算资源。 人工数据处理的优势:理解力强:人类能深入理解复杂情境,处理模糊信息。 灵活性高:能适应各种复杂任务,灵活调整处理方式。 创造力:具备创造性思维,能解决非常规问题。 低资源需求:不需要大量计算资源,适合小规模任务。 人工数据处理的局限:效率低:处理大规模数据时速度慢。 一致性差:结果可能受情绪、疲劳等因素影响。 成本高:长期依赖人工处理会增加人力成本。 主观性:处理结果可能带有主观偏见。 总结:大模型数据处理适合大规模、自动化、模式识别任务。 人工数据处理适合复杂、模糊或需要深度理解的任务。 实际应用中,两者常结合使用,以发挥各自优势。
    踩0 评论0
正在加载, 请稍后...
滑动查看更多
正在加载, 请稍后...
暂无更多信息