- 博客(139)
- 资源 (24)
- 收藏
- 关注
RSS订阅原创 2022年信息学奥赛CSP-J2入门组复赛题解
本文解析了2022年CSP-J信息学奥赛入门组复赛的四道题目。A题使用快速幂计算乘方；B题通过二分和数学公式求解解密问题；C题构建语法树处理逻辑表达式并统计短路次数；D题采用动态规划求解上升点列问题。四道题目分别考察了快速幂、二分、语法树和动态规划等算法，难度逐步提升，其中C题的表达式解析和D题的状态转移是重点难点。整体来看，这套题目对参赛者的算法能力和编程思维提出了较高要求。
2025-12-25 13:02:44
460
原创 为什么「球磨机吐钢球检测」从一开始就不该按目标检测来做？
工业视觉项目中，像球磨机吐钢球检测这类问题看似适合目标检测，实则暗藏陷阱。这类极低频异常事件（正样本极少、误检代价高）根本违背了监督学习的基本假设——无法通过数据积累完成建模。传统目标检测方法（如YOLO）即使离线指标尚可，上线后仍会因误检严重而失效。核心问题不在模型本身，而在于错误的问题范式选择。工业场景中类似问题（低频高代价异常）的解决关键，是跳出常规检测思路，重构问题方法论。这揭示了工业视觉的真正难点：当问题不满足监督学习假设时，继续沿用传统范式本身就是工程失误。
2025-12-25 11:20:47
1060
原创 2023年信息学奥赛CSP-S2提高组复赛题解
2023年信息学奥赛CSP-S2提高组复赛题解摘要： 本次比赛包含四道题目，涉及多种算法和数据结构。第一题密码锁（lock）考察枚举算法，通过分析密码锁转动规则，统计可能的正确密码数量。第二题消消乐（game）提供多种解法，包括暴力枚举、动态规划、next函数优化、前缀哈希和矩阵运算，重点考察字符串处理和优化策略。第三题结构体（struct）属于模拟题，需要处理复杂的数据结构操作。第四题采用二分套二分结合数学公式的解题方法。整体来看，比赛代码量较大，题目难度递进，考察了选手对基础算法和优化技巧的综合运用能力
2025-12-24 12:53:52
566
原创 2023年信息学奥赛CSP-J2入门组复赛题解
2023年CSP-J信息学奥赛入门组复赛题解摘要：本次比赛包含四道题目，难度适中。A题"小苹果"考察数学模拟，通过每天按规律取苹果计算天数；B题"公路"采用后悔贪心算法，选择最便宜加油站加油；C题"一元二次方程"需要模拟求解过程并格式化输出；D题"旅游巴士"结合图论和动态规划，使用优先队列优化搜索。解题关键在于数学分析、贪心策略和状态转移优化。整体而言，题目注重基础算法应用和逻辑思维能力。
2025-12-24 12:48:37
930
原创 2024年信息学奥赛CSP-S2提高组复赛题解
本文分析了2024年CCF CSP-S第二轮比赛的四道编程题目解题思路。A题"决斗"采用快慢指针或二分查找方法，通过排序处理数组元素；B题"超速检测"通过解方程计算超速路段，转化为区间覆盖问题；C题"染色"结合贪心策略和动态规划，利用前缀和优化计算；D题"擂台游戏"基于完全二叉树结构，通过树形DP求解最优路径。每道题都给出了核心算法思路和关键代码片段，展示了如何运用经典算法解决竞赛问题。
2025-12-23 10:48:32
756
原创 2024年信息学奥赛CSP-J2入门组复赛题解
摘要 本文介绍了CCF CSP-J 2024入门级第二轮比赛的四个题目及解题思路。题目A"扑克牌"使用集合统计缺失牌数；题目B"地图探险"通过模拟行走路径并标记访问位置；题目C"小木棍"分析火柴数量规律，按余数分类处理最小数字；题目D"接龙"采用线性DP优化，使用区间标记和左加右减法处理复杂规则。其中题目D难度较大，涉及多轮状态转移和高效标记处理。所有题目均提供代码实现关键部分，展示了算法竞赛中统计、模拟、贪心和动态规划等典型解
2025-12-23 10:42:19
1576
原创 使用 LangGraph 构建代理 RAG
使用LangGraph构建代理RAG系统 本文介绍了一种新型的代理RAG架构，通过自主AI代理动态选择知识源，相比传统RAG系统具有更强的适应性和推理能力。文章详细比较了两种RAG架构的差异，并提供了基于LangGraph、ChromaDB和SerperAPI的具体实现方案。实验使用两个医疗领域数据集（500行医学问答和500行设备手册数据），展示了如何建立向量存储和知识检索流程。该方案特别适用于需要高准确性的医疗领域，能有效解决传统RAG在跨知识库推理、动态检索和上下文感知方面的局限性。
2025-12-22 11:07:18
690
原创 2025年信息学奥赛CSP-S2提高组复赛题解
CSP-S第二轮算法比赛题解摘要：比赛包含四道题目，难度从普及到NOI级别不等。第一题采用后悔贪心算法，在部门人数限制下最大化满意度；第二题通过最小生成树+剪枝优化求解道路修复最小成本；第三题涉及哈希与AC自动机；第四题为三维动态规划难题。暴力解法总分可达258分。题解详细分析了各题解题思路与优化方法，包括动态规划、贪心策略及特殊性质处理，并预告后续将推出相关算法专题讲解。
2025-12-22 10:27:54
1579
原创 2025年信息学奥赛CSP-J2入门组复赛题解
2025年CSP-J第二轮算法比赛题解摘要： 比赛包含四道题目，难度从普及-到普及/提高-不等。第一题"拼数"要求从字符串中提取数字并排序输出，考察贪心思想；第二题"座位"需要将学生成绩按S形排列，可采用排序后模拟或数学计算解决；第三题"异或和"结合前缀和、哈希表与动态规划，求无重叠子区间数量；第四题"多边形"使用背包DP优化，通过压缩状态空间处理大规模数据。其中第三、四题难度较高，涉及算法优化技巧。所有题目均提供C++代码实现
2025-12-22 10:25:22
984
原创 什么是岭回归？
摘要 岭回归是一种用于解决多重共线性和过拟合问题的L2正则化技术。它通过在线性回归的残差平方和(RSS)中加入系数平方和的惩罚项，缩小高值回归系数，从而降低模型复杂度。与套索回归(L1)不同，岭回归不会将系数降为零，而是按比例缩减。其正则化强度由λ参数控制：λ为零时等同于普通最小二乘法，λ过大则可能导致欠拟合。岭回归通过引入偏差来降低方差，实现偏差-方差权衡，提升模型泛化能力。选择合适λ值可通过交叉验证或观察均方误差(MSE)曲线完成。该技术适用于高维数据，能有效处理特征间相关性带来的模型不稳定性问题。
2025-12-21 09:17:59
961
原创 什么是套索回归？
套索回归是一种用于线性回归的正则化技术（L1正则化），通过添加惩罚项防止过拟合并提高模型准确性。其核心公式将最小二乘误差与系数的L1范数相结合，通过调节λ参数控制惩罚强度，实现特征选择和模型简化。套索回归特别适用于高维数据，能自动将不重要的特征系数缩减为零，提升模型可解释性。相比岭回归（L2正则化），套索回归能产生更稀疏的模型，但在处理高度相关特征时可能随机选择保留变量。实现时可使用Python的sklearn或R的glmnet包，配合交叉验证优化λ值。该技术需注意数据标准化和偏差-方差权衡，对多重共线性严
2025-12-21 09:06:30
1060
原创 什么是线性回归？
线性回归是一种基础的统计建模技术，用于预测数值型结果。它通过建立自变量与因变量之间的线性关系，帮助企业进行业务指标建模和趋势预测。线性回归模型简单易懂，能快速生成预测结果，广泛应用于商业、科研等领域。使用前需确保数据符合连续变量、线性关系、独立性等假设。其实用场景包括销售预测、定价弹性分析、风险评估及体育数据分析等。借助统计软件如SPSS或Excel，可简化线性回归方程的建立过程，帮助决策者从数据中获取可操作的洞察。
2025-12-20 10:05:07
715
原创 08.什么是监督学习？
摘要： 监督学习是一种机器学习方法，通过标记数据集训练模型，使其识别输入与输出间的关系，从而预测新数据的结果。训练过程依赖真实标签数据（人工标注或测量获得），利用梯度下降等优化算法调整参数，并通过损失函数评估准确性。监督学习分为分类（如SVM、决策树）和回归（如线性回归）任务，广泛应用于图像识别、垃圾邮件分类等领域。与无监督学习不同，监督学习需要标记数据指导模型训练，以实现高精度预测。其他学习方法还包括半监督、自监督和强化学习。
2025-12-20 09:28:56
826
1
原创 07.什么是特征工程？
特征工程是将原始数据转换为机器学习模型可读格式的关键预处理技术，涉及特征转换、提取、选择和缩放等方法。特征转换包括分箱和独热编码，用于连续值与分类值的相互转换；特征提取与选择通过主成分分析（PCA）和线性判别分析（LDA）实现降维；特征缩放则通过最小值-最大值和Z分数标准化调整数据范围。当前研究趋势聚焦自动化特征工程工具（如Python库）及深度学习在特征表示中的应用，旨在简化流程并提升模型性能。特征工程作为迭代过程，需结合领域知识与数据分析，其效果直接影响机器学习模型的预测质量。
2025-12-20 09:19:44
561
原创 06.什么是偏差-方差权衡？
摘要 偏差-方差权衡是机器学习中的核心概念，描述了模型复杂性与预测误差之间的关系。高偏差模型（如简单线性回归）容易欠拟合，无法捕捉数据模式；高方差模型（如高阶多项式）容易过拟合，对训练数据噪声敏感。理想模型需平衡两者，通过正则化（L1/L2）或集成方法等技术控制误差。学习曲线和交叉验证可帮助诊断偏差/方差问题。理解这一权衡对构建泛化能力强的预测模型至关重要。
2025-12-19 08:55:18
878
原创 05.什么是不确定性量化？
不确定性量化（UQ）是评估模型预测可靠性的关键技术，用于衡量预测值与真实值之间的可能偏差范围。UQ方法可分为三类：基于采样的方法（如蒙特卡罗模拟）、贝叶斯方法（如贝叶斯神经网络）和集成方法。共形预测作为一种模型无关的技术，能提供有效的预测区间保证。UQ在时间序列预测、深度学习等领域有广泛应用，帮助决策者理解预测的可信度，优化模型训练，并在医疗、工程等关键领域提供可靠的不确定性评估。通过量化模型输出中的随机性和认知不确定性，UQ能有效防止模型过度自信，提升预测的实用价值。
2025-12-19 08:28:47
958
原创 04.机器学习中的线性代数？
摘要：线性代数是机器学习的数学基础，用于数据表示、模型构建和优化。它通过向量、矩阵和张量等结构高效处理高维数据，支持线性回归、神经网络等算法。降维技术（如PCA）利用特征值和特征向量提取关键信息。现代ML工具（如NumPy）封装了线性代数运算，使从业者能专注于模型开发。掌握线性代数概念对理解机器学习原理和算法实现至关重要。
2025-12-18 15:22:23
1013
原创 03.统计学机器学习
本文探讨了机器学习中的统计思维基础，指出机器学习本质上是建立在统计学和概率论之上的统计过程。文章从三个核心概念展开：1）统计学作为从数据中提取洞察的科学，为机器学习提供数学基础；2）概率论作为量化不确定性的工具，是建模预测不确定性的关键；3）概率分布作为描述数据行为的数学函数，支撑着误差建模、损失函数设计等机器学习核心环节。文章强调，理解这些统计概念对于构建可靠、可解释的AI系统至关重要，它们是现代机器学习（从简单回归到复杂神经网络）的理论支柱。通过介绍描述性统计指标、概率基本概念和常见概率分布，为读者提供
2025-12-18 15:15:48
863
1
原创 02.什么是机器学习算法？
训练一个有用的机器学习模型不仅涉及选择和配置合适的机器学习算法类型，还需要对训练数据进行策划，并对训练后的性能进行深思熟虑的验证。
2025-12-18 15:06:24
786
原创 01.需要了解的五种机器学习类型
ML 是计算机科学、[数据科学]和[人工智能] (AI) 的子集，它使系统能够从数据中学习和改进，而无需额外的编程干预。ML 模型不依赖用于性能优化的显示指令，而是采用算法和统计模型，以根据数据模式和推论来部署任务。换句话说，ML 利用输入数据来预测输出，并随着新数据的出现不断更新输出。例如，在零售网站上，机器学习算法通过根据购买历史提出建议来影响消费者的购买决策。
2025-12-18 14:53:30
721
1
原创 00.什么是机器学习？
机器学习是人工智能的重要分支，使计算机能够通过数据自主学习和改进性能。它通过算法识别数据模式进行预测或决策，无需显式编程。机器学习分为监督学习（使用标记数据训练分类或回归模型）、无监督学习（发现数据内在结构）和强化学习（通过环境反馈优化行为）。深度学习作为其子集，能自动提取特征，提高模型可扩展性。机器学习广泛应用于各领域，通过优化算法参数最小化预测误差，实现智能决策。
2025-12-18 14:47:33
818
原创 05.AIGC初学者指南-提示工程基础
本文介绍了提示工程的基础概念及其在生成式AI应用中的重要性。主要内容包括： 核心概念：提示工程是设计和优化输入提示以获得高质量AI响应的过程，涉及分词处理、基础模型预测和指令调优等技术。 重要性：提示工程能解决LLM的三个关键挑战：响应的随机性、可能产生虚构内容，以及不同模型能力的差异。 实践方法：通过交互式沙盒环境进行提示设计和优化练习，建议结合领域知识进行迭代测试。 教育应用：展示了提示工程如何应用于教育场景，如课程分析、教学计划生成和个性化辅导。 文章强调提示工程是提升AI响应质量和一致性的关键技能，
2025-12-18 11:30:30
143
原创 04.AIGC初学者指南-负责任地使用生成式人工智能
设计元素安全功能实现方式风险提示标签标注AI生成内容[AI生成，请谨慎参考]置信度显示展示答案可信度进度条或星级评分来源引用显示信息出处脚注或参考链接反馈按钮收集用户反馈“报告错误”、“内容不适”使用指南教育用户正确使用新手引导和提示历史记录追溯对话历史可查询的对话日志// 反馈系统设计示例auto_detect: ["低置信度回答", "敏感话题", "用户困惑表情"],user_initiated: ["举报按钮", "差评评分", "重复提问"]},actions: {
2025-12-18 11:10:16
352
原创 03.AIGC初学者指南-探索和比较不同类型AI模型
本文探讨了大型语言模型(LLM)的分类与应用。首先介绍了LLM的多种分类方式，包括按用途(音频识别、图像生成、文本处理、多模态)、开源与专有属性、输出类型(嵌入、图像、文本/代码)等。重点分析了基础模型与LLM的区别，指出基础模型通过无监督学习训练，可作为其他模型的起点。文章还对比了不同架构模型(编码器-解码器与仅解码器)的特点，并提供了各类代表性模型如Whisper、DALL-E、GPT等的应用场景。最后强调选择模型需综合考虑使用目的、数据类型和预算等因素，为企业部署LLM提供了实用指导。
2025-12-17 09:36:45
280
原创 02.AIGC初学者指南-生成式人工智能和大型语言模型简介
本文介绍了生成式人工智能和大型语言模型(LLM)的发展历程及在教育领域的应用。主要内容包括：1) 生成式AI通过自然语言交互实现内容生成，降低技术使用门槛；2) 技术发展从早期聊天机器人到统计机器学习，再到基于Transformer架构的现代LLM；3) LLM工作原理涉及文本分词、概率预测和创造性输出选择；4) 以教育初创公司为例，展示AI在个性化学习、虚拟教师等方面的应用潜力；5) 指出当前AI存在准确性、可信度等局限性。文章强调生成式AI将重塑教育模式，同时需要理性看待其技术边界。
2025-12-17 09:22:10
295
原创 01.AIGC初学者指南-本地环境搭建
本文介绍了在本地搭建生成式AI开发测试环境的基础步骤。首先需要安装Python并克隆代码库，推荐使用Miniconda管理Python环境。详细说明了如何配置国内pip和conda镜像源以加速下载，包括清华镜像的设置方法。同时介绍了使用VSCode进行远程开发的完整流程：安装Remote-SSH插件、解决图标缺失问题、通过三种方式配置SSH连接服务器，并强调了网络连通性和权限验证等注意事项。文章提供了从环境搭建到远程开发的一站式指导，适合初学者快速上手AI开发环境配置。
2025-12-16 14:38:09
24
原创 00.AIGC初学者指南-课程表及源码下载
《生成式AI初学者指南》是一套包含21节课的完整课程体系，涵盖生成式AI基础知识和实践应用开发。课程采用本地化部署方案，使用conda环境和VS Code工具，分为理论学习和项目实践两类内容，涉及文本/图像生成、聊天应用、RAG框架等核心主题。学习需要Python基础，每节课提供代码示例、README文档和扩展资源。课程支持本地运行，详细介绍了环境搭建、源码下载（支持Git克隆或ZIP下载）和服务器部署方法，帮助初学者系统掌握生成式AI应用开发全流程。
2025-12-16 14:07:26
388
原创 关于大型语言模型的10个常见误解
摘要： 大型语言模型（LLMs）已成为生产力工具，但开发者对其存在10个常见误解：1）LLM并非真正理解语言，而是统计模式匹配；2）参数数量不等于性能，小型专用模型可能更高效；3）LLM能力远超自动补全，具有涌现行为；4）记忆不完美，存在知识盲点；5）微调可能带来灾难性遗忘；6）输出具有概率性而非确定性；7）大上下文窗口存在计算成本和"中间丢失"问题；8）传统ML在某些任务上仍具优势；9）提示工程是系统性技能；10）LLM无法取代开发者整体能力。理解这些局限有助于设计更可靠的AI应用。
2025-12-15 14:18:46
858
原创 大语言模型的词语生成机制：Logits、Softmax 与Sampling详解
本文解析了大语言模型(LLM)生成词语的核心机制。首先介绍了logits通过softmax函数转换为概率分布的过程，以及温度参数如何影响概率分布的形状——高温增加多样性，低温增强确定性。接着详细讲解了两种重要采样策略：top-k采样通过限制候选词范围平衡创造力和效率，而top-p采样则动态调整候选词数量。文章通过代码示例展示了不同参数设置下的概率分布变化，帮助读者理解LLM推理背后的机制，掌握调整输出特性的方法。这些技术共同构成了LLM生成多样化输出的基础。
2025-12-15 14:14:59
731
原创 面向异常检测的提示工程
异常值检测方法与应用 本文介绍了三种常用的异常值检测方法及其在实际医疗数据分析项目中的应用： 标准差法：适用于正态分布数据，通过计算均值±3倍标准差确定异常值范围 IQR方法：利用四分位间距（1.5×IQR）识别异常值，适用于非高度偏斜分布 百分位法：通过设定特定百分位阈值（如1%-99%）过滤极端值 文章通过Physician Partners医疗数据分析项目，展示了如何应用这些方法处理包含人口统计、保险计划和临床指标的复杂医疗数据集。项目要求开发算法检测医疗支出异常值，文中提供了相应的Python代码实
2025-12-11 14:27:14
984
原创 5个免费工具，让你在浏览器中尝试LLMs
摘要：本文介绍5款可在浏览器中免费运行大型语言模型(LLM)的工具：1)WebLLM支持多种开源模型；2)Free LLM Playground可对比测试不同模型；3)BrowserAI是开源JavaScript库；4)Genspark.ai由AI代理生成知识页面；5)AgentLLM用于运行自主AI代理。这些工具无需服务器设置，直接在浏览器中运行，适合快速测试、原型开发和研究LLM功能。
2025-12-11 13:49:56
887
原创 CTGAN的潜力：利用生成式AI实现合成数据
摘要 CTGAN是一种生成对抗网络模型，专门用于生成合成表格数据。该技术能够保留真实数据的统计属性和列间相关性，适用于数据增强、隐私保护和机器学习训练等场景。通过信用分析数据集的实验表明，CTGAN生成的合成数据在统计分布和相关性方面与真实数据高度接近。不过，该模型需要大量训练数据，计算资源消耗较大，且合成数据质量受训练数据影响。研究通过可视化分析和统计检验验证了合成数据的有效性，同时提供了完整的Python实现代码，展示了从数据预处理到模型训练的全过程。
2025-12-10 11:32:50
1163
原创 为什么模型蒸馏正成为AI大模型训练中最重要的技术
模型蒸馏正成为AI大模型训练的核心技术，它通过将大型教师模型的知识转移到小型学生模型，显著降低推理成本和延迟。该技术广泛应用于搜索排名、语法纠正等专业任务，能实现2-3倍的延迟降低和显著成本节约。蒸馏通常与微调、量化结合使用，形成"微调-蒸馏-再微调-量化"的优化流程。实际案例显示，4B参数的学生模型可接近70B教师模型的准确性，同时提高服务稳定性。随着模型规模持续增长，蒸馏技术将帮助企业在保持性能的同时控制成本，成为AI产品化的重要工具。
2025-12-10 11:23:41
1028
原创 信息学奥赛CSP-J组算法学习路线
本文介绍了信息学奥赛CSP-J组算法学习路线，涵盖C++基础语法到竞赛核心算法。学习路径分为两大部分：1）C++语言基础，包括变量、流程控制、数组、函数等；2）CSP-J竞赛内容，涉及枚举、递归、排序、搜索、动态规划等核心算法，以及数学基础如高精度计算、位运算和数论知识。该路线既适合新手系统学习，也可作为复习清单，配套OI-Wiki资源链接帮助理解各知识点，为算法竞赛打下坚实基础。
2025-12-09 14:56:48
741
原创 全国青少年信息学奥林匹克系列竞赛大纲(2025年修订版)
2025年信息学奥赛大纲采用三级分层体系（入门级/提高级/NOI级），每级细分为基础知识、C++编程、数据结构、算法和数学五大模块，并标注1-10级难度系数。入门级覆盖基础语法和简单算法（1-5级），提高级包含STL容器和图论算法（5-8级），NOI级则涉及动态树、网络流等高级内容（8-10级）。该结构化设计为教学和备赛提供清晰指导，难度梯度科学合理，完整覆盖信息学竞赛知识体系。
2025-12-09 14:46:00
357
原创 语境工程正在取代提示词工程
摘要：人工智能领域正经历从提示词工程向语境工程的范式转变。提示词工程依赖精确措辞但缺乏扩展性，而语境工程通过构建包含数据、元数据、记忆和叙事结构的智能环境，使AI系统具备连续性和适应性。这种转变体现在：1)从语言精确性转向逻辑架构设计；2)将语境作为核心交互界面；3)采用分层结构(身份层、知识层、实时层)组织信息；4)建立人机协作关系而非单向指令；5)引入记忆机制形成演化式互动。语境工程正在重塑客户服务、数据分析等领域的AI应用，未来AI系统的核心竞争力将取决于语境设计能力而非提示词技巧。
2025-12-08 14:09:03
976
原创 可以在本地运行的五个小型AI编程大模型
本文介绍了5款适合本地运行的小型AI编程模型，包括gpt-oss-20b、Qwen3-VL-32B-Instruct、Apriel-1.5-15b-Thinker、Seed-OSS-36B-Instruct和Qwen3-30B-A3B-Instruct-2507。这些模型具有参数规模小、推理速度快、支持长上下文等特点，适用于代码生成、调试、重构等开发任务。它们均支持本地部署，保障数据隐私，并能与主流开发工具集成，为开发者提供高效、经济的AI辅助编程解决方案。
2025-12-08 14:06:11
1159
原创 使用 Docker 部署机器学习模型指南
摘要： Docker 提供了一种高效可靠的机器学习模型部署方案，确保环境一致性并简化部署流程。本文介绍了使用 Docker 部署 ML 模型的完整步骤：首先安装 Docker 并准备训练好的模型（示例使用 scikit-learn）；然后创建 requirements.txt 和 Dockerfile 文件；接着构建 Docker 镜像并运行容器；最后展示了如何将镜像推送至 Docker Hub 以便共享。这种方法消除了环境配置差异，使模型部署更加标准化和可扩展，适合团队协作和生产环境迁移。
2025-12-06 13:13:34
1003
原创 5 个用于人工智能基础设施的 Docker 容器
本文介绍了5个构建AI基础设施必备的Docker容器：JupyterLab作为AI开发环境、Airflow用于工作流编排、MLflow管理模型版本、Redis提供内存数据库支持、FastAPI实现推理服务。这些容器化工具通过Docker网络和共享卷实现无缝协作，形成模块化、可扩展的AI系统。使用Docker容器能有效解决环境配置和依赖冲突问题，提高AI开发的一致性和可重复性，是构建现代MLOps架构的基础。
2025-12-06 13:01:55
1083
原创 Docker 中的内容信任（DCT）
Docker内容信任（DCT）是一种安全机制，允许验证Docker镜像的完整性和发布者身份。它通过数字签名确保从注册表接收的数据可信，支持手动或自动化签名流程。DCT与特定镜像标签关联，出版商可选择签名哪些标签。密钥管理包括离线根密钥、标签密钥和服务器管理密钥，需妥善备份以防丢失。虽然DCT即将被弃用（建议转向Sigstore等方案），但目前仍支持通过docker trust命令签署镜像，需配合公证服务器使用，并涉及委托密钥的生成、添加和签名推送流程。
2025-12-05 14:03:43
924
信息学奥赛 CSP-S2复赛 2019至2025-AC-源码.7z
2025-12-23
信息学奥赛 CSP-J2复赛 2019至2025-AC-源码.7z
2025-12-23
使用 LangGraph 构建代理 RAG(agentic-rag)
2025-12-22
《信息学奥赛 CSP-J/S第二轮复赛 2025 题目 - 数据 - 解析》
2025-12-22
【ACM/NOI/CSP】背包问题基础算法C++代码汇总！！！
2024-01-20
使用C语言实现单链表的实验1、有学生信息（姓名、学号、成绩），用链式存储实现带头结点单链表；2、插入新学生相关信息
2024-01-15
用python实现的最短路径算法之Bellman-Ford算法
2024-01-11
用python实现的最短路径算法之迪杰斯特拉(Dijkstra)算法
2024-01-12
2022中国数据智能产业图谱3.0版
2023-01-28
信息学奥赛入门组复赛CSP 2021-J2题目详解.pdf
2022-07-13
信息学奥赛入门组复赛CSP 2019-J2题目详解.pdf
2022-07-13
信息学奥赛入门组复赛CSP 2020-J2题目详解.pdf
2022-07-13
信奥帮初赛集训配套课件，首发！！！ PART3-CSP(NOIP)信息学奥赛初赛集训 数学知识
2022-06-09
信奥帮初赛集训配套课件，首发！！！ PART2-CSP(NOIP)信息学奥赛初赛集训 程序设计基础知识
2022-06-09
计算机相关专业《算法设计与分析课程历年复习资料》
2022-06-02
信奥帮初赛集训配套课件，首发！！！ PART1-CSP(NOIP)信息学奥赛初赛集训 计算机基础知识.pdf
2022-06-09
信息学奥赛一本通 提高篇 全书例题习题AC代码
2022-02-07
2021年NOIP信奥帮新青少年信息学奥赛CSP-JS历年初赛真题题解全套.zip
2021-07-11
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人