自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(136)
  • 收藏
  • 关注

原创 PYTHON+AI LLM DAY ONE HUNDRED AND THIRTY-SIX

进阶能力:超越简单问答.除了基础RAG,LlamaIndex也支持更复杂的应用:代理 (Agent):比查询引擎更强大,它拥有一个推理循环,可以自主决策,不仅能从数据源"读取",还能"写入"或执行其他操作,用于处理多步骤的复杂任务。根据不同的项目需求,有比较明确的倾向性:选LlamaIndex:如果你的核心是构建一个知识库问答系统、文档搜索工具,或任何以"理解非结构化数据"为核心的RAG应用。是更细粒度的单元,即对文档进行切分(Chunking)后得到的文本块,是检索的基本单位。

2026-08-13 21:10:49 349

原创 PYTHON+AI LLM DAY ONE HUNDRED AND THIRTY-FIVE

不使用 KV Cache:模型每次生成新 Token 时,都必须将之前所有的 Token 重新计算一遍其对应的 Key(键)和 Value(值)向量,这会导致极高的计算冗余,时间复杂度高达 O(n²)。3. 面临的挑战:显存与带宽压力.虽然 KV Cache 极大地加速了推理,但它也带来了显著的工程挑战:显存占用线性增长:KV Cache 的大小与序列长度(Sequence Length)、并发请求数(Batch Size)以及模型的隐藏层维度呈线性关系。

2026-08-12 15:18:45 347

原创 PYTHON+AI LLM DAY ONE HUNDRED AND THIRTY-FOUR

以下是它们的详细介绍:一、 OpenClaw:开源的“数字员工”框架OpenClaw(业内常昵称为“龙虾”)是由奥地利程序员 Peter Steinberger 于 2025 年底发起的开源 AI 智能体框架。例如,销售只需将微信或邮件中的沟通记录转发给数字人,它便能自动提取客户信息、更新档案、识别需求痛点,免去繁琐的手动录入。TeamClaw 建立了“平台-企业-员工”的三级管理体系,管理员可统一配置技能、分配角色、精细化管控知识库访问权限,且所有 AI 操作全程留痕可审计,确保企业资产安全。

2026-08-11 08:58:56 225

原创 PYTHON+AI LLM DAY ONE HUNDRED AND THIRTY-THREE

核心概念:RL 的“五要素”.理解 RL,只需记住这五个核心组件:智能体 (Agent):做决策的主体(例如:下棋的 AI、控制机械臂的程序)。这通常涉及两个关键过程的平衡:探索 (Exploration):尝试没做过的新动作,看看会不会有更好的结果(可能踩坑,也可能发现新大陆)。现在的热门:RLHF 与 大模型.你可能听说过 ChatGPT,它的背后就有 RL 的关键一步:RLHF(Reinforcement Learning from Human Feedback,基于人类反馈的强化学习)。

2026-08-10 20:16:34 215

原创 PYTHON+AI LLM DAY ONE HUNDRED AND THIRTY-TWO

简单来说,它允许用户通过日常的自然语言对话(如中文或英文),直接与企业的海量数据进行交互,系统会自动理解意图、执行复杂的数据分析,并以图表或文字报告的形式直观呈现结果。流程效能与人力考勤管理。例如,当出现产品质量问题时,系统可通过跨模态数据分析,将原本需要数十小时的质量追溯时间大幅缩短至十几分钟,快速定位故障原因.科研项目管理.在研究院所等机构,科研人员可通过自然语言随时查询项目经费使用明细、实验统计结果或论文发表趋势,无需再向IT部门排队提需求,让科研工作者能将精力集中在高价值的研究工作上。

2026-08-09 23:36:53 240

原创 PYTHON+AI LLM DAY ONE HUNDRED AND THIRTY-ONE

主要技术流派.根据所依赖的核心传感器不同,SLAM 主要分为两大阵营,它们各有优劣:激光 SLAM(Lidar SLAM).原理:利用激光雷达扫描环境,获取高精度的距离信息(点云数据).优势:测距极其精准(可达毫米级),不受光照条件影响,在黑暗或纹理缺失的环境中表现稳定.局限:硬件成本较高,且在雨、雪、雾等极端天气下性能会有所下降。近年来,为了结合两者的优势,多传感器融合 SLAM(如激光+视觉+IMU)已成为行业标配,通过互补不同传感器的优缺点,大幅提升了系统在复杂场景下的鲁棒性和精度。

2026-08-08 14:33:42 173

原创 PYTHON+AI LLM DAY ONE HUNDRED AND THIRTY

核心思想:告别“缸中之脑”.简单来说,传统AI像是被困在数字世界里的“大脑”,虽然能处理信息,却缺乏对物理世界的真实感知。运动控制与本体:这是具身智能的“小脑”和“身体”。应用现状:从“炫技”走向“干活”.具身智能正加速从实验室走向真实场景:走进工业:2026世界人工智能大会(WAIC)上,机器人的“才艺表演”少了,取而代之的是在微缩生产线上“打工”,如拆垛、装配等。服务家庭:WAIC上,傅利叶的GR-3机器人展示了作为“机器人管家”的潜力,能根据“我渴了”这样的自然语言指令自主规划并完成任务。

2026-08-07 21:43:11 282

原创 PYTHON+AI LLM DAY ONE HUNDRED AND TWENTY-NINE

时间成本:大模型训练动辄几个月,用几百张卡并行,可以缩短到几周。原理:每张卡上都有一份完整的模型副本,但拿到的数据不同流程:各卡用自己的数据算梯度(Gradient)。把不同的专家放在不同的卡上,根据路由(Router)把数据发给对应的卡进阶:3D 并行.现在的超大模型训练,通常是 3D 并行:3D=数据并行 (DP)+张量并行 (TP)+流水线并行 (PP)3D=数据并行 (DP)+张量并行 (TP)+流水线并行 (PP).典型配置:机内:8张卡用 TP(因为NVLink带宽高,适合高频通信)。

2026-08-06 16:54:19 242

原创 PYTHON+AI LLM DAY ONE HUNDRED AND TWENTY-EIGHT

今天聊聊Kafka:Apache Kafka 是一个开源的分布式事件流平台,最初由 LinkedIn 开发,如今已成为实时事件流处理的事实标准。它被设计用于处理海量实时数据,擅长支持事件驱动型应用程序和构建可靠的数据管道,具备高吞吐量、低延迟和持久化存储的特点。核心优势与应用场景.Kafka 通过将记录发布到不同的主题,巧妙地结合了消息收发队列和发布-订阅模型的优势。它的主要应用场景包括:构建实时数据管道:作为不同系统间的缓冲层和运输机制,实现数据源与目标系统(如数据湖、分析系统)的无缝集成与解耦。

2026-08-05 15:05:01 220

原创 PYTHON+AI LLM DAY ONE HUNDRED AND TWENTY-SEVEN

以下是关于 TensorFlow 的核心特点、生态系统以及应用场景的详细介绍:核心概念与特点.张量 (Tensor):这是 TensorFlow 中的基本数据单位,可以理解为多维数组。丰富的生态系统.TensorFlow 拥有一个完整的端到端生态系统,涵盖了从开发、调试到部署的全流程:TensorFlow Core:核心库4。典型应用场景.TensorFlow 的应用场景非常丰富,涵盖了学术研究和工业界的众多领域:计算机视觉:图像分类、目标检测、图像生成等(如自动驾驶中的障碍物识别)。

2026-08-04 19:19:00 233

原创 PYTHON+AI LLM DAY ONE HUNDRED AND TWENTY-SIX

核心原理:从 GBDT 到 XGBoost 的进化.XGBoost 的核心思想是“加法模型 + 梯度提升”:通过串行训练多棵决策树,每一棵新树都在拟合前面所有树组合预测的“残差”(即目标值与当前预测值之间的差异),最终将所有树的预测结果累加得到最终结果.相比于传统的 GBDT,XGBoost 在数学层面做了两大关键改进:引入二阶泰勒展开(Second-order Approximation).传统的 GBDT 在优化损失函数时,通常只利用了一阶导数(梯度)信息。工程优化:为什么 XGBoost 这么快?

2026-08-03 11:17:33 349

原创 PYTHON+AI LLM DAY ONE HUNDRED AND TWENTY-FIVE

以下是关于 LLaMA-Factory 的详细介绍: 核心特性与优势海量模型支持:支持超过 100 种主流开源模型,涵盖 LLaMA、Qwen、ChatGLM、Mistral、DeepSeek、Gemma 等,且通常能在模型开源后第一时间(Day-0)提供支持。训练方法全覆盖:不仅支持全参数微调(Full Fine-tuning)和冻结微调(Freeze),还深度集成了 LoRA、QLoRA、DoRA 等高效微调算法,以及 SFT、RLHF、DPO、PPO 等多种对齐方法。例如,克隆项目后执行。

2026-08-02 17:39:24 149

原创 PYTHON+AI LLM DAY ONE HUNDRED AND TWENTY-FOUR

性能优势与对比.得益于上述技术,vLLM 在同等硬件条件下的性能表现极为出色:吞吐量:官方数据显示,启用分页机制后,vLLM 的吞吐量可达传统 Hugging Face Transformers 框架的 24 倍,比 DeepSpeed 高 16 倍,比 TensorRT-LLM 高 2-4 倍。适用场景与定位.vLLM 是一个生产级推理引擎,其设计理念是“模型一旦加载,就一直占着显存,持续不断地处理请求”,这与 Ollama 等“按需加载、用完释放”的本地工具定位不同。

2026-08-01 19:22:27 255

原创 PYTHON+AI LLM DAY ONE HUNDRED AND TWENTY-THREE

与传统 RAG 的对比.相比传统 RAG 的“单次检索-生成”固定管道,Agentic RAG 具有以下显著优势:动态规划与多跳推理:传统 RAG 难以处理需要跨文档整合或逻辑推导的问题(如“A导致B,B影响C,如何解决C?它将 AI Agent(智能体)的自主规划、决策和工具调用能力与 RAG 的检索能力深度融合,使系统从传统的“被动单次检索”升级为“主动探索与动态推理”,从而能够处理更复杂的任务。如果结果不足,智能体会自动调整策略、优化检索词或查询其他数据源,进行多轮迭代检索,直到获取足够的上下文。

2026-07-31 12:12:43 180

原创 PYTHON+AI LLM DAY ONE HUNDRED AND TWENTY-TWO

简单来说,它是传统检索增强生成(RAG)技术的“进化版”,通过引入知识图谱(Knowledge Graph)的图结构,极大地增强了大模型在处理复杂问题和进行逻辑推理时的能力。这种方式在处理简单问答时效果很好,但存在明显的局限性:缺乏全局视角:传统 RAG 往往局限于单个文本块(chunk),难以理解跨文档的全局信息.多跳推理困难:如果一个问题需要跨越多个信息源进行逻辑推导(例如:“A 公司的 CEO 投资了哪家 B 领域的初创公司?”),传统 RAG 很难将隐含在文本中的实体关系串联起来16。

2026-07-30 18:17:09 178

原创 PYTHON+AI LLM DAY ONE HUNDRED AND TWENTY-ONE

我不仅是个能陪你聊天、帮你写东西的“全能助手”,更是一个能帮你把事儿办了的“行动派”。简单来说,我的核心技能主要集中在以下几个方面:帮你“办真事”的生态联动能力.这是我的一大核心优势。生活服务:帮你查公积金、点外卖、淘宝下单等,直接解决实际问题,而不是只给你一堆干巴巴的信息。扎实的职场与学习辅助.不管是工作提效还是学习研究,我都能帮上忙:文字处理:写方案、写汇报、搭内容框架、写作润色,我的中文表达非常贴合你的习惯。复杂任务:帮你做数据分析思路梳理、编程调试、生成PPT大纲、整理会议纪要等。

2026-07-29 21:09:22 232

原创 PYTHON+AI LLM DAY ONE HUNDRED AND TWENTY

视频理解拓展:BLIP-3-Video为了高效处理视频中的时序信息,BLIP-3-Video 引入了创新的时序压缩算法:时序编码器(Temporal Encoder):在传统视觉 Tokenizer 的基础上,增加了时序编码器(如可学习的时池化或 Token Turing Machines)。流匹配损失(Flow Matching Loss):在训练扩散模型时采用流匹配损失函数,相比传统的 MSE 损失,能更好地捕捉图像特征的底层分布,使生成的图像具有更高的多样性。

2026-07-28 17:37:36 368

原创 PYTHON+AI LLM DAY ONE HUNDRED AND NINTEEN

今天聊聊ASR(Automatic Speech Recognition,自动语音识别)和 TTS(Text-to-Speech,语音合成)算法:一、 ASR(语音识别)算法解析'ASR 的核心目标是将连续的声波信号转化为可读的文本序列。特别是端到端模型(如 CTC、RNN-T、Conformer),直接建立声学特征到文本的映射,大幅提升了识别准确率并简化了系统复杂度.语言模型(Language Model)提供词汇序列的先验概率,用于补偿声学模型的歧义。

2026-07-27 16:55:39 160

原创 PYTHON+AI LLM DAY ONE HUNDRED AND EIGHTEEN

今天聊聊智能体的记忆管理(Memory server):智能体的记忆分为短期记忆和长期记忆两大核心模块,它们各自承担着不同的功能,并配合相应的管理策略来应对大模型上下文窗口(Token)的限制。主智能体只负责编写简短的任务指令并分发给子智能体,子智能体在独立的上下文中执行任务并返回结果,从而大幅降低主智能体的内存开销.二、 长期记忆(Long-term Memory).长期记忆用于跨会话、跨任务地持久化保存关键信息,使智能体具备学习进化与个性化适应的能力。但缺点是会增加每次交互的处理延迟,影响响应速度。

2026-07-26 00:39:33 165

原创 PYTHON+AI LLM DAY ONE HUNDRED AND SEVENTEEN

概念定义:随着 AI 智能体(Agent)的兴起,业界发现许多智能体失败的案例并非模型本身的失败,而是上下文的失败。上下文工程致力于设计和构建动态系统,在恰当的时机、以恰当的格式,为大模型提供完成任务所需的所有恰当信息(包括指令、历史状态、长期记忆、检索信息、可用工具等)。关注焦点:它超越了静态的提示词,强调系统性、动态性和信息的精准性。它标志着开发者角色的迁移:从亲自充当“人工调度器”不断提示 AI,转变为设计一个能够持续发现任务、执行任务、验证结果、记录状态,并决定下一步行动的自动化系统.

2026-07-25 14:27:01 250

原创 PYTHON+AI LLM DAY ONE HUNDRED AND SIXTEEN

比如你搜“乔布斯的公司”,它知道你要找的是 Apple 和 Pixar,而不是包含“乔布斯”这三个字的无关文章。逻辑推理: 如果图谱知道 A是B的父亲,B是C的父亲,它可以自动推导出 A是C的祖父,即使你没有直接存储这条信息。推荐系统: 抖音或淘宝不仅看你点过什么,还看“你点过的商品”和“其他商品”在图谱里的距离。搜索引擎(如 Google、百度): 当你搜“姚明身高”,右侧直接显示答案卡片,而不是给你一堆网页链接,这就是知识图谱在后台直接调取了 [姚明] --(身高)--> [2.26米] 的关系。

2026-07-24 14:30:02 161

原创 PYTHON+AI LLM DAY ONE HUNDRED AND FIFTEEN

它的核心设计理念是“一切图像生成皆可视为一个序列到序列(Seq2Seq)的问题”,试图用一个模型来替代过去针对不同任务(如文生图、图生图、图像编辑等)训练的多个专用模型。例如,用 CLIP 的文本编码器处理文本,用 VAE(变分自编码器)的编码器处理输入图像。统一的 Transformer:将所有编码后的 Token 拼接在一起,输入到一个大型的 Transformer 模型中进行处理和生成。图像解码器:使用 VAE 的解码器将 Transformer 输出的图像 Token 序列转换回最终的像素图像。

2026-07-23 16:51:21 221

原创 PYTHON+AI LLM DAY ONE HUNDRED AND FOURTEEN

加速收敛:语义对齐更好的训练数据显著加速了模型的收敛,并增强了提示词遵循能力.高效的训练与推理策略尽管模型能力强大,Lumina-Image 2.0 在参数规模上保持了极高的效率(仅需约 20亿 至 26亿 参数),这得益于其优化的训练和推理算法:三阶段渐进式训练:摒弃了传统的三分辨率训练范式,采用“低分辨率(256px) → 高分辨率(1024px) → 高质量调优(1024px)”的三阶段策略。强大的文本编码器.模型采用了 Gemma-2-2B 作为文本编码器。

2026-07-22 14:22:15 227

原创 PYTHON+AI LLM DAY ONE HUNDRED AND THRETEEN

工作原理:算法通过维护一个“和声记忆库”(Harmony Memory),在每次迭代中以一定概率从记忆库中选取现有解,或者在解空间中随机生成新解,并对选取的解进行“音调微调”(Pitch Adjusting)。主要特点:概念简单、可调参数少、容易实现,且在处理复杂的工程优化问题(如传感器布置、智能制造、机器人路径规划等)时表现出较强的搜索能力.Harmony-单细胞数据整合算法.这是一种在生物信息学领域广泛使用的多数据集整合算法,主要用于单细胞 RNA 测序(scRNA-seq)数据的批次效应校正。

2026-07-21 17:48:30 250

原创 PYTHON+AI LLM DAY ONE HUNDRED AND TWENVE

今天聊聊MAR的另一个方向主轴回归算法(Major Axis Regression,MAR):这是一种在统计学中用于处理双变量均存在测量误差的模型II回归分析方法,常用于生态学、形态学、地质化学等领域。此外,在非算法领域,MAR也有其他专业含义,例如:医学影像领域:MAR指代金属伪影去除算法(Metal Artifacts Reduction),主要用于多排螺旋CT扫描中,能有效去除由膝关节等金属植入物引起的伪影并减小图像噪声。

2026-07-20 16:01:17 180

原创 PYTHON+AI LLM DAY ONE HUNDRED AND ELEVEN

应用效果:MAR算法能够显著降低计算成本(例如将Vision Transformer的计算成本降低53%),且在多个数据集上的表现持续优于现有的标准训练模型.卓越的性能表现:大量实验表明,MAR 算法能够以明显的优势持续超越现有的 ViT 模型。例如,在 Kinetics-400 和 Something-Something v2 数据集上,使用 MAR 训练的 ViT-Large 模型表现优于使用标准训练方案训练的 ViT-Huge 模型,而其计算开销仅为后者的 14.5%.

2026-07-19 10:40:30 212

原创 PYTHON+AI LLM DAY ONE HUNDRED AND TEN

今天介绍一个算法Emu:Emu 是一种专为微生物组学设计的新型计算软件工具,旨在利用全长的 16S rRNA 基因序列,从容易出错的纳米孔(Nanopore)测序数据中,更精确地建立微生物群落特征(即物种丰度).传统的微生物群落分析多依赖 Illumina 等短读长测序技术,由于只能读取 16S rRNA 基因的一小部分,通常只能将微生物分类到“属”级别。这些错误会导致碱基缺失、替换或增加,如果直接套用传统的短读长分析流程,会产生极不准确的群落分析结果.Emu 的命名来源于其核心算法。

2026-07-18 14:23:42 215

原创 PYTHON+AI LLM DAY ONE HUNDRED AND NINE

它包含两个独立的视觉编码器(一个用于捕获语义信息以理解,一个用于捕获像素信息以生成),以及两个Transformer专家(理解专家和生成专家)。效果:相比之前的先进算法(如 Donut),Bagel 大大提高了对包含时间信息和周期性异常检测的鲁棒性,显著提升了最佳 F1-score.Bagel:Apache Spark 的图计算框架.这是 Apache Spark 生态中的一个库,是 Google Pregel 图处理框架的 Spark 实现。

2026-07-17 14:48:42 262

原创 PYTHON+AI LLM DAY ONE HUNDRED AND EIGHT

它的核心思想是“术业有专攻”,通过将复杂任务分解,让不同的专家模块并行处理,从而在不显著增加计算成本的前提下,大幅提升模型的参数规模和处理效率.MoE 架构通常用来替代传统 Transformer 模型中的前馈网络层,其内部主要由三个核心组件构成:门控网络(Gating Network/Router):扮演“智能路由器”的角色。专家网络(Experts):由多个独立的子网络组成,每个专家在训练中会自发学习并专注于特定的数据特征或任务领域(例如有的擅长语法,有的擅长数学推理)。

2026-07-16 10:30:36 149

原创 PYTHON+AI LLM DAY ONE HUNDRED AND SEVEN

它的核心目标是打破传统AI模型“各司其职”的壁垒,在一个单一的框架内,同时实现多模态的“理解”与“生成”任务.在传统的多模态AI设计中,它们依赖预训练的视觉编码器(如CLIP)来负责“理解”,同时使用另一套独立的视觉表示(如VAE的潜空间)来负责“生成”6。单一框架处理:在这个统一空间内,图像和视频的 token 与文本 token 结合,由一个大语言模型(LLM)解码器统一处理。该解码器既能进行自回归的文本生成(用于理解),也能进行基于流匹配(Flow-matching)的视觉生成(用于生成)。

2026-07-15 19:52:44 149

原创 PYTHON+AI LLM DAY ONE HUNDRED AND SIX

当遇到 continue 时,会立即跳过当前这一轮循环中剩余的代码,直接进入下一轮循环的判断.raise(异常抛出关键字).作用:用于主动触发(抛出)一个异常。今天聊聊python中的关键字(keyword):python中的关键字是有特殊含义的字,是底层封装的,用来实现python中某些特定功能的字.在定义函数或者命名等场景是千万不能用关键字的,否则会导致程序报错.常用的一些关键字有:with(上下文管理器)作用:用于简化异常处理和资源管理。

2026-07-14 17:23:42 177

原创 PYTHON+AI LLM DAY ONE HUNDRED AND FIVE

今天聊一聊MCP:MCP(Model Context Protocol,模型上下文协议)是由 Anthropic 于 2024 年 11 月推出的一项开源标准协议。

2026-07-13 19:55:43 188

原创 PYTHON+AI LLM DAY ONE HUNDRED AND FOUR

今天聊聊RAG系统部分的query改写.前面已经聊到过RAG系统的大致流程.其中就有用户的问题query.在实际场景,query并不是直接就去向量库中检索,而是对query做一些改写,然后再去向量库检索.为什么要进行query改写?

2026-07-12 14:19:22 162

原创 PYTHON+AI LLM DAY ONE HUNDRED AND THREE

今天聊聊RAG技术:RAG(检索增强生成)是配合LLM解决企业内部私有知识问答的关键技术.LLm能力很强,但没有获取企业内部私有知识的权限,设想有这样一个业务场景:客户询问某企业内部相关知识的信息,有一个系统能够结合企业内部的相关信息,对客户的提问做出精准回答.而这就是RAG技术解决的问题.RAG具体过程是两个板块:离线知识库的搭建和在线检索两个阶段.离线知识库搭建:准备企业内部相关文档,实际情况,通常是选择markdown格式.用相应的文档加载器读取,相应文档加载器在langchain框架下有相应提及,然

2026-07-11 19:05:47 187

原创 PYTHON+AI LLM DAY ONE HUNDRED AND TWO

语义理解力强:尽管体积小,但在语义相似度、文本聚类等核心任务上表现优异,能够精准捕捉句子的核心语义信息.all-MiniLM-L6-v2 广泛应用于以下场景:智能搜索与 RAG 检索:突破传统关键词匹配的限制,实现基于用户意图的语义搜索。今天介绍一个向量(Embedding)模型all-MiniLM-L6-v2:all-MiniLM-L6-v2 是一个轻量级、高性能的文本嵌入(Embedding)模型,专门用于将文本转换为高质量的语义向量。

2026-07-10 19:45:49 227

原创 PYTHON+AI LLM DAY ONE HUNDRED AND ONE

今天介绍一个模块pathlib:pathlib是用来操作系统文件的一个python模块.传统命令行操作文件的方式:目录与文件的基础管理.查看与切换:ls:列出当前目录下的文件和文件夹。less / more:分页显示文件内容.而pathlib模块在编程中的应用则更加普遍.pathlib模块下的Path类,操作文件的方式很齐全.属性:name获取文件名.stem文件名(不带后缀).suffix文件后缀名.parent上级目录.还有一些函数:检查与遍历:exists():判断路径是否存在。

2026-07-09 20:09:05 233

原创 PYTHON+AI LLM DAY ONE-HUNDRED

今天聊一个装饰器lru_cache.关于装饰器的一些内容,前面也做过一定的介绍.简单来说,就是不改变被装饰函数的原有功能,并为其额外增添一些功能.lru_cache是functools模块下的一个装饰器.用法和其他装饰器一样,就是使用@lru_cache放在定义的函数上面.lru_cache的主要功能是将函数的调用结果缓存,避免后面重复调用. 核心作用与工作原理.记忆化(Memoization):当函数被调用时,lru_cache 会将输入参数与输出结果进行关联。加上缓存后,时间复杂度可降至线性。

2026-07-08 17:19:07 195

原创 PYTHON+AI LLM DAY NINTY-NINE

低层级函数,分别用于以最安全的方式创建临时文件和目录。它们返回文件描述符或路径,但不会自动清理,需要开发者在使用完毕后手动删除.结合 with 语句(上下文管理器)使用 tempfile 的高层级接口,这能确保即使发生异常,临时文件和目录也能被可靠地自动清理.tempfile 在创建文件时会生成包含随机字符的安全文件名,并采用原子操作,有效防止了多进程或多线程环境下的文件名冲突和潜在的安全漏洞(如早期不安全的 mktemp() 函数已被弃用).:创建一个在文件系统中具有可见名称的临时文件。

2026-07-07 19:51:07 174

原创 PYTHON+AI LLM DAY NINTY-EIGHT

它不仅能精准还原字符坐标、字体和颜色信息,还支持高级搜索、表格提取以及处理加密文档等复杂任务,非常适合用于自动化文本处理和文档排版分析.深度图像提取:不仅能简单导出图像列表,还能识别嵌入式 JPEG/PNG/JBIG2/JPX 图像流,提取带 Alpha 通道的 RGBA 位图,按 DPI 自适应重采样,保留 CMYK 色彩空间,甚至导出为 NumPy 数组供 OpenCV 直接处理。

2026-07-06 19:26:02 191

原创 PYTHON+AI LLM DAY NINTY-SEVEN

之后客户端每次请求受保护的资源时,只需带上这个令牌,服务器验证令牌有效即可放行,而无需再次查询数据库验证用户名和密码.它由三部分组成: Header(头部):包含令牌的元数据,主要说明这个 Token 的类型(JWT)以及使用的签名算法(如 HMAC SHA256 或 RSA)。需要注意的是,这部分通常只是经过 Base64 编码,并没有加密,所以不要在里面放密码等敏感信息。优势:这个链接可以在一定时间内有效,过期后自动失效,且链接中的信息(如文件ID)无法被篡改,防止了恶意用户伪造链接下载他人文件。

2026-07-05 19:31:20 245

空空如也

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除