<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[a99615的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/a99615</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; a99615]]></copyright><item><title><![CDATA[Project：电商图谱&智能客服系统]]></title><link>https://blog.youkuaiyun.com/a99615/article/details/160475536</link><guid>https://blog.youkuaiyun.com/a99615/article/details/160475536</guid><author>a99615</author><pubDate>Fri, 15 May 2026 11:19:28 +0800</pubDate><description><![CDATA[本项目构建了一个电商知识图谱系统，采用Neo4j图数据库存储数据，结合MySQL关系型数据库和多种技术栈实现。系统包含数据准备、实体抽取模型训练、知识图谱构建和智能问答四个核心模块。通过Label-studio进行数据标注，训练BERT模型实现实体抽取；利用Python连接MySQL和Neo4j完成数据同步；最后基于LangChain框架开发问答系统，支持语义检索和自然语言回答。项目实现了商品分类、属性、品牌等实体及其关系的可视化存储与查询，为电商场景提供智能客服功能。代码已开源在GitHub仓库。]]></description><category></category></item><item><title><![CDATA[（UPDATING）LLM微调之实战，SFTTrainer官方案例、LoRA/QloRA微调案例、Unsloth、分布式训练、LLaMA Factory]]></title><link>https://blog.youkuaiyun.com/a99615/article/details/160227640</link><guid>https://blog.youkuaiyun.com/a99615/article/details/160227640</guid><author>a99615</author><pubDate>Tue, 21 Apr 2026 12:24:28 +0800</pubDate><description><![CDATA[LLM微调之实战，SFTTrainer官方案例、LoRA/QloRA微调案例、Unsloth、分布式训练、LLaMA Factory]]></description><category></category></item><item><title><![CDATA[LLM微调原理之监督微调SFT，全参/参数高效微调，LoRA、QloRA、分布式训练（ZeRO）]]></title><link>https://blog.youkuaiyun.com/a99615/article/details/160154841</link><guid>https://blog.youkuaiyun.com/a99615/article/details/160154841</guid><author>a99615</author><pubDate>Thu, 16 Apr 2026 15:56:15 +0800</pubDate><description><![CDATA[LLM微调原理之监督微调SFT，全参/参数高效微调，LoRA、QloRA、分布式训练（ZeRO）]]></description><category></category></item><item><title><![CDATA[LLM发展历史与架构演进，包括Attention（MHA、MQA、GQA、MLA），FFN（激活函数，Moe），残差连接和归一化，位置编码（旋转位置编码RoPE）]]></title><link>https://blog.youkuaiyun.com/a99615/article/details/160114571</link><guid>https://blog.youkuaiyun.com/a99615/article/details/160114571</guid><author>a99615</author><pubDate>Tue, 14 Apr 2026 16:59:57 +0800</pubDate><description><![CDATA[LLM发展历史与架构演进，包括Attention（MHA、MQA、GQA、MLA），FFN（激活函数，Moe），残差连接和归一化，位置编码（旋转位置编码RoPE）]]></description><category></category></item><item><title><![CDATA[LangChain开发框架，Model I/O，Chains，RAG流程，agent，添加记忆，MCP，多Agent案例]]></title><link>https://blog.youkuaiyun.com/a99615/article/details/159427342</link><guid>https://blog.youkuaiyun.com/a99615/article/details/159427342</guid><author>a99615</author><pubDate>Thu, 09 Apr 2026 18:03:00 +0800</pubDate><description><![CDATA[LangChain是一个由哈佛大学Harrison Chase开发的开源框架，用于构建基于大语言模型(LLM)的应用程序。它提供Prompt构建、LLM接入、记忆管理、工具调用等模块，支持开发Agent、问答系统、对话机器人等应用。核心功能包括：1)Model I/O模块处理模型交互；2)Chains模块实现组件链式调用；3)RAG技术增强模型知识；4)Agent开发赋予模型决策能力。框架支持多种开发场景：纯Prompt交互、Agent+功能调用、检索增强生成(RAG)和模型微调。]]></description><category></category></item><item><title><![CDATA[云服务器——购买和连接云服务器]]></title><link>https://blog.youkuaiyun.com/a99615/article/details/159424593</link><guid>https://blog.youkuaiyun.com/a99615/article/details/159424593</guid><author>a99615</author><pubDate>Tue, 24 Mar 2026 14:52:29 +0800</pubDate><description><![CDATA[阿里云推荐通过指定活动链接访问，AutoDL需进入算力市场选择配置。1)通过Win+R打开终端输入账号密码或使用JupyterLab；2)添加SSH解释器时需复制登录指令，注意端口号、用户名(root)、IP地址和密码的对应关系。建议优先使用系统默认环境配置。]]></description><category></category></item><item><title><![CDATA[Hugging Face生态，包括Datasets、Tokenizers、Transformers的API使用，预训练模型+微调案例]]></title><link>https://blog.youkuaiyun.com/a99615/article/details/159204847</link><guid>https://blog.youkuaiyun.com/a99615/article/details/159204847</guid><author>a99615</author><pubDate>Tue, 24 Mar 2026 13:46:18 +0800</pubDate><description><![CDATA[HuggingFace是一个开源的AI生态系统，通过Transformers库降低了BERT、GPT等预训练模型的使用门槛。其核心功能包括：1）模型加载（AutoModel类自动适配任务头）；2）Tokenizer处理文本到张量转换；3）Datasets库简化数据处理；4）支持NLP、CV等多模态任务。文中还展示了基于BERT的中文情感分析实战案例，涵盖数据预处理、模型训练（使用BCEWithLogitsLoss）、预测评估全流程，并比较了自定义模型与带任务头模型的实现差异。HuggingFace通过模块化]]></description><category></category></item><item><title><![CDATA[三种预训练模型架构GPT、BERT、T5]]></title><link>https://blog.youkuaiyun.com/a99615/article/details/159173140</link><guid>https://blog.youkuaiyun.com/a99615/article/details/159173140</guid><author>a99615</author><pubDate>Wed, 18 Mar 2026 12:49:31 +0800</pubDate><description><![CDATA[早期的自然语言处理需为每个任务单独训练模型，严重依赖人工标注数据，存在两大局限：语言知识难以复用导致训练成本高；专业领域标注数据获取困难。为此研究者提出"预训练+微调"范式：先在大规模未标注语料上学习通用语言规律，再通过少量标注数据适配具体任务。]]></description><category></category></item><item><title><![CDATA[Transformer模型、整体结构，编码器与解码器内部组成，自注意力机制，位置编码，mask机制，API使用，附中英翻译案例]]></title><link>https://blog.youkuaiyun.com/a99615/article/details/158887781</link><guid>https://blog.youkuaiyun.com/a99615/article/details/158887781</guid><author>a99615</author><pubDate>Fri, 13 Mar 2026 19:24:09 +0800</pubDate><description><![CDATA[摘要：Transformer模型通过完全摒弃RNN结构，采用自注意力机制直接建模序列关系，解决了传统Seq2Seq模型效率低和长距离依赖问题。其核心结构包括编码器（多头自注意力+前馈网络）和解码器（带掩码的自注意力+交叉注意力），通过残差连接和层归一化提升训练稳定性。位置编码机制解决了语序感知问题。PyTorch实现了完整的Transformer架构，支持自定义参数配置。案例展示了中英翻译任务的具体实现，包括位置编码、词嵌入、模型训练和推理流程，验证了Transformer在序列建模任务中的有效性。]]></description><category></category></item><item><title><![CDATA[Seq2Seq模型架构的原理、基础结构，引入编码器和解码器，Attention机制，并附中英翻译案例]]></title><link>https://blog.youkuaiyun.com/a99615/article/details/158736004</link><guid>https://blog.youkuaiyun.com/a99615/article/details/158736004</guid><author>a99615</author><pubDate>Fri, 06 Mar 2026 19:43:29 +0800</pubDate><description><![CDATA[Seq2Seq模型架构的原理、基础结构，引入编码器和解码器，Attention机制，并附中英翻译案例]]></description><category></category></item><item><title><![CDATA[LSTM、GRU的原理、基础结构、API使用方法附文本情感分析案例]]></title><link>https://blog.youkuaiyun.com/a99615/article/details/158662408</link><guid>https://blog.youkuaiyun.com/a99615/article/details/158662408</guid><author>a99615</author><pubDate>Wed, 04 Mar 2026 22:03:57 +0800</pubDate><description><![CDATA[为了缓解 RNN 梯度消失或者梯度爆炸的问题，提出了LSTM，并根据LSTM存在问题，改进提出GRU。]]></description><category></category></item><item><title><![CDATA[IMAGE-SIMILARITY]]></title><link>https://blog.youkuaiyun.com/a99615/article/details/157549505</link><guid>https://blog.youkuaiyun.com/a99615/article/details/157549505</guid><author>a99615</author><pubDate>Sat, 31 Jan 2026 00:52:27 +0800</pubDate><description><![CDATA[本项目是一个基于深度学习的智能商品识别系统，集成了图像相似性搜索、图像去噪和商品分类三大核心功能、该系统通过PyTorch深度学习框架开发，并使用Flask提供Web界面。]]></description><category></category></item><item><title><![CDATA[RNN循环神经网络、词嵌入层、循环网络层、古诗生成案例]]></title><link>https://blog.youkuaiyun.com/a99615/article/details/157336635</link><guid>https://blog.youkuaiyun.com/a99615/article/details/157336635</guid><author>a99615</author><pubDate>Sun, 25 Jan 2026 18:12:00 +0800</pubDate><description><![CDATA[文本是连续的，具有序列特性。如果其序列被重排可能就会失去原有的意义。目前我们接触的神经
网络都是前馈型神经网络。单纯的前馈网络无法充分学习时序数据的性质。于是，循环神经网络（Recurrent Neural Network，RNN）应运而生。𝒉𝑡=tanh(𝒉𝑡―1𝑾ℎ+𝒙𝑡𝑾𝑥+𝒃)]]></description><category></category></item><item><title><![CDATA[CNN卷积神经网络、CNN概述、卷积层、池化层、深度卷积神经网络、服装分类案例]]></title><link>https://blog.youkuaiyun.com/a99615/article/details/156864767</link><guid>https://blog.youkuaiyun.com/a99615/article/details/156864767</guid><author>a99615</author><pubDate>Mon, 12 Jan 2026 19:06:52 +0800</pubDate><description><![CDATA[卷积神经网络（Convolutional Neural Network，CNN）常被用于图像识别、语音识别等各种场合。它在计算机视觉领域表现尤为出色，广泛应用于图像分类、目标检测、图像分割等任务。]]></description><category></category></item><item><title><![CDATA[深度学习之PyTorch（下）损失函数、参数更新方法、附经典案例在PyTorch中的应用]]></title><link>https://blog.youkuaiyun.com/a99615/article/details/156397608</link><guid>https://blog.youkuaiyun.com/a99615/article/details/156397608</guid><author>a99615</author><pubDate>Mon, 29 Dec 2025 20:54:42 +0800</pubDate><description><![CDATA[损失函数、参数更新方法、附经典案例在PyTorch中的应用]]></description><category></category></item><item><title><![CDATA[PyTorch安装]]></title><link>https://blog.youkuaiyun.com/a99615/article/details/155710799</link><guid>https://blog.youkuaiyun.com/a99615/article/details/155710799</guid><author>a99615</author><pubDate>Mon, 08 Dec 2025 17:10:37 +0800</pubDate><description><![CDATA[PyTorch的安装——GPU/CPU版本]]></description><category></category></item><item><title><![CDATA[深度学习之PyTorch（上）]]></title><link>https://blog.youkuaiyun.com/a99615/article/details/155709484</link><guid>https://blog.youkuaiyun.com/a99615/article/details/155709484</guid><author>a99615</author><pubDate>Mon, 08 Dec 2025 16:24:54 +0800</pubDate><description><![CDATA[PyTorch 是一个开源的 Python 机器学习库，基于Torch 库（一个有大量机器学习算法支持的科学计算框架，有着与 Numpy 类似的张量（Tensor）操作，采用的编程语言是 Lua），底层由 C++实现。]]></description><category></category></item><item><title><![CDATA[（论文复现）Benchmarking Adversarial Robustness to Bias Elicitation in Large Language Models]]></title><link>https://blog.youkuaiyun.com/a99615/article/details/155494904</link><guid>https://blog.youkuaiyun.com/a99615/article/details/155494904</guid><author>a99615</author><pubDate>Tue, 02 Dec 2025 14:34:21 +0800</pubDate><description><![CDATA[Benchmarking Adversarial Robustness to Bias Elicitation in Large Language Models: Scalable Automated Assessment with LLM-as-a-Judge.]]></description><category></category></item><item><title><![CDATA[深度学习核心2.0之反向传播、梯度消失/爆炸、更新参数优化方法Adam、SGD、AdaDrad、RMSProp]]></title><link>https://blog.youkuaiyun.com/a99615/article/details/154753955</link><guid>https://blog.youkuaiyun.com/a99615/article/details/154753955</guid><author>a99615</author><pubDate>Wed, 12 Nov 2025 22:52:04 +0800</pubDate><description><![CDATA[深度学习核心之反向传播（输出层和激活层）、梯度消失/爆炸、更新参数优化方法Adam、SGD、AdaDrad、RMSProp]]></description><category></category></item><item><title><![CDATA[深度学习核心1.0之神经网络基础、激活函数、损失函数、数值微分、梯度下降法和简单神经网络的创建]]></title><link>https://blog.youkuaiyun.com/a99615/article/details/154361976</link><guid>https://blog.youkuaiyun.com/a99615/article/details/154361976</guid><author>a99615</author><pubDate>Mon, 03 Nov 2025 21:36:52 +0800</pubDate><description><![CDATA[深度学习核心1.0之神经网络基础、激活函数、损失函数、数值微分、梯度下降法和简单神经网络的创建]]></description><category></category></item></channel></rss>