comli_cn的博客

训练xgboost排序模型并进行预测的最小实现

主要有两个作用，一是省钱，二是减少耗时。目前通过api请求chatgpt等能力比较强的商业化大模型是要按token收费的，而且一点儿也不便宜。另一方面，大模型生成结果的速度比较慢，如果调用大模型做第三方应用的话很影响用户体验。如果可以对问题和大模型给出的对应结果做cache，下次再问到相同或者相似的问题时就可以直接查cache词典给出结果了，这样既省钱还能减少耗时。GPTCache就提供了这样的能力。

0. 卷积神经网络的结构如上图所示，一个卷积神经网络由若干卷积层、池化层、全连接层组成。我们可以通过对其中要素的重组来构成不同的卷积神经网络。构成不同卷积神经网络的公式为：INPUT−>[[CONV]∗N−>POOL?]∗M−>[FC]∗KINPUT -> [[CONV]*N -> POOL?]*M -> [FC]*KINPUT−>[[CONV]∗N−>POOL?]∗M−>[FC]∗K以上图为例，其结构为：INPUT−>[[CONV]∗1−

1.背景在工程领域，了解不同的工程系统和组件非常重要，不仅要了解它们当前的性能，还要了解它们的性能如何随着时间的推移而降低。这扩展到了预测领域，它试图根据系统或组件的过去和现在的状态来预测其未来。这个领域中的一个常见问题是估计剩余使用寿命，或者系统或组件功能将持续多长时间。这个问题的著名数据集是PHM和C-MAPSS数据集。这些数据集包含不同涡扇发动机随时间产生的模拟传感器数据，并已用于研究剩余使用寿命的估计。2.C-MAPSS数据集数据集：FD001训练轨迹：100测试轨迹：100条件：一个（