easy2020的博客

以 Qwen3-0.6B 模型为基础，结合自制的宠物商店客服语料，通过 LoRA 轻量化微调技术，训练出一个能够回答常见宠物商店问题的智能客服模型。该实践展示了如何在低成本条件下快速打造垂直领域对话系统，为中小企业智能化应用提供了参考。

以Transformer架构为基础，深入解析了两大基于此架构的预训练模型——BERT与GPT的工作原理及其核心差异，探讨了Transformer架构在多模态处理等领域的技术延伸，展示了其灵活性和广泛的应用潜力。

回顾了深度学习模型从 MLP、CNN、RNN 到 Transformer 的演进逻辑，揭示了 Transformer 为突破 CNN/RNN 在长距离依赖建模与训练效率上的瓶颈而诞生的技术必然性。

构建了基于循环神经网络（RNN）的 IMDb 电影评论情感分析系统，实现了端到端的情感分类流程，展示了自动化调参、模型诊断与结果分析过程。

基于 cats_and_dogs_filtered 数据集，通过 MLP 与 CNN 的对比实验，系统探讨了影响图像分类模型性能的关键因素。实验表明，初始 CNN 模型因训练不充分与数据增强不足导致性能平庸；经优化数据增强、加深网络、引入正则化与智能训练策略后，验证准确率显著提升。研究证实：CNN 的空间特征提取能力是其优势基础，而合理的调参策略是释放其潜力的关键，体现了“模型结构决定性能上限，优化方法决定实际表现”的核心规律。

从机器学习到深度学习的过渡