Hisser的博客

这直接决定了我们系统的第一步必须是 文档解析 (Document Parsing) 。我们不能简单地把PDF当成一个黑盒。需要设计一个流程，能自动化、结构化地从这些PDF中提取出两种核心信息： 文本块 (Text Chunks) 和 图片 (Images) 。更进一步，提取出的每一份信息，都必须牢牢绑定它的元数据——它来自 哪个文件 (filename) 和 哪一页 (page) 。这要求我们在整个处理流水线中实现 元数据（Metadata）的持续追踪 。我们需要建立一个能让机器“看懂”图片，并将其与文本关

本文记录了在DataWhale夏令营（让AI理解列车排期表）遇到的两个问题及解决方案：1）注册和获取API密钥时，若不清楚token可参考指定教程；2）baseline输出的JSON数组直接用于训练会报错，需通过脚本转换为独立的JSON对象。文章提供了完整的Python转换代码，包括将JSON数组转为JSONL格式，以及修复output字段类型问题，确保数据格式符合平台要求。转换过程包含错误处理机制，最终生成可直接用于训练的JSONL文件。

该分类器通过一系列卷积层（Conv2d）、批归一化层（BatchNorm2d）、激活函数（ReLU）和池化层（MaxPool2d）构建卷积神经网络，用于提取图像特征。随后，这些特征被输入到全连接层进行分类，最终输出11个类别的概率，用于图像分类任务。分类任务使用交叉熵作为性能衡量标准。

不同的参数也需要不同的学习率（而不是固定不变的）：如果在某一个方向上梯度值很小（非常平坦），我们会希望学习率调大一点；MGBD需要随着时间的推移逐渐降低学习率：在梯度下降初期，能接受较大的步长（学习率），以较快的速度进行梯度下降；在物理的世界里，一个球如果从高处滚下来，就算滚到鞍点或鞍点，因为惯性的关系它还是会继续往前走。具体而言，AdaGrad在每次更新时对每个参数的学习率进行缩放，使得学习率对于梯度较大的参数较小，而对于梯度较小的参数较大。低维度空间中的局部极小值点，在更高维的空间中往往是鞍点。

FISCO的账户权限控制分为基于角色的权限控制和基于表的权限控制。本文内容是基于角色的权限控制。本博客仅用于个人记录学习过程，对于更详尽全面的教程内容、需求与设计等，请参考官方文档而非本文。

本博客仅用于个人记录《FISCO BCOS之开发第一个区块链应用》的学习过程、复盘和保留的疑惑，对于更详尽全面的教程内容、需求与设计等，请参考官方文档而非本文章。

学校课程的实验。因为做实验时走了不少弯路，想记录一下，给后来做这个实验的朋友当个参考，希望大家都少走点弯路，能顺利做出来

《计算机图形学》课程的复习笔记与整理。

个人对DP的总结整理，因为是个人笔记所以可读性不一定多高，大家随便看看就好