铁柱的博客

开源项目开箱即用是好事，但是直接拿来做产品还是欠佳的，怪不得大家最终都会走到自定义分词器的步骤，业务的需求千变万化，代码都掌握在自己手里才能以不变应万变啊。

在使用Langchain-Chatchat做RAG的时候，发现导入的pdf文件中的表格关系无法保存，导致LLM的回答不符合预期。例如我想问的内容在表格中，但LLM的回答并不是对表格的总结。那么想要解决这个问题，就需要找到一种合适的文本格式来保留表格间的关系，然后修改Langchain-Chatchat的文本加载源码，使pdf文本转换成目标的文本格式，也就是本篇的markdown格式。

本博客是在大佬代码的基础上，实现了自定义神经网络的训练和推理。外网上的优秀文章和视频太多了，可惜限于网络和语言，能被我们看到的太少了。 这个大佬40多分钟就手撸了简单的神经网络类，并且实现了训练和推理，博主只能说，牛逼。本系列文章到这里就结束了。本来只是想分享一下大佬的视频和代码，但直接输出难免会没有上下文，因此只能把以前的一些笔记梳理下，期望读者能先有一些基础概念，然后再手撸代码实现一个自己的神经网络。

本篇博客分别解释了梯度，损失函数，激活函数等相关概念。前期概念准备部分基本结束，接下来我们就尝试自定义一个神经网络，实现训练，推理和生成模型等，也算是对基础概念部分的一个实践。

通过上一篇文章，我们大概了解了神经网络以及常见的神经网络结构和应用场景。但是在日常与算法同学打交道中，基本都是算法同学提供模型，工程化同学进行推理获取结果。那么模型是什么，怎么产生的模型，模型训练和推理又是干嘛的呢？下面我们一一道来。

神经网络是AI界的一个基础概念，当下火热的神经网络例如RNN循环神经网络或者CNN卷积神经网络，都是从基础的神经网络发展而来的。本系列博客的主要目标是自定义一个神经网络，并把训练结果保存到模型文件。想要完成这个目标，了解基础的概念必不可少。