自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(22)
  • 收藏
  • 关注

原创 【专栏一:AI基础08】-【一张图讲清楚:RAG的原理(从“查资料”到“生成答案”全过程)】

假设你在一家公司的内部办公系统里,接入了一个 AI 助手。这时候,AI 助手要怎么回答?这时候,RAG 就派上用场了。

2026-03-31 01:46:04 384

原创 【专栏二:深度学习09】-【一张图讲清楚:过拟合是什么?模型为什么会学“过头”】

一张图讲清楚:什么是过拟合?模型为什么会学“过头”?训练集表现越来越好 ✔测试集表现却越来越差 ❗训练准确率 99%,测试准确率只有 70%模型学“过头”了(Overfitting)这张图其实讲了两件非常重要的事情:1️⃣ 上半部分:Loss 曲线(最关键)蓝线(训练集 Loss):一直下降红线(验证集 Loss):先下降 → 后上升验证集 Loss 开始上升的那一刻,就是过拟合开始的地方2️⃣ 下半部分:三种拟合状态欠拟合:模型太简单,连规律都没学会正常拟合:学到规律,泛化能力最好。

2026-03-30 00:38:12 788

原创 【专栏二:深度学习10】-【一张图讲清楚:为什么既要做数据归一化?又要划分 Train / Val / Test?】

你只需要记住这三点:1️⃣ 数据归一化:解决“模型好不好学”2️⃣ 数据划分:解决“评估准不准”3️⃣ 两者都是训练前必须做的准备工作一个影响训练效率,一个决定评估可信度。

2026-03-30 00:37:47 481

原创 【专栏二:深度学习08】-【一张图讲清楚:为什么 ReLU 也不是完美的?什么是死亡 ReLU?】

在深度学习中,ReLU 是最常用的激活函数之一。计算简单收敛快梯度不容易消失如果 ReLU 这么好,为什么模型有时候会“学着学着就不动了”?答案是:部分神经元“死掉了”,即死亡 ReLU(Dead ReLU)这张图其实已经讲清楚了一个非常重要的对比:左边:正常 ReLU → 可以持续学习右边:死亡 ReLU → 完全停止学习。

2026-03-29 11:05:08 403

原创 【专栏二:深度学习07】-【一张图讲清楚:损失函数怎么选(MSE vs 交叉熵)】

在训练模型的时候,我们一定会用到“损失函数”。MSE:算误差交叉熵:也是算误差既然都是算误差,那随便用一个不就行了吗?选错损失函数,模型可能根本学不动。这篇文章,我们用一张图,把这个问题彻底讲清楚。数值预测 → 用 MSE类别概率 → 用交叉熵。

2026-03-29 11:04:18 574

原创 【专栏二:深度学习06】-【一张图讲清楚:训练到底跑了多少次?Batch、Epoch、Iteration 全解析】

BatchEpochIteration一轮训练到底是几次?iteration 到底算不算一轮?batch size 调大了,训练次数变了吗?训练到底跑了多少次?这篇文章,我们用一张图,把这三个概念彻底讲清楚。训练次数,本质上看的是 Iteration 次数。

2026-03-28 23:06:49 923

原创 【专栏二:深度学习05】-【一张图讲清楚:梯度下降到底在干什么?】

梯度算出来以后,到底怎么让模型变好?模型是怎么一步步“少犯错”的?梯度下降(Gradient Descent)把它放到一张图里看,其实很好理解,先看图。梯度告诉你“往哪走”学习率决定你“走多远”朝哪个方向改参数,误差会下降这一步该多大不断重复“找方向 → 走一步 → 再找方向 → 再走一步”,直到模型逐渐走到一个误差更低的位置。梯度下降的本质,就是利用梯度这个“方向指示器”,再配合学习率这个“步长控制器”,让模型参数在损失曲面上一点点走向更低误差的位置。

2026-03-28 11:38:04 487

原创 【专栏二:深度学习04】-【一张图讲清楚ReLU vs Sigmoid:为什么ReLU更适合深度网络?】

Sigmoid 会“压缩梯度”,ReLU 让梯度更容易传播?我把这句话拆开,尽量讲到你真正能“脑子里有画面”。Sigmoid 会“压缩梯度”,ReLU 让梯度更容易传播。它其实在讲一件事:神经网络在训练时,后面的“纠错信号”能不能顺利传回前面。

2026-03-27 15:14:30 625

原创 【专栏二:深度学习03】-【一张图讲清楚:为什么神经网络一定要有激活函数?“非线性”到底重要在哪?】

上一篇文章里,我讲了深度学习训练过程中的向前传播和向后传播。神经网络为什么一定要有激活函数?因为从表面上看,每一层都在做类似z = Wx + b的计算。如果每一层都只是线性计算,多堆几层不就行了吗?为什么还必须额外加入激活函数?这里的“非线性”到底重要在哪?这篇文章,我就想结合一张图,把这个问题彻底讲清楚。激活函数最核心的作用,不是“多一个函数”,而是给神经网络引入非线性能力。如果没有激活函数,那么无论网络堆多少层,本质上都还是一个线性模型。

2026-03-27 11:29:15 673

原创 【专栏二:深度学习02】-【一张图讲清楚:什么是向前传输和向后传输】

上一篇文章里,我用“让机器学会认出猫”的案例,讲了什么是深度学习。模型到底是怎么学会这些规律的?它不是人,不会“看着看着就懂了”。那它到底是怎么从一开始什么都不会,到最后慢慢变得越来越准的?向前传播损失函数向后传播参数更新这篇文章,我就结合下面这张图,把深度学习训练过程完整梳理一遍。如果只用一句话总结这张图,我会这样说:向前传播负责“先算出答案”,损失函数负责“看错多少”,向后传播负责“把错误往回传”,参数更新负责“让模型下次更接近正确答案”。

2026-03-26 19:12:14 604

原创 【专栏一:AI基础07】-【一张图讲清楚Tool Schema该怎么写】

但只看这个名字,确实会有点抽象。它到底是什么?它和 API 文档有什么区别?它为什么会直接影响大模型选工具、填参数,甚至影响整个调用效果?这篇内容,我想把 Tool Schema 彻底讲清楚。Tool Schema,就是系统提供给大模型的结构化工具说明,用来告诉模型“这个工具能做什么,以及该怎么调用它”。

2026-03-24 18:46:13 1016

原创 【专栏一:AI基础06】-【一张图讲清楚:大模型怎么知道有哪些工具?又怎么选中正确工具?】

用户提问 → 工具说明输入给 LLM → LLM 判断是否调用工具 → 系统执行工具 → 结果回填给 LLM → 生成最终回答。大模型到底是怎么知道有哪些工具可以调用的?如果系统同时给了它很多工具,它又是怎么选中正确工具的?这篇文章,我就想专门把这个问题讲清楚。系统先把可用工具清单告诉大模型模型再根据用户问题和工具描述之间的语义匹配,决定要不要调工具、该调哪个工具。系统先把工具清单交给模型,模型先理解用户需求,再理解每个工具的能力,最后通过语义匹配选出最合适的工具。

2026-03-23 23:37:38 429

原创 【专栏二:深度学习01】-【一张图讲清楚什么是深度学习:让机器学会认出猫】

给机器一张图片,它为什么能知道这是不是猫?人看到猫,基本一眼就能认出来。但机器不一样。在机器眼里,一张图片不是“猫”,而是一堆像素数字。它不知道什么是耳朵,不知道什么是胡须,也不知道什么叫“猫脸”。机器到底是怎么学会认猫的?这个过程,其实就是深度学习最核心的思想。对人来说,这是直觉。对机器来说,这其实是一个“从数据中学习规律,再完成分类判断”的过程。不是人工把“猫长什么样”写成规则告诉机器,而是让机器从大量样本中自己学会规律猫脸轮廓头部整体结构身体形态完整的猫体轮廓。

2026-03-22 15:54:38 772

原创 【专栏一:AI基础05】-【一张图讲清楚Function Call完整流程】

大模型既然知道要查天气、查快递、查订单,那它是不是就能自己直接去执行这些工具?但真实情况并不是这样。大模型本身擅长的是理解语言、生成内容、做决策,它并不会真的自己去点按钮、调用接口或者操作数据库。第一次:理解用户问题,看有哪些工具可用,判断要不要调用工具,并生成工具调用意图第二次:接收工具执行结果,再组织成用户最终看到的自然语言回答模型负责决策,系统负责执行,结果再返回给模型继续组织答案。用户问题和工具说明会一起给到 LLM,LLM 第一次负责判断是否需要调用工具,并生成工具调用意图;

2026-03-22 12:27:56 650

原创 【专栏一:AI基础04】-【一张图讲清楚Prompt提示词的角色标签:System、User、Assistant】

很多人第一次接触大语言模型时,都会有一种错觉:它好像真的“记得”我们前面说过的话,也“知道”自己之前回答过什么。但真相是:它其实没有记忆。那为什么它知道我之前输入了什么?也知道自己之前回答过什么?为什么它总能把回答写得层次清晰、格式规范?为什么它显得很“懂我”?我没有明确说明的内容它都能察觉到呢?走吧,我们一起来解决这三个问题!

2026-03-21 03:02:37 813

原创 【专栏一:AI基础03】-【一张图讲清楚Prompt工程师到底是干什么的】

一开始我对这个岗位的理解很表面,总觉得它好像就是“会写提示词的人”。但接触得越多,我越觉得这种理解太浅了。因为在真实的 AI 应用里,Prompt 工程师做的事情并不只是写几句话,而是要,去设计一整套。所以这篇文章,我想继续用“”的方式,梳理一下 Prompt 工程师到底在做什么,以及为什么它并不只是“写提示词”这么简单。

2026-03-20 09:12:57 456

原创 【专栏一:AI基础02】-【一张图讲清楚Prompt、RAG、Function Call、MCP的关系】

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档。

2026-03-19 21:55:53 195

原创 【专栏一:AI基础01】-【一张图讲清楚什么是大模型】

当你向它提问、让它写东西、回答问题时,它并不是去翻书、查资料,而是。人类海量的文字、知识、书籍、网页、对话,把所有信息。成一套庞大的数学规律和语言逻辑,、生成出通顺、合理、有用的内容。我们可以把大模型想象成一个。

2026-03-19 20:45:10 54

原创 【无标题】

卸载JDK的过程

2022-06-28 15:26:31 161

原创 【无标题】

简单的JDK、JRE和JVM的学习

2022-06-27 16:43:00 302 1

原创 寻找出现次数最多的数(oj题库)

题目描述给定n个正整数,找出它们中出现次数最多的数。如果这样的数有多个,请输出其中最小的一个。输入输入的第一行只有一个正整数n(1 ≤ n ≤ 1000),表示数字的个数。输入的第二行有n个整数s1, s2, …, sn (1 ≤ si ≤ 10000, 1 ≤ i ≤ n)。相邻的数用空格分隔。输出输出这n个次数中出现次数最多的数。如果这样的数有多个,输出其中最小的一个。#inclu...

2020-04-10 14:58:26 3552 1

原创 中缀表达式转换为后缀表达式(oj题库)

中缀表达式转换为后缀表达式(oj题库)中缀表达式转换为后缀表达式(oj题库)题目描述中缀表达式是一个通用的算术或逻辑公式表示方法,操作符是以中缀形式处于操作数的中间(例:3 + 4),中缀表达式是人们常用的算术表示方法。后缀表达式不包含括号,运算符放在两个运算对象的后面,所有的计算按运算符出现的顺序,严格从左向右进行(不再考虑运算符的优先规则,如:(2 + 1) * 3 , 即2 1 + 3...

2020-04-09 20:15:59 1094 3

空空如也

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除