- 博客(34)
- 收藏
- 关注
RSS订阅原创 2026年，我用CrewAI让AI自己完成一篇小红书爆款笔记
很多人吐槽：AI写的东西太“AI味”，没人看。但如果让AI分工协作，像真人团队一样脑暴→写初稿→优化标题&文案→检查爆款要素→生成配图提示，效果会好很多。
2026-01-26 12:08:54
1174
原创 2026 年，我用 180 行代码让 AI 自己开会写完了一个小工具
最近刷到太多人在讨论「AI Agent 到底能不能干活」，我就花了一个晚上，用 CrewAI + OpenAI（也可以换成国产模型）搭了一个最简单但能跑通的「AI 小团队」。目标任务非常具体：下面是完整流程和代码（2026 年 1 月测试通过）。
2026-01-26 12:07:39
638
原创 使用 PyTorch 实现标准 LSTM 神经网络
数据处理：把序列切分为固定长度seq_length的输入 X 和目标 Y。LSTM 定义：一层或多层 LSTM，输出最后时间步的隐藏状态，再用全连接层映射到预测值。训练：标准训练流程：清空梯度 → 前向 → 计算损失 → 反向 → 更新参数。预测：用，保证预测时不计算梯度。通用性：这套代码可直接改input_sizeseq_lengthnum_layers应对不同序列问题。
2026-01-25 10:08:48
400
原创 # TCP/IP 协议栈深度解析：从体系架构到现代应用优化
TCP/IP 协议栈作为互联网的核心通信框架，自 20 世纪 70 年代由 Vinton Cerf 和 Robert Kahn 提出以来，已演变为全球网络基础设施的基石。本文从协议栈的层次化设计入手，深入剖析其关键组件，包括链路层、网络层、传输层和应用层的实现原理、状态机模型、拥塞控制机制以及安全扩展。针对 2026 年网络环境，我们还将讨论 IPv6 迁移、QUIC 集成以及 SDN/NFV 对 TCP/IP 的影响。旨在为网络工程师、研究者和开发者提供系统性参考。链路层（Link Layer）
2026-01-25 00:00:21
1314
原创 Python 爬虫进阶：利用 Frida 逆向移动端 App API 以实现高效数据采集
在 2026 年的爬虫实践中，针对高度加密或仅通过移动端 App 暴露数据的平台（如某些社交或电商应用），传统 Web 爬虫往往受限。此时，通过 Frida 等动态注入工具逆向 App 的 API 接口，成为一种小众但高效的进阶技巧。本节聚焦于使用 Python + Frida 逆向 Android/iOS App 的网络请求，提取签名算法或加密参数，从而构建模拟 App 的爬虫脚本。适用于对反爬机制强（如 Token 生成依赖设备指纹）的场景。适用场景：App 独占数据源、Web 端数据不全或加密复杂。
2026-01-24 12:50:42
623
原创 Python爬虫开发实战指南：从基础到高级工具应用
Python爬虫生态成熟，从httpx简单起步，到Scrapy+Playwright生产级部署，一条龙解决。实践是关键，建议从豆瓣/知乎等简单站点练手，逐步挑战电商/社交。
2026-01-24 12:48:47
918
原创 使用PyTorch创建一个标准的Transformer架构
2026年，Transformer架构仍然是现代深度学习最核心的组件之一。从BERT、GPT系列到LLaMA、Qwen、Grok，几乎所有前沿大模型都建立在Transformer（或其变体）之上。本文将使用纯PyTorch，从零开始实现一个架构（即原始《Attention is All You Need》论文中的结构）。目标：代码清晰、结构模块化、注释详尽、可直接用于序列到序列任务（如机器翻译、文本摘要等）。
2026-01-24 12:42:54
877
原创 使用 PyTorch 实现 MNIST 手写数字分类的 CNN 模型
在训练前，需要将模型移动到GPU（若可用）说明适用于多分类任务。Adam优化器在大多数场景下表现稳定且收敛速度快。本文使用PyTorch实现了一个标准 CNN 模型完成 MNIST 手写数字分类任务，模型结构简单、易于理解，适合作为入门和实验。经过 5 个训练周期，模型可以达到约 98% 的测试准确率，显示出卷积神经网络在图像分类中的有效性。后续可以进一步优化：增加卷积层或残差结构使用数据增强提升泛化能力尝试学习率调度器（LR scheduler）或其他优化器。
2026-01-24 12:26:57
450
原创 基于 Qwen2.5-3B-Instruct 的流式对话生成实现
本文介绍了如何在本地部署Qwen2.5-3B-Instruct模型并实现流式对话功能。通过HuggingFace Transformers库，自动适配GPU/CPU环境，智能选择数据类型（半精度/单精度），并具备显存不足时的安全回退机制。核心功能包括逐Token流式生成、实时输出显示、终止符检测和完整上下文维护。实现方案包含环境配置、模型加载、流式生成逻辑和交互控制，构建了一个完整的交互式对话系统，显著提升了大型语言模型的交互流畅性。支持命令行输入和退出指令，适用于不同硬件环境部署。
2026-01-24 12:17:34
589
原创 C++：使用 SFML 创建强化学习迷宫场景
通过使用 SFML 创建一个简单的迷宫环境，我们可以为强化学习提供一个可视化的平台。迷宫作为一个经典的强化学习环境，不仅可以帮助我们测试各种学习算法，还可以进一步优化智能体的路径规划能力。通过不断的学习和调整，智能体能够在迷宫中找到最短路径，实现从起点到终点的最优决策。这个迷宫场景不仅能够用于强化学习的训练，还可以作为其它人工智能任务的基础环境，帮助研究人员探索不同的智能体行为和算法表现。希望本文的示例代码能够为你提供一个很好的开始，祝你在强化学习的研究中取得成功！
2025-02-20 22:46:33
1421
原创 C++ 0基础入门教程
C++ 是一种由 Bjarne Stroustrup 在 1979 年开发的编程语言。它基于 C 语言，并加入了面向对象编程（OOP）特性。强大的性能支持面向对象、泛型、低级内存操作等被广泛用于游戏开发、系统软件和高性能计算中C++ 是一门功能强大且灵活的编程语言。通过本文的介绍，你已经学会了 C++ 的基本语法，包括变量、函数、条件判断、循环、数组、类等内容。这些知识将帮助你开始编写 C++ 程序，并逐步深入学习更高级的特性。
2025-02-17 23:57:40
537
原创 使用 Python 爬虫库抓取网页内容：请求与解析
requests是一个 Python HTTP 库，用于发送 HTTP 请求并接收响应。它提供了一个简单易用的 API，使得与网站交互变得非常方便。使用可以轻松地发起 GET 请求，获取网页内容。是一个用于解析 HTML 和 XML 文档的 Python 库。它通过层级结构来解析网页，使得抓取网页数据变得更加简洁明了。提供了许多方法来导航和搜索网页内容。其核心功能包括文档遍历、搜索元素、提取数据等。本教程展示了如何使用requests库进行网页请求，结合解析 HTML 内容。这是进行网页数据抓取的基础步骤。
2025-02-17 16:12:25
1521
1
原创 深入理解爬虫开发：使用 Python 实现网页数据抓取
网页爬虫（Web Crawler），也被称为网络蜘蛛或网络机器人，是一种通过编程自动抓取互联网上的网页信息的工具。爬虫广泛应用于搜索引擎、数据分析、内容推荐等多个场景。它的核心任务是访问网页、解析网页内容并存储有价值的数据。这篇文章详细介绍了如何使用 Python 编写一个简单且专业的爬虫。通过requests获取网页内容，利用解析 HTML，最后将数据保存到 CSV 文件中。我们还通过加入请求头、随机延迟等技术手段，确保爬虫不会过于频繁地访问目标网站，从而避免被封禁。
2025-02-17 15:06:44
1704
原创 C++ 写一个“恶搞”软件：后台写入磁盘、开机自启动并隐藏窗口
磁盘密集型任务：使用多个线程向磁盘写入数据（模拟负载）。自动添加到系统启动项：让程序在每次计算机启动时自动执行。隐藏窗口：让程序在启动时隐藏主窗口，以便不被用户察觉。通过这个项目，我们使用 C++ 实现了一个简单的“恶搞”程序框架，模拟了磁盘密集型操作、开机自启动以及隐藏窗口的功能。该程序为开发者提供了一个可以扩展和修改的基础框架，可以根据自己的需求进行调整。记住，编写和使用这类程序时，一定要遵循道德和法律规范，避免用来进行恶意操作。
2025-02-16 21:45:35
909
原创 Python：使用 Torch 构建一个五子棋游戏的 AI 玩家
在这篇博客中，我们将展示如何使用 PyGame 来构建一个简单的五子棋（Gomoku）游戏，并为 AI（白棋）实现基本的决策能力。这个 AI 玩家使用了 PyTorch 构建的神经网络模型来预测最优的下棋位置。注意：这里的代码只是一个示范，具体的 AI 性能和训练效果还需要根据实际数据进行优化和改进。首先，我们需要初始化一个简单的五子棋游戏，包括棋盘、玩家、以及棋盘状态的管理。棋盘大小默认为 15x15 格子。每个格子可以为空（0），也可以是黑棋（1）或白棋（2）。2. 神经网络模型接下来，我们使
2025-02-16 16:08:52
1886
原创 使用 PyTorch 实现标准卷积神经网络（CNN）
卷积神经网络（CNN）是一种专门用于处理图像数据的深度学习模型，它通过卷积层提取图像的特征。CNN 由多个层次组成，其中包括卷积层（Conv2d）、池化层（MaxPool2d）、全连接层（Linear）、激活函数（ReLU）等。这些层级合作，使得模型能够从原始图像中自动学习到重要特征。在这篇文章中，我们实现了一个标准的卷积神经网络（CNN），并使用 PyTorch 对其进行了定义和训练。通过使用卷积层、池化层和全连接层，模型能够自动学习图像的特征并进行分类。
2025-02-16 15:58:05
1373
原创 Transformer 模型的 PyTorch 实现
多头自注意力机制：通过多个注意力头同时对输入进行加权求和，学习到输入中的不同特征。前馈神经网络：每个层都包含一个简单的前馈神经网络，用于对输入进行非线性变换。位置编码：由于 Transformer 不使用卷积或循环结构，它需要通过位置编码来保留序列中单词的位置信息。
2025-02-16 15:56:22
685
原创 使用PyTorch定义并导出一个简单的单层感知机模型为ONNX格式
我们定义一个继承自nn.Module的类，SimpleMLPclass SimpleMLP(nn.Module): # 创建SimpleMLP类并继承nn.Module# def: 定义一个函数# __init__: 初始化函数（构造函数）# self: 实例本身，指向当前对象# input_size=28*28: 输入大小，默认值为28*28# output_size=10: 输出大小，默认值为10# super: 调用父类的方法。
2025-02-16 05:00:00
501
原创 Python：实现 PyTorch 中训练自定义卷积神经网络模型(CNN)并导出模型为 ONNX 格式，同时使用 ONNX Runtime 进行推理
数据标准化sample = sample.view(1, 28, 28) # 转换为28x28图像格式在类中，__init__方法加载 CSV 文件并进行数据标准化；方法将每个样本转换为一个28x28的图像格式。我们使用两个卷积层和两个全连接层来构建一个简单的 CNN。x = x.view(-1, 64 * 7 * 7) # 展平本文介绍了如何在 PyTorch 中训练一个 CNN 模型，并将其导出为 ONNX 格式。
2025-02-15 12:28:30
1429
原创 Python微调DeepSeek-R1-Distill-Qwen-1.5B模型：使用Transformers和PyTorch进行训练
微调deepseek1.5B模型
2025-02-14 18:50:29
6207
15
原创 C++实现Dijkstra算法简答
在计算机科学中，Dijkstra算法是一种广泛使用的图算法，最早由计算机科学家Edsger Dijkstra在1956年提出。它解决的是单源最短路径问题——即给定一个图和一个起点，如何计算从该起点到所有其他顶点的最短路径。Dijkstra算法被应用于各种实际场景，例如网络路由、GPS导航等领域。本文将详细解释Dijkstra算法的原理、实现步骤，并使用C++实现一个完整的Dijkstra算法。通过这篇文章，你将深入了解Dijkstra算法的工作机制，并掌握如何在C++中应用它来解决最短路径问题。
2025-02-14 14:55:56
458
原创 C++实现单层感知机训练与预测
感知机是最简单的一种神经网络模型，由Frank Rosenblatt在1958年提出。它是一种线性分类器，能够基于输入特征通过简单的线性决策边界来进行分类。在本篇博客中，我们将使用C++实现一个基础的单层感知机（Perceptron），并探讨其训练过程、预测机制以及学习算法的原理。通过这段代码的实现，你将了解感知机的基本结构、训练过程、以及如何应用它来进行简单的二分类问题解决。感知机由输入层和输出层构成。每个输入值都对应一个权重，感知机的目标是学习这些权重值，使得它能够根据输入做出正确的输出。
2025-02-14 14:53:58
601
原创 C++实现Windows开机自启动功能
在许多应用程序中，开机自启动是一个常见且实用的功能。通过将程序添加到系统的启动项中，用户可以确保程序在每次启动Windows时自动运行。本文将介绍如何使用C++实现这一功能，利用Windows注册表来使程序在启动时自动运行。通过使用Windows注册表，C++程序可以很容易地实现开机自启动功能。在本篇文章中，我们演示了如何使用C++代码向注册表添加一项记录，从而让程序在Windows启动时自动运行。虽然这个功能简单且实用，但在实际使用中应注意权限问题和注册表修改的潜在风险。希望这篇博客对你有所帮助！
2025-02-14 14:49:45
1036
原创 C++递归2:(间接递归)
在程序设计中，递归是一种常见的技术，用于解决许多复杂的问题。在递归中，函数直接或间接地调用自身，逐步缩小问题的规模，直到达到基本情况。本文将介绍一个。
2025-02-14 03:15:00
380
原创 C++ 递归讲解（内容少，简单易懂）
递归的调用需要建立大量的函数的副本,由其是函数的参数,每一层递归调用时参数都是单独的占据内存空间,他们的地址是不同的。递归函数通过自我调用解决问题，示例中通过递归计算一个递增序列，展示了递归的基本原理和执行流程。递归函数分为调用和回退阶段,递归的回退顺序是它调用顺序的逆序。递归函数即自调用函数,在函数内部直接的或者间接地调用自己。以此类推,返回1,4,7,10..这样的递增序列。也就是说,每次递归时,都会将前一个结果加3。否则,返回 f(n - 1) + 3。当 n == 1 时,返回 1。
2025-02-14 03:00:00
265
原创 C语言：冒泡排序详解
冒泡排序是最简单的排序算法之一，广泛用于教学和学习排序的基本概念。它通过反复比较相邻的元素，并在每次比较时交换位置，将大的元素逐渐“冒泡”到数组的末尾。本文通过一个冒泡排序的示例，详细解释了算法的执行过程，并逐步展示了排序过程中每个元素的变化。本文示例代码i < n - 1;这段代码通过冒泡排序算法对数组进行排序，并打印出每次内外层循环的i和j值，帮助我们更清楚地理解排序过程中元素的交换过程。
2025-02-13 22:45:24
353
原创 Python实现本地部署DeepSeek-R1-Distill-Qwen-1.5B模型教程
在现代 NLP（自然语言处理）应用中，生成式预训练模型（如 GPT 系列）已经成为非常重要的工具。今天，我们将介绍如何使用 Hugging Face 的 库在本地加载 DeepSeek 模型，并通过用户输入生成响应。首先，确保你已经安装了以下依赖：本篇文章以 DeepSeek 的模型为例，展示如何使用该模型来处理用户的输入并生成文本响应。假设你已经下载了本地的 DeepSeek 模型文件（如 ）。下面是完整的代码示例，它演示了如何加载模型并进行生成。 通过这个简单的例子，我们演示了如何使用
2025-02-13 13:29:00
2116
原创 C++ 智能指针：理解 std::shared_ptr 的引用计数与内存管理
共享同一块内存时，它们的引用计数会增加，并在没有指针再指向该内存时自动释放。被复制或赋值给另一个时，它们会共享对同一内存的所有权，并且引用计数会增加。时，引用计数会减少。直到最后一个指针离开作用域，引用计数为 0 时，对应的内存才会被释放。它通过引用计数的方式来自动管理内存，确保内存的正确释放。的引用计数机制，并通过代码示例来演示如何使用它来共享内存，确保内存的安全管理。通过引用计数的方式自动管理内存，避免了手动内存管理可能带来的错误。所管理的对象，引用计数增加到 2，因为现在有两个指针指向相同的内存。
2025-02-13 12:04:53
653
原创 C++ 中的 std::unique_ptr 使用详解
是 C++ 中管理动态内存的强大工具，能够有效避免内存泄漏和悬空指针等问题。通过创建、使用std::move转移所有权、以及自定义删除器来处理内存清理，unique_ptr提供了简洁且安全的内存管理方式。
2025-02-12 14:33:50
1338
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