- 博客(220)
- 资源 (17)
- 收藏
- 关注
RSS订阅原创 66、AI大模型技术之实战项目（电商图谱-中篇）
UIE(Universal Information Extraction)：Yaojie Lu等人在 ACL-2022 中提出了通用信息抽取统一框架 UIE。该框架实现了实体抽取、关系抽取、事件抽取、情感分析等任务的统一建模，并使得不同任务间具备良好的迁移和泛化能力。UIE的核心思想是将所有信息抽取任务统一建模为文本到结构的生成过程。它巧妙地利用了预训练语言模型的强大能力，通过精心设计的“提示”（Prompt）来引导模型根据不同的需求（即“模式”或Schema）从非结构化文本中抽取出结构化的信息。
2026-03-12 07:30:00
375
原创 65、AI大模型技术之实战项目（电商图谱-上篇）
本项目旨在构建电商领域知识图谱，并基于该知识图谱搭建智能电商客服系统，核心技术架构分为四个模块：数据源：对结构化与非结构化数据进行清洗和转换，提取出所需信息。知识图谱：使用 Neo4j 构建包含实体关系的领域知识图谱。对话处理：对用户消息进行意图识别和实体抽取，基于识别和抽取结果查询所需信息。应用层：根据获取的信息响应用户，与用户进行交互。
2026-03-09 12:00:00
776
原创 64、AI大模型技术之Spring AI + Milvus + BGE + Ollama (DeepSeek) +前端的开源方案本地部署实现案例-智能问答系统
本项目展示了如何使用 Spring AI、Milvus 向量数据库、BGE 嵌入模型和 Ollama 本地部署的 DeepSeek 模型构建一个完整的检索增强生成 (RAG) 系统，包含用户认证、文件上传、智能问答等功能，所有使用到的中间件以及模型均能本地部署运行。
2026-03-06 21:32:03
432
原创 63、AI大模型技术之Neo4j
Cypher 是 Neo4j 图数据库专用的查询语言，其语法直观清晰，设计风格与 SQL 类似，专门用于高效处理图数据。它通过高度可读的声明式语法，简化了图数据的创建、查询、更新与删除（CRUD）操作，尤其擅长表达复杂的图模式匹配。除了基础操作，Cypher 还支持子查询、聚合计算、条件过滤以及集合操作等高级功能，是图数据库领域最核心的查询工具之一。在图数据库中，为了保持数据的一致性和完整性，我们可以为图中的节点或关系设置约束条件（Constraint）。
2026-03-06 09:00:00
395
原创 62、AI大模型项目实战之智选新闻
本项目基于BART预训练模型根据文本分类和摘要任务微调，用于实现新闻分类和新闻摘要。通过Transformers与PyTorch进行模型的搭建与训练，通过FastAPI提供Web服务。束搜索（Beam Search）是一种启发式搜索算法，广泛应用于自然语言处理（NLP）任务中，特别是在序列生成任务中。束搜索是一种改进的贪心搜索算法，它在一定程度上平衡了搜索效率和结果质量。在序列生成任务中，模型需要从一个可能的词汇表中逐步生成输出序列。
2026-03-05 09:00:00
397
原创 61、大模型项目实战之地址对齐
本项目旨在训练并搭建一个地址对齐服务，用于将地址文本信息中的省市区县等信息抽取出来组成结构化数据，并对地址信息进行校验。"""加载模型参数"""try:print("模型参数文件不存在，使用默认参数")loss = 0.0# 将每个字符串拆成字列表：确保 tokenizer 能按字对齐 word_ids# 处理子词。
2026-03-04 09:00:00
200
原创 60、AI大模型技术之智能商品发布（案例实操）
本章的任务是编写训练脚本，训练过程如下：1）加载数据：通过 get_dataloader 加载训练数据。2）定义优化器与损失函数：使用 Adam 优化器和 交叉熵损失 来优化模型。3）训练循环：每一轮（epoch）执行前向传播、损失计算、反向传播和梯度更新。4）日志记录：使用 TensorBoard 记录训练过程中的损失，并提供可视化的训练曲线。5）保存最佳模型：在训练过程中，如果当前epoch的训练损失比历史最优损失更低，保存当前模型。
2026-03-02 08:00:00
864
原创 59、AI大模型技术之智能商品发布（项目简介及开发环境准备）
该模型的核心结构包括 BERT编码器 和一个 分类头，如下：BERT编码器：从预训练的BERT模型中获取商品标题的上下文表示。分类头：将BERT输出的 [CLS] token 表示通过一个线性层映射到品类空间，实现分类任务。"""初始化分类模型。:param freeze_bert: 是否冻结 BERT 编码器的参数（默认冻结，仅训练分类器）"""# 加载预训练的 BERT 模型# 定义分类器：将 BERT 输出的 CLS 向量映射到类别空间。
2026-02-27 22:04:27
669
原创 4、Spring AI Alibaba(SAA)零基础速通实战之ChatClient VS ChatModel
生产推荐混合使用,两者不是非此即彼，可以同时出现交替使用对比关注公众号"开源创富指南"，第一时间解锁更多技术。
2026-02-26 17:32:56
548
原创 58、AI大模型技术之Hugging Face生态
在使用 Hugging Face 提供的预训练模型时，通常需要同时加载 Tokenizer 和模型本体。它们是成对设计、配套使用的，确保文本输入经过正确处理后能被模型准确理解。Tokenizer 是将原始文本转换为模型输入的核心工具，其功能包括：将文本切分为子词（subword）单元；将子词映射为整数 ID（即input_ids）；自动添加特殊符号（如 [CLS]、[SEP]）；对输入进行截断、补齐（padding）；
2026-02-26 08:00:00
879
原创 57、AI大模型技术之Tensorboard快速入门
在 PyTorch 中使用 TensorBoard 的基本流程如下：（1）使用 torch.utils.tensorboard.SummaryWriter 将数据写入日志文件。（2）启动 TensorBoard 服务，让其监听指定日志目录。（3）使用浏览器访问 TensorBoard 页面，查看可视化结果，如标量曲线、直方图等。
2026-02-25 07:00:00
1339
原创 56、AI大模型技术之NLP核心（7、Transformer API使用以及案例实操（中英翻译V3.0）)
GPT（Generative Pre-trained Transformer）是首个系统性提出“预训练 + 微调”范式的语言模型，由 OpenAI 于 2018 年 6 月发布，论文题为《Improving Language Understanding by Generative Pre-Training》。GPT 的核心设计理念体现在两个方面：预训练方式以“在给定前文条件下预测下一个词”为目标，对大规模非标注语料执行语言建模，令模型逐步掌握词汇分布、语法结构及长程依赖。微调方式。
2026-02-15 09:30:00
1723
原创 54、AI大模型技术之NLP核心（6、Transformer解码器以及模型训练与推理机制)
Transformer 解码器的主要功能是：根据编码器的输出，逐步生成目标序列中的每一个词。其生成方式采用自回归机制（autoregressive）：每一步的输入由此前已生成的所有词组成，模型将输出一个与当前输入长度相同的序列表示。我们只取最后一个位置的输出，作为当前步的预测结果。这一过程会不断重复，直到生成特殊的结束标记 ，表示序列生成完成。编码器也由多个结构相同的解码器层堆叠组成。
2026-02-11 22:00:00
558
原创 55、AI大模型技术之NLP核心（6、Transformer API使用以及案例实操（中英翻译V3.0）)
PyTorch 提供了对 Transformer 的官方实现，该模块封装了完整的编码器-解码器结构，可直接应用于机器翻译、文本生成等典型的序列建模任务。6.4.2核心类PyTorch 中的 Transformer 模块由以下几个核心类构成：封装了完整的 Transformer架构，由编码器和解码器组成。作为顶层接口，适用于需要同时使用编码器和解码器的任务，如机器翻译。支持用户通过参数自定义层数、注意力头数、隐藏维度等模型结构。
2026-02-11 17:53:06
691
原创 53、AI大模型技术之NLP核心（6、Transformer模型核心结构以及编码器)
此前的Seq2Seq模型通过注意力机制取得了一定提升，但由于整体结构仍依赖 RNN，依然存在计算效率低、难以建模长距离依赖等结构性限制。为了解决这些问题，Google在2017 年发表一篇论文《Attention Is All You Need》，提出了一种全新的模型架构——Transformer。该模型完全摒弃了 RNN 结构，转而使用注意力机制直接建模序列中各位置之间的关系。通过这种方式，Transformer不仅显著提升了训练效率，也增强了模型对长距离依赖的建模能力。
2026-02-09 11:59:52
674
原创 52、AI大模型技术之NLP核心（5、Attention机制)
传统的 Seq2Seq 模型中，编码器在处理源句时，无论其长度如何，最终都只能将整句信息压缩为一个固定长度的上下文向量，用作解码器的唯一参考。这种设计存在两个显著问题：信息压缩困难：固定向量难以完整表达长句或复杂语义，容易丢失关键信息；缺乏动态感知：解码器在每一步生成中都只能依赖同一个上下文向量，难以根据不同位置的生成需要灵活提取信息。为了解决上述问题，研究者引入了 Attention 机制。
2026-02-06 12:00:00
974
原创 51、AI大模型技术之NLP核心（4、Seq2Seq模型)
传统的自然语言处理任务（如文本分类、序列标注）以静态输出为主，其目标是预测固定类别或标签。然而，现实中的许多应用需要模型动态生成新的序列，例如：机器翻译：输入中文句子，输出对应的英文翻译。文本摘要：输入长篇文章，生成简短的摘要。问答系统：输入用户问题，生成自然语言回答。对话系统：输入对话历史，生成连贯的下一条回复。这些任务具有两个关键共同点：输入和输出均为序列（如词、字符或子词序列）。
2026-02-05 12:00:00
842
原创 50、AI大模型技术之NLP核心（3、传统序列模型)
在自然语言中，词语的顺序对于理解句子的含义至关重要。虽然词向量能够表示词语的语义，但它本身并不包含词语之间的顺序信息。为了解决这一问题，研究者提出RNN（Recurrent Neural Network，循环神经网络）。RNN 会逐个读取句子中的词语，并在每一步结合当前词和前面的上下文信息，不断更新对句子的理解。通过这种机制，RNN 能够持续建模上下文，从而更准确地把握句子的整体语义。因此RNN曾是序列建模领域的主流模型，被广泛应用于各类NLP任务。
2026-02-03 08:00:00
1771
原创 49、AI大模型技术之NLP核心（2、文本表示）
目前市面上可用于中文分词的工具种类繁多，按照实现方式大致可以分为如下两类：1一类是基于词典或模型的传统方法，主要以“词”为单位进行切分；2另一类是基于子词建模算法（如BPE）的方式，从数据中自动学习高频字组合，构建子词词表。前者的代表工具包括 jieba、HanLP等，这些工具广泛应用于传统 NLP 任务中。后者的代表工具包括 Hugging Face Tokenizer、SentencePiece、tiktoken等，常用于大规模预训练语言模型中。
2026-02-02 08:00:00
1019
原创 48、AI大模型技术之NLP核心（1、NLP导论）
自然语言处理（Natural Language Processing, NLP），是人工智能领域的一个重要分支。自然语言，指人类日常使用的语言（如中文、英文），NLP 的目标是让计算机“理解”或“使用”这些语言。
2026-01-30 09:00:00
888
原创 47、AI大模型技术之智图寻宝项目实战（6Web模块及测试训练模型）
1）将资料目录下的logo目录整个复制到web包的根目录下2）将资料目录下的pictures目录整个复制到web包的根目录下3）在web包下创建templates目录本章节涉及的所有资料均放置在网盘，没有加密没有过期时间4）在templates目录下创建index.html5）在web包根目录下创建web_app.py。
2026-01-29 09:00:00
290
原创 46、AI大模型技术之智图寻宝项目实战（4相似图片检索模块）
该模块将原图像作为训练集的输入和目标输出，通过自编码器完成图像重建。自编码器由编码器+解码器构成，通过编码器处理之后，图像特征被提取为高维向量。这些向量可以通过解码器重建为图像。我们将原始数据集的所有图片经过编码器处理，存储生成的所有高维向量作为向量数据库。用户输入图像时，首先通过编码器提取出高维向量，然后通过KNN算法在上文构建的向量数据库中检索相似向量，然后通过解码器将这些向量重建为图像，返回给用户，这就实现了相似图像的检索。
2026-01-28 07:30:00
426
原创 43、AI大模型技术之智图寻宝项目实战（1环境准备）
本项目开发了一个基于深度学习的智能商品识别系统，采用PyTorch框架和Flask Web服务，包含三大核心功能：商品相似度搜索、图像去噪处理和商品分类识别。系统通过自编码器实现图像去噪，CNN模型完成商品分类，并利用KNN算法进行相似商品检索。项目采用模块化设计，包括图像处理、分类、检索和Web交互四个模块，适用于电商平台等场景。环境配置方面提供了详细的conda虚拟环境搭建指南和PyCharm项目创建步骤，所需技术栈涵盖PyTorch、Flask、PIL等工具库。
2026-01-24 19:20:47
635
原创 3、Spring AI Alibaba(SAA)零基础速通实战之Ollama私有化部署和对接本地大模型
本文介绍了如何在本地部署Ollama大模型工具，并实现与微服务的对接。主要内容包括：1）Ollama的下载安装与路径配置；2）通义千问和DeepSeek等大模型的安装验证；3）通过Spring Boot项目整合Ollama，提供完整的POM依赖和YML配置示例。文章详细演示了从环境准备到模型运行的全过程，使开发者能够在本地快速搭建AI开发环境，为后续的模型微调与应用开发奠定基础。
2026-01-23 18:00:00
355
原创 2、Spring AI Alibaba(SAA)零基础速通实战之永远的HelloWorld
本文介绍了如何基于SpringAI Alibaba框架整合阿里云百炼平台的通义大模型进行开发。首先明确了版本依赖关系，提供了SpringAI Alibaba与SpringAI、SpringBoot的兼容性参考。然后详细说明了接入阿里百炼平台的步骤，包括获取API Key、模型名称和baseUrl开发地址。接着演示了在IDEA中创建父工程SpringAIAlibaba-V1的过程，配置了pom文件管理依赖版本。最后通过开发5步骤指导创建子模块SAA-01HelloWorld，包括建立模块和修改pom文件配置。
2026-01-22 07:30:00
620
3
原创 1、Spring AI Alibaba(SAA)零基础速通实战之理论概述
摘要：Spring AI Alibaba是阿里云推出的Java AI开发框架，基于Spring AI构建，为Java开发者提供了接入通义系列大模型及本地模型的便捷方案。该项目填补了Java生态在AI工具链上的空白，包含模型API、向量存储等核心组件，支持RAG等高级功能。相比Python生态的LangChain，SAA更贴合Spring开发者习惯，提供官方文档、示例仓库等丰富资源。目前1.0 GA版本已发布，下期将演示具体开发实战。（149字）
2026-01-21 07:30:00
1174
原创 42、AI大模型技术之深度学习（3、PyTorch深度学习、卷积神经网络、循环神经网络）
PyTorch中已经实现了神经网络中可能用到的各种激活函数，我们在代码中只要直接调用即可。7.1.2Tanh函数Tanh函数与其导数图像绘制代码：7.1.3ReLU函数ReLU函数与其导数图像绘制代码：7.1.4Softmax函数在神经网络框架中，由多个层组成的组件称之为 模块（Module）。在PyTorch中模型就是一个Module，各网络层、模块也是Module。Module是所有神经网络的基类。在定义一个Module时，我们需要继承torch.nn.Module并主要实现两个方
2026-01-07 09:30:00
830
原创 41、AI大模型技术之深度学习（2、反向传播算法、神经网络学习技巧、PyTorch简介）
PyTorch是一个开源的Python机器学习库，基于Torch库（一个有大量机器学习算法支持的科学计算框架，有着与Numpy类似的张量（Tensor）操作，采用的编程语言是Lua），底层由C++实现，应用于人工智能领域，如计算机视觉和自然语言处理。PyTorch主要有两大特征：类似于NumPy的张量计算，能在GPU或MPS等硬件加速器上加速。基于带自动微分系统的深度神经网络。PyTorch官网：https://pytorch.org/。
2026-01-04 07:30:00
588
原创 40、AI大模型技术之深度学习（1、深度学习概述、神经网络基础、神经网络基础）
深度学习作为机器学习的一个分支，专注于使用多层神经网络（深度神经网络）来建模和解决问题。人脑中有很多相互连接的神经元，当大脑处理信息时，这些神经元之间通过电信号和化学物质相互作用，在大脑的不同区域之间传递信息。神经网络使用人工神经元模仿这种生物现象，这些人工神经元由称为节点的软件模块构成，使用数值计算来进行通信和传递信息。
2025-12-31 07:30:00
889
原创 39、AI大模型技术之机器学习（3、感知机、其他监督学习、无监督学习）
朴素贝叶斯（naive Bayes）法是一种基于概率的机器学习算法。它基于贝叶斯定理，并假设特征之间相互独立（这就是“朴素”的来源）。朴素贝叶斯法实现简单，学习与预测的效率都很高，是一种常用方法，在许多场景下表现得非常好，如文本分类（垃圾邮件检测）、情感分析等。决策树（Decision Tree）是一种基于树形结构的算法，根据一系列条件判断逐步划分数据，缩小范围，最终得出预测结果。决策树由4部分组成：根节点：树的节点，包含所有数据。内部节点：表示特征上的判断条件。
2025-12-25 07:00:00
723
原创 38、大模型技术之机器学习（2、knn算法、线性回归、逻辑回归）
线性回归（Linear Regression）是一种用于建模两个或多个变量之间线性关系的统计方法。它通过拟合一条直线（或超平面）来描述自变量（输入特征）与因变量（输出目标）之间的关联，并可用于预测或分析变量间的影响关系。2）多元线性回归包含多个自变量：y=β0+β1x1+β2x2+…+βnxn。信用评分：预测客户是否会违约（违约/不违约）。欺诈检测：预测某笔交易是否是欺诈行为。垃圾邮件检测：预测一封邮件是否是垃圾邮件（垃圾邮件/非垃圾邮件）。
2025-12-24 08:00:00
906
原创 37、大模型技术之机器学习（1、概述以及基本理论）
特征工程（Feature Engineering）是机器学习过程中非常重要的一步，指的是通过对原始数据的处理、转换和构造，生成新的特征或选择有效的特征，从而提高模型的性能。简单来说，特征工程是将原始数据转换为可以更好地表示问题的特征形式，帮助模型更好地理解和学习数据中的规律。优秀的特征工程可以显著提高模型的表现；反之，忽视特征工程可能导致模型性能欠佳。实际上，特征工程是一个迭代过程。特征工程取决于具体情境。它需要大量的数据分析和领域知识。
2025-12-22 08:00:00
879
原创 36、大模型技术之数学基础（导数、线性代数、概率论）
导数（derivative）是微积分中的一个概念。函数在某一点的导数是指这个函数在这一点附近的变化率（即函数在这一点的切线斜率）。导数的本质是通过极限的概念对函数进行局部的线性逼近。
2025-12-19 08:00:00
899
原创 35、大模型技术之numpy与pandas1.0（第 3 章Pandas详情实战下）
透视表（pivot table）是各种电子表格程序和其他数据分析软件中一种常见的数据汇总工具。它可以根据多个行分组键和多个列分组键对数据进行聚合，并根据行和列上的分组键将数据分配到各个矩形区域中。1）什么是MatplotlibMatplotlib是一个Python绘图库，广泛用于创建各种类型的静态、动态和交互式图表。它是数据科学、机器学习、工程和科学计算领域中常用的绘图工具之一。
2025-12-17 08:00:00
882
原创 34、大模型技术之numpy与pandas1.0（第 3 章Pandas详情实战上）
Pandas 是一个开源的数据分析和数据处理库，它是基于 Python 编程语言的。Pandas 提供了易于使用的数据结构和数据分析工具，特别适用于处理结构化数据，如表格型数据（类似于Excel表格）。Pandas 是数据科学和分析领域中常用的工具之一，它使得用户能够轻松地从各种数据源中导入数据，并对数据进行高效的操作和分析。用得最多的pandas对象是Series，一个一维的标签化数组对象，另一个是DataFrame，它是一个面向列的二维表结构。
2025-12-16 08:00:00
1588
原创 33、大模型技术之numpy与pandas1.0（第 2 章Numpy）
numpy是Python中科学计算的基础包。它是一个Python库，提供多维数组对象、各种派生对象（例如掩码数组和矩阵）以及用于对数组进行快速操作的各种方法，包括数学、逻辑、形状操作、排序、选择、I/O 、离散傅里叶变换、基本线性代数、基本统计运算、随机模拟等等。numpy的部分功能如下：1ndarray，一个具有矢量算术运算和复杂广播能力的快速且节省空间的多维数组。2用于对整组数据进行快速运算的标准数学函数（无需编写循环）。3用于读写磁盘数据的工具以及用于操作内存映射文件的工具。
2025-12-11 08:00:00
843
原创 32、大模型技术之numpy与pandas1.0（第一章环境搭建Anaconda及Jupyter）
简单来说，Anaconda = Python + 包和环境管理器（Conda）+ 常用库 + 集成工具。它适合那些需要快速搭建数据科学或机器学习开发环境的用户。Anaconda和Python相当于是汽车和发动机的关系，安装Anaconda后，就像买了一台车，无需自己去安装发动机和其他零配件，而Python作为发动机提供Anaconda工作所需的内核。
2025-12-09 08:00:00
826
orange_rbac.sql
2021-09-05
eureka集群搭建源码
2020-12-13
ftp_upload.zip
2020-09-05
wxzhibo.zip
2020-07-02
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人