精选(人工智能+AIGC)-高级
分享
扫一扫
文章平均质量分 81
本专栏主要涵盖最新人工智能、区块链领域的高级和资深级技术文章，以论文和前沿技术研究探讨和跟踪为主，均为博主精心总结、紧跟前沿、逐步优化、学以致用。文章重点处均有颜色标注，方便阅读和查看。
优惠券已抵扣
余额抵扣
还需支付
¥199.90
¥299.90
购买须知?
本专栏为图文内容，最终完结不会低于15篇文章。
订阅专栏，享有专栏所有文章阅读权限。
本专栏为虚拟商品，基于网络商品和虚拟商品的性质和特征，专栏一经购买无正当理由不予退款，不支持升级，敬请谅解。
一个处女座的程序猿
2025年初博主2本新书(机器学习耗时5年/大模型耗时3年)即将开售！人工智能硕学历，拥有十多项发专利(6项)和软著(9项)，包括国际期刊SCI内多篇论文，多个国家级证书(2个国三级、3个国四级)，曾获国内外“人工智能算法”竞赛(包括国家级省市级等，一等奖5项、二等奖4项、三等奖2项)证书十多项，以上均第一作者身份，并拥有省市校级个人荣誉证书十多项。目前也是国内知名博主，连续3年获优快云十大博客之星，荣获达摩院评测官、阿里社区/优快云/华为社区等十多个开发者社区专家博主荣誉，曾受邀阿里/华为/谷歌等社区采访-评审-论坛几十次。截止2022年，AI领域粉丝超100万，文章阅读量超5000万
展开
-
ML之LIME：基于boston波士顿房价数据集回归预测利用LIME/SP-LIME局部解释图/权重图结合RF随机森林模型实现模型事后解释案例之详细攻略实现
ML之LIME：基于boston波士顿房价数据集回归预测利用LIME/SP-LIME局部解释图/权重图结合RF随机森林模型实现模型事后解释案例之详细攻略实现目录基于boston波士顿房价数据集回归预测利用LIME/SP-LIME局部解释图/权重图结合RF随机森林模型实现模型事后解释案例相关文章ML之LIME：基于boston波士顿房价数据集回归预测利用LIME/SP-LIME局部解释图/权重图结合RF随机森林模型实现模型事后解释案例之详细攻略ML之LIME：基于boston波士顿房价数原创 2022-06-24 19:54:45 · 84 阅读 · 0 评论 -
安装Eric7之成功解决PyQt could not be imported. Please make sure it is installed and accessible
安装Eric7之成功解决PyQt could not be imported. Please make sure it is installed and accessible目录解决问题解决思路解决方法解决问题PyQt could not be imported. Please make sure it is installed and accessible解决思路eric7 报错显示 "PyQt could not be imported. Please ma原创 2024-12-25 23:47:01 · 1325 阅读 · 0 评论 -
成功解决GPU和Cuda环境下执行torch.__version__输出2.0.1+cpu而不是正确版本(如2.1.0+cu121)等类似问题？
成功解决GPU和Cuda环境下执行torch.__version__输出2.0.1+cpu而不是正确版本(如2.1.0+cu121)等类似问题？目录解决问题解决思路解决方法解决问题GPU和Cuda环境下执行torch.__version__输出2.0.1+cpu而不是正确版本(如2.1.0+cu121)等类似问题import torchprint(torch.__version__)print(torch.version.cuda)print(torch.cuda原创 2024-12-25 23:36:45 · 1266 阅读 · 0 评论 -
LLMs之ChatGPT：ChatGPT核心技术原理讲解之OpenAI 联合创始人Karpathy在微软年度开发者大会的演讲分享《State of GPT》如何训练GPT+RLHF对比SFT+如何使用
LLMs之ChatGPT：ChatGPT核心技术原理讲解之OpenAI 联合创始人Karpathy在微软年度开发者大会的演讲分享《State of GPT》如何训练GPT+RLHF对比SFT+如何使用GPT？LLMs之ChatGPT：ChatGPT核心技术原理讲解之训练GPT(预训练阶段【数据收集→token 化→超参数→批组化→评估模型→微调下游任务/少样本prompt】+SFT监督式微调阶段+RLHF【奖励建模+RL】+ChatGPT(RLHF模型)对比 Kuna(SFT模型)、使用 GPT(序原创 2023-05-31 00:47:27 · 135 阅读 · 0 评论 -
LLMs：深度剖析训练大语言模型、训练RLHF奖励模型之间的联系和区别—多维度对比(目标/损失函数/数据类型/算法/训练方法/训练过程/评估指标/迭代过程/部署)之详细攻略
LLMs：深度剖析训练大语言模型和训练训练RLHF奖励模型之间的联系和区别—多维度对比(目标/损失函数/数据类型/算法/训练方法/训练过程/评估指标/迭代过程/部署)之详细攻略目录深度剖析训练大语言模型和训练训练RLHF奖励模型之间的联系和区别—多维度对比(目标/损失函数/数据类型/算法/训练方法/训练过程/评估指标/迭代过程/部署)深度剖析训练大语言模型和训练训练RLHF奖励模型之间的联系和区别—多维度对比(目标/损失函数/数据类型/算法/训练方法/训练过程/评估指标/迭代原创 2024-12-03 21:40:45 · 1293 阅读 · 0 评论 -
LLMs之stream：大模型中常用的stream=True流式传输机制的简介、本质原理、优点、常见的实现方案之详细攻略
LLMs之stream：大模型中常用的stream=True流式传输机制的简介、本质原理、优点、常见的实现方案之详细攻略目录大模型中常用的stream=True流式传输机制的简介大模型中常用的stream=True流式传输机制的常用方案大模型中常用的stream=True流式传输机制的简介大模型中流式传输机制代码案例LLMs本身生成文本较长、减少服务器端的内存占用(因不需要保存整个响应内容)、应用中需要快速反馈/实时交互等需求痛点# pip install zhipu原创 2024-10-10 23:08:33 · 1262 阅读 · 0 评论 -
LLMs之CodeShell：利用cmd命令基于HumanEval标准(163个生成代码的prompt)测试CodeShell模型得出模型生成代码并保存到txt文件的实战代码
LLMs之CodeShell：利用cmd命令基于human_eval标准(163个生成代码的prompt)测试CodeShell模型得出模型生成代码并保存到txt文件的实战代码利用cmd命令基于human_eval标准(163个生成代码的prompt)测试CodeShell模型得出模型生成代码并保存到txt文件实战代码# LLMs之CodeShell：利用cmd命令基于human_eval标准(163个生成代码的prompt)测试CodeShell模型得出模型生成代码并保存到txt文件的实战原创 2023-11-14 23:48:03 · 1687 阅读 · 0 评论 -
LLM之KG：利用大语言模型(LLM)对文本语料提取概念和概念之间的语义关系进而实现自动构建知识图谱
LLM之KG：利用大语言模型(LLM)对文本语料提取概念和概念之间的语义关系进而实现自动构建知识图谱目录利用大语言模型(LLM)对文本语料提取概念和概念之间的语义关系进而实现自动构建知识图谱利用大语言模型(LLM)对文本语料提取概念和概念之间的语义关系进而实现自动构建知识图谱知识图谱简介知识图谱（Knowledge Graph）是一个语义网络，表示现实世界实体及其相互关系。实体可以是对象、事件、情境或概念。知识图谱通常以图形结构存储在图数据库中，使信息的可视化和查询更加直观。原创 2024-08-13 23:38:02 · 1456 阅读 · 0 评论 -
LLMs之benchmark：利用lm-evaluation-harness工具对LLMs实现C-Eval基准测试(如Yi-34B/chatglm-4-9b/Qwen-2-7B/LLaMA-3等)实战
LLMs之benchmark：利用lm-evaluation-harness对进行C-Eval测试(如Yi-34B/chatglm-4-9b/Qwen-2-7B/LLaMA-3等)实战代码并输出得分图文教程之详细攻略目录利用lm-evaluation-harness对模型实现C-Eval测试利用lm-evaluation-harness对模型实现C-Eval测试1、先安装lm-evaluation-harnesssource /etc/net原创 2024-06-13 02:34:26 · 969 阅读 · 0 评论 -
DL之self-attention：self-attention自注意力机制的简介(背景、特点、改进对比、传统对比、关系、应用，适合长距离捕获分析)、计算过程(八大步骤)、案例应用之详细攻略
DL之self-attention：self-attention自注意力机制的简介(背景、特点、改进对比、传统对比、关系、应用，适合长距离捕获分析)、计算过程(八大步骤)、案例应用之详细攻略目录Self-Attention算法的概述Self-Attention算法的计算过程Self-Attention算法的概述Self-Attention算法的简介(背景、特点、改进对比、传统对比、关系、应用)Self Attention在同一个英语句子内单词间产生的联系如下所示可以看原创 2019-08-27 20:40:50 · 6272 阅读 · 2 评论 -
ML：LightGBM算法的原理讲解之六大技巧(速度和内存使用的优化、稀疏优化、精度优化、通信优化、分布式学习优化、GPU加速)、三大策略(节点分裂策略思路/构建直方图的思路/处理类别型特征的思路)
ML之LightGBM：LightGBM算法的原理讲解之六大技巧(速度和内存使用的优化、稀疏优化、精度优化、通信优化、分布式学习优化、GPU加速)、三大策略(节点分裂策略思路/构建直方图的思路/处理类别型特征的思路)目录相关文章一、LightGBM算法的原理讲解二、LightGBM算法的原理讲解之六大技巧—速度和内存使用的优化、稀疏优化、精度优化、通信优化、分布式学习优化、GPU加速三、LightGBM算法策略技巧的解答疑惑相关原创 2019-05-27 16:36:03 · 86 阅读 · 0 评论 -
IDE之Eric：Python的IDE之eric的简介、安装、使用方法之详细攻略
IDE之Eric：Python的IDE之eric的简介、安装、使用方法之详细攻略目录Eric的简介Eric的安装Eric的使用方法(配置)Erci开发pyqt简单步骤PyQt常用函数总结Eric的简介 Eric是一个完整的Python编辑器和IDE，用Python编写。它是基于跨平台QT-UI工具包，集成了高度灵活的闪烁编辑器控件。...原创 2018-05-24 21:57:01 · 21185 阅读 · 10 评论 -
ML之ME：机器学习中模型评估指标—分类预测问题(ER误分类率、CE的五大指标(ACC、Precision、Recall、F1、AUC)简介、使用方法、代码实现、案例应用之详细攻略
ML之ME：机器学习中模型评估指标—分类预测问题(ER误分类率、CE的五大指标(ACC、Precision、Recall、F1、AUC)简介、使用方法、代码实现、案例应用之详细攻略目录分类预测的简介分类预测问题中评价指标(ER/ROC-AUC/P-R-F1/RP/mAP)简介分类预测相关指标—混淆矩阵CE的五大指标分类预测的案例应用分类预测的简介 分类预测是机器学习和数据科学领域的主要内容，分为二分类预测任务和多分类预测任务。原创 2018-09-04 10:44:11 · 12250 阅读 · 2 评论 -
ML之CF：基于MovieLens电影评分数据集利用基于用户协同过滤算法(基于cosine的NNeighbors)实现对用户进行Top5电影推荐案例—加载数据集→数据预处理(将原始ratings评分数
ML之CF：基于MovieLens电影评分数据集利用基于用户协同过滤算法(基于cosine的NearestNeighbors)实现对用户进行Top5电影推荐案例—加载数据集→数据预处理(将原始ratings评分数据转化为用户-物品评分矩阵)→划分数据集并创建矩阵→模型训练(采用无监督的NNeighbors算法实现用户-用户的协同过滤算法)→模型评估(回归评估【RMSE/MAE】+分类评估【P/R/F1/AUC/覆盖率coverage_TestONTrain】/MAP_by_All/MAP_by_TopK原创 2024-06-25 01:35:59 · 457 阅读 · 0 评论 -
NLP之Sentiment：文本情感分析/情感分类(TSA/SC)的简介、常用方案、案例应用之详细攻略
NLP之TEA：自然语言处理之文本情感分析的简介、算法、应用、实现流程、实现方法之详细攻略目录TEA的简介TEA的应用TEA的实现流程TEA的实现方法T1、词袋模型TEA的案例应用TEA的简介 文本情感分析：又称意见挖掘、倾向性分析等。简单而言,是对带有情感色彩的主观性文本进行分析、处理、归纳和推理的过程。互联网(如博客和...原创 2019-02-17 13:08:14 · 10344 阅读 · 1 评论 -
成功解决TypeError: multiple bases have instance lay-out conflict
成功解决TypeError: multiple bases have instance lay-out conflict目录解决问题解决思路解决方法解决问题TypeError: multiple bases have instance lay-out conflictTraceback (most recent call last):File "E:\File_Python\Python_daydayup\20230927.py", line 11, in原创 2024-06-05 00:25:43 · 1411 阅读 · 0 评论 -
LLMs：大语言模型领域相关的基础概念详解(比如函数调用/代码解释器/工具调用之间的区别与联系等等)之详细攻略
LLMs：大语言模型领域相关的基础概念详解(比如函数调用/代码解释器/工具调用之间的区别与联系等等)之详细攻略目录大语言模型领域相关的基础概念详解大语言模型领域相关的基础概念详解对比理解：函数调用(一段代码，实现某个特定任务)、代码解释器(一种软件，读取和执行)、工具调用(一个软件库/API/独立的程序，通常利用函数调用来实现)函数调用Function Call（函数调用）：函数调用是编程中的一个基本概念。函数是一段代码，可以执行特定的任务。当你想要执行这个函数时，你需要进行一个原创 2023-06-12 02:36:31 · 1476 阅读 · 0 评论 -
Python之Neo4j：利用Python编程将titanic泰坦尼克号数据集存储到 Neo4j数据库中并使用 Cypher语言进行查询(CLI方式查询/Web界面方式查询)代码实战
Python之Neo4j：利用Python编程将titanic泰坦尼克号数据集存储到 Neo4j数据库中并使用 Cypher语言进行查询(CLI方式查询/Web界面方式查询)代码实战目录利用Python编程将titanic泰坦尼克号数据集存储到 Neo4j数据库中并使用 Cypher语言进行查询(CLI方式查询/Web界面方式查询)代码实战# 一、打开neo4j的web端开启服务并在浏览器中打开界面# 二、python代码编程实现代码利用Python编程原创 2024-05-17 00:39:07 · 1428 阅读 · 0 评论 -
LLMs之PE：大模型核心技术—提示工程(Prompt Engineering)—拿来即用—实战应用技巧案例集合(如PC/CoT/ToT/ReACT/ScP/PCTS等思想，Broke/RTRWCO-
引导推理方法。原创 2024-05-11 00:00:28 · 2707 阅读 · 0 评论 -
Tool之Jmeter：本地端实现客户端与服务器的模拟交互获取压测数据之利用python代码的Flask框架编写的简单Web应用程序(提供一个 Web服务+接收来自客户端的 HTTP请求(通过JSON
Tool之Jmeter：本地端实现客户端与服务器的模拟交互获取压测数据之利用python代码的Flask框架编写的简单Web应用程序(提供一个 Web服务+接收来自客户端的 HTTP请求(通过JSON数据获取用户输入)+并根据请求中的数据返回相应的响应)，并利用Jmeter对该服务实现压测的图文教程案例目录本地端实现客户端与服务器的模拟交互获取压测数据1、编写python代码并启动该服务2、打开Jmeter软件配置参数并实现模拟压测输出报告本地端实现客户端与服务器原创 2024-05-01 00:56:14 · 1101 阅读 · 0 评论 -
DL之LSTM：基于正弦函数(输入)-余弦函数(目标输出)的数据集和TensorFlow框架利用LSTM算法预测时间序列数据(学习并拟合周期性模型)+动态实时真实值对比可视化
前缀调整通过在注意力机制的键和值部分添加可学习的权重，为模型提供了一种强大的微调手段，可以更好地捕捉任务特定的模式，并与提示调整等其他技术相辅相成，提供了一种灵活和强大的任务特定优化手段。原创 2024-05-03 00:27:01 · 895 阅读 · 0 评论 -
LLMs之Tokenizer之Unigram：Unigram分词方法的简介、使用方法、案例应用之详细攻略
Unigram源自N-gram，最简单的分词方式，而UnigramLM是一种基于语言模型的分词算法/切分技术，它使用已经切分好的词汇序列(比如Unigram)来训练n-gram语言模型，然后使用该模型来预测新的句子中的词汇切分位置。为了估计Unigram语言模型，它采用了期望最大化（EM）算法：在每次迭代中，我们首先根据旧的语言模型找到当前最优的单词分词方式，然后重新估计Unigram的概率以更新语言模型。此外，为了更好的子词抽样，我们提出了一种基于unigram语言模型的新的子词分割算法。原创 2024-02-05 00:47:01 · 1222 阅读 · 0 评论 -
LLMs之ToolAgent：基于LangChain框架(+LangSmith跟踪)来创建一个能够利用工具（如搜索引擎和文档检索器）以及参考聊天历史信息来响应用户输入的代理——定义工具转换为AGent
LLMs之Agent之Tool Calling Agent：基于LangChain框架(+LangSmith跟踪)来创建一个能够利用工具（如搜索引擎和文档检索器）以及参考聊天历史信息来响应用户输入的代理——定义工具转换为AGent格式并创建工具列表(Tavily【在线搜索】和和Retriever【本地检索】)→创建Agent(定义llm【ChatOpenAI+温度为0】和prompt+定义Agent【使用LLM、Prompt和Tools来初始化Agent】+定义Agent执行器【思考这些组件】)→创建并原创 2024-04-17 01:38:15 · 1562 阅读 · 0 评论 -
LangChain之Agent：LangChain框架中与Agent相关的概念简介、Agent分类(五大维度分类/8种代理)、常用函数、案例应用之详细攻略
LangChain之Agent：LangChain框架中与Agent相关的概念简介、Agent分类(五大维度分类/8种代理)、常用函数、案例应用之详细攻略目录LangChain框架中与Agent相关的概念简介、Agent分类(五大维度分类/8种代理)、常用函数、案例应用之详细攻略LangChain框架中与Agent相关的概念简介LangChain框架中Agent的分类LangChain框架中与Agent相关的常用函数LangChain框架中与Agent相关的案原创 2024-04-17 02:59:44 · 1452 阅读 · 0 评论 -
LLMs之LangChain：LangChain(开发和构建)、LangSmith(生产化/跟踪)、LangServe(部署为API)的基础使用案例教程—利用LangChain开发和构建LLM的应用程
LLMs之LangChain：LangChain(开发和构建)、LangSmith(生产化/跟踪)、LangServe(部署为API)的基础使用案例教程—利用LangChain开发和构建LLM的应用程序(构建LLM链/检索链/对话检索链/构建Agent)代码实现教程之详细攻略目录LangChain(开发和构建)、LangSmith(生产化/跟踪)、LangServe(部署为API)的基础使用案例教程—利用LangChain开发和构建LLM的应用程序(构建LLM链/检索链/对话检索链/构建Agen原创 2024-04-11 01:25:10 · 2400 阅读 · 0 评论 -
LLMs之FineTuning：Alpaca格式/Vicuna的sharegpt 格式数据集简介、利用多种方式构造或转换指令微调格式数据集实战——利用LLaMA-Factory框架的dataset_i
LLMs之FineTuning：常用指令微调格式数据集的简介(Alpaca格式/Vicuna的sharegpt 格式)、利用多种方式构造或转换指令微调格式数据集实战——利用LLaMA-Factory框架的dataset_info.json 中通过指定--dataset dataset_name参数实现alpaca 格式/sharegpt 格式数据集及各部分字段的对应关系→以便正确读取和利用数据集内容训练模型目录常用指令微调格式数据集的简介综合实战常用指令微调格式数据集原创 2024-04-08 22:25:50 · 3864 阅读 · 0 评论 -
LLMs之ChatGLM-3：ChatGLM3源码解读(inference_hf.py)微调模型实现基于用户指定模型的目录和提示实现模型生成的响应——利用Typer和Transformers库构建了一
LLMs之ChatGLM3：ChatGLM3源码解读(inference_hf.py)微调模型实现基于用户指定模型的目录和提示实现模型生成的响应——利用Typer和Transformers库构建了一个命令行工具，可以方便地加载预训练的语言模型并进行对话生成目录ChatGLM3源码解读(inference_hf.py)微调模型实现基于用户指定模型的目录和提示实现模型生成的响应——利用Typer和Transformers库构建了一个命令行工具，可以方便地加载预训练的语言模型并进行对话生成# 1、原创 2024-02-22 23:55:04 · 294 阅读 · 0 评论 -
LLMs之ChatGLM-3：ChatGLM3源码解读(finetune_hf.py)微调模型(评估/保存)实现生成任务——配置初始化(加载配置信息、分词器和模型(配置PEFT参数)、初始化数据管理器
LLMs之ChatGLM3：ChatGLM3源码解读(finetune_hf.py)微调模型实现生成任务——初始化模型训练环境→加载数据→配置模型→微调训练模型(支持SFT/Ptuning_v2/LoRA+可从检查点恢复)→模型评估(BLEU/ROUGE等)目录ChatGLM3源码解读(finetune_hf.py)微调模型实现生成任务——初始化模型训练环境→加载数据→配置模型→微调训练模型(支持SFT/Ptuning_v2/LoRA+可从检查点恢复)→模型评估(BLEU/ROUGE等)#原创 2024-03-03 23:52:02 · 819 阅读 · 0 评论 -
LLMs：文本生成任务常用的评估指标(BLEU/ROUGE/BERTScore等)的简介(核心原理+实现思路+实现代码)、使用方法、案例应用之详细攻略
LLMs：文本生成任务常用的评估指标(BLEU/ROUGE/BERTScore等)的简介(核心原理+实现思路+实现代码)、使用方法、案例应用之详细攻略目录文本生成任务常用的评估指标(BLEU/ROUGE等)的简介文本生成任务常用的评估指标(BLEU/ROUGE等)的使用方法文本生成任务常用的评估指标(BLEU/ROUGE等)的案例应用文本生成任务常用的评估指标(BLEU/ROUGE等)的简介在文本生成任务中，评估生成文本的质量是一个核心问题。常用的评估指标包括 BL原创 2020-01-14 22:51:53 · 932 阅读 · 1 评论 -
LLMs之PPL：解读多个权威文档(比如huggingface)中对PPL(困惑度)的定义、PPL的多种计算方式、多种代码实现
LLMs之PPL：解读多个权威文档(比如huggingface)中对PPL(困惑度)的定义、PPL的多种计算方式、代码实现目录Chinese-LLaMA-Alpaca-2项目中的PPL代码实现两种近似算法计算固定长度语言模型的困惑度文章地址：https://huggingface.co/docs/transformers/perplexityPerplexity of fixed-length models固定长度模型困困惑度PPL是GPT-St原创 2024-04-04 23:46:54 · 3034 阅读 · 1 评论 -
DL之GC：梯度检查点（Gradient Checkpointing，GC）的简介、实现代码、案例应用之详细攻略
DL之GC：梯度检查点（Gradient Checkpointing，GC）的简介、实现代码、案例应用之详细攻略目录相关论文梯度检查点（Gradient Checkpointing，GC）的简介梯度检查点的实现代码梯度检查点的案例应用相关论文《Training Deep Nets with Sublinear Memory Cost》翻译与解读地址论文地址：https://arxiv.org/abs/1604.06174时间2016年4月21日作者T原创 2020-01-12 09:55:02 · 905 阅读 · 1 评论 -
LLMs之ChatGLM-3：inference.py文件解读—实现一个简单的基于ChatGLM3的交互式语言模型+根据用户输入文本生成相应的响应
LLMs之ChatGLM3：inference.py文件解读—实现一个简单的基于ChatGLM3的交互式语言模型+根据用户输入文本生成相应的响应目录inference.py文件解读—实现一个简单的基于ChatGLM3的交互式语言模型+根据用户输入文本生成相应的响应全部代码inference.py文件解读—实现一个简单的基于ChatGLM3的交互式语言模型+根据用户输入文本生成相应的响应# 1、命令行参数解析和设置：使用 argparse 库解析命令行参数，其中包括模原创 2023-12-17 00:42:33 · 480 阅读 · 0 评论 -
LLMs之Grok-1：runners.py文件解读—基于JAX和设备分布的预训练语言模型inference服务+支持批量查询+利用设备资源高效推理同时可以被嵌入训练循环进行微调训练
LLMs之Grok-1：runners.py文件解读—基于JAX和设备分布的预训练语言模型inference服务+支持批量查询+利用设备资源高效推理同时可以被嵌入训练循环进行微调训练目录LLMs之Grok-1：runners.py文件解读—基于JAX和设备分布的预训练语言模型inference服务+支持批量查询+利用设备资源高效推理同时可以被嵌入训练循环进行微调训练runners.py文件解读—基于JAX和设备分布的预训练语言模型inference服务+支持批量查询+利用设备资源高效推理同时原创 2024-03-27 00:14:06 · 1300 阅读 · 2 评论 -
成功解决import win32gui ImportError: DLL load failed while importing win32gui: 找不到指定的程序
成功解决import win32gui ImportError: DLL load failed while importing win32gui: 找不到指定的程序目录解决问题解决思路解决方法解决问题import win32gui ImportError: DLL load failed while importing win32gui: 找不到指定的程序解决思路import win32gui导入错误:导入win32gui时加载DLL失败解决方法表明 Pytho原创 2024-03-17 03:29:42 · 2426 阅读 · 0 评论 -
成功解决If this call came from a _pb2.py file, your generated code is out of date and must be regenerate
数值型属性使用簇内所有对象的属性均值作为新的聚类中心，而类别型属性则使用出现频率最高的类别作为新的聚类中心。>> 距离计算方法：K-prototype算法使用欧氏距离计算数值型数据之间的距离，使用海明距离或简化的曼哈顿距离计算类别型数据之间的距离，具体采用了一种基于众数的距离计算方法，将分类型变量的距离定义为两个变量不同取值的数量。2、要求整理后的内容，把重复的内容尽量去掉，同时逻辑更加通顺，条理更加清楚，要尽量在表达清楚的同时尽量简约一下内容，但是前后逻辑一定要非常合理，上下文要足够连贯和条理清楚。原创 2024-03-16 01:50:47 · 2733 阅读 · 0 评论 -
ML之FE：基于MovieLens数据集利用二度关系图谱(用户和电影是节点+用户对电影的评分是边的权重)来构造特征(利用图论算法来提取特征信息【节点的中心性和聚类系数】)+采用RF算法训练和评估
ML之FE：基于MovieLens数据集利用二度关系图谱(用户和电影是节点+用户对电影的评分是边的权重)来构造特征(利用图论算法来提取特征信息【节点的中心性和聚类系数】)+采用RF算法训练和评估目录基于MovieLens数据集利用二度关系图谱(用户和电影是节点+用户对电影的评分是边的权重)来构造特征(利用图论算法来提取特征信息【节点的中心性和聚类系数】)+采用RF算法训练和评估基于MovieLens数据集利用二度关系图谱(用户和电影是节点+用户对电影的评分是边的权重)来构造特征(利用图论原创 2024-03-10 23:50:43 · 1317 阅读 · 0 评论 -
LLMs之HumanEval：HumanEval的简介、安装、使用方法之详细攻略
LLMs之HumanEval：HumanEval的简介、安装、使用方法之详细攻略目录HumanEval的简介HumanEval的安装HumanEval的使用方法HumanEval的简介HumanEval(手写评估集)，这是用于评估《Evaluating Large Language Models Trained on Code》论文中描述的HumanEval问题解决数据集的评估工具。GitHub地址：GitHub - openai/human-eval: Code for原创 2023-10-29 00:54:25 · 2484 阅读 · 0 评论 -
NLP之Sentiment之BiLSTM：基于IMDb电影评论数据集利用BiLSTM算法实现对电影评论进行情感分析二分类+模型训练过程可视化+模型推理实战代码之详细攻略
DL之RNN之BiLSTM：基于IMDb电影评论数据集利用BiLSTM算法实现对电影评论进行情感分析二分类+模型训练过程可视化+模型推理实战代码之详细攻略目录基于IMDb电影评论数据集利用BiLSTM算法实现对电影评论进行情感分析二分类+模型训练过程可视化+模型推理基于IMDb电影评论数据集利用BiLSTM算法实现对电影评论进行情感分析二分类+模型训练过程可视化+模型推理输出结果D:\ProgramData\Anaconda3\python.exe E:/File_Python/原创 2024-01-28 23:31:12 · 1294 阅读 · 0 评论 -
AI：人工智能关系概览—人工智能与数据挖掘/机器学习/深度学习/神经网络的概念定义与关系阐述、梳理之详细攻略(建议收藏)
AI：人工智能关系概览—人工智能与数据挖掘/机器学习/深度学习/神经网络的概念定义与关系阐述、梳理之详细攻略(建议收藏)目录相关文章01：《数据挖掘Vs机器学习Vs人工智能Vs深度学习》相关文章02：《人工智能与机器学习、深度学习与神经网络:有什么区别?》相关文章01：《数据挖掘Vs机器学习Vs人工智能Vs深度学习》地址文章地址：Difference in Data Mining Vs Machine Learning Vs Artif原创 2024-01-28 00:02:05 · 1703 阅读 · 0 评论 -
CV之DL之R-CNN：计算机视觉领域算法总结—R-CNN系列(R-CNN、Fast R-CNN、Faster R-CNN、R-FCN、Mask R-CNN、Cascade R-CNN、Libra R
CV之DL之R-CNN：计算机视觉领域算法总结—R-CNN系列(R-CNN、Fast R-CNN、Faster R-CNN、R-FCN、Mask R-CNN、Cascade R-CNN、Libra R-CNN各种对比)的简介、安装、案例应用之详细攻略目录相关文章R-CNN系列的简介R-CNN系列的安装R-CNN系列的案例应用相关文章我们从基于区域的目标检测器(Faster R-CNN, R-FCN, FPN)中学到了什么?地址地原创 2024-01-14 23:26:27 · 1950 阅读 · 1 评论