转身一夜琉璃白*-优快云博客

原创阿里云服务器从零配置 Selenium +MongoDB & Navicat 全流程避坑笔记

《服务器运维踩坑指南：磁盘清理、Selenium配置与MongoDB连接》总结了服务器运维常见问题及解决方案。针对AlmaLinux/CentOS系统，提供了磁盘爆满排查方法（lsof查找已删除文件占用空间），并给出Chromium浏览器与ChromeDriver版本匹配方案（通过chrome-for-testing仓库下载指定版本）。文章包含Selenium无头模式Python脚本示例，以及Navicat连接阿里云MongoDB的详细配置（注意SSL和公网白名单设置）。最后整理了常见错误速查表和关键命令清

2025-08-07 16:26:48 815

原创【Windows 10 系统下 MongoDB 8.0.4 完整安装教程（含开机自启动配置）】

本文详细介绍了在Windows 10系统上安装和配置MongoDB 8.0.4的完整流程。主要内容包括：通过Chocolatey或手动方式安装MongoDB到指定目录；配置环境变量；安装MongoDB Shell；启动和测试数据库连接；设置开机自启动（包括创建启动脚本和注册表配置）；创建管理员用户并启用身份验证；常用管理命令（服务管理、日志查看、数据库操作）以及故障排除方法。文章提供了详细的PowerShell命令和配置说明，特别适合需要在Windows环境下部署MongoDB的开发者和系统管理员参考。

2025-08-02 16:18:13 1124

原创 WSL环境下MySQL连接问题完整解决方案

*关键词：** WSL, MySQL, Python, 数据库连接, Navicat, Linux, Windows。- [WSL官方文档](https://docs.microsoft.com/en-us/windows/wsl/)注意现在显示的是 `TCP *:mysql` 而不是 `TCP localhost:mysql`。- **主机**: `192.168.146.41`（替换为您的WSL IP地址）- [MySQL官方文档](https://dev.mysql.com/doc/)

2025-07-30 19:52:10 1679

原创 DPO与PPO：强化学习优化算法通俗解析

DPO（Direct Preference Optimization）是一种直接基于偏好数据优化语言模型的算法，其核心流程包括：收集带偏好的问答数据集，初始化参考模型，通过概率比值计算隐式奖励，并直接优化策略模型。相比传统RLHF方法，DPO省去了强化学习交互和奖励模型训练环节。PPO（Proximal Policy Optimization）则是RLHF中的核心优化算法，通过概率比裁剪控制更新幅度。其完整流程包含：轨迹数据收集、优势函数计算、策略更新和价值函数更新等步骤，采用"固定问题+动态答

2025-07-05 16:02:45 2157

原创 2025年多智能体框架重磅盘点

PettingZoo：Python 生态下的多智能体强化学习环境集合，提供统一的 Agent-Environment Cycle（AEC）API，兼容 Gymnasium，拥有丰富的参考环境和工具。Ray RLlib：基于 Ray 分布式计算引擎的工业级强化学习库，原生支持多智能体强化学习（MARL），可灵活配置多策略与多 GPU 训练。：Unity 官方开源项目，利用游戏与仿真环境训练智能体，支持多智能体竞争与协作场景，集成 PyTorch 算法。Mava。

2025-07-04 16:43:05 2077 1

原创 IM-RAG：通过学习内心独白进行多轮检索增强生成

IM-RAG提出了一种基于内心独白学习机制的多轮检索增强生成框架。针对现有RAG系统灵活性不足、可解释性差等问题，该方法通过连接LLM与IR模块，实现上下文感知的多轮交互式检索。核心创新在于引入Reasoner、Retriever、Refiner和ProgressTracker四个组件，其中Reasoner动态切换提问/回答角色，Refiner优化检索结果，ProgressTracker提供中间奖励信号。实验表明，在HotPotQA数据集上达到SOTA性能（F1 82.5%），显著优于传统RAG和GPT-3

2025-07-04 16:22:20 1006

原创开放域问题回答中的密集段落检索

DPR通过将语料库中的段落（passages）编码为低维向量，并构建索引，对于给定的问题，DPR利用查询向量与语料库中各段落向量的相似度，迅速找到相关段落。余弦相似性cosine：它通常与内积关系密切，特别是在单位向量的情况下，余弦相似性等同于内积。与传统的1-of-N训练方法相比，批内负样本训练显著提升了DPR准确率，尤其使用“困难”负样本（高BM25分数但无答案的文档）时效果最佳。L2距离（欧几里得距离）：虽然在文中提到的是变换空间中的L2距离，通常L2距离是直接计算两个向量之间的欧几里得距离。

2024-12-03 15:00:53 2032

原创大语言模型LLM

其中，A将数据从d维降到r维，这个r是LoRA的秩，是一个重要的超参数；尽管这些大型语言模型与小型语言模型（例如BERT的3.3亿参数和GPT-2的15亿参数）使用相似的架构和预训练任务，但它们展现出截然不同的能力，尤其在解决复杂任务时表现出了惊人的潜力，这被称为“，通常用于图像处理和分析。基于Fine-Tuning的方法是让预训练模型去迁就下游任务，而基于Prompt-Tuning的方法可以让下游任务去迁就预训练模型, 其目的是将Fine-tuning的下游任务目标转换为Pre-training的任务.

2024-11-04 17:35:50 793

qq_51465828的博客