啊哈哈哈哈哈啊哈哈-优快云博客

原创 FDE 实战②｜从需求到落地：我们如何为一家连锁餐饮企业设计 AI 经营工作流？

本文以虚拟连锁餐饮企业为例，展示AI如何通过“AI店长”工作流实现从数据诊断到行动闭环的落地。聚焦经营数据分散、异常发现滞后等痛点，基于FDE（前线部署工程师）方法，拆解“日报生成—异常预警—原因诊断—任务派发—复查验证”九步流程，结合专家与技能模块，将多系统数据整合为可执行管理动作。强调AI不替代决策，而是提升问题发现与跟进效率，最终推动经营流程数字化、标准化。

2026-10-23 16:36:19 304

原创从技术到业务：FDE 如何打通企业 AI 落地的最后一公里?

本文探讨AI企业落地的关键角色—前线部署工程师（FDE），强调其在连接技术与业务、实现价值交付中的核心作用。面对需求模糊、系统复杂、持续迭代的AI项目，FDE通过深入业务现场，贯穿需求分析、方案设计、系统集成、智能应用落地与持续优化七阶段，推动技术真正融入企业流程。区别于传统全栈工程师，FDE更重业务理解与端到端交付，致力于缩小技术与业务之间的鸿沟。文章指出，AI落地的“最后一公里”不是工具交付，而是创造真实业务价值。左右数据以FDE模式为核心，提供从诊断规划到持续运营的完整闭环服务，助力企业实现智能化转型

2026-10-20 09:33:44 134

原创 LangChain 速通笔记——第一辑

LangChain 是用于构建大模型应用的开发框架，核心价值是统一模型调用接口，减少重复开发。其生态由 LangGraph、LangChain 和 Deep Agents 构成，支持 Prompt、Model、Memory、Tools、RAG、Agent 等能力。模型可通过 invoke、ainvoke、stream、batch 调用，并可灵活切换 OpenAI、DeepSeek、Claude、Gemini、Ollama 等平台。学习路线为：Model I/O → Prompts → Chains → Me

2026-09-15 15:13:18 298

原创 LangChain 与 LlamaIndex 实现 RAG：代码知识点总结

LangChain 代码适合学习 RAG 的底层流程，能清楚看到读取、切分、向量化、检索、拼接 context 和调用大模型的每一步。LlamaIndex 代码更适合快速搭建文档问答系统，尤其在复杂 PDF 解析、索引构建、查询引擎、总结工具和 Agent 调用方面更方便。两者的核心思想完全一致：先检索，再生成。真正决定 RAG 效果的关键不是单一大模型，而是文档切分质量、Embedding 检索质量、向量库召回效果、Prompt 约束和结果可追溯性。

2026-05-29 18:01:43 280

原创答题卡检测

本文介绍了一个基于OpenCV的答题卡自动评分系统。系统通过图像处理技术实现以下功能：1) 读取答题卡图像并进行灰度化、模糊处理和边缘检测；2) 定位答题卡区域并进行透视变换；3) 通过阈值处理和轮廓分析检测填涂的选项泡泡；4) 将检测结果与标准答案对比计算得分。系统支持自定义参数调整，包括泡泡最小尺寸、宽高比范围等，能够处理不同形态的答题卡。最终输出评分结果并在图像上标记正确/错误选项。实验表明该系统能有效实现答题卡的自动批改功能。

2026-03-16 23:58:15 480

原创 cv实践——银行卡数字识别

这里使用 THRESH_BINARY_INV，意味着原本较亮的数字会被变成白色前景，背景变为黑色，这样更便于后续 findContours 提取外部轮廓。由于模板图中的数字通常是从左到右排列的，因此先对轮廓排序，再逐个裁剪 ROI。每个数字都被缩放到统一大小 57×88，这样在模板匹配时，待识别数字与模板数字尺寸一致，能够提升匹配稳定性。然后再次二值化和提取轮廓，此时轮廓对象不再是一整组数字，而更接近单个数字。信用卡图像经过顶帽、梯度和闭运算后，先定位到“数字组”，再进一步切分到“单个数字”；

2026-03-15 18:55:42 428

原创边缘计算与轮廓检测

本文介绍了图像处理中的边缘检测、金字塔变换、轮廓分析、模板匹配、直方图均衡化和傅里叶变换等核心算法。详细讲解了Canny边缘检测的5个步骤、Sobel/Scharr/Laplacian算子的应用，以及图像金字塔的构建方法。在轮廓处理方面，阐述了findContours函数的使用和轮廓特征计算方法。此外，还涵盖了模板匹配的6种模式、直方图均衡化技术，以及傅里叶变换在高低频滤波中的应用。这些方法为图像分析提供了重要工具，涉及噪声处理、特征提取和图像增强等关键技术。

2026-03-14 16:33:14 383

原创 CV常用图像处理方法

本文总结了OpenCV图像处理的基本操作，包括：1）图像读取（BGR格式）与显示；2）视频帧读取；3）图像裁剪、通道分离与合并；4）边界填充与数值计算；5）图像融合与阈值处理；6）四种平滑滤波方法（均值/方框/高斯/中值）；7）形态学操作（腐蚀/膨胀/开闭运算）；8）梯度运算及礼帽/黑帽变换。这些操作涵盖了图像预处理、特征提取和噪声处理等常见需求。

2026-03-14 16:31:34 161

原创 Springboot原理篇

SpringBoot配置管理支持多格式文件及参数配置，优先级为yaml>yml>properties>系统属性>命令行参数。通过IOC容器管理Bean，可使用@Scope设置作用域，@Bean处理第三方组件。自动配置基于@Conditional系列注解实现条件加载，简化开发。自定义starter可封装公共组件供多项目复用。

2026-03-01 20:42:41 251

原创 AOP笔记

摘要：本文介绍了事务管理和AOP的核心概念。事务是一组原子性操作，通过@Transactional注解管理，支持回滚和传播行为控制。AOP通过动态代理实现方法增强，包含连接点、通知、切入点等概念，支持多种通知类型和表达式匹配。重点讲解了execution和@annotation两种切入点表达式，以及不同通知类型的执行顺序和使用注意事项，最后说明了如何获取连接点信息。

2026-02-24 21:37:22 917

原创 Spring MVC 项目结构学习笔记

本文介绍了基于SpringBoot+SpringMVC+MyBatis的三层架构设计。系统采用Controller→Service→Mapper的分层结构，各层职责明确：控制层处理请求、业务层实现逻辑、持久层操作数据库。文章详细说明了各包功能、系统执行流程及分层优势（解耦、易维护等），并给出开发规范建议。同时介绍了常用注解（@Autowired、@Service等）和JWT、过滤器等技术要点。该架构通过前端控制器模式实现良好的扩展性和维护性，是企业级开发的标准模式。

2026-02-22 01:21:51 890

原创 N2 打卡——构建词典

本文介绍了中文文本预处理流程：使用jieba分词（支持自定义词典）、正则表达式清除标点、过滤停用词；通过迭代器生成词汇表并数字化文本。核心包括构建词汇表（处理OOV词）、统一预处理流程（去标点→分词→去停用词→转索引），最终输出模型可处理的数字序列。适用于PyTorch等框架的文本输入预处理，强调内存效率（生成器）和可扩展性（自定义词典/停用词表）。

2025-08-14 23:34:49 537

原创 N1——one-hot编码

本文介绍了one-hot编码在深度学习中的应用，通过K同学的365天训练营教案展示了从中文文本到one-hot编码的完整流程。首先对文本进行分词处理，构建词汇表并建立单词索引，然后将文本转换为整数序列，最后生成one-hot编码。这种编码方式能有效避免模型误判类别间的顺序关系，确保每个类别在特征空间中都处于平等且独立的位置。文中还提供了详细的Python实现代码，包括分词、词汇表构建、序列转换和one-hot编码生成等关键步骤。

2025-08-03 19:42:50 467

原创 G9打卡——ACGAN

本文介绍了基于ACGAN（辅助分类器生成对抗网络）的MNIST手写数字生成实现。ACGAN在传统GAN基础上增加分类器模块，通过融合标签嵌入和潜在噪声实现条件生成。代码实现包含生成器和判别器网络架构，采用对抗损失和分类损失联合优化。模型通过上采样卷积生成32x32图像，并定期保存生成结果。相比传统GAN，ACGAN能生成更符合目标类别的图像，同时提升训练稳定性。该方法适用于可控图像生成、数据增强等场景，核心优势在于结合类别信息实现定向生成。

2025-07-30 16:42:03 878

原创 G7打卡——Semi-Supervised GAN

本文介绍了基于PyTorch实现的半监督生成对抗网络(Semi-Supervised GAN)训练过程。文章详细阐述了代码结构，包括配置参数、权重初始化、生成器和鉴别器模型定义、损失函数设置以及训练流程。该模型通过在传统GAN基础上增加一个"未知类别"，使鉴别器既能判别图像真伪又能进行分类，从而有效利用未标注数据提升性能。训练过程中交替优化生成器和鉴别器，定期保存生成图像样本，并输出训练指标。代码完整实现了SSGAN的核心思想，适用于MNIST等图像生成任务。

2025-07-21 20:13:44 888

原创 G6打卡——CycleGAN

本文介绍了CycleGAN的网络结构与损失函数。CycleGAN包含两个生成器（G:X→Y和F:Y→X）和两个判别器（D_X、D_Y），采用U-Net架构和PatchGAN结构。总损失函数由三部分组成：对抗损失（L_GAN）训练生成器和判别器；循环一致性损失（L_cycle）确保转换可逆；可选的身份映射损失（L_idt）保持颜色和结构不变。其中，对抗损失使用标准GAN损失函数，循环一致性采用L1损失，权重系数λ1、λ2、λ3控制各部分重要性。该框架实现了无监督的图像域转换。

2025-07-16 16:56:43 1070

原创 G5打卡——Pix2Pix算法

Pix2Pix是一种基于条件生成对抗网络(cGAN)的图像翻译算法，其核心是通过生成器与判别器的对抗训练实现图像转换。生成器采用U-Net架构，包含编码器-解码器结构和跳跃连接，以保留图像细节；判别器使用PatchGAN评估局部区域的真实性。该算法结合对抗损失(LsGAN)和L1像素损失进行优化，典型应用包括语义图转照片、边缘图上色等任务。Pix2Pix的关键创新在于条件对抗训练机制和U-Net+PatchGAN的架构设计，有效提升了生成图像的质量和结构一致性。

2025-07-10 16:35:20 965

原创 G4打卡——生成手势图像（可控制生成）

本文记录了条件生成对抗网络(CGAN)的实现过程。主要内容包括：1)数据准备和处理，使用ImageFolder加载图像数据并进行标准化；2)构建条件生成器和判别器模型，生成器通过嵌入层处理类别标签并与噪声向量结合生成图像，判别器则结合图像和标签信息判断真伪；3)训练过程采用二元交叉熵损失和Adam优化器，交替训练两个模型；4)分析训练曲线并可视化生成结果。实验结果表明，该CGAN模型能够有效生成与给定类别标签对应的图像。代码实现了每10个epoch保存模型权重和生成样本的功能，便于后续分析和使用。

2025-07-02 14:49:19 734

原创 G3打卡——CGAN生成手势图像

本文实现了一个基于PyTorch的条件生成对抗网络(CGAN)，用于生成指定类别的手势图像。模型包含生成器和判别器两部分：生成器通过嵌入标签信息与噪声向量结合，使用转置卷积生成128×128 RGB图像；判别器则结合图像和标签信息进行真伪分类。训练过程采用二元交叉熵损失和Adam优化器，经过100轮迭代后保存模型权重。实验结果表明，该CGAN能够有效生成不同类别的图像，并通过潜在空间插值展示了模型的连续性。相比传统GAN，CGAN通过引入标签条件信息实现了对生成图像类别的控制，在图像生成任务中具有更好的可控

2025-06-24 18:50:42 436

原创 G2打卡——人脸图像生成

本文介绍了基于PyTorch的GAN模型实现过程。首先设置超参数（随机种子、批次大小、图像尺寸等）并导入数据，使用ImageFolder加载图像数据集并进行预处理。接着定义了生成器(Generator)和判别器(Discriminator)网络结构，均采用多层卷积/转置卷积，并应用自定义权重初始化。在训练阶段，交替优化两个网络：判别器学习区分真实和生成图像，生成器则试图欺骗判别器。训练过程中记录了损失值并保存生成图像样本。最后可视化展示了训练曲线、生成图像动画对比以及最终的真实/生成图像对比结果，完整呈现了

2025-06-17 16:21:02 445

原创 G1周打卡——GAN入门

本文展示了基于MNIST数据集的GAN模型训练流程。主要内容包括：1）配置超参数（50个epoch、64的batch size等）；2）下载并预处理MNIST数据；3）构建判别器网络（含3层全连接和LeakyReLU激活）；4）训练过程（交替优化生成器和判别器，使用BCELoss和Adam优化器）；5）保存模型和训练样本。代码完整实现了GAN的基础训练框架，适合初学者理解GAN的工作原理，包含数据加载、网络构建、对抗训练等关键环节。通过生成的手写数字效果可直观评估模型性能。

2025-06-12 23:22:17 976

原创 Y2打卡——训练自己的数据集

本文介绍了使用YOLOv5进行目标检测训练的全流程。主要内容包括：数据准备：创建规范的目录结构存放图片和XML标注文件数据集划分：通过split_train_val.py脚本将数据随机划分为训练集（90%）、验证集和测试集生成标签文件：为YOLO模型准备所需的训练文件配置训练参数：创建ab.yaml文件定义路径、类别等信息启动模型训练：使用train.py脚本进行训练，并设置图像尺寸、批大小等参数该流程涵盖了从数据准备到模型训练的关键步骤，是掌握目标检测技术的重要实践。

2025-06-06 00:17:03 705

原创第Y1周打卡——调用官方权重进行检测

本文记录了YOLOv5深度学习训练实践过程，包括从GitHub下载源码、环境配置（解决依赖问题）、运行图片和视频识别任务。

2025-05-26 15:59:44 478

原创 R9打卡——RNN实现阿尔茨海默病诊断（优化特征选择版）

主要涉及阿尔茨海默病数据的分析与建模。首先，通过Pandas、NumPy等工具对数据进行预处理，包括缺失值检查、标签编码和数据可视化。接着，使用决策树和递归特征消除（RFE）方法进行特征选择，最终选取了20个关键特征。随后，构建了一个RNN模型，并通过DataLoader将数据分批处理。模型训练过程中，使用交叉熵损失函数和Adam优化器，训练了50个epoch，并记录了训练和测试的准确率与损失。最后，通过绘制准确率、损失曲线和混淆矩阵，对模型性能进行了评估和可视化。整个过程展示了从数据预处理到模型训练与评估

2025-05-19 15:07:15 860

原创 R8打卡——RNN实现阿尔兹海默症识别

本文记录了使用PyTorch框架进行阿尔茨海默病数据集分类任务的过程。首先，代码检查并设置GPU或CPU设备，加载并预处理数据，包括删除冗余列和标准化处理。接着，数据被划分为训练集和测试集，并使用DataLoader进行批次处理。随后，定义了一个基于RNN的神经网络模型，并编译训练模型，采用交叉熵损失和Adam优化器进行30个epoch的训练。训练过程中，记录并打印了每个epoch的训练和测试准确率及损失值。最后，通过Matplotlib绘制了准确率和损失的变化曲线，生成了混淆矩阵，并对测试数据进行了预测，

2025-05-13 10:54:27 406

音乐网站的相关代码与文档

Java+sql酒店管理系统

深度学习CNN回归优化

LSTM时间序列 实验数据处理

关于Scala编程的标点问题

有关scala的除法

Scala相关的rdd编程问题map用法

关于石头剪刀布程序添加菜单并实现功能的问题

LSTM时间序列实验数据处理