西柚小萌新吖(●ˇ∀ˇ●)-优快云博客

原创【Python从入门到精通】--佛主保佑

这段代码注释以趣味性的"佛祖保佑"符文开头，表达了程序员对代码稳定运行的期望。核心内容包括：作者信息（gyp）、时间戳（2024-10-21）、文件路径（C/SString.c）、联系方式（13438784965），并注明该代码为自学用途。其中"永不宕机永无BUG"的祈愿语和独特的ASCII艺术符文，展现了程序员在严谨编码之外幽默风趣的一面。整段注释既包含了必要的技术信息，又通过创意形式缓解了编程压力。

2025-09-02 15:40:29 159

原创【计算机常识】--上传项目到Github

本文介绍了使用GitHub和Git进行版本控制的基本流程。首先指导用户在GitHub创建新仓库，然后详细说明本地Git仓库的初始化、分支切换、远程仓库绑定等操作步骤。文章还提供了常见问题（如连接失败）的解决方法，并建议使用SSH协议提高安全性。最后讲解了如何通过添加文件、提交更改和推送代码完成项目上传。整个流程涵盖了从创建到上传的完整版本控制操作，适合开发者快速掌握GitHub的基本使用方法。

2025-07-10 17:34:36 637

原创【人工智能agent】--docker本地部署dify教程

Dify 是一款开源的大语言模型(LLM) 应用开发平台。它融合了后端即服务（Backend as Service）和 LLMOps 的理念，使开发者可以快速搭建生产级的生成式 AI 应用。即使你是非技术人员，也能参与到 AI 应用的定义和数据运营过程中。非技术人员：不懂编程、对大模型不太懂，也可以使用DIFY2、功能介绍由于 Dify 内置了构建 LLM 应用所需的关键技术栈，包括对数百个模型的支持、直观的 Prompt 编排界面、高质量的 RAG 引擎、稳健的 Agen

2025-04-23 10:57:39 21828 11

原创【人工智能:Agent】--3.Langchain快速入门

langchain

2026-01-08 19:42:22 438

原创【人工智能:Agent】--2.AI智能体能力架构

摘要：OpenAI研究主管Lilian Weng提出AIAgent系统由大模型、规划、记忆和工具使用四大组件构成。其中大模型作为"大脑"提供推理能力，规划模块通过思维链（CoT）和思维树（ToT）实现任务分解，记忆模块通过向量数据库实现长期记忆存储，工具模块则赋予Agent调用外部API的能力。该系统已在虚拟小镇等场景中验证了可行性，如AI角色自主规划情人节派对。关键技术包括ReAct框架（结合推理与行动）、Reflexion（自我反思机制）等，通过分层架构可处理复杂任务。示例展示了基于

2026-01-08 15:30:28 515

原创【计算机视觉CV:目标检测】--1.概述

简介

2026-01-07 22:05:32 422

原创【人工智能:Agent】--1.AI智能体简介

本文介绍了AI智能体的核心概念与应用。AI智能体是通过为大语言模型提供工具和知识扩展其能力的系统，包含环境、传感器和执行器等组件。文章详细阐述了智能体的核心模块（Agent、记忆、规划、工具和行动）及其交互关系，并分类介绍了反射型、目标型、学习型等6种智能体类型。同时对比了LangChain、AutoGen等主流框架特点，重点演示了使用LangChain框架创建智能体的两种方法（create_tool_calling_agent和create_react_agent），通过代码示例展示了多工具集成和任务执行

2026-01-07 16:57:37 277

原创【论文阅读】--PEACE：基于多模态大语言模型的地质图全息理解赋能框架

摘要：微软研究院提出PEACE框架（赋能地质地图整体理解的多模态大语言模型），通过GeoMap-Agent系统解决地质图智能分析难题。该系统包含三个核心模块：层次信息提取（HIE）采用分治策略处理高分辨率图像；领域知识注入（DKI）整合地质学专家知识；提示增强问答（PEQA）优化模型输出。配套发布的GeoMap-Bench基准包含124张地质图和3,864个标注问题，覆盖提取、定位、推理等五大能力维度。实验表明，该系统在USGS和CGS数据集上均显著优于基线模型，准确率提升30%以上。研究代码和数据集已开

2026-01-06 16:07:09 1076

原创【大模型:RAG】--向量数据库Milvus WebUI页面

Milvus提供了两种WebUI工具：Attu和内置WebUI。Attu是开源图形化管理工具，支持数据操作、集合管理和向量搜索，适合开发调试；内置WebUI随Milvus启动，专注于系统监控、组件状态和配置审计，适合运维人员。两者部署方式不同，Attu需独立安装并通过3000端口访问，内置WebUI则通过9091端口自动启用。文章还演示了使用Python创建向量数据库的完整流程，包括定义Schema、创建集合索引以及插入数据。两种WebUI各有侧重，用户可根据需求选择：Attu适合日常数据管理，内置WebU

2026-01-05 18:07:16 723

原创【大模型:RAG】--向量数据库Milvus详解2

本文详细介绍了Milvus向量数据库的Schema设计、索引创建、数据操作及搜索功能。主要内容包括： Schema设计：定义Collections的数据结构，包含主键、向量字段和标量字段的配置方法，支持自动ID和手动ID两种模式。向量操作：密集向量和稀疏向量的处理向量索引的创建（FLAT、IVF等）相似性搜索和范围搜索数据管理：实体插入、删除和更新分区操作查询和获取方法高级搜索功能：混合搜索（多向量场联合搜索）全文搜索（基于BM25算法）文本匹配和短语匹配过滤功能：支持多种操作符和

2026-01-02 17:04:08 1109

原创【大模型:RAG】--向量数据库Milvus详解1

摘要：Milvus是一款专为向量数据设计的开源数据库，支持海量向量存储与高效相似性搜索。其核心架构采用存算分离设计，包含接入层、协调服务、执行节点和存储层，支持水平扩展。Milvus提供多种部署方式（Lite/Standalone/Distributed），支持Python SDK操作，主要功能包括集合管理（支持动态字段、自动索引）、分区划分、多一致性级别设置等。典型应用场景包括推荐系统、知识库和AI应用中的向量检索。商业版本Zilliz Cloud提供托管服务，开源版本支持本地、Docker和Kubern

2025-12-17 20:53:56 810

原创【计算机常识】--Windows 安装 WSL2 并运行 Ubuntu 22.04

摘要：WSL2（Windows Subsystem for Linux 2）为Windows用户提供轻量级Linux虚拟机支持，无需传统虚拟机或双系统。其核心优势包括：开发友好：原生支持Linux工具链（bash/grep等）、完整Python/Node.js生态，以及apt一键安装Nginx/Redis等； AI/ML兼容：可运行TensorFlow/PyTorch，支持GPU加速（需NVIDIA CUDA）；高效集成：与Windows文件互通（/mnt/c/）、低资源占用，且支持Docker无缝协作

2025-12-16 18:14:16 1419

原创【大模型:多模态LLM】--Blip模型详解

本文介绍了BLIP算法的设计与实现，这是一种统一的视觉-语言预训练模型。BLIP通过三个核心模块实现多模态理解与生成：1）图像编码器提取视觉特征；2）文本编码器进行跨模态对齐；3）文本解码器实现图像描述生成。相比CLIP，BLIP创新性地引入了Captioner和Filter模块来清洗网络数据，并采用三种联合训练目标：图文对比学习(ITC)、图文匹配(ITM)和语言建模(LM)。文章详细解析了ViT视觉编码器、BERT文本编码器/解码器的实现，以及三种损失函数的计算过程。该模型在图像-文本检索、视觉问答等任

2025-12-09 17:21:24 852

原创【论文阅读】--多模态大语言模型的安全性研究综述

从简单高效的线性投影器和MLP，到适用于深度交互的交叉注意力机制，再到能够精细提取特征的Q-Former、P-Former以及其增强版MQ-Former，这些工具共同奠定了多模态模型复杂特征表示的基础。例如，将视觉问答数据集中的输入（图像和问题）和输出转换为多模态输入和响应，并结合任务描述丰富数据的指令格式。综上所述，不同的模态编码器根据各自的特点和应用场景，采用了不同的技术和架构，但共同目标是为多模态大型语言模型提供统一且有效的特征表示，使得模型能够在处理复杂多样的输入时实现精准的理解和生成能力。

2025-12-02 21:43:38 1426

原创【深入浅出PyTorch】--9.使用ONNX进行部署并推理

摘要：本文介绍了深度学习模型部署的关键技术流程，重点讲解了PyTorch模型通过ONNX格式实现跨平台部署的方法。主要内容包括：1）ONNX作为标准中间格式的作用及其生态体系；2）使用torch.onnx.export()进行模型转换的详细参数配置；3）通过ONNXRuntime进行推理的完整代码实现；4）模型验证、可视化工具Netron的使用方法。文章通过超分辨率模型的完整案例，展示了从PyTorch训练、ONNX转换到最终部署的全流程，并提供了处理动态输入尺寸、多框架兼容性等实际问题的解决方案。该技术方

2025-12-02 12:23:32 710

原创【大模型:多模态LLM】--4.多模态视觉大模型的架构

多模态AI模型架构综述本文系统梳理了多模态AI的核心技术框架。首先分类了三种模态交互类型：单模态输入输出不同模态、多模态输入单/多模态输出。随后详细解析了四大主流架构：双编码器（CLIP等）、融合架构（GLIP等）、编码器-解码器（PaLI等）及适配大语言模型（Flamingo等），重点对比了各结构的模态融合方式和典型应用场景。通过CLIP、GLIP、Flamingo和LLaVA四个典型案例，深入剖析了对比学习预训练、开放词汇检测、少样本学习等关键技术，并提供了完整的代码实现示例。研究显示，冻结主干网络+

2025-12-01 21:06:52 874

原创【论文阅读】--大语言模型安全与隐私风险综述

本文系统梳理了大语言模型（LLM）面临的安全与隐私风险。在安全风险方面，分析了常规威胁（对抗样本攻击、后门攻击、投毒攻击）和新型威胁（生成内容安全、恶意使用、资源消耗攻击、模型劫持）。隐私风险包括数据隐私威胁（成员推断、数据提取、模型逆向、越狱攻击）和模型知识产权风险（模型萃取、提示词窃取）。文章还总结了防御技术，如对抗训练、后门检测、差分隐私等。研究表明，随着LLM应用扩展，其安全与隐私问题日益突出，需要在模型设计、训练和部署中平衡性能与安全性。

2025-11-27 15:48:24 833

原创【大模型:多模态LLM】--3.视觉基础大模型的架构

摘要：本文介绍了五种无监督视觉表征学习方法。ViT通过分块处理和自注意力机制革新了图像处理方式。MoCo系列采用对比学习策略，从V1到V3逐步优化负样本处理和ViT适配。DINO通过自蒸馏实现无负样本训练，特别适合ViT架构。MAE借鉴BERT思想，通过掩码重建学习视觉表征。SAM则是通用图像分割模型，具备强大的零样本泛化能力。这些方法各具特色，在无监督视觉表征学习领域取得了重要突破，为计算机视觉任务提供了强大的基础模型。

2025-11-26 17:28:43 625

原创【大模型:多模态LLM】--一文理解VIT（Vision Transformer）模型

ViT（Vision Transformer）是一种基于Transformer架构的计算机视觉模型，通过将图像分割为多个Patch并进行Embedding处理，结合位置编码和类别编码，实现图像分类任务。相比CNN，ViT在数据量较小时表现不佳，但在大规模数据训练下展现出强大性能。ViT的核心结构包括Patch Embedding、Class Embedding、Position Embedding和多个Transformer Encoder模块。实验表明，ViT能学习到图像的空间局部性和全局特征，其注意力机

2025-11-25 20:16:12 990

原创【大模型:多模态LLM】--2.自监督学习的原理和方法

自监督学习是一种无需人工标注的无监督学习方法，通过设计辅助任务从数据自身生成监督信号。主要方法包括：1）基于前置任务，如图像旋转预测、拼图重组等；2）基于对比学习（如SimCLR、MoCo），通过拉近正样本对、推开负样本对学习特征表示；3）基于掩码重建（如BEiT），借鉴BERT思想预测被掩码的图像块。这些方法通过构造"伪标签"实现类似监督学习的训练，显著提升了模型的特征提取能力，为下游任务提供强大支持。自监督学习已成为深度学习领域的重要研究方向，在计算机视觉、自然语言处理等领域展现出巨

2025-11-25 16:29:42 64

原创【大模型:多模态LLM】--1.视觉大模型介绍

本文摘要：课程主要介绍大模型技术发展与应用，适合具备深度学习基础（熟悉CNN/Transformer和PyTorch框架）的学习者。内容涵盖：1）大模型演变历程，从BERT到ChatGPT的重要模型及其特点；2）视觉大模型架构，包括数据输入、主干网络和统一感知解码器；3）基础大模型与传统AI的区别，强调其"一模万事通"的通用性优势，可适应多任务并降低开发成本。课程配套B站教程，适合对计算机视觉和大模型感兴趣的开发者。

2025-11-03 20:27:30 1036

原创【深入浅出PyTorch】--8.2.PyTorch生态--PyTorchVideo、torchtext、torchaudio

摘要：本文介绍了PyTorch生态系统中三大领域专用工具包：PyTorchVideo、torchtext和torchaudio。PyTorchVideo是Meta推出的视频理解深度学习库，提供Model Zoo（包含I3D、SlowFast等SOTA模型）、多模态支持和移动端优化。torchtext专注于NLP任务处理，包含Field对象定义、数据集构建、词汇表创建和迭代器生成等功能，支持BLEU等评测指标。torchaudio提供语音处理工具，涵盖音频I/O、特征提取（如MFCC）、常用数据集（Libri

2025-11-03 19:29:04 686

原创【深入浅出PyTorch】--8.1.PyTorch生态--torchvision

本文介绍了PyTorch生态系统及其在计算机视觉领域的应用。主要内容包括：1. PyTorch生态系统概述，包含torchvision等官方库和第三方工具包，提供数据加载、模型构建、训练优化等功能。2. torchvision核心组件详解：- datasets：涵盖图像分类、目标检测等任务的常用数据集- transforms：提供数据预处理和增强方法- models：包含预训练模型如ResNet、MobileNet等- ops：实现NMS、RoIAlign等视觉专用操作- utils：提供图像拼接、可视化工

2025-11-03 17:06:23 1211

原创【大模型:RAG】--CLIP模型实现多模态检索

OpenAI提出的CLIP模型是多模态领域的突破性工作，通过对比学习实现图像与文本的跨模态对齐。该模型将传统图像分类任务转化为图文匹配问题，支持零样本推理，无需微调即可应用于新类别。CLIP采用双编码器架构，使用4亿互联网图文对进行预训练，通过对比损失函数拉近匹配的图文向量距离。实验显示其零样本性能可媲美有监督模型，在30+下游任务中表现优异，尤其在非自然图像上迁移能力突出。不过CLIP也存在处理抽象任务能力有限、测试数据分布偏移时性能下降等局限。该技术为后续DALL·E2、StableDiffusion等

2025-10-30 20:37:09 1112

原创【深度学习:理论篇】--一文彻底搞懂对比学习：原理、方法与应用

摘要：对比学习是一种自监督学习方法，旨在从无标注数据中学习有效表示。其核心思想是通过构造相似/不相似样本对，使相似样本在投影空间距离相近，不相似样本相距较远。SimCLR作为典型对比学习模型，通过复合图像增强构建正负样本，采用双塔结构（Encoder+Projector）和InfoNCE损失函数进行训练。关键创新包括：1）验证复合增强的有效性；2）引入Projector结构提升特征质量。对比学习需防止模型坍塌（所有样本映射到同一点），常见方法包括使用负样本、对比聚类、非对称网络等。实验表明，对比学习模型能有

2025-10-30 17:58:04 1435

原创【计算机常识】--解决网页禁止复制的问题

本文介绍了三种突破网页防复制限制的方法：1）通过开发者工具查看源码获取文字内容；2）禁用JavaScript解除复制限制；3）在控制台输入命令输出纯文本。这些方法适用于合法学习用途，但可能影响动态网页显示效果，获取的文本需自行整理格式。

2025-10-23 18:54:02 514

原创【大模型:微调】--五个最流行的大模型微调框架

摘要：本文系统介绍了五种主流大模型微调框架：1）LLaMA-Factory（可视化界面、全场景支持、兼容80%开源模型）；2）HuggingFace Transformers+PEFT（全模态覆盖、30万+社区模型库）；3）KilnAI（低代码平台、团队协作、本地隐私优先）；4）Unsloth（零精度损失的训练加速，显存降低39%-65%）；5）DeepSpeed（微软开发的分布式引擎，支持千亿参数训练）。各框架优劣势鲜明：LLaMA-Factory和KilnAI适合快速迭代，Unsloth专注效率提升，

2025-10-23 17:36:10 1158

原创【大模型:微调】--一文掌握大模型微调的8种方法

大模型微调技术概述大模型训练分为预训练和微调两个阶段：预训练使模型掌握语言基础知识，微调则针对特定任务优化模型性能。微调方法主要分为全面微调（调整所有参数）和参数高效微调（PEFT）两大类。 PEFT技术显著降低了计算成本，包括： LoRA：通过低秩矩阵调整关键权重 QLoRA：结合4位量化的LoRA改进适配器微调：插入小型神经网络模块前缀/提示微调：添加可训练提示向量 P-Tuning系列：利用LSTM动态生成提示最新进展如LoRA+MoE结合了混合专家架构，进一步提升了参数效率。这些技术使大模型

2025-10-21 20:46:14 1469

原创【大模型:知识图谱】--GraphRAG基本原理+实战

本文介绍了基于知识图谱的检索增强生成技术GraphRAG，这是一种解决大模型幻觉问题、提升输出可靠性的创新方案。文章首先阐述了GraphRAG的技术原理，包括知识图谱构建（实体关系抽取、社区检测等）和智能检索（全局搜索与局部搜索）两个核心阶段。接着详细说明了从文本到知识图谱的完整流程，包括索引构建和查询处理。最后通过西游记文本的实战案例，展示了GraphRAG的具体应用，包括环境部署、知识图谱构建和可视化呈现。该技术通过结构化知识表示和推理能力，显著提升了复杂知识场景下的问答质量。

2025-10-20 19:03:17 1122

原创【深入浅出PyTorch】--7.2.PyTorch可视化2

TensorBoard是一款强大的深度学习可视化工具，能够实时监控训练过程中的各项指标。它支持模型结构可视化、训练曲线绘制、参数分布分析等功能，通过简单的代码即可实现数据记录和网页端展示。文章详细介绍了TensorBoard的安装配置、基本使用方法，包括模型结构可视化、图像数据展示、连续变量跟踪等操作。同时针对服务器环境提供了多种远程访问方案，帮助研究人员更好地分析和优化模型。此外，文章还简要介绍了云端可视化工具wandb，支持实验记录和结果共享。这两种工具的结合使用，能够显著提升深度学习实验的效率和可解释

2025-10-16 21:31:51 1147

原创【Bug：docker】--Docker国内镜像源加载失败

Docker镜像拉取失败的解决方案由于Docker Hub在中国大陆被屏蔽，直接拉取镜像会出现连接超时等问题。解决方法包括：配置国内镜像源（如DaoCloud、中科大等镜像地址）修改daemon.json文件并重启Docker服务常见错误包括：连接超时(Client.Timeout exceeded) 请求被取消(request canceled) 镜像不存在（需确认镜像名称正确）注意事项：拉取前务必在Docker Hub官网确认镜像是否存在测试hello-world镜像可用于验证基础功能

2025-10-15 21:42:07 1071

原创【深入浅出PyTorch】--7.1.PyTorch可视化1

摘要：本文介绍了PyTorch中可视化神经网络结构的工具torchinfo，以及CNN模型的可视化方法。针对深度神经网络结构复杂难以调试的问题，torchinfo提供了比直接print更详细的网络层信息、参数量统计等可视化功能。在CNN可视化部分，文章详细讲解了卷积核可视化、特征图可视化（使用Hook技术）、类激活图（CAM）等三种方法，并介绍了快速可视化工具FlashTorch的使用。这些可视化技术有助于理解CNN的工作原理，提高模型的可解释性，为模型优化提供依据。通过本文的学习，读者可以掌握CNN模型各

2025-10-14 17:03:52 949

原创【Python从入门到精通】--Pycharm增加内存

PyCharm常提示内存不足导致卡顿，可通过两种方法解决：1）调整IDE内存至8192MB（2的幂次方）：在帮助→更改内存设置中修改；2）启用内存监控：视图→外观→状态栏微件→勾选内存显示器，重启后即可查看实时内存使用情况。这些操作可优化IDE性能，缓解运行卡顿问题。

2025-10-14 11:18:45 823 2

原创【深入浅出PyTorch】--6.2.PyTorch进阶训练技巧2

文章摘要：本文介绍了深度学习中的三个重要工具和技术：1) timm库的使用，这是一个扩展的计算机视觉预训练模型库，包含1689个模型，支持安装、查询和修改模型参数；2) 半精度训练技术，通过torch.cuda.amp实现显存优化；3) imgaug数据增强库的应用，包含多种图像增强方法并支持批量处理。此外还介绍了argparse超参数管理方法，通过config.py模块化参数设置。这些技术可提升模型训练效率和泛化能力，适用于计算机视觉任务中的模型微调、显存优化和数据增强场景。

2025-10-13 20:31:05 1242

原创【深入浅出PyTorch】--6.1.PyTorch进阶训练技巧1

本文介绍了PyTorch中三个关键技巧：1.自定义损失函数，包括DiceLoss、FocalLoss等非官方损失函数的实现方法；2.动态调整学习率策略，详细解析了官方提供的12种scheduler及其适用场景；3.模型微调技术，重点讲解了迁移学习中冻结参数、替换输出层等核心方法。这些技巧能有效解决深度学习中的特定问题，如小数据集训练、模型收敛优化等，并提供了完整的代码实现示例。通过灵活组合这些方法，可以显著提升模型性能，特别适用于细粒度图像分类等实际任务。

2025-10-11 18:11:54 666

原创【深入浅出PyTorch】--5.PyTorch模型的定义、修改、保存和读取

本文系统介绍了PyTorch中模型定义的三种方式：Sequential、ModuleList和ModuleDict。Sequential适用于简单顺序结构，ModuleList提供灵活层管理，ModuleDict支持按名称访问模块。文章以U-Net为例，展示了如何通过模块化构建复杂网络，包括DoubleConv、Down、Up等核心组件的实现。此外，还详细讲解了模型修改方法，如替换层、添加输入输出，以及在不同单卡/多卡环境下模型保存与加载的最佳实践，包括如何处理权重字典中的"module&quot

2025-10-10 18:06:13 948

原创【深入浅出PyTorch】--上采样+下采样

本文系统介绍了上采样和下采样的概念与作用。下采样通过最大池化、平均池化或带步长卷积降低特征图尺寸，减少计算量并提取高层语义信息，常用于编码器。上采样通过插值法或转置卷积增大特征图尺寸，恢复空间分辨率，常用于解码器或分割任务。PyTorch中实现方式包括nn.MaxPool2d、nn.AvgPool2d、nn.Upsample（支持多种插值模式）和nn.ConvTranspose2d（可学习上采样）。针对不同任务需求，推荐使用特定组合，如分割任务建议使用双线性插值+align_corners=True。

2025-10-10 17:20:34 1453

3.1 机器学习-线性回归

SMSSpam.txt

空空如也