G.E.N.-优快云博客

原创 Python yield关键字

流式响应就是，LLM 每生成一小部分（可能是一个词，一句话），就立刻把它发送出来。接收方（比如我们的 Python 后端程序）收到这一小部分后，不是囤着，而是立刻再把它发给最终用户（比如网页）。，因为它允许我们“来多少，处理多少，传递多少”，从而给用户带来更流畅、更即时的体验。方式是“要一个，给一个”，它只在需要的时候才计算和生成数据，并且每次只占用当前计算所需的少量内存。这样一来，用户就能看到文字一点点出现，而不是等待最后的结果。想象一下，你要处理一个超级大的文件，或者生成一个包含一百万个元素的序列。

2025-04-13 16:38:17 532

原创我构建了一个能“上网冲浪”的DeepSeek智能体：DeepSeek结合Playwright MCP服务

接下来通过一个循环控制对话逻辑，这个“指令 -> 理解 -> 调用 -> 执行 -> 返回 -> 响应”的循环，赋予了AI智能体前所未有的与网络世界实时互动的能力。我们可以看到，服务端中一共提供了20个工具，包括访问URL、点击、拖拽、截图、保存PDF等操作，DeepSeek将会学习使用这些工具，完成用户的需求。Playwright提供了操作浏览器的相关MCP服务，我们只需要调用MCP提供的服务即可。我们要在客户端中连接服务端，并且查询服务端中提供的服务，并实现与DeepSeek的交互。

2025-04-12 16:06:13 492

原创 DeepSeek操作MySQL数据库：使用MCP实现数据库查询

这段函数展示了客户端的对话逻辑，当用户输入问题后，DeepSeek将给出回复，我们可以通过execute_tool函数来判定DeepSeek的输出是否为工具调用形式，若是，则解析参数，执行工具；这是因为，DeepSeek等LLM存在一定的幻觉，DeepSeek可能会先入为主的认为“商品表”的表名就是“Product”，然后去执行Product表的查询，然而，实际的数据库中可能根本不存在这个表，这就造成工具调用的报错，DeepSeek还需要在不断的调试中完成任务。接下来，我们将会介绍代码的实现过程。

2025-04-10 14:44:24 644

原创异步Python：构建高效LLM智能体的必备技能

在踏上构建大型语言模型（LLM）智能体的激动人心的旅程时，我们很快会发现，智能体需要与外部世界进行大量交互：调用LLM API获取推理、查询数据库、使用外部工具、等待用户输入等等。总的执行时间将约等于耗时最长的那个任务的时间（比如2.5秒），而不是两个任务时间的总和（4.5秒）。库，允许我们在等待一个耗时操作（如API调用）完成时，切换去执行其他任务，从而极大地提高程序的并发能力和响应速度。在LLM智能体中，如果你需要限制对某个特定工具API的并发调用次数，或者需要安全地更新智能体的内部状态，

2025-04-10 14:39:47 870

原创 DeepSeek也能用高德地图！Python MCP客户端SSE传输接入高德MCP服务（附完整代码）

DeepSeek与高德地图将会碰撞出怎样的火花，DeepSeek又怎么通过借助高德地图MCP实现路径规划、行程安排等功能，本文会给你答案。高德地图官方提供了在Cursor中使用高德MCP服务的案例：向大模型提出需求“明天到北京国贸出差，帮我预定1km以内的3星级酒店”。可以看到，Cursor在接入了高德MCP之后，LLM能够实现利用高德地图提供的工具，查找北京国贸附近的酒店。

2025-04-09 16:01:31 1505 2

原创 MCP详解：10分钟快速入门MCP开发

MCP 是一个由 Anthropic 发起并开源的协议，旨在标准化 AI 模型（尤其是 LLM）与外部数据源和工具交互的方式。可以将其理解为 AI 应用的 "USB-C 接口"，让不同的 LLM 能够以统一的方式连接和使用各种外部资源。高德地图已经提出了MCP服务器的解决方案，这意味着DeepSeek等LLM能够实现对地图的操作，包括路径规划、地点搜索等，这将进一步的扩展LLM的能力，不久将会出现更多的DeepSeek导航应用等。未来也会出现更多MCP服务，让AI操作更多的软件，实现更多的功能。

2025-04-07 12:48:37 1062

原创一文带你彻底搞懂MCP

LLM将会函数的介绍，理解函数的作用。函数介绍包括：函数的作用、参数的类型、参数的作用等。tools =[},},},这是一个天气查询的函数，参数为location，LLM将会通过这些介绍，学会如何调用函数。最后把函数执行的结果反馈给DeepSeek，DeepSeek再整理执行结果，给出回复。在这个过程中，会遇到一些问题：对于DeepSeek来说，这个功能是不稳定的，DeepSeek团队也表示正在积极修复。对于不同模型来说，不同模型的函数介绍格式不同、返回的参数格式不同。

2025-03-20 23:13:55 1051

原创 DeepSeek-R1 Ollama部署+Cherry Studio，实现本地大模型知识库

本地知识库通常包含企业或机构的私有数据（如内部文档、客户档案、行业术语库等），这些数据涉及商业机密或敏感信息，若依赖云端服务处理，可能面临合规风险或第三方泄露隐患。通过DeepSeek本地化部署，DeepSeek可直接在内部服务器访问知识库，确保数据无需离开本地环境，既符合数据保护法规，又能通过内网隔离降低外部攻击风险。本文将介绍如何通过Ollama实现DeepSeek的本地部署，并结合Cherry Studio，实现本地大模型知识库。

2025-02-28 21:15:59 902

原创 YOLOv12上线！纽约州立大学联合中科院，再造目标检测新高度

2025年2月19日，YOLOv12发布，YOLOv12与其它YOLO模型的对比如下：论文地址：https://arxiv.org/pdf/2502.12524代码地址：https://github.com/sunsmarterjie/yolov12YOLOv12在继承YOLO系列高效性的同时，引入了注意力机制（attention mechanisms），显著提升了检测精度，同时保持了快速的推理速度。

2025-02-20 17:32:48 1405

原创 AI大模型真的会思考和推理吗？

通用语言大模型学习数字之间的关系，往往是通过语料来学习的，例如，训练时可能有这样一条语料“9比10小”，模型会记住“9”与“10”之间的关系是“小”，而通过这条语料，模型并不能理解“9.11比9.9小”，因为数字的连续关系在向量化的过程中丢失了。CoT的优势是“结构化输出”，而非“真思维”。切词：“小明”、“有”、“5”、“个”、“苹果”、“，”、“买”、“了”、“3”、“袋”、“苹果”、“，”、“每”、“袋”、“8”、“个”、“，”、“吃掉”、“2”、“个”、“现在”、“有”、“多少”、“苹果”、“？

2025-02-15 14:31:05 1383

原创 DeepSeek预测《哪吒3》剧情：《哪吒之魔童觉醒：封神劫起》

最近《哪吒之魔童闹海》的火爆，点燃了观众的热情，不少观众都迫不及待地想要了解《哪吒3》的内容。今天我们就用DeepSeek来预测一下《哪吒3》的剧情走向。由于《哪吒之魔童闹海》的内容并不在DeepSeek的知识库范围中，因此需要打开“联网搜索”的功能，让DeepSeek在互联网上搜索并了解《哪吒之魔童闹海》的剧情与彩蛋。

2025-02-15 00:33:41 1350

原创通用AI大模型不会打牌？DeepSeek、Kimi、ChatGPT一起打斗地主会发生什么

最近过年走亲戚，总要参与一把欢乐斗地主或者掼蛋。我技术一般，可谓是被家里的亲戚虐了个遍。于是，我突发奇想，能不能让AI来打斗地主，看看会发生什么有意思的事。由于斗地主涉及到逻辑的推理，因此我选择了使用比较多的三个推理大模型，来参与斗地主游戏

2025-02-10 21:09:28 1128

原创教你一招拒绝DeepSeek“服务器繁忙，请稍后再试。”

当你跟DeepSeek聊得尽兴时，是否会出现下面的情况......在疯狂刷新后，仍无济于事，甚至可能出现“请求过于频繁，请稍后再试”，然后，就不能重新生成了。DeepSeek比肩GPT的性能吸引了大量的用户，然而DeepSeek毕竟是初创公司，计算资源有限，无法满足如此多的用户请求。这也使得DeepSeek在使用的过程中体验变差。本文将教你一招拒绝“服务器繁忙，请稍后再试。”，为你提供更流畅的DeepSeek使用。

2025-02-09 14:22:15 1379

原创编程小白也能开发小游戏！不敲一行代码，DeepSeek 全自动化编程

需要注意的是，DeepSeek支持输入的Token数量较少，因此更适合写更为简短的代码，在输入要求时，也可以提出要求，使得代码尽量精简。安装成功后，左侧将会出现一个Cline的图标，我们点击这个图标，打开Cline。VSCode可以说是每个程序员的标配，Python是最简单的编程语言，安装过程非常简单，可以自行百度，下面是一篇参看，按照教程完成后，即可开始下面的步骤。注册完成后，硅基流动将会赠送14元的余额，DeepSeek API的价格非常低，14元足够使用很长一段时间。命名完成后，点击新建密钥。

2025-02-07 23:29:09 1089

原创解锁DeepSeek R1数据限制：一台电脑打造高效个人知识库

首先点击左下角的小扳手，打开设置，找到人工智能提供商 -> Embedder首选项，选择嵌入引擎提供商为Ollama，模型选择为deepseek-r1:1.5b，最后点击保存更改。告诉DeepSeek"总结资料，如何将DeepSeek接入Word"，DeepSeek能够按照文档的内容进行总结，生成输出，但DeepSeek目前暂时还无法解析图片，因此只能根据文档内的文本内容做出回答。小编的笔记本显存为6G，因此选择最小的1.5b模型进行部署，如果显存更大的话，可以选择更大的模型。

2025-02-07 23:27:16 1256

原创本地Ollama部署DeepSeek R1模型接入Word

而DeepSeek由于近期服务器压力较大，暂时停止了API key的注册服务，那么要想实现DeepSeek与Word的结合，我们也可以通过本地部署的方式进行。此代码在上一次代码的基础上进行了优化，对大模型md格式的输出进行了优化，去掉了md格式的修饰，只保留纯文本；在上一个版本中，大模型输出的“\n”会被当做文本显示，而此版本的代码直接将“\n”当作回车处理，结果更加美观。小编的笔记本显存为6G，因此选择最小的1.5b模型进行部署，如果显存更大的话，可以选择更大的模型。本地处理减少网络传输，响应速度更快。

2025-02-04 19:51:13 12443 15

原创 DeepSeek最新图像模型Janus-Pro论文阅读

在本研究中，我们介绍了 Janus-Pro，这是之前工作 Janus 的一个高级版本。具体来说，Janus-Pro 采用了（1）优化的训练策略，（2）扩展的训练数据，以及（3）更大的模型规模。凭借这些改进，Janus-Pro 在多模态理解和文本到图像的指令跟随能力方面取得了显著进展，同时增强了文本到图像生成的稳定性。我们希望这项工作能够激发该领域的进一步探索。代码和模型已公开。

2025-02-04 19:40:52 1773 1

原创办公新利器：DeepSeek+Word，让你的工作更高效

DeepSeek与Word的梦幻联动，将为你开启高效办公的新篇章！熟悉的Word界面中，只需轻点鼠标，就能召唤出强大的DeepSeek，让它为你快速检索信息、精准翻译文本、智能生成内容…… 告别在不同软件间来回切换的繁琐，告别低效的信息获取方式，让办公效率飞起来！

2025-02-02 15:30:00 25729 34

原创 DeepSeek实现低成本训练，原来是靠它！

DeepSeek推出的最新推理模型，以500万美元的训练成本，比肩数亿美元成本的OpenAI o1，离不开各种优化策略，除了之前提到的“知识蒸馏”以外，还包括今天的主角MoE。在机器学习和深度学习领域，模型的设计和优化一直是研究的核心。近年来，一种名为的模型架构逐渐引起了广泛关注。MoE模型通过结合多个“专家”模型的优势，能够在处理复杂任务时表现出色。本文将详细介绍MoE模型的基本概念、工作原理、优势以及应用场景。

2025-01-30 18:16:52 1559

原创 AI编程利器Cursor，教你10秒速成编程高手

Cursor 是一款集成了先进大型语言模型（LLM）的代码编辑器，其设计灵感来源于广受欢迎的 Visual Studio Code（VS Code），并在此基础上添加了强大的 AI 辅助编程功能。它支持多种先进模型，如 GPT-4 和 Claude 3.5，能够通过自然语言交互生成代码，帮助开发者快速解决问题。如果你熟悉VS Code，那么你可以无缝衔接Cursor；如果你熟悉PyCharm、Idea等，你也可以轻松上手Cursor。：根据上下文提供准确的代码建议。：通过自然语言描述生成完整的代码。

2025-01-30 11:31:34 1663

原创 DeepSeek R1中提到“知识蒸馏”到底是什么

想象你是一个刚学做菜的新手，想复刻米其林大厨的招牌菜。如果只告诉你最终味道（比如“酸甜适中”），你很难完美复制。但如果你能知道大厨做菜时的每个细节（比如火候调整顺序、调料配比、食材处理技巧），你就能学得更像。深度学习中的知识蒸馏（Knowledge Distillation）一个复杂的大模型（比如GPT-3、ResNet-152），性能强大但计算成本高。学生模型（Student Model）：一个简单的小模型（比如MobileNet），轻量但性能较弱。

2025-01-29 18:39:34 4173 3

原创一文读懂DeepSeek-R1论文

论文提出了基于强化学习（RL）的推理模型和。：完全通过大规模强化学习（无需监督微调/SFT）训练，展示了强大的推理能力，但存在可读性差、语言混合等问题。：在强化学习前引入冷启动数据和多阶段训练（SFT + RL），解决了可读性问题，性能与相当。开源贡献：发布 DeepSeek-R1-Zero、DeepSeek-R1 及基于 Qwen 和 Llama 的 6 个蒸馏模型（1.5B 至 70B），供研究社区使用。DeepSeek-R1-Zero 的训练强化学习算法。

2025-01-28 15:32:58 4052

原创 PyCharm接入DeepSeek实现AI编程

DeepSeek 是一家专注于人工智能技术研发的公司，致力于开发高性能、低成本的 AI 模型。DeepSeek-V3 是 DeepSeek 公司推出的最新一代 AI 模型。其前身是 DeepSeek-V2.5，经过持续的优化和升级，V3 版本在性能、速度和成本方面都取得了显著提升。DeepSeek-V3 的发布表明，国产 AI 模型在技术层面已经具备与国际顶尖模型（例如 GPT-4o）竞争的实力。接下来，我们把DeepSeek接入到PyCharm中，并利用其能力辅助我们进行代码开发。

2025-01-26 20:58:53 40760 34

原创本地部署大模型实现OCR识别

在数字化时代，光学字符识别（OCR）技术已成为信息处理和文档管理的重要工具。近年来，随着大模型技术的兴起，OCR技术迎来了新的发展机遇。本文将探讨大模型在OCR识别中的应用，分析其技术优势、行业实践以及未来趋势。

2025-01-23 10:51:06 3110

原创一文学会YOLO系列算法（从V3到11）实现遥感图像目标检测

遥感技术的快速发展，特别是在高分辨率遥感图像的获取能力上的显著提升，已经大大拓宽了遥感数据在环境监测、灾害评估、城市规划及军事侦察等领域的应用范围。在这些应用中，遥感目标检测作为一项基础而关键的技术，其研究和发展受到了广泛关注。遥感目标检测旨在从遥感图像中自动识别并定位地表特定目标，其挑战在于需要处理大尺寸、高复杂度的图像，并且需要在多变的环境条件下保持高准确率和鲁棒性。随着深度学习技术的快速进步，基于深度学习的目标检测算法，尤其是YOLO系列算法，已经成为遥感目标检测领域研究的热点。

2025-01-20 01:26:37 1741 1

原创时间序列预测——一文搞懂什么是时间序列

时间序列（Time Series）是指按照时间顺序排列的一系列数据点，每个数据点通常在特定时间戳上被收集和记录。简而言之，时间序列是一种按时间维度组织的数据，它能够反映一个变量在不同时间段的变化趋势或行为模式。时间序列数据的核心特征在于时间依赖性，即数据点之间通常存在某种内在的时间序列关系，当前时刻的数据往往受到之前时刻数据的影响。这种依赖关系是时间序列分析和预测的关键所在。顺序性：时间序列数据具有时间顺序特征，时间是数据的一个重要维度，数据点不是独立的，它们的顺序性对分析至关重要。

2025-01-02 19:55:14 2722

原创大模型的可视化——探索大模型“黑盒”

在深度学习和人工智能领域，大模型（如GPT、BERT等）已经成为了推动技术革新和应用的核心。然而，随着这些模型的不断增大，如何理解和调试这些复杂的模型成为了一个亟待解决的挑战。尽管这些大模型通常拥有出色的预测能力，但它们常常被视为“黑盒”，即我们很难直接理解它们是如何做出决策的。因此，大模型的可视化成为了一个极为重要的研究方向，旨在帮助我们洞察模型内部的机制、提高模型的可解释性、并优化其性能。本文将以Qwen2.5模型为例，实现大模型的可视化。

2025-01-01 18:07:05 1388

原创目标检测新思路：DETR

DETR（Detection Transformer）是一种基于Transformer架构的目标检测器，为目标检测领域打开了一扇新的大门。但值得注意的是，DETR在COCO数据集上的AP并没有达到SOTA水平，并且存在着难以收敛的问题。随着后续的不断改进，DETR在目标检测任务中越来越好，解决了AP不高和难以收敛等问题。COCO数据集也被DETR后续的不同改进霸榜。期待DETR涌现更多优秀的后续工作。

2023-10-11 20:32:09 1578 2

原创自监督对比学习框架SimCLR原理

仔细观察图像，亮度较高的两条斜线是由正样本对产生的，说明经过训练的编码器，实现了正样本对之间的特征向量尽可能的相似，而与其他的负样本尽可能的不相似，达到了想要的效果。我们的目的是让softmax函数的分子尽可能的变大，分母尽可能的变小，也就是样本正样本之间的余弦相似度尽可能的大，与负样本之间的余弦相似度尽可能的小。接下来就要通过不同的特征向量，计算其InfoNCE损失，并根据损失，在反向传播的过程中，不断更新编码器中的权重项与偏置项，使得正样本对产生的特征特征向量对之间的相似性尽可能的大。

2023-06-23 19:29:40 7022 5

原创八数码问题

如下图所示，在节点1完成展开后，open表弹出最后一个节点4，节点4展开形成节点5、6，并将其加入到open表的尾部，接下来将会弹出最后一个节点6，节点6的子节点又会加入到open表的尾部，接下来继续弹出最后一个节点，这个节点则是节点6的子节点。我在代码中做了许多鲁棒性的操作，本来的想法是，将八数码问题很容易的扩展到十五数码问题，但是后来才想到，代码处理节点的方式是将其拉成一条字符串，这样以来，10以上的数字就没有办法表示了，因为他们占了两位字符，只能放弃了这个想法。但把代码中的鲁棒性操作都保留了下来。

2023-03-23 22:19:41 4733

原创 Kmeans++ 对图像聚类

同样，对于高维度的图像信息，可以将像素点之间的差异看作距离，这样得到的每个簇，都是像素点差异较小的图，简单来说，每个簇内是图像相似度较高的图像。kmeans算法是较为常见的聚类算法，不仅可以对二维的坐标点进行聚类，还可以对高维的图像信息进行聚类。Kmeans算法对初始质心的选择比较敏感，Kmeans++算法针对初始质心的选择做了改进，使得几个初始质心尽可能的远。其中，avg.jpg是质心，是簇内所有图像的平均值，是对簇内信息的抽象反映。可以看出，聚类效果还是不错的，把一些较为相似的图像放在了一个簇内。

2023-03-08 16:28:51 2289 1

原创 YOLOv5深度剖析

YOLOv5与历代YOLO算法相似，使用了网格的概念，将图像划分为多个网格，每个网格负责预测一个或多个物体，简单来说每个网格都可以产生预测框。网格可以产生预测框的原因也很简单。网格内存有几个（一般为三个）预测框的模板，也就是"anchor"每个anchor都有预设的宽高、坐标以及置信度。置信度表示网格内存在物体的概率。

2023-02-24 20:54:56 15998 9

原创 YOLO v5 代码精读（3）YOLO网络结构

YOLO模型共有五种模型规格，规格越大的模型准确率越高，相应的预测时间也就越长。一般默认选择YOLOv5s，也可根据需求选择更大或更小的模型。这里以YOLO v5s为例，分析YOLO的网络结构。

2023-01-04 23:37:02 3951 2

原创 YOLO v5 代码精读（2）train模块

精读了YOLO v5 6.0版本的detect模块，这篇博客来精读train模块。

2023-01-03 23:36:50 3392 3

原创 YOLO 模型的评估指标——IOU、Precision、Recall、F1-score、mAP

YOLO是最先进的目标检测模型之一。目标检测问题相比分类问题要更加复杂，因为目标检测不仅要把类别预测正确，还要预测出这个类别具体在哪个位置。我将目标识别的评估指标总结为两部分，一部分为预测框的预测指标，另一部分为分类预测指标。

2023-01-01 00:53:46 31465 7

原创 YOLO v5 代码精读（1） detect模块以及非极大值抑制

YOLO 是目前最先进的目标检测模型之一，现在博客上常有的是如何使用YOLO模型训练自己的数据集，而鲜有对YOLO代码的精读。我认为只有对算法和代码实现有全面的了解，才能将YOLO使用的更加得心应手。这里的代码精读为YOLO v5，github版本为6.0。版本不同代码也会有所不同，请结合源码阅读本文。本文使用注释完成对每行代码的解读，文段来概括总结每个代码段。yolo v5代码 6.0版本 github代码地址。

2022-12-28 00:43:38 7180 3

原创 python+opencv+mediapipe+tensorflow实现手势识别控制计算机

目录系统介绍OpenCVMediapipeTensorFlowPyWin32数据处理通过mediapipe提取特征转化为相对坐标：均值方差归一化（标准化）：测试效果：神经网络网络结构设计激活函数神经网络的训练过程模型调参语音唤醒监听麦克风将音频读取为numpy识别判断系统设计识别缓冲区键鼠控制PyWin32识别区域的映射鼠标操作键盘操作手势控制计算旋转角度调节亮度和音量本系统灵感源自钢铁侠的贾维斯是基于手势识别的计算机交互系统，利用OpenCV、Mediapipe识别手部关键点；利用TensorFlow搭建

2022-12-16 09:57:49 11028 10

学生信息管理系统 Element-ui+Servlet+Mybatis

yolo v5的正样本匹配问题

微信小程序体验版 ios无法请求服务器

Element中的el-button标签绑定单击事件不生效

这个mybatis连接mysql8.0的&问题怎么解决