- 博客(79)
- 收藏
- 关注
RSS订阅原创 知识图谱03——知识图谱的存储与查询
第1节 基于关系型数据库的知识图谱存储第2节 基于原生图数据库的知识图谱存储第3节 原生图数据库实现原理浅析
2025-11-18 01:04:12
667
1原创 推理技术 01
命题逻辑以“命题”为最小单位，仅能表示简单事实，无法刻画复杂关系；谓词逻辑通过引入谓词、变量、量词等，解决了命题逻辑的局限性，是更灵活的形式化表示工具。
2025-11-13 14:56:18
852
原创 神经网络 - 循环神经网络
时间序列数据指在不同时间点收集的数据，反映某一事物或现象随时间变化的状态或程度。序列数据不一定随时间变化（如文本序列），但所有序列数据都有一个共同特征：后序数据与前序数据存在关联。
2025-11-07 01:54:07
911
原创 神经网络 - 卷积神经网络
在全连接层中，假设前一层有nnn个神经元，当前层有mmm个神经元，那么会存在n×mn \times mn×m个可训练的权重（参数）。ajf∑i1nwji⋅xibjajf∑i1nwji⋅xibj其中，xix_ixi是前层第iii个神经元的输出，wjiw_{ji}wji是前层第iii个神经元到当前层第jjj个神经元的权重，bjb_jbj是当前层第jjj。
2025-11-07 00:18:02
1067
原创 神经网络—— 优化
类型批量大小核心特点随机梯度下降（SGD）每次随机选1个样本更新参数；更新速度快，但方向随机性大，收敛波动明显。小批量梯度下降（MBGD）1<batch_size<N（N为总样本数）综合SGD与BGD的优点：更新速度较快，波动较小；支持矩阵运算优化，无内存瓶颈。朴素梯度下降（BGD）每次用全部样本计算梯度；更新方向准确、稳定，但训练时间长，不支持在线更新。
2025-11-06 14:13:53
798
原创 神经网络—— 学习与感知器（细节补充）
用线性模型zθTxθ0zθTxθ0学习特征与输出的关系；通过Sigmoid函数将zzz映射为[0,1]的概率hθxhθx；用交叉熵损失衡量预测误差，构建代价函数JθJ(\theta)Jθ；通过梯度下降法最小化JθJ(\theta)Jθ，得到最优参数θ\thetaθ；根据hθx≥0.5hθx≥0.5或0.5<0.50.5进行二分类。样本xxx到超平面的几何距离r∣wTxb∣∥w∥r。
2025-11-05 19:51:27
371
原创 神经网络—— 学习与感知器
监督学习是机器学习的一种方法，通过构建算法从带标签的训练数据（每个样本为“输入-期望输出”对）中学习，生成推理函数，用于对新样本进行预测或决策，而非遵循固定程序指令。无监督学习使用无标签样本进行训练，算法通过挖掘数据自身的内在结构（如聚类、降维）获取知识，无需人工提供“正确答案”。
2025-11-05 16:41:17
978
原创 神经网络—— 人工神经网络导论
人工智能是指通过计算机模拟或实现的智能，是研究如何使机器具备智能的技术，尤其研究如何在计算机上实现或复现人工智能。它是计算机科学的一个分支，融合了计算机科学、脑科学、神经生理学、心理学、语言学、逻辑学、认知科学、思维科学、行为科学、数学、信息论、控制论和系统论等多个领域的知识。人工神经网络（简称ANN）是一种信息处理系统，其设计灵感源于生物大脑，基于对生物大脑结构与功能的模拟，通过数学和物理方法开展研究。
2025-11-05 15:29:15
767
原创 neo4j
目录说明：bin：存放启动 / 停止数据库的脚本（如 neo4j.bat 是 Windows 启动脚本）；conf：核心配置文件目录（重点修改 neo4j.conf）；data：存储数据库数据（节点、关系等）；logs：日志文件目录（排查错误用）。
2025-10-22 15:23:37
895
原创 &桶排序&
桶排序（Bucket Sort）是一种，核心思想是将待排序数据分散到若干个“桶”中，对每个桶内的数据单独排序（可复用插入排序、快速排序等），最后将所有桶的元素按顺序合并，得到整体有序的结果。它的效率高度依赖数据的分布特性，适合处理（如浮点数、整数）。
2025-10-17 17:47:41
877
原创 NLP意图识别
意图识别是自然语言处理（NLP）的核心任务，核心是，比如用户说“明天上海冷吗”，意图是“查询上海明日天气”。它是所有智能交互系统的“大脑中枢”，没有意图识别，机器就无法理解用户要“做什么”意图识别的方法随NLP技术演进，分为（依赖人工设计）和（自动学习特征）两大类，各有适用场景，需根据数据量、意图复杂度选择。
2025-10-17 13:49:49
675
原创 知识库检索
文本检索的本质是，主流算法分为“距离度量”和“相似度度量”两类，需根据场景选择最适合的方法。SimAB∥A∥∥B∥A⋅B其中A⋅B是向量点积，∥A∥和∥B∥是向量的L2范数。计算两个向量夹角的余弦值，范围为 ([-1, 1])。值越接近1，方向越相似；值为0表示正交（无关）。
2025-10-17 11:57:56
691
原创 ollama+deepseek-r1:7b+ragflow+docker
RAGFlow是部署在虚拟机里的，默认情况下，Ollama 只能允许本机访问（监听 localhost:11434），其他设备（比如虚拟机）是无法连接的。如果你的 Ollama 只想给自己的虚拟机使用，而不想直接暴露 11434 端口让任何设备都能访问，你可以通过SSH 端口转发来实现；OLLAMA_HOST=0.0.0.0:11434：让虚拟机里的程序能访问本机上运行的 Ollama 模型。可能存在的问题：如果配置后虚拟机无法访问，可能是你的本机防火墙拦截了端口 11434，需要放行它。
2025-10-11 02:22:31
453
原创 搜索技术（课堂例题）
要解决这个旅行商问题（从城市A出发，访问其他城市不多于一次并返回A，找最短路径），我们用状态空间法，通过定义状态、构建状态空间图来分析。深度优先搜索（DFS）的特点是尽可能“深”地搜索树的分支，优先沿着一条路径一直搜索到叶子节点，再回溯搜索其他路径。宽度优先搜索（BFS）的特点是按“层”遍历树，先访问完当前层的所有节点，再访问下一层的节点。，最佳路径的弧线依次连接上述各城市状态节点，代价标注为各段路程的数值之和。表示状态，其中已访问城市集合用集合形式，A为起始和最终城市，初始状态为。
2025-09-26 14:29:28
1105
原创 搜索技术（自学版02）
全文本搜索技术(FTS)是针对非结构化文本数据的高效检索方案，核心是通过倒排索引实现快速查询。其技术流程分为离线预处理和在线查询两大阶段：预处理环节包括文本清洗、分词、停用词过滤、词形归一化和索引构建；查询环节则包含查询处理、检索匹配和相关性排序。该技术解决了非结构化文本检索、海量数据处理和语义关联性三大核心挑战，广泛应用于搜索引擎、日志分析等场景。通过建立词条与文档的映射关系，实现毫秒级响应，同时支持AND/OR逻辑、短语匹配和模糊查询等多种检索方式。
2025-09-26 02:09:00
897
原创 LLaMA-Factory+Lora+modelscope(离线版)
LLaMA-Factory是一个开源的大模型训练与微调平台，支持多模态任务和跨硬件部署。其特点包括：1）支持上百种主流模型；2）提供多样化训练算法和量化技术降低显存需求；3）通过Web UI实现低代码操作；4）兼容国内网络环境。安装时需注意tokenizer配置问题，可能因网络或环境配置导致连接失败。该平台特别适合资源受限环境下的模型微调，相比Hugging Face等框架更易上手，但超大规模训练仍需依赖分布式工具。
2025-09-19 01:41:56
1184
原创 多线程与JUC并发编程
/ 自定义拒绝策略：将被拒绝的任务存入数据库，并发送告警@Override// 1. 将任务信息持久化到数据库（后续可人工重试）// 伪代码：保存任务详情// 2. 发送告警通知（如邮件、短信给开发人员）sendAlert("线程池任务被拒绝，任务信息：" + r.toString());// 伪代码：告警逻辑// 3. 可选：打印日志System.err.println("任务" + r + "被拒绝，当前线程池状态：" +
2025-09-04 16:04:38
731
原创 IP数据报相关内容
子网掩码（Subnet Mask）是一个32位的二进制数，与IP地址配合使用，用于明确区分IP地址中的“网络部分”（含原始网络位和子网划分时借的子网位）和“主机部分”。二进制中，1代表“网络位”，0代表“主机位”；例如：C类地址默认子网掩码，二进制是，表示前24位是网络位，后8位是主机位。
2025-08-17 00:34:18
696
原创 回顾稀疏数组
假设一个1000×1000的二维数组，其中只有10个非0元素，其余都是0。如果直接存储，需要占用1000×1000=1,000,000个存储空间；而用稀疏数组存储，只需要存储这10个有效元素的位置和值，极大节省内存。的二维数组的数据结构。当一个二维数组中只有少量有效数据（非0元素），而大部分元素是默认值（如0）时，使用稀疏数组可以大幅减少存储空间。通过稀疏数组，可以高效压缩数据，节省存储空间和传输成本。：存储原始数组的基本信息。：存储每个非0元素的信息。
2025-08-12 17:17:26
408
原创 web服务器 网站部署的架构
正向代理是代理服务器位于客户端与目标服务器之间，客户端通过它向目标服务器发送请求，目标服务器无法直接知道请求源于哪个客户端。反向代理是一种服务器，接收客户端的请求并将其转发到内部的一台或多台服务器。这种情况下，客户端并不知道具体哪个服务器在处理其请求。
2025-01-22 23:37:47
2269
原创 CNN+LSTM+AM研究方向初尝试
长期特征提取：使用LSTM捕捉电力负荷数据的趋势和季节性。非平稳性处理：利用CNN处理负荷数据的随机性特征。自注意力机制：突出重要信息，建模长距离依赖关系。输入层输入为序列数据，通常是电力负荷数据。数据格式可能为一个二维张量，形状为[样本数, 时间步长, 特征数]。在短期负荷预测中，特征数可能只有一个，即电力负荷。LSTM层该层负责处理时间序列数据的长期依赖性。LSTM 通过内部的门控机制（输入门、遗忘门和输出门）来捕捉数据中的趋势和周期性。
2024-12-05 01:02:00
2206
原创 查漏补缺01
召回是从大量候选物品中筛选出一小部分潜在感兴趣的物品的过程。它在推荐系统中扮演着至关重要的角色，因为它在某种程度上决定了整个推荐的上限。
2024-12-02 00:21:56
1567
原创 Dify+Docker
直接下载（1）访问（2）点击绿色的"Code"按钮，然后选择"Download ZIP"（1）先找到文件所在的文件夹（通常在 dify 目录下的 docker 文件夹中）进入这个命令会启动在中定义的所有服务。
2024-11-30 00:15:42
1109
原创 大模型 LLM 八股文
LLM（Large Language Model，大型语言模型）是指基于大规模数据和参数量的语言模型。Transformer 架构：大模型 LLM 常使用 Transformer 架构，它是一种基于自注意力机制的序列模型Transformer 架构由多个编码器层和解码器层组成，每个层都包含多头自注意力机制和前馈神经网络。这种架构可以捕捉长距离的依赖关系和语言结构，适用于处理大规模语言数据。自注意力机制（Self-Attention）：自注意力机制是 Transformer 架构的核心组件之一。
2024-11-29 00:59:34
1173
原创 简历面-面经03
用户分类：根据用户的角色和职责划分用户类型，例如管理员、开发者和普通用户。角色创建：为不同的用户或服务创建特定的角色，这些角色具有不同的访问权限。例如，开发者角色可以管理函数代码，但不能删除函数。
2024-11-27 23:43:49
936
原创 简历面--面经03
使用特殊符号（如箭头）代替 NoOp 节点，直接在节点之间表示数据流向，减少节点数量，使图更清晰。例如，使用向上的箭头表示节点有一个输出指向 NoOp，使用向下的箭头表示节点有一个输入来自 NoOp。节点聚类和边缘捆绑： 根据命名空间和节点类型对节点进行聚类，并将同一层级的节点之间的多条边捆绑成一条边。将同一层且只有一个输出、没有输入且指向相同目标节点的常量节点合并成一个节点，减少节点数量，简化图的结构。简化图结构： 常量节点通常数量众多，且功能单一，将其聚合可以显著减少图中的节点数量，使图更简洁易懂。
2024-11-27 17:08:45
727
原创 简历面--面经02
编码器（下采样部分）和解码器（上采样部分）。编码器（Contracting Path）功能：提取特征并降低图像分辨率。结构：由一系列卷积层和池化层组成。每个卷积块通常包含两个卷积层，后跟一个最大池化层。通过这种方式，网络逐渐增加特征图的深度，减少空间维度。例如：在最开始的层中，输入图像通过一系列的卷积操作，得到更多的特征信息，再通过池化层减小尺寸。瓶颈层功能：连接编码器和解码器部分，通常是卷积操作，进一步提取特征。解码器（Expanding Path）功能。
2024-11-27 02:22:49
818
原创 简历面--面经01
Python 常用于数据分析、机器学习和 Web 开发，Java 则常用于企业应用和 Android 开发。我比较喜欢 Python，因为它的语法简单易读，而且社区支持非常强大，适合快速开发。O(n * W)： 在处理背包问题时，W 表示背包的容量，n 表示物品的数量，表示存储所有可能状态所需的空间。请详细说明你在 Python 和 Java 中的项目经验。O(log n)： 空间需求与输入规模成对数关系，通常出现在二分查找的递归实现中。O(1)： 算法在运行时只需要常数级别的空间，与输入规模无关。
2024-11-26 15:55:27
798
原创 哈希表（极速学习版）
留余数法：简单易用，适合整数，但对数组大小选择敏感。折叠法：适合处理长键，具有较好的分布性，但实现较复杂。乘法哈希：能够生成更均匀的哈希值，适用性广，但实现相对复杂。
2024-11-22 17:42:52
822
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人