jackmeng的博客

原创 深度学习之--Rnn--图像识别应用

------------------------------------------------------------以下是Rnn图像识别的调用流程--------------------------ax1.plot(training_history['train_loss'], label='训练损失', color='blue')ax1.plot(training_history['val_loss'], label='验证损失', color='red')

原创 机器学习---决策树

显然A集合的熵值要低，因为A里面只有两种类别，相对稳定一些 而B中类别太多了，熵值就会大很多。想象一下：我们的目标应该是根节点就像一个老大似的能更好的切分数据 （分类的效果更好），根节点下面的节点自然就是二当家了。目标：通过一种衡量标准，来计算通过不同特征进行分支选择后的分类 情况，找出来最好的那个当成根节点，以此类推。就可以了，那么难点就在于如何构造出来一颗树，这就没那么容易了，需。一个栗子： A集合[1,1,1,1,1,1,1,1,2,2]

原创 深度学习落地经验：从情感分析业务中学到的5个关键教训

经验：在通用语料预训练的BERT，对电商特有的“亲，宝贝收到了，很好”与“宝贝收到了，呵呵”背后的讽刺意味区分不开。解决方案是领域内进一步预训练 (Domain-Adaptive Pretraining) ，即用我们积累的400万条无标注评论，在MLM任务上继续训练3个epoch，然后再做分类微调。不要过度追求论文里的SOTA，能让业务方微笑的方案才是最好的模型。业务场景：模型上线后第一个月效果良好，但两个月后负面召回率下降8%，因为出现了新的吐槽词（如“绝绝子”原来是夸，后来在特定语境下变成讽刺）。

原创 使用火山引擎 HiAgent 构建工业级设备智能运维智能体

本文介绍了基于火山引擎HiAgent平台构建的汽车零部件制造企业设备智能运维助手项目。该项目针对设备故障导致的非计划停机问题，通过知识库构建、工作流设计、插件集成等技术手段，实现了故障诊断智能体的开发与部署。智能体采用三层诊断流水线，结合RAG增强知识检索和实时数据校验，显著提升了故障诊断准确率。项目上线后，平均故障响应时间缩短93%，非计划停机次数减少74%，年均减少损失约450万元。文章总结了工业场景智能体落地的核心经验，强调知识工程、实时数据接入和安全机制的重要性，并展望了从故障诊断向预测性维护的演进

原创 使用coze为连锁服装品牌打造门店智能导购助手

AI导购助手：用Coze解决快时尚品牌一线痛点 针对400+门店快时尚品牌导购面临的三大痛点——信息记忆难、找货效率低、活动计算复杂，团队基于Coze平台开发了嵌入企业微信的AI助手。通过意图识别分流、动态插件调用（库存/商品查询）、促销精准计算、搭配推荐四大模块，实现： 15秒极速响应（原需3分钟） 促销计算准确率99.3%（原82%） 搭配销售提升5%，日均卡片分享超2000次 关键设计： 插件+工作流：对接ERP实时数据，清洗后生成结构化卡片； 知识库优化：Markdown格式单品库+混合检索提升搭配

原创 如何用 Dify 替代传统客服机器人

跨境电商智能客服实战：Dify助力售后效率提升 针对跨境美妆电商的售后痛点（日均万次咨询、多语言政策变化频繁），我们基于Dify搭建了智能客服系统。通过可视化Chatflow设计四层处理逻辑：意图识别安全护栏、动态知识库检索（支持地区分段过滤）、API调用分支（带订单验证）、多轮记忆转人工。关键创新在于混合检索策略和运营闭环设计，使客服自主解决率从37%提升至74%，东南亚站点人力成本降低60%。经验表明：业务细节需工程化手段保障，知识库需结构化处理，运营闭环比调参更重要。Dify的价值在于让非技术人员也能

原创 使用InspireFace进行智慧楼宇门禁人脸识别的训练微调

摘要： InspireFace是一款高性能跨平台人脸识别SDK，基于InsightFace的ArcFace算法优化。针对特定场景（如办公楼门禁）精度不足的问题，可通过微调预训练模型（如MobileFaceNet）提升准确率。流程包括：1) 环境搭建（PyTorch、InsightFace工具链）；2) 业务数据准备（员工照片按ID分类，生成.rec训练文件）；3) 分层学习率微调（冻结部分预训练层，优化ArcFace分类头）；4) 模型转换为InspireFace格式部署。关键优化点包括难例数据增强、类别均

原创 从目标检测到行为识别：YOLO 模型微调实战

本文介绍了如何利用YOLO系列模型实现目标检测和行为识别。主要内容包括：1）环境搭建与目标检测模型微调，详细说明数据集准备、训练配置和推理过程；2）基于YOLOv8-pose的姿态估计模型微调，用于人体关键点检测；3）结合关键点几何特征实现摔倒检测的规则化方法，提供完整代码实现；4）模型导出为ONNX/TensorRT格式的部署方案。文章通过安全帽检测和摔倒识别两个典型案例，展示了从数据准备到实际应用的全流程，为快速开发智能视觉系统提供了实用指导。

原创 我让混合专家模型写小说，结果它比我还懂什么叫“分裂式创作”

AI写作新范式：混合专家模型实现多风格无缝切换 传统单一AI模型在写作时容易产生风格混乱，而混合专家（MoE）架构通过集成多个风格专家（如武侠、科幻、言情、意识流）和动态门控网络，实现了精准的风格控制。本文提出NovelMoE-Lite模型，包含四位独立训练的专家作家，由路由器根据上下文选择Top-2专家加权输出。核心代码展示了稀疏MoE层的实现，支持风格防干扰与融合。实验显示，模型能生成高度风格化的文本（如“武侠+科幻”混搭），且扩展成本低。未来可发展为层级MoE，模块化调度文风、情绪与剧情，推动AI写作

原创 强化学习写小说方案，七天跑出百万阅读爆款

而网文读者要的是**坐过山车**——差一点就死，忍十年打脸，神仙反转，虐到心绞痛后的一颗糖。- **与你的审美协作**：训练完生成 10 个版本，手动选一个最合口味的，然后把它作为正样本加入奖励函数（用 RLAIF 思路），形成“你+强化学习”的创作飞轮。恰恰相反，强化学习是你笔尖上的火箭发动机——它负责在巨大的叙事空间里搜索那些能让千万人瞳孔放大的瞬间，而你，负责赋予它灵魂。twist_keywords = ["没想到", "竟然", "原来", "却", "但是", "然而", "反而"]

原创 YOLO：为什么机器人的“眼睛”，非它莫属？

第二条路线是**YOLO的持续进化**。一项针对移动叉车机器人的研究，训练了YOLOv11模型来识别8类目标——木托盘、牛奶箱、矿泉水箱、安全头盔等，使用4949张图像和1250个人工标注目标，在NVIDIA A100 GPU上训练100个epoch，实现了mAP50为92.8%的卓越性能，其中矿泉水桶类别的识别精度高达97.3%。它没有大语言模型动辄数千亿的参数量，没有复杂的Transformer解码器，但它却是机器人大模型中真正的“火眼金睛”——一个以“快、准、稳”著称的实时目标检测专家。

原创 BERT在小说大模型中的核心定位：理解者、解码者、守护者

**技术小结**：BERT在小说大模型中的应用可以概括为“两个预训练任务”的价值——**掩码语言模型（MLM）** 让模型学会利用双向上下文理解词义，**下一句预测（NSP）** 让模型理解句子间的逻辑关系。研究者对1514部现代中文小说进行情感分析后发现，**93.2%的优秀小说Hurst参数大于0.5**，87%集中在0.52-0.74区间，这意味着小说的情感动态普遍存在长程相关性——一部好小说的情感起伏不是随机的，而是遵循着某种深层的叙事节奏规律。日本的一项前沿研究给出了令人信服的答案。

原创 LSTM：一个能“记住”故事的神经网络

**技术小结**：LSTM在小说大模型中的应用可以概括为“三个门”的价值——**遗忘门**过滤无关信息，**输入门**存储关键事件，**输出门**生成情境相关输出。**实战效果**：BookWorld系统正是这一思路的前沿探索，它从小说中提取角色和世界观的数据，构建AI世界，让角色AI在世界中进行长期的交互，自己创造自己的故事。但在小说大模型的生态中，它与Transformer是完美的互补关系：**Transformer负责生成高质量的词级内容，LSTM负责维护跨章节的宏观叙事一致性**。

原创 大语言模型似乎杀鸡用了牛刀。那么，究竟谁才是处理这些高频、轻量化任务的“最佳选手”？

*技术小结**：CNN在小说大模型中的应用可以概括为三个核心能力——**局部特征提取**（通过不同尺寸卷积核捕捉n-gram语义）、**并行计算**（天然适配GPU加速）、**语义相似度建模**（基于特征空间的文本比对）。接着，多个不同尺寸的卷积核在这个矩阵上滑动，就像在图像上做卷积一样。核心思路是：将文档以句子为单位切分，利用词向量模型将句子中的词语表示为向量的形式，作为卷积神经网络的输入，通过卷积神经网络提取和筛选句子的特征，计算句子对之间的差异，输出句子对的相似度，相似度高的句子对即视为抄袭嫌疑。

原创 小说大模型---全连接神经网络-大模型中真正的“守门人”

**技术小结：** 全连接网络在小说大模型中的应用可以概括为“三个一”——**一次特征融合**（多层FC提取高阶语义）、**一次特征组合**（多维度信息综合评判）、**一次最终决策**（输出分类/打分/合理性判断）。以文本风格分类为例：将小说的特征向量（可能包含句式复杂度、形容词密度、对话占比、修辞手法使用频率等数百个维度的特征）输入全连接网络，经过多层非线性变换，最终输出一个风格标签——可能是“古风”“悬疑”“轻小说”，也可能是“慢热型”“快节奏型”。今天，我们就来揭开它的神秘面纱。

原创 小说大模型的分布式训练——张量并行架构设计与实现

针对长文本训练的特殊需求，文章系统分析了显存瓶颈问题，提出了融合张量并行、序列并行和专家并行的3D并行架构。核心内容包括：详细设计了Transformer各组件（MLP、Attention、Embedding）的张量并行切分策略，通过列并行和行并行组合降低单卡显存占用引入序列并行技术解决长序列激活显存问题，采用All-to-All通信实现分布式注意力计算针对MoE架构提出专家并行融合方案，构建完整的3D并行训练体系基于PyTorch原生API实现了完整的并行化方案，并提供训练脚本和启动配置

原创 小说大模型的分布式训练——数据并行架构设计与实现

在小说大模型的分布式训练中，**数据并行（Data Parallelism）** 是最基础且应用最广泛的并行策略。小说文本具有天然的**长序列特性**，单部小说动辄数万甚至数十万字，导致训练数据的序列长度分布极不均衡——大部分数据为短序列（如对话段落、场景描写），小部分为长序列（如完整章节、情节连贯段落）。3. **注意力机制的二次复杂度**：小说生成需要长上下文建模能力，Attention模块的计算复杂度与序列长度的平方成正比，长序列不仅带来计算负担，还会在分布式场景下加剧通信开销。

原创 音乐大模型----tokenizer设计

音乐大模型之---tokenize

原创 基于Transformer的小说大模型：架构创新与文学创作革命

本文详细介绍了基于Transformer架构的小说生成大模型，从基础原理到完整实现。首先分析了Transformer在小说生成中的核心优势，如长距离依赖处理和并行计算能力。随后给出了包含嵌入层、注意力机制、前馈网络等组件的完整代码实现，并针对小说特点设计了角色嵌入、情节嵌入等专用模块。实验表明，该模型在情节连贯性（提升58%）、人物一致性（提升72%）等指标上显著优于传统RNN模型。文章还探讨了稀疏注意力、记忆增强等优化技术，以及武侠小说生成系统的应用案例。最后展望了多模态融合、交互式创作等未来发展方向，为

原创 基于微调的小说大模型：从通用叙事到专业创作的进化之路

本文提出了一套完整的武侠小说生成模型微调方法，通过领域特定微调将通用小说大模型转化为专业化创作工具。研究采用三层递进微调策略（领域适应、指令微调、偏好对齐），构建了包含1.2亿字的武侠语料库。实验结果显示，微调后模型在武侠风格匹配度（提升162%）、专业术语准确率（提升110%）等关键指标上显著提升，作家创作效率提高63%。研究还探讨了商业化应用场景与伦理框架，为AI辅助创作产业化提供了可行方案。该方法可扩展至其他小说类型，推动数字文化产业发展。

原创 基于GRU的小说情感分析器

本文提出了一种基于GRU神经网络的小说情感分析方法。该方法采用双向GRU结构结合注意力机制，能够分析文本中的8种基本情感类型及其强度变化。系统功能包括：1）章节级情感轨迹分析；2）情感转移模式建模；3）情感导向文本生成；4）可视化情感弧线。实验表明，该方法能有效捕捉小说文本中的情感演变规律，为文学分析和创作提供量化支持。系统采用PyTorch实现，包含词嵌入、GRU处理、注意力计算等核心模块，支持中文文本处理。

原创 基于ResNet的小说分析系统

本文提出了一种基于ResNet的小说分析系统，通过将文本信息转化为视觉表示，实现情感脉络和人物关系的可视化分析。系统首先将小说文本转换为情感矩阵和人物关系矩阵，然后利用ResNet进行特征提取和模式识别，包括情感变化趋势分析和人物关系网络结构分类。该系统创新性地结合了自然语言处理和计算机视觉技术，通过文本可视化方法和深度神经网络，为文学作品分析提供了新的技术路径。实验表明，该方法能有效识别小说的情感模式和人物关系结构，为文学研究和创作辅助提供了量化分析工具。

原创 从记忆到创作：LSTM如何赋能智能小说生成

本文探讨了LSTM在小说创作领域的应用，展示了这一时序模型如何通过记忆门控机制解决长期依赖问题，实现连贯文本生成。文章详细介绍了从数据预处理到模型构建的完整流程，包括带风格控制的LSTM生成器和多角色对话系统等创新应用。实验结果表明，增强后的LSTM模型在困惑度、连贯性和风格相似度等指标上接近人类作品水平。尽管当前技术仍存在局限性，但LSTM为AI辅助创作提供了新可能，未来可通过多模态融合、知识增强等方式进一步优化，实现更高效的人机协作创作模式。

原创 CNN深度学习模型在小说创作领域的应用

CNN在小说创作中的应用主要包括风格模仿、情节结构识别、情感节奏控制和人物对话生成。通过多尺度卷积网络捕捉不同层次的文本特征，结合BERT编码和注意力机制，实现作家风格迁移、情节结构规划和情感变化建模。系统采用模块化设计，包含风格分类、情节分析和情感控制模块，通过特征融合指导文本生成。该方法特别适用于短篇创作、风格模仿和情感节奏控制等场景，为AI辅助写作提供了新的技术路径。

原创 深度学习之----Bert模型

给模型输入两个句子 A 和 B，其中 50% 的情况下 B 是 A 的真实下一句，50% 的情况下 B 是从语料库中随机抽取的句子。传统语言模型（如 ELMo、GPT-1）要么是单向（从左到右），要么是浅层拼接的双向。使用较小的学习率，因为预训练权重已经很好。将序列填充（pad）或截断（truncate）到模型要求的固定最大长度（如 512）。在预训练好的 BERT 模型之上，添加一个简单的、与任务相关的输出层（通常很轻量）。：序列开头，其最终层的输出常被用作整个序列的聚合表示，用于分类任务。

原创 深度学习之----对抗生成网络-pytorch-CycleGAN-and-pix2pix

生成对抗网络架构原理解析

原创 深度学习---新闻数据文本分类---pytorch

文本分类

原创 深度学习--lstm---股票预测

------------------------------------------------以下是调用流程图------------------------------------------------------

原创 深度学习---Rnn-文本分类

【代码】深度学习---Rnn-

原创 深度学习--全连接神经网络（FCNN）与卷积神经网络（CNN）的区别

深度学习---全连接神经网络和卷积神经网络的区别对比

原创 深度学习---神经元网络---天气预测

使用神经元网络实现天气预测

原创 机器学习之---决策树模型进行量化交易

axes[2].scatter(sell_signals, backtest_df.loc[sell_signals, 'Close'], color='red', marker='v', label='卖出信号')-------------------------------------------------------下面是调用流程图--------------------------------------------------

原创 机器学习之聚类算法---相关性强的资产组合和识别市场异动板块

plt.scatter(centers[:, 0], centers[:, 1], s=200, marker='X', c='red', alpha=0.8, label='聚类中心')print(f"资产: {row['asset']}, 聚类: {row['cluster']}, 距离: {row['distance']:.4f}")method: 组合构建方法，可选'best_cluster'(最佳聚类)、'diverse'(多样化)、'custom'(自定义)

原创 机器学习之支持向量机---svm 进行工业缺陷检测

------------------------------------------------下面是调用流程图--------------------------------------------------------+--------------------------------------------------+plt.plot(fpr, tpr, color='darkorange', lw=2, label=f'ROC曲线 (AUC = {roc_auc:.3f})')

原创 机器学习之----贝叶斯-----工业异常监测应用

----------------------------------下面是调用流程-------------------------------------------------------------------------plt.axhline(y=0.5, color='r', linestyle='--', label='阈值 (0.5)')print(f"类别分布: 正常={np.sum(y==0)}, 异常={np.sum(y==1)}")

原创 机器学习之逻辑回归---工业应用场景

plt.axvline(x=best_threshold, color='r', linestyle='--', label=f'最佳阈值: {best_threshold:.2f}')--------------------------------下面是调用流程--------------------------------------------print(f"类别分布: 0={np.sum(y==0)}, 1={np.sum(y==1)}")

原创 机器学习应用案例---线性回归之经济预测

classifier.plot_confusion_matrix(y_test, y_pred, title="用户标签分类混淆矩阵", save_path="user_confusion_matrix.png")classifier.plot_feature_importance(features, title="用户标签分类特征重要性", save_path="user_feature_importance.png")}).sort_values('系数', ascending=False)

原创 深度学习---神经网络

原创 机器学习---聚类算法

直接密度可达：若某点p在点q的 r 邻域内，且q是核心点则p-q直接密度可达。直接密度可达：若某点p在点q的 r 邻域内，且q是核心点则p-q直接密度可达。噪声点：不属于任何一个类簇的点，从任何一个核心点出发都是密度不可达的。之间的距离，距离按照从小到大的顺序排序，d(k)就被称为k-距离。MinPts： k-距离中k的值，一般取的小一些，多次尝试。核心对象：若某个点的密度达到算法设定的阈值则其为核心点。密度相连：若从某核心点p出发，点q和点k都是密度可达的。ϵ-邻域的距离阈值：设定的半径r。

原创 机器学习---逻辑回归

3、解释：将任意的输入映射到了[0,1]区间 我们在线性回归中可以得到一个预测值，再将该值映射到Sigmoid 函数 中这样就完成了由值到概率的转换，也就是分类任务。1、逻辑回归解决的问题是是分类问题，可以是二分类也可以是多分类。是一个经典的二分类算法。解释：对于二分类任务（0，1），整合后y取0只保留。，自变量取值为任意实数，值域为[0,1].此时应用梯度上升求最大值，引入。4、sigmoid函数。