模型设计完成后，进入训练阶段。通过数据加载器 (DataLoader) 高效地批量处理数据，并使用优化器更新模型参数。# 实例化 DataLoader# 初始化模型和优化器# 训练循环for epoch in range(3): # 假设训练 3 个 epoch。

Hugging Face 是一个提供先进自然语言处理（NLP）工具的平台，支持 Transformer 模型的开发和应用。它拥有庞大的模型库和社区资源，能够满足从研究到工业应用的各种需求。

【代码】11_LangGraph快速构建Agent工作流应用。

【代码】10_LangGraph快速入门与底层原理讲解。

LangChain 代理适合入门，但在一定程度之后，我们可能希望拥有它们无法提供的灵活性和控制性。要使用更高级的代理，我们建议查看 LangGraph。在本次课程中，我们将构建一个可以与多种不同工具进行交互的代理：一个是本地数据库，另一个是搜索引擎。您将能够向该代理提问，观察它调用工具，并与它进行对话。代理是使用 LLM 作为推理引擎的系统，用于确定应采取哪些行动以及这些行动的输入应该是什么。然后可以将这些行动的结果反馈给代理，并确定是否需要更多行动，或者是可以结束。

在构建代理时，您需要为其提供一个 Tool 列表，以便代理可以使用这些工具。属性类型描述namestr在提供给LLM或代理的工具集中必须是唯一的。str描述工具的功能。LLM或代理将使用此描述作为上下文。可选但建议，可用于提供更多信息（例如，few-shot 示例）或验证预期参数。boolean仅对代理相关。当为True时，在调用给定工具后，代理将停止并将结果直接返回给用户。

虽然一些模型提供商支持内置的方法返回结构化输出，但并非所有都支持。我们可以使用输出解析器来帮助用户通过提示指定任意的 JSON 模式，查询符合该模式的模型输出，最后将该模式解析为 JSON。请记住，大型语言模型是有泄漏的抽象！您必须使用具有足够容量的大型语言模型来生成格式良好的 JSON。JsonOutputParser 是一个内置选项，用于提示并解析 JSON 输出。虽然它在功能上类似于 PydanticOutputParser，但它还支持流式返回部分 JSON 对象。# 定义您所需的数据结构。

LangChain 表达语言(LCEL) 是一种声明式方法，可以轻松组合链条。LCEL 从第一天设计时就目的在于支持将原型置于生产中，无需更改代码，无论是最简单的“提示+LLM”链还是最复杂的链(我们见过成功在生产中运行带有数百步骤的LCEL链)。一流的流处理支持当你使用LCEL构建链时，你可以获得尽可能短的首个令牌时间(直到输出的第一个块出来的时间)。对于一些链来说，这意味着我们可以从LLM直接将令牌流式传输到流式输出解析器，您将以与LLM提供程序输出原始令牌的速率相同的速率获得解析的增量输出块。

另一个常见用例是使用函数进行部分化。这种情况下的用例是，当您知道您希望以常见方式获取变量时。这种情况的一个典型示例是日期或时间。想象一下，您有一个提示，您始终希望包含当前日期。您不能在提示中硬编码它，并将其与其他输入变量一起传递有点麻烦。在这种情况下，能够使用始终返回当前日期的函数部分化提示非常方便。您还可以使用部分化的变量初始化提示，这在这种工作流程中通常更有意义。

【代码】01-LangChain基础入门和原理了解。

欠拟合 (Under-fitting)：模型太简单，不能很好地捕捉数据中的模式。简单例子：用直线拟合“U”形数据。实际例子：房价预测中只用面积一个特征。最佳拟合 (Optimal-fitting)：模型恰到好处，既能很好地拟合训练数据，也能对新数据有良好表现。简单例子：用合适的二次曲线拟合“U”形数据。实际例子：房价预测中使用了多个重要特征。过拟合 (Over-fitting)：模型太复杂，过度记住了训练数据，无法泛化到新数据。简单例子。

学习 LangChain 是一个循序渐进的过程，尤其是如果您是初学者，可能需要从基础概念开始，逐步深入到高级应用。通过这个计划，您可以在 8 周内系统掌握 LangChain 的核心知识和实践技能。如果有任何问题，欢迎随时调整计划或寻求帮助！的学习计划，具体到每周目标，帮助您系统掌握 LangChain。

① nn.Module是对所有神经网络提供一个基本的类。② 我们的神经网络是继承nn.Module这个类，即nn.Module为父类，nn.Module为所有神经网络提供一个模板，对其中一些我们不满意的部分进行修改。

可视化库安装。

Transforms在是计算机视觉工具包torchvision下的包，常用于对图像进行预处理，提高泛化能力。具体有：数据中心化、数据标准化、缩放、裁剪、旋转、翻转、填充、噪声添加、灰度变换、线性变换、仿射变换和亮度、饱和度及对比度变换。

上面我们知道了dataset 这个数据集之后，为啥还需要适用datalaoder， 这个时候如果你是从java过来的， 应该知道classloader，需要对内容进行加载，如果不是从java过来也没关系。dataset 我们可以比作时一副扑克牌，但是我们怎么抓到每个人手里是有dataloader说了算。

【代码】pytorch学习（五）: Tensorboard使用。

在 PyTorch 中，张量（Tensor）和标量（Scalar）是数据的基本表示形式。理解它们的区别和用途是有效使用 PyTorch 的关键。张量（Tensor）张量是一个多维数组，类似于 NumPy 数组，但具有更强大的功能，特别是在 GPU 加速计算和自动微分方面。张量可以是标量、向量、矩阵或更高维度的数组。0 维张量（标量）：只有一个数值。例如，3.14。1 维张量（向量）：一维数组。例如，[1.0, 2.0, 3.0]。2 维张量（矩阵）：二维数组。

Pytorch是torch的python版本，是由Facebook开源的神经网络框架，专门针对 GPU 加速的深度神经网络（DNN）编程。Torch 是一个经典的对多维矩阵数据进行操作的张量（tensor ）库，在机器学习和其他数学密集型应用有广泛应用。与Tensorflow的静态计算图不同，pytorch的计算图是动态的，可以根据计算需要实时改变计算图。但由于Torch语言采用 Lua，导致在国内一直很小众，并逐渐被支持 Python 的 Tensorflow 抢走用户。