邢为栋

Chat2DB 是一款有开源免费的多数据库客户端工具，支持windows、mac本地安装，也支持服务器端部署，web网页访问。和传统的数据库客户端软件Navicat、DBeaver 相比Chat2DB集成了AIGC的能力，能够将自然语言转换为SQL，也可以将SQL转换为自然语言，可以给出研发人员SQL的优化建议，极大的提升人员的效率，是AI时代数据库研发人员的利器，未来即使不懂SQL的运营业务也可以使用快速查询业务数据、生成报表能力。也支持docker部署，部署方式详见。

文本分类是NLP应用领域中最常见也最重要的任务类型，也是机器学习领域的经典应用场景之一。本文通过笔者工作中的一个真实案例，讨论通过机器学习实现文本多标签分类的过程以及一些优化经验。对于文中涉及到的一些机器学习术语，如不理解其含义，可自行百度，或参考机器学习基础。案例介绍案例：试题知识点预测描述：中小学课程试题对应一个或多个知识点，现在想要通过机器学习训练出一个模型，可以通过试题文本，预测出试题知识点。这个案例可以抽象成一个文本的多标签分类任务，其中的知识点就属于标签。机器学习库：scikit-

在构建机器学习环境的docker镜像时，安装了paddlehub，paddlehub的依赖有opencv-python，使用时报错如下：Traceback (most recent call last): File "woodpecker/etl_main.py", line 2, in <module> from etl import etl_paper_html, tl_paper_paragraph_label, tl_model_inputs File "/ws/woo

根据自己的理解，整理了一些机器学习基础知识，如有偏颇，请指正。所谓机器学习，就是使用计算机模拟或实现人类的学习行为。机器学习是实现人工智能的根本途径。下述主要内容为机器学习基本术语的理解和介绍，机器学习领域的主要学习方法介绍，机器学习系统建设阶段的介绍。基本术语实例实例是要对其预测的事物。实例可以是一个图片，或者一段文本。标签标签是预测任务的答案。标签可以是小麦未来的价格、图片中显示的动物品种、音频剪辑的含义或任何事物。特征特征是预测任务中使用的实例的属性，是我们的目标事物或者是从目标事物

最近在做机器学习系统，模型训练好了，API也开发完了，目前使用的API服务套件是：fastapi + gunicorn + docker。但是有一个问题一直没有解决，就是当API服务启用多个worker时，一个worker会加载一次模型到内存中，内存资源的消耗非常大，如果直接这样使用，会极大的提升硬件成本，随着模型的增多，API服务的资源消耗是不可想象的，所以暂停了模型优化工作，在API上线生产环境前，这个问题需要着重解决一下。目标很清晰，就是找到一个方法使API服务的workers共享内存，也就是模型

在使用 tf.keras.preprocessing.text_dataset_from_directory 读取样本数据时报错如下：TypeError: Input 'filename' of 'ReadFile' Op has type float32 that does not match expected type of string.这个问题是样本数据存储结构不符合API输入规范导致的，正确的结构如下(摘自API官方示例)：main_directory/...class_a/.....

在模式识别，数据挖掘，机器学习等领域，距离度量和相似度度量有着很广泛的应用，对这些度量算法有一定程度的理解，可以帮助我们更好的处理和优化在这些领域遇到的问题。距离度量算法和相似度度量算法是基础算法，经常被用在其他更高级的算法中。比如K最近邻（KNN）和K均值（K-Means）可以使用曼哈顿距离或者欧式距离作为度量方法。本文介绍一些常见的距离度量算法和相似度度量算法。算法定义描述，部分内容摘自百度百科，下面不一一标注。常见距离度量曼哈顿距离算法说明曼哈顿距离（Manhattan Distance