- 博客(124)
- 收藏
- 关注
RSS订阅原创 《AI开发工具和技能实战》第1集 Windows CMD 命令行操作指南：从基础到进阶
在日常使用 Windows 系统时，命令提示符（Command Prompt，简称 CMD）是一个强大且灵活的工具。无论是文件管理、系统配置，还是网络诊断，CMD 都能提供高效的解决方案。本文将详细介绍一些常见的 CMD 操作命令，并结合具体的输入和输出示例，帮助您更好地掌握这一工具。
2025-04-08 16:59:17
871
原创 《AI开发工具和技能实战》专栏规划：从工具到应用的全链路指南
随着AI技术快速迭代，开发者亟需掌握从环境配置到模型部署的全链路工具技能。本专栏以“实战”为核心，覆盖**系统工具、代码编辑、模型开发、应用框架、云服务**五大模块，共72篇深度指南，帮助开发者构建高效、可复用的AI开发工作流。专栏内容注重**场景化案例**与**工具对比**，附赠GitHub代码仓库与速查表，助力开发者从入门到精通。
2025-04-08 16:56:31
509
原创 《AI大模型应知应会100篇》第6篇：预训练与微调：大模型的两阶段学习方式
近年来，深度学习领域的一个重要范式转变是“预训练-微调”（Pretrain-Finetune）的学习方式。这种两阶段方法不仅显著提升了模型性能，还降低了特定任务对大量标注数据的需求。本文将深入解析预训练和微调的原理、优势及实践价值，帮助读者理解大模型如何从通用能力到专用能力的构建过程。通过实际代码示例、案例分析以及技术细节解读，本文将带你全面了解这一范式的运作机制，并探讨其在迁移学习、领域适应和低资源场景中的应用。
2025-04-07 17:05:00
574
原创 《AI大模型应知应会100篇》第5篇：大模型发展简史：从BERT到ChatGPT的演进
近年来，人工智能领域最引人注目的进步之一是大模型（Large Language Models, LLMs）的发展。这些模型不仅推动了自然语言处理（NLP）技术的飞跃，还深刻改变了人机交互的方式。本文将带领读者回顾大模型发展的关键历史节点，从BERT到ChatGPT的演进过程，帮助大家理解这一技术领域的脉络与逻辑。通过本文，你将了解到BERT如何开启双向编码的新时代，GPT系列如何一步步突破规模限制，以及ChatGPT如何利用人类反馈强化学习（RLHF）实现用户体验的飞跃。我们还将通过时间线、性能对比和实
2025-04-07 17:00:43
587
原创 【Python Web实战应知应会】No6:Flask网站公网部署指南
通过以上步骤，你的家庭网站应该能够在公网上稳定运行，并且具有良好的安全性和性能。根据你的具体需求和技术熟悉程度，选择最适合你的部署方法。如果你想在Docker环境中配置HTTPS，可以使用Certbot获取证书，然后修改Nginx配置。考虑使用Cloudflare等CDN服务加速静态资源。
2025-04-06 20:01:56
620
原创 《AI大模型趣味实战》智能财务助手系统配套说明:数据报表与指标手册
本文详细介绍了智能财务助手系统中的所有财务报表、数据项和指标计算方法，包含以下主要内容：[财务报表类型]资产负债表：详细列出了资产、负债和所有者权益的所有数据项 利润表：包含收入、成本费用、其他损益和利润相关数据项 现金流量表：包含经营活动、投资活动和筹资活动的现金流量数据项财务指标计算流动性指标：流动比率、速动比率、现金比率偿债能力指标：资产负债率、权益乘数、利息保障倍数盈利能力指标：毛利率、净利率、ROE、ROA运营效率指标：总资产周转率、存货周转率、应收账款周转率财务风险评估Z-Scor
2025-04-06 09:29:55
1107
原创 《AI大模型应知应会100篇》第4篇：Transformer架构深入浅出：大模型的基石
Transformer 架构自 2017 年提出以来，彻底改变了自然语言处理（NLP）领域，成为现代大模型（如 GPT、BERT）的基石。本文将从基础概念到核心原理，结合代码与可视化，带你理解这一革命性技术。
2025-04-05 11:27:29
680
原创 《AI大模型趣味实战》智能财务助手系统架构设计
智能财务助手是一个基于人工智能的企业财务管理系统，旨在解决企业跨银行账户管理、资金整合与智能投资决策的难题。系统集成了财务数据分析、风险评估、理财产品推荐以及AI驱动的交互功能，为企业提供一站式财务管理解决方案。
2025-04-05 00:23:02
1006
1
原创 《AI大模型应知应会100篇》第3篇：大模型的能力边界：它能做什么，不能做什么
在人工智能飞速发展的今天，大语言模型（LLM）已经成为许多领域的核心技术。然而，尽管它们展现出了惊人的能力，但也有明显的局限性。本文将通过分析大模型的核心能力与实际局限，结合具体案例和实验，帮助读者建立对大模型的合理预期，并探讨未来的发展方向。
2025-04-04 23:30:12
800
原创 《AI大模型应知应会100篇》加餐篇：LlamaIndex 与 LangChain 的无缝集成
在实际应用中，开发者常常需要结合多个框架的优势。例如，使用LangChain 管理复杂的业务逻辑链，同时利用LlamaIndex 的高效索引和检索能力构建知识库。本文在基于[ 第56篇：LangChain快速入门与应用示例]和[ 第57篇：LlamaIndex使用指南：构建高效知识库]基础上，通过 cmd方式集成、基于Streamlit UI集成、基于Ollama本地大模型集成 三个步骤以实战案例展示如何将两者无缝集成，构建一个智能客服系统，抛砖引玉、以飨读者。
2025-04-04 00:07:50
1093
原创 《AI大模型应知应会100篇》第57篇：LlamaIndex使用指南：构建高效知识库
在大语言模型（LLM）驱动的智能应用中，如何高效地管理和利用海量知识数据是开发者面临的核心挑战之一。**LlamaIndex（原 GPT Index）** 是一个专为构建大模型知识库设计的框架，它提供了从数据摄入、索引构建到查询优化的完整解决方案。本文将全面介绍 LlamaIndex 的核心功能和技术特点，并通过实战代码示例展示如何构建高效的知识库应用。我们将涵盖从基础架构到高级应用开发的全流程，帮助你快速掌握这一强大的工具！
2025-04-03 23:14:29
1014
原创 《AI大模型应知应会100篇》第56篇：LangChain快速入门与应用示例
最近最火的肯定非Manus和OpenManus莫属，因为与传统AI工具仅提供信息不同，Manus能完成端到端的任务闭环。例如用户发送“筛选本月抖音爆款视频”，它会自动完成： 爬取平台数据 → 分析互动指标 → 生成TOP50榜单 → 打包下载链接 整个过程无需任何人工介入，真正实现“一句话出成果”。Manus让普通人应用大模型变得无比简单，而这是AI大模型应用爆发的基础条件之一。Manus的开发并不神秘，它是基于LangChain为代表的AI大模型中间件技术之上，要学会开发智能体LangChain是必学课程
2025-04-03 22:54:02
991
原创 《AI大模型应知应会100篇》第7篇：Prompt Engineering基础：如何与大模型有效沟通
Prompt Engineering（提示工程）是与大模型高效沟通的关键技能。通过精心设计的Prompt，可以让模型生成更准确、更有用的结果。本文将从基础知识到高级策略，全面解析Prompt Engineering的核心技巧，并通过实战案例帮助你掌握这一新兴技能。
2025-04-02 23:55:32
1182
原创 《AI大模型应知应会100篇》第2篇：大模型核心术语解析：参数、Token、推理与训练
本文将用通俗易懂的语言拆解大模型领域的四大核心概念：参数、Token、训练与推理。通过案例对比、代码实战和成本计算，帮助读者快速掌握这些术语的底层逻辑与实际应用价值。
2025-04-02 23:51:22
772
原创 《AI大模型应知应会100篇》第13篇：大模型评测标准：如何判断一个模型的优劣
在人工智能快速发展的今天，大语言模型（LLM）的能力评估已成为一项关键任务。本文将系统介绍大模型评测的标准体系、方法论及典型评测基准，帮助读者建立科学评估大模型能力的方法框架。我们将通过实际案例展示如何设计和实施评测，并探讨评测结果与实际应用体验的一致性问题，避免片面或主观评价。
2025-04-01 19:32:58
920
原创 新专栏预告 《AI大模型应知应会短平快系列100篇》 - 整体规划设计
做个预告，为系统化梳理AI大模型的发展脉络，并为普及AI素养做一点贡献，特给自己制定了一个小目标，3个月内完成交稿。整体设计如下：一、基础知识模块（20篇）讲述大模型基础概念、原理、生态和伦理安全；二、应用实践模块（30篇）介绍基础应用技巧、垂直领域应用、高级应用技巧和工程化实践；三、开发工具与框架模块（20篇）介绍开发环境和工具、主流框架和库、开发实践；四、大模型微调与定制模块（15篇）；五、前沿趋势与挑战模块（15篇）
2025-04-01 19:29:01
754
原创 《Python实战进阶》No.41: 使用 Streamlit 快速构建 ML 应用
Streamlit 是一个专为数据科学家和机器学习工程师设计的开源框架，它允许您在几分钟内创建精美的交互式应用程序。本文将介绍 Streamlit 的核心功能，并通过两个实战案例展示如何构建基于 ChatGPT API 的聊天助手以及结合 EasyOCR 的 AI 家庭教师应用。无论您是想快速展示机器学习模型的效果，还是为非技术用户提供友好的交互界面，Streamlit 都是一个理想的选择。
2025-03-31 18:41:48
836
原创 《Python实战进阶》No40：MLOps 实践：从模型训练到生产环境
在现代机器学习开发中，仅仅拥有一个高精度的模型是不够的。如何将模型从实验环境顺利部署到生产环境，并持续监控与优化，是实现机器学习规模化应用的关键。本集将深入探讨 MLOps 的核心理念，涵盖数据流水线、模型版本管理、自动化测试与监控，以及 GITHUB CI/CD 在机器学习中的应用。通过实战案例（所有代码已经在python3.11.5环境下验证通过，备注了具体依赖版本号、代码文件名和启动说明），我们将初步掌握使用 MLflow 管理模型生命周期，并构建一个完整的 MLOps 流程。
2025-03-31 12:04:47
1332
原创 《Python实战进阶》No39：模型部署——TensorFlow Serving 与 ONNX
在机器学习项目中，训练好的模型需要被部署到生产环境中才能发挥实际价值。本集聚焦于如何将模型高效地部署到生产环境，涵盖**TensorFlow Serving**和**ONNX**两种主流工具的使用方法。我们将从理论入手，介绍模型部署的核心概念，并通过实战案例展示如何使用TensorFlow Serving部署图像分类模型，以及如何利用ONNX实现跨平台模型转换与部署。最后，我们还将探讨云原生部署和边缘计算中的相关策略。
2025-03-30 14:39:03
921
原创 《Python实战进阶》No38：机器学习模型优化与调参——Grid Search 与 Hyperopt
在机器学习项目中，超参数的设置对模型性能至关重要。本集聚焦于如何通过**网格搜索（Grid Search）**和**Hyperopt**这两种超参数优化方法，提升模型的性能。我们将从理论入手，介绍超参数搜索的核心概念，并通过两个对比实战案例展示如何使用这两种方法优化支持向量机（SVM）和XGBoost模型。最后，我们还将探讨自动化调参工具的应用场景以及超参数优化在大模型中的挑战。
2025-03-30 14:33:03
663
原创 《Python Web网站部署应知应会》No4：基于Flask的调用AI大模型的高性能博客网站的设计思路和实战（上）
本文详细探讨了一个基于Flask框架的高性能博客系统的设计与实现，该系统集成了本地AI大模型生成内容的功能。重点关注如何在高并发、高负载状态下保持系统的高性能和稳定性.用代码写一个网站现在越来越容易，但是要让网站在实际场景中保持稳定和高性能，尤其在大模型AI接口调用高并发背景下，真的需要一定的技术。文章详细介绍了多层次缓存策略、异步处理机制、请求批处理技术以及全面的性能监控系统的实现。通过多种性能测试工具的实战应用，包括负载测试、缓存性能测试和并发性能测试。
2025-03-29 21:08:25
1275
原创 《Python Web部署应知应会》No2：如何基于FastAPI 和 OLLAMA 架构实现高并发 AI 推理服务
在 FastAPI 和 OLLAMA 架构中实现高并发 AI 推理服务，并优化性能指标采集和缓存策略，可以充分利用 的异步 I/O 操作来提升吞吐量和响应速度。以下是一个详细的解决方案，分为基础实现架构概述、实现步骤、性能指标采集、结合 FastAPI 和 OLLAMA、优化方案详细实现（批量推理、负载均衡、动态缓存失效、监控与告警）几个关键部分进行说明，本文章末提供了一个小型博客网站实现高并发推理的案例设计思路，本文章分为上中下三个系列组成，文章系列（中）将介绍具体网站实践，文章系列（下）将介绍高并发网
2025-03-29 14:33:45
572
2
原创 《Python实战进阶》No37: 强化学习入门加餐版3 之 Q-Learning算法可视化升级
强化学习是机器学习的一个重要分支，其核心理念是通过与环境的交互来学习最优策略。在上三篇文章中，特意专门写了一个算法可视化，仔细推敲后觉得不够清晰，本篇文章将升级可视化代码，让大家可以把算法过程和原理也可视化，而且算法过程全部输出到TXT日志文件中，可以逐步分析学习算法步骤，可以说是把算法可视化做极致了。
2025-03-28 23:45:56
905
原创 《Python实战进阶》No37: 强化学习入门：Q-Learning 与 DQN 加餐2 Q-Learning算法解析
在[《Python实战进阶》No37: 强化学习入门：Q-Learning 与 DQN ](https://blog.youkuaiyun.com/yweng18/article/details/146571979?spm=1011.2124.3001.6209) 这篇文章中，我们介绍了Q-Learning算法走出迷宫的代码实践，本文加餐2，补充了详细注释的 Q-Learning 算法代码。这些注释解释了每个方法和变量的作用，帮助读者更深入地理解算法的工作原理。
2025-03-28 00:53:20
414
原创 《Python实战进阶》No37: 强化学习入门：Q-Learning 与 DQN-加餐版1 Q-Learning算法可视化
在[《Python实战进阶》No37: 强化学习入门：Q-Learning 与 DQN ](https://blog.youkuaiyun.com/yweng18/article/details/146571979?spm=1011.2124.3001.6209) 这篇文章中，我们介绍了Q-Learning算法走出迷宫的代码实践，本文加餐，把Q-Learning算法通过代码可视化呈现。我尝试了使用Matplotlib实现，但局限于Matplotlib对动画不支持，做出来的仿动画太僵硬，所以使用 `pygame` 重新设
2025-03-27 22:45:47
442
原创 《Python实战进阶》No37: 强化学习入门：Q-Learning 与 DQN
强化学习是一种强大的机器学习范式，适用于解决决策和控制任务。本集将从基础概念开始，逐步深入讲解 Q-Learning 和深度 Q 网络（DQN）的原理，并通过两个实战案例（迷宫问题和 Atari 游戏）展示如何使用这些算法解决问题，本文章中代码都已经通过实际运行验证通过，具体代码环境和关键依赖版本也提供了清单。
2025-03-27 21:50:21
885
原创 《Python实战进阶》No36: 使用 Hugging Face 构建 NLP 模型
Hugging Face 是大模型开发者不可不知道的一个强大的开源平台，它提供了丰富的预训练模型和工具库（如 `Transformers`），极大地简化了自然语言处理（NLP）任务的开发流程。本集将深入讲解如何使用 Hugging Face 快速构建 NLP 模型，涵盖情感分析和文本生成两个实战案例，帮助读者掌握从加载预训练模型到微调模型的完整流程。不过要提醒的是，现在国内访问非常不稳定，很多时候被禁，所以请大家搜一下如何规避的方法，网上有很多攻略，国内也有Modelscope魔搭这样的同款可用。
2025-03-27 21:02:45
957
原创 《Python实战进阶》No34：卷积神经网络（CNN）图像分类实战
卷积神经网络（CNN）是计算机视觉领域的核心技术，特别擅长处理图像分类任务。本集将简要介绍CNN和大模型的关系，并结合实战深入讲解 CNN 的核心组件（卷积层、池化层、全连接层），并演示如何使用 PyTorch 构建一个完整的 CNN 模型，在 CIFAR-10 数据集上实现图像分类。我们还将探讨数据增强和正则化技术（如 Dropout 和 BatchNorm）对模型性能的影响。
2025-03-26 21:17:55
2394
原创 《Python实战进阶》No35：循环神经网络（RNN）时间序列预测
在本篇文章中，我们将深入探讨循环神经网络（RNN）在时间序列预测中的应用。我们将从基础概念出发，逐步构建一个完整的股票价格预测系统，并探讨LSTM和GRU这两种重要的RNN变体。通过实战案例（苹果公司近一年的股价实盘和预测曲线），读者将掌握如何预处理时间序列数据、构建和训练RNN模型，以及如何评估预测结果。
2025-03-26 20:39:57
950
原创 《Python实战进阶》第33集：PyTorch 入门-动态计算图的优势
PyTorch 是一个灵活且强大的深度学习框架，其核心特性是动态计算图机制。本集将带您探索 PyTorch 的张量操作、自动求导系统以及动态计算图的特点与优势，并通过实战案例演示如何使用 PyTorch 实现线性回归和构建简单的图像分类模型。我们将重点突出 PyTorch 在研究与开发中的灵活性及其在 AI 大模型训练中的应用。
2025-03-25 23:25:17
819
原创 《Python实战进阶》第32集：使用 TensorFlow 构建神经网络
TensorFlow 是一个功能强大的深度学习框架，广泛应用于构建和训练神经网络模型。本集将带领您学习如何使用 TensorFlow 构建简单的神经网络，并深入理解其核心概念（如张量、计算图）以及神经网络的基本组件（如层、激活函数、损失函数）。通过实战案例，我们将使用 MNIST 数据集构建一个手写数字识别模型，帮助您掌握 TensorFlow 的基本用法。
2025-03-25 23:21:04
1188
2
原创 《Python实战进阶》第31集：特征工程：特征选择与降维技术
特征工程是机器学习和数据科学中不可或缺的一环，其核心目标是通过选择重要特征和降低维度来提升模型性能并减少计算复杂度。本集聚焦于特征选择与降维技术，涵盖过滤法、包裹法、嵌入法等特征选择方法以及 PCA、t-SNE 和 UMAP 等降维技术。我们将通过实战案例演示如何对高维数据进行降维可视化，并使用递归特征消除（RFE）选择关键特征。
2025-03-24 23:50:40
1060
原创 《Python实战进阶》第30集：Scikit-learn 入门：分类与回归模型
Scikit-learn 是 Python 数据科学生态系统中最重要的库之一，广泛应用于机器学习任务。本集聚焦于 Scikit-learn 的核心功能，涵盖分类与回归两大经典任务。我们将学习如何使用 Scikit-learn 构建基础的机器学习模型，并通过实战案例掌握其在数据科学中的实际应用。同时，我们还将探讨传统机器学习模型在 AI 大模型时代的适用场景。
2025-03-24 23:47:38
965
原创 《Web部署应知应会》NO 1:内网穿透一文讲透 十大主流工具深度解析与部署指南
本文深入解析内网穿透技术的原理与应用，涵盖中间服务器中转（如FRP、ngrok）与P2P直连（如ZeroTier）两大核心模式，结合动态DNS（花生壳）、SSH隧道等10种主流工具的部署方法与场景适配。通过技术对比与安全合规建议，为开发者、企业及个人用户提供从临时调试到企业级服务穿透的全场景解决方案，助力实现跨网络资源的安全高效访问。
2025-03-23 20:05:05
1009
原创 《AI大模型趣味实战 》第8集：多端适配 个人新闻头条 基于大模型和RSS聚合打造个人新闻电台(Flask WEB版) 2
本文末尾介绍了如何实现新闻智能体的方法。在信息爆炸的时代，如何高效获取和筛选感兴趣的新闻内容成为一个现实问题。本文将带领读者通过Python和Flask框架，结合大模型的强大能力，构建一个个性化的新闻聚合平台，不仅能够自动收集整理各类RSS源的新闻，还能以语音播报的形式提供"新闻电台"功能。我们将重点探讨如何利用AI大模型优化新闻内容提取、自动生成标签分类，以及如何通过语音合成技术实现新闻播报功能，打造一个真正实用的个人新闻助手。
2025-03-23 18:33:58
573
原创 《AI大模型趣味实战 》第7集：多端适配 个人新闻头条 基于大模型和RSS聚合打造个人新闻电台(Flask WEB版) 1
在信息爆炸的时代，如何高效获取和筛选感兴趣的新闻内容成为一个现实问题。本文将带领读者通过Python和Flask框架，结合大模型的强大能力，构建一个个性化的新闻聚合平台，不仅能够自动收集整理各类RSS源的新闻，还能以语音播报的形式提供"新闻电台"功能。我们将重点探讨如何利用AI大模型优化新闻内容提取、自动生成标签分类，以及如何通过语音合成技术实现新闻播报功能，打造一个真正实用的个人新闻助手。
2025-03-23 18:16:42
1916
原创 《Python实战进阶》第43集：使用 asyncio 实现异步编程
本文通过实战案例深入讲解 Python `asyncio` 的核心概念，包括协程、事件循环和异步 I/O 操作。你将学会如何利用异步编程提升高并发场景（如大规模网络请求、实时数据流处理）的效率，并理解其在 AI 模型服务端部署中的关键作用。
2025-03-22 21:53:12
689
3
原创 《AI大模型趣味实战》第6集：基于大模型和RSS聚合打造个人新闻电台(桌面版)
本文将带您探索如何结合AI大模型和RSS聚合技术，打造一个功能丰富的个人新闻电台系统。我们将使用Python和PyQt5构建一个桌面应用程序，该应用可以从多个RSS源抓取新闻，使用大模型进行内容优化和标签生成，并通过语音播报功能将文字新闻转化为语音广播。本项目融合了爬虫、自然语言处理、数据库存储和语音合成等多种技术，是一个非常实用且有趣的AI应用实例。
2025-03-22 21:39:14
1267
原创 《Python实战进阶》No42: 多线程与多进程编程详解（下）
本文将提供多线程和多进程协同实战案例，切实提高并发编程的能力！！！在Python中，多线程与多进程是实现并发编程的核心技术。本集聚焦两者的底层原理与实战差异，结合AI大模型场景（如数据预处理与分布式训练），演示如何通过混合编程提升性能。我们将通过真实代码案例，对比多线程与多进程在图像处理任务中的效率，并探讨如何规避GIL的限制。
2025-03-21 20:57:59
1202
原创 《Python实战进阶》No42: 多线程与多进程编程详解（上）
在现代软件开发中，性能优化是提升用户体验和系统效率的重要手段。Python 提供了强大的多线程与多进程编程工具，帮助开发者充分利用多核 CPU 和高效处理 I/O 密集型任务。本文将简要介绍 Python 中的 `threading` 和 `multiprocessing` 模块，分析它们的核心概念、适用场景以及实战案例。通过本文的学习，你将掌握如何根据任务类型选择合适的并发模型，并实现高效的代码。
2025-03-21 20:49:39
981
创业者必备：解读DeepSeek引发的AI技术与应用革新
2025-03-05
厦门大学解析：大模型技术及其应用实践全貌
2025-03-05
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人