- 博客(376)
- 资源 (20)
- 问答 (1)
- 收藏
- 关注
RSS订阅
原创 DeepSeek R1完全本地部署实战教程01-课程大纲
11.DeepSeek r1 外部访问身份认证api-key。12.DeepSeek r1 公网服务发布-内网穿透设置。8.DeepSeek r1 本地模型路径设置。9.DeepSeek r1 本地访问身份认证。5.DeepSeek r1配置外部网络访问。6.DeepSeek r1多任务并发配置。7.DeepSeek r1 访问性能优化。（1）deepseek r1 模型获取。（2）deepseek r1 模型配置。（1）webui可视化界面部署。（2）ollama安装和配置。4.webui安装和配置。
2025-02-10 15:52:49
725
原创 《大模型在汽车行业的典型应用实践》100w字长文预告
当前大模型已经全面赋能汽车产业全链路并形成了典型的应用场景。，具体包括芯片、存储网络等基础设施、通用大模型、大模型开发平台等，上层应用涉及从研发、生产、销售、服务、车端应用等各个方向。，产品端的大模型技术部署早于企业内部的大模型变革，其中大模型支持的营销类应用、智能驾驶大模型、智能座舱大模型是车企投入的首选。
2024-12-03 21:39:56
1448
原创 YOLOv11项目实战2：道路缺陷检测系统优化【Python源码+数据集+界面】
YOLO11是一种单阶段目标检测算法，其核心思想是将整个图像划分为多个网格，每个网格负责预测固定数量的边界框及其对应的类别概率。相比于两阶段检测器（如Faster R-CNN），YOLO11具有更快的推理速度，适合于实时应用场景。本文对上一篇博文《YOLO11项目实战1：道路缺陷检测系统设计【Python源码+数据集+运行演示】》的升级和改进，主要是解决了非目标检测区域对于检测结果的影响。新增了区域检测功能。
2024-10-03 17:32:47
1610
原创 YOLOv1–v11: 版本演进及其关键技术解析
YOLO (You Only Look Once) 是一种高效的目标检测算法，自其初代发布以来，经过多次迭代，逐步提升了检测速度和精度。本文将详细介绍 YOLO 从 v1 到 v11 的各个版本，涵盖每个版本的发布日期、作者、项目地址及主要功能特性。
2024-10-02 06:53:38
4360
原创 chatGPT小白快速入门培训课程-001
本文是《chatGPT小白快速入门培训课程》的第001篇文章，全部内容采用chatGPT和chatGPT开源平替软件生成。《chatGPT小白快速入门课程大纲》。本系列文章，参与： AIGC征文活动 #AIGC技术创作内容征文#ChatGPT是什么?ChatGPT是由谁开发的?ChatGPT是一个什么样的语言模型?
2023-08-11 19:04:04
1524
原创 Llms大模型中国开源项目大全（更新至2023-08-10）
你了解中国ChatGPT相关开源项目的情况吗？ 如果想要从事chatGPT相关项目的开发和研究，有哪些可以借鉴和开源项目？ 中国的chatGPT开源项目发展如何，本文将给你带来答案。
2023-08-10 15:39:51
1787
原创 电商零售数仓建模之平台02：平台业务模型v2.0
一、前言本文是上一篇《电商零售数仓建模之平台01：平台业务模型》的升级版本，主要是对于平台业务模型的04.流量部分做了更进一步的拆分，同时考虑到数据分析的需求，整理出来相关的数据指标。业务建模，尤其是一个陌生领域的业务建模，是一个逐步迭代的过程，不要试图一撮而就，可以快速的拿出第一个版本，作为标靶，放到实践中，用业务需求来进行验证。关于设计有一句个人总结经验：实践是检验设计的唯一标准。二、工作流程数仓模型设计的工作流程，基于场景不同略有差异，Kimball维度建模工具箱中提到了四步骤建模法：
2021-08-24 20:26:40
618
原创 电商零售数仓建模之平台01：平台业务模型
一、前言数仓建模的成熟度在金融领域，尤其是银行、保险和证券行业得益于传统数据仓库服务厂商的推动，具有非常好的最佳实践，但是在互联网领域却从未形成真正的标准和规范。本文基于汽车电商零售领域的实践总结和沉淀而来，作为随笔，发布与此，共享给大家。二、工作流程数仓模型设计的工作流程，基于场景不同略有差异，Kimball维度建模工具箱中提到了四步骤建模法：活动选择、定义粒度、确定维度、确定指标，适合的是特定场景和特定业务活动的建模，并不适用开放型的场景和系统性的数仓建设。以下工作流程是改进之后的，自顶向下
2021-08-17 10:33:22
690
原创 电商零售数仓建模之商品01：车源业务模型
一、前言数仓建模的成熟度在金融领域，尤其是银行、保险和证券行业得益于传统数据仓库服务厂商的推动，具有非常好的最佳实践，但是在互联网领域却从未形成真正的标准和规范。本文基于汽车电商零售领域的实践总结和沉淀而来，作为随笔，发布与此，共享给大家。二、工作流程数仓模型设计的工作流程，基于场景不同略有差异，Kimball维度建模工具箱中提到了四步骤建模法：活动选择、定义粒度、确定维度、确定指标，适合的是特定场景和特定业务活动的建模，并不适用开放型的场景和系统性的数仓建设。以下工作流程是改进之后的，自顶向下
2021-08-16 19:48:42
659
3
原创 数据中台体系结构、建设方法和落地实践（3）数据中台的商业价值模型
这里写自定义目录标题一、前言二、正文2.1 数据中台的商业价值困境2.1.1 量化之困2.1.2 归因之惑2.1.3 人心难平2.2 数据中台的商业价值模型2.2.1 基础价值：业务呈现2.2.2 增量价值：业务赋能三、未完待续四、相关文章一、前言数据中台建设历经坎坷，有过高潮，也有过低谷，被各类自媒体小文写死过无数次，一旦有草动风吹，就从棺材板里，拉出来，锤一波。无聊的同时，也能感受到行业的焦虑和躁动不安，数据中台的概念因阿里而兴，却不会因为阿里数据中台之死而死，换个名字，换个身份，继续折腾而已，比如
2021-02-24 17:49:41
719
原创 数据中台体系结构、建设方法和落地实践（2）：数据中台的概念定义
一、前言 关于数据中台的概念定义，业内有各种各样的版本，尤其是涉及数据中台与数据仓库、数据平台等相关概念的差异一直争议不断，可谓一百个人眼中，就有一百个数据中台，千百万人眼中，就有千百万个数据中台。关于概念之争论，笔者无意逐一罗列，更无意参与其中，而是希望从工程实践者的视角，提供一种全新的关于数据中台定义的思考逻辑。本章内容围绕数据中台的定义，采用两种方法，三个视角，给大家阐述，在工程实践者的眼中，数据中台的概念定义。二、正文2.1 什么是数据中台数据中台概念的理解，我们可...
2020-07-30 09:12:05
3370
1
原创 数据中台体系结构、建设方法和落地实践（1）- 目录
数据中台体系结构、建设方法和落地实践第一部分： 体系结构篇：关键词：数据仓库：内容组织 内容数据平台：存储和计算 技术数据中台：数据服务 应用概念定义：中台、平台、数仓体系结构：一个中心，两套体系，三项服务，四类用户第二部分： 建设方法篇：数据中台建设方法论设计方法：四个方法-专家法、参照法、归纳法、混合法设计原则：两个原则-面向业务，基于团队实施策略：单点切入：平台建设、内容建设、工具建设、数据应用；横向拓展：工具-》内容；工具-》...
2020-07-10 08:48:29
1753
原创 数据产品经理类型划分和工作汇报框架
一、前言数据产品经理按照其工作内容，可以分为工具型数据产品经理、应用型数据产品经理和数据内容建设型数据产品经理、运营型数据产品经理和策略型数据产品经理。其中数据应用型产品经理，又可分为数据报表设计和商业数据分析型数据产品经理，两个子分类。详细的划分结构如下图所示：不同类型的数据产品经理，其工作职责和内容各有不同，工具型数据产品经理的主要职责是工具平台的建设和推广，本文重点介绍工具型数据产品经理的工作汇报方法，通过结构化的方式，呈现工具型数据产品经理的工作汇报框架。二、正文工具型数据产品经
2020-06-08 14:07:03
1410
1
原创 Faster-Whisper命令和意图识别程序设计调优：上下文感知和领域词汇增强
摘要：Faster-Whisper语音识别技术通过"上下文感知"和"领域词汇增强"提升准确率。前者利用initial_prompt参数和流式分块处理保证语义连贯，适合长音频转录；后者使用hotwords参数强化专业术语识别，适用于医疗、法律等专业领域。两者结合使用时，先设定领域基调再强化核心术语，并建议调整temperature、beam_size等参数优化效果。该技术可广泛应用于会议记录、客服质检等场景。
2025-10-30 15:47:51
1381
原创 faster-whisper热词详解与程序设计
摘要：热词（Hotwords）是语音识别中用户预设的优先识别词汇，用于提升专业术语、品牌名等特定词汇的识别准确率。其工作原理是通过加权机制提升热词在候选结果中的优先级。在faster-whisper中，可通过hotwords参数传递热词列表，适用于动漫字幕生成、医学转录、多语言翻译等场景。使用技巧包括选择易错词汇、控制数量、配合参数调优等，能显著提升特定领域的识别效果。
2025-10-30 14:53:32
1285
原创 Faster-Whisper唤醒词检测程序设计实战1
摘要：唤醒词是激活语音助手的关键词，如"Hey Siri"、"小爱同学"等。其工作原理包括持续监听、本地关键词检测、触发唤醒和云端处理四个步骤，实现低功耗运行与高效响应的平衡。应用场景涵盖智能家居、车载系统、无障碍辅助等领域。当前面临误唤醒、功耗、隐私等技术挑战，需在唤醒率与误识率间取得平衡。唤醒词技术通过本地与云端协同处理，已成为实现自然语音交互的核心要素。
2025-10-29 15:59:51
1109
原创 Python Langchain RAG从入门到项目实战12：Dify、RAFflow、Coze和n8n详细对比
本文对比了Dify、RagFlow、n8n和Coze四个平台的核心特性。Dify是低代码AI应用开发平台，适合快速构建智能客服等AI应用；RagFlow专注于复杂文档处理，擅长法律、医疗等领域的精准问答；n8n是通用工作流自动化工具，集成能力强；Coze则专注于无代码聊天机器人开发。各平台在开源情况、AI能力、部署方式等方面存在差异，用户可根据需求选择：企业级AI应用选Dify，高精度文档处理选RagFlow，通用自动化选n8n，快速搭建聊天机器人选Coze。
2025-08-31 17:55:45
1110
原创 Python Langchain RAG从入门到项目实战11：Lanchain和LlamaIndex详细对比
LangChain和LlamaIndex是基于大语言模型（LLM）的应用开发框架，但定位不同。LangChain是通用型框架，强调模块化和灵活性，适合构建复杂工作流和多工具集成的AI代理；而LlamaIndex专注于高效RAG实现，提供开箱即用的数据索引与检索优化，适合文档问答和知识库应用。两者可结合使用，LlamaIndex负责核心检索，LangChain处理工作流编排。选择依据具体需求，简单RAG任务选LlamaIndex，复杂场景选LangChain。
2025-08-31 17:49:16
1445
原创 开源PPT生成智能体（Agent）全景透视：技术路线、代表项目与未来趋势
开源PPT生成Agent技术路线主要分为三类：模仿学习与编辑生成（如中科院PPTAgent）、多智能体协作与规划（如京东JoyAgent）和工作流自动化集成。模仿学习通过分析参考PPT提取设计模式；多智能体系统将任务分解由多个Agent协同完成；工作流集成则将PPT生成嵌入业务流程。当前挑战包括复杂排版可靠性、专业领域知识不足等，未来将向多模态增强、交互式协作方向发展。选择时需考虑需求匹配、可扩展性和社区活跃度。
2025-08-30 06:24:32
1124
原创 Python LangChain RAG从入门到项目实战10.：质量评价指标体系
RAG系统评估涵盖检索、生成和整体质量三大维度。检索质量通过命中率、MRR和NDCG衡量文档相关性；生成质量关注忠实度、答案相关性和正确性，确保答案基于上下文且准确；整体质量则综合评估用户体验。核心指标包括必测的忠实度和答案相关性，检索优化侧重Hit Rate和MRR，关键节点需人工评估。自动化工具如RAGAS可辅助评估，但需结合人工判断进行全面衡量。
2025-08-27 20:20:01
1024
原创 Python LangChain RAG从入门到项目实战09.：LangChain 中的 Retriever（检索器）
Retriever 是 LangChain 中连接用户查询与知识库的关键桥梁，它通过高效的检索算法找到最相关的信息，为大语言模型提供准确的上下文，从而生成更高质量的回答。选择合适的 Retriever 类型和配置参数对于构建高效的问答系统至关重要。
2025-08-27 19:38:12
552
原创 Agent 的三大颠覆性突破：让智能从 “听话” 到 “主动创造”
AI助手迈向"主动决策"新时代：从工具到伙伴的进化 近期，以Manus为代表的新一代AI助手正突破传统Chatbot的被动应答模式，实现三大技术飞跃：1）交互逻辑革新，能够理解模糊指令并自主拆解任务闭环；2）开发平台民主化，企业可通过自动化工具快速生成专属AI助手；3）模块化架构支持多模态融合与动态规划，实现复杂场景下的智能决策。这些突破正在重塑产业形态——金融、医疗、教育等行业效率提升显著，人机协作模式从"指令执行"转向"目标共识"。尽管面临责任
2025-08-22 09:14:41
1210
原创 2025年AI智能体最具突破性的研究成果
AI代理研究最新突破速览 近期AI代理领域取得多项突破：DeepMind提出全流程科研框架，实现实验闭环并降低67%错误率；OpenAI与斯坦福研发反射式决策优化技术，任务完成率提升至93%；Anthropic分布式架构支持500+智能体协同，数学推理准确率达92.3%。关键技术方面，计算效率优化显著降低能耗与延迟，新型评估方法量化复杂任务能力。应用已覆盖生物医疗、材料发现及商业决策，趋势指向更自主的科研自动化、能效优化和大规模群体智能协同。（149字）
2025-08-21 22:38:41
1131
原创 Hello MCP - 模型上下文协议（MCP）入门实践项目
摘要： "HelloMCP"是一个轻量级开源教育项目，旨在通过实现简易MCP服务器（Python开发）及客户端调用示例（支持多种集成方式），帮助开发者快速掌握模型上下文协议（MCP）的核心概念与开发流程。项目聚焦"HelloWorld"式功能（如天气查询），剥离复杂逻辑，提供端到端实践范例，包含代码实现、文档教程及多客户端配置指南。其价值在于降低MCP学习门槛、促进技术生态发展，并可作为企业培训或技术验证的标准化工具。核心工作涵盖服务器开发、客户端集成、文档编写及项目
2025-08-21 07:48:30
798
原创 ubuntu24.04 frps服务器端自动启动设置【2025-08-20】
Ubuntu24.04使用systemd配置frps开机自启动，需创建服务文件并设置路径参数，通过systemctl命令启用服务。
2025-08-20 13:31:43
436
原创 Pytorch深度学习框架实战教程12：Pytorch混合精度推理，性能加速147%的技术实现
本文介绍了PyTorch混合精度推理技术，通过同时使用FP32和FP16/BF16等不同数值精度，在保证模型精度损失可控的前提下，显著提升推理速度并减少内存占用。文章对比了纯FP32和混合精度（FP16+FP32）两种推理方式，实验表明在NVIDIA GPU上混合精度可提速141.7%，而输出误差仅0.0032。混合精度推理特别适合计算密集型任务（如视觉、NLP模型），利用GPU TensorCores优化FP16计算，是PyTorch模型部署的重要优化手段。
2025-08-10 23:18:46
1196
原创 Pytorch深度学习框架实战教程11：Pytorch模型推理详解和指南
PyTorch模型推理是将训练好的模型应用于新数据预测的过程。根据应用场景可分为在线/离线推理、同步/异步推理、单样本/批处理推理；按硬件可分为CPU/GPU/专用加速器推理。提升推理性能的方法包括：模型剪枝、知识蒸馏等结构优化；混合精度和量化降低计算量；使用TorchScript、ONNX、TensorRT等推理引擎优化；合理选择硬件及批处理策略。这些方法可单独或组合使用，在保证精度的同时提升推理速度，实现模型从研发到落地的关键跨越。
2025-08-10 22:33:03
769
原创 Pytorch深度学习框架实战教程10：Pytorch模型保存详解和指南
PyTorch推荐保存模型权重而非整个模型，主要由于灵活性和兼容性优势。模型保存有两种方式：1）仅保存state_dict参数字典（推荐），文件小、兼容性好，加载时需重建相同结构；2）保存完整模型（不推荐），依赖pickle序列化，易受环境变化影响。加载权重时需严格匹配参数名称和结构，可通过map_location指定设备。优先使用.pth/.pt格式保存state_dict，配合model.eval()切换推理模式，确保模型可移植性和版本稳定性。
2025-08-10 19:31:40
1315
原创 Pytorch深度学习框架实战教程-番外篇08-Pytorch超参数详解和实战指南
本文介绍了PyTorch深度学习中的超参数概念及其应用。超参数是训练前手动设置的参数，控制模型结构和训练过程，包括学习率、批大小、网络层数等。文章详细讲解了超参数的工作原理、作用及分类，并提供了PyTorch实现实例。通过一个非线性回归任务的代码示例，展示了如何设置模型结构、训练过程和优化器相关的超参数，以及简单的网格搜索调优方法。超参数调优是提升模型性能的关键，建议先使用默认参数验证可行性，再针对关键参数进行优化。
2025-08-10 12:40:48
997
原创 Pytorch深度学习框架实战教程-番外篇07-Pytorch优化器详解和实战指南
摘要： 优化器是深度学习中调整模型参数以最小化损失函数的关键算法，通过梯度下降原理更新参数。核心流程包括计算梯度、更新参数和迭代优化，作用包括加速收敛、稳定训练和适配不同场景。常用优化器分为基础类（如SGD）、动量类（如SGD+Momentum）和自适应学习率类（如Adam、RMSprop），其中Adam综合性能优异，成为主流选择。PyTorch通过torch.optim模块实现优化器，典型使用步骤包括清零梯度、反向传播和参数更新。实际应用中需根据任务需求选择优化器：Adam适合快速收敛，SGD系列更利于精
2025-08-10 12:12:00
686
原创 Pytorch深度学习框架实战教程-番外篇06：Pytorch损失函数原理、类型和案例
本文介绍了PyTorch深度学习中的损失函数概念与应用。首先阐述了损失函数的作用是量化模型预测值与真实值的差异，指导模型优化。然后详细讲解了回归任务（MSE、MAE、Huber）、分类任务（交叉熵、二元交叉熵）等常用损失函数的数学原理和适用场景。最后系统梳理了PyTorch中torch.nn模块提供的各类损失函数实现，包括回归、分类、序列、生成等任务专用函数，并给出了选择建议。文章强调应根据具体任务特点和数据分布选择合适的损失函数，必要时可自定义实现。
2025-08-10 11:56:39
653
原创 Pytorch深度学习框架实战教程-番外篇05-Pytorch全连接层概念定义、工作原理和作用
全连接层是神经网络的核心组件，负责特征整合与决策输出。本文系统讲解了其工作原理：通过线性变换（矩阵乘法+偏置）和非线性激活实现特征映射，在CNN中承担全局特征整合与分类决策任务。PyTorch实战部分通过MNIST分类案例，演示了nn.Linear的参数配置和特征可视化，展示如何将28×28图像逐步降维为10类输出。文章指出全连接层虽参数量大但解释性强，建议配合Dropout等正则化方法使用。理解全连接层机制对设计高效神经网络架构至关重要。
2025-08-10 09:15:02
834
原创 PyTorch 深度学习实战教程-番外篇04：卷积层详解与实战指南
卷积层是CNN处理视觉任务的核心组件，通过局部感受野和参数共享实现高效特征提取。本文系统解析了卷积层的工作原理：1）卷积核作为特征提取工具；2）滑动窗口计算过程；3）填充策略控制输出尺寸；4）多通道处理机制。其核心优势包括局部特征提取、参数共享、平移不变性和特征抽象能力。PyTorch实现部分详解了nn.Conv2d参数配置、输出尺寸计算公式，并提供了可视化代码示例，帮助直观理解卷积核作用机制和特征图变化过程。掌握卷积层设计对构建高效CNN模型至关重要。
2025-08-10 08:41:54
971
原创 Pytorch深度学习框架实战教程-番外篇02-Pytorch池化层概念定义、工作原理和作用
池化层是卷积神经网络(CNN)的核心组件，主要用于降维和特征提取。它通过滑动窗口对特征图进行聚合计算（如最大值或平均值），实现三大功能：1)降低计算量；2)增强平移不变性；3)扩大感受野。PyTorch提供多种池化层，包括MaxPool2d（保留显著特征）、AvgPool2d（平滑处理）和AdaptivePool（固定输出尺寸）。池化层与卷积层配合使用，能有效控制网络复杂度，逐步提取高层特征，是CNN架构中不可或缺的部分。
2025-08-10 08:26:04
1097
原创 Pytorch深度学习框架实战教程-番外篇01-卷积神经网络概念定义、工作原理和作用
PyTorch卷积层实战指南：从原理到实现 本文系统介绍了卷积神经网络(CNN)的核心组件——卷积层。主要内容包括：卷积层的工作原理（局部感受野、参数共享、滑动计算）、作用（特征提取、降维抽象）及PyTorch实现方法。重点解析了nn.Conv2d的核心参数和输出尺寸计算公式，并通过完整代码示例展示了如何构建包含两个卷积层的网络。示例中详细演示了图片预处理、卷积操作、特征图可视化等关键步骤，直观呈现了卷积核如何从原始图像中提取边缘纹理等特征。文章强调卷积层能高效处理高维数据，通过多层叠加实现从低级到高级的特
2025-08-10 08:04:16
1150
原创 Pytorch深度学习框架实战教程-番外篇03-什么是激活函数，激活函数的作用和常用激活函数
激活函数是神经网络的关键组件，用于引入非线性特性，使网络能够学习复杂模式。主要作用包括非线性映射、输出范围控制和梯度传播。常用激活函数有：Sigmoid（0-1输出）、Tanh（-1-1输出）、ReLU（简单高效）、LeakyReLU（解决"死亡神经元"问题）和Softmax（多分类概率输出）。文中提供了Python实现代码，通过可视化对比了各函数特性。实际应用中，ReLU系列常用于隐藏层，Sigmoid/Softmax多用于输出层。选择合适激活函数对网络性能至关重要。
2025-08-10 07:20:40
626
WebSphere MQv7 实例源码
2012-03-23
请教3dslicer 图像标注工具github地址在哪里可以下载到
2022-03-15
TA创建的收藏夹 TA关注的收藏夹
TA关注的人