- 博客(280)
- 收藏
- 关注
RSS订阅原创 Python----大模型（量化 Quantization）
大模型量化技术通过降低参数精度来压缩模型，提高推理效率。主要方法包括FP16/INT8/INT4等不同精度的转换，可显著减少存储空间和计算开销。GPTQ采用逐层分组量化策略，结合INT4权重和FP16激活值的混合精度，兼顾效率与精度。AWQ则通过分析激活分布识别关键权重通道，保留少量FP16参数以降低量化误差。两种方法均能在保持模型性能的同时实现4-8倍的压缩比，适用于边缘计算、服务器部署等场景，推动大模型在资源受限设备上的应用。量化技术面临精度损失和硬件适配等挑战，但对模型轻量化具有重要意义。
2025-08-04 14:22:44
737
原创 Python----大模型（从预训练到分布式优化的核心技术解析）
本文系统介绍了大语言模型（LLM）的训练流程与分布式训练优化技术。LLM训练分为四个阶段：预训练（构建基础语言能力）、监督微调（指令遵循）、奖励模型训练（人类偏好对齐）和强化学习微调（优化输出质量）。针对分布式训练，详细分析了数据并行（DP）、张量并行、流水线并行等加速方法，重点比较了DP与分布式数据并行（DDP）的差异，并介绍了DeepSpeed的ZeRO优化技术和混合精度训练方案。这些技术通过合理分配GPU计算资源、优化内存使用和通信效率，显著提升了大规模模型训练的速度和扩展性。
2025-08-03 11:03:56
959
原创 Python----大模型（基于LLaMA Factory角色扮演模型微调）
LLaMAFactory是一个无需编码即可微调大模型的开源平台，支持LLaMA、Qwen等上百种预训练模型，提供多种训练算法（PPO、DPO等）和优化技术（LoRA、QLoRA等）。项目提供WebUI界面，简化了模型微调流程。使用步骤包括：1）安装依赖环境；2）从魔搭社区下载基础模型；3）准备并配置训练数据集；4）通过WebUI进行模型微调、评估和导出。该项目支持从7B到70B参数的模型，并提供多种精度选择（16bit到8bit），适合不同硬件条件的用户。
2025-08-02 11:15:14
934
原创 Python----MCP（MCP 简介、uv工具、创建MCP流程、MCP客户端接入Qwen、MCP客户端接入vLLM）
MCP（ModelContextProtocol）是一个标准化协议，旨在简化AI应用与大语言模型（LLM）的集成。它通过统一接口（类似USB-C）连接各类数据源和工具，降低Agent开发复杂度。开发流程包括：1）使用uv工具管理Python环境和依赖；2）创建MCP客户端基础框架；3）接入云服务（如硅基流动的Qwen模型）或本地vLLM服务。示例代码展示了如何构建交互式聊天客户端，支持通过.env文件配置API密钥和模型参数，实现与不同LLM后端的无缝对接。该系统采用异步编程架构，确保高效资源管理和响应能力
2025-08-01 09:39:57
1560
原创 Python----大模型（Hugging Face）
HuggingFace是领先的NLP开源平台，提供Transformers、Tokenizers和Datasets三大核心工具，支持从模型开发到部署的全流程。其发展历程从2016年的聊天机器人到如今的AI生态系统，托管超50万模型和10万数据集。平台通过标准化工具链和模型共享机制，显著降低NLP开发门槛，支持文本、图像、音频等多模态任务。用户可通过pipeline快速调用模型，或手动加载进行精细控制。文章详细介绍了HuggingFace的特点、本地模型调用方法、任务处理流程及模型微调步骤，展现了其在AI民主
2025-07-31 09:19:36
929
原创 Python----大模型（大模型微调--BitFit、Prompt Tuning、P-tuning、Prefix-tuning、LORA）
本文系统介绍了大模型微调技术及其参数高效微调(PEFT)方法。主要内容包括：1)大模型微调的基本概念、流程与核心价值，强调其在特定领域性能提升、资源效率等方面的优势；2)参数高效微调技术，对比分析BitFit、PromptTuning、PrefixTuning、P-Tuning、LoRA等主流方法的原理、适用场景及实现步骤；3)重点阐述了LoRA及其变体QLoRA的低秩适配机制，通过冻结原始参数、仅训练低秩矩阵实现高效微调。这些方法在不同资源条件和任务需求下，为大型语言模型的领域适配提供了灵活高效的解决方案
2025-07-30 09:09:09
830
原创 Python----大模型（RAG 的智能评估-Ragas）
RAGAs（Retrieval-Augmented Generation Assessment）是一个用于评估RAG（检索增强生成）系统性能的框架。它通过四个核心指标衡量系统表现：Context Precision（上下文精度）。Context Recall（上下文召回）Response Relevancy（响应相关性）Faithfulness（忠诚度）
2025-07-29 10:20:40
831
原创 Python----大模型（基于Fastapi+gradio的对话机器人）
本文介绍了如何搭建一个基于通义千问7B模型的聊天机器人系统。系统采用三部分架构：1) 使用ModelScope下载大模型并启动vLLM服务；2) 通过FastAPI构建后端接口，支持流式响应和参数调节；3) 采用Gradio设计交互界面，包含对话历史管理和生成参数控制。重点讲解了temperature和top_p参数的作用机制及不同场景下的推荐配置值，如代码生成(0.2/0.1)、创意写作(0.7/0.8)等。系统实现了完整的模型部署、API服务和用户交互流程，可作为智能对话应用的开发参考。
2025-07-28 07:39:06
1075
1
原创 Python----Transformer网络搭建
本文详细介绍了Transformer模型的核心组件及实现细节。Transformer是一种基于自注意力和多头注意力机制的神经网络架构，能够高效捕捉序列中的长距离依赖关系。文章依次解析了位置编码(PositionalEncoding)的正弦/余弦实现方法，多头注意力(MultiHeadAttention)的并行计算机制，包含缩放点积注意力的三种计算方式（加性、点积、缩放点积）及其适用场景。同时阐述了编码器层(TransformerEncoderLayer)和解码器层(TransformerDecoderLay
2025-07-28 07:35:56
857
原创 深度学习----视觉里程计
这篇文章介绍了基于深度学习的视觉里程计（DeepVO）系统。首先阐述了视觉里程计的概念、类型分类（按相机配置和处理方法）以及传统几何方法的工作流程。随后详细解析了DeepVOResNet网络结构，该模型采用ResNet提取特征+LSTM建模时序的双帧输入设计，并说明了其训练策略和损失函数。文章还提供了完整的模型训练流程，包括数据准备、优化器配置、训练监控和评估机制。最后展示了预测模型实现，包含轨迹预测、误差计算和可视化分析模块。整个系统实现了从图像序列到位姿估计的端到端映射，在自动驾驶、机器人导航等领域具有
2025-07-28 07:35:23
604
原创 Python----大模型（RAG--（文本加载，文本分割，向量化，向量数据库，检索，文本生成））
本文介绍了基于LangChain框架实现RAG（检索增强生成）技术的完整流程。首先通过TextLoader加载文本文件并进行递归式文本分割，然后使用HuggingFace的BGE中文嵌入模型进行向量化处理。接着构建FAISS向量数据库并实现检索功能，最后结合Qwen2.5-7B大语言模型构建问答系统。整个流程包含文本加载、分割、向量化、数据库构建、检索和生成六个核心步骤，通过链式调用实现了"黑熊精自称为什么"等问题的智能问答功能。该方案展示了如何将检索技术与大模型结合，提升问答系统的准确
2025-07-28 07:34:50
129
原创 Python----大模型（Agent----编写一个简单的Agent）
摘要： React框架是构建智能代理（Agent）的核心逻辑，通过推理（Reasoning）与执行（Acting）的循环实现复杂任务处理。LLM负责推理分析，外部工具（如API）增强执行能力，Prompt设计是关键桥梁。工作流程包括输入接收、推理决策、工具调用、结果反馈及最终输出。示例代码展示了温度查询Agent的实现：定义工具函数（如get_current_temperature），配置工具系统，解析模型输出并执行工具调用，最终整合结果生成响应。该框架结合了LLM的智能推理与工具的精准执行，适用于多样化任
2025-07-28 07:34:21
344
原创 Python----大模型（基于Agent的私人AI助理项目）
本文介绍了一个基于自然语言处理的智能问答系统开发方案。系统采用Gradio搭建WebUI界面，支持聊天对话和文件传输功能。后端通过FastAPI实现，包含天气查询、联网搜索、时间服务和代码执行等Agent工具。系统使用心知天气API和SerpAPI进行数据获取，并通过CodeBox沙箱环境安全执行Python代码。关键技术包括自然语言处理、API集成、前后端交互(Gradio+FastAPI)和代码沙箱隔离，实现了多功能智能问答服务。
2025-07-28 07:33:56
792
原创 Python----FastAPI（表单数据、异步处理、文件上传、请求对象Request）
本文介绍了FastAPI中表单处理、异步编程和文件上传的实现方法。表单处理部分展示了三种方式：直接使用Form()声明字段、结合Pydantic模型和Annotated注解、以及在模型字段中直接使用Form()。异步编程部分对比了async/await和非异步函数的性能差异，演示了异步处理并发I/O操作的优势。文件上传部分涵盖了小文件和大文件的不同处理方式，包括内存存储、磁盘存储、多文件上传和文件验证，推荐使用分块读取和异步写入的方式处理大文件以避免内存溢出。最后还介绍了如何通过Request对象获取完整的
2025-07-27 10:02:52
823
原创 Python----大模型（RAG 的智能评估-LangSmith）
LangSmith是大模型应用开发平台，提供构建、测试、评估和监控LLM应用的全流程工具。文章详细介绍了使用LangSmith进行自动化评估的完整流程：1）安装配置LangSmith环境；2）连接本地LLM模型（如Qwen2.5-7B-Instruct）；3）构建RAG应用链；4）定义多种评估器（包括简洁度、余弦相似度等）；5）执行自动化评估并上传结果。文中还演示了如何创建数据集、配置评估指标，以及连接向量数据库实现检索增强生成（RAG）。该平台支持开发者从原型到生产环境的全生命周期管理，显著提升大模型应用
2025-07-26 10:35:07
659
原创 Python----大模型（ langchain部署简单rag应用）
本文介绍了基于LangChain框架实现的两种本地文档问答系统方案：RetrievalQA链和管道式(LECL)实现。两种方案均采用文本分块处理、bge-large-zh中文嵌入模型、FAISS向量检索和Qwen2.5-7B本地大模型等技术。RetrievalQA链方案更适合快速原型开发，具有模块化封装、自动化流程等优势；而管道式实现则提供了更高的灵活性和可调试性，支持自定义处理流程和中间结果检查。对比分析显示，RetrievalQA链适用于POC验证和标准问答场景，而管道式实现更适合生产环境和复杂逻辑需求
2025-07-25 09:03:16
874
原创 Python----大模型（ RAG的向量化（embedding））
摘要：本文介绍了向量化在RAG（检索增强生成）系统中的应用。通过预训练模型（如BERT）将文本转换为高维向量，实现语义检索。主要步骤包括数据预处理、向量生成、存储索引和相似度计算。文章演示了使用bge-large-zh模型进行中文文本向量化，并比较了不同句子的余弦相似度。还展示了如何利用FAISS进行高效向量检索，以及LangChain集成方案。这种方法显著提升了信息检索的语义理解能力，适用于问答系统、推荐系统等多种场景。
2025-07-24 08:56:36
703
原创 Python----FastAPI（请求体、请求参数验证_（Query方式、Path方式、Field方式））
FastAPI提供多种数据验证方式确保API安全性和可靠性。通过Pydantic模型可对请求体进行类型检查和字段验证，支持默认值、必填项等设置。Query方式用于URL查询参数验证，支持长度、范围、别名等规则。Path方式验证路径参数，支持数值范围、正则表达式等条件。Field方式为模型字段添加更详细的验证规则和元数据，支持自定义验证器、枚举类型等。这些验证机制能自动生成文档并返回详细错误信息，结合Uvicorn服务器实现高效开发。验证内容涵盖字符串长度、数值范围、正则匹配等，确保API输入数据的完整性和安
2025-07-23 08:52:19
449
原创 Python----大模型（基于Fastapi+streamlit的机器人对话）
本文介绍了基于FastAPI和Streamlit构建通义千问大模型对话系统的实现方案。首先从魔搭社区下载Qwen2.5-7B-Instruct模型，使用vLLM启动本地服务。然后通过FastAPI构建高性能后端API，支持流式响应和参数调节（温度、top_p等）。最后利用Streamlit开发交互式前端界面，包含历史记录管理、参数控制和实时对话展示功能。系统采用异步通信架构，实现了模型推理、API服务和用户界面的高效协同，为LLM应用提供了完整的开发范例。
2025-07-22 08:59:32
471
原创 Python----大模型（ Langchain-agent代理（使用Langchain Agent代理来查询天气信息） ）
本文介绍了在Langchain中实现天气预报Agent的开发过程。首先通过心知天气API获取天气数据，包括温度、天气状况等信息。然后使用Langchain框架构建智能代理，该代理能够理解用户查询，自动调用天气API工具获取数据，并生成格式化的响应。开发过程涉及工具类封装、LLM模型配置、提示词模板设计以及代理执行器的创建。最终实现了一个能够智能响应天气查询的自动化系统，如查询"北京"时能够返回"晴朗，33°C"的天气信息。
2025-07-21 08:46:01
316
原创 Python----大模型（ Langchain-memory记忆 ）
ConversationBufferMemory 适合简单的短对话。ConversationSummaryMemory 适合需要记住长期对话核心内容的场景。ConversationBufferWindowMemory 适合只需要记住最近几轮对话的场景。
2025-07-21 08:44:34
473
原创 Zetane：让深度学习不再抽象，一键3D可视化
Zetane Systems是一家专注于AI模型可视化的加拿大公司，成立于2016年。其核心产品Zetane Engine通过3D可视化技术解决深度学习"黑箱"问题，支持ONNX、Keras等格式模型的可视化分析，提供多维度张量投影、特征图视图等功能。用户可从官网下载Windows/Linux/Mac版本，实现AI模型的交互式探索和内部机制解析。
2025-07-21 08:44:05
403
原创 Python----FastAPI（FastAPI的介绍、路径参数、查询参数）
FastAPI是高性能Python Web框架，基于Starlette和Pydantic，支持异步编程和类型提示。其核心优势包括：接近Node.js/Go的性能（~3000请求/秒）、自动API文档生成、强类型数据验证以及完善的异步支持。相比Flask/Django等同步框架，FastAPI更适合现代高并发场景。基础使用需安装fastapi和uvicorn，通过@app.get定义路由，支持路径参数和查询参数。虽然AI可生成代码，但缺乏业务逻辑适配和运维能力，开发者仍需掌握架构设计、调试和安全优化等核心技能
2025-07-21 08:43:11
870
原创 Python----大模型（Langchain-chain链）
本文介绍了LangChain框架中的几种关键链类型及其应用。首先阐述了"链"的基本概念，即通过有序连接NLP任务构建复杂AI应用的模块化组件。重点解析了LLMChain（大语言模型链）和RetrievalQA（检索问答链）的实现方法，后者结合了向量数据库实现检索增强生成(RAG)。文章详细演示了如何利用HuggingFace嵌入模型和FAISS向量数据库构建知识库问答系统，包括文本加载、分块处理、向量化存储及检索的全流程。最后介绍了通过LCEL表达式自定义链的方法，展示了从提示模板到模型
2025-07-21 08:42:38
293
原创 Python----大模型（Langchain-OutputParser输出解析器）
本文介绍了LangChain中的多种输出解析器及其应用场景：1. 基础OutputParser用于将非结构化自然语言转换为结构化数据。2. 列表解析器（CommaSeparatedListOutputParser和ListOutputParser）将文本转换为Python列表。3. datetime解析器将时间字符串转化为datetime对象。4. 枚举解析器将文本映射到预定义的枚举值。5. 结构化输出解析器（StructuredOutputParser和PydanticOutputParser）将输出转换
2025-07-21 08:42:07
1355
原创 Python----大模型（RAG的评估方法——（精确度和召回率、排名质量、平均准确率）)
RAG系统评估方法综述 RAG（检索增强生成）系统性能评估主要分为检索和生成两个维度。检索评估采用精确度、召回率、F1-score等指标衡量相关性，同时引入MRR（平均倒数排名）和MAP（平均精度均值）评估结果排序质量。生成评估则关注文本质量，使用BLEU和ROUGE等指标衡量生成内容与参考答案的匹配度。此外，评估还应关注四个关键维度：响应与参考答案的准确性、响应与输入的相关性、响应与检索文档的匹配度，以及检索文档与查询的关联性。这些综合指标共同构成了RAG系统的完整评估框架。
2025-07-21 08:41:32
719
原创 Python----NLP自然语言处理（Doc2Vec)
Doc2Vec是Google在2014年提出的文档向量表示模型，基于Word2Vec扩展而来。它通过引入文档标签作为额外输入，生成固定长度的文档向量，适用于文本分类、聚类、相似度计算和信息检索等任务。Doc2Vec包含两种训练模式：DBOW（类似Skip-gram）和DM（类似CBOW），分别适用于不同场景。文中以处理《三国演义》文本为例，展示了如何使用jieba分词和gensim库实现Doc2Vec模型训练，并演示了词向量相似度计算和文档相似度检索功能。实验结果显示，模型能够有效捕捉"荆州&qu
2025-07-21 08:41:13
670
原创 Python----NLP自然语言处理（FastText)
FastText是由Facebook开发的高效词向量与文本分类工具，通过创新的子词机制解决了传统词向量模型的局限性。该机制将单词拆分为子词（如中文单字或英文词缀），通过组合子词向量表示完整单词，有效处理未登录词并捕捉形态学信息。在中文处理中，FastText能利用汉字组合特征（如"质量"和"量化"共享"量"的语义），显著提升罕见词处理能力。实践案例展示了FastText在中文文本（《三国演义》）中的训练过程，包括子词参数设置（min_n=2,max
2025-07-20 09:59:29
1127
原创 Python----NLP自然语言处理（Glove)
GloVe是一种基于全局共现统计的词向量模型，相比Word2Vec能更好地捕捉词语间的语义关系。其核心是构建共现矩阵，通过统计单词在上下文窗口内的共现频率来训练词向量。本文展示了使用GloVe处理《三国演义》文本的完整流程：包括jieba分词、数据清洗、构建共现矩阵（窗口大小为10）、训练20维词向量（学习率0.05，10个epochs），以及查询词向量和语义相似词等应用。实验表明，GloVe能有效学习词语的分布式表示，如"主公"的相似词检索。
2025-07-19 09:12:23
840
原创 Python----算法移植（RK3588部署多模态大模型）
本文详细介绍了在RK3588开发板上部署多模态大模型的全流程。主要内容包括：1) 硬件环境要求（Ubuntu20.04虚拟机/RK3588开发板）和软件环境配置（Python3.8、rkllm-toolkit等）；2) 模型转换方法，支持LLaMA、ChatGLM3等多种模型及多种量化方式；3) 具体部署步骤：从HuggingFace获取模型、安装转换工具、模型格式转换（ONNX到RKNN/RKLLM）、交叉编译C++程序；4) 性能基准测试数据，展示了不同模型在RK3588上的推理速度、内存占用等指标；5
2025-07-18 08:46:03
1081
原创 Python----NLP自然语言处理（词向量与词嵌入)
本文介绍了词向量与词嵌入的基本概念及其应用。词向量是将词语映射为固定维度数字向量，使计算机能处理文本数据。传统one-hot编码存在维度灾难和无法度量相似性问题，Word2Vec通过分布式表示解决了这些问题，能捕捉词语间的语义关系。文章详细讲解了Word2Vec的两种模型（CBOW和Skip-gram）及其训练流程，包括负采样优化技术。最后以《三国演义》文本为例，展示了词向量训练、相似度计算和类比推理等实际应用。Word2Vec虽存在上下文无关等局限性，但仍是自然语言处理的重要基础技术。
2025-07-17 08:53:08
875
原创 Python----NLP自然语言处理（英文分词器--NLTK)
NLTK是Python中处理英文文本的重要工具包，主要功能包括分词、词形还原、词性标注和停用词过滤等。它通过word_tokenize进行分词，使用WordNetLemmatizer实现词形还原（如将"better"还原为"good"），并支持词性标注（如识别名词、动词）。Text对象提供词频统计、上下文搜索等文本分析功能。此外，NLTK可以过滤常见停用词（如"the","is"），并通过正则表达式实现词组分块（如识别名词短语）
2025-07-16 09:03:05
557
原创 Python----算法移植（RK3588部署deepseek对话大模型）
本文详细介绍了在RK3588开发板上部署大语言模型的完整流程，包括从HuggingFace下载模型、使用RKLLM-Toolkit工具进行模型转换和量化，到在开发板上通过C++程序或Python服务（Flask/Gradio）进行推理部署的全过程。方案支持TinyLLAMA、Qwen等多种模型，并提供性能优化技巧，如NPU定频和量化选择，最终实现在边缘计算设备上高效运行大语言模型，适用于低功耗、高性能的AI应用场景。
2025-07-15 08:51:54
1266
原创 Python----NLP自然语言处理（中文分词器--jieba分词器）
本文系统介绍了中文文本预处理的核心步骤，重点讲解了jieba分词工具的功能与应用。主要内容包括：分词处理：对比全模式（高速但冗余）和精确模式（高精度）的分词效果，演示基础分词操作；词典优化：通过添加自定义词典解决专有名词（如"百战程序员"）的分词歧义问题；关键词提取：基于TF-IDF算法实现文本关键词抽取（如《三国演义》选段中的"玄德"、"张角"等），支持停用词过滤优化结果；词性标注：结合posseg模块实现词语分类（如名词、动词等），提供完整的词性标签对照表。文中通过代码实例展示了jie
2025-07-14 09:20:56
842
原创 Python----算法移植（将YOLOV8移植到RK3588）
本文详细介绍了利用Rockchip的RKNN工具链（包括RKNN-Toolkit2、RKNN-Toolkit-Lite2、RKNN Runtime和RKNPU驱动）在NPU硬件平台上部署YOLO模型的完整流程，涵盖环境配置（Python 3.8+特定依赖库）、模型转换（ONNX到RKNN格式）、多线程推理优化、实时视频处理实现（含后处理算法和性能统计）以及自定义模型适配方法，为开发者提供了从环境搭建到部署优化的全链路技术方案，特别强调版本兼容性和边缘计算场景的性能调优策略。
2025-07-14 09:19:59
551
原创 Python----大模型（ 常见向量数据库的介绍 ）
本文比较了三种文本向量相似度计算方法（余弦相似度、内积和L2距离）并介绍了三种主流向量数据库。Pinecone提供易用API和实时更新功能；FAISS是高效的CPU/GPU开源库；Chroma支持多类型数据存储。通过示例代码演示了各数据库的向量嵌入生成、索引创建和相似度查询流程，其中Pinecone和Chroma使用余弦相似度，FAISS支持内积和L2距离计算。三种工具均能有效实现语义相似性搜索，开发者可根据项目需求选择合适方案。
2025-07-14 09:18:35
470
原创 Python----大模型（ RAG的文本分割，文本分割方法 ）
RAG模型中的文本分割技术及其应用 RAG（检索增强生成）模型通过合理分割文本来提高检索效率与生成质量。文本分割在RAG中具有关键作用：提升检索精度、优化信息匹配、增强生成连贯性并降低计算复杂度。主要分割方法包括：1）字符分割，按固定长度划分；2）递归字符分割，根据优先级对分隔符进行多级细分；3）特定文档分割（如Markdown），利用文档结构信息。实践表明，结合中文标点的递归分割法能有效保持语义连贯性，为中文NLP任务提供更优的文本处理方案。
2025-07-14 09:18:19
740
原创 Python----大模型（RAG--RAG的介绍,RAG的工作流程,RAG的文本加载 ）
RAG（检索增强生成）是一种结合检索与生成技术的自然语言处理方法，通过外部知识库增强语言模型的输出准确性。其核心包含检索器（从知识库检索相关文档）和生成器（基于检索信息生成回答）。工作流程包括：检索器将用户问题转换为向量并搜索相似文档，生成器结合检索结果生成最终答案。LangChain提供了多种文本加载器（如TXT、CSV、PDF、Markdown、JSON、HTML等），支持从不同文件格式加载和分割内容，便于后续处理和检索。该方法动态扩展模型知识库，适用于需要实时更新或专业知识的场景。
2025-07-14 09:17:59
816
原创 Python----NLP自然语言处理（NLP自然语言处理解释，NLP的发展历程）
自然语言处理(NLP)是人工智能的重要分支，旨在让计算机理解、生成和处理人类语言。其发展经历了四个阶段：1950-1980年代的规则驱动阶段依赖语言学家手工编写规则；1990年代进入统计学习阶段，利用概率模型处理语言；2013年后深度学习兴起，采用神经网络自动学习语言特征；2018年至今进入预训练模型时代，BERT、GPT等大型语言模型展现出强大能力。NLP广泛应用于机器翻译、文本分析、语音识别、智能对话等领域，但也面临计算成本高、可解释性差等挑战。
2025-07-14 09:17:36
1018
原创 Python----OpenCV（图像分割——什么是图像分割，基于阈值化的分割，基于自适应阈值图像分割 ，基于边缘的图像分割）
图像分割是计算机视觉中的关键技术，旨在将图像划分为具有特定语义的区域。主要分为三类：语义分割（像素级分类）、实例分割（区分同类不同个体）和全景分割（结合前两者）。其应用广泛，如自动驾驶、医疗影像分析等，但也面临标注成本高、计算资源消耗大等挑战。
2025-07-14 09:17:03
1233
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人