江南十四行-CSDN博客

原创 Python生成器与协程：从迭代器到异步编程的进阶之路

return "完成"# 不能直接调用协程函数，必须通过事件循环执行# say_hello() # 返回一个协程对象，不会执行# 运行事件循环本文详细讲解了Python生成器与协程的完整知识体系：- 生成器基础：包含`yield`的函数，返回生成器对象，支持惰性求值。- 迭代器协议：生成器是迭代器的子集。- 生成器表达式：简洁的惰性序列创建方式。- 双向通信：`send()`, `throw()`, `close()`方法让生成器可以接收外部数据。

2026-05-05 16:10:12 336

原创深入理解Python装饰器：从入门到精通

1. 本质：装饰器是接收函数并返回新函数的高阶函数。2. 闭包：依赖闭包来“记忆”被装饰函数。3. 参数处理：使用`*args, **kwargs`确保通用性。4. 返回值：wrapper必须返回原函数的返回值。5. 元信息：始终使用`functools.wraps`保留原函数元数据。6. 嵌套层级：- 无参数装饰器：2层（装饰器函数 + wrapper）- 带参数装饰器：3层（参数接收层 + 装饰器层 + wrapper）

2026-05-05 15:56:29 329

原创 YOLOv9 从零开始部署实战指南（CPU版本）：环境配置、项目搭建与测试详解（二）

方法一：命令行传参（推荐）方法二：修改源码编辑detect.py，将--source的默认值改为目标图片路径，直接运行脚本。到这里，你已经成功完成了YOLOv9在CPU环境下的完整部署，并实现了对图片、视频甚至摄像头的目标检测。尽管CPU推理速度无法与GPU相提并论，但对于学习算法原理、轻量级应用和原型验证已经绰绰有余。本教程的核心收获掌握使用conda创建隔离Python环境的方法。学会安装CPU版PyTorch以及YOLOv9的依赖库。熟悉PyCharm配置虚拟解释器的流程。

2026-05-04 20:34:53 359

原创 YOLOv9 从零开始部署实战指南（CPU版本）：环境配置、项目搭建与测试详解（一）

在众多目标检测算法中，YOLO（You Only Look Once）系列凭借其“端到端、单阶段、实时检测”的优势，成为了工业界和学术界最受欢迎的工具之一。Anaconda是目前最流行的Python数据科学平台，它内置了conda包管理器，可以轻松创建相互隔离的虚拟环境，避免不同项目之间依赖冲突。对于个人开发者而言，YOLOv9不仅可以在高性能GPU上运行，也能在普通CPU上完成推理任务——这极大降低了硬件门槛。即便你的电脑有独显，安装CPU版本也完全可运行，只是训练和推理速度会慢一些，但胜在通用性强。

2026-05-04 20:23:26 327

原创从零开始掌握BP神经网络：基于TensorFlow的回归与分类实战

BP（Back Propagation）神经网络是深度学习的基石之一。无论你是刚入门机器学习，还是希望系统掌握神经网络的基本原理，BP神经网络都是一个绕不开的起点。它通过前向传播计算输出，再通过反向传播调整权重，从而让网络不断“学习”到数据的规律。本文将带你使用TensorFlow波士顿房价预测（回归任务）鸢尾花分类（分类任务）数据预处理（标准化、独热编码）BP神经网络的结构设计（输入层、隐藏层、输出层）模型编译与训练（损失函数、优化器、评估指标）结果可视化（损失曲线、准确率曲线）

2026-05-03 20:29:06 516

原创 ReAct Agent 基本理论与项目实战（二）

定义工具我们仅需要确定工具的函数的入参及返回的结果即可。对于如上我们设计的场景，一共需要两个工具，其一是用来根据关键词检索`Serper API`，返回详细的检索信息。其二是一个计算函数，接收的入参是需要执行计算操作的数值，返回最终的计算结果。# API参数params = {'api_key': '0f31d8c5561bdaa4c71ad7c86f6e63a4a26cead9', # 使用您自己的API密钥'q': query, # 查询参数，表示要搜索的问题。

2026-05-03 19:32:34 357

原创 ReAct Agent 基本理论与项目实战（一）

当前主流的大模型AI产品主要落地于三种应用形态，分别是聊天机器人、人工智能助手以及人工智能代理，重点说明了这些应用形态背后所采用的技术栈存在明显的差异。首先对于聊天机器人而言，若仅需做通用领域的知识问答，则依赖的是在线大模型/开源大模型的原生能力，我们需要做的是以产品的架构去构建大模型的接入方式。若需对私有数据进行问答，通常会引入检索增强生成（Retrieval-Augmented Generation, RAG）技术，以实现对特定数据源的有效访问和信息整合。

2026-05-02 17:53:57 640

原创 AI Agent应用类型及Function Calling开发实战（三）

默认情况下，在OpenAI 的大模型生态中，2023 年 11 月 6 日或之后发布的任何模型都可能在单个响应中生成多个函数调用，这说明这类模型可以并行调用某个函数。这在一些场景下是非常有用的，比如如果执行给定函数需要很长时间的时候。例如，模型可能会调用函数同时获取 3 个商品信息，但并行调用会在在 tool_calls 数组中产生包含 3 个函数调用的消息。

2026-05-02 17:45:33 664

原创 AI Agent应用类型及Function Calling开发实战（二）

接下来，当涉及到函数调用的时候，我们需要在调用聊天完成 API 时，额外的传递一个 `tools`参数，以告知大模型：你在当前的会话过程中，可以调用`query_by_product_name`参数。tools = [},{"role": "user", "content": "老板，在吗"}注意：这里通过`tools`参数进行工具传递。tools=tools, # 这里是添加。

2026-05-01 19:38:11 315

原创 AI Agent应用类型及Function Calling开发实战（一）

在上一节中，我们介绍了近两年大模型技术的迅速发展及其技术演进，这包括从大模型自身的能力持续突破（原生能力和涌现能力），基本的函数调用功能，到引入 RAG（检索增强生成）技术，再到当前的 AI Agent（代理）技术。如果说 2023 年是检索增强生成年，那么 2024 年毫无疑问就是代理年。全球各地的公司都在探索使用机器人代理。究其原因还是在于虽然大模型结合RAG技术已经突破了语言生成的可能性界限，但是其存在着极大的局限性。首先我们来看大语言模型自身的特性。

2026-05-01 19:24:52 394

原创大模型应用发展及Agent前沿技术趋势（二）

它们的能力，从简单的自动化到像 Devin 这样的系统所展示的独创性，都在迅速扩展。人类的优势是能够吸收相对大量的信息，过滤掉不重要的细节，并根据关键信息做出决策。随后，人工智能建议的后续步骤包括安排与张伟的电话会议、发送一份详细的产品介绍手册，或者如果一周内没有得到回复，提醒李华进行跟进。`AgentExecutor`的选择主要取决于手头任务的具体要求、决策过程的复杂性以及希望代理展现的自主性或智能水平，不同的`AgentExecutor`也就形成了多个不同的产品和工具。人工智能代理的好处不仅仅是效率。

2026-04-30 22:33:11 351

原创大模型应用发展及Agent前沿技术趋势（一）

自2023年初开始，大模型在国内外引起了极大的关注。实际上，早在2022年底，国外已经对这一技术展开了非常激烈的讨论，而在国内对大模型的普及和认知很大程度上得益于`ChatGPT`的问世。这一现象级的对话式应用直接改变了人们对智能应用的既有看法。在此之前，我们已经习惯了`智能客服`的机械式回答和`智能应用`的频繁出错，所以，当一个能够使用`自然语言`（即人类的交流语言）理解情感、解决问题并且能即问即答的应用系统出现时，人们很难相信它背后不是真实的人类，而是一个由人类设计的机器模型。

2026-04-30 22:27:23 353

原创动手实现基础CNN：从结构设计到PyTorch代码详解

池化层输出尺寸需满足整除关系。例如kernel_size=2且stride=2时，输入尺寸必须为偶数。

2026-04-29 18:19:36 329

原创 CNN进阶：Batch Normalization与Layer Normalization对比 + 网络结构设计与PyTorch实现

BN在CNN中表现优异，能加速训练、提高稳定性。LN更适合变长序列任务（如NLP）。Dropout有效防止全连接层过拟合。合理设计卷积层、池化层和全连接层的搭配是关键。本文系统介绍了Batch Normalization和Layer Normalization的原理与适用场景，设计了一个包含BN和Dropout的CNN网络，并给出了完整的PyTorch实现。通过理论与实践结合，帮助读者更好地理解现代CNN中的进阶技巧。

2026-04-29 18:11:45 374

原创排序算法进阶：直接插入排序（简单排序）与希尔排序

在数据排序的众多算法中，有一类算法被称为“简单排序”，它们通常易于理解、代码实现简单，但时间复杂度较高（O(n²)）。其中最具代表性的就是。而则是在插入排序基础上进行改进的一种更高效的排序算法，它通过分组插入的方式显著提升了性能。本文将详细介绍这两种排序算法的原理、步骤、代码实现以及复杂度分析，并通过丰富的示例帮助你彻底掌握它们。

2026-04-27 18:22:15 199

原创 Java 异常处理详解

业务异常建议继承 Exception非强制处理异常继承 RuntimeException应提供包含错误信息的构造方法。

2026-04-27 18:15:34 326

原创流Stream的基本概念

FileInputStream是InputStream的实现类，专门用于读取文件中的二进制数据。FileOutputStream是OutputStream的实现类，用于将二进制数据写入文件。OutputStream是所有字节输出流的抽象基类，定义了写入字节数据的基本方法。InputStream是所有字节输入流的抽象基类，定义了读取字节数据的基本方法。Reader是所有字符输入流的抽象基类，提供读取字符数据的基本方法。Writer是所有字符输出流的抽象基类，提供写入字符数据的基本方法。

2026-04-26 09:17:03 208

原创深入理解Java中的抽象类与接口：从基础到实战

用abstract关键字修饰的类叫做抽象类。同样，abstract也可以修饰方法，这样的方法叫做抽象方法。// 抽象类// 抽象方法：没有方法体接口使用interface关键字定义。// 接口中的方法void fly();特性抽象类接口实例化❌ 不可实例化❌ 不可实例化构造方法✅ 可定义❌ 不可定义变量类型普通变量+常量默认默认方法✅ 可直接实现❌ Java8前不可，后支持继承/实现方式单继承多实现（接口可多继承）典型应用场景代码复用，定义"是什么"

2026-04-26 09:14:24 355

原创经典排序算法详解：堆排序与归并排序

堆排序通过构建二叉堆，将选择排序中每次 O(n) 查找最值的过程优化为 O(log n)，实现了稳定的 O(n log n) 时间复杂度和 O(1) 空间复杂度。归并排序则采用分治法，先分割再合并，算法简单且性能稳定，还能保证稳定性，是数据库排序的常见选择。理解这两种算法不仅能加深你对数据结构（堆）和算法范式（分治）的认识，还能帮助你在实际开发中根据场景（内存、稳定性、数据规模）做出更合理的技术决策。希望本文的详细讲解、示例与代码能帮助你彻底掌握堆排序和归并排序。

2026-04-25 11:09:54 327

原创经典排序算法详解：冒泡排序与快速排序

冒泡排序和快速排序是两个极具代表性的排序算法：一个通过不断“冒泡”交换将最大值逐步归位，思路直观，但效率较低；另一个采用“分而治之”的递归策略，将大问题分解为小问题，平均效率极高。理解这两种算法不仅能帮你打下扎实的算法基础，更能让你体会到从朴素到精巧的思维跃迁。希望本文的讲解、示例和代码能帮助你彻底掌握冒泡排序和快速排序。如果你有任何疑问或建议，欢迎留言讨论！

2026-04-25 11:03:17 274

原创解锁AI大模型潜力：工程提示词深度指南

在人工智能飞速发展的当下，AI大模型正以前所未有的态势重塑各行各业。从智能客服到内容创作，从数据分析到代码生成，大模型展现出的强大能力令人惊叹。然而，想要充分挖掘大模型的潜力，精准且高效的工程提示词是关键所在。它就像一把钥匙，开启大模型智慧的大门，让模型精准理解人类意图，输出高质量结果。本文将深入剖析AI大模型工程提示词，助你掌握与大模型高效协作的核心技巧。

2026-04-22 22:38:34 349

原创图像几何变换详解——从基础操作到高级应用

变换类型是否属于仿射主要用途裁剪是ROI提取放缩是尺寸归一化平移是位置调整错切是视角模拟旋转是方向校正镜像是数据增强透视否透视矫正。

2026-04-22 22:22:22 36

原创 AI时代工程师的Superpowers进化论

以特斯拉Autopilot团队为例，工程师通过分析数百万英里行驶数据训练出的神经网络，能够预判人类驾驶员需要十年经验才能识别的危险场景。某半导体厂商的工艺工程师使用特征重要性分析，在3周内定位到晶圆良率波动的关键参数，而传统DOE实验方法通常需要6个月。Google Brain团队开发的AutoML技术使工程师能自动生成超越人工设计的神经网络架构。波音公司开发的专家系统能将资深工程师的故障诊断模式编码为轻量级模型，使新手在数月内达到通常需要五年积累的检修能力。这要求工程师建立全新的模型审计思维模式。

2026-04-20 22:46:17 226

原创 AI训练产区图：GPU算力梯队与任务匹配指南

项目背景需说明行业现状、市场需求或技术痛点。例如，开发一款智能家居控制系统时，可描述当前市场对远程控制、节能环保的需求增长，以及传统系统兼容性差的问题。实例：根据Statista数据，2023年全球智能家居市场规模达1150亿美元，但用户普遍反馈不同品牌设备无法互联互通。明确项目要解决的核心问题及量化成果。技术方案需包含具体工具和方法论。使用甘特图或时间轴呈现关键节点。识别关键风险并制定预案。定义可测量的质量指标。

2026-04-20 22:40:34 218

原创 HTML头部元信息避坑指南：关键标签的正确使用姿势

通过精准配置头部元信息，不仅能提升SEO表现，还可优化用户体验和加载性能。▌ 避坑提示：若未在第一行声明，可能导致解析错误和乱码。

2026-04-17 15:01:49 182

原创机器学习基础：局部异常因子算法（LOF）详解

局部异常因子（Local Outlier Factor, LOF）是一种基于密度的异常检测算法，由慕尼黑大学研究团队于2000年提出。其核心思想是通过比较样本点与其邻居的局部密度差异，量化每个点的异常程度。LOF适用于检测数据中的孤立点或离群值，广泛应用于金融风控、网络入侵检测等领域。LOF算法通过局部密度对比高效定位异常点，但其性能依赖于参数调优和数据质量。在实际应用中，建议结合可视化工具（如散点图）辅助分析，并通过交叉验证优化k值和contamination参数。

2026-04-17 14:59:56 344

原创机器学习基础：K近邻算法（KNN）详解

当我们需要对一个未知样本进行预测时，KNN会观察它在特征空间中距离最近的 K个“邻居”（即训练集中的已知样本），并根据这些邻居的类别标签或数值来做出决策。KNN没有显式的训练过程（它只是存储了所有的训练数据），因此属于惰性学习（Lazy Learning）的代表算法。理解KNN的工作原理和调优方法，是掌握更复杂机器学习模型的重要基础。距离度量是KNN的核心，它定义了样本之间“相似性”的量化方式。的特点，成为机器学习入门者的首选算法之一。（规模、维度、平衡性）。，它衡量的是多维空间中两点之间的直线距离。

2026-04-16 20:47:24 373

2303_77980993的博客