2401_87632893的博客

原创 聊天机器人：基于 Encoder-Decoder 架构的生成式聊天机器人

大家好！作为一名和大家一样在编程路上慢慢摸索的开发者，我深知从零开始搭建一个聊天机器人时的迷茫与挑战。上面这些代码，是我一点点调试、修改、完善出来的成果 —— 它可能不够完美，也没有用到最前沿的技术，但每一行都凝结着实践中的思考。今天把它分享出来，就是希望能帮更多新手少走弯路，快速拥有一个属于自己的聊天机器人。本文所选用数据集是xiaohuangji50w_nofenci.conv，可前往进行下载。

原创 可扩散模型（Diffusion Models）详解：从原理到应用

设原始数据为 x₀（服从真实数据分布 p_data），前向扩散的每一步 t（从 1 到 T）都按如下规则添加噪声：εₜ₋₁ 是服从标准正态分布的噪声（ε ~ 𝒩(0, I)）；αₜ 是一个预设的 “保持系数”（通常在 0.995~1 之间），控制每一步保留的原始信息比例；为简化计算，定义累积系数 ᾱₜ = α₁・α₂・…・αₜ（ᾱ₀=1，ᾱ_T≈0）。可扩散模型通过 “前向加噪 - 反向去噪” 的思路，实现了对复杂数据分布的精准建模。

原创 生成式 AI 详解：从原理到未来

生成式 AI 是一类能够从数据中学习规律，并生成全新、逼真内容的人工智能模型。与 “判别式 AI”（如分类模型、推荐系统，专注于判断和预测）不同，生成式 AI 的核心是建模数据的概率分布—— 通过学习真实数据（如图像、文本）的潜在规律，生成在统计意义上与原始数据相似但全新的内容。给定大量真实图片，生成式 AI 能创造出从未存在过的 “新图片”；学习海量对话数据后，能生成符合语言逻辑的 “新对话”；分析无数代码片段后，能写出可运行的 “新代码”。其本质是对 “可能性” 的建模。

原创 如何设计神经网络

同时，将数据集分成了训练集和测试集，训练集用于训练神经网络，测试集用于评估训练好的神经网络的性能。这里，我们使用交叉熵损失函数来计算预测结果和真实标签之间的差距，使用随机梯度下降（SGD）优化器来更新神经网络的参数，使得损失逐渐降低。我们使用经典的 MNIST 数据集，它包含了大量手写数字的图片及其对应的标签。手写数字识别就是给定一张包含手写数字（0 - 9）的图片，让神经网络判断图片中的数字具体是几。通过在测试集上计算准确率，我们可以了解到这个神经网络在手写数字识别任务上的表现如何。

原创 代码片段管理器

原创 强化学习案例：基于 DQN 的迷宫导航智能

本文介绍了一个基于深度Q网络(DQN)的迷宫导航智能体系统。该系统由四个核心组件构成：经验回放缓冲区(ReplayBuffer)采用双端队列存储和采样经验，解决样本相关性；Q网络模型(DQN)使用三层全连接结构近似动作价值函数；自定义迷宫环境(MazeEnv)定义5x5网格空间和智能体交互规则；主训练逻辑实现DQN算法的核心流程，包括ε-贪婪策略、贝尔曼方程计算Q值等关键技术。该系统通过强化学习使智能体自主学习迷宫导航策略，最终找到从起点到终点的最优路径。完整的代码实现展示了DQN算法在实际问题中的应用过程

原创 神经网络搜索（NAS）详解

卷积层选项：(输出通道数, 卷积核大小, 步长)# 包含4种不同配置的卷积层参数组合# 是否使用池化层：最大池化层或不使用# 激活函数选项：ReLU、Sigmoid、Tanh三种常用激活函数self.search_space = search_space # 搜索空间实例self.hidden_size = hidden_size # RNN隐藏层大小# 循环神经网络用于生成序列决策# 这里使用LSTM生成网络架构的决策序列input_size=1, # 简化输入：使用1维输入。

原创 多模态智能：打破模态壁垒，构建类人感知的 AI 系统

人类对世界的认知从未局限于单一感官 —— 我们通过眼睛观察图像、耳朵聆听声音、语言传递思想，多种信息渠道的协同作用，让我们能更全面、深刻地理解世界。在人工智能领域，这种 “多感官协同” 的能力被称为。它打破了文本、图像、语音等单一数据模态的界限，通过统一模型架构学习跨模态的语义关联，实现对复杂信息的协同理解、转换与生成，正推动 AI 从 “单任务工具” 向 “类人感知系统” 加速演进。

原创 关于人工智能领域方面算法简析

AI 算法根据任务类型（分类、回归、聚类等）和数据特点（结构化、图像、文本等）选择，从经典的逻辑推理到现代的 Transformer、深度强化学习，算法的演进推动了 AI 在各领域的应用。实际场景中，常需结合多种算法（如集成学习、深度学习 + 强化学习）解决复杂问题。

原创 注意力机制在自然语言处理上的使用

下面用具体例子和符号公式展示注意力机制如何提取语义特征，以 “我吃苹果”-->"I eat apple" 机器翻译为例，重点展示模型如何关注关键信息并融合语义。：用点积计算q1​与k0​,k1​,k2​的关联：假设结果为：[1.2,5.8,3.5]（“eat” 与 “吃” 的 Key 最相似，得分最高）。

原创 神经网络对一段话语义进行特征提取

神经网络对一段话语义的提取是一个，核心是通过多层网络结构捕捉词语、句子乃至篇章的语义关联。神经网络无法直接处理文字，需先将文本转化为数值向量，这一步是语义提取的基础。

原创 智能交互桌宠

本文将详细解析一个集成了图形界面交互、动画展示、语音识别、AI 对话和截图翻译功能的智能交互助手系统。该系统采用多模块设计，通过 Kivy 框架构建主交互界面，结合 PyQt5 和 Tkinter 实现功能扩展，为用户提供多样化的智能交互体验。GUI 框架：Kivy（主界面）、PyQt5（聊天界面）、Tkinter（翻译工具）AI 交互：通过 HTTP 请求与第三方 AI API 交互语音处理：speech_recognition（语音识别）、edge_tts（语音合成）图像处理。