- 博客(735)
- 资源 (2)
- 收藏
- 关注
原创 (21-1)基于Gemma 2B模型的智能文本摘要系统:背景介绍+项目介绍
在当今信息爆炸的时代,人们每天都要面对海量的文本信息。无论是学术论文、新闻报道、在线文章还是企业报告,内容的体量都在不断增长。然而,时间是宝贵的,用户往往希望能够快速地获取文本的核心内容,而不是淹没在细节的海洋中。因此,文本摘要系统的需求应运而生,它旨在自动化地从原始文本中提取关键信息,为用户提供简洁、准确的摘要。文本摘要系统的核心价值在于其能够显著提高信息的可访问性和效率。对于专业人士,如研究人员、分析师和决策者,摘要系统可以节省时间,帮助他们快速筛选和理解大量的专业资料。
2024-05-23 15:20:05 96
原创 (7-2)反馈控制与系统稳定性:使用PID控制机器人的物理运动
(4)函数 derivate_velocity_pid 实现了一个控制机器人角速度的微分方程,通过调用之前定义的PID控制器 velocity_pid,计算出目标角速度 th_target,并将其作为输入用于另一个PID控制器 th_pid,从而得到控制输入 u。(2)使用前面定义的 函数solve,通过数值积分方法(Runge-Kutta)求解了机器人在给定初始条件下,通过位置和角度的 PID 控制器(position_pid 和 th_pid)控制的运动过程。这样的动画有助于直观地理解系统的运动行为。
2024-05-23 14:14:16 262
原创 (7-1)反馈控制与系统稳定性: 反馈控制基础
反馈控制是一种控制系统的方法,通过测量系统输出并与期望值进行比较,自动调整系统输入,以实现更稳定和精确的性能。稳定性是反馈控制设计中的关键考虑因素,通过分析系统的特征值和相应的稳定性条件,工程师可以确保系统在各种工作条件下都能保持平衡且可控。在本章的内容中,将向大家讲解使用Python实现反馈控制与系统稳定性的知识。
2024-05-23 11:12:17 558
原创 (9-1)包:包的基础知识
在Go语言中,“包”是一种组织代码的方式,它允许您将相关的代码和数据结构封装在一个单独的单元中。这些包可以被其他程序引用和重用,类似于Java中的类库。与Java中的“jar”文件不同,在Go语言中,每个包都会编译成一个独立的二进制文件,以便其他程序可以直接链接到它。在本章的内容中,将详细讲解Go语言包的知识,为读者步入本书后面知识的学习打下基础。
2024-05-23 11:08:46 374
原创 (20-4)基于《哈利·波特》系列图书内容的问答系统:系统测试
现在可以开始使用我们的问答系统,输入问题并获取模型生成的答案,展示系统如何从多个文档中检索信息并使用问答链来生成回答,这包括“Ask questions”、“Invoke QA Chain”等交互操作。(3)使用前面定义的函数llm_ans,处理用户提出的关于《哈利·波特》系列中的角色德拉科·马尔福(Draco Malfoy)是否是伏地魔(Voldemort)的盟友的问题。执行这段代码后将得到一个格式化的回答,其中包含了哈利在三强争霸赛中所面临的挑战的描述,以及生成这个答案所花费的时间。
2024-05-22 20:22:29 317
原创 (20-3-02)基于《哈利·波特》系列图书内容的问答系统:LangChain多文档检索器(02)Prompt Template(提示模板)+Retriever Chain(检索链)+格式化输出
在自然语言处理(NLP)和聊天机器人的设计中,"Prompt Template"(提示模板)是一个预定义的文本格式,用于引导或激发大型语言模型(LLM)生成特定的回答或输出。(2)下面的代码使用了一个名为 max_marginal_relevance_search 的最大边际相关性搜索方法,它是向量数据库 vectordb 的一部分,用于执行一种特定的检索任务,旨在找到与给定问题最相关的文档或文档段落。(2)定义函数 llm_ans ,用于处理用户查询,生成模型的回答,并计算整个处理过程所需的时间。
2024-05-22 15:04:44 565
原创 (6-7-04)加速度控制算法:机器人关节加速度限制的分析和可视化(4)比较实际机器人和仿真机器人的关节加速度限制
文件comparison.py的功能是比较实际机器人和仿真机器人的关节加速度限制,生成了5个三维表面可视化图,分别展示关节1、关节2(正负方向)、关节3(正负方向)的加速度限制。每个图中都包括仿真机器人和实际机器人的数据,通过图形比较,有助于分析两者之间的差异和相似性。执行后会绘制一系列三维表面图,效果如图6-16所示。图6-16 机器人的三维表面图。
2024-05-22 14:12:53 159
原创 (8-3)接 口:内置接口
在这个例子中,我们模拟处理了三种不同类型的输入数据(一个空的数组、一个长度小于10的数组和一个包含"error"字符串的数组),并使用类型分支来检查函数processData()返回的错误级别。否则,我们输出计算结果。Error() 方法给出了错误的描述,在使用 fmt.Println()打印错误信息时,会在内部调用方法Error() string得到该错误的描述。针对这样的情况,Go语言引入了 error 接口类型作为错误处理的标准模式,如果函数要返回错误,则返回值类型列表中肯定包含 error。
2024-05-22 10:23:04 708
原创 (20-3-01)基于《哈利·波特》系列图书内容的问答系统:LangChain多文档检索器(01)加载文档+文本分割+创建嵌入+加载向量数据库
通过下面的代码,将原始文档转换成了一系列较小的、可管理的文本块,这些文本块可以被用来生成嵌入,进而用于文本相似性搜索或其他NLP任务。下面的代码用于检查是否存在一个FAISS索引文件,如果不存在,则自动下载相应的Hugging Face嵌入模型,并使用该模型为文本文档创建嵌入,随后将这些嵌入保存为FAISS向量数据库,以便于后续的文本相似性搜索和检索。整个代码块的目的是确保存在一个可用于文本相似性搜索的FAISS向量数据库,如果数据库不存在,则从文本嵌入的创建开始,自动完成整个设置过程。
2024-05-21 21:19:50 671
原创 (20-2-02)基于《哈利·波特》系列图书内容的问答系统:语言模型的集成与优化(2)
(1)使用Hugging Face中的函数pipeline创建一个实现文本生成任务的管道,并将该管道封装为langchain库中的HuggingFacePipeline对象。(2)使用langchain库中的HuggingFacePipeline对象(在这个上下文中是llm)调用一个预定义的NLP任务,具体操作是使用之前配置的文本生成模型来生成文本。在上述代码中,最后的 llm 是创建的 HuggingFacePipeline 实例,可以用于生成文本或集成到更大的NLP工作流程中。
2024-05-21 16:23:04 268
原创 (6-7-03)加速度控制算法:机器人关节加速度限制的分析和可视化(3)关节加速度的可视化
在上述代码中,文件1200.pickle包含一个字典(dict)格式的数据,表示机器人关节加速度的信息。执行后会创建三个图,分别显示机器人的三个关节的加速度限制。其中,第一个图显示关节1的加速度限制,而另外两个图分别显示关节2和关节3在正负方向上的加速度限制。执行效果如图6-15所示。文件read_table.py通过pickle加载保存的数据,生成机器人关节加速度限制的三维表面图,分别展示关节1、关节2(正负方向)、关节3(正负方向)的加速度限制。图6-15 三个关节的加速度限制图。
2024-05-21 14:19:53 173
原创 (8-2)接 口:使用接口
然后,定义了RegularMenuItem和SpecialMenuItem两个不同的结构体类型来表示不同类型的菜单项,并在这些类型上实现了MenuItem接口中定义的方法。我们可以将该类型的对象视为该接口的实现,并且可以通过该接口来调用该类型的方法。最后,我们输出动物园中可飞行动物的数量为1。在上述代码中,变量 t 得到了 areaIntf 的值和类型, 所有 case 语句中列举的类型(nil 除外)都必须实现对应的接口,如果被检测类型没有在 case 语句列举的类型中,就会执行 default 语句。
2024-05-21 10:57:58 787
原创 (17-8)基于强化学习的自动驾驶系统:调试运行
(1)首先运行文件collect_data_autoencoder.py,在运行时需要使用命令行参数来自定义数据收集的各个方面,例如地图、天气、数据输出等,这些数据可以用于训练自动编码器等深度学习模型。例如通过运行下面的命令,可以在模拟环境中生成与"ClearNoon"天气条件下的自动编码器训练相关的数据,并将生成的数据保存到指定的输出文件夹中。(3)运行文件train_autoencoder.py来训练自动编码器,实现特征提取和降维功能。通过运行如下命令将使用创建的数据集进行训练。
2024-05-20 20:38:25 380
原创 (8-1)接 口:接口基础
接口是双方约定的一种合作协议。接口实现者不需要关心接口会被怎样使用,调用者也不需要关心接口的实现细节。接口是一种类型,也是一种抽象结构,不会暴露所含数据的格式、类型及结构。Go语言不是一种 “传统” 的面向对象编程语言:它里面没有类和继承的概念。但是Go语言里有非常灵活的接口概念,通过它可以实现很多面向对象的特性。很多面向对象的语言都有相似的接口概念,但Go语言中接口类型的独特之处在于它是满足隐式实现的。也就是说,我们没有必要对于给定的具体类型定义所有满足的接口类型;简单地拥有一些必需的方法就足够了。
2024-05-20 17:09:29 731
原创 (17-7-05)基于强化学习的自动驾驶系统:评估自动驾驶模型的性能
编写文件test_agent.py,功能是测试一个已经训练好的自动驾驶智能体的性能,以便了解它在给定路线和环境条件下的表现如何。可以通过命令行参数指定要测试的路线、智能体模型文件和其他配置信息。与本节前面中提到的训练脚本相比,这个脚本的目标是测试已经训练好的智能体,而不是训练新的智能体模型。具体实现代码如下所示。上述代码的主要目的是评估智能体的性能,以便了解它在给定路线和环境条件下的表现如何。可以通过命令行参数指定要测试的路线、智能体模型文件和其他配置信息。
2024-05-20 17:04:54 140
原创 (20-2-01)基于《哈利·波特》系列图书内容的问答系统:语言模型的集成与优化(1)
语言模型的集成与优化是自然语言处理领域的一个关键环节,它涉及选择合适的预训练语言模型(LLM),并通过调整其参数来适应特定的应用场景。此外,它还定义了文本分割的参数、文本嵌入模型的存储库路径、相似段落检索的数量,以及用于存放PDF文件、嵌入结果和输出数据的文件路径。上面输出的模型结构显示了模型的复杂性和设计细节,这对于理解模型的工作原理和它如何被训练来执行特定任务是非常有用的。(2)执行方法get_model的IPython,获取与CFG类中定义的model_name属性相对应的模型信息。
2024-05-20 14:35:52 963
原创 (17-7-04)基于强化学习的自动驾驶系统:训练DDPG智能体执行自动驾驶任务
编写文件train_ddpg_agent.py,功能是训练一个DDPG智能体,以便在CARLA仿真环境中执行自动驾驶任务。它通过不断与环境互动,优化策略网络和值网络,以便智能体可以更好地执行驾驶任务。具体实现代码如下所示。(1)使用命令行参数配置CARLA仿真环境,包括主机、相机设置、天气条件、训练周期等。(6)在训练过程结束后,保存最终的DDPG智能体模型和训练数据。(4)初始化DDPG智能体,设置训练超参数、经验缓冲区等。(3)创建CARLA仿真环境,设置路线、天气等参数。
2024-05-20 10:48:34 277
原创 (20-1)基于《哈利·波特》系列图书内容的问答系统:项目介绍+ 大型语言模型(LLMs)+准备环境
本项目是一个基于自然语言处理的问答系统,专门设计用来回答有关《哈利·波特》系列的问题。本系统使用了LangChain库来构建问答流程,Hugging Face的Transformers库来加载和使用大型预训练语言模型,以及Gradio库来创建用户界面。项目中还包括了文本加载、分割、嵌入生成、相似性搜索和答案生成等多个环节,通过精心设计的提示和配置来优化模型的输出质量。此外,项目还鼓励社区贡献,并提供了其他相关资源的链接,以供进一步学习和探索。
2024-05-19 21:26:51 1104
原创 (10-6-02)传感器布局分析与优化系统:主程序(2)入口程序
编写文件run.py,这是本项目的入口程序,通过读取配置文件或命令行参数,加载传感器配置和车辆模型,创建仿真网格,计算传感器的单独覆盖率以及整个网格的覆盖率,最后生成报告和绘制相关图表。生成的盲区分析可视化报告如图5-8所示,看报告中的最后一行,这表示在当前的传感器布局中存在一个体积为457.16立方米的区域,该区域未被传感器检测到,即为盲点。运行项目,传感器布局全景可视化效果如图10-1所示。绘制的盲区可视化分析图如图5-8所示,通过此可视化图可以看出盲点在哪里。图5-8 盲区分析可视化报告图。
2024-05-19 20:28:48 425
原创 (17-7-03)基于强化学习的自动驾驶系统:训练自动驾驶的强化学习代理
(1)编写训练代理的主函数train_agent,在预训练(pretraining)阶段,代理根据参数 nb_pretraining_steps 进行一定数量的训练步骤,以学习驾驶技能。在训练(training)阶段,代理将进行一定数量的训练步骤,同时定期评估其性能。训练过程中,代理根据当前状态选择动作,并与环境进行交互,接收奖励并更新自身的策略。在训练过程中会记录代理的状态、奖励等信息,并保存代理的模型。具体实现代码如下所示。这个文件包含了强化学习的训练逻辑,包括预训练和训练阶段,以及代理的评估逻辑。
2024-05-19 16:03:19 337
原创 (6-7-02)加速度控制算法:机器人关节加速度限制的分析和可视化(2)机器人加速度采集
(11)函数capture_acc_collision:扩展了capture_acc函数,通过机器人的模拟运动并结合提供的Tesseract环境(URDF模型),采集关节加速度信息,并将结果保存为字典。总体而言,该命令用于运行脚本文件capture_acc.py,该脚本通过指定机器人的各种参数,包括机器人名称、配置文件、脉冲到度的转换文件等,来进行关节加速度的捕捉。(10)函数capture_acc_456:专门针对机器人的第4、5、6个关节进行加速度采集,并将结果保存为文本文件。
2024-05-19 14:44:19 807
原创 (7-5)结构体和共用体:实现共用体
在上述格式中,定义了一个名为 Union 的结构体类型,其中包含一个名为 dataType 的整数和一个名为 data 的 interface{} 类型字段。注意,也有的参考书称共用体为“联合”。在 Go 语言中,由于没有直接支持共用体的语法,因此创建共用体变量的方法可以通过结构体类型嵌入 interface{} 类型来实现,然后使用相应的数据类型来初始化 data 字段。由此可以看到,通过将不同类型的值存储在同一个 Union 变量中,成功地实现了共用体的功能,并实现了多种不同类型的数据存储和操作。
2024-05-19 11:21:52 722
原创 (7-4)结构体和共用体:使用常量实现枚举
在上述代码中,首先定义了一个名为 DayOfWeek 的自定义类型,表示星期几。最后,在主函数main() 中输出了三个枚举值并调用了 Saturday 变量的 String() 方法,将其转换为字符串并输出到控制台。在日常生活中,经常会遇到和集合有关的问题,这些问题所描述的状态往往只有有限的几个。但是,虽然6个常量虽然表达了同一个类型的信息,但是在语法上是彼此孤立的个体,不是一个完整的逻辑整体。那么,是否可以引入新的用户自定义类型,描述仅仅具有上述6个元素的集合,并作为一个新的数据类型呢?
2024-05-19 10:41:00 181
原创 (7-3)结构体和共用体:使用结构体
本实例演示了如何使用结构体函数来实现扑克牌的操作,包括洗牌、抽牌等功能。它可以帮助您更好地理解 Go 语言中结构体函数的实用性。实例文件puke.go的具体实现代码如下所示。
2024-05-18 17:04:33 1011
原创 (6-7-01)加速度控制算法:机器人关节加速度限制的分析和可视化(1)定义机器人对象
文件robots_def.py定义了一个robot_obj类,用于处理机器人的正运动学、逆运动学、雅克比矩阵等计算。类中包含了一系列方法,如fwd用于正运动学计算,inv用于逆运动学计算,get_acc用于获取关节加速度限制等。此外,还定义了一些辅助函数,如Rx、Ry、Rz用于生成旋转矩阵,Hvec、phi等用于处理齐次变换矩阵。文件robots_def.py的具体实现流程如下所示。
2024-05-18 16:58:41 465
原创 (7-1)结构体和共用体:定义并使用结构体
在前面的内容中,我们已经学习了一种构造数据的类型—数组,在数组里面能够存储多个同种类型的数据。但是在实际应用中,有时需要在一组数据中保存多个不同类型的数据。例如,在学生登记表中,姓名应该是字符型,学号可以是整型或字符型,年龄应为整型,性别应为字符型,成绩可以为整型或实型。很显然,我们不能用一个数组来存放学生登记表中的所有信息。为了能够同时存储各种数据类型的数据,Go语言提供了结构(structure,或叫结构体)和共用体类型。在本章的内容中,将详细讲解C语言中结构体和共用体的知识
2024-05-17 17:42:48 901
原创 (6-3)指 针:指针和多维数组
在函数main()中,我们创建了一个3x3的二维数组arr,并将其传递给printArray函数,由于&arr是一个指向数组的指针,因此我们需要使用“&”符号来获取其地址。此外,这个示例代码只是一个简单的实现,如果需要进一步完善游戏逻辑,可能需要使用更复杂的算法来计算每个面上的数字之和,并进行相应的调整。假设有一个趣味的游戏,游戏中有一个 3x3x3 的立方体,每个位置上可以放置一个数字,游戏的目标是使得每个水平面、垂直面和对角线上的数字之和都相等。在Go语言中,指针和三维数组的结合使用也是非常常见的。
2024-05-17 14:48:56 534
原创 (11-11)基于大模型的情感分析系统(Tensorflow+BERT+RoBERTa+Sklearn):结果分析
这是本项目的最后工作,通过对BERT和RoBERTa两种模型的情感分析性能进行比较,通过混淆矩阵和分类报告来评估它们在微博情感分类任务上的表现。通过下面的代码生成并打印输出BERT模型在测试集上的分类报告信息,包括了每个情感类别(Negative、Neutral、Positive)的精确度、召回率、F1分数等评估指标。下面的代码生成并打印出RoBERTa模型在测试集上的分类报告,其中包含了每个情感类别(Negative、Neutral、Positive)的精确度、召回率、F1分数等评估指标。
2024-05-17 14:18:14 831
原创 (11-10)基于大模型的情感分析系统(Tensorflow+BERT+RoBERTa+Sklearn):基于RoBERTa大模型的情感分析
这种情况在从预训练模型加载权重时是正常的,因为RoBERTa模型通常包括用于掩码语言模型(Masked Language Modeling,MLM)预训练任务的头部('lm_head'),但在我们的情感分类任务中不需要。(4)在下面的这段代码中,使用RoBERTa模型进行了微调,通过定义一个自定义的神经网络模型,其中包含RoBERTa模型的权重,并在最后一层添加了一个包含3个神经元的softmax激活层,以进行情感分类任务。执行后会输出显示这个模型的摘要信息,包括每一层的参数数量和结构。
2024-05-17 10:50:33 989
原创 (11-9)基于大模型的情感分析系统(Tensorflow+BERT+RoBERTa+Sklearn):基于BERT大模型情感分析
最终,函数返回分词后的输入和关注掩码的NumPy数组。(4)下面代码用于对BERT transformer模型进行微调,它使用了训练数据(train_input_ids和train_attention_masks)和验证数据(val_input_ids和val_attention_masks)进行指定数量的训练轮次(在此为4轮),并使用批处理大小为32。(2)接下来创建一个自定义函数,用于加载预训练的BERT模型,并连接一个具有3个神经元输出层的层,以执行对数据集的3个不同类别(3种情感)进行分类。
2024-05-16 20:52:37 1048
原创 (11-8)基于大模型的情感分析系统(Tensorflow+BERT+RoBERTa+Sklearn):基准模型——朴素贝叶斯分类器
(2)然后,创建标记化微博的 TF-IDF(词频-逆文档频率)版本,例如下面代码使用 TfidfTransformer 对标记化后的微博进行 TF-IDF 转换。(3)现在可以定义朴素贝叶斯分类器模型,下面代码创建了一个朴素贝叶斯分类器模型,并使用训练集的 TF-IDF 转换后的特征 X_train_tf 和标签 y_train_le 进行训练。模型学习了训练集中的模式和特征,以便对微博进行情感分类。(4)下面代码使用训练好的朴素贝叶斯分类器模型对测试集进行预测,并打印输出了朴素贝叶斯分类器的分类报告。
2024-05-16 19:30:32 317
原创 (10-6-01)传感器布局分析与优化系统:主程序(1)设置仿真参数
用户可以选择仿真环境的尺寸、单元格大小、是否使用扩展模式,选择车辆的3D模型文件,设置仿真结果保存路径和名称,以及选择在Z方向上的交叉截面数量和间距。(7)定义函数setup_ui,功能是配置GUI界面的各个部分,包括仿真网格设置、车辆3D模型选择、结果保存路径和名称设置以及交叉截面设置。(5)定义函数set_slices,功能是从用户输入中设置在Z方向上的交叉截面数量和间距,并在界面上显示相应信息。(4)定义函数set_vehicle,功能是允许用户选择车辆的3D模型文件,并在界面上显示所选文件路径。
2024-05-16 14:16:07 218
原创 (19-2)操作国产大模型:LangChain与百度千帆大模型实践
在下面的实例中,使用LangChain框架中的QianfanChatEndpoint创建了一个聊天模型,并通过管道操作将提示模板、聊天模型和输出解析器链接起来,以生成关于特定主题的笑话。在上述流程中使用了信息检索功能,它首先将网页内容分割并嵌入到向量数据库中,然后通过检索器找到与问题最相关的文档,最后利用聊天模型生成基于这些文档的回答。(12)创建检索链:使用函数create_retrieval_chain创建了一个检索链,该链结合了检索器和文档链,用于生成基于检索到的文档的回答。
2024-05-16 11:12:09 836
原创 (6-6-05)加速度控制算法:基于卡尔曼滤波算法的机器人跟踪系统(5)基于加速度的卡尔曼滤波器+结论
对比三种卡尔曼滤波器的性能,经过本实例的执行结果可以看出,基于位置跟踪的卡尔曼滤波器性能最好。滤波后的位置与真实位置非常接近。基于速度和加速度跟踪的卡尔曼滤波器会产生滞后信号,但滤波后的信号趋势是正确的。所有的卡尔曼滤波器在不同的数据集上表现相似,卡尔曼滤波器的稳定性非常好。文件Kalman_Filter_acceleration.py实现了基于加速度的卡尔曼滤波器用于跟踪轨迹的功能,主要实现步骤如下所示。文件Kalman_Filter_acceleration.py的具体实现代码如下所示。
2024-05-15 20:58:39 347 1
原创 (17-7-02)基于强化学习的自动驾驶系统:收集CARLA环境中的专家驾驶数据
总之,上述代码用于在 CARLA 仿真环境中运行多个仿真 episode,用于记录车辆的观察数据和驾驶行为,然后将这些数据保存到指定的输出文件夹中,以便用于后续的自动驾驶代理训练和评估工作。(1)解析命令行参数:使用 ArgumentParser 解析命令行参数,这些参数包括世界端口、主机地址、天气条件、摄像头参数、仿真参数、输出文件夹、模型类型等。(2)加载预训练的自编码器模型:根据命令行参数指定的模型类型(Autoencoder、AutoencoderSEM 或 VAE),加载对应的自编码器模型。
2024-05-15 17:08:00 139
原创 (10-5-02)传感器布局分析与优化系统:绘图可视化(2)传感器布局、盲区和性能报告
(1)使用库PyVista和ReportLab设置绘图和表格的主题样式,通过pv.set_plot_theme(pv.themes.DocumentTheme())设置了PyVista的绘图主题为文档主题。编写文件plotting/report.py,生成包含传感器布局、盲区分析以及传感器性能指标的报告,报告内容包括可视化截图、保存的数据和生成的可视化图等,这样的报告可以用于分析和评估整个传感器系统的性能。(2)定义函数create_report,用于生成包含传感器布局、盲区分析和传感器性能指标的报告。
2024-05-15 14:48:37 272
原创 (11-7)基于大模型的情感分析系统(Tensorflow+BERT+RoBERTa+Sklearn):情感列分析
test_size=0.1 表示将10%的数据分配给验证集,stratify=y 确保划分后的训练集和验证集中各类别的比例与原始数据集相同,random_state=seed 用于设置随机种子,以确保划分结果的可重复性。(2)下面代码通过使用字典映射的方式,将情感标签列 'Sentiment' 中的类别进行编码,分别映射为数字0、1、2,代表 'Negative'、'Neutral' 和 'Positive'。请看下面的代码,首先保存了标签编码的训练集、验证集和测试集标签的副本。
2024-05-15 14:39:35 1037
原创 (6-1)指 针:指针基础+ 指针的声明和初始化
指针是Go语言中广泛使用的一种数据类型,通过指针变量可以表示各种数据结构,可以很方便地使用数组和字符串,并能像汇编语言一样处理内存地址,从而编写出精练而高效的程序。在本章的内容中,将详细讲解Go语言指针的知识,并通过具体实例讲解使用函数的方法。
2024-05-15 11:09:04 710
文本分类与情感分析算法 数据集
2024-05-22
行为预测算法:基于自动驾驶大模型的车辆轨迹预测系统
2024-05-13
专栏《NLP算法实战》中第9部分《大模型Transformer》的所有配套源码
2024-04-24
斗转星移换图系统(PyTorch+Visdom+CycleGAN)源码
2024-04-24
Tensorflow机器翻译系统和PyTorch机器翻译系统
2024-03-22
AI智能问答系统的源码资料
2024-03-15
《基于深度强化学习的量化交易策略》一文的源码
2024-02-29
比特币价格预测系统的项目的源码和数据集
2024-01-13
我的专栏《大模型从入门到实战》2-1到2-3的配套源码,包含数据集
2024-01-11
金融大模型实战:个人专栏《检测以太坊区块链中的非法账户》项目的源码和数据集
2024-01-11
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人