- 博客(482)
- 资源 (9)
- 收藏
- 关注
RSS订阅
原创 简单记录一下ubuntu的一些安装指令
文章目录1、安装、升级pip32、安装git3、安装opencv-python4、安装tensorflow-cpu5、安装ipython6、安装matplotlib7、安装imageio8、安装scipy9、安装redis10、安装freetype在这里做个记号，以后需要直接过来看看1、安装、升级pip3sudo apt-get install python3-pipsudo pip3 i.........
2019-07-24 18:26:19
6143
1
原创 ubuntu14.04+cuda+cudnn+tensorflow-gpu+caffe等深度工具安装小结
最近一直装系统，装系统，还是多卡GPU的，并且显示器接受不到显卡的输出，也就是高清线没办法从显卡上接到显示器上，为啥呢？我也不知道，总之就是没信号，无奈只能从集显上接 普通线到显示器上，以前装过1080ti显卡驱动，也做过笔记http://blog.csdn.net/hjxu2016/article/details/69072779，当时在线安装出现循环登陆问题，只好选择下载run文件安装，这样安
2017-11-30 09:59:47
1911
原创 【LangGraph入门 4】持久化与记忆
本文介绍了LangGraph中持久化层和记忆机制的实现与应用。主要内容包括： 基本线程隔离持久化层：通过MemorySaver实现线程隔离的对话记忆，相同thread_id可保持多轮对话连续性，不同线程间记忆隔离。 跨线程持久化调用：引入InMemoryStore实现长期记忆存储，支持跨线程会话数据持久化和向量语义搜索。 记忆机制实现：包含短期记忆和长期记忆两种实现方式，通过不同存储策略满足不同场景需求。 记忆优化：采用总结技术对记忆内容进行压缩优化，提高记忆存储效率和检索性能。 文章通过代码示例展示了基础
2026-05-06 10:03:38
215
原创 【LangGraph入门 3】精细控制之图的运行时配置和map-reduce
本文介绍了LangGraph中的运行时配置和MapReduce并行执行机制。运行时配置允许动态切换模型、个性化Prompt和环境参数，通过RunnableConfig实现模型切换（如GPT-4/3.5）。MapReduce模式包含三步：1) Map阶段通过路由器节点动态生成Send对象分配子任务；2) Worker节点并行处理；3) Reduce阶段聚合结果。文中提供了代码示例，展示了如何定义状态、节点函数，以及通过Send对象实现动态任务分发。该机制支持运行时根据状态决定并行任务数量和输入数据，适用于需要
2026-04-29 16:29:38
454
原创 【LangGraph入门 2】串行控制和分支控制
本文介绍了三种基于LangGraph的流程控制实现方法： 串行控制：通过定义State状态和节点函数，构建顺序执行的流程图（START→step1→step2→END），实现简单的线性流程。 普通分支控制：构建包含多个节点的流程图（A→B/D，A→C→D），演示了分支合并的工作流实现方式。 条件分支控制：通过add_conditional_edges方法实现条件路由，当count<3时循环执行A→B→A，count≥3时结束流程，展示了带条件判断的循环工作流。 每种方法都包含状态定义、节点函数、图构建
2026-04-28 16:24:51
212
原创 cursor创建文件，自动添加头注释
本文介绍了在VS Code中创建Python文件模板的快捷方法：1）使用Ctrl+Shift+P调出命令面板，输入"Snippets"创建代码片段；2）编辑python.json文件，添加包含文件头信息的Python模板；3）重启编辑器后，在新建文件中输入"head"并按Tab键即可快速插入预设模板。模板自动包含UTF-8编码声明、当前日期时间和作者信息等标准文件头内容，能有效提升Python开发效率。操作过程与VS Code的代码片段功能类似，适合需要标准化文件头的
2026-04-28 15:08:37
52
原创 【LangGraph入门 1】第一个LangGraph-HelloWorld
本文介绍了LangGraph框架的基本概念和使用方法。核心组件包括节点(Node)和图(Graph)，节点代表具体功能操作，图定义工作流程和节点连接关系。文章详细讲解了执行步骤：1)定义State消息格式；2)定义节点函数；3)构建图结构；4)可视化查看；5)运行并输出结果。最后提供了两个完整Demo示例，一个基于Langchain的问答对话系统，另一个是普通节点工作流，展示了从简单到复杂的不同应用场景。文中配有代码示例和流程图，帮助读者理解LangGraph的实际应用。
2026-04-25 17:24:09
510
原创 【OpenClaw 龙虾养成笔记二】 自定义新的技能 Hello world
本文介绍了使用OpenClaw创建自定义AI技能的完整流程。主要内容包括：1) 选择通义大模型作为LLM基础；2) 解释Skills的文件结构，从最简单的SKILL.md到包含脚本和模板的复杂结构；3) 详细指导创建Hello World技能，包括目录创建、SKILL.md编写和测试；4) 说明SKILL.md的组成要素，重点讲解YAML元数据段中必填的name和description字段，以及可选的高级配置。通过本文，用户可以快速掌握OpenClaw技能开发的基本方法，实现简单的AI功能扩展。
2026-03-24 15:01:25
356
原创 【OpenClaw 龙虾养成笔记一】在远程服务器，使用Docker安装OpenClaw
本文介绍在远程服务器使用Docker安装OpenClaw并配置局域网访问的方法。首先通过Docker命令创建容器，映射22、80和18789等关键端口。进入容器后执行安装脚本安装OpenClaw。然后配置局域网访问：设置网关绑定为局域网，允许非安全认证，获取本机IP并配置允许的来源Origins地址。最后重启网关服务并验证监听状态，确认服务在0.0.0.0监听后即可通过映射端口（如38789）在局域网内访问OpenClaw控制界面。整个过程解决了跨域访问和origin限制等关键问题。
2026-03-18 20:36:51
599
原创 简记Cursor远程连接Docker
本文详细记录了如何配置Cursor IDE连接远程Docker容器的完整流程。主要内容包括：1) 创建并配置支持SSH的Docker容器；2) 设置本地SSH密钥并配置免密登录；3) 在Cursor中配置Remote-SSH连接参数；4) 解决Cursor自动下载服务失败的问题，通过手动下载特定版本并配置目录结构。整个过程涵盖了容器准备、SSH配置、IDE连接和常见问题处理，为开发者提供了远程开发环境的完整搭建方案。
2026-03-18 16:27:59
345
原创 【C#语法糖记录 1】 partial：把同一个类的代码拆到多个文件里编译器再拼在一起。
个人笔记，加深印象内容摘自DeepSeekpublic partial class 是 C# 的 “部分类” 语法糖：把同一个类的代码拆到多个文件里编译器再拼在一起。只对 编译时 有意义，运行期就是一个普通的类。
2026-01-19 16:12:46
111
原创 【LangChain入门 9 Agent 】LangChain开发Agent智能体
Agent是使用LLM作为推理引擎的系统，用于确定应该采取哪些行动以及这些行动的输入应该是什么。然后可以将这些行动的结果反馈给代理，并确定是否需要更多行动，或者是否可以结束。
2025-03-29 17:10:32
1314
原创 【LangChain入门 8 】基于RAG实现文档检索与问答
我们需要一个地方来存储和索引我们的分割（splits），以便后续可以对其进行搜索。如果你想构建能够对私有数据或模型介质日期后引入的数据进行推理的人工智能应用，你需要用特定信息来增强模型的知识。大语言模型可以对广泛的主题进行推理，但它们的知识仅限于训练时截止日期前公开的数据。检索适当信息，并将其插入模型提示的过程被称为检索增强生成(RAG)。：ChatModel使用包含问题和检索到的数据的提示来生成答案。除了文档检索外，还结合的大语言模型进行了增强。这里仅仅搜索最相近的向量，仅有文本搜索的功能。
2025-03-29 15:03:40
822
原创 【LangChain入门 7 】消息管理与聊天历史存储
是 LangChain 中用于为链（Chain）添加消息历史记录（即聊天记忆）的类。它通过包装另一个 Runnable 对象，并管理其聊天消息历史记录，从而实现对话状态的持久化。参数runnable：需要包装的底层 Runnable 对象。：一个可调用对象，根据 session_id 返回一个的实例。input_key：指定输入字典中用于获取最新消息的键，默认为 “input”。：指定输入字典中用于获取历史消息的键，默认为 “history”。output_key。
2025-03-24 15:01:48
1506
原创 【LangChain入门 6 Chain组件】单链和多链
LangChain 提供了强大的多链功能，允许用户通过组合多个链（Chain）来实现复杂的任务。这些链可以按顺序执行，也可以并行执行，从而实现高效的模型协作和协调
2025-03-20 14:27:10
632
原创 【LangChain入门 4 Prompts组件】提示词追加示例 FewShotPromptTemplate和示例选择器ExampleSelector
提示词中包含交互样本的作用是为了帮助模型更好地理解用户的意图，从而更好地回答问题或执行任务。小样本提示模板是指使用一组少量的示例来指导模型处理新的输入。 这些示例可以用来训练模型，以便模型可以更好地理解和回答类似问题。
2025-03-20 10:30:01
1450
原创 【LangChain入门 2 Model组件】开始！LLM Models简单对话
实现一个helloworld，跑通一个简单的对话。后面章节会正式介绍LangChain的各个功能。后台llm的端口可以任意选择，这里分别借助Ollama 和OpenAI实现一次简单的对话。
2025-03-19 15:51:15
554
原创 【LangChain入门 1】安装
本学习系列以Ollama推理后端作为大语言模型，展开对LangChain框架的入门学习。模型采用。毕竟是免费开源的，下载过程耐心等待即可。如果可以连接外网，也可以通过OpenAI，来建立LLM模型。
2025-03-19 15:38:50
1574
原创 【conda activate无效】 conda: error: argument COMMAND: invalid choice: ‘activate‘
conda activate失效了activate已经从conda命令中移除了。
2025-03-18 19:12:19
803
原创 【 MySQL 速记3】查询
注意： 在所有的数据库当中，字符串统一使用单引号括起来。单引号是标准，双引号在oracle数据库中使用不了。但是在mysql中可以使用。注意：只是将显示的查询结果列名显示为新名字，原列表名还是叫原来的。select是永远不会做修改操作的，因为只负责查询。可以在命令窗口中快速看一下全表数据可以采用这种方式。使用as关键字起别名，as关键字可以用空格代替。缺陷：效率低，可读性差，在实际开发中不建议。不是将表中所有数据都查出来，是查出符合条件的。如找出第二个字母是A的。
2025-01-17 13:29:23
693
原创 【 MySQL 速记2】常用命令
凡是带有create、drop、alter的都是DDLcreatedropalterDDL主要操作的是表的结构，不是表中的数据。
2025-01-17 10:23:14
419
原创 【 MySQL速记1】简介
英文单词DataBase， 简称DB。按照一定格式存储数据的一些文件的组合。存储数据的仓库，实际上就是一堆文件，这些文件中存储了具有特定格式的数据。
2025-01-16 16:37:49
452
原创 【Transformers实战篇2】练习之命名实体识别
命名实体识别（Named Entity Recognition， 简称NER）是指识别文本中具有特定意义的实体，主要包括人名、地名、机构名、专有名词等。通常包括两部分：① 实体边界识别 ② 确定实体类别（人名、地名、机构名或其他）例：“小明在北京上班”实体类别实体地点北京人物小明。
2024-09-27 16:10:53
1172
原创 【Transformers基础入门篇7】基础组件之Trainer
Trainer是库中提供的训练的函数，内部封装了完整的训练、评估逻辑，并集成了多种的后端，如等，搭配对训练过程中的各项参数进行配置，可以方便快捷地启动模型 单机/分布式训练使用Trainer进行模型训练对模型的输入输出是有限制的，要求模型返回元组或者的子类如果输入中提供了labels，模型要能返回loss结果，如果是元组，要求loss为元组中的第一个值。
2024-09-25 15:22:16
1963
原创 【Transformers基础入门篇6】基础组件之Evaluate
evaluate库是一个非常简单医用的机器学习模型评估函数库，只需要一行代码，便可以加载各种任务的评估函数。
2024-09-25 13:54:36
922
原创 【Transformers基础入门篇5】基础组件之Datasets
dataset库是一个非常简单易用的数据集加载库，可以方便快捷的从本地或者HuggingFace Hub加载数据集公开数据集地址：# filed 指限定某个字段的数据。
2024-09-24 15:54:41
2584
原创 【Transformers基础入门篇4】基础组件之Model
既然这个包的名字叫Transformers，那么大部分整个模型都是基于Transformer架构。原始的Tranformer为编码器(Encoder)、解码器（Decoder)模型Encoder部分接收输入并构建其完整的特征表示，Decoder部分使用Encoder的编码结果以及其他的输入生成目标序列无论是编码器还是解码器，均由多个TransformerBlock堆叠而成TransformerBloc由注意力机制（Attention）和FFN组成。
2024-09-23 17:30:07
1682
原创 【Transformers基础入门篇3】基础组件之Tokenizer
在过去，自然语言预训练模型出来前，做NLP，数据预处理是比较麻烦的，一般有以下几个步骤。step1 分词： 使用分词器对文本数据进行分词（字、字词）step2 构建词典：根据数据集分词的结果，构建词典映射（这一步并不绝对，如果采用预训练词向量，词典映射要根据词向量文件进行处理）step3 数据转换：根据构建好的词典，将分词后处理的数据做映射，将文本序列转换为数字序列step4 数据填充与截断。
2024-09-23 15:30:09
2588
原创 【Transformers基础入门篇2】基础组件之Pipeline
将数据预处理、模型调用、结果后处理三部分组装成的流水线，如下流程图使我们能够直接输入文本便获得最终的答案，不需要我们关注细节fill:#333;color:#333;color:#333;fill:none;color:#333;color:#333;fill:none;我觉得不太行。
2024-09-23 14:09:31
2355
1
原创 【Transformers基础入门篇1】基础知识与环境安装
HuggingFace出品，最常使用的自然语言处理工具实现了大量基于Transformer架构的主流预训练模型，并且不局限于自然语言处理模型，还包括图像、音频以及多模态的模型提供了海量的预训练模型与数据集，同时支持用户自行上传、社区完善，文档全，上手简单Tranformers：核心库，包括了模型加载、模型训练、流水线（pipeline）等Tokenizer：分词器，对数据进行预处理，文本到token序列的相互转换Datasets：数据集库，提供了数据的加载、处理等方法。
2024-09-23 11:21:39
1356
原创 大模型训练框架DeepSpeed使用入门(1): 训练设置
大模型训练的痛点是模型参数过大，动辄上百亿，如果单靠单个GPU来完成训练基本不可能。所以需要多卡或者分布式训练来完成这项工作。DeepSpeed是由Microsoft提供的分布式训练工具，旨在支持更大规模的模型和提供更多的优化策略和工具。对于更大模型的训练来说，DeepSpeed提供了更多策略，例如：Zero、Offload等。本文简单介绍下如何使用DeepSpeed。
2024-05-10 17:16:39
7761
原创 【Pytorch API笔记9】用torch.distributed.barrier()进行同步操作
当一个进程调用 torch.distributed.barrier()时，这个进程将会被阻塞，知道所有进程都调用了。torch.distributed.barrier()是一个同步操作，通常用在分布式训练中，同步不同进程的操作。torch.distributed.barrier()，然后会同时解除所有阻塞，几乎执行后续的操作。
2024-05-08 15:19:58
1252
数字图像处理第三版所有图片,已转化成24为bmp格式
2018-05-25
RDPWrap-v1.6.1.zip
2019-11-12
dukto_6.0-1_amd64.zip
2021-10-18
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人