- 博客(42)
- 收藏
- 关注
RSS订阅原创 中文分词、词性标注与词表示
本文介绍了中文NLP中的三大基础任务：分词、词性标注和词表示。在分词方面，详细讲解了精确模式、全模式和搜索引擎模式三种方法及其适用场景；在词性标注方面，强调了其在信息抽取和特征工程中的重要性；在词表示方面，对比了One-Hot向量和分布式/上下文向量的优缺点。文中提供了可运行的代码示例，并给出了工程实践建议：维护领域词典、繁简转换预处理、词性特征工程等。最后指出，扎实的基础处理是构建高质量NLP系统的关键。全文注重工程实践，为中文NLP应用提供了实用的技术指导。
2025-10-15 15:29:53
738
原创 #深度学习基础：神经网络基础与PyTorch
本文介绍了神经网络基础概念与PyTorch实现。主要内容包括：1)神经网络的三层结构（输入层、隐藏层、输出层）及前向传播过程；2)常见激活函数（Sigmoid、Tanh、ReLU、Softmax）的特点、数学公式及PyTorch实现；3)参数初始化方法（传统方法、Kaiming、Xavier）及其适用场景；4)如何使用PyTorch构建自定义神经网络模型。文章通过代码示例展示了各知识点的具体实现，为深度学习初学者提供了实用的技术指南。
2025-10-09 11:26:28
917
原创 PyTorch深度学习：损失函数与优化算法详解
plt.plot(days, exp_weight_avg, color='red', linewidth=2, label=f'指数加权平均 (β={beta})')不同的任务需要选择不同的损失函数，这直接影响模型的训练效果。建议大家多动手实验，通过不同的参数设置来观察模型行为的变化，这样才能真正掌握这些技术的精髓。损失函数决定了模型的学习目标，而优化算法决定了模型如何朝着目标前进。不同的优化算法有不同的特点和适用场景。学习率是优化算法中最重要的超参数之一，合理的学习率调度可以显著提高训练效果。
2025-09-20 09:32:25
957
原创 PyTorch深度学习神经网络基础：损失函数，反向传播，梯度优化
本文介绍了PyTorch神经网络基础与实战，主要内容包括： 广播机制原理：NumPy和PyTorch中不同形状数组的运算规则，通过三个案例演示广播机制的应用条件。 线性回归实战案例：完整实现一个线性回归模型，包括数据准备、模型构建、训练过程及结果可视化。案例展示了数据加载器、损失函数和优化器的使用。 激活函数详解：重点讲解Sigmoid函数的特点，包括其数学表达式、导数特性以及可能存在的梯度消失问题。通过代码实现了Sigmoid函数及其导数的可视化。 文章通过理论讲解与代码实践相结合的方式，帮助读者掌握Py
2025-09-20 08:57:52
727
原创 PyTorch张量运算、索引与自动微分详解
本文深入讲解了PyTorch中的核心操作技术，包括张量的数学运算、索引方式和形状变换。主要内容涵盖：统计函数操作（如mean、sum）及维度参数dim的使用；多种索引方法（行列、列表、范围、布尔和多维索引）；形状变换函数（reshape、squeeze/unsqueeze、transpose/permute）的应用场景与区别。特别强调了自动微分机制在深度学习中的重要性，并介绍了view与contiguous的配合使用。这些技术是构建神经网络模型的基础，对后续深度学习实践至关重要。
2025-09-17 15:07:59
783
原创 深度学习基础：PyTorch张量创建与操作详解
本文详细介绍了PyTorch中张量的创建与基本操作。主要内容包括：张量的基础概念（多维数组结构）、多种创建方法（tensor()、Tensor()、特定数据类型、线性张量、随机张量、全0/1张量），以及张量的类型转换（数据类型转换、与NumPy互转、标量转数字）。文章通过代码示例展示了每种方法的实际应用，帮助读者掌握PyTorch张量操作的核心技能，为深度学习模型开发奠定基础。
2025-09-17 14:46:59
729
原创 机器学习——决策树算法详解
本文以泰坦尼克号生存预测为实际案例，全面介绍了决策树算法的理论基础和实际应用。文章首先阐述了决策树的核心概念，包括信息增益、基尼不纯度、信息增益比等关键算法原理，以及预剪枝和后剪枝等优化策略。随后详细分析了泰坦尼克号数据集的特征构成和预处理方法，通过完整的代码实现展示了从数据加载、特征工程、模型训练到结果评估的全流程。在模型评估部分，重点介绍了混淆矩阵、精确率、召回率、F1值、AUC等关键指标的计算和解释，并通过决策树可视化技术直观展示了模型的决策过程。文章还深入分析了决策树算法的优缺点，探讨了其在不同领域
2025-09-08 11:55:09
673
原创 机器学习-K-means聚类算法
本文系统介绍了K-means聚类算法的原理、实现与应用。主要内容包括：1) 算法核心思想与优缺点分析；2) Python实现及最优K值选择方法（肘部法则、轮廓系数等）；3) 多种聚类评估指标；4) 客户分群实际案例；5) 算法优化策略（K-means++初始化等）。文章强调在应用时需注意数据预处理、参数调优和业务解释，并指出该算法适合球形簇但需预先指定K值，最后建议结合业务需求选择合适算法。附有完整代码示例和扩展阅读资源。
2025-09-08 11:25:46
573
原创 # 集成学习完整指南：从理论到实践
集成学习通过组合多个弱学习器构建强学习器，显著提升预测性能。本文概述了集成学习的核心优势（提高精度、增强鲁棒性等）和三大策略：Bagging（如随机森林）、Boosting（如AdaBoost）和Stacking。详细介绍了随机森林的原理与实现，展示其在泰坦尼克数据集上的应用；解析AdaBoost算法流程及其在葡萄酒分类中的表现；探讨梯度提升树(GBDT)的工作原理和参数调优方法。通过代码实例比较单一决策树与集成方法的准确率差异，证明集成学习能有效提高模型性能。
2025-09-08 11:22:00
1039
原创 机器学习实战：逻辑回归算法深度解析与案例应用
本文深入探讨了逻辑回归算法在机器学习中的应用，通过三个实战案例展示其核心原理与实现方法。首先解析了逻辑回归的数学基础，包括Sigmoid函数和损失函数。案例1演示了癌症预测的完整流程，包括数据预处理和模型评估；案例2重点讲解了混淆矩阵和精确率、召回率等关键指标；案例3则展示了电信客户流失预测的建模过程，包含特征工程和可视化分析。文章还涉及高级特征工程技巧，如特征转换和聚合特征创建，为读者提供了从理论到实践的全面指导，适用于医疗、金融等多个领域的分类问题解决。
2025-09-03 21:34:52
896
原创 线性回归中梯度下降与正规方程以及拟合问题与正则化
线性回归是一种监督学习算法，用于预测连续型数值。其核心思想是找到一个线性函数，使得预测值与真实值之间的误差最小。y 是预测值x₁, x₂, …, xₙ 是特征w₁, w₂, …, wₙ 是权重b 是偏置项线性回归基础：理解了线性回归的数学原理和损失函数项目流程：掌握了完整的机器学习项目开发流程实战应用：通过波士顿房价预测案例，学会了实际应用算法对比：了解了正规方程和梯度下降的优缺点模型评估：学会了使用多种指标评估模型性能正则化技术：掌握了解决过拟合问题的方法酒沏茶。
2025-09-01 21:37:54
1547
原创 LeetCode 36. 有效的数独 - 解题思路与实现详解
本文详细解析了LeetCode 36题"有效的数独"的解题思路。关键点在于验证数独是否满足三个条件：每行、每列和每个3x3宫格内的数字1-9都不重复。文章提供了两种解法：集合验证法和哈希表优化法，前者通过去重检查，后者利用哈希表提高效率。重点讲解了如何处理空白格('.')、正确提取列数据以及计算3x3宫格索引的方法。同时指出了常见错误，如错误的集合去重和列提取方式，并分析了时间空间复杂度。最后通过测试用例验证了算法的正确性。这道题帮助理解矩阵操作和Python集合应用，是练习基础算法和编
2025-08-31 21:46:47
395
原创 Pandas数据分组聚合与RFM用户分群模型
本文介绍了Pandas数据分组聚合与RFM用户分群模型的核心技术。内容涵盖：1）分组操作基础（过滤、apply函数）；2）DataFrameGroupBy对象详解（分组遍历、多列分组）；3）数据透视表创建；4）数据可视化（折线图绘制）；5）RFM用户分群模型实现（R/F/M指标计算）。通过代码示例演示了如何利用Pandas进行高效数据分析和客户价值评估，为商业决策提供支持。掌握这些技术可显著提升数据分析能力，实现精细化运营。
2025-08-31 00:29:19
1066
原创 KNN算法详解：鸢尾花识别和手写数字识别
本文全面介绍了KNN算法的原理与应用，包括核心概念、距离度量方法（欧式、曼哈顿、切比雪夫等）、特征预处理技术（归一化、标准化）以及超参数优化方法。重点以MNIST手写数字识别为案例，详细展示了KNN算法的完整实现流程，包括数据预处理、模型训练与评估、常见问题解决方案等。文章分析了KNN的优缺点及适用场景，指出其简单直观但计算复杂度高的特点。最后强调KNN算法是机器学习的重要基础，为理解更复杂算法奠定了基础。
2025-08-29 21:30:45
1676
原创 LeetCode 3446. 按对角线进行矩阵排序
本文记录了解决LeetCode 3446题"按对角线进行矩阵排序"的思考过程。题目要求将矩阵左下角三角形对角线非递增排序，右上角三角形对角线非递减排序。作者经历了三个版本的优化：从最初的传统排序方法(O(n² log n)时间、O(n)空间)，到插入排序版本(O(n³)时间、O(1)空间)，再到纠正了"仅交换一次元素"的错误理解。最终回到平衡效率和简洁性的"收集-排序-放回"方法。关键点包括：正确理解排序要求、验证算法正确性、权衡时间空间复杂度。该
2025-08-28 21:32:24
754
原创 解决matplotlib与PyCharm中的特定backend不兼容问题：AttributeError: ‘FigureCanvasInterAgg‘ object has no attribute
摘要：本文分析了PyCharm中matplotlib的'FigureCanvasInterAgg' object has no attribute 'tostring_rgb'错误，提供了三种解决方案：1）切换后端至TkAgg/Agg；2）取消PyCharm的交互式绘图设置；3）降级至matplotlib 3.7.1稳定版本。文章对比了各方案的优缺点，推荐方法一作为快速修复，方法二为长期解决方案。更新于2025年8月27日，所有方案均经测试有效。（149字）
2025-08-27 17:25:43
2052
原创 Pandas 分组聚合进阶：过滤与 apply
Pandas分组聚合进阶摘要 本文系统讲解Pandas分组聚合的8种进阶用法，包含完整可运行代码。核心内容包括： 分组过滤：使用filter保留满足整体条件的组 混合聚合：多列不同聚合函数与自定义命名 transform与apply：区别与应用场景 衍生列构造：组内排名、累计计算等 时间序列分组：按月聚合、滚动窗口计算 透视表应用：pivot_table实现交叉分析 异常值处理：分组前后的数据清洗策略 实战组合技：构建用户价值看板 所有示例基于Pandas 1.5+和Python 3.9+，可直接复制运行，
2025-08-26 21:12:27
392
原创 Pandas 高效数据处理：apply、向量化与分组
本文系统介绍了Pandas数据处理的核心技巧，包括apply函数、向量化计算和分组操作。apply函数支持高度自定义的行列处理，但性能较低；真正的向量化计算利用底层C/NumPy实现，性能最高；分组操作则涵盖聚合、转换和应用等多种场景。文章通过gapminder和tips数据集演示了典型应用，如缺失值填充、Z-Score计算等，并提供了可直接复用的代码模板。建议优先使用向量化计算，在必须自定义时再考虑apply或np.vectorize，同时多利用分组转换功能保持数据对齐。更新日期2025年8月25日
2025-08-25 21:22:54
908
原创 AI搜索排名新规则：你的网站够“新鲜”吗？—— 基于真实案例的分析与原理探讨
AI搜索偏爱"新鲜"内容：如何让你的网站在AI时代脱颖而出？ 研究发现，AI搜索引擎（如ChatGPT、Perplexity）比传统Google搜索更倾向引用近2-3年的"新鲜"内容，平均比Google年轻25%。这一趋势解释了为何技术扎实但长期未更新的网站在AI搜索中"隐身"。解决方案是实施"官网焕新计划"：定期更新产品页面、添加时效性标识、建立季度更新机制。某制造企业通过持续内容更新，其AI搜索可见性显著提升，海外流量增长1
2025-08-21 21:28:02
1489
原创 Pandas 数据组合与缺失值处理最新版本
本文系统总结了Pandas中数据组合与缺失值处理的实用技巧。数据组合部分涵盖concat按行/列拼接、merge表关联（支持四种连接方式）及join索引对齐；缺失值处理包含判断方法、加载设置、可视化及填充策略。通过SQLite多表关联案例，演示了从数据组合到聚合分析的全流程，并附最佳实践速查表，为实际业务场景提供完整解决方案。
2025-08-21 21:14:47
1216
原创 Pandas数据组合与合并
how：合并的方式，inner表示内连接，outer表示外连接，left表示左连接，right表示右连接，默认是left outer。inplace：是否在原数据上操作，True表示在原数据上操作，False表示不在原数据上操作，默认False。inplace：是否在原数据上操作，True表示在原数据上操作，False表示不在原数据上操作，默认False。how：合并的方式，inner表示内连接，outer表示外连接，left表示左连接，right表示右连接, 默认是inner。
2025-08-19 21:33:51
326
原创 Pandas 数据导入导出、索引、分组聚合与可视化
导入导出：CSV/Excel 通用，PKL 高效。索引loc看名、闭区间；iloc看位置、左闭右开；布尔筛选优先loc。分组聚合：5 种写法足够日常分析；agg自由组合函数。计数区分清楚。可视化：先聚合，后绘图，一行出图。
2025-08-18 21:32:39
494
原创 Pandas数据结构详解Series与DataFrame
本文详细介绍了Pandas中两种核心数据结构：Series和DataFrame。Series是一维带标签数组，可通过多种方式创建，并支持丰富的统计和操作方法。DataFrame是二维表格结构，包含多个Series列，适用于复杂数据分析。文章通过代码示例展示了如何创建、访问和操作这两种数据结构，包括数据筛选、运算和列操作等实用技巧，为Python数据分析提供了基础指南。
2025-08-17 18:24:55
1456
原创 LeetCode 1323: 6和9组成的最大数字
本文详细解析了LeetCode 1323题"6和9组成的最大数字"的解题思路。题目要求将给定数字中的一位6改为9或9改为6，使数字最大。核心思路是采用贪心算法，将最左边的6改为9以获得最大数值。文章提供了两种Python实现方法：逐位遍历和字符串替换，并分析了时间/空间复杂度。测试用例验证了算法的正确性，讨论了常见错误及优化思路。这道题目虽然简单，但很好地体现了贪心思想，适合算法初学者练习字符串处理和边界条件处理。
2025-08-17 18:15:51
563
原创 NumPy基础入门
本文介绍了NumPy基础入门知识，主要内容包括： NumPy核心概念：NumPy是Python科学计算的基础库，提供高性能的多维数组对象ndarray，支持向量化操作。 数组创建方法： 从Python列表创建 使用zeros()、ones()等函数创建特殊数组 使用arange()、linspace()创建等差/等比数列 随机数组生成方法 数组属性：详细解释了shape、ndim、size等关键属性。 常用函数： 基本数学函数：ceil、floor等 统计函数：sum、mean、max等 逻辑函数：any、
2025-08-15 19:52:05
855
原创 LeetCode 1780：判断一个数字是否可以表示成3的幂的和-进制转换解法
本文详细解析了LeetCode 1780题：判断数字能否表示为3的幂次方的和。核心思路是将问题转化为三进制表示问题，通过检查数字的三进制形式是否只含0和1来判断。文章提供了两种解法（进制转换法和迭代法），分析了算法复杂度，并给出了正确性证明。此外，还探讨了动态规划解法和其他进制的扩展思考。该问题体现了数学思维在算法设计中的重要性，掌握进制转换思想对解决类似问题具有启发意义。
2025-08-14 21:26:47
1241
原创 MySQL窗口函数与PyMySQL以及SQL注入
MySQL窗口函数与PyMySQL安全编程实践摘要 本文深入讲解MySQL窗口函数与PyMySQL的安全编程实践。MySQL 8.0引入的窗口函数提供了比传统子查询更简洁高效的数据分析方案，支持排名、分组计算等操作。文章通过学生成绩分析案例展示了窗口函数的实际应用，包括计算与平均分差值、分组排名等功能。同时详细介绍了MySQL事务机制和PyMySQL的基础操作，包括连接数据库、执行查询和增删改操作。特别强调了SQL注入风险及参数化查询的防护方案，并提供了京东商品管理系统的实战案例，涵盖数据库设计和Pytho
2025-08-14 21:02:14
1332
原创 LeetCode 326. 3 的幂 | 7 种思路剖析 + 常见坑位排雷 + 进阶无循环解法（Python）
本文系统讲解了LeetCode 326题"3的幂"的7种解法及常见坑点。主要思路包括：迭代/递归整除法（推荐）、对数法（需注意浮点精度）、最大幂整除法（满足进阶无循环要求）、三进制表示法、查表法等。文章详细分析了各种解法的复杂度、实现细节及边界条件处理，特别提醒了循环条件设置、递归返回值、边界覆盖等常见错误。推荐使用迭代整除作为通用解法（时间O(log_3 n)），或最大幂整除实现O(1)判断。文末还提供了通用k的幂判断方法及单元测试用例，适合面试准备和算法学习。
2025-08-13 17:21:12
5079
原创 用最简单的方式入门SQL：从零到能用（基于MySQL）
本文为MySQL入门指南，介绍了数据库基本概念、SQL分类及常用操作。主要内容包括：数据库与DBMS的基础知识；MySQL安装登录方法；SQL语句分类（DDL、DML、DQL、DCL）及数据类型；从库到表的DDL操作（创建、修改、删除）；DML数据操作（增删改）；数据备份技巧；以及查询入门基础。文章特别强调安全操作规范，提醒更新/删除前务必备份和验证条件范围，并提供最佳实践建议。通过跟随示例操作，读者可快速掌握MySQL基本使用技能，为实际项目应用打下基础。
2025-08-11 20:45:25
641
原创 Python数据结构与算法基础：二分查找与树结构详解
本文详细介绍了Python中二分查找算法和树结构的基础知识。二分查找部分包括算法原理、非递归与递归实现，强调其O(log n)的时间效率。树结构部分讲解了二叉树的基本概念、类型分类，并提供了完整的二叉树类实现，包含节点类定义、添加节点方法和三种遍历方式（广度优先、前序、中序、后序遍历）。通过清晰的代码示例，帮助读者掌握这些基础数据结构与算法的核心思想和实际应用。
2025-08-11 09:17:09
918
原创 Python数据结构和算法详解
本文系统介绍了Python中的数据结构和算法基础知识。首先阐述了数据结构与算法的基本概念及特征，然后通过勾股定理问题的两种解法对比，展示了算法效率优化的重要性（从10亿次循环优化到100万次循环，效率提升300倍）。重点讲解了时间复杂度分析，包括大O表示法的核心原则和常见时间复杂度类型：从O(1)常数时间到O(logN)对数时间，再到O(N)线性时间、O(NlogN)线性对数时间、O(N²)平方时间以及O(2^N)指数时间，每种复杂度都配有典型Python代码示例。文章为开发者提供了算法效率评估和优化的系统
2025-08-09 08:39:41
906
原创 Python迭代器和生成器详解：从入门到实战
本文深入讲解了Python中的迭代器和生成器概念。首先回顾了列表推导式的基础知识，然后详细介绍了迭代器的实现原理和自定义方法，通过代码示例展示了__iter__和__next__方法的使用。重点讲解了生成器的两种实现方式：生成器表达式和yield关键字，并通过内存对比说明了生成器在处理大数据时的优势。最后提供了一个实用的文件读取分批处理生成器示例，展示了生成器在实际项目中的应用价值。全文通过大量代码示例帮助读者理解这些高级Python特性的使用场景和实现方式。
2025-08-08 15:47:07
766
原创 LeetCode 1. 两数之和 - 从暴力解法到最优解法的完整分析
LeetCode两数之和问题要求找出数组中两个数之和等于目标值的索引。本文分析三种解法：暴力解法（O(n²)时间）、哈希表解法（O(n)时间最优）和双指针解法（O(nlogn)时间）。哈希表解法通过存储元素值和索引，只需一次遍历即可找到解，是实际应用中最优方案。文章包含详细的代码实现、复杂度分析和性能测试，帮助读者从暴力解法逐步优化到最佳实践，适合算法初学者理解不同解题思路的优劣。
2025-08-07 08:39:34
958
原创 Python正则表达式详解：小白从入门到实战
本文详细介绍了Python中正则表达式的核心概念与实用技巧。主要内容包括：正则表达式的基础语法（字符匹配、量词、位置锚点等）；Python re模块的核心函数（match、search、sub等）；实战应用场景（字符串替换、数据验证、提取等）；以及高级特性（贪婪匹配、标志位、预编译等）。通过多个代码示例展示了如何在Python中高效使用正则表达式处理文本数据，包括手机号验证、HTML内容提取等常见任务。文章还提供了水果筛选等具体案例，帮助读者从入门到实战掌握正则表达式的应用。
2025-08-05 20:41:21
436
原创 Python多线程编程详解
本文详细介绍了Python多线程编程的核心概念和实现方法。主要内容包括：多线程基础概念（进程与线程区别、并发与并行）；Python线程创建、参数传递和执行特性；线程间数据共享机制；线程安全问题及其解决方案（互斥锁机制）；以及多线程适用场景和最佳实践。特别强调了线程安全问题和锁机制的重要性，为Python开发者提供了全面的多线程编程指南。
2025-08-05 20:28:27
1028
原创 Python多任务编程入门：从单进程到多进程并发
Python多任务编程入门摘要 本文介绍了Python多任务编程的基本概念和实现方法。主要内容包括： 多任务基础概念：区分并发(交替执行)和并行(真正同时执行)，以及进程(资源分配单位)和线程(执行单位)的区别。 单进程编程示例：展示顺序执行的局限性，任务必须依次完成。 多进程实现：通过multiprocessing模块创建进程对象并启动，实现任务并发执行。 进程参数传递：演示args(元组)和kwargs(字典)两种传参方式。
2025-08-04 21:30:11
698
原创 Python网络编程：从Socket基础到多线程聊天室
本文介绍了Python网络编程的基础知识，从Socket概念到多线程聊天室实现。主要内容包括： 网络编程基础：IP地址、端口号和TCP/UDP协议 Socket编程入门：创建Socket对象和基本通信流程 数据编码解码：字符串与二进制转换及注意事项 TCP通信实现：服务器端和客户端的基本代码示例 长连接通信：与短连接的对比及实现方式 多线程优化：使用多线程处理多客户端连接 通过代码示例展示了网络编程的核心概念和实际应用，适合Python开发者学习网络编程基础。
2025-08-04 21:11:42
1534
原创 Python深浅拷贝深度解析
本文深度解析Python中的深浅拷贝机制。通过对比可变类型与不可变类型的内存特性，揭示普通赋值仅创建引用的本质。浅拷贝仅复制顶层对象（如重新装箱），而深拷贝会递归复制所有嵌套对象（如整箱复制）。实际应用中，浅拷贝适合简单结构（内存消耗低），深拷贝适合复杂嵌套（数据完全隔离）。文章通过配置复制、测试数据等场景，演示了深浅拷贝的选择策略，并指出深拷贝对不可变对象的优化特性。最后建议根据数据结构复杂度选择拷贝方式，平衡性能与数据独立性需求。
2025-08-02 20:18:58
616
原创 Python闭包和装饰器的详解及应用
Python闭包和装饰器是函数式编程的核心特性。闭包指内嵌函数能访问外部函数变量，需满足嵌套、引用、返回三个条件。装饰器基于闭包，在不修改原函数的情况下扩展功能，支持多种参数形式（无参/有参、无返回值/有返回值）和语法糖写法。进阶用法包括带参数装饰器、多重装饰器，常用于日志记录、权限验证等场景。这些技术能提升代码复用性和可维护性，使Python代码更加优雅简洁。
2025-08-02 20:05:38
268
原创 Python多继承super调用顺序深度解析：MRO算法详解
本文深入分析Python多继承中super()调用机制与MRO算法原理。首先介绍了多继承基础概念，对比了多继承与多层继承的区别。然后详细解析了C3线性化算法的三大原则（单调性、局部优先、一致性），并演示了查看MRO的三种方法。通过实际案例展示了MRO计算过程，重点解释了Father中super()为何指向Mother的关键问题。文章还剖析了菱形继承和方法重复调用等常见陷阱，提出了使用super()统一调用和避免重复调用等解决方案。最后给出了多继承设计的最佳实践建议，包括优先使用组合、保持继承层次简单、统一使
2025-08-01 20:45:03
899
Chinese Medical Intent Dataset中文医疗意图识别数据集
2025-10-25
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人