loewen-hob-CSDN博客

原创 DW数模笔记——task03

在这一章中，我们将介绍函数极值与规划模型。约束条件下的极值求解是优化问题和运筹学研究的重点，也是各大数学建模竞赛中考察的重难点。它主要针对的是目标函数在约束条件下的极值，以及多种方案中的最优方案。注意：本章内容也可以在凸优化理论相关资料中学习到，是比较难的一章。除了Matlab、Python以外，有很多优化求解软件例如Lingo、Gurobi等也适合做优化问题。

2024-06-27 01:25:54 624

我们讨论了微分方程的基本概念、求解方法和数值方法，并结合实际案例展示了微分方程和差分方程在工程中的应用。及其导数之间的等式，然后分析函数的性质，如单调性、零点等，但没有给出函数的解析式。通过这些方法，我们可以方便地在 Python 中求解函数的微分和积分问题，为工程和科学计算提供了有力的工具。通过这些数值计算方法的介绍和具体实现，我们可以更好地理解Python在求解微分方程中的应用，并通过调整算法参数和优化代码提高计算效率和准确性。足够小的时候，切线的斜率和割线的斜率就会非常接近，这就是微分的核心概念。

2024-06-23 01:42:24 900

原创 DW数学建模学习笔记——task1

以2023年高教社杯全国大学生数学建模竞赛B题为例，单波束和多波束测深系统用于测量海底深度。多波束系统在垂直于航迹的平面内发射多个波束，覆盖更大面积。我们需要建立多波束测深的覆盖宽度及相邻条带之间重叠率的数学模型。继续以2023年高教社杯全国大学生数学建模竞赛B题为例，考虑一个矩形待测海域，测线方向与海底坡面的法向在水平面上投影的夹角为β\betaβ。我们需要建立多波束测深覆盖宽度的数学模型。

2024-06-18 22:18:58 940

原创 DW学习笔记：TinyEval——简易LLM评测框架

在LLM（大语言模型）的研究与应用中，模型评测是不可或缺的一环。然而，初学者常常会面临评测指标复杂多样、难以选择和理解等问题。为了帮助大家更好地掌握LLM评测的原理与实现，本文介绍一个简易的LLM评测框架——TinyEval。TinyEval采用了双阶段的评测体系，支持生成式、判别式和选择式评测问题。

2024-05-28 23:49:13 345

原创 DW学习笔记：手写一个最小的ReAct Agent

在大模型技术日益普及的今天，许多新的模型不断涌现，形成了“百模大战”的局面。虽然大模型具备强大的能力，但在处理实时问题或某些专有领域问题时，可能会显得力不从心。因此，借助工具为大模型赋能，帮助它们更好地与现实世界对齐，是一个重要的方向。在本文中，我们基于React的方式，手动制作了一个最小的Agent结构，探索如何一步步实现Agent，以便更好地理解其构成和运作。

2024-05-25 01:08:40 423

原创 DW大模型学习笔记

大语言模型（LLM）会产生误导性的“幻觉”，依赖的信息可能过时，处理特定知识时效率不高，缺乏专业领域的深度洞察，并且在推理能力上有所欠缺。检索增强生成（Retrieval-Augmented Generation，RAG）应时而生，通过在生成答案之前从广泛的文档数据库中检索相关信息，引导生成过程，提高内容的准确性和相关性，缓解了幻觉问题。向量化模块：将文档片段向量化。文档加载和切分模块：加载文档并切分成文档片段。数据库：存放文档片段和对应的向量表示。检索模块：根据Query检索相关的文档片段。

2024-05-21 00:00:09 319

原创 DW大模型学习笔记

Qwen的整体架构和实现细节为我们提供了一个强大的自然语言处理模型。通过对其结构和实现细节的深入了解，我们可以更好地理解和应用Qwen模型来解决各种自然语言处理任务。

2024-05-17 00:02:45 282

原创【无标题】

无论您是视频内容创作者、营销人员还是仅仅想要为您的视频集锦添加字幕，Auto_VideoToAudioToText 都能成为您的得力助手。但它的功能远不止于此，还包括支持多语言字幕的翻译，真正做到了一站式视频内容处理。无论您是在寻找一种提高视频制作效率的方法，还是需要将视频内容翻译成其他语言以触及全球观众，Auto_VideoToAudioToText 都能为您提供一站式的解决方案。立即克隆并体验这个强大的工具，开启您的视频内容创作新旅程。文件，您可以调整一些基础的配置选项，以适应您的具体需求。

2024-04-09 18:43:19 307 1

原创 GPT原理——task2

OpenAI提供的LMAS Embedding API和ChatGPT Style接口使得生成Embedding和进行语义相似度计算变得异常简便。

2024-03-23 12:51:55 304 1

原创 GPT原理——task1

在人工智能飞速发展的今天，大型语言模型（LLM）如ChatGPT的出现标志着一个重大转变，为各个领域带来了前所未有的机遇。本技术笔记深入探讨了LLM的本质、演进及其潜力，展示了它们如何作为自然语言处理（NLP）和生成式AI的巅峰之作，重塑我们与技术的互动方式。

2024-03-18 23:03:56 955

原创【无标题】

在人工智能飞速发展的今天，大型语言模型（LLM）如ChatGPT的出现标志着一个重大转变，为各个领域带来了前所未有的机遇。本技术笔记深入探讨了LLM的本质、演进及其潜力，展示了它们如何作为自然语言处理（NLP）和生成式AI的巅峰之作，重塑我们与技术的互动方式。

2024-03-18 23:02:57 847

原创 metaGPT学习笔记——task5

多智能体系统（Multi-Agent System, MAS）由多个智能体组成，这些智能体能够独立地感知环境、作出决策和行动，并且可以相互交流。在多智能体系统中，智能体通过合作、竞争等方式，解决不能单独由一个智能体或一个智能体难以解决的复杂问题。在MetaGPT中，是多智能体系统中的核心组件，它承载了一系列的角色（Roles），这些角色可以在环境中发布消息，并被其他角色观察到。模型配置（model_config）：为环境中的智能体配置模型参数。描述（desc）：对当前环境的描述。角色（roles）

2024-03-07 23:46:15 795

原创 metaGPT学习笔记——task4

订阅智能体是一种特殊类型的Agent，它能够帮助用户持续跟踪和接收特定主题或领域内的更新信息。通过自动化的方式，订阅智能体可以大大节省我们筛选和查找信息的时间，让我们能够专注于分析和利用这些信息。

2024-03-04 23:49:30 375 1

原创 metaGPT学习笔记——task3

大语言模型（LLM）：详细解释LLM的工作原理，以及它们如何使Agent能够理解和生成人类语言。观察：探讨Agent如何通过感知机制来收集和解释环境信息。思考：深入讨论Agent的决策过程，包括如何分析观察结果和记忆内容以制定行动计划。行动：说明Agent如何将思考转化为实际行动，包括代码生成、文件操作等。记忆：分析记忆对于Agent学习和适应环境的重要性，以及如何实现持久化记忆。环境（env）：深入探讨环境对象如何为Role提供必要的上下文信息。消息缓冲区（msg_buffer）

2024-03-02 23:20:50 460

原创深入理解Stable Diffusion：技术原理与实战应用

Stable Diffusion模型进一步结合了这些概念和技术，通过稳定化的学习过程和改进的网络架构，实现了更高质量的输出和更高的训练效率。此外，还需要准备足够的计算资源，特别是具有高性能GPU的机器，以便处理大规模的数据集和复杂的模型结构。最后，通过引入额外的正则化技术和优化策略，如权重共享和重参数化技巧，进一步提高了模型的稳定性和性能。在某些情况下，还可以尝试知识蒸馏等技术，将大型模型的知识迁移到更小的模型中，以提高推理速度和效率。在这个过程中，去噪网络学习如何从带噪声的数据中恢复出清晰的数据点。

2024-03-01 00:55:24 705 2

原创 metaGPT学习笔记——第二课

通过明确定义的角色分工，复杂的工作得以分解为更小、更具体的任务，从而提升了大型语言模型（LLMs）的输出质量。MetaGPT作为一个多智能体协作框架，通过标准化操作程序和明确定义的角色分工，提高了解决问题的效率和质量。MetaGPT以一行需求为输入，输出用户故事、竞争分析、需求、数据结构、API、文档等。内部包括产品经理、架构师、项目经理、工程师，提供了整个软件开发过程和精心编排的SOP。目前MetaGPT已解决了软件工程的中程任务，为用户提供了与智能体真正协作的体验，吸引了全球工程师和投资人的广泛关注。

2024-02-28 23:25:53 393

原创 metaGPT学习笔记——第一课

解决方案：https://github.com/langchain-ai/langchain/issues/17514。

2024-02-27 00:01:46 352

原创第4章决策树 - 学习笔记

决策树是一种基本的分类与回归方法。这种模型呈树形结构，在分类问题中，表示基于特征对实例进行分类的过程。它可以被认为是if-then规则的集合，也可以被认为是定义在特征空间与类空间上的条件概率分布。

2024-01-29 22:18:32 335

原创西瓜书学习笔记——第三章

在实际应用中，往往会遇到类别不平衡问题，即某些类别的样本数量远远多于其他类别的样本数量。类别不平衡问题会影响模型的性能，导致模型对多数类样本过拟合，而对少数类样本欠拟合。感知器是一种简单的神经网络，可以用于解决二分类问题。感知器的决策边界是一个直线，使得正类样本被分类到直线上方，负类样本被分类到直线下方。SVM 是一种非线性分类模型，可以用于解决多分类问题。线性判别分析模型的目标是找到一组权重系数 w 和偏置 b，使得样本能够被正确分类。其中，y 是预测值，x 是输入特征，w 是权重系数，b 是偏置。

2024-01-21 00:10:14 775

m0_61736727的博客

原创 DW数模笔记——task03

原创 DW学习笔记|数学建模task2

原创 DW数学建模学习笔记——task1

原创 DW学习笔记：TinyEval——简易LLM评测框架

原创 DW学习笔记：手写一个最小的ReAct Agent

原创 DW大模型学习笔记

原创 DW大模型学习笔记

原创【无标题】

原创 GPT原理——task2

原创 GPT原理——task1

原创【无标题】

原创 metaGPT学习笔记——task5

原创 metaGPT学习笔记——task4

原创 metaGPT学习笔记——task3

原创深入理解Stable Diffusion：技术原理与实战应用

原创 metaGPT学习笔记——第二课

原创 metaGPT学习笔记——第一课

原创第4章决策树 - 学习笔记

原创西瓜书学习笔记——第三章

原创书生浦语大模型实战营第二课: 轻松玩转书生·浦语大模型趣味 Demo

原创书生·浦语大模型第二课作业

原创书生浦语大模型实战营——第一课: InternLM大模型全链路开源体系

空空如也

空空如也