qq_64296768的博客

更新 ChromeDriver 以匹配 Google 浏览器版本：查看浏览器版本（方法一：设置 > 关于；方法二：输入 chrome://version/）。使用终端命令 where chromedriver 找到旧版路径并删除 chromedriver.exe。从 Chrome for Testing 下载新版本驱动。更新环境变量（可选，若原位置更新则无需更改）。运行 chromedriver --version 验证更新，若失败可运行 ipconfig /flushdns 清除缓存。

DeepSeek-R1模型对标OpenAI-o1，通过强化学习实现自我进化，具备强大推理能力。其训练采用少量冷启动数据和多阶段流程，结合基于结果和思考过程的奖励机制。衍生模型基于Qwen和Llama提炼，参数规模从1.5B到70B不等。

本文介绍 embedding 模型选取要点，包括句子长度、向量维度、模型大小等四点要求，还提及内部实现过程与主题相关模型训练流程，并推荐在 Huggingface 上找模型排行榜以助选择。

近年来，自然语言处理领域取得了显著进展。BERTopic模型通过合理选取embedding模型，结合分词、word embedding及Pooling操作，有效表示文本信息。DeepSeek-V3在混合专家模型优化方面表现出色，通过将专家分类为共享专家和路由专家，并结合门控网络，提升了模型性能。此外，MLA注意力机制通过低秩联合压缩，显著减少了KV缓存，提高了推理效率。同时，无辅助损失的负载均衡策略和多token预测（MTP）技术进一步优化了模型的计算效率和推理速度。这些创新为大模型的发展提供了有力支持

对于自己项目中关于pycharm与恒源云算力平台设置的一些经验总结！为自己后面进行项目配置提供便利

本文介绍了如何使用BERTopic进行文本主题建模和可视化。BERTopic结合了SentenceTransformer、UMAP和HDBSCAN等工具，能够高效地从文本数据中提取主题。通过visualize_topics()方法，可以直观地展示主题分布；visualize_hierarchy()方法则用于呈现主题的层次结构。此外，visualize_heatmap()和visualize_barchart()方法分别用于展示主题间的相似度和关键词权重。这些可视化工具帮助用户更好地理解和解释主题建模的结果。

本文探讨了基于BERTopic的主题建模技术及其多种实现方式。BERTopic结合了BERT嵌入和聚类算法，能够高效提取文本数据的主题。通过使用不同的嵌入模型（如SentenceTransformer、OpenAI模型）和调整降维（UMAP）及聚类（HDBSCAN）参数，可以灵活优化主题建模效果。此外，还介绍了利用TF-IDF向量进行主题建模的方法，以及如何通过自定义降维模型实现无降维的主题提取。这些方法为文本分析提供了多样化的工具，有助于深入挖掘文本数据的内在结构和主题信息。

摘要：本文对比了PCA、t-SNE和UMAP三种降维方法。PCA是线性方法，时间复杂度为 O(n3)，适合线性数据，能保留较多原始信息。t-SNE是非线性方法，时间复杂度为 O(nlogn)，擅长保留局部结构，但不适合大规模数据且无法捕获全局结构。UMAP通过拓扑结构实现降维，时间复杂度为 O(n1.14)，能同时保留全局和局部结构，适合复杂数据。实验表明，UMAP在处理复杂数据时表现最佳，其次是t-SNE和PCA

本文探讨了多种交互方式，包括 HCI、GUI 和 NUI，分别阐述了它们的交互特点和目的。在论文主题相似性方面，提及 KNN 分类方法以及有监督学习的应用。介绍了模型参数中的 temperature 对输出结果的影响，以及模型四要素。指出数据质量对模型性能的重要性，并说明大模型在处理错误内容时的局限性。阐述了视觉 + 多模态发表论文的四个方向，包括大模型微调、新领域应用、数据集构建与评估以及即插即用方式。强调 prompt 工程的重要性，以及从 Hard Prompt 到 Soft Prompt 的转变，提

Deepseek的API调用使用(自用)

如何搭建自己的卷积神经网络模型（自用）

【代码】粒子球(自用)

恒源云使用（自用）

CUDA环境配置（自用）

数字图像处理——人工神经网络ANN（前向网络FFN、反向传播算法BP）

数字图像处理——模板匹配

最小距离分类器（最近邻分类）其常用的度量有欧式距离、马氏距离

数字图像处理——特征提取（局部二进制模式LBP）

从上面看右图比左图在分类这块是更好区分的，左图分类较为混乱，这说明了在使用模型来解决分类问题的时候，如果特征选择的不恰当可能导致模型训练的效果非常不佳。②特征抽取：通过已有的特征的组合建立一个新的特征子集。①特征选择：是指选择全部特征的一个子集作为特征向量。对得到的特征维度过多可能会出现”维度灾难“等问题。

数字图像处理——图像分割（阈值分割、区域生长、区域分割、区域合并）

数字图像处理——霍夫变换（Hough变换：直线检测、最长线段确定）

数字图像处理——边缘检测（一阶、二阶算子在边缘检测方面的优缺点）

数字图像处理——灰度形态学（顶帽变换学习）

基于神经网络的识别MNIST手写数字模型实验过程及优化尝试

数字图像处理——图像增强（滤波、模板、一阶算子、二阶算子、自适应滤波）

数字图像处理——频域处理与复原（实验全过程+实验代码）

相交链表leetcode160——四种解题思路及代码

视频生成——MiniMax和通义万象（目前免费使用）

数字图像处理——对医疗点运算、直方图均衡化、空域滤波3种增强算法进行定量评估(PSNR、SSIM)，接上篇!

数字图像处理——医疗图像增强实验全过程+实验代码

数字图像处理——图像编辑(去雾)实验全过程+实验代码

数字图像处理——图像编辑(缝刻)实验全过程+实验代码

数字图像处理——纹理合成(实验全过程+实验代码)

数字图像处理——图像混合(实验全过程+实验代码)

数字图像处理——甲骨图像文字识别

Neo4j——安装jdk和neo4j过程中的注意事项、流程、安装包版本链接、个人建议和解决方法

编译原理——LR分析实验全过程+实验代码

编译原理——非递归预测分析实验全过程+实验代码

编译原理——NFA转DFA实验全过程+实验代码

Python数据分析——常用操作（自用Over）