- 博客(476)
- 收藏
- 关注
RSS订阅原创 gradio学习代码部分
gr.File(label="上传文件",file_types=["image", "video", "audio", "text", "pdf"])dropdown = gr.Dropdown(choices=["选项1", "选项2", "选项3"], label="选择选项")dropdown = gr.Dropdown(choices=["选项1", "选项2", "选项3"], label="选择选项")gr.Textbox(label="输入框", placeholder="请输入内容")
2026-04-25 18:01:26
178
原创 Python ORM神器之SQLAlchemy基本使用完全指南
SQLAlchemy是Python中最流行的ORM框架，提供了优雅的数据库操作方式。文章介绍了SQLAlchemy的核心概念（Engine、Session、Model）、基本使用方法（安装、模型定义、数据增删改查）以及高级特性（事务管理、上下文管理器、连接池配置）。通过SQLAlchemy，开发者可以用面向对象的方式操作多种数据库，避免直接编写SQL语句，提高开发效率和代码可维护性。文章包含详细代码示例，帮助读者快速掌握SQLAlchemy的核心功能和使用技巧。
2026-04-16 10:09:18
382
原创 MySQL常用函数
本文总结了MySQL中常用的日期处理、字符串处理和聚合函数。日期函数部分介绍了获取当前日期时间、日期格式转换、日期加减运算、时间差计算等方法；字符串函数包括字符串长度计算、子串提取、拼接替换、大小写转换等操作；聚合函数部分列举了COUNT、SUM、AVG、MAX、MIN等常用统计函数。这些函数涵盖了MySQL数据库操作中最常用的数据处理需求，为开发人员提供了全面的参考。
2026-04-15 09:44:31
223
原创 UML 定时图讲解
摘要：UML定时图是UML2.0新增的图表类型，用于描述对象状态随时间的变化及事件互动。主要组件包括水平时间轴、垂直生命线（代表对象）、状态标记和时间约束。特别适用于分析并发系统和实时系统，能清晰展示系统行为的时间特性。通过温控系统示例展示了状态随时间转换的过程，并提供了10道测试题及其解析，帮助理解定时图的核心概念和应用场景。
2026-03-23 09:41:27
410
原创 软件架构风格 MDA
摘要：MDA（模型驱动架构）是OMG提出的以模型为核心的软件开发方法，通过CIM、PIM、PSM三层模型实现业务逻辑与技术实现的分离。核心机制包括模型自动转换和关注点分离，旨在提升开发效率、可移植性和可维护性。其中，PIM描述技术中立逻辑，PSM添加平台细节，一个PIM可转换为多个PSM。MDA适用于大型企业应用，实施需特定转换工具，面临学习成本等挑战。关键优势是促进标准化，而非降低可移植性。
2026-03-22 11:06:01
359
原创 13.python numpy入门与进阶
NumPy是Python科学计算的核心库，通过C语言实现提供高效数值运算，比原生Python列表快10-100倍。它支持多维数组(ndarray)操作，包含丰富的数学函数、线性代数和随机数生成功能。摘要涵盖：1)环境配置与安装；2)数组创建与基本操作（形状变换、数据类型、索引切片）；3)数学运算（均值/方差/极值等统计计算）；4)特殊矩阵生成（零矩阵/单位阵/随机矩阵）；5)数据存储方法（save/load/npz压缩）。NumPy作为Pandas、Scikit-learn等库的基础，是处理数值计算和数据分
2026-02-09 21:56:01
593
原创 7.列表（list）、元组（tuple）、字典（dict）、集合
本文介绍了Python中四种核心数据结构：列表、元组、字典和集合。列表(List)是有序可变序列，使用[]定义，支持增删改查；元组(Tuple)是有序不可变序列，使用()定义，创建后不可修改；字典(Dict)是无序键值对集合，用{}定义，通过键访问值；集合(Set)是无序不重复元素集，用{}或set()定义，常用于去重和集合运算。文章详细说明了每种结构的创建方式、基本操作和典型应用场景，并通过对比表格总结了它们的关键特性差异。这些数据结构是Python编程的基础组成部分，掌握它们对数据处理至关重要。
2026-02-09 21:06:57
992
原创 8.python基础-函数
函数是可重复使用的代码块，通过参数接收输入并返回结果。使用函数可实现代码复用、模块化和隐藏实现细节。定义函数使用def关键字，通过位置参数、默认参数或可变参数传递数据。return语句返回结果，未指定时默认返回None。变量作用域分为局部和全局，修改全局变量需用global声明。函数文档用三引号字符串说明用途。综合示例展示了包含参数检查、返回值和异常处理的完整函数实现。
2026-02-09 20:04:04
404
原创 9-1Python魔术方法完全指南：从基础到高级应用
self.x = xself.y = y保持一致性：重载运算符时要保持数学上的语义一致性异常处理：在魔术方法中适当处理异常情况性能考虑：避免在频繁调用的魔术方法中执行复杂操作文档注释：为自定义的魔术方法提供清晰的文档说明测试覆盖：确保所有魔术方法都有充分的测试用例魔术方法是Python面向对象编程的强大特性，它们使得自定义类能够与Python语言本身无缝集成。通过合理使用这些方法，你可以创建出行为自然、接口友好的类，大大提升代码的可读性和易用性。
2026-02-09 17:59:08
344
原创 10.面向对象之封装继承多态
本文介绍了面向对象编程(OOP)的三大核心特性：封装、继承和多态。封装通过隐藏对象内部细节，使用访问修饰符保护数据安全；继承允许子类复用父类代码，支持单继承和多继承；多态使不同对象对相同方法调用产生不同行为。文章通过Python代码示例展示了这些特性的实现方式及其优势，如提高代码安全性、可维护性和复用性。最后通过汽车类实例演示了三大特性的综合应用。
2026-02-09 17:41:15
627
原创 9.Python面向对象 -类和对象
面向对象编程(OOP)是一种以对象为核心的编程范式，将数据和操作封装在对象中。核心概念包括：类(对象模板)、对象(类实例)、封装(隐藏内部细节)、继承(子类继承父类特性)和多态(不同对象对同一方法的不同响应)。通过动物类示例展示了如何定义基类Animal，并创建子类Cat和Dog，每个子类实现特定的make_sound方法。文章还介绍了实例属性与类属性、实例方法与类方法的区别，以及如何使用__init__构造函数初始化对象属性。OOP通过类和对象的关系，实现了代码的模块化、重用性和灵活性。
2026-02-09 17:17:45
1334
原创 12.Python异常
本文全面介绍了Python异常处理的核心机制和最佳实践。首先列举了常见的异常类型，包括基础运算异常、类型与值异常、容器与系统异常以及文件操作异常。详细讲解了基础异常处理语法，包括try-except结构、多异常捕获以及完整的异常处理流程（else和finally子句）。文章还介绍了高级技巧如异常的捕获和重新抛出、获取异常信息，并提供了文件操作、网络请求和数据库操作的实际应用场景。最后讲解了自定义异常类的创建和使用，总结了精确捕获异常、提供有用错误信息、资源清理等最佳实践，帮助开发者编写更健壮的Python代
2026-02-08 22:05:37
186
原创 11.Python文件操作
本文详细介绍了Python文件操作的核心知识点，包括文件打开/关闭、读写操作及相关文件管理功能。重点讲解了with语句的安全文件操作方式，不同访问模式的区别，以及read()、readline()和readlines()三种读取方法的差异。同时提供了文件重命名、删除、创建等实用操作的代码示例，并展示了两个实际应用场景：文本文件格式清洗和批量文件重命名。通过具体代码演示了如何利用os和re模块进行高效的文件处理，特别强调了异常处理的重要性。这些内容为Python文件操作提供了全面实用的指导。
2026-02-08 21:42:45
942
原创 二十一、基于 Hugging Face Transformers 实现中文情感分析情感分析
本文基于HuggingFace生态实现中文情感分析模型的训练与评估。采用哈工大RoBERTa预训练模型，通过Datasets库加载CSV格式数据集，使用Trainer进行模型微调。核心流程包括：数据预处理（分词、截断、填充）、模型配置（二分类任务）、训练参数设置（批次大小4、1个epoch）、评估指标计算（准确率、F1分数）。测试阶段实现无梯度推理，结果显示模型在示例数据上达到100%准确率。文章还提出优化方向，如扩充数据集、调整超参数、尝试不同预训练模型等。完整代码提供训练(train_model.py)
2026-02-01 10:40:03
936
原创 二十、使用PyTorch和Hugging Face Transformers训练中文GPT-2模型的技术实践
本文详细介绍了基于GPT2模型的中文诗歌生成训练全流程。首先通过自定义Dataset类加载和清洗诗歌文本数据，然后使用HuggingFace Transformers库加载GPT2预训练模型和分词器。重点讲解了批量数据处理函数collate_fn的实现，以及包含梯度裁剪、学习率调度等优化技术的训练流程搭建。文章还提供了训练指标监控、模型保存等核心代码实现，并对训练过程中的关键参数设置和优化方向进行了深入分析。该框架具有良好的扩展性，可应用于各类中文文本生成任务。
2026-02-01 10:10:35
1061
原创 十九、基于轻量级 GPT2-Distil 中文模型实现文本续写：从代码到实战
本文介绍了轻量级GPT2中文模型gpt2-distil-chinese-cluecorpussmall的使用方法，该模型具有体积小、速度快、适配中文等优势。文章详细讲解了从环境准备到代码实现的完整流程，包括模型加载、分词器配置、文本生成参数优化等关键步骤。重点分析了max_new_tokens、temperature等核心参数的作用及调优技巧，并提供了批量续写和风格定制的拓展应用示例。该轻量级模型特别适合新手入门和本地低配环境部署，可用于日常中文文本续写等场景。通过本文指导，读者可以快速掌握使用Transf
2026-02-01 09:28:11
475
原创 十八、基于 Transformers 库调用 GPT2 中文诗歌模型实现文本续写实战
本文介绍了如何使用HuggingFace的Transformers库实现中文诗歌文本续写。首先需要配置开发环境并下载GPT2中文诗歌模型。核心步骤包括：加载BertTokenizer分词器和GPT2LMHeadModel模型，创建TextGenerationPipeline文本生成管道，配置关键参数如max_new_tokens、temperature等控制续写长度和创造性。通过调整这些参数可以优化诗歌风格，如提高temperature增强想象力或降低值使诗歌更规整。该方法为新手提供了AI文本创作的入门实践
2026-02-01 09:21:28
615
原创 十七、用 GPT2 中文对联模型实现经典上联自动对下联：
本文介绍了基于GPT2中文对联模型实现自动对联生成的技术方法。通过分析GPT2-chinese-couplet模型的代码实现，详细讲解了从环境配置、模型加载到对联生成的全流程。该模型在海量对联语料上微调，能够理解对联的"对仗工整、平仄协调、意境相符"规则。以"青山不墨千秋画"为例，展示了如何通过调整温度参数、采样范围等关键参数生成"绿水无弦万古琴"这样符合传统对联要求的工整下联。文章还提供了GPU加速、结果解析等优化建议，并探讨了该技术在春联生成、
2026-01-31 20:45:41
1023
原创 十六、用 GPT2 中文古文模型实现经典名句续写
本文介绍了基于GPT2中文古文模型实现经典名句自动续写的方法。通过微调《论语》《诗经》等古籍语料的gpt2-chinese-ancient模型，AI能够理解古文的语义逻辑和语言风格。文章详细讲解了环境准备、核心代码实现及参数调优技巧，如设置temperature=0.6控制随机性、top_k=30保证用词准确性等优化策略。典型输出示例展示了模型能生成符合儒家语境、句式工整的续写内容。该方法可扩展应用于古诗创作、国学教学等场景，为传统文化与AI融合提供实践方案。
2026-01-31 20:29:31
798
原创 十五、基于 GPT2 中文模型实现歌词自动续写
本文介绍了如何利用GPT2中文歌词生成模型实现文本自动续写功能。首先分析了GPT2模型的因果语言特性及其在中文文本生成中的优势，然后详细讲解了环境配置、模型加载和核心代码实现过程。文章重点解析了TextGenerationPipeline的使用方法，并提供了参数调优、GPU加速等优化技巧，以提升生成质量和效率。最后探讨了该技术在歌词创作、诗歌生成等场景的扩展应用，展示了GPT2作为轻量化中文文本生成解决方案的实用性。
2026-01-31 20:15:35
752
原创 十四、基于 BERT 的微博评论情感分析模型训练实践
本文提出了一种基于BERT预训练模型的微博评论情感分析方法，实现了8类情感（喜欢、厌恶、开心、悲伤、愤怒、惊讶、恐惧、无情感）的自动分类。系统采用BERT-base-chinese作为基础模型，通过PyTorch框架构建分类网络，利用CLS token特征进行情感预测。实验使用50,000条微博评论数据，详细介绍了数据预处理、模型训练、验证测试等完整流程。该方法在测试集上取得了较好的分类效果，同时文章还探讨了样本不均衡处理、超参数调优等改进方向，为社交媒体情感分析任务提供了可行的技术方案。
2026-01-31 19:20:06
882
原创 十三.调用 BERT 中文文本情感分析交互式推理模型训练好的
本文详细介绍了基于中文BERT预训练模型(bert-base-chinese)的文本情感分类交互式推理工具实现方法。主要内容包括： 工具功能：实现实时输入中文评论文本，即时输出正向/负向情感分类结果，支持持续交互直至输入"q"退出。 核心实现： 单样本文本编码处理，确保与训练阶段格式一致 模型权重加载与推理模式切换 GPU加速推理与CPU兼容方案 情感标签直观映射展示 关键技术点： 禁用梯度计算提升推理效率 设备一致性保证 编码规则与训练阶段严格匹配 异常处理与错误排查 该工具可直接验证
2026-01-31 18:57:12
526
原创 十二、基于 BERT 的中文文本二分类模型测试实战：从数据加载到准确率评估
摘要：本文详细介绍了基于BERT的中文文本二分类模型测试全流程，包括测试集加载、批量数据处理、模型推理和准确率计算。通过PyTorch框架实现，优先使用GPU加速计算，确保测试设备与训练一致。关键步骤包括：加载BERT分词器处理测试文本、自定义批量数据处理函数、实例化模型并加载训练权重、切换至推理模式、批量遍历测试集计算准确率。文章特别强调了测试阶段与训练阶段参数的一致性要求，如max_length、batch_size等，并提供了代码优化建议，包括禁用梯度计算、异常处理、模块化封装等，提升测试效率和代码健
2026-01-31 18:33:04
947
原创 十一、基于 BERT 的中文文本情感分类模型训练全解析
本文详细介绍了基于BERT的中文文本情感分类模型训练全流程，采用模块化设计分为数据加载、模型构建和训练执行三个核心模块。通过ChnSentiCorp数据集，实现了从文本预处理到模型训练的完整闭环。文中重点解析了BERT模型的特征提取机制、PyTorch数据加载规范、以及"冻结预训练层+微调分类头"的训练策略。该方法在保证分类精度的同时降低了训练成本，适合小规模NLP任务落地。文章还提供了优化方向建议，如解冻部分BERT层、早停策略等，为后续模型改进提供参考。整套代码注释详尽，可作为NLP
2026-01-30 12:17:37
1619
原创 十、Dataset数据集使用及操作
本文介绍了使用HuggingFace的datasets库进行数据加载和预处理的方法。主要内容包括：1）通过load_dataset加载CSV格式数据集；2）使用Dataset.from_dict创建自定义数据集；3）数据遍历和处理的实例演示；4）自定义数据集类的实现及其优势。文章详细讲解了核心方法__init__()、len()和__getitem__()的功能，展示了如何将数据加载、预处理逻辑封装成统一接口，便于与PyTorch的DataLoader集成。这些方法为自然语言处理任务提供了高效便捷的数据准备
2026-01-30 08:44:40
281
原创 九、模型微调的基本概念与流程
本文介绍了模型微调技术在预训练模型中的应用。微调通过在预训练模型基础上使用特定任务数据进行额外训练，实现知识迁移和任务适配。文章详细阐述了微调流程，包括模型选择、数据准备、架构适配、训练策略和评估优化等步骤，并以BERT情感分析为例展示了实践案例。同时分析了常见问题及解决方案，探讨了参数高效微调等进阶技术。微调作为连接通用模型与具体任务的关键技术，能充分利用预训练模型能力，快速构建高性能AI应用系统。
2026-01-29 17:43:10
985
原创 八.vocab字典操作
动态扩展BERT分词器的词汇表是一项实用且重要的技术，能够有效解决实际应用中的词汇覆盖问题。问题根源：预训练模型的词汇表难以覆盖所有应用场景解决方案：使用add_tokens方法动态添加新词应用价值：提升模型对专业术语、新兴词汇的理解能力最佳实践：合理选择添加词汇，注意模型权重调整在实际应用中，建议根据具体需求制定词汇添加策略，平衡模型性能和词汇覆盖范围。通过合理的词汇扩展和模型微调，可以显著提升模型在特定领域的表现。
2026-01-29 12:48:50
517
原创 七.model输出介绍
本文介绍了中文GPT2模型的基本原理与文本生成机制。模型通过分词器将文本转化为数字索引，再经embedding层转换为768维词向量。核心结构包含12层以上的ModuleList计算模块，输出层对应21128个词汇的概率分布。文本生成本质是分类任务，基于概率选择下一个词（如"白"后接"色"或"天"）。通过temperature参数（典型值0.7）控制生成随机性，配合top_k机制限制候选词范围。小模型可能因理解能力不足出现重复输出问题，不同模型需使
2026-01-29 12:08:14
518
原创 六 .分词
摘要：gpt2-chinese-cluecorpussmall是基于GPT-2架构的中文语言模型，采用12层Transformer结构，具有12个注意力头和768维隐藏层，最大支持1024个token的上下文处理。其词表(vocab.txt)包含50257个条目，采用字符级分词方式处理中文，通过预留token和子词标记(##)实现灵活组合。模型通过将文本转换为数字索引后，再映射到高维词向量空间，使模型能够理解语义。这种设计既保证了处理效率，又能适应中文的字符级特征，是典型的现代NLP模型实现方式。(148字
2026-01-29 11:38:46
630
原创 五、基于RoBERTa的中文问答系统：从模型加载到推理实战
本文介绍了基于HuggingFace Transformers库和RoBERTa模型构建中文抽取式问答系统的方法。首先概述了抽取式问答任务的特点及应用场景，并分析了RoBERTa模型在NLP任务中的优势。然后详细讲解了环境配置、模型加载、输入处理及推理过程的核心原理，通过科幻文本《科技悟空：赛博西游》的问答案例展示了系统能力。文章还探讨了注意力机制、位置编码等技术细节，提出了批量推理优化、置信度评分等性能提升方案，并展望了问答系统在企业知识库、教育辅导等领域的应用前景。
2026-01-27 22:21:27
426
原创 四、基于LangChain与HuggingFace Pipeline的本地大语言模型对话系统搭建指南（使用阿里千问-模型）
本文介绍了基于LangChain和HuggingFace的本地大语言模型部署方案，以Qwen1.5-0.5B-Chat为例。重点包括：1）环境配置与模型加载，支持GPU/CPU自动分配；2）构建文本生成Pipeline，详细解析温度值、top_k等关键参数；3）LangChain集成实现多轮对话管理；4）性能优化策略如混合精度推理和量化技术。该方案具有数据安全、成本可控等优势，适用于客服系统、教育助手等场景，为垂直领域提供可靠的本地化AI解决方案。
2026-01-27 22:15:09
716
原创 三、HuggingFace核心组件-transformers 库使用
本文介绍了基于Hugging Face Transformers库的文本生成和分类实现。在文本生成方面，通过GPT2-chinese模型实现文本续写，详细说明了pipeline参数配置（如max_new_tokens、temperature等）对生成效果的影响。在文本分类方面，使用BERT-base-chinese模型进行情感分析，并指出预训练模型需微调分类头才能有效预测。文章还阐述了关键概念如因果语言模型原理、分词器作用，并提供了智能对话、文本续写等应用场景示例，最后给出不同任务类型的参数调优建议。
2026-01-27 22:04:15
540
原创 二、HuggingFace模型探索与库下载
本文介绍了HuggingFace Transformers库的使用方法，包括安装命令、核心功能说明，以及如何下载和加载预训练模型。重点解析了2017年Google发表的里程碑论文《Attention Is All You Need》，详细介绍了Transformer架构的创新点：完全基于注意力机制、并行计算等特性。同时提供了模型下载和API调用的具体代码示例，包括通过镜像站下载模型的方法，适合国内开发者使用。文章涵盖了从基础安装到实际应用的全流程指南。
2026-01-27 10:08:47
794
原创 一、Hugging Face介绍
HuggingFace是全球最大的AI开源平台，被誉为"AI界的GitHub"，提供各类开源模型和数据集，涵盖NLP、语音识别、图像处理等领域。平台支持免费调用接口，但需通过镜像站（hf-mirror.com）或阿里ModelScope访问。以Stable Diffusion 3.5模型为例，可通过HuggingFace或ModelScope下载使用，需配备6GB以上GPU进行本地训练。平台核心使命是让普通开发者也能使用最先进的AI技术。
2026-01-26 18:02:01
898
原创 llama-index Embedding 落地到 RAG 系统
本文介绍了如何将Embedding技术落地到RAG（检索增强生成）系统中，实现从文本向量化到智能问答的全流程。通过LlamaIndex+阿里云千问大模型+Qdrant向量库的完整示例，展示了本地文档处理、语义检索和智能问答的实现过程。重点包括：1）配置核心组件（Embedding模型、大模型、向量库）；2）文本分割与向量化处理；3）构建查询引擎进行问答。文章还提供了常见问题解决方案和优化建议，如维度匹配、API限流处理、效果提升等，为中文NLP应用提供了完整的RAG实现方案。
2026-01-14 16:05:40
308
原创 LlamaIndex（十）Chat技术 基于 LlamaIndex 与千问模型构建定制化对话提示词模板
本文介绍了基于LlamaIndex框架和阿里云千问大模型的提示词工程实践，重点讲解了如何使用ChatPromptTemplate构建结构化对话模板。通过系统角色定义和用户问答模板，结合变量占位符实现动态内容填充，可精准控制模型响应行为。文章详细展示了环境配置、模板设计、调用方法等核心环节，并提供了知识库问答、多角色客服等扩展场景建议，为开发者提供了高效构建定制化对话系统的技术方案。
2026-01-14 16:05:02
688
原创 LlamaIndex（九）Prompt提示词
LlamaIndex中的提示(Prompts)是控制大语言模型输出的关键工具。通过PromptTemplate和ChatPromptTemplate可以创建结构化提示，包含任务描述、输入文本和输出指示。提示词公式通常由角色、任务目标、背景等要素组成，能够限定模型回答范围和格式。文章展示了四种实例：1)基本问答模板应用；2)聊天式提示模板；3)简单笑话生成；4)带角色的上下文问答。这些方法能有效引导模型输出符合特定需求的响应，提升交互质量和准确性。
2026-01-12 10:06:10
978
原创 LlamaIndex（八）使用Qdrant 完成向量存储与检索
本文介绍了基于LlamaIndex框架结合阿里云千问大模型和Qdrant向量数据库构建PDF文档检索系统的完整方案。系统采用千问模型进行文本嵌入和问答生成，通过PyMuPDF解析PDF文档，利用Qdrant实现高效向量检索。详细阐述了从环境配置、文档加载切分、向量索引构建到语义检索的全流程实现，并分析了该方案的轻量化部署、本土化适配等优势。该系统可扩展为完整的RAG问答系统，适用于企业知识库和个人文档管理等场景。
2026-01-12 10:05:47
952
原创 LlamaIndex（七）查询引擎(query_engine)
LlamaIndex中的queryEngine通过index.as_query_engine()方法将索引转换为查询引擎，实现"检索-整合-生成"全流程自动化。开发者无需手动处理检索逻辑，即可通过简单接口完成"输入查询-输出答案"的核心功能。该方法支持多种索引类型（如VectorStoreIndex），封装了从文档片段检索到调用大模型生成回答的完整过程，极大简化了基于私有文档的智能问答系统开发流程。典型应用场景包括企业内部知识库、学术研究辅助和个人知识管理等非公开文档
2026-01-11 09:15:18
1146
原创 llamaindex（六）索引
本文介绍了基于LlamaIndex框架和阿里云百炼text-embedding-v2模型构建多文档向量化索引的完整流程。主要内容包括：1）通过SimpleDirectoryReader读取多格式文档；2）使用VectorStoreIndex.from_documents()方法实现文档分割、向量化和索引构建；3）解析索引结构，包含元数据和1024维向量数据。文章详细讲解了环境配置、代码实现和核心原理，包括文档预处理、SentenceSplitter分割和向量化存储三个关键步骤，帮助开发者快速构建高效的文档检
2026-01-11 09:14:42
974
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人