- 博客(79)
- 收藏
- 关注
RSS订阅原创 特别分享：LangChain——构建强大LLM应用的“万能胶水”
如果你最近涉足大语言模型领域，那么 **LangChain** 这个名字一定会如雷贯耳。它被誉为构建LLM应用的“最强框架”，但它的本质究竟是什么？我们为何需要它？又该如何使用它？本文将带你拨开迷雾，深入浅出地理解LangChain。
2025-09-28 23:32:41
345
原创 NLP：讲解Bert模型的变体
前言：在上一篇《详解Bert模型》中，我们了解了BERT如何凭借双向Transformer和预训练-微调范式革新了自然语言处理领域。但故事并未结束。BERT的成功点燃了研究社区的热情，催生出了一个庞大而充满活力的“BERT家族”。这些变体针对BERT的某些局限性，或在特定方向上进行优化，推动了NLP技术的边界。
2025-09-27 22:15:30
951
原创 NLP：关于Bert模型的基础讲解
前言：在人工智能领域，尤其是在自然语言处理（NLP）的世界里，2018年是一个值得铭记的年份。这一年，谷歌发布了一款名为**BERT**的模型，它如同一颗重磅炸弹，瞬间刷新了11项NLP任务的性能记录，将机器对语言的理解能力提升到了一个前所未有的高度。
2025-09-27 21:53:59
701
原创 特别分享：怎么用coze搭建智能体？
前言：用 “扣子”（Coze）搭建智能体就像 “搭乐高” 一样简单有趣。它是一个零代码、可视化的AI智能体开发平台，让你无需编写复杂代码，就能快速构建具备强大能力的AI助手。
2025-09-21 23:03:33
566
原创 NLP：详解FastText
前言：你是否曾被文本分类问题困扰？是否觉得训练词向量模型既耗时又耗资源？今天，我们来深入探讨一个由 Facebook AI Research (FAIR) 开发的强大工具——FastText。它不仅在速度上快如闪电，在效果上也丝毫不逊色，堪称 NLP 领域的“瑞士军刀”。
2025-09-21 22:43:44
724
原创 NLP:Transformer优势详解
前言：Transformer，这一在人工智能领域掀起惊涛骇浪的架构，自2017年谷歌团队发表《Attention Is All You Need》论文诞生以来，便以迅雷不及掩耳之势席卷全球，成为AI发展史上浓墨重彩的一笔。它究竟有何魔力，能让全球开发者为之疯狂，让AI技术焕发新生？今天，就让我们一同揭开Transformer的神秘面纱，探寻其优势所在。
2025-09-20 22:10:10
739
原创 NLP:Transformer之self-attention（特别分享3）
前言：之前讲解了Transformer各部分作用等等，本文分享self-attention。
2025-09-14 22:39:40
1202
原创 NLP:Transformer残差连接的作用（特别分享2）
前言：紧接着上文的Transformer各子模块作用分享，本文继续特别分享Transformer中残差连接（Residual Connection）的作用。
2025-08-24 16:37:09
869
原创 NLP:Transformer各子模块作用（特别分享1）
前言：Transformer 是深度学习领域的革命性架构，彻底改变了NLP的发展方向。前面分享了Transformer的大概构建思路，本文特别分享Transformer的各子模块作用。
2025-08-24 16:11:58
944
2原创 NLP：Transformer输入部分
前言：前文讲解了Transformer的诞生和基础结构，然后Transformer总体分为输入部分、输出部分、编码器和解码器部分，而本文讲解Transformer的输入部分。
2025-07-30 00:01:14
465
原创 NLP:Transformer背景介绍
前言：前面的文章讲解了RNN及其案例，这篇文章开始讲解Transformer，首先简单介绍Transformer。
2025-07-29 00:08:06
1302
原创 NLP：RNN文本生成案例分享
前言：上篇文章讲解了RNN，这篇文章分享文本生成任务案例：文本生成是一种常见的自然语言处理任务，输入一个开始词能够预测出后面的词序列。本案例将会使用循环神经网络来实现周杰伦歌词生成任务。
2025-07-13 00:06:44
1068
原创 NLP：初识RNN模型（概念、分类、作用）
前言：前面几篇文章讲解了NLP数据的基本处理，从这篇文章开始做NLP相关模型的普及。。。首先普及**RNN模型**。
2025-07-10 00:07:51
1686
原创 NLP：文本特征处理和回译数据增强法
前言：前文讲解了文本数据处理，这篇文章讲解NLP的文本特征处理。文本特征处理主要有 **添加n-gram特征** 和**文本长度规范**两种方式。
2025-07-07 22:54:49
661
原创 NLP：文本数据分析
前文分享了文本张量表示方法，这次分享文本数据分析。关于NLP的文本数据分析，主要是了解标签数量、句子长度、词频及词云等。全文以一数据集做依托分析说明。
2025-07-03 23:34:53
1108
原创 NLP：文本张量表示方法
前言：前文分享了NLP的数据处理的几种方式，本文讲解文本张量的表示方法。张量表示方法主要有三种：**one-hot编码、Word2vec、Word Embedding**，本文也主要介绍这三种方法。
2025-07-02 23:13:49
1365
原创 深度学习：PyTorch卷积神经网络之图像入门
CNN（Convolutional Neural Network，卷积神经网络）是一种专门用于处理网格结构数据（如图像、音频、文本序列）的深度学习模型。它在计算机视觉（CV）和自然语言处理（NLP）中广泛应用，尤其在图像分类、目标检测、语义分割等任务中表现优异。但在此之前，我们需要先了解图像，简单来说，图像一般分为二值图像、灰度图像、索引图像和真彩色RGB图像。
2025-06-24 00:01:03
193
原创 深度学习：PyTorch人工神经网络优化方法分享（2）
前言：上一篇文章讲解了部分人工神经网络优化方法，这篇文章接着讲述从学习率角度出发的优化方法和其它方法。
2025-06-22 21:29:59
1318
原创 深度学习：PyTorch人工神经网络优化方法分享（1）
**前言**：前面讲述了PyTorch人工神经网络的激活函数、损失函数等内容，今天讲解优化方法。简单来说，优化方法主要是从两个角度来入手，一个是**梯度**，一个是**学习率**。
2025-06-22 01:45:11
1311
原创 深度学习：Pytorch人工神经网络之损失函数
smooth L1说的是光滑之后的L1，是一种结合了均方误差（MSE）和平均绝对误差（MAE）优点的损失函数。：与MAE相比，Smooth L1在小误差时表现得像MSE，避免了在训练过程中因使用绝对误差而导致的梯度不连续问题（影响模型的收敛性和稳定性）。：当误差较大时，损失函数会线性增加（而不是像MSE那样平方增加），因此它对离群点的惩罚更小，避免了MSE对离群点过度敏感的问题；在多分类任务通常使用softmax将logits（输出值）转换为概率的形式，所以多分类的交叉熵损失也叫做。
2025-06-20 00:42:53
1493
原创 深度学习：PyTorch人工神经网络之参数初始化和神经网络搭建
前言：前一篇文章我们讲解了人工神经网络的激活函数，接下来讲解参数初始化和损失函数。
2025-06-18 23:15:52
1204
原创 深度学习：PyTorch人工神经网络之激活函数
前言：前面讲解了人工神经网络基础，带大家在人工神经网络领域入了门。今天继续分享神经网络相关知识点—激活函数（将神经网络前向传播内部状态值转化为激活值的函数）。
2025-06-18 00:15:30
991
原创 深度学习：人工神经网络基础概念
人工神经网络（Artificial Neural Network， 简写为ANN）也简称为神经网络（NN），是一种模仿生物神经网络结构和功能的计算模型。它由多个互相连接的人工神经元（也称为节点）构成，可以用于处理和学习复杂的数据模式，尤其适合解决非线性问题。人工神经网络是机器学习中的一个重要模型，尤其在深度学习领域中得到了广泛应用。人脑可以看做是一个生物神经网络，由众多的神经元连接而成。各个神经元传递复杂的电信号，树突接收到输入信号，然后对信号进行处理，通过轴突输出信号。
2025-06-17 00:03:10
569
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人