yehaiwz-CSDN博客

原创使用DeepSeek建立一个智能聊天机器人0.14

实现自动调节API节点的功能，我们可以在每次请求失败时尝试下一个API节点，而不是立即抛出异常。这样可以确保在当前节点不可用时，系统能够自动切换到下一个可用的节点。get_response函数：在请求失败时继续尝试下一个API节点，直到所有节点都尝试过为止。process_response函数：捕获并处理所有异常，确保用户界面不会因异常而崩溃。这样，当一个API节点不可用时，程序会自动尝试下一个节点，从而提高系统的可用性和稳定性。

2025-02-19 16:09:13 421

原创使用DeepSeek建立一个智能聊天机器人0.13

为了将配置文件的内容直接整合到代码中，我们将配置信息硬编码到代码中，而不是从外部文件读取。通过这种方式，代码变得更加自包含，同时仍然保留了从外部配置文件读取和保存配置的功能。这样，用户可以选择是否使用默认配置，或者手动管理配置文件。虽然配置文件路径不再需要，但代码中仍然保留了 os.path.join 的用法，以确保在不同操作系统上处理路径的一致性。代码仍然保留了从外部配置文件读取配置的功能，以便用户可以手动加载和保存配置。如果环境变量未设置，代码将使用 DEFAULT_CONFIG 中的默认值。

2025-02-19 13:35:04 318

原创使用DeepSeek建立一个智能聊天机器人0.12

这些对话框在不同操作系统上的表现也有所不同，但 tkinter.filedialog 已经处理了大部分跨平台的问题。消息框和文件对话框：使用 tkinter.messagebox 和 tkinter.filedialog 的标准方法，确保在不同操作系统上的表现一致。路径处理：使用 os.path.join 来构建配置文件路径，确保在不同操作系统上都能正确处理路径。线程处理：threading 模块在不同操作系统上的行为是一致的，因此不需要特别处理。1.API_KEY: 你的DeepSeek API密钥。

2025-02-16 13:11:59 428

原创使用DeepSeek建立一个智能聊天机器人0.11

通过这些改进，你的智能聊天机器人将更加健壮，能够更好地管理和切换多个API节点，同时提供更多的配置选项，增强其智能框架和算法能力。1.将上述 config.json 内容复制到一个名为 config.json 的文件中。3.API_NODES: 一个包含多个API节点URL的列表，用于在请求失败时进行切换。3.确保 API_KEY 和 API_NODES 中的URL是有效的。2.DEFAULT_API_URL: 默认的API节点URL。：增强对多个API节点的管理和切换逻辑，确保高可用性。

2025-02-14 13:47:25 268

原创使用DeepSeek建立一个智能聊天机器人0.1

我对代码进行进一步的完善，增加更多的节点连接及功能运用，并确保配置文件 config.json 的内容更加丰富和详细。以下是完善后的代码和 config.json 文件内容。完善后的代码config.json文件内容解释：API_KEY: 你的DeepSeek API密钥。DEFAULT_API_URL: 默认的API节点URL。API_NODES: 一个包含多个API节点URL的列表，用于在请求失败时进行切换。MAX_TOKENS: 每次请求生成的最大token数。TIMEOUT: 请求的超

2025-02-14 13:46:35 505

原创使用DeepSeek建立一个智能聊天机器人0.09

增加自动连接功能并支持多个节点连接，我们在代码中引入一个配置文件来管理多个API节点，并在启动时自动选择可用的节点。DEFAULT_API_URL: 这是默认的API节点URL，通常是你最常用的API节点。API_NODES: 一个包含多个API节点URL的列表，用于在请求失败时进行切换。多节点支持：从配置文件中读取多个API节点，并在请求失败时自动切换到下一个节点。确保 API_KEY 和 API_NODES 中的URL是有效的。DEFAULT_API_URL: 默认的API节点URL。

2025-02-13 14:12:04 1442

原创使用DeepSeek建立一个智能聊天机器人0.08

使用更安全的方式来存储和读取API密钥：可以考虑使用加密的方式存储API密钥，或者使用环境变量管理工具如 python-dotenv 来管理环境变量。增加错误处理和日志记录：增强错误处理机制，确保程序在遇到问题时能够提供详细的错误信息，并记录日志以供调试。日志记录：虽然这里没有直接添加日志记录功能，但可以通过 chat_log 提供详细的错误信息，便于调试。增强配置文件的管理：提供更多的配置选项，例如不同的模型选择、请求超时时间等。增强错误处理：增加了对请求异常和响应解析异常的处理。

2025-02-13 13:59:47 383

原创使用DeepSeek建立一个智能聊天机器人0.07

进一步完善获取API密钥和DeepSeek的API端点，我们可以添加更多的错误处理和默认值设置，确保程序在各种情况下都能正常运行。同时，我们还可以提供一个更友好的用户界面，以便用户可以轻松地设置和查看配置信息。增加了一个“加载配置”按钮，方便用户在不修改代码的情况下更改API密钥和API端点。添加了对配置文件读取错误的处理，确保程序在文件不存在或格式错误时能够继续运行。如果配置文件不存在或格式错误，显示警告信息，并使用默认值。如果环境变量和配置文件均未设置，使用默认的API端点。

2025-02-12 16:00:31 306

原创使用DeepSeek建立一个智能聊天机器人0.06

进一步完善获取API密钥和DeepSeek的API端点，我们可以添加一些错误处理和默认值设置，以确保即使在环境变量未设置的情况下，程序也能正常运行。此外，我们还可以提供一个简单的配置文件选项，以便用户可以在不修改代码的情况下更改API密钥和API端点。以下是完善后的代码：完善后的代码strstr。

2025-02-12 15:51:00 872

原创使用DeepSeek建立一个智能聊天机器人0.05

为了使这个应用更加完善、快速、灵活和高效，我们做以下几个方面的改进：国际化：确保所有的文本都显示为中文。API 密钥和 API 端点：使用环境变量或配置文件来管理敏感信息，避免硬编码在代码中。性能优化：通过异步请求提高响应速度，避免阻塞主线程。用户界面：增加一些用户友好的功能，如自动滚动到最新消息、输入提示等。str。

2025-02-12 08:55:56 673

原创使用DeepSeek建立一个智能聊天机器人0.04

我们进一步增强聊天机器人的对话功能，使其更加个性化和灵活。我们将添加一些额外的功能，如记忆用户的对话历史、提供更丰富的用户输入处理、以及更友好的用户界面。str。

2025-02-12 08:42:00 384

原创使用DeepSeek建立一个智能聊天机器人0.03

这将启动一个带有中文界面的聊天机器人，用户可以在输入框中输入消息并点击“发送”按钮，与DeepSeek进行对话。所有界面元素和提示信息都将显示为中文，提供更好的用户体验。将智能聊天机器人0.02进一步完善代码，确保所有界面元素和提示信息都显示为中文。将窗口标题设置为“DeepSeek 聊天机器人”。在错误处理部分，将错误信息显示为中文。将发送按钮的文本设置为“发送”。

2025-02-11 16:23:54 333

原创使用DeepSeek建立一个智能聊天机器人0.02

Tkinter是Python的标准GUI库，适合快速开发简单的桌面应用。这将启动一个带有图形界面的聊天机器人，用户可以在输入框中输入消息并点击“发送”按钮，与DeepSeek进行对话。调用get_response函数获取DeepSeek的响应，并显示在聊天记录中。这个函数负责向DeepSeek API发送请求，并返回模型生成的响应。DEEPSEEK_API_URL设置为DeepSeek的API端点。scrolledtext：用于创建带有滚动条的文本区域。tkinter：用于创建GUI。

2025-02-11 16:21:33 272

原创使用DeepSeek建立一个智能聊天机器人

要使用DeepSeek建立一个智能聊天机器人的Python脚本，首先需要确保你已经安装了DeepSeek的相关库。DeepSeek是由阿里云开发的多模态预训练模型，可以用于多种自然语言处理任务，包括文本生成、对话等。以下是一个简单的示例，展示如何使用DeepSeek创建一个基本的聊天机器人。这个例子假设你已经有一个有效的API密钥，并且能够通过阿里云访问DeepSeek服务。步骤 1: 安装必要的库首先，你需要安装requests库来发送HTTP请求到DeepSeek API。

2025-02-11 16:07:43 864

原创监测音量分贝Python 编写的简单程序

下面是一个用 Python 编写的简单程序，用于监测音量分贝。这个程序使用 pyaudio 库来捕获音频数据，并使用 numpy 库来计算音量分贝。捕获 KeyboardInterrupt 异常，允许用户通过按 Ctrl+C 停止程序。程序将开始监测麦克风输入的音量分贝，并实时打印结果。进入无限循环，读取音频数据，计算RMS值并转换为分贝，打印结果。计算均方根（RMS），用于表示音频信号的强度。FORMAT：采样位数，这里使用16位整数。RATE：采样率，44100 Hz。打开音频流，设置参数。

2025-02-10 12:06:40 426

原创饮水00.1

该程序使用Tkinter库创建一个图形用户界面（GUI），允许用户输入每次饮水的水量，并显示当天的总饮水量。添加饮水量：点击“添加饮水量”按钮后，输入的水量将被添加到记录中，并更新总饮水量。保存记录：点击“保存记录”按钮后，当前的饮水记录将被保存到一个JSON文件中。加载记录：点击“加载记录”按钮后，可以从一个JSON文件中加载之前的饮水记录。重置记录：点击“重置记录”按钮后，将清空当前的饮水记录和总饮水量。可以随时保存当前的饮水记录到文件，或从文件中加载之前的记录。点击“重置记录”按钮可以清空所有记录。

2025-02-05 16:22:37 473

原创夸父计步器0.03

数据结构：使用字典 self.data 来存储步数、心率和脉搏的数据。数据操作：在添加、保存、加载和重置数据时，同时处理步数、心率和脉搏。数据存储：在现有的步数列表基础上，增加心跳和脉搏的数据存储。图表展示：在现有步数趋势图的基础上，增加心跳和脉搏的趋势图。这样，你的应用就可以同时记录和显示用户的步数、心率和脉搏了。图表展示：在趋势图中分别展示了步数、心率和脉搏的变化趋势。功能实现：实现添加、保存、加载和显示心跳及脉搏的功能。用户界面更新：添加新的输入字段用于输入心跳和脉搏。

2025-02-05 08:59:07 199

原创夸父计步器0.02

该程序不仅允许用户输入步数、显示总步数、保存步数数据到文件以及从文件中读取步数数据，还增加了日志记录、数据可视化等功能。add_step()：从输入框获取步数并添加到步数列表中，更新总步数显示，并记录日志。load_steps()：从文件中加载步数数据，更新步数列表和总步数显示，并记录日志。reset_steps()：重置步数数据，清空步数列表和总步数显示，并记录日志。显示步数趋势图：点击“显示步数趋势图”按钮，显示步数数据的趋势图。保存步数：点击“保存步数”按钮，选择文件保存步数数据。

2025-01-25 15:59:28 754

原创夸父计步器代码0.01

该程序允许用户输入步数、显示总步数、保存步数数据到文件以及从文件中读取步数数据。add_step()：从输入框获取步数并添加到步数列表中，更新总步数显示。load_steps()：从文件中加载步数数据，更新步数列表和总步数显示。reset_steps()：重置步数数据，清空步数列表和总步数显示。保存步数：点击“保存步数”按钮，选择文件保存步数数据。加载步数：点击“加载步数”按钮，选择文件加载步数数据。输入步数：在输入框中输入步数，点击“添加步数”按钮。重置步数：点击“重置步数”按钮，清空步数数据。

2025-01-25 15:54:27 149

原创 BERT的中文问答系统73

修订内容修复 train_model_for_type 方法中的 file_path 问题：确保在 train_model_for_type 方法中正确处理 file_path 的路径。添加 on_closing 方法：确保在关闭窗口时释放资源。优化 get_specific_answer 方法：确保在没有匹配项时返回更友好的消息。修复 mark_correct 和 mark_incorrect 方法中的 history 索引问题：确保在标记正确和不正确时正确处理 history 列表。优化 co

2025-01-23 16:04:38 635

原创 BERT的中文问答系统72

修订与完善内容错误修正：日志配置：确保日志文件路径正确，并在启动时设置日志。数据加载：处理数据加载失败的情况，避免程序崩溃。模型加载：确保模型加载时不会因为路径问题导致失败。训练过程：修复训练过程中可能的错误，如数据加载失败、模型保存失败等。多线程：确保多线程操作不会导致UI卡顿。文件路径：确保所有文件路径的正确性和存在性。功能完善：日志记录：增加更多的日志记录点，便于调试和监控。用户交互：增加更多的用户交互提示，如数据收集、模型训练等。模型选择：优化模型选择逻辑，确保选择正确的模型。数

2025-01-23 16:04:16 513

原创 BERT的中文问答系统71

2025-01-23 13:55:57 433

原创 BERT的中文问答系统70

修订与完善内容错误修正：日志配置：确保日志文件路径正确，并在启动时设置日志。数据加载：处理数据加载失败的情况，避免程序崩溃。模型加载：确保模型加载时不会因为路径问题导致失败。训练过程：修复训练过程中可能的错误，如数据加载失败、模型保存失败等。多线程：确保多线程操作不会导致UI卡顿。功能完善：日志记录：增加更多的日志记录点，便于调试和监控。用户交互：增加更多的用户交互提示，如数据收集、模型训练等。模型选择：优化模型选择逻辑，确保选择正确的模型。数据收集：增加数据收集的提示和验证，确保数据的有

2025-01-22 10:36:23 357

原创 BERT的中文问答系统69

使用说明：启动程序：运行脚本后，会启动一个图形界面。输入问题：在“问题”输入框中输入您的问题，然后点击“获取回答”按钮，羲和将为您提供答案。评价回答：如果您认为回答准确，请点击“准确”按钮；如果不准确，请点击“不准确”按钮。查看历史记录：点击“查看历史记录”按钮可以查看之前的聊天记录。保存历史记录：点击“保存历史记录”按钮可以将聊天记录保存到文件。训练模型：点击“训练模型”或“重新训练模型”按钮可以对模型进行训练或重新训练。评估模型：点击“评估模型”按钮可以评估模型的准确率。使用说明：点击“

2025-01-22 10:03:43 1014

原创 BERT的中文问答系统68

完善后的代码以下是完善后的代码，主要增加了自动完成数据集收集的功能，并在GUI中添加了相应的按钮和逻辑。完善的内容自动完成数据集收集:新增collect_data方法，用于收集特定类型的问题和答案。在create_widgets方法中为每个模型类型按钮添加数据收集功能。数据收集线程:使用threading.Thread来确保数据收集过程不会阻塞主界面。数据收集对话框:使用simpledialog.askstring来弹出对话框，让用户输入问题和答案。数据保存:将收集到的数据保存

2025-01-19 14:18:55 399

原创 BERT的中文问答系统67

功能完善自动完成数据集收集: 通过点击特定模型类型的按钮，自动完成数据集收集及模型训练保存。GUI界面: 完善了GUI界面，包括日期选择、历史记录查看、保存历史记录等功能。日志记录: 配置了日志记录，方便调试和追踪。运行方法确保安装了所有必要的依赖库，如 transformers, torch, tkinter, requests, beautifulsoup4, jsonlines 等。将代码保存为一个 .py 文件，例如 xihua_chatbot.py。运行该文件：python xihu

2025-01-16 16:46:36 399

原创 BERT的中文问答系统66

完善BERT的中文问答系统65后的代码简述异常处理：增加了更多的异常处理，确保程序在遇到错误时能够优雅地退出或提示用户。多线程：使用 threading 模块处理耗时操作，避免阻塞主界面。配置文件管理：优化了配置文件的读取和写入，确保配置文件的完整性和安全性。日志记录：增强了日志记录功能，记录更多详细的日志信息，便于调试和维护。用户反馈：增加了更多的用户反馈机制，如进度条、提示信息等，提高用户体验。模型保存与加载：优化了模型的保存和加载过程，确保模型的完整性和可恢复性。数据加载：优化了数据加

2025-01-16 16:44:06 472

原创 BERT的中文问答系统65

完善BERT的中文问答系统64后的代码简述异常处理：增加了更多的异常处理，确保程序在遇到错误时能够优雅地退出或提示用户。多线程：使用 threading 模块处理耗时操作，避免阻塞主界面。配置文件管理：优化了配置文件的读取和写入，确保配置文件的完整性和安全性。日志记录：增强了日志记录功能，记录更多详细的日志信息，便于调试和维护。用户反馈：增加了更多的用户反馈机制，如进度条、提示信息等，提高用户体验。模型保存与加载：优化了模型的保存和加载过程，确保模型的完整性和可恢复性。数据加载：优化了数据加

2025-01-15 10:35:31 988

原创 BERT的中文问答系统64

完善BERT的中文问答系统63后的代码简述异常处理：增加了更多的异常处理，确保程序在遇到错误时能够优雅地退出或提示用户。多线程：使用 threading 模块处理耗时操作，避免阻塞主界面。配置文件管理：优化了配置文件的读取和写入，确保配置文件的完整性和安全性。日志记录：增强了日志记录功能，记录更多详细的日志信息，便于调试和维护。用户反馈：增加了更多的用户反馈机制，如进度条、提示信息等，提高用户体验。模型保存与加载：优化了模型的保存和加载过程，确保模型的完整性和可恢复性。数据加载：优化了数据加

2025-01-15 10:33:26 530

原创 BERT的中文问答系统63

完善简述异常处理：增加了更多的异常处理，确保程序在遇到错误时能够优雅地退出或提示用户。多线程：使用 threading 模块处理耗时操作，避免阻塞主界面。配置文件管理：优化了配置文件的读取和写入，确保配置文件的完整性和安全性。日志记录：增强了日志记录功能，记录更多详细的日志信息，便于调试和维护。用户反馈：增加了更多的用户反馈机制，如进度条、提示信息等，提高用户体验。模型保存与加载：优化了模型的保存和加载过程，确保模型的完整性和可恢复性。数据加载：优化了数据加载过程，确保数据的完整性和正确性。

2025-01-13 16:44:14 770

原创 BERT的中文问答系统62

完善方向及改进点异常处理：增加更多的异常处理，确保程序在遇到错误时能够优雅地退出或提示用户。多线程：对于耗时操作（如模型训练、网络请求等），使用多线程或异步处理，避免阻塞主界面。配置文件管理：优化配置文件的读取和写入，确保配置文件的完整性和安全性。日志记录：增强日志记录功能，记录更多详细的日志信息，便于调试和维护。用户反馈：增加更多的用户反馈机制，如进度条、提示信息等，提高用户体验。模型保存与加载：优化模型的保存和加载过程，确保模型的完整性和可恢复性。数据加载：优化数据加载过程，确保数据的完整

2025-01-13 11:51:44 595

原创伏羲0.19（文生图）

简述完善内容异常处理：增加对文件读写、模型加载等过程中的异常处理，确保程序在遇到错误时能够提供详细的错误信息。在数据加载、模型训练、生成多模态数据等关键步骤中增加异常捕获和日志记录。模型训练能力：优化模型训练过程，增加更多的日志记录和中间结果保存，以便于监控训练过程。支持使用多个GPU进行分布式训练，提高训练效率。图形用户界面优化：增加进度条和提示信息，提高用户体验。优化界面布局，使其更加直观和易用。代码简化与优化：重构代码结构，使其更加模块化和简洁。使用更高效的数据处理和模型训练方法。G

2025-01-13 09:11:13 385

原创伏羲0.18（文生图）

简述完善内容异常处理：增加更多的异常处理，确保在文件读写、模型加载等过程中出现错误时能够提供详细的错误信息。日志记录：优化日志记录，确保关键操作都有日志输出，便于调试和监控。配置文件检查：在加载配置文件后，增加对配置文件内容的检查，确保必要的配置项存在且有效。模型训练和生成的分离：将模型训练和生成多模态数据的功能分离，确保每个功能模块独立且易于维护。图形用户界面优化：增加进度条和提示信息，提高用户体验。自动化测试：增加更多的测试用例，确保模型的各个部分都能正常工作。完善后的代码说明异常处理

2025-01-13 09:10:22 233

原创伏羲0.15-1（文生图）

以上代码涵盖了从配置文件加载、数据加载、数据清洗、文本预处理、数据增强、风格迁移、特征提取、颜色抖动、文本编码器、图像生成器、视频生成器、音频生成器、判别器、模型定义、模型加载、图像保存、视频保存、音频保存、数据集类、模型训练、图像生成、图形用户界面、输出项目目录及所有文件、数据加密、模型解释性、可视化注意力机制、自动化测试等多个方面的内容。确保了模型的训练、生成、保存、使用的完整性和功能性。以下是对现有代码的进一步完善，包括模型定义、方法、函数、算法以及GUI的设计。

2025-01-13 09:09:51 145

原创伏羲1.0试用版（文生图）

涵盖了从配置文件加载、数据加载、数据清洗、文本预处理、数据增强、风格迁移、特征提取、颜色抖动、文本编码器、图像生成器、视频生成器、音频生成器、判别器、模型定义、模型加载、图像保存、视频保存、音频保存、数据集类、模型训练、图像生成、图形用户界面、输出项目目录及所有文件、数据加密、模型解释性、可视化注意力机制、自动化测试等多个方面的内容。确保了模型的训练、生成、保存、使用的完整性和功能性。将上述代码保存为 text_to_multimodal.py，然后在命令行中运行 python text_to_multi

2025-01-13 09:09:17 753

原创 BERT的中文问答系统61

改进和完善后的BERT的中文问答系统60代码，涵盖了错误处理、性能优化、用户体验、功能增强、安全性、可扩展性和模块化、以及文档和注释等方面：改进点总结错误处理和健壮性：数据加载错误处理：在加载数据时，增加了详细的错误提示。模型加载错误处理：在加载模型时，增加了详细的错误提示。网络请求错误处理：在进行网络请求时，增加了网络异常和超时处理。性能优化：数据预处理：目前没有使用多线程或多进程，但可以通过引入 concurrent.futures 或 multiprocessing 来进一步优化。用户体验

2025-01-02 15:17:43 641

原创伏羲0.17（文生图）

修订和完善的内容代码结构优化：将代码分为多个部分，每个部分都有明确的注释，便于理解和维护。优化了函数和类的命名，使其更具描述性和可读性。错误处理：增加了更多的异常处理，确保在文件不存在或读取错误时能够提供明确的错误信息。在关键步骤中添加了日志记录，以便在运行过程中更好地跟踪和调试。代码简化：简化了一些冗余的代码，例如在 generate_images_batch 中的图像、视频和音频保存部分。使用 with 语句来确保文件操作的安全性。图形用户界面优化：优化了 GUI 的布局和功能，使其更

2025-01-02 14:30:37 249

原创伏羲0.16（文生图）

本次修订内容错误处理：在多个函数中增加了异常处理，确保在文件不存在或读取错误时能够提供明确的错误信息。代码优化：简化了一些冗余的代码，例如在 generate_images_batch 中的图像、视频和音频保存部分。使用 with 语句来确保文件操作的安全性。注释和文档：增加了更多的注释，帮助理解每个函数的功能和参数。优化了函数的文档字符串，使其更清晰。日志记录：增加了更多的日志记录，以便在运行过程中更好地跟踪和调试。图形用户界面：优化了 GUI 的布局和功能，使其更加用户友好。增加了进度条

2024-12-31 09:35:24 361

原创伏羲0.15（文生图）

涵盖了从配置文件加载、数据加载、数据清洗、文本预处理、数据增强、风格迁移、特征提取、颜色抖动、文本编码器、图像生成器、视频生成器、音频生成器、判别器、模型定义、模型加载、图像保存、视频保存、音频保存、数据集类、模型训练、图像生成、图形用户界面、输出项目目录及所有文件、数据加密、模型解释性、可视化注意力机制、自动化测试等多个方面的内容。确保了模型的训练、生成、保存、使用的完整性和功能性。以下是将完善后的代码整合到一个 Python 文件中的内容。你可以将其保存为 text_to_multimodal.py 并

2024-12-31 08:45:46 399

原创伏羲0.14（文生图）项目的data文件的格式举例

描述: 包含文本和对应图像路径的数据集文件。描述: 包含需要生成多模态数据的文本列表。描述: 存储生成的图像、视频和音频文件。images/: 存储生成的图像文件。videos/: 存储生成的视频文件。audios/: 存储生成的音频文件。描述: 存储训练好的模型权重文件。

2024-12-26 10:47:38 166

BERT的中文问答系统52，羲和聊天机器人是一个基于BERT的多模态对话系统，支持多种领域的问答该项目包括数据加载、模型训练、评估和GUI界面

## 依赖 - Python 3.11+ - PyTorch - Transformers - Tkinter - Requests - BeautifulSoup - jsonlines - tkcalendar ## 安装依赖 pip install torch transformers requests beautifulsoup4 jsonlines tkcalendar 运行项目运行主程序： python xi_hua_chatbot.py 数据文件 train_data.jsonl：训练数据文件，每行一个JSON对象。 test_data.jsonl：测试数据文件，每行一个JSON对象。日志文件日志文件会保存在logs目录下，每个运行实例生成一个日志文件。模型文件训练好的模型会保存在models目录下，每个模型文件以xihua_model_<type>_<language>.pth命名。记录文件用户与机器人的对话记录会保存在records目录下，每个记录文件包含文本和JSON两种格式。联系我们如有任何问题或建议，请联系[554687453@qq.com]。

2024-12-05

羲和聊天机器人是一个基于BERT模型的多领域聊天机器人，支持中文和英文该项目包括数据处理、模型训练、模型评估和图形用户界面（GUI）等功能（分文档）

## 运行环境 Python 3.11.9+ - PyTorch 1.7+ - Transformers 4.0+ - Tkinter - Requests - BeautifulSoup4 ## 安装依赖 pip install torch transformers requests beautifulsoup4 运行项目确保数据文件 train_data.jsonl 和 test_data.jsonl 存在于 data/ 目录中。运行主程序： python src/main.py 功能说明数据处理：dataset.py 负责读取和处理数据。模型定义：model.py 定义了基于BERT的模型。工具函数：utils.py 包含了一些辅助函数，如日志配置、网络请求等。图形用户界面：gui.py 实现了图形用户界面，包括问答、模型训练、模型评估等功能。联系方式如有任何问题或建议，请联系 [554687453@qq.com.com]。

2024-12-05

羲和聊天机器人是一个基于BERT的中文问答系统，支持用户提问并获取回答

羲和聊天机器人是一个基于BERT的中文问答系统，支持用户提问并获取回答。如果模型提供的回答不满意，用户可以选择“不正确”，机器人将自动从百度搜索相关信息并提供更详细的答案。用户提问模型提供回答用户评价回答（正确/不正确）如果回答不正确，自动从百度搜索相关信息查看历史记录保存历史记录训练模型重新训练模型评估模型（暂未实现） ## 安装依赖 ```bash pip install -r requirements.txt ``` 运行项目 ```bash python 智能羲和.py ```

2024-11-17

一个基于BERT的中文聊天机器人32

## 项目简介这是一个基于BERT的中文聊天机器人，具有以下功能： - 使用预训练的BERT模型进行问答。 - 可以通过训练数据进一步微调模型。 - 如果模型无法提供满意的答案，将自动联网搜索相关信息。 - 提供图形用户界面（GUI）进行交互。 ## 文件结构 project_root/ │ ├── data/ │ ├── train_data.jsonl │ └── test_data.jsonl │ ├── logs/ │ ── (log files will be saved here) │ ├── models/ │ ── xihua_model.pth │ ├── main.py ├── xihua_chatbot_gui.py └── README.md 获取回答：输入问题后，点击“获取回答”按钮，机器人会尝试回答问题。如果模型无法提供满意的答案，将自动联网搜索相关信息。标记回答：可以标记回答是否准确。训练模型：可以选择训练或重新训练模型。评估模型：评估模型的准确率。查看历史记录：查看之前的问答记录。保存历史记录：将历史记录保

2024-11-17

羲和聊天机器人，初步训练的大模型试用版（请使用前根据代码安装好库和预训练模型位置)

所需要的库 torch transformers ttkbootstrap logging difflib datetime speechrecognition jsonlines 确保预训练模型库安装在F盘F:/models/bert-base-chinese，问答结果可能会有许多错误，请谅解

2024-11-13

计算机安全监控系统（Python）

功能说明实时监控：显示可疑活动日志。日志查看：显示生成的报告。沙箱管理：显示已创建的沙箱。反击操作：手动对指定IP地址进行反击操作。网络连接监控：显示当前网络连接信息，并允许用户选择连接进行进一步操作。自适应防护：使用机器学习模型进行自适应防护。代码结构 main.py：主程序入口，负责初始化和运行GUI。 models/taiji_model.pkl：存储训练好的机器学习模型。 logs/security_system.log：存储程序运行的日志。 temp/sandbox_*.txt：存储沙箱的相关信息。 blacklist.conf：存储黑名单IP地址。 suspicious_activities_report.txt：存储生成的可疑活动报告。

2024-10-21

本项目实现了一个基于FPGA的无人机控制系统该系统包括与IMU接口、实现PID控制器和驱动电机的模块

## 模块 ### 1. IMU接口模块 (`src/hdl/imu_interface.v`) 此模块与IMU接口，读取传感器数据（如滚转、俯仰和偏航）。 ### 2. PID控制器模块 (`src/hdl/pid_controller.v`) 此模块实现PID控制器，根据传感器数据稳定无人机的姿态。 ### 3. 电机驱动模块 (`src/hdl/motor_driver.v`) 此模块生成PWM信号，控制电机的速度。 ### 4. 飞行模式控制器模块 (`src/hdl/flight_mode_controller.v`) 此模块实现多轴控制，包括滚转、俯仰和偏航，并支持手动和自动飞行模式。 ### 5. 安全机制模块 (`src/hdl/safety_mechanisms.v`) 此模块实现安全机制，如低电量保护和失控保护。 ### 6. 顶层模块 (`src/hdl/drone_control.v`) 此模块整合IMU接口、PID控制器、电机驱动和飞行模式控制器，形成完整的控制系统。 ## 测试平台

2024-10-15

羲和数据集清洗器003

项目说明项目名称羲和数据集清洗器003 项目描述这是一个基于 Python 的图形用户界面 (GUI) 应用程序，用于检查和修复 .jsonl 文件中的数据格式错误。该工具可以自动修复常见的 JSON 格式错误，并将数据转换为规定的格式。它还提供日志记录功能，记录检查过程中发现的错误信息。功能特点选择输入文件：用户可以选择一个 .jsonl 文件进行检查。选择输出文件：用户可以选择一个输出文件来保存修复后的有效数据（可选）。检查文件：程序会读取输入文件的每一行，验证其是否符合预定义的 JSON 格式，并将结果记录到日志文件中。修复 JSON 格式错误：自动修复常见的 JSON 格式错误，如引号、括号、多余的逗号等。

2024-10-14

在 Excel 中实现相同和不同工作表中第7行及第7行之后的单元格内容相同时可以相互链接关联

代码说明创建字典：使用 Scripting.Dictionary 对象来存储内容及其对应的单元格位置。遍历每个工作表：使用 For Each ws In ThisWorkbook.Worksheets 循环遍历每个工作表。遍历第7行及之后的每一行：使用嵌套的 For 循环遍历每个工作表中的第7行及之后的单元格。记录内容及其位置：将每个单元格的内容及其位置存储在字典中。创建超链接：对于每个重复的内容，为其创建超链接到其他相同的单元格。这里包括在同一工作表和不同工作表中的单元格。运行宏保存 VBA 代码：确保你已经将 VBA 代码保存在模块中。关闭 VBA 编辑器：返回 Excel。运行宏：按 Alt + F8 打开宏对话框。选择 CreateHyperlinks。点击 Run。需要调参数哦

2024-10-13

基于BERT的聊天机器人，名为“羲和” 它可以通过用户输入的问题，给出“羲和”或“零”的回答

项目包括数据加载、模型训练、模型推理和图形用户界面（GUI）等功能与之前相比，更新数据处理，加强了容错以及优化了图形用户界面（GUI）。上面文件包含了py文件，及jsonl文件实例，等等其他需要自行下载如支持库和bert-base-chinese等。

2024-10-11

一个 JSONL 文件的检查和修订工具

使用说明：运行程序后，点击“浏览”按钮选择要检查的 JSONL 文件。可以选择一个输出文件来保存修订后的数据（可选）。点击“检查文件”按钮开始检查文件。检查完成后，会显示一个消息框，告知检查结果和日志文件的位置。如果指定了输出文件，还会告知输出文件的位置。正确的数据集示例以下是一个符合上述要求的正确 JSONL 数据集示例： jsonl {"question": "什么是人工智能？", "xihe_answers": ["人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。"], "ling_answers": ["人工智能是一种使计算机能够执行通常需要人类智能的任务的技术。"]} {"question": "机器学习是什么？", "xihe_answers": ["机器学习是人工智能的一个分支，它使计算机能够在不进行明确编程的情况下从数据中学习。"], "ling_answers": ["机器学习是一种通过数据训练模型，使其能够进行预测或决策的技术。"]} {"question": "深度学习与机器学习有什么区别？", "xi

2024-10-10

BERT的中文问答系统项目说明文件

介绍项目的目的、如何运行等信息 ### 说明 - **icons/**: 存放图标文件，例如 `xihe.png` 和 `zero.png`。 - **data/**: 存放训练数据文件，例如 `train_data.jsonl`。 - **logs/**: 存放日志文件。 - **models/**: 存放训练好的模型文件，例如 `xihua_model.pth`。 - **main.py**: 项目的主入口文件，包含数据加载、模型定义、训练函数、GUI界面等。 - **requirements.txt**: 项目依赖文件，列出所有需要的Python包及其版本。 - **README.md**: 项目说明文件，介绍项目的目的、如何运行等信息。

2024-10-09

这个代码实现了一个具备反爬机制、安全管理能力、反侦查能力和转移注意力能力的Python爬虫

这个代码实现了一个功能完善的爬虫工具，具备以下特点：反爬机制：随机选择 User-Agent 和代理 IP，模拟人类行为，处理验证码。安全管理能力：异常处理和日志记录，确保爬虫的稳定性和可维护性。反侦查能力：使用 Selenium 处理动态内容，模拟人类行为，增加爬虫的隐蔽性。转移注意力能力：随机化请求参数和行为，增加爬虫的隐蔽性。合法性和合规性：检查 robots.txt 文件，确保爬虫行为符合目标网站的规定。用户友好：提供了一个图形用户界面，方便用户配置和启动爬虫任务。

2024-10-08

一个基于BERT的中文聊天机器人羲和03

注意事项环境依赖：确保安装了所有必要的库，包括 torch, transformers, ttkbootstrap, jsonlines, speech_recognition 等。安装命令示例： bash pip install torch transformers ttkbootstrap jsonlines SpeechRecognition 模型路径：确保 F:/models/bert-base-chinese 路径下有预训练的 BERT 模型文件。如果模型路径不同，请修改 XihuaModel 和 XihuaChatbotGUI 中的相关路径。数据文件路径：确保 data/train_data.jsonl 路径下有训练数据文件。如果数据文件路径不同，请修改 XihuaChatbotGUI 中的 load_data 方法中的路径。日志目录：日志文件会自动创建在 logs 目录下，确保该目录存在或具有写权限。语音识别：语音识别功能需要麦克风支持，并且需要网络连接以访问 Google 语音识别服务。如果在使用过程中遇到问题，可以尝试使用其他语音识

2024-10-08

TA关注的人

BERT的中文问答系统52，羲和聊天机器人是一个基于BERT的多模态对话系统，支持多种领域的问答 该项目包括数据加载、模型训练、评估和GUI界面

羲和聊天机器人是一个基于BERT模型的多领域聊天机器人，支持中文和英文 该项目包括数据处理、模型训练、模型评估和图形用户界面（GUI）等功能（分文档）