改行学it标签_亚马逊云科技技术品牌专区

改行学it

从机械转行互联网CV后，我决定再转多模态大模型

摘要：一位机械专业转行计算机视觉的工程师，正在系统性地转向多模态大模型方向。他创建了GitHub仓库"From0to1-MLLM-StudyLog"，每周记录学习内容（包括LLM基础、多模态框架、项目实践及部署技术），分享学习资源和实践心得。该仓库特别适合非科班出身、想转型大模型的学习者参考。作者鼓励同行者一起学习，通过持续记录实现渐进式转型。仓库地址：https://git

一个王同学
2026-04-01 15:46:14

 448

 15

#人工智能 #深度学习 #改行学it
《Java微服务架构实战企业级应用开发与性能优化指南》

涵盖分布式系统设计原则、Spring Cloud生态工具链选型、API网关与服务治理策略、数据库分片与缓存优化方法等核心内容，助力开发者构建高可用、高性能的微服务系统。- 避免Over-Engineering：避免过度细分服务，需平衡粒度与协作成本，建议初始阶段以“横向功能切片”（如API、业务、数据层）为主。- Clean Architecture：分层设计业务逻辑（Domain层）、接口（

DrlBdXeU
2025-11-02 20:37:09

 422

 4

#改行学it
Python机器学习必修课：数据预处理与回归模型实战

本文介绍了机器学习中的数据预处理技术及其在回归模型中的应用。主要内容包括：数据预处理：详细讲解了标准化（Z-Score）、归一化（Min-Max）和L1/L2归一化的原理、数学公式及实现方法，强调预处理对模型性能的重要性。回归模型：涵盖线性回归、多项式回归和正则化回归的核心概念，分析不同回归方法的适用场景。实践指导：提供Python代码示例展示如何使用sklearn实现数据预处理，并讨论模型

 Maxwell_li1
2025-12-08 12:14:28

 1126

 36

#机器学习 #python #回归 +4
AI大模型应用开发之Python 入门基础

本文提供了一个循序渐进的Python学习路线，从基础语法到高级特性，最终实现异步请求工具函数。内容涵盖：1）Python基础变量与容器类型；2）生成器的内存优化原理；3）装饰器的函数增强功能；4）异步编程核心概念（事件循环/协程/await）；5）数据结构优化技巧；6）实战手写支持并发的异步请求工具，并演示如何用asyncio.gather实现高效并发。通过"生成器省内存、装饰器加功能、

前端程序猿之路
2025-12-22 16:47:41

 619

 13

#python #网络 #linux +4
AI大模型应用开发之Web 框架

AI大模型应用开发之web框架学习及应用

 前端程序猿之路
2025-12-22 16:45:58

 690

 15

#前端 #语言模型 #python +2
AI大模型开发之向量数据库

摘要：本文为新手提供向量数据库的快速入门指南，涵盖原理、选型和对比测试。向量数据库通过相似度（而非精确匹配）检索数据，核心流程为“存向量→建索引→做搜索”。主流索引类型包括Flat（精确但慢）、IVF（分桶搜索）和HNSW（推荐默认选择）。对比FAISS（底层引擎）、Chroma（新手友好）和Milvus（企业级）的优缺点，建议新手从Chroma入手。性能优化需关注向量维度、索引参数和TopK设

 前端程序猿之路
2025-12-26 12:00:00

 647

 16

#数据库 #人工智能 #oracle +1
Python基础（8）：变量数据类型---神秘的“容器”集合和字典（set/dict）—详解

本文详细介绍了Python中两种重要的容器类型——集合(set)和字典(dict)。文章讲解了集合的定义方法、增删查操作及遍历。阐述了字典的增删改查操作，详细解释了常用方法。最后提供了两个案例练习，帮助读者巩固所学知识。文章强调通过代码注释和实际练习来加深理解，适合Python初学者系统学习这两种容器类型。

AI大佬的小弟
2025-12-27 23:26:28

 1245

 24

#python #开发语言 #改行学it
AI大模型引用开发之NLP 基础

摘要：本文为NLP新手提供全景式入门指南，涵盖词向量、Transformer和Embedding核心概念。通过生活化类比解释注意力机制（QKV三兄弟），展示PyTorch实现Transformer编码器的精简代码，并对比BGE/text2vec等Embedding模型特点。强调"词→向量→Transformer→应用"学习路径，提供评估指标、常见误区和实用学习顺序，帮助读者建

 前端程序猿之路
2025-12-29 14:15:26

 1063

 24

#人工智能 #自然语言处理 #语言模型 +3
Python基础（9）：容器拆包和推导式讲解

本文介绍了Python中容器拆包和列表推导式两个重要知识点。拆包操作可将列表、元组中的元素快速分配给变量，简化变量交换等操作。列表推导式通过简洁语法实现数据筛选和转换，相比传统循环更高效。文章通过多个案例展示了拆包和推导式的应用场景并详细讲解了推导式的执行原理。最后作者表示后续将补充字典和元组的推导式内容，建议读者先掌握基础用法。全文内容实用，案例丰富，适合Python初学者理解这两个提高代码效率

 AI大佬的小弟
2025-12-29 22:45:18

 1414

 53

#python #开发语言 #改行学it
30 天大模型应用开发学习路线（表格版）

30天大模型应用开发高效学习路线本学习计划提供从零到企业级AI应用开发的完整路径，30天掌握RAG、Agent和多模型编排等核心技能。内容涵盖：基础阶段：Prompt工程、API调用、向量数据库(1-8天) 核心技能：RAG全流程实现、优化技巧(9-16天) 进阶开发：Agent体系、多模型协作(17-25天) 实战项目：企业知识库助手、智能客服系统生产部署：安全防护、工程化方案(26-30

前端程序猿之路
2025-12-30 11:27:04

 758

 13

#学习 #人工智能 #python +2
机器学习知识点梳理(回归模型、分类模型、聚类模型、评估方法)

本文梳理了机器学习核心知识点和常用工具包，主要包括：三大类模型：回归模型：线性回归、决策树、SVM 分类模型：逻辑回归、决策树、SVM、朴素贝叶斯聚类模型：kmeans、DBSCAN、层次聚类评估方法：回归：R2得分、均方误差分类：查准率、召回率、F1得分聚类：轮廓系数核心工具包及功能： NumPy：科学计算基础 sklearn：提供预处理、模型构建和评估模块 Matplotlib

Maxwell_li1
2025-12-31 20:10:02

 851

 10

#机器学习 #回归 #分类 +3
C++常用容器（下）---stack、queue、list、set、map

由于list容器的底层结构的原因，每个数据不是用连续的线性空间存储，每个结点的地址不连续，所以不支持[]和at（）随机访问。map 容器中不允许插入重复的key的元素，第二个一样的key的值不会被插入，map统计的结果只能是0或1，multimap的count统计可能大于1.，即两端都可以进行遍历访问，每个结点有两个指针，一个指向左边（上一个结点）的元素，一个指向右边（下一个结点）的元素。，一种物

 LXS_357
2026-02-02 15:37:09

 1086

 25

#c++#开发语言 #改行学it +1
AWS DOP-C02 認證完整解析｜AWS DevOps Engineer Professional 考試

DOP-C02是AWS专业级DevOps工程师认证，考察在AWS上设计CI/CD流程、基础设施即代码(IaC)、高可用架构等能力。考试包含75道情境题，重点评估架构设计思维和实战经验，难度较高。备考需掌握CodePipeline、CloudFormation等核心服务，并通过高质量题库训练。该认证适合专注自动化运维和DevSecOps的专业人士，具有高含金量，建议结合官方文档和实战练习系统准备。

testpassportcn
2026-02-11 15:58:35

 627

 13

#学习 #网络 #改行学it
云计算运维—Linux常用命令（1）文件与目录

首先需要明确一点的是，在Linux系统里面所有的我们知道的各种各样的数据都是以文件的形式存在的，只不过文件的格式不同。我们在Windows系统里可以看到的文件、程序、磁盘、图片、音乐等等都有所区分，但在Linux里面这些统统都是文件，那这些文件我们该怎么进行查找、查看或者编辑等等一系列操作呢？下面就让我们一起来了解一下吧。

duoduo0011
2026-04-19 22:35:52

 207

 8

#运维 #linux #改行学it
云计算运维—Linux常用命令（2）用户与权限

上一篇我们讲述了目录与文件的常用命令操作，那么在我们的系统中我们总有一个身份—就是用户，Windows里的管理员叫做“admin”，在Linux系统中管理员一般称为“root”。除此之外，我们的目录与文件也需要有一个归属，我们称之为组。下面就让我们一起来看看对于用户和组的常用的简单操作都是如何进行的吧！

duoduo0011
2026-04-20 11:02:16

 212

 5

#运维 #linux #改行学it +1
从零到一 | CV转多模态大模型 | week10 | Multitask Data构建多任务数据支持（Caption + VQA + QA）

本文介绍了多模态大模型训练中多任务数据集的构建方法。主要内容包括：1) 将COCO Caption和VQA等不同格式的数据统一转换为LLaVA对话格式；2) 分析VQA数据集结构，包含问题、答案和图像ID的对应关系；3) 提出通过设置采样权重来平衡不同数据集的训练比例，在配置文件中指定各数据集路径、图像目录、标注文件和采样率。这种方法使模型能够同时训练多种任务数据，如描述生成、视觉问答等，提升多模

 一个王同学
2026-05-22 11:01:41

 391

 9

#人工智能 #深度学习 #计算机视觉 +2
从零到一 | CV转多模态大模型 | week11 | Multiturn Dialogue为模型增加多轮对话支持

模型目前只能在第一轮对话中输入图片，后续轮对话中不能随时传文件，这和构建数据集的方式有关，我们的数据集是利用 caption 和 qa 强行改造的多轮对话数据集。而自然的对话理应是多轮的，可以随时上传图片，随时提问不同的问题，模型应该结合完整上下文进行回答。具体思路是：利用已有的 coco caotion 和 VQA 数据集中的一张图片有多个描述的和多个 QA 的特点，构造一个持续的多轮对话数据格

 一个王同学
2026-05-28 11:49:08

 409

 13

#计算机视觉 #深度学习 #人工智能 +2
从零到一 | CV转多模态大模型 | week15 | 一文吃透 PPO、DPO、GRPO，从原理推导到实战落地

本文介绍了大语言模型训练中的偏好优化方法，重点分析了PPO、DPO和GRPO三种算法。文章首先回顾了大语言模型训练流程（预训练→SFT→RLHF/偏好优化），指出SFT的局限性在于无法理解回答优劣的原因。随后详细讲解了PPO算法，包括其强化学习框架下的实现原理、Reward Model和Value Model的训练方法。文章还通过示例说明了偏好数据的形式，并解释了如何通过策略梯度优化LLM以提升回

 一个王同学
2026-06-29 14:07:17

 211

 6

#人工智能 #深度学习 #计算机视觉 +2
大数据工程师转型AI产品经理：从Hive到Agent，30岁这年我重新开始

保证100%免费。

我爱学AI
2026-08-26 21:33:13

 174

 3

#大数据 #人工智能 #产品经理 +2
python语法基础入门小白零基础易上手教程python知识点进阶有其他语言基础可快速入门Python高级内容python笔记

本文介绍了Python基础语法中的选择循环语句和函数相关知识。在控制结构部分，详细讲解了if-else条件分支、while和for循环的使用方法，包括列表推导式。函数部分涵盖了函数定义、变量作用域、多种参数类型（必选/可选/可变/关键字参数等）、匿名函数lambda表达式、高阶函数和闭包的概念。特别强调了Python参数传递是按对象引用传递的特性，并通过示例展示了可变与不可变对象在函数参数传递时的

 麻酱肥牛
2026-03-07 22:45:31

 744

 20

#python #开发语言 #经验分享 +3
保姆级教程｜CC Switch实现Codex接入DeepSeek-V4-Pro

原生 Codex 客户端默认仅支持 OpenAI 接口，无法直接调用 DeepSeek 系列模型。本文介绍如何使用开源大模型网关工具 CC Switch，通过图形化界面完成 Codex 的 API 路由配置与协议转换，实现 Codex 一键接入 DeepSeek-V4-Pro。全程无需手动修改复杂配置文件，适合 AI 编程、智能体开发、论文代码复现和大模型调试场景

 Jockie_Li
2026-08-05 16:38:40

 374

 13

#人工智能 #语言模型 #windows +2
上周末出车祸双脚受伤，躺床上用CodeBuddy把DeepSeek TUI跑起来了

上周末开车出门，路口直行被一辆变道车撞了。两个脚都伤了。软组织挫伤加轻微骨裂。走不了路，医生说躺两周。在床上办公。笔记本搁床头柜上。刚好在研究一个东西——CodeWhale（DeepSeek-TUI）。Rust写的终端编程智能体。命令行里直接调DeepSeek V4，有TUI界面、MCP客户端、沙箱隔离、子Agent、LSP诊断。问题是办公本性能一般，编译Rust项目够呛。而且我脚动不了，不想爬起

 神助
2026-06-06 13:37:16

 307

 5

#人工智能 #改行学it
合同管理进入“自动驾驶”时代：道本×DeepSeek的三重穿透

更重要的是，履约数据会反馈回前面的环节：哪些条款在履约中经常出问题、哪些供应商承诺的和交付的不一致、哪些业务单元的合同执行偏差最大——这些信息会反向优化合同范本和审查重点。每一次审查中的审核意见——业务提了什么诉求、法务标注了什么风险、财务关注了什么成本——不再停留在邮件和批注里，而是被系统自动采集，沉淀为审查知识库的一部分。当合同被拆解成可计算的要素后，比对、审查、统计就有了统一的基础。道本科技

 Daorigin_com
2026-07-10 16:35:43

 325

 10

#业界资讯 #改行学it #深度学习 +4
Grok搬空仓库？当“最聪明的助手”成了“最危险的工具”

xAI的Grok Build会静默把你的整个代码库打包上传到Google Cloud，你关掉“Improve the model”开关也没用！深挖发现，所有AI IDE都在裸奔

 Sh4rlock
2026-07-17 14:01:48

 295

 6

#人工智能 #github #程序人生 +3
从零到一 | CV转多模态大模型 | week09 | Minillava Refactor结合手搓和llava源码深入理解多模态大模型原理

重新梳理llava的结构细节，从源码出发再次理解llava的核心原理。结合week08的简单实现，重构代码为更合理的结构，并在此过程中加深对llava模型的印象，补充一些细节上的知识点。

一个王同学
2026-05-13 14:45:11

 394

 5

#机器学习 #人工智能 #深度学习 +2
人工智能真的会让程序员在5年内失业吗？

瑞典AI公司Lovable通过自然语言生成全栈应用，实现惊人的人均产出270万美元。其核心在于：1）完全自动化代码生产，无需工程师；2）构建四大技术供应链：AI代码生成工具、Agent编排平台、支付基础设施和分发渠道。这标志着软件开发从手工创作转向工业化生产，产品开发周期从数月缩短至半天，核心瓶颈从技术能力转变为需求判断力。该模式彻底重构了软件生产逻辑，使非技术人员也能快速实现从创意到盈利的全流程

 Sh4rlock
2026-07-08 08:44:58

 403

 20

#人工智能 #改行学it #程序人生 +4