通过axis# 按分割点[3,7]分割为3部分（0-2, 3-6,7-9）print("自定义分割：", split_arr)# 输出：[array([0, 1, 2]), array([3, 4, 5, 6]), array([7, 8, 9])]np.array()是基础，zeros/ones用于初始化，生成有序序列，random生成随机数；arange按步长生成序列（不包含终止值），lins

线性回归（Linear Regression）本质上是一种预测性建模技术，它假设自变量（特征）与因变量（目标值）之间存在线性关系，通过构建线性方程来拟合数据分布，最终实现对未知数据的预测。从数学角度来看，若存在n个自变量（特征）x1,x2...xn，1个因变量y，线性回归的数学表达式可表示为：θ0是截距项（偏置），表示所有特征为0时，因变量的基准值；θ1,θ2...θn是特征系数（权重），表示每个

本文介绍了基于魔搭社区Qwen2-1.5B-Instruct模型实现本地文本分类的完整流程。作者从环境准备开始，详细讲解了模型下载（支持自动和手动两种方式）、加载方法，并重点阐述了利用提示词实现文本分类的创新思路。通过定义分类标签、设计prompt模板，让生成式大模型完成零样本分类任务。文章提供了单条文本分类的完整代码示例，包括prompt设计、模型调用和结果解析等关键环节。该项目适合初学者了解大

本文详细介绍了如何在Windows系统下将Ollama大模型工具安装到E盘并正确配置模型存储路径。主要内容包括：1. Ollama的基本介绍与优势；2. 安装过程中的关键注意事项，特别是区分软件安装位置与模型存储位置的区别；3. 通过设置OLLAMA_MODELS环境变量将模型存储路径从默认的C盘转移到E盘；4. 将Ollama加入系统Path环境变量的方法；5. 常用命令和使用技巧；6. 针对新

本文介绍了在Windows系统上安装Claude Code并切换至DeepSeek V4 Pro模型的过程。由于官方安装脚本不可用，改用npm全局安装方式。首先需准备Node.js和Git环境，然后通过npm安装Claude Code。为解决默认安装到C盘的问题，文中还提供了修改npm全局包安装路径的方法。配置方面推荐使用CC Switch图形化工具管理API密钥，也提供了手动修改配置文件的方案。

本文介绍了使用Codex和ImageGen工具自动生成论文答辩PPT的完整流程。首先需准备论文PDF和学校logo，通过Codex读取论文并提炼答辩结构，再基于logo生成视觉方案。核心步骤包括：1)让AI分析论文并规划PPT结构；2)根据logo设计视觉风格；3)生成完整PPT图片页并添加备注。该方法能快速统一风格、简化排版，但仍需人工检查数据准确性。最终PPT兼具专业性与一致性，大幅节省制作时

Codex桌面宠物是一个有趣的互动功能，可以通过设置菜单启用。用户可以选择内置宠物，也可以自定义或从Petdex社区下载。自定义宠物需安装Hatch Pet技能，通过描述生成像素风动画；社区宠物则可通过简单命令快速安装。宠物会随Codex工作状态变化动画，为开发环境增添趣味性。两种方式生成的宠物都会存储在指定目录，重启Codex后即可选择使用。

本文系统介绍了卷积神经网络(CNN)的基础理论。首先阐述了图像基础知识，包括像素、颜色通道和常见图像类型。然后重点讲解了CNN的核心组件：卷积层通过局部连接和权重共享提取特征，涉及卷积计算、填充、步长和多通道处理；池化层则通过最大/平均池化实现降维和特征抽象。文章还介绍了CNN经典架构及其在图像处理中的应用。这些理论为后续CNN实战应用奠定了坚实基础，下一篇将结合PyTorch实现卷积和池化操作并

线性回归（Linear Regression）本质上是一种预测性建模技术，它假设自变量（特征）与因变量（目标值）之间存在线性关系，通过构建线性方程来拟合数据分布，最终实现对未知数据的预测。从数学角度来看，若存在n个自变量（特征）x1,x2...xn，1个因变量y，线性回归的数学表达式可表示为：θ0是截距项（偏置），表示所有特征为0时，因变量的基准值；θ1,θ2...θn是特征系数（权重），表示每个

本文介绍了使用Codex和ImageGen工具自动生成论文答辩PPT的完整流程。首先需准备论文PDF和学校logo，通过Codex读取论文并提炼答辩结构，再基于logo生成视觉方案。核心步骤包括：1)让AI分析论文并规划PPT结构；2)根据logo设计视觉风格；3)生成完整PPT图片页并添加备注。该方法能快速统一风格、简化排版，但仍需人工检查数据准确性。最终PPT兼具专业性与一致性，大幅节省制作时