接上文YOLOv3。

简单来说，RAG就是让大模型在回答问题之前先"查资料"。传统的模型只能依靠训练时学到的知识，而RAG可以让模型实时检索外部知识库，获取最新、最准确的信息，然后基于这些信息生成答案。这样既解决了模型知识更新的问题，又能避免模型"胡编乱造"。

简单来说，RAG就是让大模型在回答问题之前先"查资料"。传统的模型只能依靠训练时学到的知识，而RAG可以让模型实时检索外部知识库，获取最新、最准确的信息，然后基于这些信息生成答案。这样既解决了模型知识更新的问题，又能避免模型"胡编乱造"。

CommaSeparatedListOutputParser：将模型输出转为列表。PydanticOutputParser：将模型输出转为结构化对象（如 JSON）。链式调用（LCEL）：通过管道操作符简化流程，提升代码可读性。输出解析器解决了“模型输出难以直接使用”的痛点，而链式调用则让流程组织更加优雅。掌握这两个工具，将大大提升你构建 LLM 应用的效率。

接收来自客户端的信息，24小时运行将模型部署起来对图片进行识别将识别结果返回给客户端# 读取图像文件# 预处理图像@app.route("/predict", methods=["POST"])：装饰器，将URL路径"/predict"与predict函数关联，并指定只处理POST请求data = {"success": False}：初始化返回数据，success默认为False。

可以把以下写入一个txt文件，在python编写工具里，这里我使用的 是pycharm，就在pycharm终端里面执行pip install -r 文件地址，就可以全部直接下载了。在本地和网页使用ai的区别就在于服务器不同，一个是厂家服务器一个是自己电脑上，一个联网一个不联网，Token数不一样，用人家服务器可能要计费，部署在自己电脑上就不需要计费。2.左上角点击大模型，选择我们想要调用的模型，这

log_softmax提前现在这里做一个交叉熵函数(可以把大的值变得越大，小的越小，拉大之间的差距，方便后面对比),其实就是把交叉熵损失函数拆成两部分进行。词嵌入字典是不是就相当于人类的字典一样，这个字典是给机器使用的，方面以后机器进行理解词义的时候使用，尤其是压缩词的时候。前向传播进入神经网络模型forward，context_vector就是我们传入的参数，对应input，在下面内容展示中我们

这里我们要介绍一下置信度的含义，置信度和准确率是不一样的。但是置信度高并不代码预测就是对的，置信度是模型训练之后，有一套自己的判断规则之后，进行预测一个新数据，他会有几个预测的结果，其中模型觉得哪个可能性最大就会输出哪个，所以置信度高只是模型自以为的可能性最大的结果。注意，这里我们的文件要在同目录下，上面也有说过，意思就是 下面这样，我们在1人脸识别这个代码中使用到了这个文件，如果直接写这个cv2

这里其实就相当于搭建网络，和之前定义cnn类一个性质，加载好别人训练好的模型之后，就要把所有层w权重修改权限全部冻结，然后对最后一层（也就是我们要训练的那一层进行修改），原模型的输出是1000个神经元，但是我们食物分类里面拢共是20个类别，所以这里我们设置为20。上面是我们利用神经网络进行分类，除此之外神经网络也能进行回归，回归问题预测一般都是连续值，一般我们进行分类对训练的模型评估标准是召回率，

out = net.forward()是执行神经网络的前向传播，输入数据经过网络各层计算，out是模型的原始输出，通常是多位数组，这里out是四维的B*C*H*W（B: batch图像数量（通常为1），C: channels通道数，H: height高度，W: width宽度）这里我们是对单张图片进行处理，批处理这个维度是不必要的为了后续方面所以这里我们转化为三维。结果转置一下数组（C,H,W）转