logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

从零搭建深度学习 GPU 开发环境 | 库迁移避坑全记录

不必多说网上搜索python进入官网进去后下滑找到我们需要的版本(我这里学习需要下载的3.11.9)点进去选择Windows安装程序(64位)开始安装运行 Python 安装程序,务必勾选 Add python.exe to PATH,不要默认 Install Now(会装 C 盘用户目录),选择确认安装,等待完成。安装完成后,打开此电脑 → 属性 → 高级系统设置 → 环境变量 → 系统变量 →

文章图片
#深度学习#人工智能
深度学习自然语言处理:CBOW 模型原理与代码精讲

Word2Vec是NLP领域的经典模型,通过将词语转化为低维稠密向量(词嵌入),解决了传统方法(如词袋模型和One-hot编码)的高维稀疏问题。Word2Vec包含CBOW(用上下文预测中心词)和Skip-gram(用中心词预测上下文)两种训练方式。其核心思想是通过神经网络学习词语的语义关系,使得语义相近的词在向量空间中的距离更近。本文详细介绍了CBOW的实现过程,包括数据预处理、模型构建、训练循

文章图片
#自然语言处理#人工智能#pytorch +1
大模型客服如何防幻觉:RAG+SQL双重验证价格、库存和优惠

本文介绍了一种电商客服系统中的防幻觉技术方案,旨在解决大模型可能产生的商品信息、价格、优惠等错误。通过四层防护流程(RAG候选召回、SQL复核、确定性计算和答案校验),结合EvidenceLedger证据账本记录可信数据,确保回答仅基于验证过的事实。核心方法包括:RAG只提供候选商品ID,SQLite验证商品与促销信息,Decimal精确计算价格,以及最终回答校验。文章详细分析了常见幻觉类型、技术

文章图片
#sql#数据库#github
Docker Compose 本地部署 Dify 的完整过程与故障排查

Dify 是一款开源的 LLM 应用开发平台,它可以帮助开发者快速构建和运营基于大语言模型的 AI 应用、工作流和知识库。对于开发者而言,在本地环境中部署一套 Dify,可以更方便地进行功能测试、方案验证和二次开发,无需依赖云服务,同时也能更好地保护数据隐私。本文旨在记录在 Windows 11 系统上,利用 Docker Desktop 的 WSL 2 后端,通过 Docker Compose

文章图片
#docker#容器#运维 +1
【Python类的基础知识】快递机器人程序(附完整代码)

类是描述具有相同属性和方法的对象集合。简单来说,类是创建对象的模板或蓝图。· Python内置的list、dict等都属于类· 具体实例如a = [1, 2, 3]是由类生成的对象对象类型可调用方法父类创建的对象仅父类方法子类创建的对象父类方法 + 子类方法(同名方法优先调用子类实现)

#python
【python零基础】操作文件

文件是存储在磁盘上的数据集合,通过文件名进行标识。Python程序需要先建立与磁盘文件的通道,才能读取或写入数据。

#python#开发语言
2026年Python新手必看!零基础也能轻松上手的自动化办公实战(告别重复工作)

2026年Python新手必学自动化办公指南 这篇文章为Python零基础用户提供了3个实用的自动化办公项目,帮助解决重复性工作问题。特别适合:被重复性办公工作困扰的职场人士、想提升效率的零基础用户。

#python#自动化#开发语言
【Python基础入门】超市收银系统实战

本文是一篇Python零基础入门教程,从环境搭建到实战,包含50+代码示例。主要内容包括:1. Python介绍与优势分析;2. Python 3.11.7和PyCharm的安装配置;3. 基础语法(输出、变量、数据类型、输入处理);4. 程序控制语句(条件判断、循环、异常处理);5. 综合实战项目"超市收银系统"开发,实现多顾客服务、折扣计算和异常处理功能。教程还提供了3个课

#python
OpenCV + dlib实现人脸轮廓与摄像头实时轮廓绘制(附加完整代码)

本文基于dlib的68点人脸关键点检测,实现了从离散点到连续轮廓的视觉转换。通过两种绘制方法:1)连续点连线绘制脸颊、眉毛等开放轮廓;2)凸包算法勾勒眼睛、嘴唇等闭合区域。代码支持静态图片处理和摄像头实时检测,将关键点连接为直观的面部网格结构。核心算法包括dlib的ERT关键点定位和OpenCV的凸包计算,通过函数化封装实现了工程化应用,可便捷迁移至人脸分析相关项目。

文章图片
#opencv#人工智能#计算机视觉 +1
大模型客服如何防幻觉:RAG+SQL双重验证价格、库存和优惠

本文介绍了一种电商客服系统中的防幻觉技术方案,旨在解决大模型可能产生的商品信息、价格、优惠等错误。通过四层防护流程(RAG候选召回、SQL复核、确定性计算和答案校验),结合EvidenceLedger证据账本记录可信数据,确保回答仅基于验证过的事实。核心方法包括:RAG只提供候选商品ID,SQLite验证商品与促销信息,Decimal精确计算价格,以及最终回答校验。文章详细分析了常见幻觉类型、技术

文章图片
#sql#数据库#github
    共 46 条
  • 1
  • 2
  • 3
  • 4
  • 5
  • 请选择