3.平均绝对误差 (Mean Absolute Error , MAE) 1/m∑_1^m⌈ℎ(x^(i)) − y^(i)⌉。2.均方误差 (Mean-Square Error, MSE) 1/m∑_i=0^m(ℎ(x^(i)) − y^(i))^2。回归问题中的损失函数包括： 1.最小二乘法 : 误差平方和 ∑_i=0^m(ℎ(x^(i)) − y^(i))^2。一.线性回归问题的求解 线性回

模型训练（Training）预训练（Pre-Training）微调（Fine-Tuning）轻量化微调（Parameter Efficient Fine-Tuning, PEFT）Transformer 是组成 LLM 的基本单元。或者说，一个 LLM 就是一个NNN层 Transformer 网络，例如 GPT-3.5 是 96 层。

接下来，我们将会学习如何将词转换为词向量，其步骤如下: 先将语料进行分词，构建词与索引的映射，我们可以把这个映射叫做词表，词表中每个词都对应了一个唯一的索引 然后使用 nn.Embedding 构建词嵌入矩阵，词索引对应的向量即为该词对应的数值化后的向量表示。词嵌入层首先会根据输入的词的数量构建一个词向量矩阵，例如: 我们有 100 个词，每个词希望转换成 128 维度的向量，那么构建的矩阵形状即

在复杂工作流中，如果所有的数据都使用全局环境数据通讯，尤其是在不同工作块中对同一个键指向的数据进行操作时，会因为对运行时序的判断困难而导致数据管理混乱，这时候，需要通过块间数据传递来确保数据变化与运行时序期望一致，用大白话说，就是确保“块2”能够正确使用它的前一个块“块1”生成的数据进行工作。工作流相当于提供了一个复杂的沙盒环境，沙盒环境中的全局环境数据会影响工作流运行状态，并存储工作流运行过程中

LangGraph 核⼼组件: Graphs, State, Nodes, EdgesLangGraph ⚡ 以图的⽅式构建语⾔代理 ⚡官⽅⽂档地址：LangGraph是⼀个⽤于构建具有 LLMs 的有状态、多⻆⾊应⽤程序的库，⽤于创建代理和多代理 ⼯作流。与其他 LLM 框架相⽐，它提供了以下核⼼优势：循环、可控性和持久性。 LangGraph 允许您定义涉及循环的流程，这对于⼤多数代理架构⾄关

接下来，我们将会学习如何将词转换为词向量，其步骤如下: 先将语料进行分词，构建词与索引的映射，我们可以把这个映射叫做词表，词表中每个词都对应了一个唯一的索引 然后使用 nn.Embedding 构建词嵌入矩阵，词索引对应的向量即为该词对应的数值化后的向量表示。词嵌入层首先会根据输入的词的数量构建一个词向量矩阵，例如: 我们有 100 个词，每个词希望转换成 128 维度的向量，那么构建的矩阵形状即

善用思维链技巧在重要的环节设置反思与纠偏机制约定思维链中需要包含的要素，尽量详细具体不可能一遍成功，要学会通过测试的失败例子优化提示词的细节要善于将问题总结成方法论型的提示词（把 AI 当人看）要善于综合使用各种提示词技巧，例如：举例子、PoTAoT等等。