视图框架：快速构建针对人工智能的 python 的 webApp 库，封装前端页面 + 后端接口 + AI 算法模型推理优势在于易用性，代码结构相比 Streamlit 简单，只需简单定义输入和输出接口即可快速构建简单的交互页面，更轻松部署模型。适合场景相对简单，想要快速部署应用的开发者；优势在于可扩展性，相比 Gradio 复杂。适合场景相对复杂，想要构建丰富多样交互页面的开发者。Gradio是

爬虫学习——爬取网站图片并保存到本地爬取步骤：1，模拟浏览器发出请求2，根绝返回判断网页有无响应3，解析网页4，路径下创建文件夹并保存图片

本项目是一个个人知识库助手项目，旨在，回答用户问题。个人知识库应当能够支持各种类型的数据，支持用户便捷地导入导出、进行管理。在我们的项目中，我们以 Datawhale 的一些经典开源课程作为示例，设计了多种文件类型，介绍每一种文件类型的处理方式，从而支持用户无难度地构建自己的知识库。

直接将下面的代码写进主要的运行文件里即可。可以根据自己的训练结果调整随机种子的数字，比如你可以设置为20等等。1.为了进行论文复现，或者进行模型的改进，固定住随机种子十分必要，不然所作的改进的提升效果无从知晓，以下代码可以确保每次训练的过程一摸一样。

机器学习CH6-支持向量机

定义在用于发出请求的 call() / run() / apply() 方法中，例如 chain.call(inputs, callbacks=[handler]) ，它将仅用于该特定请求，以及它包含的所有子请求（例如，对 LLMChain 的调用会触发对 Model 的调用，该 Model 使用 call() 方法中传递的相同 handler）。因此，在本节中我们将介绍 LangChain 中的

问题描述：以往新建anaconda环境，路径是在目录下的envs中（D:\anaconda3\envs），然而，这次创建的却是在 C:\Users\xxx.conda\envs\ 中。

Q1：假如我想搞一个自己的知识库助手，选择那种方式比较合适？A1： 以我目前的了解来看，假如只是在微调和RAG里面选择。我会主要看个人需求。RAG适用于知识需要快速更新的领域，对实时性要求不是特别高的应用场景。微调适合的领域为数据量较小但质量高的领域。对模型效果有较高要求，且可以承担相应计算资源消耗的场景。领域知识比较独特，需要模型深入学习的场景。所以，假如你想要做一个简单的智能知识助手，不要求精

编辑ONNX的python代码一、ONNX模型的基本操作1，加载ONNX模型2，保存ONNX模型3，OP节点列表4，输入节点名称5，输出节点名称6，参数节点二、ONNX模型的修改1，修改内部的变量2，创建tensor3，增加OP节点4，增加输入\输出tensor节点5，增加参数节点6，特殊节点-constant增加7，读取ONNX的参数tensor格式，转换为numpy三、例程得到第一个Conv的

但最好还是多点开花并且可以形成自己的一套端到端的方法论，除了明确模型优化部署的任务和上下游关系，更要从业务角度去推进优化的工作，即做到一种全栈式的发展，随便给你一个业务或者产品形态，可以快速的针对特定的硬件或者算法模型找出适配的一套最佳优化方案（人力成本，效率迭代等），这才是做这个方向的最终目的，这也是大多数公司比较稀缺的。如果仅仅停留在关注部署或者优化的某一个技术栈，而不是用端到端业务全流程的角