本文探讨了2022年提出的ReAct框架，该框架通过动态结合推理和行动来提升大型语言模型处理复杂任务的能力。ReAct框架的核心在于引导模型在推理（任务分解）和行动（工具调用）间循环迭代，从而增强模型的可解释性和通用性。文章详细介绍了ReAct的工作原理、与OpenAI tool_calls机制的配合方式，并提供了Python实现示例，展示如何构建支持多意图任务（如天气查询和数学计算）的智能代理。

结果由上图我们基本可以得出结论，学习率的变化会嚷有bn层的模型有较大的波动，即有bn层的模型对学习率变化更加敏感，而对于此类模型而言，调整学习率往往会获得更好的效果。

基本概念基于上次已经跑通的神经网络，加上一个让神经网络进行学习的过程。模型训练的目标（线性回归为例）：求解一组最适合的权重向量w，使得神经网络的输出和真实结果尽量接近损失函数：衡量真实值与预测结果的差异，评价模型学习过程中产生的损失的函数，在数学上，表示为以需要求解的权重向量w为自变量的函数L（W）。我们希望函数L越小越好，也就是找到一个让L最小的w值，也就是求极值问题（求导）。求解过程：1 拉

当迭代次数越多，越容易陷入我们梯度全为零的问题中，而较小的学习率就以为更小的步长，此时模型更加保守，更加不容易走到梯度为零的位置，而更小的梯度则需要更多的迭代次数(迭代次数与计算量有关)，但relu函数的计算量相对于前两个函数来说较小，不会有显著提升(初始化输入的数据不能让梯度为零)。但是，如果梯度更新中，出现个别参数，较大的情况，则更新过程会出现波动，一部分更新很快，一部分得不到更新，出现梯度爆

直接给链接：https://pan.quark.cn/s/1d6a0f5ea540。

本文介绍用pdfplumber批量处理PDF文档的方法，主要针对财务报告等结构化文档，实现关键词定位和表格提取功能。通过Python脚本自动查找指定关键词（如"主要会计数据"）所在页码及下一页，提取表格内容并保存为Excel文件。技术说明包括pdfplumber的表格提取策略、适用文档类型，以及优化建议如递归处理子目录、精准定位表格区域等。该方案为金融报表处理提供自动化流程，支

背景：数据集中有十种物品的图片目标：构建一个完整的神经网络，能识别这些图片实现流程：导入数据集：import torchvisionimport torchvision.transforms as transformsimport torchimport torch.nn as nnimport torch.optim as optimfrom torch.nn importfunctional

dataset和dataloader：通过生成数据的生成器或者保存数据的映射关系来避免数据的重复储存数据生成：我们自己生成含有一定规律的数据集，三个函数可以分别生成回归，分类，小批量随机的数据集，利用该数据集，实现一些简单的模型回归模型（手动创建）：快速实现（调库）：......

在工业界，，一直是实现计算机视觉和机器学习任务的热门语言，尤其是在需要。而（Facebook AI Similarity Search）作为一个高效的相似性搜索库，专为大规模特征向量的相似性搜索和聚类任务设计，尤其擅长处理高维向量空间中的近似最近邻搜索问题，这在人脸识别中尤为重要，因为人脸识别常常涉及到在大型特征数据库中快速查找最相似的人脸特征。，也是机器学习和AI领域广泛使用的语言，但在对性能有

在不设置stride（步长）的情况下，默认为一，可以通过对步长的设置来控制特征图的大小。但是当步长为1时，会出现中间部分被重复扫描的现象，‘中间重边缘轻’。当步长为3时，卷积核不会出现重复扫描的过程，但是最右边无法被扫描到，这时候需要用填充法对图像进行填充，由参数padding和padding_mode来控制。padding=1时，图像的上下左右各添加一个像素，padding_mode则可以选择要