虽然逻辑上理解并不矛盾，尽管该UDTF返回的是个表，但一行输入只会对应一行输出，只是输出的字段可能是多个，并不像explode那样返回的是多行。和get_json_object不同的是，get_json_object是一个普通的UDF函数，返回的是一个值。，该函数适用于对传入的json对象一次性解析多个key的场景，如果用get_json_object需要解析多次，该函数只需要解析一次。（通配符个

二叉树(Binary Tree)是由n个结点构成的有限集(n≥0)，n=0时为空树，n>0时为非空树。对于非空树TTT有且仅有一个根结点；除根结点外的其余结点又可分为两个不相交的子集TLT_LTL​和TRT_RTR​，分别称为TTT的左子树和右子树，且TLT_LTL​和TRT_RTR​本身又都是二叉树。很明显该定义属于递归定义，所以有关二叉树的操作使用递归往往更容易理解和实现。从定义也可以看出二叉

在学习docker时用的云环境本身就是一个容器，启动docker总是各种问题，所以直接在本机上装一个虚拟机。

ms-swift是一个针对大模型微调的高层封装框架，旨在简化训练流程、统一接口并集成多种微调技术，如 LoRA、QLoRA、Prefix Tuning等。通过ms-swift实现LoRA微调，仅需配置参数，无需关心底层实现。使用ms-swift，通过lora方式微调下载的基座模型，产出微调的权重文件。使用下载的基座模型，先测试一下推理效果作为合并LoRA后推理效果的对照，参考。本次测试目的为跑通模

每个模型的详细信息中会有API示例（），需要做的就是申请自己的API key就行了，过程中可能需要。。

本次测试目标为跑通基于embedding的文本语义匹配的基本流程，测试流程主要分为：=> 1）通过预训练模型生成embedding=> 2）保存embedding到文件=> 3）基于embedding文件构建faiss索引并持久化保存=> 4）加载faiss索引进行语义化检索匹配。

ms-swift是一个针对大模型微调的高层封装框架，旨在简化训练流程、统一接口并集成多种微调技术，如 LoRA、QLoRA、Prefix Tuning等。通过ms-swift实现LoRA微调，仅需配置参数，无需关心底层实现。使用ms-swift，通过lora方式微调下载的基座模型，产出微调的权重文件。使用下载的基座模型，先测试一下推理效果作为合并LoRA后推理效果的对照，参考。本次测试目的为跑通模

参考，可以直接查看原文，下面只是对原文进行概括和实际性能测试。

理解混淆矩阵和ROC曲线之前，先明确几个概念。对于分类问题，不论是多分类还是二分类，对于某个关注类来说，都可以看成是二分类问题，当前的这个关注类为正类，所有其他非关注类为负类。从上面几个定义可以知道：1）样本总数 = TP+FP+TN+FN2）所有真实值为正类的样本总数 = TP+FN3）所有真实值为负类的样本总数 = TN+FP。

每个模型的详细信息中会有API示例（），需要做的就是申请自己的API key就行了，过程中可能需要。。