swagger 是一个可视化RESTful WebService的工具。官网：http://swagger.io效果下图可以看出，swagger清晰地展现了web服务的方法、地址、发送json格式与应答json格式。还可以通过它直接进行服务调用，查看结果。工作原理视图部分： swagger-ui是一系列css\js资源，它通过html页面向用户展示一个应用的RESTfu

RAG（检索增强生成）结合了外部知识检索与大语言模型生成能力，有效解决LLM的幻觉、知识局限性等问题。当用户提问时，系统先检索相关文档片段作为上下文输入LLM，再生成回答，适用于客服、法律咨询等场景。典型流程包括：提问→向量检索→拼接Prompt（指令+上下文+问题）→LLM生成回答。这种方法既保留了LLM的表达能力，又通过外部知识增强了回答的准确性，未来可与Agent结合实现更智能的AI助理。

RAG（检索增强生成）结合了外部知识检索与大语言模型生成能力，有效解决LLM的幻觉、知识局限性等问题。当用户提问时，系统先检索相关文档片段作为上下文输入LLM，再生成回答，适用于客服、法律咨询等场景。典型流程包括：提问→向量检索→拼接Prompt（指令+上下文+问题）→LLM生成回答。这种方法既保留了LLM的表达能力，又通过外部知识增强了回答的准确性，未来可与Agent结合实现更智能的AI助理。

概念定义在广告和推荐场景中, 用户首先会看到平台给他生成的推荐结果, 称为曝光(impression), 用户会有一定的概率作点击(click), 进入详情页. 若果满意的话会购买产品, 称为转化(conversion).CTRClick Through Rate. 点击率.pCTR=p(click∣impression)pCTR=p(click|impression)pCTR=p(cl...

简述session-based 方法（如 GRU4REC）表现活跃，比 i2i 好用，但被认为其不能建模 item 之间的复杂转移关系，所以GNN类的Rec论文活跃， 通过引入GNN思想可以取得性能提升。参考own blog, SR-GNN,图网络召回MGNN-SPred...

它首先是一个 NLP 的模型仓库. 远端存储了各种模型的计算图源码和训练好的模型参数, 可通过互联网按需下载.仅有模型是不足以运行 demo 的, 所以它引入 pipeline 设计, 将 {tokenizer 预处理, 模型推断, argmax_id 转 text 后处理} 等流水线化, 提供了统一便捷的api, 方便应用, 调参, 学习.

scatter()方法将一个batch的数据散列成若干份, 同 device 个数相等, 便于数据并行. 在单机多卡环境, pdb debug有印证.构造调用如 net = torch.nn.DataParallel(model, device_ids=[0, 1, 2]).报错显示 A10 型号的gpu较新, 我实际安装的的是 cuda_10.2, 重装 cuda_11.3 应该就好了.验证cu

摘要：强化学习是一种通过与环境交互来优化长期累积收益的机器学习方法。Q-learning是一种经典强化学习算法，通过迭代更新Q值函数来学习最优策略。本文介绍了强化学习的基本概念和四元组模型，详细解释了Q-learning的迭代公式和参数含义，并提供了一个一维走迷宫的任务示例及配套Python代码实现。最后提到深度强化学习在游戏领域的应用，如DeepMind使用像素输入训练AI玩Atari游戏的研究

多项式由数或字母的积组成的代数式叫做单项式，单独的一个数或一个字母也叫做单项式。单项式中的数字因数叫做这个单项式的系数（Coefficient），一个单项式中，所有字母的指数的和叫做这个单项式的次数（Degree of a monomial)。单项式是几次，就叫做几次单项式。在数学中，由若干个单项式相加组成的代数式叫做多项式.整式为单项式和多项式的统称，是有理式的一部分.因式分解, 是指...

VQAVisual Question Answeing. 看图并回答用自然语言表述的相关问题. 问题包括The goal of visual question answering (VQA) (Antol et al., 2015) is to answer a natural language question related to an image. We take VQA v2.0 da..