近几年大模型技术发展得如火如荼，很多人都尝试让大模型帮助自己提效，包括写文案、生成宣传语、写小说等等，这些都是语言大模型非常擅长的文本生成能力。除此之外，大模型圈还有一些比较炫酷的应用，包括多模态交互应用、面向应用的MCP功能插件等。本文主要给大家展示一些能在日常工作中帮助到大家的文生图、文生视频、文生PPT功能。为了展示以上各功能，需要借助3个大模型平台，包括deepseek、siliconfl

import os#设置使用机器的gpuos.environ["CUDA_VISIBLE_DEVICES"] = "2"#import os#设置使用机器的cpu#os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"#os.environ["CUDA_VISIBLE_DEVICES"] = "-1"import numpy as npimport tenso

相关系数矩阵通常，样本是由多维特征的构成的，把每个特征维度都看成一个随机变量，为了考查两两特征间的关系，可以借助随机变量的协方差。协方差是对两个随机变量联合分布线性相关程度的一种度量。cov(Xi,Xj)=E[(Xi−E(Xi))(Xj−E(Xj))]var(Xi)=E[(Xi−E(Xi))2]var(Xj)=E[(Xj−E(Xj))2]cov(Xi,Xj)=E[(Xi−E(Xi)...

探索变量间的关系两个变量：lmplot，绘制回归模型（1.1）两个维度数据都是连续的：散点图 + 线性回归 + 95%置信区间（1.2）一个维度数据是连续的，一个维度数据是离散的，连续轴抖动x_jitter参数（1.3）x_estimator参数将“离散取值维度”用均值和置信区间代替散点拟合不同模型（1.1）lmplot默认参数线性拟合（1.2）lmplot的order参数，设置高阶拟合

分类统计图（1）统计柱状图barplot(均值和置信区间)（2）灰度柱状图countplot（3）点图pointplot(均值和置信区间)分类散点图当有一维数据是分类数据时，散点图成为了条带形状：（1）航线图stripplot，设置参数添加抖动方法jitter=True(点的直接展示)（2）生成蜂群图swarmplot，避免散点重叠(点的直接展示)分类分布图（1）箱式图boxplot

为脑残的面试问题而生，哈哈~（1）LR为什么不可以用MSE作为损失函数MSE 会有梯度消失现象MSE 的导数非凸函数，求解最优解困难

1.单变量分析from sklearn.feature_selection import SelectPercentilefrom sklearn.datasets import load_breast_cancerfrom sklearn.feature_selection import SelectPercentile#http://scikit-learn.org/stable/modul

强大的sklearn库可以解决的问题：train_test_split返回切分的数据集train/testtrain_test_split(*array,test_size=0.25,train_size=None,random_state=None,shuffle=True,stratify=None)*array：切分数据源（list/np.array/pd.DataFra...

常见架构：C/S架构：Client/Server(客户端/服务器)结构需要服务器端部署；用户单独安装客户端，客户端软件升级，服务器端要为每个用户服务！！！可以单机不连网使用。B/S架构：Browser/Server(浏览器/服务器)结构需要服务器端部署；浏览器访问；服务器端负责全部逻辑；升级方便；必须连网使用。CS/BS本质相同，都是客户端与服务器通信，只是表现为不同的形式，

本文是个人学习笔记，内容主要基于支持向量机(回归)SVR对boston数据集学习回归模型和利用模型预测。SVR同SVC一样，是从训练数据中选取一部分更加有效地支持向量，根据这些训练样本的值通过回归分析预测目标。在SVM里，核函数是一种非常有用的特征映射技巧，径向基核函数对特征可以进行非线性映射。from sklearn.datasets import load_bostonbosto