在真正开讲之前需要补充一下“16. 基于 CPU 的转换、量化实现”和“18. 持续优化模型微调”中遗漏的信息。

而 Tabula 的 SpreadsheetExtractionAlgorithm 算法是处理这种问题的最佳起点，但它提取的结果会是“不规则”的，即每行的单元格数量可能不同。因此本次将采用后处理的方式进行解析，Tabula 更多的只是作内容提取，表格组织还是在后期处理进行的。本次解决问题的核心思路就是通过计算每一个单元格完整的边界框，得到它的 top，left， bottom，right。同理，通

select value from v$parameter where name = 'processes';

若输出数字已科学计数法输出,则可以用to_char去解决select to_char('65647.2657696732665873677469045687295023',999990.999999999999999)from dual;

调研过很多的自动化UI测试工具要不太贵要不功能感觉不是自己想要的，于是自己动手丰衣足食。第一次写Python有写得不好的地方多多包涵......

本文将记录部署过程中遇到的问题以及解决方式，希望对你有所帮助（open-webui 采用 docker 进行部署）。

重点来了，今天给各位详细讲解关于Besu节点的部署实施并使用到Besu特有的QBFT和IBFT2.0两种共识机制。

有小伙伴私信说希望能展开说说如何做模型持续优化，为此临时加开一章，讲讲如何结合 brain-mix 项目的 Unsloth 微调报告进行训练结果分析。首先我们在超参数不变的前提下做三轮训练，每次训练只增加训练数据，看看三轮下来的效果如何。通过损失率（Loss）稳定下降得知，当前模型处于“欠拟合”或者说学习不足的状态。这意味着模型的容量（由 LoRA 参数的 r 决定）可以学习更复杂的模式，但它还没

于是最终就变成了，写个自动化脚本遍历所有问答退，并使用 3 个大模型同为一条问答对进行评分，最终取平均分为最终得分（由于大模型各自的机制不一样，若只用一种大模型进行评分未免有些偏颇，既然这样我就同时用 3 个大模型进行评分，效果要好一点）。至于后面根据平均分字段进行删除的就不再将代码贴上来了，各位有兴趣可以到我的 gitee 或者 github 仓库中查阅吧（就根据所有记录“平均分”字段汇总做一个

一次Oracle的执行慢排查记录，本记录记录提到的解法仅代表个人的处理思路，旨在将经验分享给各位，与君互勉