本文参考的是司守奎，孙兆亮主编的数学建模算法与应用（第二版）数据包络法是用于评价多指标输入和多指标输出的一种较为有效的方法。即对投入产出做出一个评价。数据包络分析模型如下：模型评价标准：在lingo中Objective value即为目标值，其值为1是DEA有效的必要条件之一只有当目标值为1且存在Omega和mu都大于0时，才能认为此刻投入产出评价DEA有效，即投入产出的效率达到较好的效果。下面展

假设有这么个简单的神经网络结构。这篇文章可以说是机器学习之神经网络的公式推导与python代码（手写+pytorch）实现补充。那么这个网络用pytorch如何实现呢？其中w1就相当于vij的系数矩阵w2就相当于wjk的系数矩阵然后forward就是进行正向传播计算。反向传播的话就是后面计算出损失后，调用backward一句话就好了。应该比手写简介且好理解吧。

先看看我摘录的一些结果吧七字春联，开头两个字分别为 虎年、虎气、春节虎年啸虎春虎虎虎气伏虎牛龙龙虎年虎虎展啸风春节啸春虎风虎虎年虎啸啸千啸春节萝啸气风春虎年啸浩一讯欢春节回旧鹤绣舞虎年啸一着有处春节回一福舞福虎年啸月翼业来春节回旧精绣福我语文水平不太行，乍一眼看感觉还是满高级的。训练数据 春联.csv0龙腾虎啸腊尽春回高崖伏虎啸茅庐卧龙飞虎啸风声远龙腾海浪高龙引千江水虎越万重山密林藏伏虎萝峰染晴云

学长给的代码，感觉结构清晰，还是蛮不错的，想以后就照着这样的结构走好了，记录一下。首先配置环境matplotlib==3.4.2numpy==1.20.3pandas==1.3.0sklearn==0.0spacy==3.1.2torch==1.8.0TorchSnooper==0.8tqdm==4.61.0也不一定要完全一样，到时候哪里报错就改哪里就好了数据集https://download.c

深度学习模型里的输出的东西还是有点搞的。torch.cat()的用处还是蛮大的。下面直接举例子理解。一维拼接import torcha = torch.Tensor([1, 2, 3])b = a * 2c = torch.cat((a, b), dim=0)# dim=-1为取最后一维。这里只有一维-1和0是一样的print(a.shape)print(c.shape)print(c)二维拼接，

这里大模型使用GLM4。结构化输出的稳定性与大模型的能力挂钩听话的就容易出不听话的就容易报错langchain实现大模型结构化输出，实际上就帮助我们构建一套提示词对模型的约束也是十分有限的但是仍然可以用。

batch norm适用于CV，因为计算机视觉喂入的数据都是像素点，可以说数据点与点之间是可以比较的，所以使用batch norm可以有比较好的效果，而NLP里，每个词的词向量是一组向量表示一个词，一个词向量割裂开来看是没有意义的，因此不同词向量里的数据点是不能混为一谈的，所以batch norm之后可能会使得词损失语义，效果就可能不好了，但是使用layer norm只是让各个词向量进行标准化，就

论文链接本文将先介绍论文中的LoRA技术，然后以BERT为例在IMDB数据集上代码实现运用这项微调技术。代码+数据。

看网上对Android数据库可视化的操作很多，有的装插件，有的把数据库搞出来用别的打开，有的终端看…反正我是没咋学会不过下面有个极其简单的办法就可以看数据库。

因为要课上讲这东西，因此总结总结，发个博客模型图假设我们有这么一个神经网络，由输入层、一层隐藏层、输出层构成。（这里为了方便，不考虑偏置bias）输入特征为xn输入层与隐藏层连接的权重为vij隐藏层的输出（经过激活函数）为ym隐藏层与输出层连接的权重为wjk输出层的预测值（经过激活函数）为ol隐藏层和输出层后面都接sigmoid激活函数。感觉从推导到代码实现也是一个反复的过程，从推导发现代码写错了