本文实现了一个房价预测模型，结合sklearn特征工程和PyTorch神经网络建模。流程包括数据预处理、特征工程、模型训练与结果可视化。使用Kaggle房价数据集，通过特征划分、标准化和One-Hot编码处理数值与类别特征，采用多层感知机(MLP)模型进行训练。关键优化包括对目标变量进行log变换缓解长尾分布，使用BatchNorm和Dropout提升泛化能力。实验结果表明该方法能有效预测房价，并

本文介绍了使用PyTorch实现基于CNN的Fashion-MNIST图像分类任务。主要内容包括：1）数据预处理，将CSV格式数据转换为28×28张量；2）构建LeNet风格CNN模型，包含两个卷积层和三个全连接层；3）采用Xavier初始化优化参数；4）使用交叉熵损失和SGD优化器进行训练；5）实现了完整的训练循环，包括实时监控训练/验证指标；6）提供单样本预测和可视化功能。该实现展示了从数据处

本文介绍了使用PyTorch实现基于CNN的Fashion-MNIST图像分类任务。主要内容包括：1）数据预处理，将CSV格式数据转换为28×28张量；2）构建LeNet风格CNN模型，包含两个卷积层和三个全连接层；3）采用Xavier初始化优化参数；4）使用交叉熵损失和SGD优化器进行训练；5）实现了完整的训练循环，包括实时监控训练/验证指标；6）提供单样本预测和可视化功能。该实现展示了从数据处

本文介绍了使用PyTorch实现基于CNN的Fashion-MNIST图像分类任务。主要内容包括：1）数据预处理，将CSV格式数据转换为28×28张量；2）构建LeNet风格CNN模型，包含两个卷积层和三个全连接层；3）采用Xavier初始化优化参数；4）使用交叉熵损失和SGD优化器进行训练；5）实现了完整的训练循环，包括实时监控训练/验证指标；6）提供单样本预测和可视化功能。该实现展示了从数据处

本文实现了一个房价预测模型，结合sklearn特征工程和PyTorch神经网络建模。流程包括数据预处理、特征工程、模型训练与结果可视化。使用Kaggle房价数据集，通过特征划分、标准化和One-Hot编码处理数值与类别特征，采用多层感知机(MLP)模型进行训练。关键优化包括对目标变量进行log变换缓解长尾分布，使用BatchNorm和Dropout提升泛化能力。实验结果表明该方法能有效预测房价，并

本项目基于MNIST数据集实现了手写数字识别（0-9），构建了两个结构相同的两层神经网络模型，分别采用数值梯度和反向传播两种方法进行训练。模型结构包含784维输入层、50个神经元的隐藏层和10类输出层。数值梯度通过参数扰动计算导数，实现简单但效率低下；反向传播则通过计算图实现误差从输出层到输入层的逐层传播，效率显著提高。实验对比了两种方法在计算效率和原理上的差异，验证了反向传播在深度学习中的优越性

接上一个实践，需求经理希望用户检索的时候，在5类可供选择的同时也可以自定义字段。借助大模型的语义理解来做此内容匹配引擎，可以在数据库文本数据中智能识别与特定关键词相关联的内容。组长要我说给每一条工单都打上true/flase的标记来表示是否为用户输入的字段，所以还是需要用大模型遍历每一条工单的content。游标 (cursor)：用于执行 SQL 命令和获取结果。SQL 查询：从表中选择和字段，

本文介绍了一个基于Flask框架和智谱AI API（后改为火山API）的智能聊天应用实现方案。系统采用三层架构：Flask处理Web请求、AI模型层进行自然语言处理、PostgreSQL存储对话历史。核心功能包括： 数据库设计：使用sessions和chat表分别存储会话信息和对话内容 消息管理：通过MessageStorage类实现消息存储和历史记录检索 模型交互：VolcengineModel

摘要：本文介绍了一个基于大模型的市政热线工单分类系统，主要处理被标记为"扬言"类型的危险工单。系统首先从PostgreSQL数据库提取97条标记为危险的工单内容，然后使用DeepSeek大模型将其分类为5类（自我伤害、危害社会等）。系统采用多线程处理，支持API流式输出，并生成包含类型分布、时间趋势和区域分布的分析报告。整个流程包括数据提取、模型分类、结果入库和统计分析等环节，

1) 将CLI工具转为WebAPI服务，支持多用户并发访问；2) 引入PostgreSQL存储会话历史，实现多轮对话功能；3) 新增检索结果Excel导出功能，当用户查询包含"表格"时自动生成结果文件；4) 优化系统启动流程，预加载Embedding模型、向量库等资源；5) 完善RAG工具函数，支持返回检索文档元数据。系统通过数据库表(sessions/chat)管理会话和消息