TOPSIS 法别名优劣解距离法，其主要利用数据的信息，精确的反应评价方案之间的优劣差距。TOPSIS 法多用于解决多指标的决策性问题，其实现原理为通过计算各备选方案与正负理想解之间的相对距离来进行排序并做出选择。将原始矩阵正向化。（为了统一指标，方便后面计算，因此将指标统一为极大型指标）将正向化矩阵标准化。（消除量纲的影响）计算得分并归一化。（统计各指标的最大值，与最小值，并计算得分）

意思是无法访问这个网址，主要是代码会从huggingface上下载模型，但是国内又存在墙的问题。，直接把需要的模型下载到本地文件中。方法一：梯子翻墙麻烦。方法二：自己下载模型，

作为 NumPy 的替代品，可以利用 GPU的性能进行计算作为一个高灵活性，速度快的深度学习平台张量 TensorsTensor（张量），类似于 NumPy 的ndarray，但不同的是 Numpy 不能利用GPU加速数值计算，对于现代的深层神经网络，GPU通常提供更高的加速，而 Numpy 不足以进行现代深层学习。而Tensor 可以利用gpu加速数值计算，要在gpu上运行pytorch张量，在

一旦确认了张量所在的设备，你需要确保所有张量都在同一个设备上。你可以使用 .to() 方法来将张量移动到目标设备。这个错误通常意味着你在 PyTorch 中尝试执行的操作涉及到了位于不同设备（通常是 CPU 和 GPU）上的张量。2.将所有张量移动到相同的设备。1.检查张量所在设备。

中央处理器（CPU），是电子计算机的主要设备之一，电脑中的核心配件。其功能主要是解释计算机指令以及处理计算机软件中的数据。CPU是计算机中负责读取指令，对指令译码并执行指令的核心部件。中央处理器主要包括两个部分，即控制器、运算器，其中还包括高速及实现它们缓冲处理器之间联系的数据、控制的总线。电子计算机三大核心部件就是CPU、内部存储器、输入/输出设备。中央处理器的功效主要为处理指令、执行操作、控制

Dify+Mysql+Echarts搭建了一个能“听懂”人话的数据可视化助手！

本文实现了一个基于PyTorch的Transformer模型，包含完整的编码器-解码器架构。主要模块包括：1）多头自注意力机制(SelfAttention)，实现Q/K/V计算和掩码处理；2）Transformer块(TransformerBlock)，整合自注意力、前馈网络和残差连接；3）编码器(Encoder)，包含词嵌入、位置编码和多层Transformer块；4）解码器(Decoder)，

Dify+Mysql+Echarts搭建了一个能“听懂”人话的数据可视化助手！

本文实现了一个基于PyTorch的Transformer模型，包含完整的编码器-解码器架构。主要模块包括：1）多头自注意力机制(SelfAttention)，实现Q/K/V计算和掩码处理；2）Transformer块(TransformerBlock)，整合自注意力、前馈网络和残差连接；3）编码器(Encoder)，包含词嵌入、位置编码和多层Transformer块；4）解码器(Decoder)，

输入图像是单通道，conv1 kenrnel size=5*5，输出通道 6# conv2 kernel size=5*5, 输出通道 16# 全连接层# max-pooling 采用一个 (2,2) 的滑动窗口# 核(kernel)大小是方形的话，可仅定义一个数字，如 (2,2) 用 2 即可return x# 除了 batch 维度外的所有维度print(net)