前言入手Agent，先来体验一下这里使用的是GLM的api，如果想要本地运行，我记得我博客有写langchain chatopenai类的。

在大模型的使用当中，我们常常能看到三种模型：基座模型（base）、聊天模型（chat）和指令模型（instruct），在选用的时候，有时候还挺纠结的，就将它们的区别学习记录了下。

在大模型的使用当中，我们常常能看到三种模型：基座模型（base）、聊天模型（chat）和指令模型（instruct），在选用的时候，有时候还挺纠结的，就将它们的区别学习记录了下。

需要手动创建openai 目录并把 下载后解压的资源拖入到openai目录下面，我自己连代码都不用改。clip-vit-large-patch14 国内已经不能访问了。在跑Stable Diffusion v1系列的时候遇到了。另外如果不行的话，可以去官网下载。

但是在使用cv2.imwrite 带上中文，它就保存不了了，改回英文才OK。注“：仅限我这边发生的情况，跟大家分享一下 ，希望有错能指正。oepncv 读取图片的时候，路径可以带上中文。：万万没想到 还能这个样子。

在训练模型时，我们往往需要对图像进行增强以改善其质量或突出某些特征或增加样本的多样性。其中一种常见的图像增强方法是添加噪声。噪声可以模拟真实世界中的干扰因素，例如传感器噪声、传输误差等。通过向图像中添加噪声，我们可以测试和评估图像处理算法的性能，并提高其鲁棒性。例如，在计算机视觉任务中，如果训练数据集中的图像都是干净且完美的，那么模型可能会对一些实际场景中的噪声和干扰因素无法适应。但是，如果我们在

很多时候拍的图片都是几百KB 甚至多少M来算的，有时候证件照要求的又很小，作为一个程序员，总不能老是在网上找压缩的吧，而且又麻烦，不如自己用程序跑跑啦。

前言在获取想要轮廓的点集后，可用cv2.minAreaRect()获取点集的最小外接矩形。返回值rect内包含该矩形的中心点坐标、高度宽度及倾斜角度等信息，使用cv2.boxPoints()可获取该矩形的四个顶点坐标。但我们并不清楚这四个坐标点各对应着矩形的哪一个顶点，因此无法充分地利用这些坐标信息。可以从坐标值的大小特征入手，将四个坐标与矩形的四个顶点匹配起来：在opencv的坐标体系下，纵坐标

需要手动创建openai 目录并把 下载后解压的资源拖入到openai目录下面，我自己连代码都不用改。clip-vit-large-patch14 国内已经不能访问了。在跑Stable Diffusion v1系列的时候遇到了。另外如果不行的话，可以去官网下载。

在深度学习中，优化器是非常重要的一部分。它用于调整模型的参数，以此来最小化损失函数。PyTorch是一个广泛使用的深度学习框架，提供了许多优化器供我们选择。其中Adam是我们最常用的优化器之一。Adam，名字来自：（Adaptive Moment Estimation）自适应矩估计，是2014年提出的一种万金油式的优化器，使用起来非常方便，梯度下降速度快，但是容易在最优值附近震荡。竞赛中性能会略逊