卷积神经网络（Convolutional Neural Network，CNN）是一种专门为处理网格结构数据（如图像、语音）设计的深度学习模型。与全连接网络直接将图像展平为一维向量、忽略空间特征且易引发参数爆炸的特点不同，CNN 的核心优势在于通过卷积操作替代全连接层的暴力特征提取，实现局部特征感知、参数共享与空间降维，能更高效地挖掘网格数据中的空间关联信息，因此在计算机视觉等领域得到广泛应用。C

Spring AI 是一款 AI 工程领域的应用程序框架，核心是将 Spring 生态的可移植性、模块化等设计原则延伸至 AI 领域，推广以 POJO 作为 AI 应用的构建块。它提供了开发 AI 大模型应用所需的基础抽象模型及多种实现方式，支持开发者以少量代码改动完成组件替换，同时具备友好的 API，最终目的是简化 AI 大模型应用的开发流程。Spring AI 的主要功能。

具有微调灵活性，可以在特定任务的数据集上进行微调，适应不同的应用场景；首先是预训练，需要收集海量无标注数据，如互联网上的文本、新闻等，经过清理、分词等处理后以 tokenizer 粒度输入到语言模型中，让模型学习词汇、句法和语义的规律以及上下文的关系。绝大部分大语言模型都是基于 Transformer 架构，该架构具有独特的注意力机制，自注意力机制允许模型根据序列中的其他位置调整每个位置的表示，从

数据库读写分离对于大型系统或者访问量很高的互联网应用来说，是必不可少的一个重要功能。2.备库将主库的二进制日志复制到其本地的中继日志中，备库会启动一个工作线程，称为IO线程，I/O线程跟主库建立一个普通的客户端连接，然后在主库上启动一个特殊的二进制转储(binhg dump、线程该线程没有对应的SQL命令)，这个二进制转储线程会读取主库上二进制日志中的事件。对于MySQL来说，标准的读写分离是主从

在企业级AI应用中，完全自动化的流程往往难以满足复杂业务需求。例如请假审批系统，AI可以帮我们校验信息、计算余额，但最终的决策权必须交给人。这就需要 人工介入（Human-in-the-Loop） 机制。本文将带你从零开始，使用 Spring AI Alibaba Graph 框架，构建一个完整的请假审批工作流，深入讲解人工介入的实现原理。代码仓库后端：https://gitee.com/xian

近年来，机器学习已成为推动科技进步的核心技术之一，广泛应用于图像分类、自然语言处理、推荐系统等领域。虽然Python是目前机器学习的主要语言，但Java依然是许多企业级应用的核心语言，特别是在大规模数据处理、系统集成等场景中。为了弥合Java与机器学习之间的鸿沟，Deep Java Library (DJL) 提供了一套完整的、简化的Java机器学习开发框架，使得开发者可以在Java环境中构建、训

NDArray顾名思义，表示任意维度的数组。NDArray是DJL中的多维数组数据结构，用于存储和操作多维数据。它是DL4J中所有计算的核心，类似于NumPy中的ndarray。NDArray支持各种数学运算、广播操作、切片、索引等功能，是构建和训练深度学习模型的基础。NDArray 的设计初衷就是为了能够处理各种不同维度的数据。它可以是一维的向量，比如存储一组特征值；也可以是二维的矩阵，常见于图

归一化是把数据转换成固定范围（最常用 0~1） 的数据预处理操作，核心目的是让不同量纲、不同范围的数据 “站在同一水平线” 上，方便模型训练和计算，是深度学习里必用的预处理步骤。举个例子英语水平：雅思8分日语水平：N2级中文水平：HSK5级每个考试评分标准完全不同！雅思8分 → 90分日语N2级 → 75分中文HSK5级 → 80分现在你能公平比较他的语言能力了！另一个例子中国人：身上有5000元

对学习算法除了通过实验估计其泛化性能之外，人们往往还希望了解它为什么具有这样的性能。[偏差-方差分解（bias-variance decomposition）就是从偏差和方差的角度来解释学习算法泛化性能的一种重要工具。在机器学习中，我们用训练数据集去训练一个模型，通常的做法是定义一个误差函数，通过将这个误差的最小化过程，来提高模型的性能。

指标公式核心问题关注点适用场景准确率(TP+TN)/总数整体判断有多准？全局正确率类别平衡的初步评估精确率TP/(TP+FP)预测为正的，有多准？准确性，宁缺毋滥垃圾邮件过滤、商品推荐召回率TP/(TP+FN)真正的正例，找出多少？全面性，宁可错杀疾病筛查、缺陷产品召回F1分数2PR/(P+R)精确与召回的综合水平？两者的平衡点需要单一综合指标时，类别不平衡永远从混淆矩阵开始思考，它能给你最全面的