本文记录了作者从零开始训练一个MiniGPT的学习过程。首先介绍了机器学习的基本概念，通过一个三次函数拟合的极简示例展示了梯度下降原理。然后重点解析了Transformer架构，特别是Decoder-only模型中多头自注意力的工作机制，包括其解决长距离依赖问题的优势。在实现部分，作者使用Qwen2分词器处理文本数据，并详细说明了预训练阶段的数据准备过程（添加结束符、分块切分等）。最后展示了带ma

中文命名实体识别技术方案对比分析 本文对比了两种中文命名实体识别（NER）技术方案。数据集采用CLUENER2020，包含10类实体，以短文本为主，实体平均长度4.5字。 方案一：LLM API调用 使用DeepSeek-V4-Flash模型，严格匹配准确率仅26.66% 存在识别错误、输出不稳定、速度慢（0.74s/条）等问题 面临隐私保护、长期成本高等落地挑战 方案二：BERT微调 采用BIO

文本分类实践：从数据探索到方案对比 本文探讨了文本分类在实际场景中的应用及两种实现方案。文本分类广泛应用于内容平台分类、电商评论分析、风控合规等领域，核心价值在于自动化处理海量文本数据。实验基于CLUE/TNEWS数据集展开，分析显示数据存在类别不均衡（23倍差异）、文本短（平均22字）等特点。 方案一测试了调用DeepSeek-V4大模型API的效果，结果显示：DeepSeek-V4-Pro零样

前言与模板需要读者对最短路之不含负权边：Dijkstra算法朴素和堆实现有所了解。bellman-ford适用情况：与拓展次数有关可用于负权。因为有次数限制，所以可以有负环（负权回路）简要介绍：暴力法。每次大循环的含义是向外拓展一次，每次大循环将所有的边遍历一次。模板：//循环k次(拓展k次边) 每次循环尝试更新所有的节点最小值int bellman_ford(int n, int m, int

C++实现简易线程池