最早发布的卷积神经网络之一，因其在计算机视觉任务中的高效性能而受到广泛关注。该模型是由AT&T贝尔实验室的研究员Yann LeCun在1989年提出的（并以其命名），目的是识别图像中的手写数字（应用与美国邮政服务）。卷积编码器：由两个卷积层组成；全连接层密集块：由三个全连接层组成。在卷积层块中，每个卷积层都使用5 × 5 的窗口，并在输出上使用sigmoid激活函数。第一个卷积层输出通道数为6，第

cherry-pick是一个 Git 命令，用于将一个或多个特定的提交从一个分支应用到当前分支。这个命令常用于将一个分支上的更改合并到另一个分支，而不需要进行完整的分支合并操作。使用 cherry-pick 时，确保你的当前分支是干净的，即没有未提交的更改，或者你已经对这些更改进行了提交。默认情况下，cherry-pick 会使用原始提交的信息。这会将这两个提交合并为一个新提交，并且让你编辑提交信

Nadaraya-Watson核回归是具有注意力机制的机器学习范例。Nadaraya-Watson核回归的注意力汇聚是对训练数据中输出的加权平均。从注意力的角度来看，分配给每个值的注意力权重取决于将值所对应的键和查询作为输入的函数。注意力汇聚可以分为非参数型和带参数型。注意力分数是query和key的相似度，注意力权重是分数的softmax结果两种常见的分数计算将query和key合并起来进入一个

智能体(Agent) 是一种能够自主规划、决策、执行任务的组件，核心是让大语言模型(LLM)根据任务需求，选择并调用工具，完成单靠模型自身无法解决的复杂问题。需求 -> 规划 -> 选择工具（提供行动力） （整个流程中，会保存记忆）核心特点:Agent的作用——例子与chain对比：Agent智能体=大语言模型(大脑)+工具集(手脚)+决策逻辑（思维)，是让LLM从"只会回答"升级为"会做事(影响

本次项目以"某东商品衣服"为例，以衣服属性构建本地知识。使用者可以本地知识，用户问题的答案也是生成的。

LLM的知识不是实时的，模型训练好后不具备自动更新知识的能力，会导致部分信息滞后LLM领域知识是缺乏的，大模型的知识来源于训练数据，这些数据主要来自公开的互联网和开源数据集，无法覆盖特定领域或高度专业化的内部知识幻觉问题，LLM有时会在回答中生成看似合理但实际上是错误的信息数据安全性RAG(Petrieval-Augment Generation) 即检索增强生成，为大模型提供了从特定数据源检索到

当前金融领域信息化发展的时代,金融数据大量激增,许多投资者和研究者试图通过对这些数据进行深度分析而获得一些有效的决策和帮助，尽可能减少决策失误带来的损失。所以,针对金融数据的分析方法研究是目前十分有益且热门的话题。基于大模型完成：金融文本分类基于大模型完成：金融文本信息抽取基于大模型完成：金融文本匹配大模型选择：Qwen在线大模型（阿里云通义千问）基于 Few-Shot + Zero-Shot 的

BERT针对微调设计基于Transformer的编码器做了如下修改模型更大，训练数据更多输入句子对，片段嵌入，可学习的位置编码训练时使用两个任务带掩码的语言模型下一个句子预测（如下图所示，一张图片可以通过T步 加噪 （高斯分布）变成一个充满噪声的图片，那么我们如何进行一个反向操作，进行去噪，这就是DDPM做的）扩散模型可以形象的比喻为：“在我开始工作之前，雕塑已经在大理石块内完成。它已经在那里了我

Nadaraya-Watson核回归是具有注意力机制的机器学习范例。Nadaraya-Watson核回归的注意力汇聚是对训练数据中输出的加权平均。从注意力的角度来看，分配给每个值的注意力权重取决于将值所对应的键和查询作为输入的函数。注意力汇聚可以分为非参数型和带参数型。注意力分数是query和key的相似度，注意力权重是分数的softmax结果两种常见的分数计算将query和key合并起来进入一个

局部最小 vs 全局最小全局最小：局部最小：使用迭代优化算法来求解，一般只能保证找到局部最小值。