我们在for loop的第一步，将数据集的前60个数据作为training data的第一组数据，并将第61个数据作为对应的y。这里我们把window size设定为60，model会用60天的数据来预测第61天的数据。还是一样，先将test数据转换成numpy array，再改变数据的shape，令它可以被输入到model中。下一步我们把数据类型转换为numpy array，并改变数据的shap

项目背景：在业务开发过程中文件夹的嵌套层级可能会比较深，通过传统的路径选择会比较麻烦也容易出错，设置路径别名可以简化这个过程。cracoscripts命令。

with torch.no_grad(): # 禁止梯度计算，因为在准确率计算中不需要梯度信息else:else:训练深度学习模型的函数。参数：model: 要训练的深度学习模型criterion: 损失函数optimizer: 优化器acc: 准确率计算函数xtrain: 训练数据ytrain: 训练标签xval: 验证数据yval: 验证标签save_file_name: 保存训练后模型权重的

columns=4rows=1# 窗口的宽度是固定的，而高度根据列数和行数来自动计算，以确保图像按照指定的布局显示。使用 gridspec.GridSpec 创建一个子图的网格布局。使用 plt.subplot 创建一个子图，并根据 gs 中的索引 idx 来选择子图的位置。plt.imshow 显示图像，其中 image_batch.at(idx) 表示从图像批次中获取第 idx 张图像并在子图

监管科技监管科技（RegTech）监管科技（RegTech）

→ 设定硬性上限，AI 无法突破。→ 持续监测数据和行为异常。→ 出现重大风险时，自动熔断 AI。Proposer-Enforcer 模式→ 实现分工制衡，避免 AI 越权。这种模式特别适合银行、金融、医疗、保险等高风险行业，能让 Agentic AI 在发挥自主性的同时，保持可控、可审计、可收敛。旧模式（Functional Silos）：像工厂里的流水线，每个部门只负责自己的一段，效率低、风险

AI Agents 已经在真实的生产环境中大规模落地。效率提升显著：如穆迪从 1 周缩短到 1 小时。业务价值直接：提升客户体验、减少运营成本、增强决策速度。跨行业适用：从金融到支付、贷款到保险，智能体都展现出强大的普适性和灵活性。一个完整的智能体（Agent）记忆（Memory）→ 短期上下文记忆 + 长期个性化记忆工具/MCP（Tools/MCP）→ 外部能力扩展，如 API、数据库、搜索引擎

【代码】量化交易：使用 python 进行股票交易回测。

使用 LangChain 的 TextLoader 加载名为 “new_tagged_description.txt” 的文本文件，并将其转换成一个 Document 对象（或列表），每个 Document 通常有 .page_content 和 .metadata。”，这行代码提取出 ISBN。从图书数据中提取所有唯一的 simple_categories（如 Fiction、Nonfictio

【代码】量化交易：使用 python 进行股票交易回测。