机器学习

RAG不是魔法，是工程：从知识库到企业部署的硬核实践大模型热潮席卷技术圈，但真正将其用于企业生产环境的人很快会发现：开箱即用的聊天机器人远不能满足业务需求。模型会胡说八道，回答不了昨天刚发布的新政策，更不敢把客户合同上传到公有云API。这时候，RAG（检索增强生成）成了多数团队的第一选择。然而，很多项目在“跑通Demo”后便陷入泥潭——召回率低、答案不准、维护成本高、用户反馈差。问题出在哪？不在于RAG理论本身，而在于工程实现的粗糙。RAG看似简单：用户提问，系统检索相关文档，再让大模型生成答案。但每个环节都藏着陷阱：PDF解析丢失表格结构、文本切分截断关

Anaconda安装、使用教程系统： Windows 8.1+ 处理器：进5年产品均可内存： 8GB+ 硬盘： 10GB+双击安装包，开始安装。

钮钴禄·爱因斯晨

机器学习（三）：聚焦KNN算法距离度量、特征预处理与超参数选择直观的距离度量方法，两个点在空间中的距离一般都是指欧式距离。欧氏距离=对应维度差值平方和，开平方根也称城市街区距离，曼哈顿城市特点：横平竖直

CDA数据分析师干货分享

【CDA干货】客户分群建模——RFM+K-Means用户画像——电商用户数据分析全流程：从数据到增长决策运用机器学习技术，基于电商用户的行为及交易数据开展客户分群研究。其核心目标在于识别出差异化的客户群体，为企业制定精准营销、产品推荐及客户留存策略提供决策依据。

softmax函数与logitssoftmax 函数有一种独特的优雅：softmax ( z i ) = e z i ∑ j e z j \text{softmax}(z_i) = \frac{e^{z_i}}{\sum_j e^{z_j}} softmax(zi)=∑jezjezi

HyperAI超神经

在线教程丨微软开源3D生成模型TRELLIS.2，3秒生成高分辨率的全纹理资产过去数年，生成式 AI 已经在 2D 内容——图像、视频、文本上实现了规模化应用，但 3D 生成却始终是那块看似近在眼前、却迟迟难以跨越的高地，因其不仅是维度的提升，更是对表示方式、学习目标和工程可用性的一次全面考验。

油泼辣子多加

【信创】华为昇腾NLP算法训练Python >= 3.9PyTorch 2.2.1（Ascend 镜像）：TransformersNumPy, pandas, scikit-learn

大模型微调训练FAQ - Batch Size与参数配置A: 主要体现在以下几个方面：1. 显存使用 💾影响机制：2. 训练速度 ⚡3. 模型效果 🎯 梯度稳定性：

知识图谱在装备领域应用场景知识图谱在装备领域应用场景一、装备全生命周期管理二、智能保障与维修（MRO）三、装备体系分析与作战推演四、技术状态管理与变更追溯五、情报融合与威胁分析（军事装备）六、关键技术支撑七、典型案例八、挑战与趋势

油泼辣子多加

【信创】华为昇腾大模型部署模型部署前需统一格式，昇腾平台推荐使用 MindIR 或 OM 格式。MindConverter 是昇腾官方提供的跨框架模型转换工具。

啊阿狸不会拉杆

《数字信号处理》第 4 章-快速傅里叶变换 (FFT)快速傅里叶变换（FFT）是数字信号处理领域的里程碑式算法，它并非新的变换形式，而是离散傅里叶变换（DFT）的快速实现方法。本文将从 DFT 运算量分析入手，系统讲解 FFT 的核心算法原理、实现方式及工程应用，并结合 MATLAB 代码实战，让你从理论到实践彻底掌握 FFT。

啊阿狸不会拉杆

《数字信号处理》第 1 章离散时间信号与系统大家好！本文是《数字信号处理》入门核心章节 —— 离散时间信号与系统的全解析，内容覆盖序列基础、线性移不变系统、差分方程、信号抽样四大核心模块，所有知识点均配套可直接运行的 MATLAB 代码 + 可视化对比图，力求用最通俗的语言讲清核心概念，帮大家夯实数信处理的入门基础。

啊阿狸不会拉杆

《数字信号处理》第 2 章 - z 变换与离散时间傅里叶变换（DTFT）目录前言2.1 序列的 z 变换2.1.1 z 变换的定义2.1.2 z 变换的收敛域2.1.3 4 种典型序列的 z 变换的收敛域

hjs_deeplearning

认知篇#15：ms-swift微调中gradient_accumulation_steps和warmup_ratio等参数的意义与设置MS-SWIFT（Scalable lightWeight Infrastructure for Fine-Tuning）是由ModelScope（魔搭）社区推出的一个开源框架，专为大模型和多模态大模型提供全流程的轻量化微调、部署与评估解决方案。它集成了LoRA、QLoRA等高效的训练技术，支持对超过500种大模型和200多种多模态模型（如Qwen、DeepSeek、GLM系列）进行训练、量化与推理，并兼容从消费级显卡到专业服务器等多种硬件。通过命令行、Python API或图形界面，用户可以快速实现对模

Coding茶水间

基于深度学习的无人机检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)基于深度学习的无人机检测系统大家好，欢迎来到 Coding茶水间！近年来，无人机在物流配送、农业植保、安防巡检等领域的应用日益广泛，随之而来的空域安全问题也愈发凸显——未经授权的无人机闯入机场净空区、敏感设施上空或人群密集场所，可能引发严重的安全隐患与隐私风险。然而，传统的无人机检测方法多依赖雷达或射频信号监测，存在设备成本高、环境适应性差、对小目标识别率低等问题；部分视觉检测方案则局限于静态图片或单一视频源，难以满足实时监控、多场景巡检及批量数据分析的需求。随着深度学习技术的发展，YOLO 系列目标检测

文本嵌入模型的比较（一）ONNXMiniLM_L6_V2 嵌入函数和bert-base-chinese优劣比较对比 ONNXMiniLM_L6_V2 和 bert-base-chinese 这两个嵌入函数的优劣，核心结论是：前者轻量、速度快、适配 chromadb 原生，适合轻量检索场景；后者中文语义理解更优、适配性广，适合高精度中文业务场景。下面从多个维度做清晰对比，结合项目场景给出选型建议：

HyperAI超神经

加州大学构建基于全连接神经网络的片上光谱仪，在芯片级尺寸上实现8纳米的光谱分辨率如今，智能手机摄像头已进入亿级像素时代，能够捕捉细节丰富的图像，却依然无法像专业光谱仪那样解析物质的化学成分，例如实现水果糖度的无损检测、皮肤健康评估或环境中微量污染物的识别。这一能力差距的关键，在于手机等设备缺少一个能够精确读取物质独特「光谱指纹」的核心部件——光谱仪。

救救孩子把

64-机器学习与大模型开发数学教程-5-11 本章总结与习题关键词：问题建模、梯度家族、二阶与拟二阶、自适应优化、学习率调度、约束优化、KKT、逻辑回归与 SVM。一句话带走：先把问题写清楚（目标+约束）→ 选对更新方向（梯度/曲率/近端/对偶）→ 用好学习率与数值保护 → 用 KKT/残差做收敛与排错。

救救孩子把

55-机器学习与大模型开发数学教程-5-2 梯度下降法（GD）与随机梯度下降（SGD）一句话版：GD 每次用“全量数据”的梯度往下走，稳但贵；SGD 用“局部（小批/单样本）”的梯度往下走，快但抖。调好学习率/批量/动量，SGD 能在大数据和大模型上迅速逼近好解。

学习通过皮层发育连续性迁移实现全生命周期脑解剖对应/文献速递-基于人工智能的医学影像技术2026.1.26本文提出了一种新颖的皮层发育连续性（CDC）迁移学习框架，通过利用大脑不同年龄组间的发育连续性，在数据量最大的年龄组（成人组）上训练模型，并沿皮层发育轨迹逐步迁移到其他年龄组，有效解决了皮层折叠模式个体差异大、不同神经发育阶段异质性强以及早期发育阶段数据稀缺等挑战，实现了跨生命周期大脑精细解剖结构的鲁棒对应，并能有效捕捉群体特异性模式和保留个体差异。