nlp

使用LSTM进行情感分类：原理与实现剖析情感分类是自然语言处理（NLP）中的一项基础而重要的任务，旨在自动判断文本的情感倾向（如正面或负面）。传统机器学习方法在处理此类任务时面临诸多挑战，尤其是在处理变长序列数据和捕捉长距离依赖关系方面。循环神经网络（RNN）及其改进型长短期记忆网络（LSTM）通过其序列建模能力，为这类问题提供了优雅的解决方案。本文将深入剖析一个基于PyTorch实现的LSTM情感分类器，从数据预处理到模型推理，逐层解析其背后的核心原理。

【NLP入门笔记】：自然语言处理基础与文本预处理自然语言处理（Natural Language Processing，NLP）是人工智能（AI）的核心分支之一，核心目标是让计算机能够理解、处理、生成人类的自然语言，实现人机之间的自然语言交互。

基于BERT的中文命名实体识别实战解析在自然语言处理领域，命名实体识别（NER）是一项基础且重要的任务，它旨在识别文本中具有特定意义的实体，如人名、地名、组织机构名等。传统方法依赖手工特征和条件随机场（CRF），而现代深度学习方法，特别是基于Transformer的预训练模型，显著提升了NER的性能。本文将深入剖析一个使用Hugging Face Transformers库进行中文NER任务的完整代码实现。

【V2.0】王万良《人工智能导论》笔记｜《人工智能及其应用》课程教材笔记【文章基本信息】【图书基本信息】👉高等教育出版社【课程基本信息】课程名称：人工智能及其应用 / Artificial Intelligence with Applications

基于BiLSTM-CRF的命名实体识别模型：原理剖析与实现详解命名实体识别是自然语言处理中的一项核心任务，旨在识别文本中特定类别的实体，如人名、组织名、地名等。本技术博客将深入剖析一个基于BiLSTM-CRF（双向长短时记忆网络-条件随机场）的NER模型实现，该模型能够有效识别文本中的人名（PER）、组织名（ORG）和地名（LOC）。

黑衣骑士兴

llamafactory 安装和使用调整batch size，让GPU使用达到80%左右单论对话instruction是问，output是回答

多模态模型Qwen3-VL在Llama-Factory中断LoRA微调训练+测试+导出+部署全流程--以具身智能数据集open-eqa为例克隆https://github.com/QwenLM/Qwen3-VL项目，方便之后研究阿里官方的代码，当然你也可以不克隆项目，毕竟Llama-Factory这个一站式大模型训练与微调平台对大多数个人开发者使用主流模型是简单且够用的。

使用PyTorch和Hugging Face Transformers构建GPT教学演示：从基础原理到实践应用在当今人工智能飞速发展的时代，生成式预训练Transformer（GPT）模型已经成为自然语言处理领域的里程碑式技术。GPT系列模型凭借其卓越的文本生成能力和强大的语言理解能力，在对话系统、内容创作、代码生成等多个领域展现出惊人的潜力。本文将通过一个完整的教学演示项目，深入剖析GPT模型的核心原理、关键技术实现以及实际应用方法，帮助读者全面掌握这一重要技术。

LangChain v1.0+ Prompt 模板完全指南：构建精准可控的大模型交互【个人主页：玄同765】大语言模型（LLM）开发工程师｜中国传媒大学·数字媒体技术（智能交互与游戏设计）

名为沙丁鱼的猫729

【MCP 协议层（Protocol layer）详解】：深入分析MCP Python SDK中协议层的实现机制大家好，最近在看MCP Python SDK 的源代码文件https://github.com/modelcontextprotocol/python-sdk/blob/main/src/mcp

桂花很香,旭很美

基于 MCP 的 LLM Agent 实战：架构设计与工具编排本文介绍如何用 Model Context Protocol (MCP) 搭建可调用业务工具的 LLM Agent，涵盖整体架构、工具编排（next_status）、系统提示词与流式协议设计。文中的业务场景与示例代码均为通用化示例与 Mock，便于读者迁移到自己的业务。适合对 MCP、LangChain/LangGraph、大模型应用开发感兴趣的读者。

PMSM永磁同步电机无传感器仿真 simulink仿真 SMO滑模观测器 PLL锁相环无速度...PMSM永磁同步电机无传感器仿真 simulink仿真 SMO滑模观测器 PLL锁相环无速度传感器无位置传感器滑膜观测器仿真同步电机smo算法有文档可以直接用

告别 AgentExecutor：LangChain v1.0+ Agent 模块深度迁移指南与实战全解析【个人主页：玄同765】大语言模型（LLM）开发工程师｜中国传媒大学·数字媒体技术（智能交互与游戏设计）

自然语言处理（吴恩达深度学习笔记）目录1.词表示 / 词表征（1）引言2.词嵌入（word embeddings）（1）简介（2）t-SNE算法

快速学会BERT模型！在开始学习BERT之前，我们来简要回顾一下Transformer模型。我们需要将输入转化为模型可以理解的数学形式。具体过程为：首先将单词或者句子转换为一个固定维度的向量，得到词嵌入，这个过程采用的方法有比如Word2Ved、Glove等。

一招定胜负

回顾：cbow连续词袋与词嵌入目录一、先明确核心目标：二、逐段拆解：代码的每一步，都藏着知识点第一步：导入依赖库，做好准备工作第二步：语料预处理——把原始文本变成模型能“看懂”的数据

诸神缄默不语

如何用Python调用智谱清言GLM系API实现智能问答诸神缄默不语-个人技术博文与视频目录GLM系列大模型是智谱AI提供的系列语言模型。本文介绍如何用Python语言调用GLM的API实现智能问答。

LangChain v1.0+ Memory 全类型指南：构建上下文感知大模型应用的核心方案【个人主页：玄同765】大语言模型（LLM）开发工程师｜中国传媒大学·数字媒体技术（智能交互与游戏设计）

深度解析 Prompt Engineering：从入门到实战Prompt Engineering 是近年来随着生成式 AI 应用发展而兴起的一项关键技术。简单来说，它指的是为 AI 模型设计更有效、更引导性的提示词（Prompt）以提高模型的工作效果。课题涵盖了自然语言处理（NLP）广泛应用场景中的许多挑战，例如翻译、文本生成、问题回答等。

深入解析与实践：Prompt EngineeringPrompt Engineering（提示工程）是现代人工智能领域中一个重要的概念。随着大规模预训练语言模型（如 GPT）在多种任务中的成功，如何更高效地与模型交互成为了一项核心技能。Prompt Engineering 正是通过设计合理的输入提示，让模型输出符合预期的有效结果的方法。这种方法广泛应用于问答生成、文本分类、代码生成等任务，提高了模型在实际场景中的实用性。