深度学习

AI销售机器人：节日祝福转化率提升30倍每逢节日，销售团队常陷入“手动群发→低响应→无转化”的恶性循环，核心痛点可概括为三点：效率极低：10000名客户的祝福触达需耗时8小时以上，人工核对易出现号码错误、文案漏改等问题，错误率达12%；缺乏个性化：千篇一律的模板文案无法匹配用户年龄、消费偏好、行业属性，导致客户抵触情绪强烈；转化链路断裂：无法实时捕捉用户回复意图，错失二次触达的黄金时机。

【大模型教程——第二部分：Transformer架构揭秘】第2章：模型家族谱系：从编码器到解码器 (Model Architectures)“The best way to predict the future is to invent it.” - Alan Kay

用 PyTorch 实现 LLM-JEPA：不预测 token，预测嵌入这篇文章从头实现 LLM-JEPA: Large Language Models Meet Joint Embedding Predictive Architectures。需要说明的是，这里写的是一个简洁的最小化训练脚本，目标是了解 JEPA 的本质：对同一文本创建两个视图，预测被遮蔽片段的嵌入，用表示对齐损失来训练。

深度学习算子CUDA优化实战：从GEMM到Transformer—Week4学习总结副标题：系统掌握DL算子优化技术，构建高性能Transformer经过前三周的CUDA基础学习，这周我们终于要进入深度学习领域的核心战场了。说实话，当我第一次看到Transformer的GEMM优化能提升10倍性能时，那种震撼感至今难忘。这周我们会深入三个最关键的深度学习算子：GEMM、Softmax和LayerNorm，最后把它们组装成一个完整的Transformer Layer。

工程师老罗

Pytorch如何验证模型？在 PyTorch 中，“验证模型”通常包含两层含义：一是在训练过程中监控模型泛化能力（使用验证集），二是在训练结束后测试最终性能（使用测试集）或对单张图片进行推理。

Ollama 支持模型微调但是不支持词库，支持RAG，go语言开发的大模型的推理应用，你想了解 Ollama 平台上的模型是否支持微调，以及是否专门支持“词库微调”这类场景，对吧？我先明确核心结论，再给你具体的实现方式和建议。

FineInstructions Scaling Synthetic Instructions to Pre-Training ScaleAuthors: Ajay Patel, Colin Raffel, Chris Callison-Burch

Reinforce Learning Concept Flow Chart (强化学习概念流程图)在强化学习中，智能体（agent）在一系列的事件步骤上与环境交互。在每个特定时间点，智能体从环境结构一些观测（observation），并且必须选择一个动作（action），然后通过某种机制（有时称为执行器）将其传输回环境，最后智能体从环境中得到奖励（reward）。注意，强化学习的目标是产生一个好的策略（policy）。强化学习智能体选择的“动作”受策略控制，即从一个环境观测映射到动作的功能。

薛定谔的猫1982

十三.调用 BERT 中文文本情感分析交互式推理模型训练好的在完成 BERT 模型的训练与测试后，将模型落地为交互式推理工具是验证模型效果、快速调试的核心环节 —— 通过实时输入文本，即时得到模型的情感分类结果，能直观验证模型对真实场景文本的泛化能力。本文基于中文 BERT 预训练模型（bert-base-chinese），手把手拆解 “交互式文本情感分析推理” 的完整实现逻辑，从代码结构、核心函数到运行演示，让你快速掌握训练后模型的落地方法。

小鸡吃米…

机器学习 - 高斯判别分析（Gaussian Discriminant Analysis）摘要：高斯判别分析（GDA）是一种基于高斯分布的生成式分类算法，通过建模各类别的多元高斯分布进行预测。该算法要求数据满足连续型、正态分布、协方差矩阵相同等假设条件。在Python中可通过scikit-learn的QuadraticDiscriminantAnalysis实现，在鸢尾花数据集上通常能达到97%以上的准确率。虽然存在假设限制，但GDA仍是处理连续型数据的有效分类方法。

深度学习图像超分辨率技术全面解析：从入门到精通本文系统梳理基于深度学习的单图像超分辨率（SISR）技术，涵盖问题定义、网络架构设计、损失函数、评估指标、前沿方法及实际应用，配合完整的PyTorch代码实现，帮你全面掌握这一图像处理的核心技术。

自动地址识别技术综述（面向应用）在物流、地图服务和智慧城市等场景中，地址数据的准确性至关重要。但现实中地址写法复杂多样：格式不统一、存在错别字、别名和缺失信息。自动地址识别技术正是为了解决这些问题，包括地址匹配、地址解析和地址整合。本文总结了近年来的技术方法、应用场景、挑战及未来趋势，为工程实践提供参考。

项目_Agent实战vibecoding 框架plan and think实际系统中常常先在人为代码中固定主干流程，再在需要模型能力的节点中，通过prompts来让模型在做局部规划中执行。有点像我在user端事先规定的ruler一样

薛定谔的猫1982

十六、用 GPT2 中文古文模型实现经典名句续写在传统文化与人工智能融合的场景中，基于大语言模型实现古文、经典名句的续写，既能展现 AI 对中文语义和韵律的理解，也能为国学创作、教学辅助提供有趣的工具。本文以gpt2-chinese-ancient（GPT2 中文古文模型）为例，从代码解析、核心原理到效果优化，手把手教你实现 “温故而知新，可以为师矣” 这类经典名句的自动续写，让 AI 也能写出有 “古风” 的文本。

基于深度学习的交通流量预测系统本项目为《基于深度学习的交通流量预测系统》，基于真实VANET车辆轨迹数据，实现从数据处理到模型训练、对比分析、可视化展示、预测服务的完整闭环。适用于：本科生研究生课程设计、b设、答辩演示、作品集展示、交流学习。项目为个人原创，禁止商用！

Autoware使用教程这一排按钮主要用来和地图交互，比如给车发指令、在仿真里扔障碍物。(非常重要) 告诉车“你现在在哪里”。

薛定谔的猫1982

十五、基于 GPT2 中文模型实现歌词自动续写在自然语言生成（NLG）领域，GPT2 凭借轻量化、易部署的特性，成为中文场景下文本创作的优选模型之一。本文将以 “GPT2 中文歌词生成模型” 为例，从代码解析、核心原理到实战优化，手把手教你实现歌词自动续写功能，让机器也能写出有 “氛围感” 的中文歌词。

大模型玩家七七

证据不足 vs 证据冲突：哪个对模型更致命如果你在真实业务里跑过一段时间 RAG，你大概率会遇到这样一种场景：但结论是错的，而且错得非常自信。

压力测试实战：基于Locust的高并发场景稳定性验证所有的架构设计和代码优化，最终都要在压力测试的烈火中接受检验。对于DeepSeek推理服务，我们不能简单地用 ab 或 wrk 这种针对静态网页的工具来测，因为大模型的请求是长连接，且计算负载与Prompt长度高度相关。

人工智能之核心技术深度学习第六章生成对抗网络（GAN）第六章生成对抗网络（GAN）生成对抗网络（Generative Adversarial Network, GAN）由 Ian Goodfellow 等人在 2014 年提出，被誉为“深度学习中最酷的想法之一”。它通过让两个神经网络相互博弈的方式，学会生成高度逼真的数据（如人脸、风景、艺术画等），开启了生成式 AI 的新纪元。