博客作者
忘却烦恼
361
已发布文章
15K
博客获赞
1M
博客浏览
第 17 页
详细阐述了 Android 应用性能优化的四大核心领域：稳定性、流畅度、耗电及安装包体积。针对稳定性，重点介绍了 Crash 监控、ANR 预防及内存泄漏检测工具如 LeakCanary；流畅度方面涵盖了布局层级优化、过度绘制消除及启动加速策略；耗电优化涉及计算优化、WakeLock 管理及 JobScheduler 后台任务调度；安装包瘦身则包含代码混淆与…
详细解析了 Android 插件化框架 DynamicLoadApk 的源码实现。文章首先介绍了宿主、插件、代理组件等核心概念，阐述了基于代理模式的总体设计思路。随后深入分析了 DLPluginManager 类的关键方法，包括插件加载（loadApk）、类加载器初始化（DexClassLoader）、资源管理（AssetManager）以及组件启动流程（s…
介绍如何在本地环境部署 Meta 发布的开源大语言模型 Llama3 及其中文微调版本。通过 Ollama 工具实现模型的下载、运行与管理，支持 Windows、MacOS 及 Linux 系统。内容涵盖硬件要求、Ollama 安装配置、Modelfile 自定义模型加载、中文指令微调版使用指南，以及通过 LobeChat 界面进行交互的方法。同时提供了 A…
总结了提示工程的 39 种方法，涵盖数学问题解决、逻辑推理、常识推理等 29 个自然语言处理任务。通过对比基础提示、思维链、自洽性等多种技术在不同数据集上的性能，分析了零样本与少样本设置下的差异，并指出了各任务的最佳实践策略。文章详细阐述了从基础提示到复杂推理链、程序辅助及验证机制等各类技术的原理与应用场景。
大语言模型在线连续知识学习（OCKL）框架及其评估方法。研究提出了知识获取速率（KAR）和知识差距（KG）两个新指标，以衡量模型学习速度及知识动态变化。实验对比了正则化、演绎和参数扩展等多种方法，重点分析了 LoRA、Mix-Review 等技术在冗余数据流、时间限制及不同模型规模下的表现。研究发现 LoRA 在计算效率和性能上具有优势，而核心集选择策略需根…
HarmonyOS 秋季更新聚焦于性能优化、功能增强、生态扩展及安全升级。系统核心优势包括分布式架构、确定时延引擎、微内核安全及统一开发框架。开发者需掌握 ArkTS 语言、Stage 模型及 ArkUI 框架，利用 DevEco Studio 进行开发与调试。此次更新推动了万物互联场景落地，为开发者提供了新的职业机遇。
Meta 发布了 Llama 3.1 405B，这是目前最大的开源模型之一，拥有 4050 亿参数和 128k 上下文窗口。模型基于 15 万亿 token 训练，在代码、数学和摘要任务上表现优异，可与 GPT-4o 竞争。许可允许商用，但月活超 7 亿应用需特殊授权。部署需大量 GPU 资源，推荐量化方案。模型规格、性能对比、许可条款及 Python 推理…
RAG 技术结合检索增强生成与大语言模型，解决知识更新与幻觉问题。深入解析 Embedding 向量表示原理，对比 Word2Vec 与 Transformer 架构差异，阐述 BERT 及 GPT 系列模型演进历程。重点说明如何通过语义搜索替代传统词频匹配，利用向量空间相似度实现精准检索，并结合 RLHF 优化对话体验。最后探讨 RAG 在私有化部署与实时…
如何在本地 CPU 环境下使用 Ollama 部署开源大语言模型。内容涵盖安装步骤、命令行操作、Python 接口调用（包括官方库与 OpenAI 兼容模式）、Jupyter 魔法命令定制以及性能安全分析。通过实际代码示例展示了如何运行 Qwen2 等模型，并强调了本地部署在数据隐私和资源控制方面的优势。
探讨了人工智能大模型的核心概念、发展历程及产业现状。内容涵盖大模型定义、Transformer 架构基础、预训练与微调机制，以及中美大模型发展对比。此外，详细解析了从基础设施到边缘计算的技术架构，并提供了具体的学习路径，包括提示词工程、RAG 应用开发及垂直领域微调实战，旨在帮助开发者系统掌握大模型技术栈。
探讨大型语言模型微调的必要性，对比全参数微调、LoRA 等高效微调方法与检索增强生成（RAG）技术的优劣。文章分析了在特定领域准确性、定制化行为、边缘案例处理及成本等方面的决策因素，指出微调适合深度定制与知识固化，而 RAG 更适合动态知识更新。建议根据数据质量、资源限制及任务需求选择混合方案，以实现最佳效果。
探讨了知识图谱与大模型的核心特性及其互补性。知识图谱提供高可信度、结构化的知识框架与解释性，而大模型具备强大的语言理解与零样本学习能力。文章详细分析了大模型如何增强知识图谱的构建效率与推理能力，以及知识图谱如何通过 RAG、预训练注入等方式优化大模型的性能、减少幻觉并提升可解释性。最后总结了图模结合系统中的反馈机制与未来发展方向，包括改进知识编码、深度融合及…
Transformer 模型的核心在于注意力机制，主要包括自注意力、交叉注意力和因果自注意力。自注意力允许序列内部元素交互，交叉注意力连接不同序列，因果自注意力确保生成任务中的单向依赖。通过 PyTorch 从零实现这三种机制，解析缩放点积、多头扩展及掩码处理细节，并探讨其在大型语言模型中的应用与优化策略。文章涵盖输入嵌入、QKV 投影、Softmax 归一…
LangGraph 是基于图论构建的多智能体框架，解决了 LangChain 中 Agent 循环控制黑盒的问题。通过状态机技术，开发者可以精确控制节点执行顺序、工具调用及人机交互。 LangGraph 的核心组件 StateGraph、Node 和 Edge，演示了如何定义状态、添加节点与边，并编译运行图。此外，还探讨了条件边路由机制及与 AutoGen…
探讨了利用指令微调技术优化开源大模型在软件测试领域的应用。针对人工编写测试数据成本高、质量不一的问题，采用 Self-Instruct 方法自动生成多样化的指令微调数据集。通过构建种子指令、调用大模型生成新任务及输入输出对，最终使用 LLaMA Factory 框架对 Qwen 等模型进行微调。实验表明，该方法能有效提升模型在测试用例生成及相关知识问答上的表…
针对国内接单平台内卷严重的问题，四个主流的海外自由职业接单平台。Freelancer 拥有全球最大项目池和竞标系统；Upwork 采用悬赏模式并提供项目管理服务；Fiverr 主打服务包销售模式，灵活性高但竞争激烈；Toptal 则面向顶尖人才，门槛高但收益丰厚。文章建议开发者先在国内提升能力，再转战海外，并强调了语言能力、支付渠道及合规性的重要性。
主成分分析（PCA）是一种常用的无监督学习降维技术，通过正交变换将相关变量转化为线性不相关的主成分。其核心思想是方差最大化，旨在保留数据最大信息量的同时降低维度。详细阐述了 PCA 的数学原理、计算步骤及优缺点，并通过 Python sklearn 库结合鸢尾花数据集与人脸图像数据进行了实战演示，展示了如何确定主成分数量及可视化降维效果，适用于图像处理、金融…
介绍基于 LangChain 框架的大模型应用开发教程，以个人知识库助手项目为例。内容涵盖大模型简介、API 调用（OpenAI、文心、星火等）、开发流程（目标确定、功能设计、架构搭建、数据库构建、Prompt 工程、验证迭代、前后端开发）及系统架构（LLM 层、数据层、数据库层、应用层、服务层）。教程适合具备基础 Python 技能的开发者，旨在降低大模型…
通过七个实战案例演示了 Python 爬虫的核心技术，涵盖正则表达式、XPath、BeautifulSoup、Selenium 及 API 接口分析。内容包含百度贴吧评论抓取、小说章节多线程存储、豆瓣电影榜单解析、电商评论动态加载处理、知乎模拟登录搜索、微博数据获取以及票房数据分析可视化。教程提供完整代码示例，并强调反爬策略应对、数据清洗及合规使用的重要性，…
总结了大模型定制训练的核心经验，涵盖数据隐私保护、数据清洗与配比策略、训练资源显存分析及微调方案选择。详细阐述了二次预训练、SFT、奖励模型及 DPO/PPO 的数据格式规范，分析了 Base 与 Chat 模型的选择依据及 LoRA 技术的优缺点。同时提供了中文词表扩展、解决 SFT 训练退化问题的方法，以及全面的模型测评指标体系，旨在为开发者提供从数据处…
