博客作者
穿越时空
360
已发布文章
11K
博客获赞
826K
博客浏览
第 17 页
详细阐述了 Python 爬虫的核心技术体系，涵盖 HTTP 协议交互原理、HTML 解析方法（正则、XPath、BeautifulSoup）、主流框架（Scrapy、Selenium）的应用场景以及反爬策略应对。内容扩展至并发编程、代理 IP 管理、异常处理及数据存储优化，旨在提供一套完整、合规的爬虫开发实战指南，帮助开发者构建高效稳定的数据采集系统。
详细解析了检索增强生成（RAG）技术的优化策略。首先介绍了 RAG 解决大模型垂直领域知识缺失、幻觉及重复建设问题的背景。接着梳理了 RAPTOR、Self-RAG、CRAG 及 Dense X Retrieval 等关键优化论文的核心思想与实现路径。随后总结了 Chunking 优化、Query 重写与分解、混合检索、Small to Big 策略及 Em…
本教程涵盖 7 个 Python 爬虫实战案例，涉及正则、XPath、BeautifulSoup、Selenium 等核心技术。内容包括百度贴吧评论爬取、多线程小说下载至 MySQL、豆瓣电影榜单分析、京东商品评论抓取、知乎登录模拟、微博数据获取以及艺恩票房数据分析与可视化。每个案例提供完整源码及关键步骤解析，适合入门学习者参考。
梳理了 2024 年生成式人工智能与大模型的发展现状，重点介绍了 AI 产品经理及开发者的学习路径。涵盖从大模型系统设计、提示词工程、平台应用开发（如阿里云 PAI）、知识库构建（LangChain）、垂直领域微调到多模态应用的全栈技术体系。同时提供了商业化落地方案参考及面试准备资料，旨在帮助技术人员掌握 GPU 算力、硬件部署及行业实战技能。
大模型的基础概念、核心技术架构及应用场景。内容涵盖 Transformer 原理、预训练与微调策略、RAG 技术、Agent 应用等关键技术点。同时提供了从基础准备到行业落地的完整学习路线，包含 Python 编程、PyTorch 框架、LangChain 开发及 LoRA 微调实战代码。文章分析了大模型在 NLP、医疗、金融等领域的价值，探讨了行业机遇与护…
Meta 发布 Llama 3.1 大模型，支持 128k 上下文。介绍如何使用 Ollama 工具在本地快速部署并运行该模型。涵盖安装步骤、命令行交互、API 调用及性能优化方案，帮助用户在个人设备上体验开源大模型能力。
文章分析了 AI 大模型发展的十大趋势，涵盖行业收敛、算力门槛、人才密度、开源闭源对比、AGI 信仰、用户规模、端侧模型、核心价值、一人企业及技术变现路线之争。内容指出中国大模型将走向集中化，万卡算力成入门标准，顶尖人才决定模型上限，开源难敌闭源，Scaling Law 仍是核心驱动力。同时强调端侧模型将重塑交互入口，效率与创造是落地关键，一人企业兴起，技术…
国产 AI 大模型在 2023 至 2024 年间取得显著进展，多家企业如月之暗面、商汤、阿里等发布具备竞争力的模型。行业正从通用模型向垂直领域大模型转变，重点解决数据、算力及场景落地问题。未来需加强生态建设，推动人工智能与实体经济深度融合。
选取国内十款大语言模型，基于《追风筝的人》小说片段进行英译汉测试。通过 Python 计算余弦相似度及调用 ChatGPT-4o 进行多维度评估（主题、美学、连贯性等）。结果显示字节豆包、百度文心一言和 Kimi 表现最佳，语义相似度均超过 0.98。讯飞星火和商汤商量因细节丢失或冗余信息导致评分较低。文章提供了客观量化与主观评价相结合的评测方法，为选择翻译…
AI 语言大模型关键技术涵盖预训练、适配微调、提示学习、知识增强和工具学习五大核心领域。预训练涉及高效策略与架构优化；适配微调包括指令微调和参数高效微调如 LoRA；提示学习利用上下文激发模型能力；知识增强通过外部知识融合提升推理准确性；工具学习使模型能调用外部插件处理复杂任务。这些技术共同推动大模型向更通用、高效、可控的方向发展。
深入解析大模型 Agent 的核心概念与开发流程，重点介绍基于 LangChain 框架实现工具调用与自主决策的方法。内容涵盖 ReAct 模式原理、Prompt 工程优化、自定义工具构建及完整代码示例，旨在帮助开发者快速掌握 Agent 应用开发技能，解决复杂任务规划问题。文章详细阐述了从工具定义、调度原理到标准 Agent 初始化的全过程，并补充了错误处…
系统梳理了大模型（LLM）的学习路径与核心资料，涵盖机器学习数学基础、Python 编程、深度学习与 NLP 技术。重点介绍了 Transformer 架构、监督微调（SFT）、强化学习（RLHF）、模型评估与量化技术。此外，还提供了 AI 产品经理的学习路线图，包含系统设计、提示词工程、平台应用开发及垂直领域微调等内容，旨在帮助读者全面掌握大模型的应用与开…
本书推荐《动手学深度学习（PyTorch 版）》，涵盖数学基础、PyTorch 框架、线性模型、多层感知机、卷积神经网络、循环神经网络、注意力机制、优化算法及计算机视觉与自然语言处理应用。内容深入浅出，提供大量代码示例，适合从入门到进阶的学习者，旨在通过实践掌握深度学习核心技术与模型开发流程。
对普通程序员梳理了大模型（LLM）的学习路线与知识体系。文章建议采取实用优先、循序渐进的策略，从基础概念和提示工程入手，逐步过渡到 API 调用、Agent 开发及 RAG 知识库构建。内容涵盖 Function Calling、LangChain 等框架应用，以及模型微调和多模态技术。旨在帮助技术人员建立系统性认知，降低焦虑，提升利用 AI 解决实际工程问…
Stable Diffusion WebUI 安装指南涵盖 Windows 与 Mac 系统。Windows 提供整合包与手动安装两种方案，Mac 需通过 Homebrew 配置环境。核心依赖 Python 与 Git，推荐 NVIDIA 显卡以获得最佳渲染速度。常见问题包括路径含中文、驱动未更新及显存不足等，可通过检查环境变量、更新驱动及合理分配模型解决。…
详细阐述了利用 Python 进行图像背景抠图的三种技术路径。首先介绍了针对纯色背景的像素级透明度处理；其次探讨了通过采样学习多色背景颜色的方法；最后提出了一种基于 RGB 最大最小值范围的统计阈值法。文章通过代码示例和效果对比，分析了各方案的优缺点，展示了如何通过简单的编程逻辑解决图像处理中的自动化需求，并总结了代码化处理工具在缺乏专业软件时的替代优势及性…
LLaVA-o1 是一种新型开源视觉语言模型，采用自主多阶段推理框架，包含总结、图像描述、推理和结论四个结构化阶段。相比传统思维链，LLaVA-o1 独立处理各阶段，并通过 LLaVA-o1-100k 数据集进行全参数微调。模型引入阶段性束搜索策略，在推理时动态选择各阶段最佳候选，有效平衡了计算成本与推理质量。实验显示，LLaVA-o1 在基准测试中超越基础…
梳理了大模型的核心概念、发展现状及应用领域，提供了从基础理论到工程实践的系统学习路径。内容涵盖深度学习基础、主流框架（PyTorch/TensorFlow）使用、模型优化技术（剪枝/量化）、分布式训练及部署策略。通过分析 NLP、CV 等垂直领域的应用案例，结合 IDC 对未来 AIGC 趋势的研判，旨在帮助开发者建立完整的技术视野，掌握大模型全栈开发能力，…
LLM 训练是大型语言模型构建的核心环节，涵盖预训练、微调及人类反馈强化学习等阶段。通过海量数据预训练掌握语言规律，利用指令微调适配特定任务，借助 RLHF 对齐人类价值观。详细解析各阶段原理、流程及关键技术点，包括数据准备、高效微调技术及评估监控，为理解大模型技术提供系统框架。
网络安全岗位的核心面试题，涵盖 Web 安全漏洞原理与防御、内网安全架构与监测、等级保护测评流程等关键领域。内容包含 SQL 注入、XSS、CSRF 等常见攻击的防护方案，以及入侵检测系统、端口扫描、漏洞评估等内网安全知识。同时补充了网络协议、HTTP 请求过程、加密算法等基础理论问答，旨在帮助求职者系统掌握安全技能，应对技术面试挑战。
