【日积月累】 AlexNet和LeNet详细介绍和实现 说到深度学习，大概很多人都会想到那些能够“看图识物”的神经网络，比如帮手机识别照片里的猫咪，或者让汽车知道眼前是红灯还是绿灯。今天，我想跟大家聊聊两位“大功臣”——LeNet和AlexNet。...

【日积月累】 1、项目初始化 1.1 目录结构 ├── api | ├── v1 # v1版本接口服务 | ├── system # 系统级服务 | └── enter.go # 统一入口 ├── config #...

【日积月累】 介绍 我们在日常开发中，常常会对JSON进行序列化和反序列化。Golang提供了encoding/json包对JSON进行Marshal/Unmarshal操作。但是在大规模数据场景下，该包的性能和开销确实会有点不够看。在生产环境下，...

【日积月累】 本文介绍了使用 ModernBert 和原版 BERT 进行文本分类的实战案例，任务是基于真假新闻数据集进行分类。作者详细阐述了从数据处理到模型训练和验证的完整流程。首先，通过 `AutoTokenizer` 和自定义的 `collate_fn` 函数处理文本数据，实现动态填充和批量处理。接着，定义了四种池化方法（平均池化、最大池化、最小池化和注意力池化），用于将序列特征压缩为固定大小的向量。模型部分，作者自定义了 `FakeNewsModel`，结合预训练的 ModernBert 和 BERT，支持四种池化方式，并通过全连接层输出分类结果。训练过程包括数据加载、模型初始化、优化器和学习率调度器配置，以及使用交叉熵损失进行训练和验证。最终，通过验证集和测试集评估模型性能，ModernBert 在长文本输入和优化后的架构上表现优于原版 BERT。

【日积月累】 一个基于 Vue3.4、Element-Plus、Vite 和 Pinia 搭建的轻量级后台管理模板，旨在提供简洁易用的开发体验。项目包含基本的刷新、全屏和暗黑模式功能，采用 Mock.js 模拟数据，支持简单的权限划分。技术栈还包括 ECharts、VueUse、Animate.css 和 WangEditor 等，适用于快速开发和学习。项目配置了 ESLint、Prettier 和 Stylelint 以规范代码风格，并通过 UnoCSS 实现原子化 CSS 开发。此外，项目还集成了 SVG 图标、WangEditor 编辑器等功能模块，并提供了详细的运行、打包和语法检查指南。整体而言，该项目是一个适合初学者和小型项目的后台管理系统模板，易于扩展和维护。

【日积月累】 本文详细介绍了机器学习模型保存与加载的方法及最佳实践，涵盖模型存储格式、序列化方法、主流框架的保存方式以及深度学习框架的模型保存策略。常用序列化方法包括 Python 内置的 `pickle` 和专为科学计算设计的 `joblib`，两者各有优缺点，`pickle` 使用简单但存在安全风险且跨版本兼容性差，`joblib` 对 numpy 数组处理效率高且支持压缩。主流机器学习框架如 Scikit-learn、XGBoost、LightGBM 和 CatBoost 均提供了原生的模型保存方法，推荐使用其原生格式以确保兼容性和效率。深度学习框架 PyTorch 和 TensorFlow/Keras 也提供了灵活的模型保存方式，包括完整模型保存和仅保存模型参数。此外，本文还提出了模型保存的完整方案、版本控制建议、安全性建议、性能优化建议以及格式选择指南，并针对版本兼容性问题、大型模型处理和跨平台迁移等常见问题提供了实用的解决方案，旨在帮助开发者高效、安全地管理和部署机器学习模型。

【日积月累】 Fast RCNN 是一种经典的目标检测算法，通过共享特征提取和 ROI 池化层解决了 RCNN 中重复计算的问题，显著提升了计算效率和检测速度，同时采用融合分类损失与回归损失的高效损失函数，进一步优化了训练过程。其核心创新在于对整张图像提取共享特征图后，通过 ROI 池化层为每个候选区域生成固定长度的特征向量，再进行分类和边界框回归。然而，Fast RCNN 仍依赖外部的选择性搜索算法生成候选区域，效率受限。Faster RCNN 则在此基础上引入区域提议网络（RPN），实现了从卷积特征图中直接生成候选区域的功能，避免了外部算法的依赖，大幅提升了检测速度和精度，成为目标检测领域的标杆模型。Faster RCNN 通过将 RPN 与 Fast RCNN 结合，实现了端到端的训练流程，其架构包括卷积特征提取、RPN、ROI 池化层及分类与回归模块，并通过联合损失函数进行优化，在 COCO 和 PASCAL VOC 等数据集上表现出色，为后续目标检测技术的发展奠定了坚实基础。

【API术语解释】 近年来，OpenAI让“GPT”一词成为了热议的话题。GPT，即生成式预训练Transformer，是人工智能领域中一股强大的语言模型，掀起了不小的波澜。GPT-4 将 AI 的功能提升到一个全新的水平。但在我们深入研究其功能之前，先来对名称本身进行一下解析。

【日积月累】 我立即下载并使用了这套代码，它基于DeepSeek-R1、LangChain 和 Ollama 搭建了一个隐私优先的检索增强生成（RAG）系统的文章。

【日积月累】 Gateway API 是由 SIG-NETWORK 社区管理的开源项目，项目地址：https://gateway-api.sigs.k8s.io/。主要原因是 Ingress 资源对象不能很好的满足网络需求，很多场景下 Ingress 控制器都需要通过定义 annotations 或者 crd 来进行功能扩展，这对于使用标准和支持是非常不利的，新推出的 Gateway API 旨在通过可扩展的面向角色的接口来增强服务网络

【日积月累】 基于 prompt 的方法相对来说成本较低，方法和效果都有相对成熟的结果；微调 LLM 的方法受限于消耗资源比较大，计算成本过高，没有得到很好地探索。B-GPT-Hub是一款很好的项目，这是一个基于 LLM 微调的 text2SQL 的训练推理框架和 benchmark，主要侧重于大规模微调 LLM 的方式。

【AI驱动】 该工作所提出的模块化(Modular)RAG比较有趣，因此，今天我们来看看这个话题，价值之一在于，对RAG各个模块的方案进行了归置，对建立体系认知有帮助，供大家一起参考

【日积月累】 在本节中，您将设置构建 GraphQL API 所需的所有部分。您将启动一个 TypeScript 项目，预置一个 PostgreSQL 数据库，在项目中初始化 Prisma，最后为您的数据库设定种子。 在此过程中，您将设置端到端类型安全难题的一个重要部分：数据形状的真实来源。

【日积月累】 我们工作中有大量需要使用Office或WPS等办公软件，那有没有什么办法在上面集成DeepSeek呢？答案是肯定的！今天分享的这个方法那简直就是白嫖，只需要一个DeepSeek的API Key即可搞定。

【日积月累】 在Cherry Studio里配置好来自这几家的API和密钥。然后，就能愉快地跟DeepSeek-R1进行对话了。接下来，我就手把手教大家稳定用上云厂商提供的DeepSeek满血版大模型。本文以硅基流动为例来展示一下整个过程