个人技术分享

该博客仅用于记录一下自己的代码，可与c++实现作为对照。

面试，面经，面试问题，算法工程师面试

SNLIBERTDataset类处理SNLI数据库的数据，用于BERT的使用，分词数据集中的前提和假设，并创建相应的令牌ID和段ID作为模型的输入。- 使用`d2l`的`train_ch13`函数来训练模型，传入定义的网络、训练和测试迭代器、损失函数、训练器、训练周期数和设备配置。10. 使用定义的训练迭代器、损失函数、优化器以及`d2l`提供的训练工具来对SNLI数据库中的BERT分类器模型进行训练。2. 从指定的`d2l.DATA_HUB`下载预训练模型（BERT基础版和BERT小型版）。

另一方面，在降本增效的大环境下，企业对“性价比”的要求更高，期待用更简易的大模型工具，加速应用开发，实现快速投产，满足可持续的投入产出比。其中，大模型知识引擎聚焦企业知识服务场景，以RAG（检索增强生成）技术架构为基础，整合了OCR文档解析、向量检索、大语言模型、多模态大模型等技术，为企业打造出“低门槛”“高效能”的模型应用开发平台，通过“模块化”的应用模板，企业用自然语言，5分钟就可以开发出一款知识服务应用，快速在客服营销、企业知识社区等各种与人连接的业务场景落地。

说在前面：这篇是记录贴，因为被配置环境折磨了大半天，所以记录下来下次方便配置，有点像流水账，有不懂的地方可以评论问。参考文章：环境：系统：Windows11显卡：1660Ti。

标量也叫0D张量，一个标量就是一个数，它只有大小，没有方向。

标量也叫0D张量，一个标量就是一个数，它只有大小，没有方向。

本文主要学习建造者模式，建造者模式使用多个简单的对象，一步一步构建一个复杂的对象，允许按指定要求构建对应对象。建造者设计模式，封装一个对象的构造过程，使用多个简单的对象一步一步构建成一个复杂的对象，将一个复杂对象的构建与它的表示分离，使得同样的构建过程可以创建不同的表示。以上就是今天要讲的内容，本文主要介绍了，建造者模式的核心组成，实现步骤，代码示例和使用场景。

SwanLab - MNIST手写体识别任务是一个经典的计算机视觉问题，SwanLab入门深度学习、PyTorch MNIST手写体识别、MNIST数据集、PyTorch教程、手写数字识别、深度学习入门、机器学习训练、可视化深度学习、PyTorch实例、神经网络模型、Python深度学习、机器学习项目、SwanLab教程、手写体识别算法、PyTorch基础

根据吴茂贵《 Python 深度学习基于 PyTorch ( 第 2 版 ) 》撰写的学习笔记，该篇主要介绍了目标检测的相关概念及主要挑战。

如何写好科技论文

一、项目背景与意义乳腺癌作为女性最常见的恶性肿瘤之一，对女性的健康构成了严重威胁。乳腺癌的早期发现和治疗对于提高患者的生存率和生活质量至关重要。近年来，随着深度学习技术的不断发展，其在医疗图像分析领域的应用也越来越广泛。本项目旨在利用Matlab平台，结合深度学习技术，开发一套乳腺癌分类检测系统，以辅助医生进行乳腺癌的准确诊断和评估。二、项目目标数据准备：收集包含乳腺癌图像的数据集，并进行必要的预处理操作，如图像缩放、归一化等，以适应深度学习模型的输入要求。

一、项目背景与意义图像分类是计算机视觉领域的重要任务之一，也是深度学习技术的一个核心应用。通过构建高效的图像分类模型，可以实现对海量图像数据的自动分类和标注，为后续的图像检索、目标检测等任务提供有力的支持。本项目旨在利用TensorFlow深度学习框架，生成和读取高效的图像分类模型，以满足实际应用中对图像分类的需求。二、项目目标模型生成：利用TensorFlow框架和相关的图像分类算法（如卷积神经网络CNN），训练并生成高精度的图像分类模型。模型将能够对输入的图像进行准确的分类和标注。

并且本文是基于HPC写的笔记，普通电脑跳过步骤1.

一、项目背景手写数字识别是计算机视觉和模式识别领域的一个重要问题。传统的识别方法往往依赖于复杂的特征工程和模型设计，难以应对复杂的识别任务。近年来，随着深度学习技术的快速发展，特别是卷积神经网络（CNN）的广泛应用，手写数字识别问题得到了有效的解决。本项目旨在利用TensorFlow框架，基于卷积神经网络构建一个高效、准确的手写数字识别系统。二、项目目标本项目的主要目标是构建一个能够实时识别手写数字的系统，该系统能够自动从输入的手写数字图像中提取关键特征，并准确地分类出对应的数字。

一、项目背景手写数字识别是计算机视觉和模式识别领域的一个重要问题。传统的识别方法往往依赖于复杂的特征工程和模型设计，难以应对复杂的识别任务。近年来，随着深度学习技术的快速发展，特别是卷积神经网络（CNN）的广泛应用，手写数字识别问题得到了有效的解决。本项目旨在利用TensorFlow框架，基于卷积神经网络构建一个高效、准确的手写数字识别系统。二、项目目标本项目的主要目标是构建一个能够实时识别手写数字的系统，该系统能够自动从输入的手写数字图像中提取关键特征，并准确地分类出对应的数字。

一、项目背景甲骨文，作为中国古代最早的成熟文字，具有极高的历史、文化和科研价值。然而，由于年代久远、字形复杂多变，甲骨文的辨识和研究工作一直面临着巨大的挑战。传统的甲骨文辨识方法主要依赖于专家学者的经验和知识，耗时耗力且容易出错。近年来，随着计算机视觉和深度学习技术的飞速发展，为甲骨文的自动化辨识和相似度评估提供了新的可能。本项目旨在利用Python编程语言，结合OpenCV和dlib两个强大的计算机视觉库，开发一个基于深度学习的甲骨文相似度评估系统。

Win11 cuda,cudnn,pytorch环境安装

第三章：音频信号处理的理论与Python实战3.4 梅尔频率倒谱系数的计算过程第一步：数据准备import numpy as npfrom torchaudio import datasetsimport sound_utilsimport soundfile as sffrom matplotlib import pyplot as plt"--------------第一步：数据准备-------------"#signal：NumPy 数组，包含了音频文件中的音频数据。每个元素代表

一、项目背景手写数字识别是计算机视觉和模式识别领域的一个重要问题。传统的识别方法往往依赖于复杂的特征工程和模型设计，难以应对复杂的识别任务。近年来，随着深度学习技术的快速发展，特别是卷积神经网络（CNN）的广泛应用，手写数字识别问题得到了有效的解决。本项目旨在利用TensorFlow框架，基于卷积神经网络构建一个高效、准确的手写数字识别系统。二、项目目标本项目的主要目标是构建一个能够实时识别手写数字的系统，该系统能够自动从输入的手写数字图像中提取关键特征，并准确地分类出对应的数字。