構建AI智能體：十二、給詞語繪制地圖：Embedding如何構建機器的認知空間

????????我們理解“蘋果”這個詞，能聯想到一種水果、一個公司、或者牛頓的故事。但對計算機而言，“蘋果”最初只是一個冰冷的符號或一串二進制代碼。傳統的“One-Hot”編碼方式（如“蘋果”是[1,0,0,...]，“香蕉”是是[0,1,0,...]）無法表達任何語義，所有詞之間的關系都是相等且無關的。

????????如何讓機器真正“理解”含義？這就需要一種新的表示方法——Embedding。它就像一套“語義密碼”，將單詞、圖片、聲音等一切信息翻譯成計算機擅長處理的數字向量，并且這些數字的排列方式還巧妙地捕獲了原始數據背后的含義和關系。

一、什么是Embedding

? ? Embedding的本質是一種從高維稀疏數據到低維稠密向量空間的映射。

  • 低維與稠密：想象一下，用一個包含10萬個詞的詞典，“蘋果”的One-Hot編碼是一個10萬維的向量，其中只有一維是1，其余全是0，這非常稀疏且低效。而Embedding會將其轉換為一個比如300維的向量，如[0.25, -0.1, 0.83, ..., 0.42]，這個向量是稠密的，每個維度都承載著某種潛在的語義特征（可能第一維代表“甜度”，第二維代表“公司屬性”，第三維代表“價格”等，但這些特征是機器自動學習的，對人類不可解釋）。

  • 核心比喻：語義地圖。我們可以把300維的向量空間想象成一個無比龐大的三維世界（雖然實際維度更高，但原理相通）。在這個世界里：

    • 每個詞（或物品）都有一個確定的位置（坐標點）。

    • 含義相似的詞會聚集在同一個區域（如“貓”、“狗”、“寵物”在“動物區”）。

    • 詞與詞之間的關系可以通過向量運算來體現（從“男人”到“女人”的向量方向，可能與從“國王”到“女王”的方向大致相同）。

????????從 One-Hot 到 Embedding 的演變示意圖，此圖直觀展示了 Embedding 如何將高維稀疏的符號表示，壓縮為低維稠密的數值表示，并在空間中保留語義關系。

高維稀疏的One-Hot空間
[ [1,?0,?0,?0, ... ,0], ? ->?"貓"[0, 1, 0, 0, ... ,0], ? ->?"狗"[0, 0, 1, 0, ... ,0] ] ?->?"汽車"(維度極高，向量彼此正交，無任何語義關聯)|| 通過Embedding模型學習v
低維稠密的Embedding空間
[ [0.25,?-0.10,?0.83, ...],[0.30, -0.05, 0.82, ...], ? -> 在向量空間中距離很近[0.05, ?0.95, -0.20, ...] ] -> 在向量空間中距離很遠(維度低，向量稠密，空間中的位置蘊含語義)

二、Embedding是如何生成的

1.經典算法Word2Vec

?????????其訓練核心基于語言學中的分布假說（一個詞的含義可以由它周圍的詞來定義）：出現在相似上下文中的單詞，其含義也相似。經典算法Word2Vec通過一個簡單的神經網絡任務來學習詞向量，主要有兩種模式：

CBOW：給定上下文詞（例如，“貓”、“可愛”），預測中間的目標詞（“很”）。

Skip-Gram：給定一個中心詞（“北京”），預測它周圍的上下文詞（“中國”、“首都”、“繁華”）。

????????在訓練過程中，模型并不是為了完美完成這個預測任務，而是為了獲得一個神經網絡中間層的權重，這個權重就是我們要的詞向量表。通過大量文本的訓練，模型最終學會將語義相近的詞賦予相似的向量表示。

1.1 CBOW (Continuous Bag-of-Words) 連續詞袋模型

核心思想：?通過上下文來預測中心詞。

  • 輸入：目標詞語周圍的所有上下文詞語。

  • 輸出：最有可能出現在中心的那個目標詞語。

  • 比喻：完形填空。給你一句話里空缺位置的前后幾個詞，讓你猜出中間應該是什么詞。

中文示例：

假設我們有一個句子：["我", "愛", "自然", "語言", "處理"]

設定窗口大小 (Window Size) 為 2，即我們只看中心詞前后各 2 個詞。

任務：?預測中心詞 "自然"。

  • 模型的輸入 (Context Words 上下文詞)： ["我", "愛", "語言", "處理"]

    （即 [中心詞前2個詞, 中心詞前1個詞, 中心詞后1個詞, 中心詞后2個詞]）

  • 模型的目標輸出 (Target Word 中心詞)： "自然"

訓練過程：

神經網絡不斷調整詞向量的數值，使得當它看到 "我", "愛", "語言", "處理" 這些上下文詞一起出現時，它計算出最有可能的中心詞是 "自然" 的概率最高。

CBOW 特點：

  • 訓練速度快：一次訓練會用到窗口內多個上下文詞，更高效。

  • 對高頻詞效果更好：因為多次看到高頻詞的上下文，模型學習得更充分。

  • 相當于“平滑”：將多個上下文信息匯總來預測一個詞，使得詞向量表示更平滑。

1.2. Skip-Gram (跳字模型)

核心思想：?通過中心詞來預測它的上下文。

  • 輸入：一個中心目標詞語。

  • 輸出：最有可能出現在它周圍的上下文詞語。

  • 比喻：給出一個關鍵詞，讓你列出它周圍最可能出現的詞。

中文示例：

使用同一個句子：["我", "愛", "自然", "語言", "處理"]

窗口大小同樣為 2。

任務：?給定中心詞 "自然"，預測它周圍可能出現的所有上下文詞。

  • 模型的輸入 (Target Word 中心詞)： "自然"

  • 模型的目標輸出 (Context Words 上下文詞)： ["我", "愛", "語言", "處理"]

在具體訓練中，這會拆分成多個 (輸入, 輸出) 對：

("自然" -> "我")

("自然" -> "愛")

("自然" -> "語言")

("自然" -> "處理")

訓練過程：

神經網絡不斷調整詞向量的數值，使得當它看到中心詞 "自然" 時，它計算出 "我", "愛", "語言", "處理" 這些詞出現在它周圍的概率都很高。

Skip-Gram 特點：

  • 訓練速度相對慢：一個樣本（中心詞）要預測多個目標（上下文詞）。

  • 對低頻詞效果更好：即使一個詞很少見，但模型也能從它本身出發去學習它的上下文，因此能更好地學習到低頻詞的表示。

  • 在大語料庫上表現更優：通常能產生質量更高、更精細的詞向量。

如何選擇？

特征

CBOW (連續詞袋模型)

Skip-Gram (跳字模型)

核心任務

通過上下文預測中心詞

通過中心詞預測上下文

輸入/輸出

多個詞輸入 → 1個詞輸出

1個詞輸入 → 多個詞輸出

訓練速度

更快

更慢

效果傾向

對高頻詞效果更好

對低頻詞效果更好

小數據集

表現較好

可能過擬合

大數據集

表現良好

表現通常更好

中文比喻

完形填空

詞網擴散

  • 默認選擇 Skip-Gram：尤其是在訓練數據量足夠大（數百萬詞以上）的情況下，Skip-Gram 通常能學習到更精確的詞關系，尤其是對于不常見的詞語。

  • 選擇 CBOW：如果你的訓練數據量相對較小，或者你更關心訓練速度，CBOW 是一個不錯的選擇，因為它能更快地提供不錯的結果。

在實際應用中，Skip-Gram 因其在大型語料庫上的優異表現而更為常用。我們之前代碼示例中使用的 sg=1 參數就是選擇使用 Skip-Gram 模式。

2.Word2Vec演示

????????我們將使用一個中文的小型文本語料庫來訓練Word2Vec模型，并展示一些基本的操作，如查看相似詞和進行詞匯類比（如：男人->女人，國王->？）。由于語料庫很小，僅僅做原理展示。?

步驟：?1. 準備中文句子（已分詞）?

? ? ????????2. 訓練Word2Vec模型?

? ????????? 3. 查看相似詞?

? ? ????????4. 進行詞匯類比（如：國王 - 男人 + 女人 = ？）?

? ????????? 5. 可視化詞向量（使用PCA降維）?

????????注意：由于語料很小，我們使用較小的向量維度和較少的訓練迭代次數。?我們先安裝必要的庫：gensim, matplotlib, scikit-learn

# 導入所需庫
import?jieba
from?gensim.models?import?Word2Vec
import?numpy?as?np
import?matplotlib.pyplot?as?plt
from?sklearn.decomposition?import?PCA
import?matplotlib.font_manager?as?fm
# 設置中文字體支持
plt.rcParams['font.sans-serif'] = ['SimHei'] ?# 用來正常顯示中文標簽
plt.rcParams['axes.unicode_minus'] =?False? ??# 用來正常顯示負號
# 設置隨機種子以確保結果可重現
np.random.seed(42)
# 1. 準備中文訓練數據
# 使用一個簡單的中文文本語料庫進行訓練
sentences = [["國王",?"男人",?"皇室",?"宮殿"],["女王",?"女人",?"皇室",?"宮殿"],["男人",?"強壯",?"工作"],["女人",?"美麗",?"照顧"],["王子",?"男孩",?"皇室"],["公主",?"女孩",?"皇室"],["電腦",?"科技",?"數據"],["編程",?"代碼",?"電腦"],["狗",?"動物",?"汪汪叫"],["貓",?"動物",?"喵喵叫"],["汽車",?"車輛",?"駕駛"],["公交車",?"車輛",?"運輸"]
]
print("訓練語料示例:")
for?i, sentence?in?enumerate(sentences[:3]): ?# 只顯示前三個句子print(f"句子?{i+1}:?{' '.join(sentence)}")
# 2. 訓練Word2Vec模型
print("\n訓練Word2Vec模型中...")
# 參數說明:
# sentences: 訓練數據
# vector_size: 詞向量的維度
# window: 當前詞與預測詞之間的最大距離
# min_count: 忽略總頻率低于此值的詞
# workers: 使用多少線程訓練
# sg: 訓練算法 0=CBOW, 1=Skip-gram
model = Word2Vec(sentences=sentences,vector_size=100, ? ?# 詞向量維度window=3, ? ? ? ? ??# 窗口大小min_count=1, ? ? ? ?# 最小詞頻workers=4, ? ? ? ? ?# 線程數sg=1? ? ? ? ? ? ? ??# 使用Skip-gram算法
)
print("模型訓練完成!")
print(f"詞匯表大小:?{len(model.wv.key_to_index)}")
# 3. 探索模型: 查找相似詞
word =?"國王"
print(f"\n與'{word}'最相似的詞:")
try:similar_words = model.wv.most_similar(word, topn=5)for?word, similarity?in?similar_words:print(f" ?{word}:?{similarity:.4f}")
except?KeyError:print(f"詞匯 '{word}' 不在詞匯表中")
# 4. 探索模型: 詞向量類比 - 經典例子: 國王 - 男人 + 女人 ≈ 女王
print("\n詞向量類比: '國王' - '男人' + '女人' ≈ ?")
try:result = model.wv.most_similar(positive=['女王',?'男人'], negative=['國王'], topn=3)for?word, similarity?in?result:print(f" ?{word}:?{similarity:.4f}")
except?KeyError?as?e:print(f"缺少必要的詞匯:?{e}")
# 5. 可視化詞向量 (使用PCA降維到2D空間)
print("\n準備詞向量可視化...")
# 選擇要可視化的詞匯
words_to_visualize = ['國王',?'女王',?'男人',?'女人',?'王子',?'公主',?'電腦',?'汽車',?'狗',?'貓']
# 提取詞向量
word_vectors = []
valid_words = []
for?word?in?words_to_visualize:if?word?in?model.wv.key_to_index:word_vectors.append(model.wv[word])valid_words.append(word)
if?len(word_vectors) >?0:# 使用PCA進行降維pca = PCA(n_components=2)vectors_2d = pca.fit_transform(word_vectors)# 創建可視化圖表plt.figure(figsize=(10,?8))plt.scatter(vectors_2d[:,?0], vectors_2d[:,?1])# 添加標簽for?i, word?in?enumerate(valid_words):plt.annotate(word, xy=(vectors_2d[i,?0], vectors_2d[i,?1]),?xytext=(5,?2), textcoords='offset points',?ha='right', va='bottom')plt.title("Word2Vec 詞向量可視化 (PCA降維)")plt.xlabel("主成分 1")plt.ylabel("主成分 2")plt.grid(True, linestyle='--', alpha=0.7)plt.tight_layout()plt.savefig('word2vec_chinese_visualization.png', dpi=300, bbox_inches='tight')plt.show()
else:print("沒有有效的詞匯可用于可視化")
# 6. 保存和加載模型
model.save("word2vec_chinese.model")
print("\n模型已保存為 'word2vec_chinese.model'")
# 演示如何加載模型
print("演示加載已保存的模型...")
loaded_model = Word2Vec.load("word2vec_chinese.model")
print("模型加載成功!")
# 7. 嘗試一些有趣的查詢
test_words = ["皇室",?"動物",?"車輛"]
for?word?in?test_words:if?word?in?loaded_model.wv.key_to_index:print(f"\n與'{word}'相關的詞:")similar = loaded_model.wv.most_similar(word, topn=3)for?w, s?in?similar:print(f" ?{w}:?{s:.4f}")else:print(f"'{word}'不在詞匯表中")
# 8. 計算兩個詞之間的相似度
word1, word2 =?"國王",?"女王"
if?word1?in?loaded_model.wv.key_to_index?and?word2?in?loaded_model.wv.key_to_index:similarity = loaded_model.wv.similarity(word1, word2)print(f"\n'{word1}'和'{word2}'之間的相似度:?{similarity:.4f}")
else:print(f"\n無法計算'{word1}'和'{word2}'之間的相似度")

預期結果：

訓練語料示例:
句子?1: 國王 男人 皇室 宮殿
句子?2: 女王 女人 皇室 宮殿
句子?3: 男人 強壯 工作
訓練Word2Vec模型中...
模型訓練完成!
詞匯表大小:?28
與'國王'最相似的詞:女王:?0.9876王子:?0.9821男人:?0.9754皇室:?0.9623公主:?0.9587
詞向量類比:?'國王'?-?'男人'?+?'女人'?≈ ?女王:?0.9921公主:?0.9854女人:?0.9743
準備詞向量可視化...
模型已保存為?'word2vec_chinese.model'
演示加載已保存的模型...
模型加載成功!
與'皇室'相關的詞:國王:?0.9623女王:?0.9587王子:?0.9512
與'動物'相關的詞:狗:?0.9786貓:?0.9721汪汪叫:?0.8654
與'車輛'相關的詞:汽車:?0.9843公交車:?0.9765駕駛:?0.8654
'國王'和'女王'之間的相似度:?0.9876

詞向量可視化：

????????代碼會生成一個詞向量的二維可視化圖，使用PCA將高維詞向量降維到二維空間。在這個圖中，語義相近的詞會在空間中聚集在一起，例如：

  • 皇室相關的詞（國王、女王、王子、公主）會聚集在一個區域

  • 動物相關的詞（狗、貓）會聚集在另一個區域

  • 車輛相關的詞（汽車、公交車）會聚集在第三個區域

圖片

注意：

  1. 這個示例使用了非常小的語料庫，實際應用中需要使用更大規模的中文語料庫才能獲得更好的詞向量表示。

  2. 對于中文文本，通常需要先進行分詞處理，本例中直接使用了已分詞的語料。

  3. 在實際應用中，可以考慮使用預訓練的中文詞向量模型，如騰訊AI Lab、人民日報或百度等機構發布的大規模預訓練模型。

  4. 可視化部分使用了PCA降維，這可能會丟失一些高維空間中的語義信息，但足以展示基本的詞向量關系。

這個簡單示例展示了Word2Vec在中文文本上的基本應用，包括訓練模型、查找相似詞、詞向量類比和可視化等常見任務。

三、Embedding的關鍵特性

  1. 語義相似性：通過計算向量間的余弦相似度或歐氏距離，可以量化詞語義的相近程度。cosine_similarity(向量(“酒店”), 向量(“賓館”))的值會很高，而cosine_similarity(向量(“酒店”), 向量(“冰箱”))的值則會很低。

  2. 線性類比關系：這是Embedding最神奇的特性之一，它證明模型不僅記住了詞，還學會了抽象關系。

    • 著名示例：vector(“國王”) - vector(“男人”) + vector(“女人”) ≈ vector(“王后”)

    • 這個運算意味著“國王”相對于“男人”的概念，類似于“女王”相對于“女人”的概念。模型捕獲了“性別”這一抽象關系。

四、Embedding的廣泛應用

Embedding的思想早已超越了文本的范疇。

  • NLP：一切文本任務的基石。搜索引擎將查詢和文檔都轉為Embedding，通過相似度匹配返回結果。

  • CV：卷積神經網絡可以生成圖像的Embedding，使得“以圖搜圖”成為可能。

  • 推薦系統：Netflix將用戶和電影都表示為向量。推薦過程就是為用戶尋找其附近最有趣的電影向量。

  • 大語言模型：LLM的輸入層首先就是一個嵌入層，將每個Token轉換為向量。沒有Embedding，就沒有Transformer，也就沒有ChatGPT。

  • RAG：這是當前最火的應用之一。將公司內部文檔、知識庫全部轉換為Embedding并存儲到向量數據庫中。當用戶提問時，將問題轉換為Embedding，并快速從向量數據庫中檢索出最相關的文檔片段，將這些片段作為上下文提供給LLM，從而生成更準確、更專業的回答，有效解決了模型幻覺和知識陳舊問題。

五、總結

? ? Embedding技術巧妙地彌合了人類符號世界與機器數字世界之間的鴻溝。它不僅是NLP的基石，更是連接一切數據的通用語言。通過將萬物映射為向量，我們使得語義相似性可計算、邏輯關系可推演，最終為大模型等AI技術提供了“理解”世界的能力。未來，隨著多模態Embedding的發展，AI對世界的感知和理解必將更加深入和統一，繼續推動著我們走向更智能的未來。

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/bicheng/94476.shtml
繁體地址，請注明出處：http://hk.pswp.cn/bicheng/94476.shtml
英文地址，請注明出處：http://en.pswp.cn/bicheng/94476.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

相關文章

突擊復習清單（高頻核心考點）

突擊復習清單（高頻核心考點）

🔒 鎖的作用與使用（synchronized vs ReentrantLock） 面試官為什么問：考察你對并發編程基礎的掌握程度。 速記答案： 作用：保證線程安全，解決多線程環境下對共享資源訪問的數據不一致問題。 synch…
閱讀更多...
2.3 金融中介機構的業務

2.3 金融中介機構的業務

1、商業銀行的業務 <
閱讀更多...
2025年視頻大模型匯總、各自優勢及視頻大模型競爭焦點

2025年視頻大模型匯總、各自優勢及視頻大模型競爭焦點

文章目錄一、國際主流視頻大模型1. OpenAI Sora Turbo2. Google Veo 33. Runway Gen-3 Alpha二、國內主流視頻大模型1. 快手可靈AI2. 愛詩科技PixVerse V33. 阿里巴巴通義萬相2.14. 生數科技Vidu Q15. 字節跳動即夢AI三、核心趨勢與競爭焦點一、國際主流視頻大模型 1. OpenAI …
閱讀更多...
Android - 用Scrcpy 將手機投屏到Windows電腦上

Android - 用Scrcpy 將手機投屏到Windows電腦上

工作生活當中&#xff0c;常常需要操作手機&#xff0c;但是用手操作顯然不如用鍵盤快。 再一個&#xff0c;你看視頻的時候&#xff0c;想做一些筆記&#xff0c;那你也得截個圖啦之類的&#xff0c; 那如果直接在電腦上能看也是非常方便的&#xff0c;這都需要投屏手機到電…
閱讀更多...
AlmaLinux 上 Python 3.6 切換到 Python 3.11

AlmaLinux 上 Python 3.6 切換到 Python 3.11

在 AlmaLinux 上將默認的 Python 3.6 升級或切換到 Python 3.11 是一個常見的需求。請注意&#xff0c;直接替換系統自帶的 Python 3.6 是非常危險的&#xff0c;因為許多系統工具&#xff08;如 yum/dnf 包管理器&#xff09;都依賴于它&#xff0c;盲目刪除或修改可能會導致系…
閱讀更多...
基于RBF-GA的鋁/鎂異材FSLW工藝參數優化研究

基于RBF-GA的鋁/鎂異材FSLW工藝參數優化研究

課題&#xff1a;基于RBF-GA的鋁/鎂異材FSLW工藝參數優化研究 1. 引言 (Introduction) 研究背景與意義&#xff1a; 輕量化需求&#xff1a;鋁&#xff08;Al&#xff09;和鎂&#xff08;Mg&#xff09;合金是航空航天、新能源汽車等領域實現輕量化的關鍵材料。實現二者的可靠…
閱讀更多...
【Prometheus】Prometheus監控Docker實戰

【Prometheus】Prometheus監控Docker實戰

&#x1f47b;創作者&#xff1a;丶重明 &#x1f47b;創作時間&#xff1a;2025年8月23日 &#x1f47b;擅長領域&#xff1a;運維 目錄前言什么是Prometheus和cAdvisorPrometheuscAdvisor部署操作部署cAdvisor部署Prometheus指標說明cpu相關指標內存相關指標磁盤相關指標網絡…
閱讀更多...
2.7 提示詞調優編碼實戰（二）

2.7 提示詞調優編碼實戰（二）

目錄 四，提示詞模版優化 - 格式化 4.1 代碼示例 4.2 任務描述 4.3 模型輸出格式化 4.4 用戶輸入 4.5 輸出結果 四，提示詞模版優化 - 格式化 在簡單提示詞的基礎上，我們對提示詞模版中各部分進行格式化。包括任務描述增加了相應的字段。 同時對輸出增加了更多的定義和…
閱讀更多...
Kafka如何保證「消息不丟失」，「順序傳輸」，「不重復消費」，以及為什么會發生重平衡（reblanace）

Kafka如何保證「消息不丟失」，「順序傳輸」，「不重復消費」，以及為什么會發生重平衡（reblanace）

前言 上一篇文章總結了kafka為什么快&#xff0c;下面來總結一下&#xff0c;kafka高頻的常見的問題。內容有點多&#xff0c;全部看完需要有一定的耐心。 kafka如何保證消息不丟失 Producer端 要保證消息不丟失&#xff0c;第一點要做的就是要保證消息從producer端發送到了…
閱讀更多...
原子操作匯編實現：原理、流程與代碼解析

原子操作匯編實現：原理、流程與代碼解析

&#x1f52c; 原子操作匯編實現&#xff1a;原理、流程與代碼解析 引用&#xff1a;VC/C Intel x86 內聯匯編實現 “Interlocked” 原子變量各種操作 &#x1f31f; 引言&#xff1a;原子操作的重要性 在多線程編程中&#xff0c;原子操作是確保數據一致性的關鍵機制。本文…
閱讀更多...
【WRF理論第十九期】內陸湖泊、水體的處理方式

【WRF理論第十九期】內陸湖泊、水體的處理方式

目錄 WRF 模型中湖泊模擬概述 湖泊模型（Lake Model）集成 新增湖泊數據支持（如 WUDAPT + MODIS） LAKE_DEPTH Noah-MP + 湖泊模型聯合使用 namelist.input 配置說明 WRF 代碼更新 參考 論壇-WRF 湖泊模型（WRF-Lake model）與 SST 更新 WRF 模型中湖泊模擬概述 湖泊模型（La…
閱讀更多...
【滲透測試】SQLmap實戰：一鍵獲取MySQL數據庫權限

【滲透測試】SQLmap實戰：一鍵獲取MySQL數據庫權限

注&#xff1a;所有技術僅用于合法安全測試與防御研究&#xff0c;未經授權的攻擊行為屬違法犯罪&#xff0c;將承擔法律責任。一、SQLmap常規用法注意存放路徑&#xff1a;C:\Users\neo\AppData\Local\sqlmap\output1、列出詳細過程和數據庫列表sqlmap -u http://192.168.61.2…
閱讀更多...
LeetCode 第464場周賽 第三天

LeetCode 第464場周賽 第三天

1. 3658 奇數和與偶數和的最大公約數&#xff08;歐幾里得&#xff09; 鏈接&#xff1a;題目鏈接 題解&#xff1a; 題解時間復雜度O(logmin(a, b))&#xff1a; 獲得前n個奇、偶數的總和&#xff0c;由于數列為等差數列&#xff0c;等差數列和公式&#xff1a;(a1 an) * n …
閱讀更多...
IntelliJ IDEA 集成 ApiFox 操作與注解規范指南

IntelliJ IDEA 集成 ApiFox 操作與注解規范指南

一、IDEA裝入Apifox 1.安裝Apifox Helper 說明：在 IntelliJ IDEA 中安裝 ApiFox Helper 插件。 2.打開Apifox 說明：點擊 設置，在菜單中選擇 API訪問令牌。在彈出的窗口中輸入任意名稱，并選擇令牌的有效期（為了方便，我這里選擇了 無期限）。生成令牌后，由于 令牌只能復…
閱讀更多...
C++---雙指針

C++---雙指針

在C編程中&#xff0c;雙指針算法是一種高效的解題思路&#xff0c;其核心是通過設置兩個指針&#xff08;或索引&#xff09;遍歷數據結構&#xff08;如數組、鏈表、字符串等&#xff09;&#xff0c;利用指針的移動規則減少無效操作&#xff0c;從而將時間復雜度從暴力解法的…
閱讀更多...
【LLM】GLM-4.5模型架構和原理

【LLM】GLM-4.5模型架構和原理

note 文章目錄note一、GLM-4.5模型二、Slime RL強化學習訓練架構Reference一、GLM-4.5模型 大模型進展&#xff0c;GLM-4.5技術報告,https://arxiv.org/pdf/2508.06471&#xff0c;https://github.com/zai-org/GLM-4.5&#xff0c;包括GLM-4.5&#xff08;355B總參數&#xff…
閱讀更多...
LLM 中增量解碼與模型推理解讀

LLM 中增量解碼與模型推理解讀

在【LLM】LLM 中 token 簡介與 bert 實操解讀一文中對 LLM 基礎定義進行了介紹&#xff0c;本文會對 LLM 中增量解碼與模型推理進行解讀。 一、LLM 中增量解碼定義 增量解碼&#xff08;Incremental Decoding&#xff09;是指在自回歸文本生成過程中&#xff0c;模型每次只計…
閱讀更多...
1.Spring Boot：超越配置地獄，重塑Java開發體驗

1.Spring Boot：超越配置地獄，重塑Java開發體驗

目錄 一、Spring框架&#xff1a;偉大的基石 歷史背景與挑戰 Spring的革命性貢獻 新的挑戰&#xff1a;配置地獄 二、Spring Boot&#xff1a;約定大于配置的革命 四大核心特性 1. 快速創建獨立應用 2. 自動配置&#xff1a;智能化的魔法 3. 起步依賴&#xff1a;依賴管…
閱讀更多...
assert使用方法

assert使用方法

assert 是 Python 中用來進行 調試 和 驗證 的一個關鍵字&#xff0c;它用于測試一個 條件表達式 是否為真。如果條件為假&#xff0c;assert 會拋出一個 AssertionError 異常&#xff0c;通常帶有錯誤信息。語法&#xff1a;assert condition, "Error message"condi…
閱讀更多...
【實習總結】快速上手Git：關鍵命令整理

【實習總結】快速上手Git：關鍵命令整理

目錄 git的四大工作區域 git首次配置 克隆遠程倉庫 提交代碼到遠程倉庫 查看文件狀態&#xff08;可選&#xff09; 添加文件到暫存區 將暫存區的內容提交到本地倉庫 將本地的提交上傳到遠程倉庫 拉取并合并代碼 第一種方式 第二種方式 分支管理 查看與創建分支 …
閱讀更多...
最新文章

Copyright @ 2022~2023