173-基于Flask的微博輿情數據分析系統

基于Flask的微博輿情數據分析系統 - 技術實現與架構設計

本文詳細介紹了一個基于Flask框架開發的微博輿情數據分析系統，包含數據爬取、情感分析、可視化展示等完整功能模塊。

📋 目錄

  • 項目概述
  • 技術棧
  • 系統架構
  • 目錄結構
  • 核心功能模塊
  • 代碼實現
  • 數據可視化
  • 部署與運行
  • 項目特色
  • 技術難點與解決方案
  • 總結與展望
  • 聯系方式

🎯 項目概述

本項目是一個基于Flask框架開發的微博輿情數據分析系統，主要功能包括：

  • 數據采集：自動化爬取微博文章、評論、導航數據
  • 情感分析：基于機器學習的情感傾向分析
  • 數據可視化：多種圖表展示分析結果
  • 用戶管理：完整的用戶注冊登錄系統
  • 響應式界面：現代化的Web界面設計

系統采用前后端分離的架構設計，后端提供RESTful API，前端使用現代化的HTML5+CSS3+JavaScript技術棧，為用戶提供直觀、高效的數據分析體驗。

項目源碼獲取，碼界筑夢坊各平臺同名，博客底部含聯系方式卡片，歡迎咨詢！

項目演示

🐦?🔥 項目源碼獲取，碼界筑夢坊各平臺同名，博客底部含聯系方式卡片，歡迎咨詢！

基于Python的微博輿情可視化分析系統

在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述

在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述
在這里插入圖片描述

🛠? 技術棧

后端技術

  • Web框架: Flask 2.0.3
  • 數據庫: MySQL + SQLAlchemy 1.4.49
  • 數據處理: Pandas 1.1.5, NumPy 1.19.5
  • 機器學習: Scikit-learn 1.4.2
  • 中文分詞: jieba 0.42.1
  • 情感分析: SnowNLP 0.12.3
  • 數據可視化: Matplotlib 3.3.4, WordCloud 1.9.2
  • HTTP請求: Requests 2.25.1
  • 圖像處理: Pillow 10.3.0

前端技術

  • HTML5: 語義化標簽，響應式設計
  • CSS3: 現代化樣式，動畫效果
  • JavaScript: ES6+語法，模塊化開發
  • 圖表庫: ECharts 數據可視化
  • UI框架: 自定義CSS框架
  • 響應式: 移動端適配

開發工具

  • 版本控制: Git
  • 數據庫管理: MySQL Workbench
  • 代碼編輯器: VS Code / PyCharm
  • 瀏覽器: Chrome DevTools

🏗? 系統架構

┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   前端展示層     │    │   業務邏輯層     │    │   數據存儲層     │
│                 │    │                 │    │                 │
│  HTML/CSS/JS    │?──?│   Flask路由     │?──?│   MySQL數據庫   │
│  ECharts圖表    │    │   業務處理      │    │   CSV文件       │
│  響應式界面     │    │   數據驗證      │    │   模型文件      │
└─────────────────┘    └─────────────────┘    └─────────────────┘│                       │                       ││                       │                       │▼                       ▼                       ▼
┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   數據采集模塊   │    │   情感分析模塊   │    │   用戶管理模塊   │
│                 │    │                 │    │                 │
│  微博爬蟲       │    │   ML模型訓練     │    │   認證授權      │
│  數據清洗       │    │   情感分類       │    │   權限控制      │
│  存儲管理       │    │   結果輸出       │    │   會話管理      │
└─────────────────┘    └─────────────────┘    └─────────────────┘

📁 目錄結構

flask_weiboyuqing/
├── app.py                          # Flask應用主文件
├── requirements.txt                # Python依賴包列表
├── design_173_wb.sql              # 數據庫設計文件
├── model/                         # 機器學習模型模塊
│   ├── cipingTotal.csv           # 詞頻統計數據
│   ├── cipingTotal.py            # 詞頻統計處理
│   ├── cutComments.py            # 評論分詞處理
│   ├── trainModel.py             # 模型訓練腳本
│   └── yuqing.py                 # 輿情分析核心
├── spider/                        # 數據爬取模塊
│   ├── main.py                   # 爬蟲主程序
│   ├── spiderComments.py         # 評論爬取
│   ├── spiderContent.py          # 內容爬取
│   ├── spiderNav.py              # 導航數據爬取
│   └── *.csv                     # 爬取數據文件
├── static/                        # 靜態資源文件
│   ├── css/                      # 樣式文件
│   ├── js/                       # JavaScript文件
│   ├── image/                    # 圖片資源
│   ├── font/                     # 字體文件
│   └── picture/                  # 頁面圖片
├── templates/                     # HTML模板文件
│   ├── 404.html                  # 錯誤頁面
│   └── error.html                # 錯誤處理
├── utils/                         # 工具函數模塊
│   ├── errorResponse.py          # 錯誤響應處理
│   ├── getEchartsData.py         # ECharts數據生成
│   ├── getHomePageData.py        # 首頁數據獲取
│   ├── getHotWordPageData.py     # 熱詞頁面數據
│   ├── getPublicData.py          # 公共數據接口
│   ├── getTableData.py           # 表格數據獲取
│   └── query.py                  # 數據庫查詢
└── views/                         # 視圖模塊├── page/                      # 頁面視圖│   ├── page.py               # 頁面路由│   └── templates/            # 頁面模板└── user/                      # 用戶管理視圖├── user.py               # 用戶相關路由└── templates/            # 用戶頁面模板

🔧 核心功能模塊

1. 數據采集模塊 (Spider)

數據采集模塊負責從微博平臺獲取原始數據，包括文章內容、用戶評論、導航信息等。

主要特性：

  • 多線程并發爬取
  • 反爬蟲策略
  • 數據清洗與預處理
  • 增量更新機制
  • 異常處理與重試

核心代碼結構：

# spider/main.py
import requests
import pandas as pd
from concurrent.futures import ThreadPoolExecutorclass WeiboSpider:def __init__(self):self.headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36'}self.session = requests.Session()def crawl_articles(self, urls):"""爬取文章數據"""with ThreadPoolExecutor(max_workers=5) as executor:results = list(executor.map(self._fetch_article, urls))return pd.DataFrame(results)def _fetch_article(self, url):"""獲取單篇文章數據"""try:response = self.session.get(url, headers=self.headers)# 數據解析邏輯return self._parse_article(response.text)except Exception as e:print(f"爬取失敗: {url}, 錯誤: {e}")return None

2. 情感分析模塊 (Model)

情感分析模塊使用機器學習技術對文本內容進行情感傾向分析。

技術實現：

  • 基于SnowNLP的情感分析
  • 自定義情感詞典
  • 機器學習模型訓練
  • 結果置信度評估

核心代碼結構：

# model/yuqing.py
from snownlp import SnowNLP
import jieba
import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNBclass SentimentAnalyzer:def __init__(self):self.model = Noneself.vectorizer = TfidfVectorizer()self.load_model()def analyze_sentiment(self, text):"""分析文本情感傾向"""# 文本預處理processed_text = self._preprocess_text(text)# 使用SnowNLP進行情感分析s = SnowNLP(processed_text)sentiment_score = s.sentiments# 情感分類if sentiment_score > 0.6:return "正面", sentiment_scoreelif sentiment_score < 0.4:return "負面", sentiment_scoreelse:return "中性", sentiment_scoredef train_custom_model(self, training_data):"""訓練自定義情感分析模型"""# 特征提取X = self.vectorizer.fit_transform(training_data['text'])y = training_data['label']# 模型訓練self.model = MultinomialNB()self.model.fit(X, y)return self.model

3. 數據可視化模塊 (Utils)

數據可視化模塊負責將分析結果以圖表形式展示，提供直觀的數據洞察。

支持的圖表類型：

  • 詞云圖 (WordCloud)
  • 柱狀圖 (Bar Chart)
  • 餅圖 (Pie Chart)
  • 折線圖 (Line Chart)
  • 地圖可視化 (Map Visualization)

核心代碼結構：

# utils/getEchartsData.py
import json
import pandas as pd
from collections import Counterclass ChartDataGenerator:def __init__(self):self.chart_types = ['bar', 'pie', 'line', 'wordcloud']def generate_wordcloud_data(self, text_data):"""生成詞云圖數據"""# 分詞統計words = []for text in text_data:words.extend(jieba.cut(text))# 詞頻統計word_freq = Counter(words)# 過濾停用詞stop_words = self._load_stop_words()filtered_freq = {k: v for k, v in word_freq.items() if k not in stop_words and len(k) > 1}# 轉換為ECharts格式chart_data = [{'name': word, 'value': freq} for word, freq in filtered_freq.most_common(100)]return {'type': 'wordcloud','data': chart_data}def generate_sentiment_chart(self, sentiment_data):"""生成情感分析圖表數據"""sentiment_counts = sentiment_data['sentiment'].value_counts()return {'type': 'pie','data': [{'name': k, 'value': v} for k, v in sentiment_counts.items()],'title': '情感分布分析'}

4. Web應用框架 (Flask)

Flask應用提供Web界面和API接口，實現前后端交互。

主要路由：

  • 首頁展示
  • 數據查詢接口
  • 用戶認證
  • 圖表數據接口

核心代碼結構：

# app.py
from flask import Flask, render_template, jsonify, request
from flask_sqlalchemy import SQLAlchemy
from views.page.page import page_bp
from views.user.user import user_bpapp = Flask(__name__)
app.config['SECRET_KEY'] = 'your-secret-key'
app.config['SQLALCHEMY_DATABASE_URI'] = 'mysql://user:password@localhost/weibo_db'db = SQLAlchemy(db)# 注冊藍圖
app.register_blueprint(page_bp)
app.register_blueprint(user_bp)@app.route('/api/data/<data_type>')
def get_data(data_type):"""獲取數據接口"""try:if data_type == 'sentiment':data = get_sentiment_data()elif data_type == 'wordcloud':data = get_wordcloud_data()else:return jsonify({'error': '不支持的數據類型'}), 400return jsonify({'success': True, 'data': data})except Exception as e:return jsonify({'error': str(e)}), 500@app.errorhandler(404)
def not_found(error):return render_template('404.html'), 404if __name__ == '__main__':app.run(debug=True, host='0.0.0.0', port=5000)

📊 數據可視化

1. 詞云展示

系統支持多種詞云展示方式，包括：

  • 文章內容詞云
  • 評論內容詞云
  • 用戶名稱詞云
  • 自定義關鍵詞詞云

2. 情感分析圖表

  • 情感分布餅圖
  • 情感趨勢折線圖
  • 情感強度熱力圖
  • 情感變化時間軸

3. 數據統計圖表

  • 數據量統計柱狀圖
  • 用戶活躍度分析
  • 內容熱度排行
  • 地理分布地圖

🚀 部署與運行

環境要求

  • Python 3.7+
  • MySQL 5.7+
  • 內存: 4GB+
  • 存儲: 10GB+

安裝步驟

  1. 克隆項目
git clone <repository-url>
cd flask_weiboyuqing
  1. 安裝依賴
pip install -r requirements.txt
  1. 配置數據庫
mysql -u root -p < design_173_wb.sql

  1. 修改配置
    編輯 app.py 中的數據庫連接信息

  2. 運行應用

python app.py

生產環境部署

# 使用Gunicorn部署
pip install gunicorn
gunicorn -w 4 -b 0.0.0.0:5000 app:app# 使用Nginx反向代理
# 配置Nginx配置文件

? 項目特色

1. 技術先進性

  • 采用最新的Flask 2.0框架
  • 集成機器學習情感分析
  • 支持大數據量處理
  • 模塊化架構設計

2. 功能完整性

  • 從數據采集到分析展示的完整流程
  • 支持多種數據源和格式
  • 豐富的可視化圖表類型
  • 完善的用戶權限管理

3. 可擴展性

  • 插件化的模塊設計
  • 支持自定義分析模型
  • 靈活的配置管理
  • 易于二次開發

4. 用戶體驗

  • 響應式Web界面
  • 直觀的數據展示
  • 快速的數據查詢
  • 友好的錯誤提示

🔍 技術難點與解決方案

1. 反爬蟲策略

問題: 微博平臺有嚴格的反爬蟲機制
解決方案:

  • 隨機User-Agent輪換
  • 請求頻率控制
  • IP代理池使用
  • 模擬真實用戶行為

2. 中文文本處理

問題: 中文分詞和情感分析的準確性
解決方案:

  • 使用jieba分詞器
  • 自定義情感詞典
  • 結合SnowNLP和機器學習
  • 持續優化模型

3. 大數據量處理

問題: 大量數據的存儲和查詢性能
解決方案:

  • 數據庫索引優化
  • 分頁查詢實現
  • 緩存機制使用
  • 異步處理任務

4. 實時數據更新

問題: 保持數據的實時性和準確性
解決方案:

  • 定時任務調度
  • 增量更新機制
  • 數據版本控制
  • 異常重試機制

📈 性能優化

1. 數據庫優化

  • 建立合適的索引
  • 查詢語句優化
  • 連接池管理
  • 讀寫分離

2. 緩存策略

  • Redis緩存熱點數據
  • 瀏覽器緩存靜態資源
  • 數據庫查詢緩存
  • 計算結果緩存

3. 并發處理

  • 多線程爬蟲
  • 異步任務處理
  • 負載均衡
  • 資源池管理

🔮 總結與展望

項目成果

本項目成功實現了一個功能完整、性能穩定的微博輿情數據分析系統，在以下方面取得了顯著成果：

  1. 技術架構: 采用現代化的技術棧，實現了高內聚、低耦合的系統設計
  2. 功能完整性: 覆蓋了從數據采集到分析展示的完整業務流程
  3. 性能表現: 通過多種優化手段，實現了良好的系統性能
  4. 用戶體驗: 提供了直觀、易用的Web界面

技術價值

  • 展示了Flask框架在企業級應用中的強大能力
  • 驗證了機器學習在文本分析中的實際應用價值
  • 提供了完整的數據分析系統開發參考

未來展望

  1. 功能擴展: 支持更多社交媒體平臺的數據分析
  2. 技術升級: 集成深度學習模型，提升分析準確性
  3. 性能優化: 引入分布式架構，支持更大規模數據處理
  4. 用戶體驗: 開發移動端應用，提供更便捷的訪問方式

📞 聯系方式

碼界筑夢坊 - 專注技術分享與創新 各平臺同名

本文檔持續更新中，如有問題或建議，歡迎通過以上平臺聯系交流。

最后更新時間: 2025年8月

許可證: MIT License

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/94479.shtml
繁體地址，請注明出處：http://hk.pswp.cn/bicheng/94479.shtml
英文地址，請注明出處：http://en.pswp.cn/bicheng/94479.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

美股期權歷史市場數據波動特性分析

美股期權歷史市場數據波動特性分析

標題&#xff1a;基于本地CSV數據的美股期權分析與應用實踐 在金融量化研究領域&#xff0c;本地CSV數據的高效應用是開展美股期權研究的重要基礎。本文將圍繞美股期權日級別行情數據、波動率分析及策略構建的核心流程&#xff0c;詳細介紹從數據預處理到實際場景落地的關鍵方…
閱讀更多...
VUE從入門到精通二：ref、reactive、computed計算屬性、watch監聽、組件之間的通信

VUE從入門到精通二：ref、reactive、computed計算屬性、watch監聽、組件之間的通信

目錄 一、ref、reactive創建響應式對象 1、ref() 2、reactive() 3、ref和reactive的區別 二、computed計算屬性 1、什么是計算屬性computed 2、計算屬性computed和函數方法的區別 3、計算屬性computed的優勢 三、watch監聽函數 1、什么是watch&#xff1f; 2、基本語…
閱讀更多...
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

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&#xff0c;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&#xff0c;“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&#xff08;如“蘋果”是[1,0,0,...]&#xff0c;“香蕉”是是[0,1,0,...]&#xff…
閱讀更多...
突擊復習清單（高頻核心考點）

突擊復習清單（高頻核心考點）

&#x1f512; 鎖的作用與使用&#xff08;synchronized vs ReentrantLock&#xff09; 面試官為什么問&#xff1a;考察你對并發編程基礎的掌握程度。 速記答案&#xff1a; 作用&#xff1a;保證線程安全&#xff0c;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...
最新文章

Copyright @ 2022~2023