Python
机器学习之K近邻算法实现
import operator from numpy import array, tile def create_dataset(): _dataset = array([[1.0, 1.1], [1.0, 1.0], [0, 0], [0, 0.1]]) _labels = ['A', 'A', 'B', 'B'] return _dataset, _labels
本地部署GLM-4-9B清华智谱开源大模型方法和对话效果体验
GLM-4-9B是清华大学和智谱AI推出的最新一代预训练模型GLM-4系列中的开源版本。在语义、数学、推理、代码和知识等多方面的数据集测评中，GLM-4-9B及其人类偏好对齐的版本GLM-4-9B-Chat均表现出较高的性能，其通用能力评测结果甚至超越了Llama-3-8B开源大模型，多模态版本也与GPT-4版本齐平。 除了能进行多轮对话，GLM-4-9B-Chat还具备网页浏览、代码执行、自定义
【GUI软件】快手评论区采集：自动采集10000多条，含二级评论、展开评论！
一、背景说明 1.1 效果演示 用python开发了一个爬虫采集软件，可自动抓取快手评论数据，并且含二级评论！ 为什么有了源码还开发界面软件呢？方便不懂编程代码的小白用户使用，无需安装python、无需懂代码，双击打开即用！ 软件界面截图： 爬取结果截图： 结果截图1： 结果截图2： 结果截图3： 以上。 1.2 演示视频 软件运行演示视频：见原文 1.3 软件说明 几点重要说明： 二、代码讲解
JSON及Python操作JSON相关
JSON及Python操作JSON相关 Json简介及Python操作Json相关示例。 1. JSON概念及支持的数据类型 1.1 什么是 JSON？ JSON（JavaScript Object Notation）是一种轻量级的数据交换格式，易于人阅读和编写，同时也易于机器解析和生成。尽管 JSON 源于 JavaScript，它与编程语言无关，目前被广泛应用于各种编程语言中。 1.2 JSO
OpenAI正式发布第一个官方.NET版本库的测试版
尽管 Microsoft 和 OpenAI 长期以来一直是紧密相连的合作伙伴，但他们现在才开始为 .NET 开发人员发布官方 OpenAI 库，加入现有的社区库。这项工作的第一个测试版是支持 .NET 6 和 .NET Standard 2.0 的 OpenAI NuGet 包，现在是 2.0.0-beta.3 [1]版本，列出了大约 872,000 次下载。 在上个月的Microsoft Bu
告别Word，用Python打造你的专业简历！
今天给大家介绍下一个在纯 python 中构建简历的实用工具，工具的连接地址https://github.com/koek67/resume-builder/blob/main/readme.md 用法介绍 要求 Python 3.7 或更高版本（仅此而已！） 安装 整个库是一个单独的 python 文件 resume_builder.py。下载此文件 用法 要生成简历，只需要执行：python
conda的配置文件.condarc频道优先级和定义频道
先观察清华源的conda配置文件： 频道的结论 我没有看官方的文档，太多了，直接实践吧。 结论1：频道名其实就是目录名。比如：pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud 在cloud目录下，必然有一个pytorch目录，这就是频道的实现方式，用目录名映射频道名。 频道的优先级 猜测就是开头的channel按出现的顺序定
Notes of Retrieval Augmented Generation(RAG) from LangChain
reference: https://python.langchain.com/v0.2/docs/tutorials/rag/
Kernel 优化架构分析
Kernel 优化架构分析 推理引擎的 Kernel 层通常是推理引擎中用于执行底层数学运算的组件。在深度学习模型推理过程中，需要对大量数据进行高效的数学运算，如矩阵乘法、卷积、池化等。Kernel 层就是实现这些运算的核心部分，它直接影响着推理引擎的速度和效率。本章将从四个方面对推理引擎的 Kernel 优化方面进行介绍。 在算法优化方面，主要针对卷积算子的计算进行优化。卷积操作是深度学习模型中
python: collections counter
entrance_fee = [70, 80, 105, 110, 120, 125] entrance_fee = entrance_fee + [0] index =6 k = 0 while k<6 and index==6: # 因为这里index 是6 ，初始值必须是6 if 115<entrance_f
代码随想录算法训练营第三天 | 203.移除链表元素 707.设计链表 206.反转链表
python定义链表 val：数据域，节点存储的元素。 next：指针域，指向下一个节点的指针，最后一个节点指向None表示空指针。 点击查看代码 203.移除链表元素 题目：给你一个链表的头节点 head 和一个整数 val ，请你删除链表中所有满足 Node.val == val 的节点，并返回 新的头节点 。 解题： 思路：要区别是不是头节点。可以按两个规则来删除，也可以使用虚拟头节点
scrapy-分布式爬虫
一 介绍 原来scrapy的Scheduler维护的是本机的任务队列（存放Request对象及其回调函数等信息）+本机的去重队列（存放访问过的url地址） 所以实现分布式爬取的关键就是，找一台专门的主机上运行一个共享的队列比如Redis，然后重写Scrapy的Scheduler，让新的Scheduler到共享队列存取Request，并且去除重复的Request请求，所以总结下来，实现分布式的关
scrapy框架详解
一 介绍 Scrapy一个开源和协作的框架，其最初是为了页面抓取 (更确切来说, 网络抓取 )所设计的，使用它可以以快速、简单、可扩展的方式从网站中提取所需的数据。但目前Scrapy的用途十分广泛，可用于如数据挖掘、监测和自动化测试等领域，也可以应用在获取API所返回的数据(例如 Amazon Associates Web Services ) 或者通用的网络爬虫。
Dragon_Knight_CTF-stack（栈迁移）
Dragon_Knight_CTF-stack（栈迁移） 程序的保护情况如下，可以看到没有开启pie保护 可以看道main函数也很简洁，只有一个0x10大小的溢出，程序给了libc，版本是2.31的 思路分析 思路一： 可以看到返回地址是一个libc地址，我们只要将这个地址改成og地址就能拿到shell了，只不过这个比较看脸，1/4096的概率，理论上是可以拿到shell的，开多线程的话机会
node和node-gyp 版本不一致以及npm install出现的问题
背景：导入Vue的环境时，需要执行命令：npm install，出现node和node-gyp 版本不一致 报错信息如下 npm error gyp ERR! node -v v20.13.1 npm error gyp ERR! node-gyp -v v3.8.0 npm error gyp ERR! not ok npm error Build failed with error code:
__init__.py
在Python的项目中，通常会看到__init__.py文件，当我们导入这个项目时，会优先执行该项目的__init__.py文件。 当我们导入这个项目。或者这个项目的子模块时，都会优先执行该项目下的__init__.py文件。 该过程有缓存机制，连续导入一个父模块的不同子模块时，只会执行一次父模块的__init__.py
Python JSON教学
JSON及Python操作JSON相关 Json简介及Python操作Json相关示例。 1. JSON概念及支持的数据类型 1.1 什么是 JSON？ JSON（JavaScript Object Notation）是一种轻量级的数据交换格式，易于人阅读和编写，同时也易于机器解析和生成。尽管 JSON 源于 JavaScript，它与编程语言无关，目前被广泛应用于各种编程语言中。 1.2 JSO
NSSCTF——crypto
[鹤城杯 2021]easy_crypto [强网拟态 2021]拟态签到题 [SWPUCTF 2021 新生赛]crypto8[SWPUCTF 2021 新生赛]crypto7[SWPUCTF 2021 新生赛]crypto6[SWPUCTF 2021 新
BionetServer-No1使用说明-进阶（Docker方式）
BionetServer-No1使用说明-进阶（Docker方式） Version:1.0 基础篇更新记录： 简化了文档的内容，拆分了文档分为入门和进阶使用，Docker版本添加R的使用，删除了Matlab版本的内容，请使用桌面版本。 Date: 2024.06.07 Authors：NeoNeuxs 目录BionetServer-No1使用说明-进阶（Docker方式）开发的最佳实践Doc
【视频讲解】卷积神经网络CNN肿瘤图像识别3实例附代码数据
全文链接：https://tecdat.cn/?p=36417 原文出处：拓端数据部落公众号 分析师：Ziyi Huang 本研究探讨了卷积神经网络（CNN）在肿瘤识别领域的应用，特别是利用VGG16模型进行图像分类的性能。通过对肿瘤图像数据集的预处理、数据分割、模型构建、训练及评估，我们对比了普通CNN与VGG16在肿瘤识别任务上的表现。本文将通过视频讲解，展示如何用卷积神经网络CNN对肿瘤图像
智能电网的电能预估及价值分析
智能电网的电能预估及价值分析 一、实验目的与要求 1、掌握使用pandas库处理数据的基本方法。 2、掌握对时间序列类数据预处理的基本方法。 3、掌握使用matplotlib结合pandas库对数据分析可视化处理的基本方法。 二、实验内容 1、利用python中pandas等库读取数据，并完成数据的预处理。 2、利用matplotlib等库完成对数据的可视化。 3、使用Sklearn库的相关系数建
CSS之盒子模型, CSS之浮动,溢出属性,头像案例,定位,z-index模态框,透明度opacity,JavaScript引入,JavaScript之数据类型,数值类型(Number),Boolean 布尔类型
Ⅰ CSS之盒子模型 【一】盒子模型 【1】什么是盒子模型 盒子模型（Box Model）是指在网页设计中，用于描述和布局元素的一种模型。 它将每个元素看作是一个具有四个边界的矩形盒子，包括内容区域（content）、内边距（padding）、边框（border）和外边距（margin）。 【2】盒子模型的组成部分 内容区域（Content）： 盒子的实际内容，如文本、图像等。 内边距
PyTorch实现多分类任务
import torch import torch.nn as nn import torch.optim as optim '''定义模型''' class SimpleModel(nn.Module): ''' 方便理解，这里只定义了一层网络 input_size: 输入维度（这里表示每个样本的特征数量） num_classes: 输出维度（这里表示类别数量
自动化搭建专属 AI 绘图服务
通义万相AIGC技术已经比较成熟，结合阿里云的计算和存储产品可以方便的搭建自己专属的 AI 绘图服务。例如《创意加速器：AI 绘画创作》这个解决方案，利用阿里自研的通义万相AIGC技术在 Web 服务中实现先进的图像生成。 AI 绘画服务搭建步骤 从架构图中可以看到，要想搭建这样一套服务，大概分为 2 个步骤 创
[设计模式 1] 设计模式笔记（大话设计模式总结）
设计模式总结 (java版 1) 1. 简单工厂模式 需求： 设计一个计算器， 有一个抽象的运算类，他里边有两个数字属性和一个getResult()抽象方法，这个类被四个加减乘除的具体的算法类继承，然后有一个简单工厂类，这个简称工厂类是用来生成一个具体的运算类的，然后就在简单工厂类里有一个逻辑的判断，这个逻辑的判断会让简单工厂生成对应的具体类， 然后调用这个具体的类的getResult()方法就
PyTorch实现二分类任务
import torch import torch.nn as nn import torch.optim as optim '''定义模拟数据集''' inputs = torch.randn(5, 10) # 定义5个样本，每个样本的特征数位10 labels = torch.tensor([0, 1, 0, 1, 1]) # 每个样本的标签，二分类，所以为0或1 '''定义模型'
关于正在开发中的DjangoStarter v3版本
前言 最近做的这个项目大量使用了 python 及其相关的生态，因此自然而然选择了我的 DjangoStarter 作为后端框架 之前 v2 版本是用 RestFramework 做接口的，后面我试用了一次 django-ninja 之后就喜欢这种类似 FastApi 的写接口方式 正所谓天下苦 drf 久矣，在新的 v3 版本框架中，我决定直接把整个 RestFramework 替换成 ninj
用 Sentence Transformers v3 训练和微调嵌入模型
Sentence Transformers 是一个 Python 库，用于使用和训练各种应用的嵌入模型，例如检索增强生成 (RAG)、语义搜索、语义文本相似度、释义挖掘 (paraphrase mining) 等等。其 3.0 版本的更新是该工程自创建以来最大的一次，引入了一种新的训练方法。在这篇博客中，我将向你展示如何使用它来微调 Sentence Transformer 模型，以提高它们在特定