Python
使用OpenAI API进行Model Fine-tuning
1 基本信息 参考资料： 官方指南：https://platform.openai.com/docs/guides/fine-tuning 微调接口：https://platform.openai.com/docs/api-reference/fine-tunes 数据接口：https://platform.openai.com/docs/api-reference/files 价格：https
Linux工作原理3设备
本章是对正常运行的Linux系统中内核提供的设备基础设施的基本考察。纵观Linux的历史，在内核如何向用户展示设备方面已经有了许多变化。我们将从传统的设备文件系统开始，看看内核如何通过sysfs提供设备配置信息。我们的目标是能够提取系统中的设备信息，以便了解一些基本的操作。后面的章节将更详细地介绍与特定类型设备的交互。 了解当出现新设备时，内核如何与用户空间进行交互是很重要的。udev系统使用户空
小迪网安笔记一：基础入门
小迪笔记 个性化笔记：自己感觉不懂得，记不住的感觉重要的，觉得是需要补充的； B站大佬的笔记很详细了，本篇笔记重在个人动手实验，自己理解原理意思，以及纪录个人进度，这里只做个性化笔记，一阶段一阶段的发，先立下flag，看看能否完成,篇章如下： 基础入门（第1天--第6天） 信息收集（第7天--第10天） web漏洞--SQL注入（第11天--第19天） web漏洞--文件上传（第20天--第
Generative AI 新世界 | 大语言模型（LLMs）在 Amazon SageMaker 上的动手实践
在上一篇《Generative AI 新世界：大型语言模型（LLMs）概述》中，我们一起探讨了大型语言模型的发展历史、语料来源、数据预处理流程策略、训练使用的网络架构、最新研究方向分析（Amazon Titan、LLaMA、PaLM-E 等），以及在亚马逊云科技上进行大型语言模型训练的一些最佳落地实践等。 本期文章，我们将重点讨论动手实践，通过三个动手实验从浅到深地解读和演示大型语言模型（LLMs
python基础（变量、数据类型）
python简介 Python 是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。 Python 的设计具有很强的可读性，相比其他语言经常使用英文关键字，其他语言的一些标点符号，它具有比其他语言更有特色语法结构。 python变量 什么是变量： 在python中，变量其实严格意义上称作为“名字”，也可以理解为标签。 当我们把一个值赋给一个变量的时候（比如把"小志"赋值给name，即n
python字符串操作
python字符串操作 字符串定义 可用单引号、双引号、三引号来定义字符串 字符串相关的一些操作 1.input() 2.下标索引 3.切片 4.查找 字符串查找⽅法即是查找元素在字符串中的位置或出现的次数 find()：检测某个元素是否包含在这个字符串中，如果在，返回这个字符开始的位置下标，否则则返回-1。 index()：检测某个元素是否包含在这个字符串中，如果在返回这个元组开
qt5.15.9 静态编译 msvc 2017
软件准备： Visual Studio 2017 ActivePerl Python openssl 1.1 以上版本 QT 5.15.9源码 ： https://download.qt.io/archive/qt/5.15/5.15.9/single/ 第一步命令： D:qt-everywhere-src-5.15.9>configure.bat -prefix
LLM Sentence Embedding向量化相似性搜索技术初探
一、向量表示对ML/AI的意义 0x1：向量是AI理解世界的通用数据形式 1、向量是多模态高维数据的压缩 当我们见到一个熟悉的人或物的时候，大脑是这样思考的：首先，眼睛中的视杆细胞和视锥细胞记录下光的强度。这些信号传递到位于你大脑后方的视觉皮层，在皮层中数以百万计的神经元以不同的强度被激活。激活信号传输到你的颞叶，你的大脑解释为：我看到了某某。 也就是说，当我的大脑试图理解和解释看到的信息时，大脑
【一生一芯】搭建verilator仿真环境
完成Linux环境配置之后，安装“一生一芯”项目所需要的仿真环境。这一步预学习讲义中并没有给出详细步骤，可以参考互联网以及官方指南。 打开终端，输入以下命令，安装仿真环境需要的依赖： 从Github安装verilator： 安装完成后，可以发现桌面上增加了一个名为verilator的文件夹。进入文件夹，控制版本为5.008： 终端返回以下信息： 然后生成安装verilato
吃透Redis面试八股文
内容摘自我的学习网站：topjavaer.cn Redis连环40问，绝对够全！ Redis是什么？ Redis（Remote Dictionary Server）是一个使用 C 语言编写的，高性能非关系型的键值对数据库。与传统数据库不同的是，Redis 的数据是存在内存中的，所以读写速度非常快，被广泛应用于缓存方向。Redis可以将数据写入磁盘中，保证了数据的安全不丢失，而且Redis的操作
2023.5.31——软件工程日报
所花时间（包括上课）：6h 代码量（行）：0行 博客量（篇）：1篇 今天，上午学习，下午考数据库。 我了解到的知识点： 1.了解了一些数据库的知识； 2.了解了一些python的知识； 3.了解了一些英语知识； 5.了解了一些Javaweb的知识； 4.了解了一些数学建模的知识； 6.了解了一些计算机网络的知识；
python内置库--logging
关于logging 利用logging，我们在代码里面输出日志信息，这些日志信息可以包括代码中的数据、日志所在模块/文件/行、记录时间、日志级别等等,这些信息可以判断代码运行状态、查看具体代码信息以帮助我们定位问题。 在代码量大、模块多时，建议用logging来替代print,输出信息更加方便阅读和检索 下面是一个简单的例子 执行后 输入0 执行后 输入4 logging的简单使用 日志的级
遇到只有点击一下验证码的空白处，才会出现验证码，这种登录怎么解？
大家好，我是皮皮。 一、前言 前几天在Python钻石群【gw】问了一个Python模拟登录的问题，这里拿出来给大家分享下。 二、实现过程 这里【eric】问了【ChatGPT】，并给出了代码，如下所示： 可以通过模拟用户的行为，自动点击验证码的空白处来触发验证码的出现。 具体步骤如下： 使用Selenium模块来模拟用户打开网站并登录。 定位到验证码的空白处，模拟鼠标点击来触发验证码的出现。
filter、lambda函数合用
L = list(filter(lambda x: x % 2, range(0, 20))) # 奇数 print(L) Lo = list(filter(lambda x: not x % 2 , range(0, 20))) # 偶数 print(Lo) https://python3-cookbook.readthedocs.io/zh_CN/latest/index.h
简述Python的作用域以及Python搜索变量的顺序
Python作用域简单说就是一个变量的命名空间。代码中变量被赋值的位置，就决定了哪些范围的对象可以访问这个变量，这个范围就是变量的作用域。在Python中，只有模块（module），类（class）以及函数（def、lambda）才会引入新的作用域。Python的变量名解析机制也称为 LEGB 法则：本地作用域（Local）→当前作用域被嵌入的本地作用域（Enclosing locals）→全局/
SPSS Modeler分析物流发货明细数据：K-MEANS（K均值）聚类和Apriori关联规则挖掘
全文链接：http://tecdat.cn/?p=32633 原文出处：拓端数据部落公众号 物流发货明细数据在现代物流业中扮演着至关重要的角色。通过对这些数据进行挖掘和分析，我们可以发现隐含在背后的供应链运营规律和商业模式，从而指导企业在物流策略、成本管理和客户服务等方面做出更加科学和有效的决策。 SPSS Modeler是一款功能强大、界面友好的数据挖掘和分析工具，可以帮助企业对物流发货明细数据
MATLAB用改进K-Means(K-均值)聚类算法数据挖掘高校学生的期末考试成绩|附代码数据
全文链接：http://tecdat.cn/?p=30832 最近我们被客户要求撰写关于K-Means(K-均值)聚类算法的研究报告，包括一些图形和统计输出。 本文首先阐明了聚类算法的基本概念，介绍了几种比较典型的聚类算法，然后重点阐述了K-均值算法的基本思想，对K-均值算法的优缺点做了分析，回顾了对K-均值改进方法的文献，最后在Matlab中应用了改进的K-均值算法对数据进行了分析 常用的聚类算
Python进行多输出（多因变量）回归：集成学习梯度提升决策树GRADIENT BOOSTING,GBR回归训练和预测可视化|附代码数据
原文链接： http://tecdat.cn/?p=25939 最近我们被客户要求撰写关于多输出（多因变量）回归的研究报告，包括一些图形和统计输出。 在之前的文章中，我们研究了许多使用 多输出回归分析的方法。在本教程中，我们将学习如何使用梯度提升决策树GRADIENT BOOSTING REGRESSOR拟合和预测多输出回归数据。对于给定的 x 输入数据，多输出数据包含多个目标标签。本教
Python基于粒子群优化的投资组合优化研究|附代码数据
全文链接：http://tecdat.cn/?p=6811 最近我们被客户要求撰写关于粒子群优化的研究报告，包括一些图形和统计输出。 粒子群优化（PSO） 在PSO中，群中的每个粒子表示为向量。在投资组合优化的背景下，这是一个权重向量，表示每个资产的分配资本。矢量转换为多维搜索空间中的位置。每个粒子也会记住它最好的历史位置。对于PSO的每次迭代，找到全局最优位置。这是群体中最好的最优位置。一旦找到
R语言状态空间模型和卡尔曼滤波预测酒精死亡人数时间序列|附代码数据
原文链接：http://tecdat.cn/?p=22665 最近我们被客户要求撰写关于状态空间模型的研究报告，包括一些图形和统计输出。 状态空间建模是一种高效、灵活的方法，用于对大量的时间序列和其他数据进行统计推断 摘要 本文介绍了状态空间建模，其观测值来自指数族，即高斯、泊松、二项、负二项和伽马分布。在介绍了高斯和非高斯状态空间模型的基本理论后，提供了一个泊松时间序列预测的说明性例子。最后，介
Linux00-系统分区、基础优化、启动流程、运行级别、破解密码、光盘修复、BIOS加密
0 运维人员如何开展自己的工作？ 1.画出架构图 服务器的数量与作用、软件的部署架构等 2.围绕三点展开工作 稳定性：监控 可靠性：备份、解决单点故障 性能优化 拓展性 1 系统分区方案 2 系统基础优化 1.Linux系统最小化安装 根据经验，选择安装包时应该按最小化原则，即不需要的或者不确定是否需要的就不安装，最大程度上确保系统安全。 2.安装常
neo4j，python，批量建立节点时，会重复建立相同名称节点。去重。
前提 经过度娘得知，可以使用第三方包去重，但只管去重，你后面关系乱了人家第三方包不管。=-= 或者 直接在neo4j里面使用数据库语言去重，但关系还是得重新建立。况且，我想用python去重。 干货来了 后来，我换了个思路，那么就是合并节点。（虽然跟去重差不多） 但总归总做出来了 使用NodeMatcher函数，注意3.5.4才推出的函数 解释一下思路 for循环录入节点关系 使用NodeMatc