one_day

文本分类原理讲解（类比手写数字识别） 核心思想对比： 手写数字识别：28×28像素图像 → 784维向量 → 神经网络 → 10个数字类别 文本分类：单词序列 → 词向量 → 神经网络 → 文本类别

从感知机到神经网络：手写数字识别原理与实现 一、前置知识回顾 在深入理解神经网络之前，我们需要掌握几个关键的数学概念： 1. 向量与矩阵 向量：一维数组，可用于表示单个数据样本的特征 矩阵：二维数组，

核心思想：矩阵乘法的维度匹配 原始分解：A = U Σ Vᵀ A: m × n 矩阵 U: m × m 矩阵 Σ: m × n 对角矩阵 Vᵀ: n × n 矩阵 压缩过程的具体步骤 第1步：截断矩阵

那么，反向传播到底“优化”了什么？ 它优化的不是次数，而是每次迭代的“效率”和“方向性” 。 没有反向传播的“学习”是怎样的？那就好比： 随机猜测：厨师长对后厨喊：“菜不行！你们随便改点东西！”然后厨

1、y = f(wx + b) 是一条直线，只能区分直线两侧分类，如果数据点不是线性的，则不能区分， 因为 wx + b 本身是一个线性运算（它定义了一个超平面）。激活函数 f 只是将这个线性运算的结

原文地址 https://juejin.cn/post/7426343844595335168 1、执行微调时 需要cd切换到lora目录 MLX MLX是由苹果的机器学习研究团队推出的用于机器学习的

一、如何微调 数据准备 收集高质量、领域相关的标注数据（如问答对、指令、对话等）。 清洗格式，确保数据适合大模型输入。 选择预训练模型 选择适合的开源/商业基础模型（如 Qwen、DeepSeek、L

概念说明 1、微调：会改版模型参数，需要训练 通过额外训练修改模型内部参数 知识被"烘焙"到模型权重中 需要大量标记数据和计算资源 适合需要深度调整模型行为的场景 2、RAG: 检索增强生成 在运行时

直接安装numpy报错 解决办法 #``` 创建虚拟环境 激活虚拟环境 在虚拟环境中安装 numpy