且将新火试新茶

摘要： 引言 Odoo 是一款强大的开源企业资源规划（ERP）与客户关系管理（CRM）系统，其核心竞争力之一在于高度模块化的架构设计。模块系统不仅是 Odoo 框架的基石，更是实现功能灵活扩展与定制的关键。本文将结合 Odoo 18 的源码，系统梳理模块系统的核心组件与工作机制，帮助开发者深入理解 Odoo 阅读全文

摘要： 1. Odoo 18 base 模块结构总览 下表为 base 模块主要目录与文件说明： 目录/文件 说明 __manifest__.py 模块描述信息，定义依赖、数据加载、初始化行为等 __init__.py 模块初始化入口，导入 models、controllers 等 models/ 所有 P 阅读全文

摘要： 了解 Odoo 在从启动到用户打开一个模型表单视图时，内部到底发生了什么，是模块开发、性能调优和故障排查的关键。本文将为你系统梳理 Odoo 18 的执行流程与关键方法调用链，适用于开发者与技术架构师快速理解 Odoo 核心机制。 一、核心概念速查表 概念 说明 Action Odoo 前端与后端交 阅读全文

摘要： 简介 极简版的 Transformer 编码器-解码器（Seq2Seq）结构，适合用于学习、实验和小型序列到序列（如翻译、摘要）任务。 该实现包含了位置编码、多层编码器、多层解码器、训练与推理流程，代码简洁易懂，便于理解 Transformer 的基本原理。 主要结构 PositionalEncod 阅读全文

摘要： 自己搭建一个 Tiny Decoder（带 Mask），参考 Transformer Encoder 的结构，并添加 Masked Multi-Head Self-Attention，它是 Decoder 的核心特征之一。 1. 背景与动机 Transformer 架构已成为自然语言处理（NLP）领 阅读全文

摘要： Tiny Encoder Transformer：极简文本分类与注意力可视化实战 项目简介 本项目实现了一个极简版的 Transformer Encoder 文本分类器，并通过 Streamlit 提供了交互式可视化界面。用户可以输入任意文本，实时查看模型的分类结果及注意力权重热力图，直观理解 Tr 阅读全文

摘要： Scaled Dot-Product Attention是Transformer架构的核心组件，也是现代深度学习中最重要的注意力机制之一。本文将从原理、实现和应用三个方面深入剖析这一机制。 1. 基本原理 Scaled Dot-Product Attention的本质是一种加权求和机制，通过计算查询 阅读全文

摘要： 🤔 为什么要有 Multi-Head Attention？ 单个 Attention 机制虽然可以捕捉句子中不同词之间的关系，但它只能关注一种角度或模式。 Multi-Head 的作用是： 多个头 = 多个视角同时观察序列的不同关系。 例如： 一个头可能专注主语和动词的关系； 另一个头可能专注宾语 阅读全文

摘要： 深度神经网络的训练稳定性和表达能力是现代人工智能模型（尤其是 Transformer 架构）成功的关键。残差连接（Residual Connection）和层归一化（Layer Normalization）作为两项核心技术，极大地推动了深层网络的可训练性和泛化能力。本文系统梳理这两项技术的原理、结构 阅读全文

摘要： 全面拆解 Transformer 架构：Encoder、Decoder 内部模块解析（附流程图小测验） 关键词：Transformer、Encoder、Decoder、Self-Attention、Masked Attention、位置编码、残差连接、多头注意力机制 Transformer 自 20 阅读全文