摘要：
Kmeans 这玩意儿，说白了就是 “把一堆东西分成几堆，让每堆里的东西尽量像亲兄弟” 的方法！用超接地气的例子，给你拆明白👇 一、核心逻辑：“找中心点，把相似的圈一起” 想象你是班主任，要把班里同学分成 3 个小组做活动。Kmeans 的思路就是： 先随便选 3 个 “临时组长”（选 3 个初始 阅读全文
posted @ 2025-06-15 15:23
m516606428
阅读(29)
评论(0)
推荐(0)
摘要：
咱用超接地气的 “给手机 APP 换皮肤” 逻辑，把 “模型微调” 彻底唠明白，保证看完就会玩👇 一、核心逻辑：“在模型现成本事上，改点小细节，适配你的需求” 模型（比如 BERT、Word2Vec ）本来就像个 “啥都会但不够专” 的万能 APP（能理解语言，但对细分领域不熟 ）。微调就是： 给 阅读全文
posted @ 2025-06-15 15:15
m516606428
阅读(23)
评论(0)
推荐(0)
摘要：
你用的时候 不用再自己喂大量数据重新训 ，直接就能用 一、模型 “出厂自带知识”—— 提前喂饱了！ 不管是 Word2Vec 还是 BERT，发布的时候就已经用超大规模文本训好啦 ，就像手机出厂时系统已经装好、APP 已经预载。 比如 Word2Vec，开发者可能用了 整个互联网的文本、百科全书、小 阅读全文
posted @ 2025-06-15 15:14
m516606428
阅读(6)
评论(0)
推荐(0)
摘要：
咱用最接地气的大白话，把 “拆词咋拆、词向量咋来、向量咋有关系” 这事儿彻底唠明白，保证听完就通透👇 一、“拆词” 咋拆？—— 就像切菜，按 “能表意的最小块” 切！ 比如句子 “我爱吃红烧肉” ，拆成 “我、爱、吃、红烧肉” ，依据就一个：把句子拆成 “单独拿出来能让人明白意思的小单元” 。 简 阅读全文
posted @ 2025-06-15 15:09
m516606428
阅读(5)
评论(0)
推荐(0)
摘要：
咱用超接地气的大白话，把 “句向量 / 文本向量” 的事儿唠明白，保证听完就懂👇 一句话总结核心逻辑： 把一段文字，变成一组数字（向量），方便电脑 “理解文字意思”，还能比文字像不像、分分类～ 分步拆解（对应 PPT 里的 4 步）： 1）“拆词”—— 把文字拆成零散的词 比如这句话：“我爱吃红烧 阅读全文
posted @ 2025-06-15 15:07
m516606428
阅读(51)
评论(0)
推荐(0)
摘要：
咱用大白话来讲知识图谱在大模型里的事儿，好懂又好玩👇 一、知识图谱在大模型里 “咋用”？ 把知识图谱想成 “结构化的知识地图” ，大模型是个 “聪明但有点迷糊的学生”，知识图谱就是给它的 “错题本 + 学霸笔记”，用法超接地气： 1. 给大模型 “塞知识”—— 训练时当 “外挂” 大模型学知识靠 阅读全文
posted @ 2025-06-15 15:05
m516606428
阅读(42)
评论(0)
推荐(0)
摘要：
大模型和 NLP（自然语言处理）相关岗位的薪资待遇受到多种因素影响，从目前数据来看，难以简单判定哪个岗位薪资更高，以下是具体情况分析： 整体平均薪资：职友集数据显示，NLP 岗位平均工资为 33,500 元 / 月1。大模型工程师平均工资为 28,400 元 / 月1。但大模型算法岗位 2025 年 阅读全文
posted @ 2025-06-15 14:48
m516606428
阅读(115)
评论(0)
推荐(0)
摘要：
在梯度下降法（SGD）中使用 “-” 号的本质，是为了让参数沿着损失函数下降最快的方向更新。以下从数学原理、几何直观和代码实现三个维度展开解析： 一、数学推导：梯度的负方向是函数下降最快的方向 1. 梯度的定义与方向 假设损失函数为 \(L(\theta)\)，其中 \(\theta\) 是模型参数 阅读全文
posted @ 2025-06-15 13:57
m516606428
阅读(112)
评论(0)
推荐(0)
摘要：
Transformer 与传统线性模型（y=wx+b）的参数对应关系 在深度学习中，层数和参数规模是模型复杂度的两个关键维度。理解 Transformer 这类大型模型与简单线性模型的对应关系，有助于从本质上把握模型设计的核心思想。 一、传统线性模型（y=wx+b）的参数规模 1. 单层线性模型 对 阅读全文
posted @ 2025-06-15 13:38
m516606428
阅读(214)
评论(0)
推荐(0)
摘要：
随机梯度下降（Stochastic Gradient Descent，SGD）是机器学习中最基础的优化算法之一，其核心思想是通过迭代更新参数来最小化损失函数。以下是 SGD 的公式、变种及关键特性的详细解析： 一、SGD 基础公式与推导 1. 核心公式 假设损失函数为 \(L(\theta; x, 阅读全文
posted @ 2025-06-15 13:21
m516606428
阅读(295)
评论(0)
推荐(0)
浙公网安备 33010602011771号