Larry的博客

本文针对 NLP 模型效果不达预期的痛点，点明文本预处理的核心价值，系统拆解其关键环节与实操方法。首先介绍预处理的作用（规范模型输入、指导超参数选择）及包含的文本处理、张量表示等模块；再详解文本处理（jieba 分词多模式、命名实体识别、词性标注）、文本张量表示（one-hot、Word2Vec、动态 / 静态词嵌入）与文本数据分析（标签分布、句子长度等），并附代码示例；最后指出这些技巧可解决数据问题，为情感分析等 NLP 任务筑牢建模基础，提升开发效率。

本文围绕扣子Coze平台展开，先介绍其作为字节跳动打造的一站式AI Bot开发平台，能降低开发门槛，让无编程经验者也可搭建智能Bot，还具备多场景适配、可视化调试等优势。接着讲解AI工作流，它可借助AI技术拆分并自动化业务流程，在多领域落地。最后详细阐述了Coze从开发平台创建、智能体与工作流添加，到工作流搭建、模型发布的完整步骤。

本文详细阐述霍格沃茨魔法画图室网页的全流程搭建，从项目规划与设计起步，明确以魔法主题在线绘画为定位，面向哈利波特爱好者等群体，确定 HTML5、CSS3 等技术栈与霍格沃茨风格设计方向，划分四大功能模块。随后依次讲解基础架构搭建（含 HTML 结构、页面分层与文件组织）、样式设计（全局样式、各页面美化及魔法元素融入）、核心与高级功能开发（Canvas 绘画、图片管理、撤回保存、魔法特效等），还涵盖用户体验优化、测试与部署维护，最终呈现兼具实用性与趣味性、符合现代 Web 开发实践的魔法绘画平台。

本文介绍阿里云百炼大模型平台，其为企业级服务平台，融合通义千问等模型，支持多模态能力，提供一站式工具降低开发门槛。重点讲解智能体应用及大模型搭建步骤，含进入创新应用界面、选模型配参数、输指令、导数据、加载知识库、获取API Key、加样例库、配置MCP，还提及模型调试与多平台发布，并附试用链接，助力企业与开发者快速搭建适配业务的AI模型。

本文围绕深度学习训练核心技巧展开，包括参数初始化、优化方法、正则化及批量归一化。参数初始化中，推荐均匀分布、Kaiming和Xavier初始化，避免全0、全1等方式。优化方法有Momentum（平滑梯度）、AdaGrad（自适应学习率）、RMSProp（优化学习率衰减）及融合两者的Adam。Dropout通过随机丢弃神经元降低复杂度以缓解过拟合。批量归一化控制数据分布，稳定训练并加速收敛，这些技巧共同助力模型高效训练。

本文围绕“掌握梯度下降、链式法则、反向传播”目标，详解多层神经网络训练技术。先回顾梯度下降，说明参数更新公式及学习率影响，解析Epoch、Batch、Iteration概念，对比BGD、SGD、Mini-Batch差异；再讲前向传播数据流转、反向传播误差传递逻辑，借复合函数示例讲链式法则，附常用函数导数；结合PyTorch代码实现网络构建、正反向传播与参数更新；最后通过计算图和Softmax推导，厘清反向传播原理，为神经网络训练提供理论与实践指导。

本文围绕深度学习展开，先阐明人工智能、机器学习、深度学习的层级关系，指出深度学习无需人工提取特征但可解释性差。接着介绍神经网络模仿生物神经元，含输入、隐藏、输出层。还详解激活函数（注入非线性），常见类型（sigmoid、tanh、ReLU 等）及特性，分析梯度消失 / 爆炸问题，并给出隐藏层与输出层激活函数的选择建议，助力理解深度学习核心原理。

本文是一份 PyTorch 核心操作实用教程，聚焦张量与模型的关键处理技能。首先详解张量形状操作，涵盖 reshape、transpose、permute 等函数用法，助于适配网络层间数据传递；接着介绍张量均值、求和、平方等常见运算函数；还阐述自动微分模块的梯度计算方法，包括单标量 / 向量梯度求解及梯度清零、控制计算等技巧；最后说明模型保存（参数 / 全模型）与加载方法，强调结构一致性、设备兼容性等注意事项。帮助读者掌握从数据处理到模型管理的核心能力。

PyTorch已成为深度学习核心工具，从科研到工业广泛应用。本文介绍PyTorch安装和基础语法，包括张量创建、形状调整等关键操作。与TensorFlow、PaddlePaddle对比，PyTorch凭借动态图调试和Pythonic设计优势，2023年工业界使用率达36.8%。通过10分钟快速入门指南，读者可掌握PyTorch核心技能，轻松上手深度学习开发。

本文梳理人工智能 70年 发展脉络：1956年达特茅斯会议正式提出“人工智能”概念，开启探索之路。从早期基于规则的系统、统计机器学习，到2012年AlexNet推动深度学习崛起，再到2017年Transformer架构革新、AlphaGo引爆关注。2022年ChatGPT 开启大模型时代，GPT-3.5、GPT-4等持续迭代，2025年GPT-5 引入通用智能。同时涵盖技术分支（NLP、CV等）及主流大模型发展，展现 AI从诞生到智能爆发的演进历程。