m0_58749949的博客

本文介绍了生成对抗网络(GAN)在MNIST手写数字生成中的应用。GAN通过生成器和判别器的对抗博弈实现数据生成，其中生成器将64维噪声映射为784维图像，判别器则区分真假样本。训练过程采用交替优化策略，使用二元交叉熵损失函数和Adam优化器。

本文介绍了一个基于文档的问答系统实现方案。首先将多个txt文档进行分割处理，通过通义千问的Embedding模型将文档向量化存储到Chroma数据库中。系统采用多模块设计：文档加载分割模块、向量存储模块、检索模块和对话处理模块。通过RunnablePassthrough实现问题与上下文的拼接，使用ChatTongyi模型作为问答核心，并设计了基于会话ID的历史消息存储机制。该系统支持连续问答，能够根据历史对话上下文进行智能回复，实现了基础的文档问答功能。

本文介绍了基于B站李沐《动手学深度学习》课程的Fashion-MNIST分类实践笔记。主要内容包括：1) 数据加载与预处理函数实现，使用torchvision加载Fashion-MNIST数据集并支持图像尺寸调整；2) 可视化工具函数开发，包含图像网格显示和标签转换功能；3) 构建简单的全连接神经网络模型，采用正态分布初始化权重；4) 训练流程实现，包含准确率计算、损失函数定义（交叉熵）和SGD优化器使用；5) 完整的模型训练与评估过程，包含10个epoch的训练和测试集验证。

本笔记介绍了基于李沐《动手学深度学习》课程的Fashion-MNIST分类任务实现。包含数据加载、可视化工具函数（如show_images）、模型评估方法（evaluate_accuracy）以及训练流程（train_epoch_ch3）。重点展示了从零实现的多分类神经网络：使用Softmax激活函数、交叉熵损失和自定义SGD优化器。代码包含完整的训练循环（10个epoch）和预测可视化功能，准确率评估可达80%以上。所有实现均采用PyTorch框架，包含详细的函数注释和参数说明，适合深度学习初学者参考学习

本笔记基于李沐AI系列课程，实现了一个完整的线性回归模型。从数据生成(使用torch.normal模拟2维特征和标签)、模型定义(Sequential容器+Linear层)到训练过程(SGD优化器+MSELoss)，详细展示了PyTorch实现流程。通过3轮训练，模型参数(w=[1.9998,-3.4003],b=4.2002)接近真实值(w=[2,-3.4],b=4.2)，最终损失降至0.0001。代码包含数据加载器(DataLoader)的实现、参数初始化技巧以及训练循环的完整逻辑。

本文介绍了基于B站李沐《动手学深度学习》课程的自定义神经网络实现方法。通过PyTorch框架，从零构建了一个单层线性回归模型，包括自定义的模型结构、均方损失函数和随机梯度下降优化器。实验使用合成数据验证模型效果，经过3轮训练后损失降至0.00005，学习到的参数（w=[2.0003,-3.3994]，b=4.1998）接近真实值（w=[2,-3.4]，b=4.2），证明了实现的有效性。代码展示了深度学习基础组件的底层实现原理，包括前向传播、反向传播和参数更新过程。

用Java训练模型