博客 / 列表

WangLanguager - 矩陣分解（Matrix Factorization）介紹和代碼示例

矩陣分解（Matrix Factorization）介紹 矩陣分解是一種常用的推薦系統技術，旨在通過將用户-物品評分矩陣分解為兩個低維矩陣（用户特徵矩陣和物品特徵矩陣）來發現潛在的用户偏好和物品特性。這種方法能夠有效處理稀疏數據，常用於協同過濾推薦系統。 基本原理 評分矩陣：通常是一個稀疏矩陣，其中行表示用户，列表示物品，元素

yyds乾貨盤點 , 初始化 , 推薦系統 , 矩陣分解 , Css , 前端開發 , HTML

WangLanguager - GPT介紹和代碼示例

GPT 介紹 GPT（Generative Pre-trained Transformer）是由 OpenAI 提出的生成式預訓練變換器模型。GPT 的設計目標是生成連貫的文本，具有強大的文本生成能力。它的核心思想是利用大規模的無監督文本數據進行預訓練，然後通過微調來適應特定任務。 GPT 的關鍵特點 單向生成：與 BERT

redis , 加載 , gpt , 數據庫 , 分詞器 , 生成式

WangLanguager - 序列到序列模型（Seq2Seq）介紹和代碼示例

序列到序列模型（Seq2Seq）介紹 序列到序列模型（Seq2Seq）是一種用於處理序列數據的深度學習架構，廣泛應用於自然語言處理（NLP）任務，如機器翻譯、文本摘要、對話生成等。Seq2Seq 模型通常由兩個主要部分組成：編碼器（Encoder）和解碼器（Decoder）。 關鍵特點 編碼器：編碼器接收輸入序列，將其轉換為一

編碼器 , yyds乾貨盤點 , 機器翻譯 , ci , jquery , 前端開發

WangLanguager - T5 (Text-to-Text Transfer Transformer)介紹和代碼示例

T5（Text-to-Text Transfer Transformer）介紹 T5 是由 Google Research 提出的一個統一的文本到文本的轉換模型。T5 的核心思想是將所有的自然語言處理任務都視為文本到文本的轉換問題，這種方法使得模型可以通過相同的架構處理各種任務，如文本分類、翻譯、問答等。 T5 的關鍵特點 統

yyds乾貨盤點 , 加載 , text , 分詞器 , jquery , 前端開發

WangLanguager - GloVe介紹和代碼示例

GloVe 介紹 GloVe（Global Vectors for Word Representation）是一種用於生成詞嵌入的模型，由斯坦福大學的研究團隊於 2014 年提出。與 Word2Vec 的局部上下文窗口方法不同，GloVe 通過全局詞共現矩陣來捕捉詞與詞之間的關係。 GloVe 的基本原理 GloVe 的核心思想是利用詞

yyds乾貨盤點 , 自然語言處理 , 詞向量 , 前端開發 , Javascript , Python

WangLanguager - Word2Vec介紹和代碼示例

Word2Vec 介紹 Word2Vec 是一種用於生成詞嵌入（word embeddings）的模型，由 Google 的研究團隊於 2013 年提出。它能夠將詞彙映射到一個低維度的向量空間，使得相似的詞在向量空間中距離較近。 Word2Vec 的兩種主要模型 Skip-Gram：給定一個詞，預測其上下文中的詞。適用於處理稀

yyds乾貨盤點 , 加載 , 自然語言處理 , 詞向量 , 前端開發 , Javascript

WangLanguager - 多智能體強化學習（MARL）介紹和代碼示例

多智能體強化學習（MARL）介紹 多智能體強化學習（Multi-Agent Reinforcement Learning, MARL）是強化學習的一個分支，涉及多個智能體在同一環境中學習和決策。MARL 主要關注以下幾個方面： 環境交互： 多個智能體同時與環境交互，它們的行為不僅影響自身的獎勵，也會影響其他智

強化學習 , yyds乾貨盤點 , tensorflow , 前端開發 , 代碼示例 , Javascript