# 一起AI(17aitech.com)

> domonic18 的 AI 工程实战原创博客:第一人称、可复现(含失败案例)的人机协同实战记录,主题覆盖 Claude Code / MCP / LLM 训练与评测。文章同时为人与智能体而写:每篇均可在 URL 后加 .md 获取 Markdown 原文;全量内容见 /llms-full.txt(超长分页 llms-full-2.txt 起)。

## 站点

- [首页](https://17aitech.com/)
- [全部文章](https://17aitech.com/articles/)
- [归档](https://17aitech.com/archive/)
- [关于](https://17aitech.com/about/)
- [用户协议](https://17aitech.com/agreement/)
- [隐私政策](https://17aitech.com/privacy/)

## 分类

- [博客文章](https://17aitech.com/category/blog/)
- [产品评测](https://17aitech.com/category/report/)
- [行业资讯](https://17aitech.com/category/news/)
- [推广活动](https://17aitech.com/category/advertising/)

## 标签

- [Agent](https://17aitech.com/tag/agent/)
- [MCP](https://17aitech.com/tag/mcp/)
- [RAG](https://17aitech.com/tag/rag/)
- [多模态](https://17aitech.com/tag/%e5%a4%9a%e6%a8%a1%e6%80%81/)
- [大模型](https://17aitech.com/tag/%e5%a4%a7%e6%a8%a1%e5%9e%8b/)
- [数学知识](https://17aitech.com/tag/%e6%95%b0%e5%ad%a6%e7%9f%a5%e8%af%86/)
- [文生图](https://17aitech.com/tag/%e6%96%87%e7%94%9f%e5%9b%be/)
- [机器学习](https://17aitech.com/tag/%e6%9c%ba%e5%99%a8%e5%ad%a6%e4%b9%a0/)
- [模型测试](https://17aitech.com/tag/%e6%a8%a1%e5%9e%8b%e6%b5%8b%e8%af%95/)
- [模型训练](https://17aitech.com/tag/%e6%a8%a1%e5%9e%8b%e8%ae%ad%e7%bb%83/)
- [模型部署](https://17aitech.com/tag/%e6%a8%a1%e5%9e%8b%e9%83%a8%e7%bd%b2/)
- [深度学习](https://17aitech.com/tag/%e6%b7%b1%e5%ba%a6%e5%ad%a6%e4%b9%a0/)
- [环境配置](https://17aitech.com/tag/%e7%8e%af%e5%a2%83%e9%85%8d%e7%bd%ae/)
- [编程工具](https://17aitech.com/tag/%e7%bc%96%e7%a8%8b%e5%b7%a5%e5%85%b7/)
- [自然语言处理](https://17aitech.com/tag/%e8%87%aa%e7%84%b6%e8%af%ad%e8%a8%80%e5%a4%84%e7%90%86/)
- [计算机视觉](https://17aitech.com/tag/%e8%ae%a1%e7%ae%97%e6%9c%ba%e8%a7%86%e8%a7%89/)
- [项目实战](https://17aitech.com/tag/%e9%a1%b9%e7%9b%ae%e5%ae%9e%e6%88%98/)

## 文章

- [【工具总结】新一代Agent驱动的评测系统](https://17aitech.com/%e3%80%90%e5%b7%a5%e5%85%b7%e6%80%bb%e7%bb%93%e3%80%91%e6%96%b0%e4%b8%80%e4%bb%a3agent%e9%a9%b1%e5%8a%a8%e7%9a%84%e8%af%84%e6%b5%8b%e7%b3%bb%e7%bb%9f/): 基于 Agent 驱动的新一代评测系统 代码仓库地址： https://github.com/domonic18/ai-eval-scope 背景 大模型驱动的
- [【工具技巧】Codex+CC-switch使用国产大模型教程](https://17aitech.com/%e3%80%90%e5%b7%a5%e5%85%b7%e6%8a%80%e5%b7%a7%e3%80%91codexcc-switch%e4%bd%bf%e7%94%a8%e5%9b%bd%e4%ba%a7%e5%a4%a7%e6%a8%a1%e5%9e%8b%e6%95%99%e7%a8%8b/): Codex 桌面客户端 + CC-switch 使用国产 DeepSeek 模型教程 背景 最近 OpenAI 推出的 Codex 桌面客户端 （Codex A
- [【工具技巧】使用mcp工具进行tapd的快速操作](https://17aitech.com/%e3%80%90%e5%b7%a5%e5%85%b7%e6%8a%80%e5%b7%a7%e3%80%91%e4%bd%bf%e7%94%a8mcp%e5%b7%a5%e5%85%b7%e8%bf%9b%e8%a1%8ctapd%e7%9a%84%e5%bf%ab%e9%80%9f%e6%93%8d%e4%bd%9c/): 背景 日常工作中， TAPD 是团队常用的项目管理和协作平台。传统的使用方式需要手动登录网页进行操作，效率较低。本文介绍如何通过 mcp 工具，直接在 cher
- [【工具技巧】ClaudCodeRouter的使用方法简介](https://17aitech.com/%e3%80%90%e5%b7%a5%e5%85%b7%e6%8a%80%e5%b7%a7%e3%80%91claudcoderouter%e7%9a%84%e4%bd%bf%e7%94%a8%e6%96%b9%e6%b3%95%e7%ae%80%e4%bb%8b/): Claude Code Router 使用说明 背景 随着大型语言模型的快速发展， Claude Code 已成为许多开发者和创作者的得力助手。然而，在日常使用
- [【工具技巧】通过ClaudeCode的Skills实现Excel文件的读写](https://17aitech.com/%e3%80%90%e5%b7%a5%e5%85%b7%e6%8a%80%e5%b7%a7%e3%80%91%e9%80%9a%e8%bf%87claudecode%e7%9a%84skills%e5%ae%9e%e7%8e%b0excel%e6%96%87%e4%bb%b6%e7%9a%84%e8%af%bb%e5%86%99/): 前言 最近在AI编程助手领域, Claude Code 的 Skills 插件能力引起了很多开发者的关注。相比传统AI编程工具, Claude Code 通过插
- [【工具技巧】通过ClaudeCode的Skills实现周报自动发送](https://17aitech.com/%e3%80%90%e5%b7%a5%e5%85%b7%e6%8a%80%e5%b7%a7%e3%80%91%e9%80%9a%e8%bf%87claudecode%e7%9a%84skills%e5%ae%9e%e7%8e%b0%e5%91%a8%e6%8a%a5%e8%87%aa%e5%8a%a8%e5%8f%91%e9%80%81/): 引言 Claude Code 作为Anthropic推出的官方CLI工具，近期推出了 Skills 功能，让开发者能够创建自定义的自动化任务。本文将分享如何利用
- [【工具技巧】通过ClaudeCode实现技术交底书agent](https://17aitech.com/%e3%80%90%e5%b7%a5%e5%85%b7%e6%8a%80%e5%b7%a7%e3%80%91%e9%80%9a%e8%bf%87claudecode%e5%ae%9e%e7%8e%b0%e6%8a%80%e6%9c%af%e4%ba%a4%e5%ba%95%e4%b9%a6agent/): 前言 我们在实际工作中往往是现有代码，再有申请专利的意识，这就导致撰写技术专利交底书的时候比较痛苦：需要重新整理相关资料、回溯之前的想法、梳理技术方案，查找对应
- [【项目实战】通过ClaudeCode进行one-api系统改造的实践过程总结](https://17aitech.com/%e3%80%90%e9%a1%b9%e7%9b%ae%e5%ae%9e%e6%88%98%e3%80%91%e9%80%9a%e8%bf%87claudecode%e8%bf%9b%e8%a1%8cone-api%e7%b3%bb%e7%bb%9f%e6%94%b9%e9%80%a0%e7%9a%84%e5%ae%9e%e8%b7%b5%e8%bf%87%e7%a8%8b%e6%80%bb/): 前言 最近参加了CSDN举办的《2025全球机器学习技术大会》，大会中很多会议议题都与 Vibe Coding 有关，同时近期围绕 Cursor 、 Claud
- [【工具技巧】Claude Code 使用技巧](https://17aitech.com/%e3%80%90%e4%ba%a7%e5%93%81%e4%bd%93%e9%aa%8c%e3%80%91claude-code-%e4%bd%bf%e7%94%a8%e6%8a%80%e5%b7%a7/): 前言 由于 claude code 上配置使用 DeepseekV3.1 模型可以较大幅度地提升AI编程能力，本章分享 claude code 的 相关技巧。 
- [【工具技巧】Claude Code+Deepseek模型的配置使用方法](https://17aitech.com/%e3%80%90%e4%ba%a7%e5%93%81%e4%bd%93%e9%aa%8c%e3%80%91claude-codedeepseek%e6%a8%a1%e5%9e%8b%e7%9a%84%e9%85%8d%e7%bd%ae%e4%bd%bf%e7%94%a8%e6%96%b9%e6%b3%95/): 前言 由于 claude code 上配置使用 DeepseekV3.1 模型可以较大幅度地提升AI编程能力，本章分享 claude code 配置 Deeps
- [【工具技巧】通过Claude Code+K2模型编写Dify插件的实践过程](https://17aitech.com/%e3%80%90%e4%ba%a7%e5%93%81%e4%bd%93%e9%aa%8c%e3%80%91%e9%80%9a%e8%bf%87claude-codek2%e6%a8%a1%e5%9e%8b%e7%bc%96%e5%86%99dify%e6%8f%92%e4%bb%b6%e7%9a%84%e5%ae%9e%e8%b7%b5%e8%bf%87%e7%a8%8b/): 前言 由于近日以 cursor 、 claude code 为代表的vibing编程模型逐渐流行，本章将分享介绍近期工作中借助 claude code+Kimi
- [【项目实战】通过多模态+LangGraph实现PPT生成助手](https://17aitech.com/%e3%80%90%e9%a1%b9%e7%9b%ae%e5%ae%9e%e6%88%98%e3%80%91%e9%80%9a%e8%bf%87%e5%a4%9a%e6%a8%a1%e6%80%81langgraph%e5%ae%9e%e7%8e%b0ppt%e7%94%9f%e6%88%90%e5%8a%a9%e6%89%8b/): PPT自动生成系统 基于LangGraph的PPT自动生成系统，可以将Markdown文档自动转换为PPT演示文稿。 功能特点 Markdown解析：自动解析M
- [【模型测试】基于OpenCompass实现Agent最为苛刻的基准评测：GAIA](https://17aitech.com/%e3%80%90%e6%a8%a1%e5%9e%8b%e6%b5%8b%e8%af%95%e3%80%91%e5%9f%ba%e4%ba%8eopencompass%e5%ae%9e%e7%8e%b0agent%e6%9c%80%e4%b8%ba%e8%8b%9b%e5%88%bb%e7%9a%84%e8%af%84%e6%b5%8b%e9%9b%86%ef%bc%9agaia/): 背景 为了能够更好地评估Agent的能力，我们需要在OpenCompass的评测框架基础上，尝试引入当前最为严苛的Agent能力评估基准：GAIA（Genera
- [【模型测试】基于OpenCompass构建Dify应用的自定义评测体系](https://17aitech.com/%e3%80%90%e6%a8%a1%e5%9e%8b%e6%b5%8b%e8%af%95%e3%80%91%e5%9f%ba%e4%ba%8eopencompass%e6%9e%84%e5%bb%badify%e5%ba%94%e7%94%a8%e7%9a%84%e8%87%aa%e5%ae%9a%e4%b9%89%e8%af%84%e6%b5%8b%e4%bd%93%e7%b3%bb/): 背景 随着我们在Dify平台上不断开发新的Agent，我们需要对Agent的能力是否满足预期进行评估。因此，本章内容主要介绍我们设计Agent评测数据集体系思路
- [【模型测试】基于OpenCompass的ai-eval-system在线评测系统](https://17aitech.com/%e3%80%90%e6%a8%a1%e5%9e%8b%e6%b5%8b%e8%af%95%e3%80%91opencompass%e5%9c%a8%e7%ba%bf%e8%af%84%e6%b5%8b%e7%b3%bb%e7%bb%9fv0-2%e9%a2%84%e8%a7%88%e7%89%88%e6%9c%ac%e4%bb%8b%e7%bb%8d/): ai-eval-system 这是一个基于OpenCompass的模型评测系统，该系统提供了前端页面UI以方便用户自助开展评测工作。 项目地址 https://
- [【学习总结】MCP协议之使用AgentSDK调用MCP-server](https://17aitech.com/%e3%80%90%e5%ad%a6%e4%b9%a0%e6%80%bb%e7%bb%93%e3%80%91mcp-server%e7%9a%84%e5%ae%9e%e8%b7%b5%e4%b9%8bopenai-agent%e7%9a%84%e8%b0%83%e7%94%a8%e6%96%b9%e6%b3%95/): 背景 OpenAI在3月27日宣布对其 Agent SDK 进行重大更新，正式支持 Model Context Protocol（MCP）服务。由于该项技术对于
- [【学习总结】MCP协议之MCP-server(sse方式)实践](https://17aitech.com/%e3%80%90%e5%ad%a6%e4%b9%a0%e6%80%bb%e7%bb%93%e3%80%91mcp%e5%8d%8f%e8%ae%ae%e7%ae%80%e8%bf%b0%e5%8f%8amcp%e6%9c%8d%e5%8a%a1sse%e5%8d%8f%e8%ae%ae%e7%9a%84%e5%ae%9e%e6%88%98/): 背景 在《MCP协议简述之MCP-server实战》中，我们实现了一个本地的MCP-server，然后在支持MCP协议的客户端程序(如cursor、cherry
- [【学习总结】MCP协议之MCP简述](https://17aitech.com/%e3%80%90%e5%ad%a6%e4%b9%a0%e6%80%bb%e7%bb%93%e3%80%91mcp%e5%8d%8f%e8%ae%ae%e7%ae%80%e4%b9%a6/): 背景 随着AI Agent在2025年的火爆，与之相关的MCP协议也越来越受到开发者的重视，本文将结合示例深入了解MCP协议的原理架构以及应用方法。 (What
- [【模型测试】大模型评测工具OpenCompass使用方法总结](https://17aitech.com/%e3%80%90%e6%a8%a1%e5%9e%8b%e6%b5%8b%e8%af%95%e3%80%91%e5%a4%a7%e6%a8%a1%e5%9e%8b%e8%af%84%e6%b5%8b%e5%b7%a5%e5%85%b7opencompass%e4%bd%bf%e7%94%a8%e6%96%b9%e6%b3%95%e6%80%bb%e7%bb%93/): 前言 由于使用 lm_evaluation_harness 工具评测时，遇到较多复杂的问题不好处理，例如： 连接 huggingface 下载 tokenize
- [【模型部署】在Dify中接入ComfyUI+Flux实现文生图](https://17aitech.com/%e3%80%90%e6%a8%a1%e5%9e%8b%e9%83%a8%e7%bd%b2%e3%80%91%e5%9c%a8dify%e4%b8%ad%e6%8e%a5%e5%85%a5comfyuiflux%e5%ae%9e%e7%8e%b0%e6%96%87%e7%94%9f%e5%9b%be/): 前言 由于在Macmini上部署ComfyUI踩了不少坑，所以本章内容将部署过程和注意事项进行了整理记录，以便方便未来的复用。 目标 目标1：在Macmini上
- [【模型测试】大模型评测工具lm-evaluation-harness的使用方法总结](https://17aitech.com/%e3%80%90%e6%a8%a1%e5%9e%8b%e6%b5%8b%e8%af%95%e3%80%91%e8%af%84%e6%b5%8b%e5%b7%a5%e5%85%b7lm-evaluation-harness%e7%9a%84%e4%bd%bf%e7%94%a8%e5%ae%9e%e5%bd%95/): 前言 在大模型的测评中，我们往往需要借助一些自动化工具来完成测评任务，本章将介绍常见的自动化测评工具： lm-evaluation-harness 。 工具简介
- [【模型测试】大模型测评体系的构成](https://17aitech.com/%e3%80%90%e6%a8%a1%e5%9e%8b%e6%b5%8b%e8%af%95%e3%80%91%e5%a4%a7%e6%a8%a1%e5%9e%8b%e6%b5%8b%e8%af%84%e4%bd%93%e7%b3%bb%e7%9a%84%e6%9e%84%e6%88%90/): 前言 随着近期DeepsSeek大模型在AI领域的快速崛起，人工智能技术正在快速进化，在这场智能革命的浪潮中，一个关键命题愈发凸显：当大模型能力不断进化时，我们
- [【产品体验】DeepSeek的三种接入使用方法](https://17aitech.com/%e3%80%90%e4%ba%a7%e5%93%81%e4%bd%93%e9%aa%8c%e3%80%91deepseek%e7%9a%84%e4%b8%89%e7%a7%8d%e6%8e%a5%e5%85%a5%e4%bd%bf%e7%94%a8%e6%96%b9%e6%b3%95/): 前言 DeepSeek作为国产顶尖大模型，在代码生成和逻辑推理方面表现优异。本文提供三种不同场景下的接入方案，满足从普通用户到开发者的不同需求。 当前问题 由于
- [【论文简读】DeepSeek LLM：以长远主义拓展开源语言模型](https://17aitech.com/%e3%80%90%e8%ae%ba%e6%96%87%e7%ae%80%e8%af%bb%e3%80%91deepseek-llm-scaling-open-source-language-models-with-longtermism/): 前言 在生成式AI浪潮席卷全球的当下，国产大模型DeepSeek凭借其开源生态和技术突破异军突起。近期其推出的7B/67B参数模型在权威评测中表现亮眼，更以"1
- [【产品体验】豆包大模型实时语音本地化部署及功能体验](https://17aitech.com/%e3%80%90%e4%ba%a7%e5%93%81%e4%bd%93%e9%aa%8c%e3%80%91%e8%b1%86%e5%8c%85%e5%a4%a7%e6%a8%a1%e5%9e%8b%e5%ae%9e%e6%97%b6%e8%af%ad%e9%9f%b3%e6%9c%ac%e5%9c%b0%e5%8c%96%e9%83%a8%e7%bd%b2%e5%8f%8a%e5%8a%9f/): 背景 2025年1月21日，豆包实时语音大模型在豆包App（7.2.0 新春版）全量开放，引发了广泛关注。这一语音交互体验，与OpenAI公布的GPT-4o模型
- [【项目实战】基于esp32开发板+大模型实现的语音助手-软件篇](https://17aitech.com/%e3%80%90%e9%a1%b9%e7%9b%ae%e5%ae%9e%e6%88%98%e3%80%91%e5%9f%ba%e4%ba%8eesp32%e5%bc%80%e5%8f%91%e6%9d%bf%e5%a4%a7%e6%a8%a1%e5%9e%8b%e5%ae%9e%e7%8e%b0%e7%9a%84%e8%af%ad%e9%9f%b3%e5%8a%a9%e6%89%8b-2/): 前言 在上一篇 【项目实战】基于esp32开发板+大模型实现的陪伴助手-模型篇 中，我们完成了唤醒词训练、评估，并将唤醒词识别集成至ESP32开发板。 本章，我
- [【项目实战】基于esp32开发板+大模型实现的语音助手-模型篇](https://17aitech.com/%e3%80%90%e9%a1%b9%e7%9b%ae%e5%ae%9e%e6%88%98%e3%80%91%e5%9f%ba%e4%ba%8eesp32%e5%bc%80%e5%8f%91%e6%9d%bf%e5%a4%a7%e6%a8%a1%e5%9e%8b%e5%ae%9e%e7%8e%b0%e7%9a%84%e8%af%ad%e9%9f%b3%e5%8a%a9%e6%89%8b/): 前言 在上一篇 【项目实战】基于esp32开发板+大模型实现的陪伴助手-硬件篇 中，我们完成了硬件的组装、IDE环境的配置以及程序的测试。 本章，我们将基于上一
- [【项目实战】基于esp32开发板+大模型实现的陪伴助手-硬件篇](https://17aitech.com/%e3%80%90%e9%a1%b9%e7%9b%ae%e5%ae%9e%e6%88%98%e3%80%91%e5%9f%ba%e4%ba%8eesp32%e5%bc%80%e5%8f%91%e6%9d%bf%e5%a4%a7%e6%a8%a1%e5%9e%8b%e5%ae%9e%e7%8e%b0%e7%9a%84%e9%99%aa%e4%bc%b4%e5%8a%a9%e6%89%8b/): 背景 随着AI的火热，目前有不少公司尝试进行AI+IoT的结合，以实现更智能的陪伴机器人。基于以上背景，本章将分享一个基于AI的陪伴机器人项目，其中涉及到的知识
- [【模型部署】在AutoDL上使用Xinference部署模型](https://17aitech.com/%e3%80%90%e6%a8%a1%e5%9e%8b%e9%83%a8%e7%bd%b2%e3%80%91%e5%9c%a8autodl%e4%b8%8a%e4%bd%bf%e7%94%a8xinference%e9%83%a8%e7%bd%b2%e6%a8%a1%e5%9e%8b/): 前言 在 【模型训练】在AutoDl上使用LLamaFactory进行模型训练 中，我们介绍了如何通过SSH建立隧道，进而访问LLamaFactory进行模型训
- [【模型训练】在AutoDL上使用LLamaFactory进行模型训练](https://17aitech.com/%e3%80%90%e6%a8%a1%e5%9e%8b%e8%ae%ad%e7%bb%83%e3%80%91%e5%9c%a8autodl%e4%b8%8a%e4%bd%bf%e7%94%a8llamafactory%e8%bf%9b%e8%a1%8c%e6%a8%a1%e5%9e%8b%e8%ae%ad%e7%bb%83/): 前言 在众多的GPU云平台中，AutoDL是我们常用的一个。它因为显卡可快速扩展、实例运行稳定、网络连接速度快，深受大家的喜爱。不过其端口映射略微复杂，所以本篇
- [【模型部署】在趋动云上使用xinference部署模型](https://17aitech.com/%e3%80%90%e6%a8%a1%e5%9e%8b%e9%83%a8%e7%bd%b2%e3%80%91%e8%b6%8b%e5%8a%a8%e4%ba%91%e4%b8%8a%e4%bd%bf%e7%94%a8xinference%e9%83%a8%e7%bd%b2%e6%a8%a1%e5%9e%8b/): 前言 本文将介绍如何在趋动云平台上使用xinference部署对话模型、向量化模型以及多模态模型。 xinference简介 xinference官网 官网说明
- [【模型部署】在趋动云上使用vllm部署模型](https://17aitech.com/%e3%80%90%e6%a8%a1%e5%9e%8b%e9%83%a8%e7%bd%b2%e3%80%91%e5%9c%a8%e8%b6%8b%e5%8a%a8%e4%ba%91%e4%b8%8a%e4%bd%bf%e7%94%a8vllm%e9%83%a8%e7%bd%b2%e5%af%b9%e8%af%9d%e6%a8%a1%e5%9e%8b%e5%92%8cembedding/): 前言 本文将介绍如何在趋动云平台上使用vllm部署Qwen2-0.5B-Instruct对话模型和BGE向量化模型，实现高性能的模型服务。 vllm简介 vll
- [【项目实战】深度学习：二手车价格预测(含深度学习考试参考资料)](https://17aitech.com/%e3%80%90%e9%a1%b9%e7%9b%ae%e5%ae%9e%e6%88%98%e3%80%91%e6%b7%b1%e5%ba%a6%e5%ad%a6%e4%b9%a0%ef%bc%9a%e4%ba%8c%e6%89%8b%e8%bd%a6%e4%bb%b7%e6%a0%bc%e9%a2%84%e6%b5%8b%e5%90%ab%e6%b7%b1%e5%ba%a6%e5%ad%a6/): 前言 为了更好地理解深度学习，本章我们将以天池大赛的赛事为例实现深度学习的项目实战，同时结合软件的研发流程，梳理形成完整资料，包括：需求设计、概要设计、测试方案
- [【产品体验】本地搭建混元HunyuanVideo量化版体验文生视频功能](https://17aitech.com/%e6%9c%ac%e5%9c%b0%e6%90%ad%e5%bb%bahunyuanvideo%e9%87%8f%e5%8c%96%e7%89%88%e4%bd%93%e9%aa%8c%e6%96%87%e7%94%9f%e8%a7%86%e9%a2%91%e5%8a%9f%e8%83%bd/): 见字如面，我的老友！这里是 17AITech，陪你深挖 AI，奋进科技浪潮。 背景 近期，OpenAI发布的Sora文生视频技术引起了广泛关注，这一技术能够将文
- [【学习工具】Transformer学习利器：transformer-explainer可视化工具](https://17aitech.com/%e3%80%90%e5%ad%a6%e4%b9%a0%e5%b7%a5%e5%85%b7%e5%88%86%e4%ba%ab%e3%80%91transformer%e5%ad%a6%e4%b9%a0%e5%88%a9%e5%99%a8%ef%bc%9atransformer-explainer%e5%8f%af%e8%a7%86%e5%8c%96%e5%b7%a5%e5%85%b7/): 前言 Transformer 架构已经成为大模型的主流架构，但是 Transformer 模型的内部工作原理往往难以理解。为了更好地理解 Transformer
- [【操作攻略】GPU云环境的使用介绍](https://17aitech.com/%e3%80%90%e6%93%8d%e4%bd%9c%e6%94%bb%e7%95%a5%e3%80%91gpu%e4%ba%91%e7%8e%af%e5%a2%83%e7%9a%84%e4%bd%bf%e7%94%a8%e4%bb%8b%e7%bb%8d/): 背景 随着深度学习框架应用（如YOLO）以及大模型的微调，租用GPU云环境是一种低成本、灵活性高的方案。本章将介绍众多云服务商中的两个选择：阿里云和趋动云。 模
- [【产品体验】使用Coze平台开发一个看图配诗的智能体](https://17aitech.com/%e3%80%90%e4%ba%a7%e5%93%81%e4%bd%93%e9%aa%8c%e3%80%91%e4%bd%bf%e7%94%a8coze%e5%b9%b3%e5%8f%b0%e5%bc%80%e5%8f%91%e4%b8%80%e4%b8%aa%e7%9c%8b%e5%9b%be%e9%85%8d%e8%af%97%e7%9a%84%e6%99%ba%e8%83%bd/): 前言 AI Agent（AI代理）是一种能够感知外部环境、进行自动决策和执行动作的智能实体。随着大模型技术的快速迭代，Agent的能力也逐步增强，目前部分场景已
- [【项目实战】通过LLaMaFactory+Qwen2-VL-2B微调一个多模态医疗大模型](https://17aitech.com/%e3%80%90%e9%a1%b9%e7%9b%ae%e5%ae%9e%e6%88%98%e3%80%91%e9%80%9a%e8%bf%87llamafactoryqwen2-vl-2b%e5%be%ae%e8%b0%83%e4%b8%80%e4%b8%aa%e5%a4%9a%e6%a8%a1%e6%80%81%e5%8c%bb%e7%96%97%e5%a4%a7%e6%a8%a1/): 前言 随着多模态大模型的发展，其不仅限于文字处理，更能够在图像、视频、音频方面进行识别与理解。医疗领域中，医生们往往需要对各种医学图像进行处理，以辅助诊断和治疗
- [【产品体验】使用LinkAI部署微信公众号智能客服](https://17aitech.com/%e3%80%90%e4%ba%a7%e5%93%81%e4%bd%93%e9%aa%8c%e3%80%91%e4%bd%bf%e7%94%a8linkai%e9%83%a8%e7%bd%b2%e5%be%ae%e4%bf%a1%e5%85%ac%e4%bc%97%e5%8f%b7%e6%99%ba%e8%83%bd%e5%ae%a2%e6%9c%8d/): 前言 在当今数字化时代，智能客服系统已经成为企业与客户之间沟通的重要桥梁。通过使用 LinkAI 搭建一个微信公众号的智能客服，不仅可以提升客户服务效率，还可以
- [【重拾数学知识】矢量的点乘和叉乘](https://17aitech.com/%e3%80%90%e9%87%8d%e6%8b%be%e6%95%b0%e5%ad%a6%e7%9f%a5%e8%af%86%e3%80%91%e7%9f%a2%e9%87%8f%e7%9a%84%e7%82%b9%e4%b9%98%e5%92%8c%e5%8f%89%e4%b9%98/): 【重拾数学知识】矢量的点乘和叉乘 前言 在科学与工程中，数学是理解和解决问题的基础。矢量作为一种重要的数学工具，广泛应用于物理、计算机科学和工程等领域。本文将探
- [【课程总结】day34：多模态大模型之ViT模型、CLIP模型论文阅读理解](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day34%ef%bc%9avit%e6%a8%a1%e5%9e%8b%e3%80%81clip%e6%a8%a1%e5%9e%8b%e8%ae%ba%e6%96%87%e9%98%85%e8%af%bb%e7%90%86%e8%a7%a3/): 前言 在 【课程总结】day31：多模态大模型初步了解 一文中，我们对多模态大模型的基本原理有了初步了解，本章内容将通过论文阅读理解，更进一步理解多模态大模型中
- [【课程总结】day33：文生图StableDiffusion模型初步了解以及部署体验](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day33%ef%bc%9a%e6%96%87%e7%94%9f%e5%9b%bestablediffusion%e6%a8%a1%e5%9e%8b%e5%88%9d%e6%ad%a5%e4%ba%86%e8%a7%a3%e4%bb%a5%e5%8f%8a%e9%83%a8%e7%bd%b2/): 前言 在 【课程总结】Day16：对抗生成网络GAN 中，我们曾接触了解了对抗生成GAN网络，本章将学习了解另外一种文生图的模型Diffusion扩展模型，并尝
- [【课程总结】day32(下)：Xinference部署向量化模型](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day32%e4%b8%8b%ef%bc%9axinference%e9%83%a8%e7%bd%b2%e5%90%91%e9%87%8f%e5%8c%96%e6%a8%a1%e5%9e%8b/): 前言 在 【课程总结】day24（下）：大模型部署调用(vLLM+LangChain) 一文中，我们曾学习到大模型需要借助 vLLM 进行部署。本章我们将介绍另
- [【课程总结】day32(上)：多模态大模型Qwen2的深入了解](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day32%e4%b8%8a%ef%bc%9a%e5%a4%9a%e6%a8%a1%e6%80%81%e5%a4%a7%e6%a8%a1%e5%9e%8bqwen2%e7%9a%84%e6%b7%b1%e5%85%a5%e4%ba%86%e8%a7%a3/): 前言 在上一章 【课程总结】day31：多模态大模型初步了解 中，我们在云服务器上部署了Qwen2-VL-2B模型，初步体验了Qwen2的多模态能力，本章我们将
- [【课程总结】day31：多模态大模型初步了解](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day31%ef%bc%9a%e5%a4%9a%e6%a8%a1%e6%80%81%e5%a4%a7%e6%a8%a1%e5%9e%8b%e5%88%9d%e6%ad%a5%e4%ba%86%e8%a7%a3/): 前言 随着2024年5月14日GPT-4o的发布，多模态大模型逐渐成为行业热点，国内各大厂商阿里、百度、智谱也相继发布了自己的多模态大模型。本章内容，我们将从多
- [【项目实战】基于Agent的金融问答系统：RAG的检索增强之上下文重排和压缩](https://17aitech.com/%e3%80%90%e9%a1%b9%e7%9b%ae%e5%ae%9e%e6%88%98%e3%80%91%e5%9f%ba%e4%ba%8eagent%e7%9a%84%e9%87%91%e8%9e%8d%e9%97%ae%e7%ad%94%e7%b3%bb%e7%bb%9f%ef%bc%9arag%e7%9a%84%e6%a3%80%e7%b4%a2%e5%a2%9e%e5%bc%ba-2/): 前言 在上一章 【项目实战】基于Agent的金融问答系统：RAG的检索增强之ElasticSearch 中，我们在已经构建的Agent框架上，通过集成检索器将E
- [【项目实战】基于Agent的金融问答系统：RAG的检索增强之ElasticSearch](https://17aitech.com/%e3%80%90%e9%a1%b9%e7%9b%ae%e5%ae%9e%e6%88%98%e3%80%91%e5%9f%ba%e4%ba%8eagent%e7%9a%84%e9%87%91%e8%9e%8d%e9%97%ae%e7%ad%94%e7%b3%bb%e7%bb%9f%ef%bc%9arag%e7%9a%84%e6%a3%80%e7%b4%a2%e5%a2%9e%e5%bc%ba/): 前言 本章内容，我们将在已经构建的agent框架基础上，优化检索器，为检索器搭建ElasticSearch服务，实现问答系统的检索增强。 检索问题 通过测试天池
- [【项目实战】基于Agent的金融问答系统：代码重构](https://17aitech.com/%e3%80%90%e9%a1%b9%e7%9b%ae%e5%ae%9e%e6%88%98%e3%80%91%e5%9f%ba%e4%ba%8eagent%e7%9a%84%e9%87%91%e8%9e%8d%e9%97%ae%e7%ad%94%e7%b3%bb%e7%bb%9f%ef%bc%9a%e4%bb%a3%e7%a0%81%e9%87%8d%e6%9e%84/): 前言 在上一章 【项目实战】基于Agent的金融问答系统：前后端流程打通 ，我们已经完成了金融问答系统的前后端搭建，形成了可用的Demo。本章，我们将介绍代码重
- [【项目实战】基于Agent的金融问答系统：前后端流程打通](https://17aitech.com/%e3%80%90%e9%a1%b9%e7%9b%ae%e5%ae%9e%e6%88%98%e3%80%91%e5%9f%ba%e4%ba%8eagent%e7%9a%84%e9%87%91%e8%9e%8d%e9%97%ae%e7%ad%94%e7%b3%bb%e7%bb%9f%ef%bc%9a%e5%89%8d%e5%90%8e%e7%ab%af%e6%b5%81%e7%a8%8b/): 前言 在上一章 《【项目实战】基于Agent的金融问答系统：Agent框架的构建》 中，我们已经完成了基于agent的问答系统主流程构建，本章将介绍如何将Age
- [【项目实战】基于Agent的金融问答系统：Agent框架的构建](https://17aitech.com/%e3%80%90%e9%a1%b9%e7%9b%ae%e5%ae%9e%e6%88%98%e3%80%91%e5%9f%ba%e4%ba%8eagent%e7%9a%84%e9%87%91%e8%9e%8d%e9%97%ae%e7%ad%94%e7%b3%bb%e7%bb%9f%ef%bc%9aagent%e6%a1%86%e6%9e%b6%e7%9a%84%e6%9e%84%e5%bb%ba/): 前言 上一章 【项目实战】基于Agent的金融问答系统：RAG检索模块初建成 ，我们已经完成了RAG的基本流程，本章我将梳理Agent的运行框架以及介绍如何将R
- [【项目实战】基于Agent的金融问答系统：RAG检索模块初建成](https://17aitech.com/%e3%80%90%e9%a1%b9%e7%9b%ae%e5%ae%9e%e6%88%98%e3%80%91%e5%9f%ba%e4%ba%8eagent%e7%9a%84%e9%87%91%e8%9e%8d%e9%97%ae%e7%ad%94%e7%b3%bb%e7%bb%9f%ef%bc%9arag%e6%a3%80%e7%b4%a2%e6%a8%a1%e5%9d%97%e5%88%9d/): 前言 我们在上一章《【项目实战】基于Agent的金融问答系统之项目简介》中简单介绍了项目背景以及数据集情况，本章将介绍RAG模块的实现。 功能列表 参考之前所学
- [【项目实战】基于Agent的金融问答系统：项目简介](https://17aitech.com/%e3%80%90%e9%a1%b9%e7%9b%ae%e5%ae%9e%e6%88%98%e3%80%91%e5%9f%ba%e4%ba%8eagent%e7%9a%84%e9%87%91%e8%9e%8d%e9%97%ae%e7%ad%94%e7%b3%bb%e7%bb%9f%e4%b9%8b%e9%a1%b9%e7%9b%ae%e7%ae%80%e4%bb%8b/): 前言 历经27天，我们小组所做的金融问答系统项目已经告一段落，目前该项目在天池大赛排行榜暂列56名，虽然排名还比较靠后(还有很多地方可以优化)，但是整个项目的实
- [【课程总结】day30：大模型之Agent的初步了解](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day30%ef%bc%9a%e5%a4%a7%e6%a8%a1%e5%9e%8b%e4%b9%8bagent%e7%9a%84%e5%88%9d%e6%ad%a5%e4%ba%86%e8%a7%a3/): 前言 电影《钢铁侠》中的智能助手J.A.R.V.I.S.是一位得力的助手，它不但有强大的理解能力，而且还具备执行行动的能力。随着技术的不断进步，类似于贾维斯的A
- [【课程总结】day29：大模型之深入了解Retrievers解析器](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day29%ef%bc%9a%e5%a4%a7%e6%a8%a1%e5%9e%8b%e4%b9%8b%e6%b7%b1%e5%85%a5%e4%ba%86%e8%a7%a3retrievers%e8%a7%a3%e6%9e%90%e5%99%a8/): 前言 在上一章 【课程总结】day28：大模型之深入探索RAG流程 中，我们对RAG流程中 文档读取(LOAD) - 文档切分(SPLIT) - 向量化(EMB
- [【课程总结】day28：大模型之深入探索RAG流程](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day28%ef%bc%9a%e5%a4%a7%e6%a8%a1%e5%9e%8b%e4%b9%8b%e6%b7%b1%e5%85%a5%e6%8e%a2%e7%b4%a2rag%e6%b5%81%e7%a8%8b/): 前言 在上一章 【课程总结】day27：大模型之初识RAG 中，我们初步了解了RAG的基本概念和原理，并通过代码实践了一个简单的RAG流程。本章我们将基于RAG
- [【产品体验】趋动云上使用LLaMaFactory进行模型微调的流程体验](https://17aitech.com/%e3%80%90%e4%ba%a7%e5%93%81%e4%bd%93%e9%aa%8c%e3%80%91%e8%b6%8b%e5%8a%a8%e4%ba%91%e4%b8%8a%e4%bd%bf%e7%94%a8llamafactory%e8%bf%9b%e8%a1%8c%e6%a8%a1%e5%9e%8b%e5%be%ae%e8%b0%83%e7%9a%84%e6%b5%81/): 前言 随着AI的火热，与之配套的产品生态也越来越丰富，既有类似文心一言、豆包的AI类产品，也有阿里云、魔塔社区、百度千帆大模型平台等等一众AI辅助类开发平台或产
- [【课程总结】day27：大模型之初识RAG](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day27%ef%bc%9a%e5%a4%a7%e6%a8%a1%e5%9e%8b%e4%b9%8b%e5%88%9d%e5%a7%8brag/): 前言 通过前几章的学习，我们已经掌握连接一个第三方大模型，使用LangChain与大模型建立交互，并且通过Prompt进行提问，得到相应的回答。本章我们将开始了
- [【课程总结】day26：大模型应用开发之Prompt进阶使用](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day26%ef%bc%9a%e5%a4%a7%e6%a8%a1%e5%9e%8b%e5%ba%94%e7%94%a8%e5%bc%80%e5%8f%91%e4%b9%8bprompt%e8%bf%9b%e9%98%b6%e4%bd%bf%e7%94%a8/): 前言 在上一章 【课程总结】day25：大模型应用之Prompt的初步了解 的学习中，我们了解了大模型上层开发中Prompt的基本流程。本章，我们将对Promp
- [【课程总结】day25：大模型应用开发之Prompt初步了解](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day25%ef%bc%9a%e5%a4%a7%e6%a8%a1%e5%9e%8b%e5%ba%94%e7%94%a8%e4%b9%8bprompt%e7%9a%84%e5%88%9d%e6%ad%a5%e4%ba%86%e8%a7%a3/): 前言 在上一章，我们主要了解了 什么是LangChain以及基本的部署方式 ，本章将结合LangChain框架，了解大模型的应用方式：即Prompt。 大模型的
- [【课程总结】day24（下）：大模型部署调用(vLLM+LangChain)](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day24%ef%bc%88%e4%b8%8b%ef%bc%89%ef%bc%9a%e5%a4%a7%e6%a8%a1%e5%9e%8b%e9%83%a8%e7%bd%b2%e8%b0%83%e7%94%a8vllmlangchain/): 前言 在上一章 【课程总结】day24（上）：大模型三阶段训练方法(LLaMa Factory) 内容中主要了解一个大模型的训练过程，无论是第三方的大模型还是自
- [【课程总结】day24（上）：大模型三阶段训练方法(LLaMa Factory)](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day24%ef%bc%88%e4%b8%8a%ef%bc%89%ef%bc%9a%e5%a4%a7%e6%a8%a1%e5%9e%8b%e5%85%b7%e4%bd%93%e8%ae%ad%e7%bb%83%e6%96%b9%e6%b3%95llama-factory/): 前言 本章我们将通过 LLaMA-Factory 具体实践大模型训练的三个阶段，包括：预训练、监督微调和偏好纠正。 大模型训练回顾 训练目标 训练一个医疗大模型
- [【课程总结】day23：大模型训练策略（BERT模型与GLM模型）](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day23%ef%bc%9a%e5%a4%a7%e6%a8%a1%e5%9e%8b%e8%ae%ad%e7%bb%83%e7%ad%96%e7%95%a5%ef%bc%88bert%e6%a8%a1%e5%9e%8b%e4%b8%8eglm%e6%a8%a1%e5%9e%8b/): 前言 在前两章的学习中，我们了解到 大模型的训练过程 ，其中Base model(底座大模型)的训练采用了 挖空填空 的策略。本章我们将结合 BERT 和 GL
- [【课程总结】day22：大模型体验之Qwen2模型](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day22%ef%bc%9aqwen%e6%a8%a1%e5%9e%8b%e7%9a%84%e4%bd%93%e9%aa%8c/): 前言 在上一章 【课程总结】day21（下）：大模型的三大架构及T5体验 中，我们体验了Encoder-Decoder架构的T5模型。本章内容，我们将以Deco
- [【课程总结】day21（下）：大模型的三大架构及T5体验](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day21%ef%bc%88%e4%b8%8b%ef%bc%89%ef%bc%9a%e5%a4%a7%e6%a8%a1%e5%9e%8b%e7%9a%84%e6%9e%b6%e6%9e%84%e4%ba%86%e8%a7%a3%e5%8f%8at5%e4%bd%93%e9%aa%8c/): 前言 在前两篇学习中 【课程总结】day19（中）：Transformer架构及注意力机制了解 ，我们初步了解大模型的公共底层架构 Transformer 的构
- [【课程总结】day21（上）：Transformer源码深入理解之预测过程](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day21%ef%bc%88%e4%b8%8a%ef%bc%89%ef%bc%9atransformer%e6%ba%90%e7%a0%81%e6%b7%b1%e5%85%a5%e7%90%86%e8%a7%a3-%e9%a2%84%e6%b5%8b%e8%bf%87%e7%a8%8b/): 前言 在上一章 【课程总结】day20：Transformer源码深入理解-训练过程 总结中，我们对Transformer的训练过程进行了详细的分析，本章将介绍
- [【课程总结】day20：Transformer源码深入理解之训练过程](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day20%ef%bc%9atransformer%e6%ba%90%e7%a0%81%e6%b7%b1%e5%85%a5%e7%90%86%e8%a7%a3-%e8%ae%ad%e7%bb%83%e8%bf%87%e7%a8%8b/): 前言 在上一章 【课程总结】day19（下）：Transformer源码深入理解 总结中，我们对Transformer架构以及初始化部分做了梳理，本章我们将对T
- [【课程总结】day19（下）：Transformer源码深入理解之构建模型流程](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day19%ef%bc%88%e4%b8%8b%ef%bc%89%ef%bc%9atransformer%e6%ba%90%e7%a0%81%e6%b7%b1%e5%85%a5%e7%90%86%e8%a7%a3/): 前言 在上一章 【课程总结】day19（下）：Transformer架构及注意力机制了解 总结中，我们对Transformer架构以及注意力机制有了初步了解，本
- [【课程总结】day19（中）：Transformer架构及注意力机制了解](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day19%ef%bc%88%e4%b8%ad%ef%bc%89%ef%bc%9atransformer%e6%9e%b6%e6%9e%84%e5%8f%8a%e6%b3%a8%e6%84%8f%e5%8a%9b%e6%9c%ba%e5%88%b6%e4%ba%86%e8%a7%a3/): 前言 本章内容，我们将从注意力的基础概念入手，结合Transformer架构，由宏观理解其运行流程，然后逐步深入了解多头注意力、多头掩码注意力、融合注意力等概念
- [【课程总结】day19（上）：大模型简介](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day19%ef%bc%88%e4%b8%8a%ef%bc%89%ef%bc%9a%e5%a4%a7%e6%a8%a1%e5%9e%8b%e7%ae%80%e4%bb%8b/): 前言 终于，我们的课程将要进入到当前最为火热的大模型部分。本章内容，我们将开始了解大模型，其中的内容包含大模型的发展历史、大模型的特点、大模型底层架构Trans
- [【课程总结】Day18：Seq2Seq的深入了解](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day18%ef%bc%9aseq2seq%e7%9a%84%e6%b7%b1%e5%85%a5%e4%ba%86%e8%a7%a3/): 前言 在上一章 【课程总结】Day17（下）：初始Seq2Seq模型 中，我们初步了解了Seq2Seq模型的基本情况及代码运行效果，本章内容将深入了解Seq2S
- [【课程总结】Day17（下）：初始Seq2Seq模型](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day17%ef%bc%88%e4%b8%8b%ef%bc%89%ef%bc%9a%e5%88%9d%e5%a7%8bseq2seq%e6%a8%a1%e5%9e%8b/): 前言 "日月忽其不淹兮，春与秋其代序。" 技术更新的车轮在滚滚向前，曾经名噪一时的RNN模型，在新的技术革新下也渐渐落幕，本章我们将初步了解Seq2Seq模型，
- [【课程总结】Day17（中）：LSTM及GRU模型简介](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day17%ef%bc%88%e4%b8%ad%ef%bc%89%ef%bc%9alstm%e5%8f%8agru%e6%a8%a1%e5%9e%8b%e7%ae%80%e4%bb%8b/): 前言 在上一章 【课程总结】Day17(上)：NLP自然语言处理及RNN网络 我们初步了解RNN的基本概念和原理。本章内容，我们将继续了解RNN的变种模型，如L
- [【课程总结】Day17（上）：NLP自然语言处理及RNN网络](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day17%e4%b8%8a%ef%bc%9anlp%e8%87%aa%e7%84%b6%e8%af%ad%e8%a8%80%e5%a4%84%e7%90%86%e5%8f%8arnn%e7%bd%91%e7%bb%9c/): 前言 在机器学习章节 【课程总结】Day6（上）：机器学习项目实战–外卖点评情感分析预测 中，我们曾借助sklearn进行了外卖点评的情感分析预测；接下来，我们
- [【课程总结】Day16：对抗生成网络GAN](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day16%ef%bc%9a%e5%af%b9%e6%8a%97%e7%94%9f%e6%88%90%e7%bd%91%e7%bb%9cgan/): 前言 在前一阶段课程中，我们学习了图像分割中的 语义分割 、 实例分割 、 旋转目标检测 等。这些图像分割算法都是 有监督学习 ，而GAN（生成对抗网络）是一种
- [【课程总结】Day15（下）：图像分割之旋转目标检测](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day15%ef%bc%88%e4%b8%8b%ef%bc%89%ef%bc%9a%e5%9b%be%e5%83%8f%e5%88%86%e5%89%b2%e4%b9%8b%e6%97%8b%e8%bd%ac%e7%9b%ae%e6%a0%87%e6%a3%80%e6%b5%8b/): 前言 在前两章 【课程总结】Day15（上）：图像分割之语义分割 和 【课程总结】Day15（中）：图像分割之实例分割 中，我们学习掌握了语义分割和实例分割。在
- [【课程总结】Day15（中）：图像分割之实例分割](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day15%ef%bc%88%e4%b8%ad%ef%bc%89%ef%bc%9a%e5%9b%be%e5%83%8f%e5%88%86%e5%89%b2%e4%b9%8b%e5%ae%9e%e4%be%8b%e5%88%86%e5%89%b2/): 前言 在上一章，我们通过学习了解了语义分割以及U-Net网络结构 【课程总结】Day15（上）：图像分割之语义分割 。在本章，我们将学习了解图像分割中的实例分割
- [【课程总结】Day15（上）：图像分割之语义分割](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day15%ef%bc%88%e4%b8%8a%ef%bc%89%ef%bc%9a%e5%9b%be%e5%83%8f%e5%88%86%e5%89%b2%e4%b9%8b%e8%af%ad%e4%b9%89%e5%88%86%e5%89%b2/): 前言 上一章我们已经学习掌握了计算机视觉中的人脸检测 【课程总结】Day14：MTCNN过程的深入理解 ，接下来的我们将学习了解计算机视觉中：语义分割和图像分割
- [【课程总结】Day14：MTCNN过程的深入理解](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day14%ef%bc%9amtcnn%e8%bf%87%e7%a8%8b%e7%9a%84%e6%b7%b1%e5%85%a5%e7%90%86%e8%a7%a3/): 前言 在上一章 【课程总结】Day13（下）：人脸识别和MTCNN模型 中，我们初步了解了人脸识别的概念以及MTCNN的网络结构，借助开源项目的代码，初步在本地
- [【课程总结】Day13（下）：人脸识别和MTCNN模型](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day13%ef%bc%88%e4%b8%8b%ef%bc%89%ef%bc%9a%e4%ba%ba%e8%84%b8%e8%af%86%e5%88%ab%e5%92%8cmtcnn%e6%a8%a1%e5%9e%8b/): 前言 在上一章课程 【课程总结】Day13（上）：使用YOLO进行目标检测 ，我们了解到目标检测有两种策略，一种是以YOLO为代表的策略：特征提取→切片→分类回
- [【课程总结】Day13（上）：使用YOLO进行目标检测](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day13%ef%bc%88%e4%b8%8a%ef%bc%89%ef%bc%9ayolo%e7%9b%ae%e6%a0%87%e6%a3%80%e6%b5%8b/): 前言 在上一章 《【课程总结】Day11（下）：YOLO的入门使用》 的学习中，我们通过YOLO实现了对图片的分类任务。本章的学习内容，将以目标检测为切入口，了
- [【课程总结】Day12：YOLO的深入了解](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day12%ef%bc%9ayolo%e7%9a%84%e6%b7%b1%e5%85%a5%e4%ba%86%e8%a7%a3/): 前言 在 【课程总结】Day11（下）：YOLO的入门使用 一节中，我们已经了解YOLO的使用方法，使用过程非常简单，训练时只需要三行代码：引入YOLO，构建模
- [【课程总结】Day11（下）：YOLO的入门使用](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day11%ef%bc%88%e4%b8%8b%ef%bc%89%ef%bc%9ayolo%e7%9a%84%e5%85%a5%e9%97%a8%e4%bd%bf%e7%94%a8/): 前言 YOLO的简介 YOLO（You Only Look Once）是一种流行的目标检测算法，由Joseph Redmon等人于2015年提出。YOLO的设计
- [【课程总结】Day11（中）：手势图像识别实战(Vgg16和ResNet)](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day11%ef%bc%88%e4%b8%ad%ef%bc%89%ef%bc%9a%e6%89%8b%e5%8a%bf%e5%9b%be%e5%83%8f%e8%af%86%e5%88%ab%e5%ae%9e%e6%88%98vgg16%e5%92%8cresnet/): 前言 在上一章 《【课程总结】Day11（上）：手势图像识别实战(LeNet模型)》 课程中，我们通过使用LeNet模型实现了手势识别。在本章内容中，我们将搭建
- [【课程总结】Day11（上）：手势图像识别实战(LeNet模型)](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day11%ef%bc%88%e4%b8%8a%ef%bc%89%ef%bc%9a%e6%89%8b%e5%8a%bf%e5%9b%be%e5%83%8f%e8%af%86%e5%88%ab%e5%ae%9e%e6%88%98lenet%e6%a8%a1%e5%9e%8b/): 前言 上一章内容我们初步了解了卷积、卷积神经网络、卷积神经网络的搭建过程以及经典的LeNet网络结构，本篇内容将基于LeNet网络结构，实现手势识别。 手势识别
- [【课程总结】Day10：卷积网络的基本构成](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day10%ef%bc%9a%e5%8d%b7%e7%a7%af%e7%bd%91%e7%bb%9c%e7%9a%84%e5%9f%ba%e6%9c%ac%e6%9e%84%e6%88%90/): 前言 由于接下来的课程内容将围绕计算机视觉展开，其中接触最多的内容是卷积、卷积神经网络等...因此，本篇内容将从卷积入手，梳理理解：卷积的意义、卷积在图像处理中
- [【课程总结】Day9：机器学习主要知识点梳理](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day9%ef%bc%9a%e6%9c%ba%e5%99%a8%e5%ad%a6%e4%b9%a0%e4%b8%bb%e8%a6%81%e7%9f%a5%e8%af%86%e7%82%b9%e6%a2%b3%e7%90%86/)
- [【课程总结】Day8（下）：计算机视觉基础入门](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day8%ef%bc%88%e4%b8%8b%ef%bc%89%ef%bc%9a%e8%ae%a1%e7%ae%97%e6%9c%ba%e8%a7%86%e8%a7%89%e5%9f%ba%e7%a1%80%e5%85%a5%e9%97%a8/): 前言 数据结构 在人工智能领域，机器可以处理的数据类型如上图，大约可以分为以上类别。其中较为常用的数据类别有： 表格类数据 数据特点： 成行成列：一行一个样本，
- [【课程总结】Day8（上）：深度学习基本流程](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day9%ef%bc%88%e4%b8%8a%ef%bc%89%ef%bc%9a%e6%b7%b1%e5%ba%a6%e5%ad%a6%e4%b9%a0%e5%9f%ba%e6%9c%ac%e6%b5%81%e7%a8%8b/): 前言 在上一篇课程 《【课程总结】Day7：深度学习概述》 中，我们了解到： 模型训练过程→本质上是固定w和b参数的过程； 让模型更好→本质上就是让模型的损失值
- [【课程总结】Day7：深度学习概述](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day7%ef%bc%9a%e6%b7%b1%e5%ba%a6%e5%ad%a6%e4%b9%a0%e6%a6%82%e8%bf%b0/): 前言 本篇文章，我们将通过示例来逐步学习理解导数、求函数最小值、深度学习的本质、以及使用numpy和pytorch实操深度学习训练过程。 线性回归 线性回归内容
- [【重拾数学知识】导数、极值和最值](https://17aitech.com/%e3%80%90%e9%87%8d%e6%8b%be%e6%95%b0%e5%ad%a6%e7%9f%a5%e8%af%86%e3%80%91%e5%af%bc%e6%95%b0%e3%80%81%e6%9e%81%e5%80%bc%e5%92%8c%e6%9c%80%e5%80%bc/): 前言 在深度学习中，梯度下降法是一种常用的优化算法，用于更新模型参数以最小化损失函数。这梯度下降法中涉及到数学中的 导数 、 极值 等相关知识，因此我们重新回顾
- [pytorch安装使用常见问题指南](https://17aitech.com/pytorch%e5%ae%89%e8%a3%85%e4%bd%bf%e7%94%a8%e5%b8%b8%e8%a7%81%e9%97%ae%e9%a2%98%e6%8c%87%e5%8d%97/): 前言 看到各位小伙伴总是因为各种各样的环境问题陷入苦恼，所以我觉得有必要把常见问题和解决问题整理成册，以便大家从环境配置问题中解放出来，将精力更多地投入到课程中
- [【课程总结】Day6（下）：机器学习项目实战–成人收入预测](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day6%e4%b8%8b%ef%bc%9a%e6%9c%ba%e5%99%a8%e5%ad%a6%e4%b9%a0%e9%a1%b9%e7%9b%ae%e5%ae%9e%e6%88%98-%e6%88%90%e4%ba%ba%e6%94%b6%e5%85%a5/): 机器学习项目实战：成人收入预测 项目目的 基于个人收入数据(包括教育程度、年龄、性别等)的数据集，通过机器学习算法，预测一个人的年收入是否超过5万美金。 数据集
- [【课程总结】Day6（上）：机器学习项目实战--外卖点评情感分析预测](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day6%e4%b8%8a%ef%bc%9a%e6%9c%ba%e5%99%a8%e5%ad%a6%e4%b9%a0%e9%a1%b9%e7%9b%ae%e5%ae%9e%e6%88%98-%e5%a4%96%e5%8d%96%e7%82%b9%e8%af%84%e6%83%85/): 机器学习项目实战：外卖点评情感分析预测 项目目的 基于中文外卖评论数据集，通过机器学习算法，对评论内容进行情感预测。 数据集 地址： http://idatas
- [【课程总结】Day5（下）：PCA降维、SVD分解、聚类算法和集成学习](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day5%e4%b8%8b%ef%bc%9apca%e9%99%8d%e7%bb%b4%e3%80%81svd%e5%88%86%e8%a7%a3%e3%80%81%e8%81%9a%e7%b1%bb%e7%ae%97%e6%b3%95%e5%92%8c%e9%9b%86/): 线性回归 分类与线性回归 假设有以下两种场景： 场景一 ：假设你要开发一个垃圾邮件过滤器。通过收集大量的已标记为垃圾邮件和非垃圾邮件的电子邮件数据，利用分类算法
- [AutoDL平台的使用指南](https://17aitech.com/autodl%e5%b9%b3%e5%8f%b0%e7%9a%84%e4%bd%bf%e7%94%a8%e6%8c%87%e5%8d%97/): 前言 看到各位小伙伴总是因为各种各样的环境问题陷入苦恼，所以我觉得有必要把一些实用的方法共享出来，以便大家从环境配置问题中解放出来。 解决什么问题 很多小伙伴因
- [【课程总结】Day5（上）：科学计算神器Numpy、Pytorch和数据预处理](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day5%e4%b8%8a%ef%bc%9a%e7%a7%91%e5%ad%a6%e8%ae%a1%e7%ae%97%e7%a5%9e%e5%99%a8numpy%e3%80%81pytorch%e5%92%8c%e6%95%b0%e6%8d%ae%e9%a2%84%e5%a4%84/): 数据科学基础 科学计算神器之一Numpy的使用 矩阵的基本操作(使用Numpy) import numpy as np # 快速构建矩阵 matrix = np
- [【课程总结】Day4：信息论和决策树算法](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day4%ef%bc%9a%e4%bf%a1%e6%81%af%e8%ae%ba%e5%92%8c%e5%86%b3%e7%ad%96%e6%a0%91%e7%ae%97%e6%b3%95/): 前言 本章内容主要是学习机器学习中的一个重要模型： 决策树 ，围绕决策树的应用，我们展开了解到：熵的定义、熵的计算、决策树的构建过程(基于快速降熵)、基尼系数等
- [【课程总结】Day3：概率和贝叶斯算法](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day3%ef%bc%9a%e6%a6%82%e7%8e%87%e5%92%8c%e8%b4%9d%e5%8f%b6%e6%96%af%e7%ae%97%e6%b3%95/): 前言 本章内容主要是学习了概率相关的知识，包括： 概率 、 离散型概率 计算方法、 连续性概率 计算方法、 条件概率 等数理统计知识，同时结合 高斯贝叶斯 算法
- [【重拾数学知识】向量、内积、余弦定理](https://17aitech.com/%e3%80%90%e9%87%8d%e6%8b%be%e6%95%b0%e5%ad%a6%e7%9f%a5%e8%af%86%e3%80%91%e5%90%91%e9%87%8f%e3%80%81%e5%86%85%e7%a7%af%e3%80%81%e4%bd%99%e5%bc%a6%e5%ae%9a%e7%90%86/): 前言 在机器学习中， 距离度量 在CV 、NLP以及数据分析等领域都有众多的应用。最常见的距离度量有 余弦距离 。本篇文章内容，主要将余弦距离中涉及到的高中数学
- [【课程总结】Day2：KNN算法](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91day2%ef%bc%9aknn%e7%ae%97%e6%b3%95/): 前言 上节课主要学习了机器学习的基本项目流程，具体请见 【课程总结】Day1：人工智能的核心概念 。 本章学习的内容主要是机器学习最简单的一个算法： KNN算法
- [【课程总结】Day1：人工智能的核心概念](https://17aitech.com/%e3%80%90%e8%af%be%e7%a8%8b%e6%80%bb%e7%bb%93%e3%80%91%e4%ba%ba%e5%b7%a5%e6%99%ba%e8%83%bd%e7%9a%84%e6%a0%b8%e5%bf%83%e6%a6%82%e5%bf%b5/): 概念一：机器学习(Machine Learning) Machine ：不是物理机器，可以理解为：平台、系统、软件、代码 Learning ：一个平台/系统，经
- [本地通过open-webui+ollama部署大模型](https://17aitech.com/%e6%9c%ac%e5%9c%b0%e9%80%9a%e8%bf%87open-webuiollama%e9%83%a8%e7%bd%b2%e5%a4%a7%e6%a8%a1%e5%9e%8b/): 前言 由于通过Python方式与Llama3大模型对话不够友好(如下图所示)，所以我们可以借助开源的WebUI的交互界面，与大模型进行对话来实现沟通方式。 Py
- [Llama3模型试用笔记](https://17aitech.com/llama3%e6%a8%a1%e5%9e%8b%e8%af%95%e7%94%a8%e7%ac%94%e8%ae%b0-%e7%8e%af%e5%a2%83%e5%87%86%e5%a4%87%e7%af%87/): 前言 听了晓华老师分享的模型微调第一节课，其中有不少知识点需要后续查询资料了解，所以我对知识要点做了部分记录总结。同时模型微调涉及到一些基本的环境准备操作，例如