<?xml version="1.0" encoding="utf-8"?>
<rss version="2.0">
<channel>
<title><![CDATA[鸟语天空]]></title> 
<description><![CDATA[不怨天,不尤人,下学而上达,知我者其天乎!]]></description>
<link>http://www.devacg.com/</link>
<language>zh-cn</language>
<generator>www.emlog.net</generator>
<item>
	<title>Python 自注意力机制在多模态特征融合中的应用</title>
	<link>http://www.devacg.com/?post=1825</link>
	<description><![CDATA[  自注意力机制是一种模拟人类注意力选择能力的机制，允许模型在处理信息时聚焦于输入数据的关键部分。它通过计算查询向量与键向量之间的相似度来生成注意力权重，然后利用这些权重对值向量进行加权求和，从而突出重要信息并抑制不相关信息。 （1）跨模态注意力机制   跨模态注意力机制旨在处理多模态数据(如图像和文本)。它通过在不同模态之间建立关联，使模型能够综合利用多种模态的信息。例如，在图像描述任务中，模型可以通过跨模态注意力机制将图像中的区域与文本中的词语相关联，从而生成更准确的描述。跨模态注意力机制的实现通常涉及不同模态特征的对齐和融合，如通过双线性注意力机制或对比学习来增强模型对多模态信息的理解。 （2）稀疏注意力机制 <a href="http://www.devacg.com/?post=1825">阅读全文&gt;&gt;</a>]]></description>
	<pubDate>Thu, 25 Jun 2026 07:01:26 +0000</pubDate>
	<author>追风剑情</author>
	<guid>http://www.devacg.com/?post=1825</guid>

</item>
<item>
	<title>Python BERT 多任务学习</title>
	<link>http://www.devacg.com/?post=1824</link>
	<description><![CDATA[  多任务学习(multi-task learning)是指通过同时训练模型完成多个相关任务提高模型的泛化能力。例如，可以同时训练一个模型进行图像分类和文本生成，从而使模型能够更好地理解图像和文本之间的关系。下面的实例演示了在模型训练中使用预训练模型实现多任务学习的过程。在这个例子中，使用预训练的ResNet模型提取图像特征，使用预训练的BERT模型提取文本特征，然后将这些特征用于两个不同的任务:图像分类和文本分类。 示例 # ---------- 1. 开启离线模式（必须在所有 import 之前） ---------- import os os.environ[T... <a href="http://www.devacg.com/?post=1824">阅读全文&gt;&gt;</a>]]></description>
	<pubDate>Wed, 24 Jun 2026 09:05:03 +0000</pubDate>
	<author>追风剑情</author>
	<guid>http://www.devacg.com/?post=1824</guid>

</item>
<item>
	<title>Python 下载BERT模型并保存到本地</title>
	<link>http://www.devacg.com/?post=1823</link>
	<description><![CDATA[示例： import os # 设置Hugging Face镜像源 os.environ['HF_ENDPOINT'] = 'https://hf-mirror.com' # 然后是你的原有下载代码 from transformers import AutoTokenizer, AutoModel model_name = bert-base-uncased print(正在从镜像站下载模型...) model = AutoModel.from_pretrained(model_name) tokenizer = AutoTokenizer.from_pretraine... <a href="http://www.devacg.com/?post=1823">阅读全文&gt;&gt;</a>]]></description>
	<pubDate>Wed, 24 Jun 2026 08:21:55 +0000</pubDate>
	<author>追风剑情</author>
	<guid>http://www.devacg.com/?post=1823</guid>

</item>
<item>
	<title>Python LangServe 服务</title>
	<link>http://www.devacg.com/?post=1820</link>
	<description><![CDATA[  LangServe 是 LangChain 官方推出的一个工具，可以把它理解成一个 “大模型应用部署器” 。它能帮你把用 LangChain 构建的应用（比如一个问答链、一个智能代理）快速打包成一个标准的 REST API 服务，这样其他程序（比如你的前端页面、手机App）就能通过 HTTP 请求来调用它了。 示例： # 更新导入路径 from fastapi import FastAPI # 从 langchain_core 导入提示词模板 from langchain_core.prompts import ChatPromptTemplate # 从 la... <a href="http://www.devacg.com/?post=1820">阅读全文&gt;&gt;</a>]]></description>
	<pubDate>Thu, 18 Jun 2026 07:07:07 +0000</pubDate>
	<author>追风剑情</author>
	<guid>http://www.devacg.com/?post=1820</guid>

</item>
<item>
	<title>Python 让DeepSeek返回JSON结构</title>
	<link>http://www.devacg.com/?post=1819</link>
	<description><![CDATA[示例： import json
import re
import requests # Ollama API 地址
OLLAMA_URL = http://localhost:11434/api/generate # 模型名称（根据你的 ollama list 输出）
MODEL_NAME = deepseek-r1:7b def ask_deepseek_json(prompt, system_prompt=None):  向 deepseek-r1:7b 发送请求，要求返回 JSON 结构。 返回解析后的 Python 字典，若失败则返回 None。 ... <a href="http://www.devacg.com/?post=1819">阅读全文&gt;&gt;</a>]]></description>
	<pubDate>Thu, 18 Jun 2026 06:32:20 +0000</pubDate>
	<author>追风剑情</author>
	<guid>http://www.devacg.com/?post=1819</guid>

</item>
<item>
	<title>Python CLIP 多模态对齐</title>
	<link>http://www.devacg.com/?post=1817</link>
	<description><![CDATA[多模态对齐是指将来自不同模态（例如文本、图像、音频、视频）的信息映射到同一个语义向量空间中，使得语义相似的内容在该空间中彼此靠近，而语义不同的内容相互远离。 多模态对齐的核心是学习一个共享的嵌入空间，让不同模态的数据可以相互比较、检索、生成。典型的应用包括： 图文检索：用文字搜索图片，或用图片搜索文字。 零样本分类：用类别名称的向量与图像向量比较，直接分类。 图文生成：如 DALL-E、Stable Diffusion，根据文本生成对齐的图像。 <a href="http://www.devacg.com/?post=1817">阅读全文&gt;&gt;</a>]]></description>
	<pubDate>Thu, 11 Jun 2026 07:31:21 +0000</pubDate>
	<author>追风剑情</author>
	<guid>http://www.devacg.com/?post=1817</guid>

</item>
<item>
	<title>Python 大模型微调</title>
	<link>http://www.devacg.com/?post=1815</link>
	<description><![CDATA[一、什么情况下需要做模型微调？ 当你有一个预训练模型（如 BERT、ResNet、Whisper 等），并且希望将其应用到一个与预训练任务不完全相同的下游任务时，就需要微调。 二、什么情况下需要做全参数微调？ 当你数据充足且需要最高性能，或者任务与预训练任务差异很大时，选择全参数微调。通常需要数千到数万条标注数据，以防止过拟合。数据越少，过拟合风险越高。 三、什么情况下只需要做全连接层微调？ 如果预训练模型的特征提取器已经能够很好地表征你的数据。或者数据非常少（几十到几百条）、希望节省资源、或快速验证特征质量时，优先选择仅微调全连接层（线性探测）。 ... <a href="http://www.devacg.com/?post=1815">阅读全文&gt;&gt;</a>]]></description>
	<pubDate>Wed, 10 Jun 2026 08:13:55 +0000</pubDate>
	<author>追风剑情</author>
	<guid>http://www.devacg.com/?post=1815</guid>

</item>
<item>
	<title>Python 语音转文本(wav2vec2)</title>
	<link>http://www.devacg.com/?post=1814</link>
	<description><![CDATA[一、下载 FFmpeg 下载 ffmpeg-release-full.7z  将 ffmpeg 的 bin 目录配置到环境变量中。 示例： import os
os.environ[HF_ENDPOINT] = https://hf-mirror.com
import argparse
import torch
from transformers import Wav2Vec2ForCTC, Wav2Ve... <a href="http://www.devacg.com/?post=1814">阅读全文&gt;&gt;</a>]]></description>
	<pubDate>Tue, 09 Jun 2026 09:17:06 +0000</pubDate>
	<author>追风剑情</author>
	<guid>http://www.devacg.com/?post=1814</guid>

</item>
<item>
	<title>Python 音频特征提取</title>
	<link>http://www.devacg.com/?post=1813</link>
	<description><![CDATA[Mel 频谱图 将音频信号转换为梅尔标度的频谱，模拟人耳对频率的非线性感知。 MFCC 特征 MFCC（梅尔频率倒谱系数），从 Mel 频谱进一步提取倒谱系数，是语音识别、说话人识别等任务的经典特征，压缩了声道特性。 对数功率谱 将功率谱转换为分贝（dB）单位，更符合人耳响度感知。 语音相关任务：MFCC 和 Mel 频谱图是主流特征，用于唤醒词检测、情感识别等。 音乐相关任务：Mel 频谱图常用于流派分类、节拍检测等。 &emsp;&emsp;在大模型嵌入... <a href="http://www.devacg.com/?post=1813">阅读全文&gt;&gt;</a>]]></description>
	<pubDate>Tue, 09 Jun 2026 07:46:33 +0000</pubDate>
	<author>追风剑情</author>
	<guid>http://www.devacg.com/?post=1813</guid>

</item>
<item>
	<title>Python YOLO 配置运行环境</title>
	<link>http://www.devacg.com/?post=1811</link>
	<description><![CDATA[一、查看自己的GPU 在PowerShell中输入命令 nvidia-smi 二、创建Python环... <a href="http://www.devacg.com/?post=1811">阅读全文&gt;&gt;</a>]]></description>
	<pubDate>Mon, 01 Jun 2026 08:30:46 +0000</pubDate>
	<author>追风剑情</author>
	<guid>http://www.devacg.com/?post=1811</guid>

</item></channel>
</rss>