hzp666的博客

原创 AI商业智能的一些分享

本文主要讲AI商业相关的（特别是营销相关的）一些知识点，比较零散。简单总结 AI商业智能：1）将人员经验抽象化为算法规则，2)打造数据驱动的精益运营能力，3)长期保持价格竞争力并将商品毛利让渡给消费者，4)持续为顾客提供年书电汉质优价实的商品及服务体验。

原创 AI商业智能的一些分享

2.现在的智能体 AI agent 它不再是一个简单的产品，而更像是一个人，是未来新组织形态中心的形态体（当然这里不是数字人的概念，本质还是算法，是多模态的智能体）。用户偏好，从过去的购买、评论、观看、互动、购前行为（等待、决策、思考、犹豫）、购后行为（向别人推荐、放入购物篮、退换货）；AI项目的管理者，不再是简单的产品经理、或者项目经理，而是一个既要懂技术、产品，又要有领导力，管理能力的人。该阶段核心操作是找一个稀缺的品类/渠道，或者创造一个全新的品类/渠道，打广告宣传某些渠道、品类等。

原创 idea新建一个springboot项目

本文分为几个部分，首先是在idea中新建项目，然后是配置 项目的目录（新建controller、service、dao等），然后是自定义的一些工具类（比如启动后打印地址等）。

转载 编写VUE3程序，VUE3 + vite + elements-plus

可以使用pnpm 安装。

原创 Python对docx文本一些操作

文本要是docx结尾安装 Python-docx 包。

原创 Python中Python-docx 包的run介绍

先对run做一个简单地介绍。每个paragraph对象都包含一个run对象的列表。举例：这是简短的段落。结果：这一段的run个数是： 50 这是1 一个2 简短3 的4 段落。也就是说，当文本样式发生改变的时候，就需要一个新的run。tips：1.有几个样式就有几个run。2.run是列表形式。

原创 pandas常用的一些操作

repalce_txt = data1.loc[index, "原因剖析"]data1 = pd.read_excel("C:数据导入.xlsx",eg: 判断data1的第一行中 “原因剖析” 列，是否为空。指定 第1列为 数值，2 3列为字符串， 4 5为日期。repalce_txt = "无"使用pd.isna()

转载 元学习（Meta-Learning）介绍

主要目的是想对自己对于元学习的内容和问题进行总结，同时为想要学习Meta-Learning的同学提供一下简单的入门。笔者挑选了经典的paper详读，看了李宏毅老师深度学习课程元学习部分，并附了MAML的代码。为了通俗易懂，我将数学推导和工程实践分开两篇文章进行介绍。如果看不懂，欢迎来捶我（ ）~~

转载 Excel汉字转拼音并提取首字母

【代码】Excel汉字转拼音并提取首字母。

转载 git的一些使用场景

在 GitLab 中 → 点击 Merge Requests → 点击 New merge request → 选择自己的分支 → 选择主分支 → 点击 Compare branches and continue 这个按钮 → 提交。等项目克隆完，关掉 Git Bash ，打开自己项目的目录，右键 Git Bash ，创建自己的分支。在想要存放公司项目的目录下新建一个文件夹，名字自拟，进去该文件夹后右键 Git Bash ，输入。====== 在dev分支上，不能删除本地dev分支 ======

转载 git解决代码冲突

相信许多程序员都遇到过 git 冲突，我就一次性把 git 冲突讲透，让你知道冲突是如何产生的，怎样避免代码冲突，即使有冲突了，也能找到方法很快解决。

转载 vscode连接git 远程仓库，下载最新分支

到此，我们就成功解决vscode无法获取git上最新的远程分支的问题了。1）从代码托管平台上的分支截图可以看出有个。发现根本没有该分支，因此也无法切换。我们发现已经能查看到了。

原创 Python的asyncio 多线程

多线程、进程、协程是什么就不讲了，（就是你理解的一边呼吸，一边看文章）仅解决问题的话，下边两篇不用看，再深一点的看这个我们这里需求很简单，就是让2个方法都运行！！这里要用的就是asyncio 库。

转载 Python中的多线程、进程、协程、threading、asyncio

在讨论场景之前，我们需要将多任务执行的方式进行一下分类，那就是并发方式和并行方式。教科书上告诉我们：并行是指两个或者多个事件在同一时刻发生；而并发是指两个或多个事件在同一时间间隔内发生。在多道程序环境下，并发性是指在一段时间内宏观上有多个程序在同时运行，但在单处理机系统中，每一时刻却仅能有一道程序执行，故微观上这些程序只能是分时地交替执行。

转载 Python 中的 async await 概念

中的 async/await 概念讲清楚, 希望能够帮助大家有一个形象化的认识.我希望能用一个最平易近人的例子, 把 Python。Python 中的 async await 概念。注: 所有的讲解都在代码的注释里.

转载 Python中的pygame游戏模块的使用

pygame事件可以处理游戏中的各种事情，事件是一个概念，比如点击鼠标左键，按下一个键盘的按键，关闭窗口等等都是一个事件，pygame提供了一个函数来获取游戏的事件，并把他们存放在一个队列中，程序通过读取整个事件队列，来获取当前发生的时间，并作出响应。

原创 Python引入其他文件作为包

因为文件夹默认没有init 方法，不能导包...如果已经是文件夹了，那么就手动建个init 然后里边啥也不用写，再看下文件夹图标变了，多一个灰色小点。

原创 pygame显示中文文本框

定义字体和大小 for i in pygame.font.get_fonts(): print(i)text = font.render("中文文字", True, (254, 254, 254))font = pygame.font.SysFont("方正郝刚青铜体简体", 10)# 设置显示位置，这里显示到角色上边。然后直接把打印的字体，设置上。先打印下看看系统字体，# 设置字体内容和颜色。

转载 pygame入门

Pygame是一个基于Python的游戏开发库，它提供了一系列的工具和接口，使开发人员能够轻松地创建各种类型的游戏，包括2D游戏和简单的3D游戏。在开始学习Pygame之前，您需要先安装Pygame库。本文介绍了Pygame的基础知识和使用方法，包括创建窗口、加载图像、绘制形状、创建精灵、处理事件、播放音乐等内容。希望对您有所帮助，让您能够更好地使用Pygame来创建自己的游戏。如果您想进一步学习Pygame，可以参考官方文档或者在网络上搜索相关资源。补充：5.3 定期发送事件。

原创 族群争霸休闲养成小游戏

游戏目标： 玩家的目标是通过不断的挂机、资源管理和战斗，提升族群成员的等级，解锁所有技能和皮肤，成为族群中的最高领袖。每10级可以修改一次族群。自动成长：玩家的族群成员可以自动成长升级，无论是狼族与羊族之间的对决，还是人族对狼或羊的捕捉。多样性战斗：狼族和羊族的战斗为游戏增添了动态变化，人族和神族的介入则为战斗带来策略性。族群成员升级：通过战斗和资源投入，提升各族群成员的等级，解锁新的技能和外观皮肤。

原创 Python实现简单的读文字发音

") engine.runAndWait() # 没有这句不行哦。核心代码：engine = pyttsx3.init() # 初始化。uname = "周吴郑王"使用pyttsx3包，先安装。uname = "周吴郑王"

原创 定时自动刷新网页

var timeout = prompt("设置刷新时间间隔[S]");F12打开页面调试，console 控制台输入下方代码，按回车。在弹窗输入定时时间，单位秒。

转载 机器学习-自注意力机制Self/Intra Attention简介

自注意力机制实际上是注意力机制中的一种，注意力机制：机器学习的-注意力机制简介-CSDN博客自注意力机制实际上也是一种网络的构型，它想要解决的问题是网络接收的输入是很多向量，并且向量的大小也是不确定的情况，比如机器翻译(序列到序列的问题，机器自己决定多少个标签)，词性标注(Pos tagging一个向量对应一个标签)，语义分析(多个向量对应一个标签)等文字处理问题。

转载 机器学习的-注意力机制简介

注意力机制早在上世纪九十年代就有研究，到2014年Volodymyr的《Recurrent Models of Visual Attention》一文中将其应用在视觉领域，后来伴随着2017年Ashish Vaswani的《Attention is all you need》中Transformer结构的提出，注意力机制在NLP,CV相关问题的网络设计上被广泛应用。“注意力机制”实际上就是想将人的感知方式、注意力的行为应用在机器上，让机器学会去感知数据中的重要和不重要的部分。

原创 部署VUE+SpringBoot+nginx项目

本文是前端是vite + element-plus后端 springBoot部署整个项目主要分为3个步骤，1. 部署nginx，主要是配置nginx.conf2.打包前端代码3.打包后端代码。

转载 基于 Vite + Vue3 项目中三种引入 Element Plus 方式的对照说明

会自动在编译过程中将我们在业务代码里面使用到的组件以按需引入的方式进行引入，包括了组件代码和样式代码，这样的方式对开发者来说是最方便的，同时也保证了代码体积和打包时间上的优化处理，总的来说这是最推荐的方式。这种方式的好处是相对简单方便，打出来的包的体积是根据使用了的组件的数量来的，所以使用数量越少相应的体积也就越小，打包时间也会更短，当然每次新增组件引用时都需要在。这样做的好处是简单方便，但问题也很明显，那就是打出来的包是包含了所有组件源代码和样式代码的，导致。只需要上述配置即可，不需要在。

转载 访问nginx出现403错误

其实大多数403错误，都主要是因为 nginx 没有网站资源目录的权限，所以为了安全起见，我们通常都不会将 nginx工作用户改成 root，而是去赋予网站资源目录权限。当我们访问 nginx 网站的时候出现403错误，我们首先想到的是客户端请求没有权限，既然是权限问题，我们就应该照着这条线索排查下去。可是，这样会导致如果我们的80端口被黑客入侵，那么黑客就拥有了 root 权限，这是我们不敢想象的。那么就找到原因了：启动nginx的是root用户，而工作用户是nginx，两个不一致就会导致403错误。

转载 数据包络分析DEA

测量一些决策部门的生产效率的方法。简单说，现在有三个人，你可以叫他们DMU，a用一个甲生产了一个乙，b用两个甲生产了一个乙，c用三个甲生产了一个乙，显而易见a的效率最高，我们就把他定义为技术前沿面，他的效率为1。那么b就是1/2,c就是1/3。这样我们就可以计算出每个人的效率水平了。

转载 超越POSIX：一个时代的终结？

然而，主流的POSIX操作系统采用了1对1的线程模型，理由是实现简单[30]，[31]。虽然后来的PDP-11变体，如PDP-11/70，具有内存映射单元（MMU）[7]，但直到1970年代末VAX架构的出现，Unix才添加了虚拟内存[4]，这成为当时Unix的主要架构。从历史上看，这种解耦具有三个主要目标：(1）通过独立于物理内存空间的地址空间促进机器的独立性，(2）通过允许程序员在执行时将独立的模块组合成程序来促进模块化，(3）实现运行大型程序的可能性，这些程序无法适应物理内存（例如Lisp程序）。

转载 如何提高SSD内部的并行性：增加带宽？提供多种路径？设计新架构？

源闪存控制器发送探测包，以识别和保留到目标芯片的路径，期间使用路由算法（非最小全自适应路由算法）将探测包从源闪存控制器路发送到目标闪存芯片，并保留探测包到达目标节点的互连网络链路，当探测包到达目标闪存芯片时，Venice已经保留了无冲突的前向和后向路径，接着使用反向路径将探测包发送回源闪存控制器。如下图，闪存命令控制器保持不变，主要的区别在于引入了分组，在信号到达闪存之前，在接口引入适当的数据包头，这种方法在不利用传统控制信号的情况下，将通信信号(或带宽)的数量有效地增加了约2倍。

原创 git常用一些操作

4. git add xxx xxx xxx // 添加需要提交的文件到暂存容器中（如果是提交本地的所有更新，可以用 git add .）5. git commit -m "fix: xxxx/feat:xxxx" // 提交的备注信息。3. git pull origin // 从指定分支拉代码。

原创 Hudi学习4：Hudi架构

原创 Hudi学习 6：Hudi使用

1.安装hdfs2.安装spark3.安装Scalaspark-shell 写入和读取hudi。

原创 Python对日期的一些操作

print('日期早了')传入英文日期，返回标准日期格式。这里定义一个func。

原创 卷积神经网络的各层介绍：卷积层、池化层、全连接

卷积神经网络的各层介绍：卷积层、池化层、全连接，深度学习，CNN，

原创 大模型介绍2：核心技术(未完待续)

2） 将模型在下游各种自然语言处理任务上的小规模有标注数据进行微 调得到适配模型。由于预训练语言模型参数越大模型表现越好，这激 发了语言大模型（Transformer 架构基础上构建的预训练语言模型为自然语言处理领域带来了一系列突破式进展，成为人工智能主流技术范 式。其主要思想是通过自注意力机制获取输入序列的全局信息，并将这些信息通过网络层进行传递。1） 将模型在大规模无标注数据上进行自监督训练得到预训练模型，是目前语言大模型采用的主流架构。预训练语言模型采用“预训练。

原创 大模型介绍1：理论基础

语言大模型的涌现能力[18]、规模定律[14]，多模态大模型的知识表示、逻辑推理能力、泛化能力、情景学习能力[19][37]等方面有待展开深入研究，为大模型的大规模 实际应用提供理论保障。大模型基于数据驱动深度学习方式，依赖训练数据所覆盖的场景，由于复杂场景数据不足，大模型存在特定场景适用性不足的问题，面临鲁棒性和泛化性等挑战。早期的语言大模型表现出一定 的少样本学习能力，但是其学习目标主要通过预测下一个单词实现， 仍不能很好地遵循人类指令，甚至会输出无用的、有害的信息，难以 有效对齐人类的偏好。

转载 Med-PaLM2重磅揭秘！AI医生成绩比肩人类

然而，对于Med-PaLM来说，这个数字降至0.8%，与临床医生的答案（在1.4%的情况下被认为包含有偏见的证据）相比，有明显的优势。其中，29.7%的Flan-PaLM回答被认为有潜在的伤害风险，这一数字在Med-PaLM中降至5.9%，与临床医生生成的答案（5.7%）相近。如下图所示的这些结果表明了指令微调的强大优势。在由印度的医学入学考试问题组成的MedMCQA数据集上，Flan-PaLM 540B在开发测试集上达到了57.6%的成绩，超过了Galactica模型取得的52.9%的最好成绩。

转载 解读 SOSP‘23 硬核论文 Mira：程序行为感知的远端内存访问优化

Mira的编译器为非交换缓存区(non-swap cache section)中的对象生成显式远程操作，使得更多的本地内存能作为频繁访问的远程对象的cache，以提高应用程序的性能。与AIFM的基于库的远程操作实现相比，Mira的实现具有更少的运行时开销和需要更少的元数据。一次profiling完成后，Mira收集所有函数的cache开销和执行时间，对所有函数的cache性能开销进行比较，选出开销最高的前10%函数，以及函数中涉及的前10%的大内存对象（heap objects）进行进一步的静态代码分析。

转载 DreaMoving 让图片动起来

一张照片就能让马斯克、梅西等各大名人魔性跳舞，甚至连火爆全网的科目三都能安排上。这可不是什么高深 AI 技术，阿里通义千问移动端新增的「全民舞王」功能就能实现，还有科目三、DJ 慢摇、鬼步舞、极乐劲舞等 12 种热门舞蹈模版供你挑选。在通义千问输入「全民舞王」「通义舞王」等口令，接着在跳转界面里选择你喜欢的舞蹈、上传一张全身照，只需十几分钟，一个形神兼备的舞王就这样华丽「速成」了。想不到，浓眉大眼的爱因斯坦也能秒变潮男，动作节奏感简直不要太强。▲ 图片来自：Simon_阿文。