Home

(Sample)深入理解Python异步编程:从原理到实践

深入理解Python异步编程:从原理到实践 在当今快速发展的技术世界里,Python异步编程已经成为了一个热门话题。随着应用程序和服务越来越依赖于网络通信和I/O操作,有效地管理这些操作变得尤为重要。本文将深入探索Python中的异步编程,从基本原理到实际应用,让你全面了解这一强大工具。 一、异步编程的基本原理 异步编程是一种编程范式,它允许程序在等待一个长时间运行的任务(如I/O操作)完成时继续执行其他任务。这与传统的同步编程形成对比,后者在执行长时间运行的任务时会阻塞程序的其余部分。 在Python中,异步编程主要依赖于asyncio库。asyncio是Python用于编写并发代码的库,它使用async和await语法进行异步编程。使用asyncio,你可以编写单线程并发代...

Read more

GPT最佳实践:五分钟打造你自己的GPT

前几天OpenAI的My GPTs栏目还是灰色的,就在今天已经开放使用了。有幸第一时间体验了一把生成自己的GPT,效果着实惊艳!!!我打造的GPT模型我会放到文章末尾,大家感兴趣也可以自己体验一下。 打造自己的GPT模型 点击Create a GPT,可以进入到下面这个界面,左侧是一个GPT Builder的对话框,右边是你随时更改GPT配置后的预览。 点进去Configure配置,可以看到具体的头像、名称、描述、说明、对话引导、知识库、可选择的模型能力(是否打开联网、Dall·E图像生成、代码解释器)以及Actions这个是模型调用API的能力。 我上传了我所有的mardown文章内容,然后告诉模型,我要一个博客写作GPT帮我写技术文章。 GPT builder 然后,我...

Read more

如何对抗信息茧房?

首先声明:本文表达观点,提供一种思考问题的角度,并非严谨的论述论证。为了直击问题本质,高效陈述观点,行文过程中出现的不严谨之处皆是作者表述方式问题,与观点本身无关。无论作者表述多么拙劣,都希望读者可以考虑观点的合理行,对其进行深度的思考。所有“另当别论的个例”皆另当别论,不在本文简洁表述的范围内。 人们对信息的需求并非全方位的,大家只注意自己选择的东西和使自己愉悦的领域,久而久之,会将自身桎梏于蚕茧一般的“茧房”中,这就是信息茧房(Information Cocoons)。 一、算法驯化 你看到什么你就是什么? 不! 资本想玩皇帝的新装这套,又是道德绑架,又是洞穿人性的。 根据熵增定律,任何系统的混乱程度都在不断增大。这里的熵就是指混乱度,就是说,啥事都是学坏容易,学好难。如果不...

Read more

机器学习(六):通俗易懂无监督学习K-Means聚类算法及代码实践

K-Means是一种无监督学习方法,用于将无标签的数据集进行聚类。其中K指集群的数量,Means表示寻找集群中心点的手段。 一、 无监督学习 K-Means 贴标签是需要花钱的。 所以人们研究处理无标签数据集的方法。(笔者狭隘了) 面对无标签的数据集,我们期望从数据中找出一定的规律。一种最简单也最快速的聚类算法应运而生—K-Means。 它的核心思想很简单:物以类聚。 用直白的话简单解释它的算法执行过程如下: 随便选择K个中心点(大哥)。 把距离它足够近的数据(小弟)吸纳为成员,聚成K个集群(组织)。 各集群(组织)内部重新选择中心点(大哥),选择标准是按照距离取均值作为中心点(大哥)。 重复2、3步骤直到收敛(组织成员相对稳定)。 这就是黑涩会形成聚类的...

Read more

机器学习(五):通俗易懂决策树与随机森林及代码实践

与SVM一样,决策树是通用的机器学习算法。随机森林,顾名思义,将决策树分类器集成到一起就形成了更强大的机器学习算法。它们都是很基础但很强大的机器学习工具,虽然我们现在有更先进的算法工具来训练模型,但决策树与随机森林因其简单灵活依然广受喜爱,建议大家学习。 一、决策树 1.1 什么是决策树 我们可以把决策树想象成IF/ELSE判别式深度嵌套的二叉树形结构。以我们在《机器学习(三):理解逻辑回归及二分类、多分类代码实践》所举的鸢尾花数据集为例。 我们曾用seaborn绘制花瓣长度和宽度特征对应鸢尾花种类的散点图,如下: 当花瓣长度小于2.45则为山鸢尾(setosa),剩下的我们判断花瓣宽度小于1.75则为变色鸢尾(versicolor)剩下的为维吉尼亚鸢尾(virginica...

Read more

机器学习(四):通俗理解支持向量机SVM及代码实践

上一篇文章我们介绍了使用逻辑回归来处理分类问题,本文我们讲一个更强大的分类模型。本文依旧侧重代码实践,你会发现我们解决问题的手段越来越丰富,问题处理起来越来越简单。 支持向量机(Support Vector Machine, SVM)是最受欢迎的机器学习模型之一。它特别适合处理中小型复杂数据集的分类任务。 一、什么是支持向量机 SMV在众多实例中寻找一个最优的决策边界,这个边界上的实例叫做支持向量,它们“支持”(支撑)分离开超平面,所以它叫支持向量机。 那么我们如何保证我们得到的决策边界是最优的呢? 如上图,三条黑色直线都可以完美分割数据集。由此可知,我们仅用单一直线可以得到无数个解。那么,其中怎样的直线是最优的呢? 如上图,我们计算直线到分割实例的距离,使得我们的...

Read more

机器学习(三):理解逻辑回归及二分类、多分类代码实践

本文是机器学习系列的第三篇,算上前置机器学习系列是第八篇。本文的概念相对简单,主要侧重于代码实践。 上一篇文章说到,我们可以用线性回归做预测,但显然现实生活中不止有预测的问题还有分类的问题。我们可以从预测值的类型上简单区分:连续变量的预测为回归,离散变量的预测为分类。 一、逻辑回归:二分类 1.1 理解逻辑回归 我们把连续的预测值进行人工定义,边界的一边定义为1,另一边定义为0。这样我们就把回归问题转换成了分类问题。 如上图,我们把连续的变量分布压制在0-1的范围内,并以0.5作为我们分类决策的边界,大于0.5的概率则判别为1,小于0.5的概率则判别为0。 我们无法使用无穷大和负无穷大进行算术运算,我们通过逻辑回归函数(Sigmoid函数/S型函数/Logistic函数...

Read more

机器学习(二):理解线性回归与梯度下降并做简单预测

预测从瞎猜开始 按上一篇文章所说,机器学习是应用数学方法在数据中发现规律的过程。既然数学是对现实世界的解释,那么我们回归现实世界,做一些对照的想象。 想象我们面前有一块塑料泡沫做的白板,白板上分布排列着数枚蓝色的图钉,隐约地它们似乎存在着某种规律,我们试着找出规律。 白板上的图钉(数据)如上图所示,我们有没有一种方法(数学算法)来寻找规律(模型解释)呢? 既然不知道怎么做,那我们瞎猜吧! 我拿起两根木棒在白板前比划,试着用木棒表示数据的规律。我随便放了放,如下图所示: 它们似乎都在一定程度上能表示蓝色图钉的规律,那么问题来了,绿色(虚线)和红色(实线)哪一个表示更好呢? 损失函数(成本函数) 好与坏是很主观的表达,主观的感受是不可靠的,我们必须找到一种客观的度量...

Read more