当前位置：首页 > news >正文

深入理解Embedding Models（嵌入模型）：从原理到实战（上）

news 来源：原创 2025/8/13 19:05:59

🐇明明跟你说过：个人主页

🏅个人专栏：《深度探秘：AI界的007》 🏅

🔖行路有良友，便是天堂🔖

一、引言

1、嵌入模型是什么

2、在NLP、推荐系统、知识图谱等领域的广泛应用

二、Embedding 的基本概念

1、什么是 Embedding

2、向量空间的意义

3、低维稠密表示 vs 高维稀疏表示（One-Hot）

三、主流的嵌入模型类型

1、词嵌入（Word Embedding）

2、文本/句子嵌入（Text/Sentence Embedding）

3、图嵌入（Graph Embedding）

一、引言

1、嵌入模型是什么

🌟 什么是嵌入模型（Embedding Model）？

想象你去超市买水果 🍎🍌🍇，每种水果都有不同的特点，比如颜色、甜度、大小……那么怎么让机器也能“理解”这些特点呢？这就需要把这些“特点”变成数字，方便机器处理！

这就是嵌入模型的作用 ——
👉 把“文字、图片、音频”等信息变成一串有意义的数字（我们称之为“向量” 📊）。

🧠 一个类比：给每个词一个“身份证”

比如词语 “猫 🐱” 和 “狗 🐶”，人类知道它们都属于动物，性格温顺，是宠物。

嵌入模型就会把它们变成相近的数字向量，比如：

猫： [0.5, 0.7, 0.2, 0.1]
狗： [0.6, 0.8, 0.1, 0.2]

看！它们的“数字长相”很像 ➡️ 说明“意义”也很像！

2、在NLP、推荐系统、知识图谱等领域的广泛应用

📚 1. NLP（自然语言处理）中的应用

嵌入模型是让AI“理解语言”的第一步！🧠

✅ 应用场景：

语义搜索 🔍：用户输入“首都机场怎么走”，模型知道“首都机场 = 北京机场”，帮你找到最佳路线。
问答系统 🤖：提问“Python怎么读文件”，模型会找出含有类似问题的文档或段落。
情感分析 ❤️😠：通过文字向量判断语气是积极、消极还是中性。

🎯 2. 推荐系统中的应用

你喜欢的电影、音乐、商品……嵌入模型统统帮你搞懂你的喜好！🍿🎵🛍️

✅ 应用场景：

用户画像 👤：把用户的行为转成向量，理解你是谁。
内容相似度推荐 💡：比如“你喜欢《复仇者联盟》，那你可能也喜欢《正义联盟》”。
冷启动解决方案 🧊➡️🔥：新用户或新商品也能快速推荐，不再尴尬！

🧠 3. 知识图谱中的应用

把“知识”变成可计算的图谱，嵌入模型帮你串联点与点之间的联系 🕸️

✅ 应用场景：

实体链接：知道“苹果”是“水果”不是“公司”，上下文决定。
关系预测：模型预测“爱因斯坦–出生地–德国”这样的三元组。
图谱补全：根据已有知识推断未知的联系。

二、Embedding 的基本概念

1、什么是 Embedding

🧩 什么是 Embedding？

Embedding（嵌入），就是把**“人类能理解的信息”变成“机器能理解的数字”**！

通俗点说，它就像是👇：

🎤 “翻译器” —— 把文字、图像、用户等各种信息，翻译成有意义的向量（数字串）

🔧 常见的 Embedding 类型

类型	描述
词向量（Word Embedding）	把每个“词”变成一个向量，如 Word2Vec、GloVe、FastText
句子/段落向量	把整句话转成向量，如 Sentence-BERT
图像/音频嵌入	把图像、声音转成向量，用于图像识别、声音分类等
用户/商品嵌入	在推荐系统中把用户/商品行为编码成向量

Embedding 是 AI 世界中的“通用翻译器”，把各类数据转化为“意义相关的向量” ✨，让机器理解、处理、比较各种信息变得可能！

2、向量空间的意义

🧭 什么是向量空间？

向量空间（Vector Space） 就像是一个**“坐标世界”** 🗺️

在这个世界里，每个词、句子、图片、用户…都被表示成一个“点”（即向量 📍），大家都有自己的“坐标”。

✨ 举个例子：词语世界地图

想象我们建了一个二维世界，词语是地图上的点：

开心 😊
|
| 爱情 ❤️
|
愤怒 😡 ------------- 仇恨 😠

你发现没？

“开心”和“爱情”在地图上靠得近 👉 表示它们语义相近
“愤怒”和“仇恨”也在一起 👉 也有相似的情绪
“开心”和“仇恨”距离远 👉 意义不同

这就是向量空间的魅力！🌌

🧠 Embedding 向量放在向量空间里，有啥用？

✅ 距离表示相似度

向量之间越近 ➡️ 意义越相似
向量之间越远 ➡️ 意义越不同

比如：

“苹果 🍎” 和 “香蕉 🍌” 的向量夹角小（近） → 都是水果
“苹果 🍎” 和 “MacBook 💻” 的向量略远 → 一个是水果，一个是电子产品

✅ 方向表示语义关系

向量不只有“位置”，还有“方向”！

著名例子来了 💥：

Embedding(“国王”) - Embedding(“男人”) + Embedding(“女人”) ≈ Embedding(“女王”)

👑 – 👨 + 👩 ≈ 👸

这说明嵌入空间甚至学会了“性别”这种抽象概念！

概念	通俗解释
向量空间	像一个巨大的地图，所有数据都变成“点”放在里面
向量的距离	表示语义的相近程度
向量的方向	表示词之间的语义关系
用途	相似度计算、搜索推荐、语言推理、知识补全等

✅ 一句话总结：

向量空间 = 一个“语义地图世界” 🗺️，每个词或概念都是一个点，我们可以通过“距离”和“方向”来理解它们的关系。

3、低维稠密表示 vs 高维稀疏表示（One-Hot）

🔍 一句话概括

One-Hot 是“傻瓜式编号”，Embedding 是“聪明的表达”。
一个是高维且稀疏，另一个是低维且稠密。✅

🎯 什么是高维稀疏表示（One-Hot）？

🔤 举例：词表中有 10,000 个词

每个词都用一个只有一个 1，其它全是 0 的向量来表示。

比如：

词语	One-Hot 向量（长度 10,000）
猫 🐱	[0, 0, 0, ..., 1, ..., 0]
狗 🐶	[0, 0, 0, ..., 0, 1, ..., 0]

👉 这样的向量是：

📏 高维（非常长，比如 10k、100k…）
⚪ 稀疏（只有一个 1，其他都是 0）
🧱 没有语义信息（“猫”和“狗”之间毫无关系）

🧠 什么是低维稠密表示（Embedding）？

📊 同样的“猫”和“狗”，Embedding 表示是：

词语	向量（长度 100~300）
猫 🐱	[0.12, 0.56, 0.03, ...]
狗 🐶	[0.13, 0.54, 0.05, ...]

这样的向量是：

📏 低维（比如 100维、300维）
⚫ 稠密（每个位置都有实数，不是大量0）
🤝 包含语义关系（“猫”和“狗”的向量靠近）

🆚 形象类比

类别	One-Hot（高维稀疏）	Embedding（低维稠密）
🧠 智商	“死记硬背” 📘	“理解含义” 🧠
📏 维度	非常高（几千几万）📈	很低（几十~几百）📉
⚪ 稀疏性	绝大多数是 0	所有维度都有值
📦 存储	浪费空间 💾	节省空间 💡
📊 表达力	没有语义关系	有丰富语义关系
💬 猫 vs 狗	毫无联系	意义相似，向量相近
🤔 计算相似度	没法比	可以用余弦距离b

🚀 为什么 Embedding 更高级？

因为它能“压缩信息 + 表达语义”！就像是：

✈️ 从地图上的城市编码（One-Hot）
➡️ 转换成城市之间的实际位置和关系（Embedding）

✅ 总结一张图理解（文字版）：

One-Hot ➤ [0, 0, 1, 0, 0, 0, ..., 0] 🔺 高维、稀疏、没有语义
Embedding ➤ [0.12, 0.35, 0.78, ..., 0.05] 🔻 低维、稠密、有语义

💡 一句话总结：

One-Hot 是“身份卡号📇”，Embedding 是“性格特征表 🧬”——
前者只知道“你是谁”，后者还知道“你像谁”！

三、主流的嵌入模型类型

1、词嵌入（Word Embedding）

🧠 什么是词嵌入？

词嵌入（Word Embedding）就是把每个“词语”转成一个带有语义的向量，让机器能理解词语之间的关系和含义。

它是 Embedding 技术的起点，也是 NLP 的重要基石！

🌟 主流词嵌入模型大合集

我们按照时间顺序 + 关键特性介绍👇

1️⃣ One-Hot Encoding（早期原始方法）🔲

🚧 特点：每个词一个高维稀疏向量（只有一个1）
🤔 问题：维度太高 + 没有语义

📌 举例：
词表有5个词 → “猫” = [0, 0, 1, 0, 0]
但“猫”和“狗”没有任何“关系”，全靠人脑理解 😵‍💫

2️⃣ Word2Vec（2013）💥【开创纪元】

✨ Google 出品，超经典！

🧪 两种模型：
- CBOW（Continuous Bag of Words）：用上下文预测中间词
- Skip-Gram：用一个词预测上下文（更适合少量数据）
📏 输出：每个词一个固定长度的向量（如 300维）
💡 能捕捉“词义相似性”和“语义关系”

🧠 著名示例：

向量("国王") - 向量("男人") + 向量("女人") ≈ 向量("女王")

📌 优点：

快速、简单
学出来的词向量质量好，能迁移到其他任务

3️⃣ GloVe（2014）📐【统计派代表】

🏫 斯坦福大学提出，全名是 Global Vectors for Word Representation

🧠 不依赖“局部上下文”，而是分析词共现矩阵
🧮 把“词与词之间出现频率”转化为“向量空间距离”
比 Word2Vec 更“全球视野”

📌 举例：

“冰”和“水”共现频率高 → 向量相近
“冰”和“火”共现少 → 向量较远

4️⃣ FastText（2016）⚡【词内部结构也考虑！】

🔬 Facebook 提出，改进 Word2Vec 的不足

🎯 考虑子词结构，能表示未登录词（OOV）！
例如：“happiness” 会被拆成 “happ”, “ppi”, “pin”, ..., “ess”
更适合处理拼写变化多的语言（如德语、俄语）

📌 优点：

能表示生僻词、拼写错误词
向量更丰富

5️⃣ ELMo（2018）🦎【语境感知，句子级别词向量】

Embeddings from Language Models

🔁 每个词的向量会根据上下文变化
使用双向 LSTM 建模上下文
一个词可以在不同句子中拥有不同向量！

📌 举例：

“bank” 在：
- “river bank” 表示河岸
- “money bank” 表示银行
- 两个向量会不同！

6️⃣ BERT Embedding（2018+）🚀【大模型时代来临】

✨ Google 的 BERT 模型不仅能用于 NLP任务，还能作为超强嵌入器！

利用 Transformer 架构，深入建模上下文
双向编码器：同时看左边和右边上下文
词向量不仅有“局部语义”，还有“上下文深意”

📌 优点：

可用于句子嵌入、段落嵌入
可迁移、可微调

✅ 表格总结：词嵌入模型对比

模型	上下文感知	OOV支持	原理	代表优势
One-Hot	❌	❌	编号	简单但没语义
Word2Vec	❌	❌	上下文窗口预测	快速有效，广泛应用
GloVe	❌	❌	共现矩阵 + 词频统计	全局统计视角
FastText	❌	✅	子词向量组成词向量	OOV友好
ELMo	✅	部分	双向LSTM建模上下文	语境感知词义
BERT	✅✅	✅	Transformer语义编码	深度语义理解，预训练大模型

2、文本/句子嵌入（Text/Sentence Embedding）

🧠 什么是文本/句子嵌入？

文本嵌入 = 把整段文字或一句话表示成一个“有语义的向量”📦，并且捕捉整体意思！

之前的词嵌入是：“猫”“狗”这样的单词向量
现在的句子嵌入是：“我喜欢这只猫 🐱”这样的整句话向量！

📍为什么需要句子嵌入？

有时候，单词的意义不能直接推导出句子的意义：

比如：

“他太牛了！”
“他太牛了……”

👉 虽然词一样，但情绪、意思完全不同！

所以我们需要上下文感知的嵌入向量来理解整句话/段落🌈

🔧 主流的文本嵌入方法有哪些？

下面介绍主流几种方式👇

1️⃣ 平均词向量（Avg Word2Vec）🧮

把句子中的所有词的向量求平均
非常简单，但忽略了语序、语法、上下文 ❌

例子：

“我爱自然语言处理” → 平均（“我” + “爱” + “自然” + “语言” + “处理”）的词向量

✅ 优点：快
❌ 缺点：不懂语义结构，表达力弱

2️⃣ Universal Sentence Encoder（USE）🔵

Google 推出，用深层网络捕捉语义
输出一个固定维度的句子向量（默认 512 维）

✅ 优点：结构更深，能理解常见表达
❌ 缺点：对长文本支持不够好

3️⃣ Sentence-BERT（S-BERT）💎

BERT 的句子嵌入专用升级版！

用 Siamese 网络结构，让 BERT 生成语义相似度可比的句向量
适合做语义匹配、检索、聚类等任务！

例子：

句子A	句子B	相似度
“我想订一张去上海的票” 🚄	“帮我买去上海的车票” 🚌	0.95
“我喜欢狗” 🐶	“苹果很好吃” 🍎	0.10

✅ 优点：句子相似度效果拔群
✅ 能用余弦相似度直接对比
❌ 推理相对慢，模型较大

3、图嵌入（Graph Embedding）

🧠 什么是图嵌入（Graph Embedding）？

图嵌入 = 把图中的“节点”、“边”或“整个子图”用向量表示出来🧩，并尽可能保留它在图结构中的关系！

这就好比：

原来是一个错综复杂的“朋友圈关系网”👫👬
图嵌入之后 → 每个人变成了一个可以比较的向量 📦

✨ 向量中的距离、方向可以反映：

你跟谁更亲密
谁跟谁是“同一挂的”
谁是“核心人物”...

🕸️ 图是啥样的结构？

图（Graph）由：

节点（Node）：可以是人、物品、网页、实体……
边（Edge）：可以是朋友关系、点击行为、引用关系、血缘……

📌 举个例子：

A —— B —— C
\ |
\ D
\ /
E — F

这个图里，谁跟谁连接、谁更靠近，都蕴含着信息！

🎯 为什么要做图嵌入？

原始图结构不容易直接输入到机器学习模型中 ⛔
🟢 用嵌入后就可以：

比较节点之间的相似度（相似的人、商品、网页）
做分类（比如给节点打标签）
做聚类（找出“圈子”、“兴趣组”）
用于推荐系统（物以类聚，人以群分！）

🔧 图嵌入怎么做？主流方法一网打尽 🕸️👇

1️⃣ 基于随机游走：DeepWalk / node2vec 🚶‍♂️🚶‍♀️

想象一个人在图中“乱走”收集路径（就像在朋友圈逛吃逛吃😄）
把这些路径当成“句子”输入 Word2Vec 做词嵌入！
相邻/常一起出现的节点 → 嵌入会相近

📌 特点：

简单易用
保留局部结构（谁和谁经常一起出现）

🧠 应用：社交推荐、实体匹配

2️⃣ 基于邻居聚合：GCN / GAT 等图神经网络 🧠

让每个节点不断“向邻居学习”📡，获取更多信息！

GCN（Graph Convolutional Network）：像卷积神经网络那样聚合邻居特征
GAT（Graph Attention Network）：给不同邻居分配不同的“注意力权重”

📌 特点：

强大、表达力强
可用于有监督学习（如节点分类、边预测）

🧠 应用：推荐系统、知识图谱补全、蛋白质交互预测等

3️⃣ 结构保持法：HOPE / SDNE 🏗️

HOPE：保持节点之间的距离或相似度
SDNE（深度自编码器）：用深度学习提取非线性结构特征

📌 特点：

更关注“结构信息”
一般用于无监督图表示

🧪 图嵌入向量都可以干什么？

应用场景	示例
社交推荐	找到和你兴趣相近的好友、关注人 🤝
电商推荐	根据商品-用户点击图推荐你想买的 💸
知识图谱补全	猜测“谁是谁的导师？”🤓
文献引用预测	哪篇论文最有可能引用某篇研究 🧾
图分类	判断一个图是社交网还是诈骗团伙 🕵️‍♂️

✅ 总结一句话：

图嵌入 = 把复杂的网络关系变成简单好用的向量📦，让机器也能“看图识人/物/关系”🕵️‍♀️📈！

💕💕💕每一次的分享都是一次成长的旅程，感谢您的陪伴和关注。希望这些文章能陪伴您走过技术的一段旅程，共同见证成长和进步！😺😺😺

🧨🧨🧨让我们一起在技术的海洋中探索前行，共同书写美好的未来！！！

深入理解Embedding Models（嵌入模型）：从原理到实战（上）

🐇明明跟你说过：个人主页 🏅个人专栏：《深度探秘：AI界的007》 🏅 🔖行路有良友，便是天堂🔖 目录一、引言 1、嵌入模型是什么 2、在NLP、推荐系统、知识图谱等领域…...

编程日记 2025/8/13 19:05:59

世界耳机品牌与排名

耳机可以说是日常用的比较多的产品之一，而且现在的耳机相较于传统的耳机还多了很多的功能，比如现在经常开车的人实用的蓝牙耳机，虽然日常用的多，那么你知道全球知名的耳机品牌有哪些吗？ 拜亚耳机，德国品牌&…...

编程日记 2025/7/31 9:25:11

防静电地板人工费多少钱一平方米？2025年报价解析！

在机房、实验室、数据中心等专业场所，防静电地板是保障设备正常运行的关键“防线”。但很多人在装修时，面对“防静电地板安装人工费”的报价往往一头雾水——有的报25元/㎡，有的却要50元/㎡，差价背后究竟藏着什么门道？…...

编程日记 2025/7/26 15:02:44

【详细图文】使用MobaXterm的SSH功能远程连接服务器，并创建pytorch环境，使用yolov8训练数据集

目录一、使用MobaXterm连接服务器 1、官网下载MobaXterm 2、SSH连接服务器二、查看服务器的基本信息 1、查看服务器基本信息（可选）（1）查看主机名和系统版本（2）查看CPU信息（3）查看内存信息（4）查看网卡信息（5）查看总进程数（6）查看活动进程数（…...

编程日记 2025/8/10 4:40:07

路由器断流排查终极指南：从Ping测试到Wireshark抓包5步定位法

测试路由器是否出现“断流”（网络连接间歇性中断），需通过多维度排查硬件、软件及外部干扰因素。以下是详细步骤指南： 一、基础环境准备设备连接有线测试：用网线将电脑直接连接路由器LAN口，排除WiFi干扰。…...

编程日记 2025/8/13 15:57:27

小白借助ai对全栈进行浅浅理解（学习笔记）-Lambda、Optional 避免空指针与新的日期时间 API

学习顺序：Java 基础 → Spring Boot → Vue → 前后端整合 → 数据库 → 部署 → 进阶实战。 Lambda 表达式（Lambda 表达式是 Java 8 引入的核心特性，旨在简化函数式编程，替代冗长的匿名内部类，使代码更简洁、灵活 &am…...

编程日记 2025/7/29 14:00:31

可观测性方案怎么选？SelectDB vs Elasticsearch vs ClickHouse

可观测性（Observability）是指通过系统的外部输出数据，推断其内部状态的能力。可观测性平台通过采集、存储、可视化分析三大可观测性数据：日志（Logging）、链路追踪（Tracing）和指标&am…...

编程日记 2025/6/29 2:19:10

100个常用的DeepSeek指令

日常生活类（20个） 1. 新闻解读：请为我解读今天的热点新闻。 2. 天气查询：请查询……的天气并推荐着装。 3. 旅行攻略：请制定前往……的旅行攻略。 4. 菜谱生成：请生成……菜的具体做法。 5. 解决方案&…...

编程日记 2025/8/8 18:28:28

【C语言】--指针超详解(二)

目录一.const修饰指针 1.1--const修饰变量 1.2--const修饰指针变量二.野指针 2.1--野指针成因 2.1.1--指针未初始化 2.1.2--指针越界访问 2.1.3-- 指针指向的空间释放 2.2--如何规避野指针 2.2.1--指针初始化 2.2.2--小心指针越界 2.2.3--指针变量不再使用时&am…...

编程日记 2025/6/29 2:18:35

git 多个提交记录合并为一个

1.场景有时候用devops等平台测试问题，需要多次修改小的记录提交，但是最终我们在合并主干的时候不想留那么多乱七八糟的记录，就需要在此分支合并这些提交记录，再合并到主干。 2.交互式变基 2.1 确定要合并的提交范围 # 查看最近…...

编程日记 2025/6/29 5:05:02

AI视频生成的艺术：镜头语言

前言 AI视频生成技术正逐渐改变我们创作和消费视频内容的方式，各式各样的AI视频制作软件正在不断的涌现，比如可灵、即梦、runway等。虽然AI视频生成的交互方式（自然语言）极大的减少了我们创作视频的门槛，但要让AI正确理解并创造出符合我们期望的视频，我们可能还是需要了解…...

编程日记 2025/7/30 9:23:33

机器学习与深度学习

目录一、机器学习 （一）机器学习的分类 1. 监督学习 2. 无监督学习 3. 强化学习 （二）机器学习的应用场景二、深度学习 （一）深度学习的核心原理 （二）常见的深度学习模型 …...

编程日记 2025/8/9 19:22:30

数字孪生市场格局生变：中国2025年规模214亿，工业制造领域占比超40%

一、技术深度解析：数字孪生的核心技术栈与演进 1. 从镜像到自治：数字孪生技术架构跃迁三维重建突破：LiDAR点云精度达2cm，无人机测深刷新频率5Hz，支撑杭州城市大脑内涝预警模型提前6小时预测。AI算法融合&#xff1a…...

编程日记 2025/7/26 5:07:46

数字孪生[IOC]常用10个技术栈（总括）

1. 什么是数字孪生？ 数字孪生（Digital Twin） 是通过数字化技术对物理实体（如设备、系统或环境）进行高精度建模和实时映射的虚拟副本。其核心是通过数据驱动实现物理世界与虚拟世界的双向交互，支持实时监控…...

编程日记 2025/6/29 2:18:40

WPF主窗体子窗体关联方法

步骤： 1、创建WPF项目 2、设计主窗体，选定显示子窗体的区域（MainWindow.xaml) 3、在想要显示子窗体的区域填写如下代码（MainWindow.xaml) 4、创建子窗体 5、建立调用子窗体事件，下图一是load事件，也可以是…...

编程日记 2025/8/8 6:35:56

笔记本电脑实现网线内网 + Wi-Fi外网同时使用的配置方案

1、同时连接两个网络‌ 插入网线连接内网，确保内网IP地址正常获取（如10.143.88.x）；连接Wi-Fi接入外网，确认可正常访问互联网（如网关为192.168.8.1）。 2、记录关键网络参数‌ 内网网关&#…...

编程日记 2025/6/29 2:19:43

探讨关于智能体（Agent）结合 Dify、大语言模型（LLM）以及 Qwen-3 模型的项目或概念

1. Dify 的作用 Dify 是一个开源的 AI 框架，它可以帮助开发者快速搭建和部署 AI 应用。它可以作为一个基础架构，为智能体提供以下支持： 应用开发与部署：Dify 可以帮助开发者快速搭建智能体的前端和后端架构，包括用户界…...

编程日记 2025/7/27 15:47:49

2025 后端自学UNIAPP【项目实战：旅游项目】3、API接口请求封装，封装后的简单测试以及实际使用

一、创建请求封装目录选中自己的项目，右键鼠标---->新建---->目录---->名字自定义【我的是api】二、创建两个js封装文件选中封装的目录，右键鼠标---->新建---->js文件---->名字自定义【我的两个js文件分别是my_http和my_api】三…...

编程日记 2025/6/29 2:18:37

【electron+vue】常见功能之——调用打开/关闭系统软键盘，解决打包后键盘无法关闭问题

效果图展示实现思路：通过input标签聚焦失焦的方式，实现系统软键盘的显示隐藏。使用场景：一体机电脑，无外接键盘。 html <el-input v-model"idNumber" placeholder"请输入" focus"showKeyboard&qu…...

编程日记 2025/6/29 3:52:49

告别手动输入密码：基于SSHPass的自动化文件传输实践告别手动输入密码：基于SSHPass的自动化文件传输实践

一、运维人员的共同痛点在日常运维工作中，我们经常需要在多台服务器之间传输文件。传统的手动操作方式需要反复执行以下步骤： 输入scp命令等待密码提示输入复杂密码确认传输结果手动修改文件权限这种重复劳动不仅效率低下，在批量操作时更…...

编程日记 2025/7/30 12:59:38

Python序列Day3

序列序列是一种数据存储方式，用方括号标注，逗号分隔的一组值。在内存中，序列就是一块用来存放多个值的连续的内存空间。常见序列结构有：字符串、列表、元组、字典、集合列表用于存储任意数目，任意类型的数据集…...

编程日记 2025/7/28 21:05:18

22、近端策略优化算法（PPO）论文笔记

近端策略优化算法（PPO）论文笔记一、研究背景与目标二、**方法****3.1 策略梯度基础****3.2 信任区域方法（TRPO）****3.3 剪切代理目标函数（LCLIP）****3.4 自适应KL惩罚系数****3.5 算法实现** 三、 L CLIP…...

编程日记 2025/8/10 13:49:39

web 自动化之 selenium+webdriver 环境搭建及原理讲解

文章目录一、web 自动化测试学习说明二、什么 web 自动化测试三、selenium 简介四、web自动化测试环境搭建五、web 自动化测试第一个脚本六、selenium 原理及源码讲解一、web 自动化测试学习说明进阶 web 自动化测试学习：掌握 python 编程基础二、什么 web 自…...

编程日记 2025/6/29 2:18:53

Vue3快速入门/Vue3基础速通

Vue3 渐进式的javascript框架，我们可以逐步引入vue的功能官方文档 Vue.js中文手册你可以借助 script 标签直接通过 CDN 来使用 Vue： <script src"https://unpkg.com/vue3/dist/vue.global.js"></script>通过 CDN 使用 Vue 时…...

编程日记 2025/6/29 3:17:07

Babylon.js学习之路《一、初识 Babylon.js：什么是 3D 开发与 WebGL 的完美结合？》

文章目录 1. 引言：3D 开发在 Web 中的崛起1.1 为什么需要 Web 3D 开发？1.1 WebGL 的定位与挑战 2. Babylon.js 的核心定位2.1 什么是 Babylon.js？2.2 Babylon.js 的独特优势2.3 对比其他 Web 3D 框架（Three.js、PlayCanvas&#x…...

编程日记 2025/6/29 2:18:41

v-model原理详解

一 :value"msg 在 Vue.js 中，v-bind 指令（简写为 :）用于将数据属性绑定到 HTML 元素的属性上。当你使用 :value"msg" 时，它的作用是将 Vue 实例中的 msg 数据属性绑定到目标元素的 value 属性上。 1.value 属性…...

编程日记 2025/6/29 2:32:28

并发与并行的关系

并发（Concurrency）与并行（Parallelism）的本质区别 1. 核心定义并发：多个任务在重叠的时间段内交替执行，但不一定是同时的。关注的是任务的组织方式（如多任务调度、逻辑上的同时性&#xff09…...

编程日记 2025/6/29 2:19:17

uniapp 微信小程序使用图表

使用的是秋云 ucharts 直接在hbuilder插件市场进行下载导入项目中，多端支持下载地址秋云 ucharts echarts 高性能跨全端图表组件 - DCloud 插件市场导入成功后这里就能看到导入的插件啦导入项目后就可以直接在页面中通过组件使用了不需要其余配置使用简单参…...

编程日记 2025/8/8 7:26:26

基于vm加密的php逆向分析

前言对于 php 主流的加密方式有两种： 1、基于扩展的 2、本地加密，不涉及扩展一些在 php 端通过 zend_compile_file 等函数就可以直接 dump 出原代码的，称之为加密实在是抬举了之前有写过一篇直接 dump 出源码的分析 https://blog.qc7…...

编程日记 2025/8/13 16:26:35

FPGA----基于ALINX提供的debian实现TCF

引言：接上问，我们使用自制的image.ub和boot.bin以及ALINX提供的debian8根文件系统，构建了petalinux，但是经测试，该文件系统无法启用TCF服务，即无法与Xilinx SDK建立连接，那么我们应该如何解决&a…...

编程日记 2025/6/29 2:19:44

基于Transformer的多资产收益预测模型实战（附PyTorch实现与避坑指南）

基于Transformer的多资产收益预测模型实战（附PyTorch模型训练及可视化完整代码） 一、项目背景与目标在量化投资领域，利用时间序列数据预测资产收益是核心任务之一。传统方法如LSTM难以捕捉资产间的复杂依赖关系，而Transformer架…...

编程日记 2025/6/29 3:53:49

SQL：MySQL函数：字符串函数

目录为什么需要字符串函数？ 1️⃣ LENGTH(str) — 这个字符串有几个“字节”？ 2️⃣ CHAR_LENGTH(str) — 这个字符串有几个“字符”？ 3️⃣ TRIM(str) — 把两边的空格剪掉 4️⃣ REPLACE(str, a, b) — 把 a 替换成 b 使用这些函数时…...

编程日记 2025/6/29 2:19:05

C++-缺省参数

缺省参数缺省参数也叫默认参数指的是在函数参数的位置，提前定义一个缺省值（即提前定义一个值），当函数接收到参数时，如果定义缺省值的位置未接收到参数，那么这个位置会自动使用缺省值通过定义缺省参数…...

编程日记 2025/6/29 2:18:58

MySQL 数据库

目录 1. 数据库简介 1.1 使用数据库的必要性 1.2 数据库的基本概念 1.3 经典数据模型 2. MySQL 服务基础 2.1 MySQL 的二进制安装 2.1.1 基础环境准备 2.1.2 二进制安装 2.1.3 设定配置文件 1. 数据库简介 1.1 使用数据库的必要性使用数据库可以高效且条理分明地存…...

编程日记 2025/6/29 2:18:57

探寻养生新路径，守护健康生活

在忙碌的现代生活中，人们对健康养生的需求愈发迫切。养生不一定要遵循复杂的规则，从一些新颖且实用的方面入手，同样能收获健康的馈赠。关注肠道菌群的平衡是养生的关键。肠道内居住着数以万亿计的微生物，它们与人体健康息息相…...

编程日记 2025/8/7 8:29:37

平板收银系统、国产系统，鸿蒙系统，小键盘的封装与应用—仙盟创梦IDE

数字小键盘封装数组小键盘封装是指将与数组小键盘相关的功能、操作、数据等进行整合，形成一个独立的、可复用的模块。封装数组小键盘具有以下几方面重要意义： 提高代码可维护性降低复杂度：数组小键盘在实际应用中，可能涉及到…...

编程日记 2025/8/9 20:29:33

微软推动智能体协同运作：支持 A2A、MCP 协议

今日凌晨，微软宣布 Azure AI Foundry 和 Microsoft Copilot Studio 两大开发平台支持最新 Agent 开发协议 A2A，并与谷歌合作开发扩大该协议，这一举措对智能体赛道意义重大。现状与变革意义当前智能体领域类似战国时代，各家技术…...

编程日记 2025/8/9 4:40:38

《企业级前端部署方案：Jenkins+MinIO+SSH+Gitee+Jenkinsfile自动化实践》

文章目录前言前端项目CICD时序图一、环境准备1、服务器相关2、Jenkins凭据3、注意事项二、设计思想1. 模块化设计2.多环境支持3. 制品管理4. 安全部署机制5. 回滚机制三、CI阶段1、构建节点选择2、代码拉取3、代码编译4、打包并上传至minio 四、CD阶段五、回滚阶段六、构建通…...

编程日记 2025/8/13 16:39:19

数据库的进阶操作

目录 1、数据库的约束 2、查询操作的进阶 2.1 查询插入 2.2 聚合查询 2.3 运算查询 2.3 分组查询 2.4 联合查询 2.5 内外连接 2.6 子查询 2.7 合并查询 1、数据库的约束数据库的约束是指：数据库会自动的对数据的合法性进行校验和检查的一系列操作的机制&a…...

编程日记 2025/6/29 4:31:32

小刚说C语言刷题—1341银行存款问题

1.题目描述亮亮把 n 元按照 m 年期整存存入银行，按照目前银行的年利率，请问到期后亮亮可以连本带息总共拿到多少钱？ 存期（整存整取） 年利率 1年 3.25% 2年 3.75% 3年∼4 年 4.25% 5年及 5年以上 4.75% 输入…...

编程日记 2025/6/29 3:32:18

15 个 Azure DevOps 场景化面试问题及解答

问题 1. 解释 Azure DevOps YAML 管道的典型结构。您可以从管道的整体结构开始，从触发器开始。您也可以选择解释它可能包含的不同类型的阶段：构建、测试、扫描、部署等。 Azure DevOps YAML 管道结构示例触发器指示管道运行。它可以是持续集成 (CI) 或…...

编程日记 2025/8/11 19:20:57

spring cloud 跨服务调用

微服务将不同功能模块拆分成多个不同的服务，在业务逻辑集成时候，难免会有一个服务需要依赖调用另一个服务的情况。如订单服务需要通过用户服务查询用户相关信息，这时候微服务之间就需要进行跨服务调用。要想进行跨服务调用，服务…...

编程日记 2025/8/11 11:31:54

手机隐私数据彻底删除工具：回收或弃用手机前防数据恢复

软件介绍有这样一款由吾爱网友chenwangjun 原创开发的数据处理软件，名为 AndroidDiskClear。它的核心功能十分强大，能够将你手机里已经删除的各类文件，像图片、普通文件、文字信息等彻底清除干净，有效杜绝数据恢复类软件的二次恢…...

编程日记 2025/6/29 4:32:00

【Electron】electron-vue 借助 element-ui UI 库助力桌面应用开发

前面文章我们讲过 electron 让可以用 HTML、JS、CSS 开发桌面应用程序。而 electron-vue 是一个结合了 electron 与 vue 的套件。这样我们就能方便地使用 vue 快速开发桌面应用。但是，vue 只是在 js 这层面做了大量的便捷的操作。对 UI 并未过多涉及。此时如果您在开…...

编程日记 2025/8/9 8:30:25

《信息论与编码课程笔记》——信源编码（1）

目录一、信源编码基本概念 1. 定义与目的 2. 编码示例 3. 编码分类 4. 唯一可译码的判断标准 5. 编码评价指标二、香农第一定理（无失真可变长信源编码定理） 1. 核心内容 2. 关键概念与指标 3. 数据压缩的本质 4. 例子与启示 5. 定理的意义…...

编程日记 2025/8/13 15:58:44

2022年8月，韩先超对中移信息进行微服务架构原理（Docker+k8s+DevOps+Go等）培训

2022年8月，韩先超对中移信息进行微服务架构原理（Dockerk8sDevOpsGo等）培训 2022年8月，在企业数字化转型和云原生架构加速演进的背景下， 中移信息技术有限公司特别邀请云原生与DevOps领域专家韩先超老师&#xff0c…...

编程日记 2025/6/29 3:32:03

【PostgreSQL数据分析实战：从数据清洗到可视化全流程】8.4 数据故事化呈现（报告结构设计/业务价值提炼）

👉 点击关注不迷路 👉 点击关注不迷路 👉 点击关注不迷路文章大纲 8.4 数据故事化呈现：从报告结构到业务价值的深度融合一、数据故事化的核心价值体系（一）报告结构设计的黄金框架1. 业务场景锚定&#xff…...

编程日记 2025/6/29 4:09:38

Docker 核心目录结构

1. Docker 核心目录结构数据存储目录默认根目录：/var/lib/docker Docker 所有运行时数据（镜像、容器、卷、网络配置等）的默认存储位置。 bash 复制下载 # 查看 Docker 数据根目录 docker info | grep "Docker Root Dir" # 输出…...

编程日记 2025/6/29 3:50:19