当前位置： 首页 > news >正文

Datawhale AI 夏令营【更新中】

news 2025/7/14 7:45:21

Datawhale AI 夏令营【更新中】

  • 夏令营简介
  • 大模型技术（文本）方向：用AI做带货视频评论分析
  • 机器学习（数据挖掘）方向：用AI预测新增用户

夏令营简介

本次AI夏令营是Datawhale在暑期发起的大规模AI学习活动，汇聚产学研资源和开源社区力量，为学习者提供项目实践和学习机会，提升专业能力和就业竞争力。合作企业包括：科大讯飞、蚂蚁集团、魔搭社区、阿里云天池、英特尔、浪潮信息、上海科学智能研究院等。为线上活动，全程免费。

第一期夏令营主要有三个方向可供学习：大模型技术、机器学习、MCP Server开发。
简介

大模型技术（文本）方向：用AI做带货视频评论分析

本次学习实践基于科大讯飞主办的2025 iFLYTEK AI开发者大赛中的基于带货视频评论的用户洞察挑战赛赛项，在实践中学习知识。

Datawhale提供一个Baseline给零基础学员熟悉环境，从零开始学习，夏令营的task 1就是跑通Baseline。代码采用Python编写，利用 TF-IDF 和 线性分类器/KMeans 聚类 来完成商品识别、情感分析和评论聚类。最终可获得约 176 左右 的分数。本次活动提供了基于魔搭Notebook的网络编程环境。

下面对Baseline进行分析：

[1]导入 Pandas 库，并且读取两个 CSV 文件，将它们加载为 DataFrame。其中，origin_videos_data.csv存放的是视频相关的数据，origin_comments_data.csv则存储着评论数据。

# [1]
import pandas as pd
video_data = pd.read_csv("origin_videos_data.csv")
comments_data = pd.read_csv("origin_comments_data.csv")

[2]随机抽取视频数据中的 10 行样本。

# [2]
video_data.sample(10)

[3]显示评论数据的前几行内容。

# [3]
comments_data.head()

[4]把视频描述（video_desc）和视频标签（video_tags）组合成一个新的文本特征（text）。对于原数据中可能存在的缺失值，使用空字符串进行填充，这样可以保证新生成的文本特征不会因为缺失值而出现问题。

# [4]
video_data["text"] = video_data["video_desc"].fillna("") + " " + video_data["video_tags"].fillna("")

[5]这里导入了一系列后续会用到的库和工具：

  • jieba用于中文文本分词。
  • TfidfVectorizer用于将文本转换为 TF-IDF 特征向量。
  • SGDClassifier是一种随机梯度下降分类器。
  • LinearSVC是线性支持向量分类器。
  • KMeans用于聚类分析。
  • make_pipeline用于构建机器学习流水线。
# [5]
import jieba
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import SGDClassifier
from sklearn.svm import LinearSVC
from sklearn.cluster import KMeans
from sklearn.pipeline import make_pipeline

[6]这部分构建了一个预测产品名称的模型：

  • 利用TfidfVectorizer结合 jieba 分词对文本进行处理，只保留前 50 个最重要的特征词。
  • 运用SGDClassifier训练分类模型。
  • 对所有视频数据的产品名称进行预测，包括那些原本产品名称缺失的数据。
# [6]
product_name_predictor = make_pipeline(TfidfVectorizer(tokenizer=jieba.lcut, max_features=50), SGDClassifier()
)
product_name_predictor.fit(video_data[~video_data["product_name"].isnull()]["text"],video_data[~video_data["product_name"].isnull()]["product_name"],
)
video_data["product_name"] = product_name_predictor.predict(video_data["text"])

[7]查看评论数据的列名。

# [7]
comments_data.columns

[8]此代码针对评论数据进行多类别预测：

  • 对情感类别、用户场景、用户问题和用户建议这四个类别依次进行预测。
  • 对于每个类别，使用有标签的数据训练模型，然后预测所有评论的对应类别。
# [8]
for col in ['sentiment_category','user_scenario', 'user_question', 'user_suggestion']:predictor = make_pipeline(TfidfVectorizer(tokenizer=jieba.lcut), SGDClassifier())predictor.fit(comments_data[~comments_data[col].isnull()]["comment_text"],comments_data[~comments_data[col].isnull()][col],)comments_data[col] = predictor.predict(comments_data["comment_text"])

[9]设定了后续聚类分析中每个聚类提取的主题词数量为 10 个。

# [9]
top_n_words = 10

[10]这部分对情感类别为 1 或 3 的正向评论进行聚类分析：

  • 采用 K-means 算法将评论分为 2 个聚类。
  • 提取每个聚类中 TF-IDF 值最高的 10 个词作为主题词。
  • 把聚类主题添加到评论数据中。
# [10]
kmeans_predictor = make_pipeline(TfidfVectorizer(tokenizer=jieba.lcut), KMeans(n_clusters=2)
)kmeans_predictor.fit(comments_data[comments_data["sentiment_category"].isin([1, 3])]["comment_text"])
kmeans_cluster_label = kmeans_predictor.predict(comments_data[comments_data["sentiment_category"].isin([1, 3])]["comment_text"])kmeans_top_word = []
tfidf_vectorizer = kmeans_predictor.named_steps['tfidfvectorizer']
kmeans_model = kmeans_predictor.named_steps['kmeans']
feature_names = tfidf_vectorizer.get_feature_names_out()
cluster_centers = kmeans_model.cluster_centers_
for i in range(kmeans_model.n_clusters):top_feature_indices = cluster_centers[i].argsort()[::-1]top_word = ' '.join([feature_names[idx] for idx in top_feature_indices[:top_n_words]])kmeans_top_word.append(top_word)comments_data.loc[comments_data["sentiment_category"].isin([1, 3]), "positive_cluster_theme"] = [kmeans_top_word[x] for x in kmeans_cluster_label]

[11]对情感类别为 2 或 3 的负向评论进行聚类，流程与正向评论聚类类似。

# [11]
kmeans_predictor = make_pipeline(TfidfVectorizer(tokenizer=jieba.lcut), KMeans(n_clusters=2)
)kmeans_predictor.fit(comments_data[comments_data["sentiment_category"].isin([2, 3])]["comment_text"])
kmeans_cluster_label = kmeans_predictor.predict(comments_data[comments_data["sentiment_category"].isin([2, 3])]["comment_text"])kmeans_top_word = []
tfidf_vectorizer = kmeans_predictor.named_steps['tfidfvectorizer']
kmeans_model = kmeans_predictor.named_steps['kmeans']
feature_names = tfidf_vectorizer.get_feature_names_out()
cluster_centers = kmeans_model.cluster_centers_
for i in range(kmeans_model.n_clusters):top_feature_indices = cluster_centers[i].argsort()[::-1]top_word = ' '.join([feature_names[idx] for idx in top_feature_indices[:top_n_words]])kmeans_top_word.append(top_word)comments_data.loc[comments_data["sentiment_category"].isin([2, 3]), "negative_cluster_theme"] = [kmeans_top_word[x] for x in kmeans_cluster_label]

[12-14]分别对用户场景、用户问题和用户建议进行聚类分析，处理流程与前面的情感评论聚类相同。

# [12]
kmeans_predictor = make_pipeline(TfidfVectorizer(tokenizer=jieba.lcut), KMeans(n_clusters=2)
)kmeans_predictor.fit(comments_data[comments_data["user_scenario"].isin([1])]["comment_text"])
kmeans_cluster_label = kmeans_predictor.predict(comments_data[comments_data["user_scenario"].isin([1])]["comment_text"])kmeans_top_word = []
tfidf_vectorizer = kmeans_predictor.named_steps['tfidfvectorizer']
kmeans_model = kmeans_predictor.named_steps['kmeans']
feature_names = tfidf_vectorizer.get_feature_names_out()
cluster_centers = kmeans_model.cluster_centers_
for i in range(kmeans_model.n_clusters):top_feature_indices = cluster_centers[i].argsort()[::-1]top_word = ' '.join([feature_names[idx] for idx in top_feature_indices[:top_n_words]])kmeans_top_word.append(top_word)comments_data.loc[comments_data["user_scenario"].isin([1]), "scenario_cluster_theme"] = [kmeans_top_word[x] for x in kmeans_cluster_label]

# [13]
kmeans_predictor = make_pipeline(TfidfVectorizer(tokenizer=jieba.lcut), KMeans(n_clusters=2)
)kmeans_predictor.fit(comments_data[comments_data["user_question"].isin([1])]["comment_text"])
kmeans_cluster_label = kmeans_predictor.predict(comments_data[comments_data["user_question"].isin([1])]["comment_text"])kmeans_top_word = []
tfidf_vectorizer = kmeans_predictor.named_steps['tfidfvectorizer']
kmeans_model = kmeans_predictor.named_steps['kmeans']
feature_names = tfidf_vectorizer.get_feature_names_out()
cluster_centers = kmeans_model.cluster_centers_
for i in range(kmeans_model.n_clusters):top_feature_indices = cluster_centers[i].argsort()[::-1]top_word = ' '.join([feature_names[idx] for idx in top_feature_indices[:top_n_words]])kmeans_top_word.append(top_word)comments_data.loc[comments_data["user_question"].isin([1]), "question_cluster_theme"] = [kmeans_top_word[x] for x in kmeans_cluster_label]

# [14]
kmeans_predictor = make_pipeline(TfidfVectorizer(tokenizer=jieba.lcut), KMeans(n_clusters=2)
)kmeans_predictor.fit(comments_data[comments_data["user_suggestion"].isin([1])]["comment_text"])
kmeans_cluster_label = kmeans_predictor.predict(comments_data[comments_data["user_suggestion"].isin([1])]["comment_text"])kmeans_top_word = []
tfidf_vectorizer = kmeans_predictor.named_steps['tfidfvectorizer']
kmeans_model = kmeans_predictor.named_steps['kmeans']
feature_names = tfidf_vectorizer.get_feature_names_out()
cluster_centers = kmeans_model.cluster_centers_
for i in range(kmeans_model.n_clusters):top_feature_indices = cluster_centers[i].argsort()[::-1]top_word = ' '.join([feature_names[idx] for idx in top_feature_indices[:top_n_words]])kmeans_top_word.append(top_word)comments_data.loc[comments_data["user_suggestion"].isin([1]), "suggestion_cluster_theme"] = [kmeans_top_word[x] for x in kmeans_cluster_label]

[15]使用 shell 命令创建了名为submit的文件夹，用于存放后续的结果文件。

# [15]
!mkdir submit

[16]将处理好的视频数据和评论数据保存为 CSV 文件，存储在之前创建的submit文件夹中。

# [16]
video_data[["video_id", "product_name"]].to_csv("submit/submit_videos.csv", index=None)
comments_data[['video_id', 'comment_id', 'sentiment_category','user_scenario', 'user_question', 'user_suggestion','positive_cluster_theme', 'negative_cluster_theme','scenario_cluster_theme', 'question_cluster_theme','suggestion_cluster_theme']].to_csv("submit/submit_comments.csv", index=None)

[17]使用 shell 命令将submit文件夹压缩为submit.zip文件，方便提交。

# [17]
!zip -r submit.zip submit/

该Baseline代码部分地方有不足，可以进行优化。

[1]没有对文件路径是否正确以及文件格式是否符合要求进行检查。
[5]代码导入了LinearSVC却没有使用它，这可能是冗余操作。
[6]max_features=50可能会导致特征不足，降低模型的预测准确性。
[8]没有对模型进行参数调优，可能会影响预测效果。
[10]硬性指定n_clusters=2，可能无法准确反映数据的真实聚类情况。
[11]类别 3 同时出现在了正向和负向聚类中，这可能会导致聚类结果不准确。
[12-14]同样采用了固定的n_clusters=2，可能无法很好地适应不同类型数据的特点。\

机器学习（数据挖掘）方向：用AI预测新增用户

下面对Baseline进行分析：

[1]该代码通过pip命令安装LightGBM 库。LightGBM 是一种高效的梯度提升决策树框架，常用于机器学习中的分类、回归等任务，后续代码将使用该库进行模型训练，因此需要提前安装。

# [1]
!pip install lightgbm

[2]该代码导入了后续数据处理和模型训练所需的核心库与工具：

  • pandas和numpy用于数据读取、清洗和数值计算；
  • json用于处理可能的 JSON 格式数据；
  • lightgbm是梯度提升模型库，将用于构建预测模型；
  • sklearn.model_selection.StratifiedKFold用于分层交叉验证，确保类别分布一致；
  • sklearn.metrics.f1_score用于模型评估（F1 分数计算）；
  • sklearn.preprocessing.LabelEncoder用于类别特征的编码转换；
  • 最后通过warnings.filterwarnings('ignore')忽略运行过程中的警告信息，避免干扰输出。
# [2]
import pandas as pd
import numpy as np
import json
import lightgbm as lgb
from sklearn.model_selection import StratifiedKFold
from sklearn.metrics import f1_score
from sklearn.preprocessing import LabelEncoder
import warnings
warnings.filterwarnings('ignore')

[3]该代码实现数据加载与时间特征工程：

  1. 加载训练集（train.csv）和测试集（testA_data.csv）数据，存储为 DataFrame，并创建提交结果的基础 DataFrame（submit）；

  2. 合并训练集和测试集为full_df，用于后续可能的全局特征处理；

  3. 对三个 DataFrame（train_df、test_df、full_df）进行时间特征提取：

    • 将原始毫秒级时间戳（common_ts）转换为 datetime 格式（ts）；
    • 从ts中提取日（day）、星期几（dayofweek）、小时（hour）作为新特征；
    • 删除临时的ts列，减少冗余数据。
# [3]
%%time
# 1. 数据加载
train_df = pd.read_csv('./train.csv')
test_df = pd.read_csv('./testA_data.csv')
submit = test_df[['did']]full_df = pd.concat([train_df, test_df], axis=0)# 2. 时间特征工程
for df in [train_df, test_df, full_df]:# 转换为时间戳df['ts'] = pd.to_datetime(df['common_ts'], unit='ms')# 提取时间特征df['day'] = df['ts'].dt.daydf['dayofweek'] = df['ts'].dt.dayofweekdf['hour'] = df['ts'].dt.hour# 删除原始时间列df.drop(['ts'], axis=1, inplace=True)

[4]该代码用于分析训练集与测试集的用户重叠情况：

  1. 提取训练集（train_df）和测试集（test_df）中唯一的用户标识（did），并转换为集合；
  2. 计算两个集合的交集（overlap_dids），即同时出现在训练集和测试集的用户；
  3. 统计重叠用户的数量、在训练集总用户中的占比、在测试集总用户中的占比；
  4. 输出结果以评估训练集与测试集的用户分布一致性，为模型泛化能力分析提供参考。
# [4]
%%time
############################### 简单分析
# 获取 train 和 test 中唯一的 did
train_dids = set(train_df['did'].unique())
test_dids = set(test_df['did'].unique())# 计算交集
overlap_dids = train_dids & test_dids# 数量统计
num_overlap = len(overlap_dids)
num_train = len(train_dids)
num_test = len(test_dids)# 占比
ratio_in_train = num_overlap / num_train if num_train > 0 else 0
ratio_in_test = num_overlap / num_test if num_test > 0 else 0# 输出结果
print(f"重叠 did 数量: {num_overlap}")
print(f"占 train 比例: {ratio_in_train:.4f} ({num_overlap}/{num_train})")
print(f"占 test 比例: {ratio_in_test:.4f} ({num_overlap}/{num_test})")

[5]该代码对类别特征进行标签编码处理：

  1. 定义需要编码的类别特征列表（cat_features），包括设备品牌、网络类型、地区、操作系统等；

  2. 初始化字典（label_encoders）用于保存每个特征的编码器；

  3. 对每个类别特征：

    • 使用LabelEncoder将类别值转换为 0 开始的自然数；
    • 合并训练集和测试集的特征值以训练编码器，确保编码规则在两数据集间一致；
    • 将编码后的值替换原始特征，并保存编码器供后续使用。
      通过编码，将非数值型的类别特征转换为模型可处理的数值形式。
# [5]
%%time
# 需要编码的特征列表
cat_features = ['device_brand', 'ntt', 'operator', 'common_country','common_province', 'common_city', 'appver', 'channel','os_type', 'udmap'
]
# 初始化编码器字典
label_encoders = {}for feature in cat_features:# 创建编码器，将类别特征转为0-N的自然数le = LabelEncoder()# 合并训练集和测试集的所有类别all_values = pd.concat([train_df[feature], test_df[feature]]).astype(str)# 训练编码器（使用所有可能值）le.fit(all_values)# 保存编码器label_encoders[feature] = le# 应用编码train_df[feature] = le.transform(train_df[feature].astype(str))test_df[feature] = le.transform(test_df[feature].astype(str))

[6]该代码用于准备模型训练的输入数据：

  1. 定义模型使用的特征列表（features），包括原始特征（如设备信息、地区信息）和时间特征（如小时、星期几）；
  2. 从训练集（train_df）中提取特征列作为模型输入（X_train），提取标签列（is_new_did，需预测的目标变量）作为y_train；
  3. 从测试集（test_df）中提取与训练集相同的特征列作为X_test，为后续模型预测做准备。
    此步骤完成了模型输入数据的筛选与划分。
# [6]
%%time
# 基础特征 + 目标编码特征 + 聚合特征
features = [# 原始特征'mid', 'eid', 'device_brand', 'ntt', 'operator', 'common_country', 'common_province', 'common_city','appver', 'channel', 'os_type', 'udmap',# 时间特征'hour', 'dayofweek', 'day', 'common_ts'
]# 准备训练和测试数据
X_train = train_df[features]
y_train = train_df['is_new_did']
X_test = test_df[features]

[7]该代码实现LightGBM 模型的训练与交叉验证：

  1. 定义find_optimal_threshold函数，通过搜索阈值最大化 F1 分数（二分类评估指标）；

  2. 配置 LightGBM 模型参数（params），包括目标函数、树深度、学习率等，并设置动态随机种子；

  3. 使用五折分层交叉验证（StratifiedKFold）训练模型：

    • 每个折中划分训练集和验证集，训练模型并通过早停机制（early_stopping）防止过拟合；
    • 在验证集上预测概率，搜索最优阈值并计算 F1 分数，保存每个折的模型和结果；
    • 对测试集进行预测，累加各折预测结果的平均值作为最终测试集概率。
      此步骤完成模型训练、验证与测试集初步预测。
# [7]
%%time
# 6. F1阈值优化函数
def find_optimal_threshold(y_true, y_pred_proba):"""寻找最大化F1分数的阈值"""best_threshold = 0.5best_f1 = 0for threshold in [0.1,0.15,0.2,0.25,0.3,0.35,0.4]:y_pred = (y_pred_proba >= threshold).astype(int)f1 = f1_score(y_true, y_pred)if f1 > best_f1:best_f1 = f1best_threshold = thresholdreturn best_threshold, best_f1# 7. 模型训练与交叉验证
import time
# 动态生成随机种子（基于当前时间）
seed = int(time.time()) % 1000000  # 取当前时间戳模一个数，避免太大
params = {'objective': 'binary','metric': 'binary_logloss','max_depth': '12','num_leaves': 63,'learning_rate': 0.1,'feature_fraction': 0.7,'bagging_fraction': 0.8,'bagging_freq': 5,'min_child_samples': 10,'verbose': -1,'n_jobs':8,'seed': seed  # 使用动态生成的 seed
}# 五折交叉验证，使用五折构建特征时的切分规则，保证切分一致
n_folds = 5
kf = StratifiedKFold(n_splits=n_folds, shuffle=True, random_state=42)
test_preds = np.zeros(len(X_test))
fold_thresholds = []
fold_f1_scores = []
models = []
oof_preds = np.zeros(len(X_train))
oof_probas = np.zeros(len(X_train))print("\n开始模型训练...")
for fold, (train_idx, val_idx) in enumerate(kf.split(X_train, y_train)):print(f"\n======= Fold {fold+1}/{n_folds} =======")X_tr, X_val = X_train.iloc[train_idx], X_train.iloc[val_idx]y_tr, y_val = y_train.iloc[train_idx], y_train.iloc[val_idx]# 创建数据集（指定类别特征）train_set = lgb.Dataset(X_tr, label=y_tr)val_set = lgb.Dataset(X_val, label=y_val)# 模型训练model = lgb.train(params,train_set,num_boost_round=1000,valid_sets=[train_set, val_set],callbacks=[lgb.early_stopping(stopping_rounds=50, verbose=False),lgb.log_evaluation(period=100)])models.append(model)# 验证集预测val_pred_proba = model.predict(X_val)oof_probas[val_idx] = val_pred_proba# 阈值优化best_threshold, best_f1 = find_optimal_threshold(y_val, val_pred_proba)fold_thresholds.append(best_threshold)# 使用优化阈值计算F1val_pred_labels = (val_pred_proba >= best_threshold).astype(int)fold_f1 = f1_score(y_val, val_pred_labels)fold_f1_scores.append(fold_f1)oof_preds[val_idx] = val_pred_labelsprint(f"Fold {fold+1} Optimal Threshold: {best_threshold:.4f}")print(f"Fold {fold+1} F1 Score: {fold_f1:.5f}")# 测试集预测test_preds += model.predict(X_test) / n_folds

[8]该代码完成模型评估与预测结果生成：

  1. 评估交叉验证整体性能：计算各折最优阈值的平均值，基于该阈值生成训练集的 OOF（Out-of-Fold）预测标签，计算最终的 OOF F1 分数；
  2. 输出交叉验证结果，包括平均阈值、各折 F1 分数、平均 F1 分数和 OOF F1 分数，评估模型稳定性；
  3. 生成测试集预测结果：使用平均阈值将测试集预测概率转换为标签（is_new_did），保存到提交文件（submit.csv）；
  4. 分析特征重要性：提取模型训练的特征重要性分数，输出 Top 10 重要特征，为特征优化提供参考。
    此步骤完成从模型评估到提交文件生成的全流程。
# [8]
# 8. 整体结果评估
# 使用交叉验证平均阈值
avg_threshold = np.mean(fold_thresholds)
final_oof_preds = (oof_probas >= avg_threshold).astype(int)
final_f1 = f1_score(y_train, final_oof_preds)print("\n===== Final Results =====")
print(f"Average Optimal Threshold: {avg_threshold:.4f}")
print(f"Fold F1 Scores: {[f'{s:.5f}' for s in fold_f1_scores]}")
print(f"Average Fold F1: {np.mean(fold_f1_scores):.5f}")
print(f"OOF F1 Score: {final_f1:.5f}")# 9. 测试集预测与提交文件生成
# 使用平均阈值进行预测
test_pred_labels = (test_preds >= avg_threshold).astype(int)
submit['is_new_did'] = test_pred_labels# 保存提交文件
submit[['is_new_did']].to_csv('submit.csv', index=False)
print("\nSubmission file saved: submit.csv")
print(f"Predicted new user ratio: {test_pred_labels.mean():.4f}")
print(f"Test set size: {len(test_pred_labels)}")# 10. 特征重要性分析
feature_importance = pd.DataFrame({'Feature': features,'Importance': models[0].feature_importance(importance_type='gain')
}).sort_values('Importance', ascending=False)print("\nTop 10 Features:")
print(feature_importance.head(10))
http://www.dtcms.com/a/277513.html

相关文章：

  • java虚拟线程
  • 面试150 从中序与后序遍历构造二叉树
  • Maven项目没有Maven工具，IDEA没有识别到该项目是Maven项目怎么办？
  • html案例：编写一个用于发布CSDN文章时，生成有关缩略图
  • 【拓扑排序+dfs】P2661 [NOIP 2015 提高组] 信息传递
  • 线下门店快速线上化销售四步方案
  • 在i.MX8MP上如何使能BlueZ A2DP Source
  • 如何设计高并发架构？深入了解高并发架构设计的最佳实践
  • Nature子刊 |HERGAST：揭示超大规模空间转录组数据中的精细空间结构并放大基因表达信号
  • DETRs与协同混合作业训练之CO-DETR论文阅读
  • Pandas 的 Index 与 SQL Index 的对比
  • Flask中的路由尾随斜杠(/)
  • SQL140 未完成率top50%用户近三个月答卷情况
  • react中为啥使用剪头函数
  • (nice!!!)(LeetCode 面试经典 150 题 ) 30. 串联所有单词的子串 （哈希表+字符串+滑动窗口）
  • win10 离线安装wsl
  • 论文翻译：Falcon: A Remote Sensing Vision-Language Foundation Model
  • 26-计组-数据通路
  • 楼宇自动化：Modbus 在暖通空调（HVAC）中的节能控制（一）
  • Linux驱动开发1：设备驱动模块加载与卸载
  • java+vue+SpringBoo中小型制造企业质量管理系统（程序+数据库+报告+部署教程+答辩指导）
  • 查看Linux服务器显卡使用情况的详细教程
  • win11添加无线显示器（两个笔记本实现双屏）
  • 昇腾FAQ-A08-工具链相关
  • 小架构step系列13：测试用例的加载
  • 线性代数学习笔记
  • 求解线性规划模型最优解
  • Java行为型模式---观察者模式
  • AI基础设施展望
  • 《Mirage：首款基于实时世界模型的AI原生UGC游戏引擎，开启“边玩边生成”的游戏新时代》