Euler的博客

累计撰写 211 篇文章
累计创建 82 个标签
累计收到 0 条评论

目录CONTENT

最新文章

【机器学习】F1-Score、Recall、Precision详解：机器学习评估指标的核心概述在机器学习分类任务中，准确率（Accuracy）虽然是最直观的评估指标，但在处理不平衡数据集或需要关注特定类别性能时，往往不够全面。Precision（精确率）、Recall（召回率）和F1-Score（F1分数）这三个指标能够更细致地评估模型的性能，特别是在二分类和多分类问题中。混淆矩阵基
- 2025-09-24
- 11
- 0
- 0
- AI前沿
【运维】Ubuntu上WebDAV挂载与自动同步完整指南前言 WebDAV (Web Distributed Authoring and Versioning) 是一种基于HTTP的协议，常用于云存储服务如Cloudreve、NextCloud等。在Linux系统中挂载WebDAV可以让我们像使用本地文件夹一样操作远程存储，本文将详细介绍在Ubuntu系
- 2025-09-22
- 10
- 0
- 0
- 运维部署
【Python】Python中的Iterator和Generator：深入理解两者的区别与应用在Python编程中，Iterator（迭代器）和Generator（生成器）是两个经常被提及但容易混淆的概念。虽然它们都用于处理序列数据，但在实现方式、使用场景和性能表现上有着重要差异。本文将深入探讨这两个概念，帮助你更好地理解和应用它们。什么是Iterator（迭代器）？ Iterator是P
- 2025-09-19
- 12
- 0
- 0
- Python
【后端】asyncio.gather异常处理与分散-聚集模式详解概述 asyncio.gather是Python异步编程中用于并发执行多个协程的核心函数，它实现了分散-聚集（Scatter-Gather）模式。这种模式在需要同时执行多个异步任务并收集结果的场景中非常有用，但异常处理机制往往让开发者感到困惑。本文通过实际代码示例深入解析 gather函数的异常处
- 2025-09-15
- 15
- 0
- 0
- 后端技术
【后端】FastAPI 中 asyncio.gather 的隐藏陷阱与最佳实践在开发 FastAPI 应用时，我们经常需要并发处理多个异步任务，比如同时请求多个 API、并行处理数据等。asyncio.gather() 看起来是个完美的选择，但它隐藏着一个危险的陷阱，特别是在与 FastAPI Background Tasks 结合使用时。问题场景假设你的 FastAPI
- 2025-09-15
- 30
- 0
- 0
- 后端技术
【LLM】Gemini Schema结构化响应 1. 简介 Gemini API的结构化响应功能允许开发者定义期望的输出格式，确保AI模型返回符合特定Schema的JSON数据。这对于需要稳定数据格式的应用场景非常有用，比如数据提取、API集成、自动化处理等。通过使用Pydantic模型定义Schema，我们可以：确保输出格式的一致性进行类
- 2025-09-10
- 472
- 0
- 13
- 大语言模型
【运维】Linux inotify watches 限制问题解决方案问题背景在 Linux 系统中，inotify 是一个强大的文件系统监控机制，允许应用程序实时监控文件和目录的变化。然而，系统对 inotify 监视器的数量有默认限制，当应用程序需要监控大量文件时，可能会遇到 "Too many open files" 或类似错误。这个问题在开发环境中特别常见
- 2025-09-05
- 423
- 0
- 20
- 运维部署
【运维】网卡协商速度查看在Linux系统中，网卡协商速度是网络性能调优和故障排查的重要指标。本文介绍如何查看和分析网卡的协商状态。查看网卡接口首先需要确认系统中的网卡接口名称： # 查看所有网络接口 ip addr show # 或者使用传统命令 ifconfig -a 常见的网卡命名规则： eth0, eth1 -
- 2025-09-02
- 313
- 0
- 2
- 运维部署
【ElasticSearch】k-NN 搜索深度解析：参数优化与分数过滤实践在现代搜索和推荐系统中，向量相似性搜索已经成为核心技术之一。Elasticsearch 作为主流的搜索引擎，其 k-NN（k-近邻）功能为开发者提供了强大的向量搜索能力。本文将深入探讨 Elasticsearch k-NN 搜索的核心参数、计算过程，以及如何实现基于分数的结果过滤。一、k-NN 核
- 2025-08-26
- 277
- 0
- 7
- ElasticSearch
【深度学习】Transformer 注意力机制与 LoRA target_modules 详解 1. Transformer 自注意力机制结构 1.1 基础组件 class SelfAttention(nn.Module): def __init__(self, d_model, n_heads): super().__init__() self.d_m
- 2025-08-26
- 437
- 0
- 6
- 深度学习

1
...
5
6
7
...
22