前言

首先声明，这是个整活。

想起来一个常见的题目：在一个数组中找到三个和为$x$的组合，并且去重。相信在座的各位大佬都已经不屑一顾了。最经典的三指针做法，核心就是先排序，然后暂时固定一个数字，剩下的两个数字用双指针从两边往中间缩，整体就是一个$O(n^2)$。

很多面试官当然也就摒弃那种暴力搜索方案，因为三个确实就是$O(n^3)$，时间消耗非常让人绝望。但是，暴力的代价真的很大嘛？

所谓力大砖飞，自然也就是矩阵运算了。

前言

在上一篇文章中，我们探讨了自相关性的影响。这次我们在尝试一下，在拟合曲线之前，自相关性有没有什么检测方法。

前言

在上一篇文章中，我们采用滑动窗口拟合曲线，但是效果很差。其实，这里面就是自相关在起作用。本文从理论角度给出解答。

前言

在上一篇文章中，我们创建了数据集，然后探究了怎么对齐数据，接下来就简简单单拟合一下。

前言

在神经网络中，我们往往会根据数据集构建训练集、测试集，有时会有验证集。但是，在构建完成后，如果直接将这些数据直接扔进模型训练，输入输出上可能会对不上。

例如，如果我的数据集是 条 维数组作为 ， 条 维数组作为 ，测试集也是等长度的 条 维数组，这个时候完全不需要在意输入输出问题。但如果数据集是 条 维数组，每条数组长度为 （ 且 为整数），而且 个 均不相等，最终结果却需要为每个 生成一个 ，这就明显对不上。

因此，在这种情况下， 与 的长度需要额外的修整。该怎么做呢？

前言

在上一篇文章中，我们探讨了如何自定义LLM类。但是看到最新的LangGraph版本中，主要利用的是OpenAI或者ChatOpenAI，并使用了ChatOpenAI独有的bind_tool方法，使得图结构有了更为丰富的动作与功能，这让我非常眼红。于是本文就探讨了OpenAI或者ChatOpenAI包装自定义LLM的方法。

前言

现在有一个新的需求，要把MindIE部署的大模型封装成 LLM。于是我就摸索了一下。

本文从MindIE的简介开始逐步介绍如何自定义封装。有关MindIE的详细介绍就在后续单开一章，因为东西太多了。

另：本章代码已开源到代码库，对应库中的llms/custom/cmdi.py。

前言

在实际开发中，根据业务拼接SQL所需要考虑的内容太多了。于是，有没有一种办法，可以像MyBatisPlus一样通过配置注解实现SQL注入呢？

就像是：

1
2

@mybatis.select("select * from user where id = #{id}")
def get_user(id): ...

那可就降低了好多工作量。

P.S.：本文并不希望完全复现MyBatisPlus的所有功能，能够基本配置SQL注解就基本能够完成大部分工作了。

前言

在工作中遇到了一个相当奇怪的要求。一开始，每个人自由组队完成任务，有些人超额完成，有些人未能完成，因此分数有多有少。为了能够尽可能多地减少工作量，需要重新分配队伍，实际上就是相互挂名，最后结算的时候抬过分数线。而有一个更奇怪的要求，就是组里面挂了名字之后，分数会被新来的平均分摊，多的人会变少，少的人会变多。

这下强度一下就上来了。

前言

AlmaLinux安装VSCode之后始终没有找到如何用右键菜单打开VSCode，比Windows麻烦多了。每次都需要先找到文件夹，然后用系统自带的Open In Terminal打开终端，再输入code .，才能够在当前文件夹中快速打开VSCode。那么，有没有稍微快一点的办法？

前排感谢Xfce社区的各位大佬，给出了相当丰富的解决方案。