前言

我们在上一篇文章中完成了ChatOpenAI实例的使用，接下来，我们将这个内容放入streamlit中，这样就可以实现一个简单的小产品了。

P.S.：本篇虽然包含实现过程，但是代码存在巨大缺陷，将在下一篇文章中修复。所以请不要太在意本文代码，请期待下一篇的正确代码。

前言

在上一篇文章中，我们完成了ChatOpenAI的实例化。接下来也就自然而然是使用它了。

前言

在前面的文章中，我们尝试了结构和客户端的构建，接下来我们就开始新的尝试：创建ChatOpenAI实例。

前言

在上一篇文章中，我们建立了这样一个基本的结构，所以我们下一步就是开始做最基础的部分。

前言

function call是大模型工程化的一个重要部分。通过function call，我们可以将模型与数据进行交互，从而实现模型的功能化。我们以一个文件的解析为例，探讨文件解析应该怎么触发。

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？