ITPub博客

离散化是将连续变量转换为有限数量的离散类别，以简化数据处理和分析。通过将数据划分为若干区间或类别，离散化可以提高模型对数据的处理能力，尤其是对于某些只处理离散特征的算法，如决策树和朴素贝叶斯。此外，离散化还能减少异常值的影响，使数据分布更加均匀，从而提高模型的健壮性和预测性能。这种处理方式不仅使数据更符合模型的要求，还能在数据分布不均时提供更好的稳定性和解释性。6.4.1  等距离散化等

数据采集是指从各种信息源获取数据的过程。对于智能运维而言，这包括从IT系统、应用程序、网络设备、用户行为等多个来源采集有关系统性能、健康状况、用户活动等方面的数据。数据采集是智能运维的基础，为后续的数据分析、自动化决策和问题解决提供支持。例如，实时获取系统状态数据，可以快速识别和响应异常情况；收集性能数据，用来评估和优化系统的运行效率；记录系统行为和错误信息，以帮助分析和排查故障；积累历史数据，进

数据清洗的过程包括处理缺失值、去除重复记录、纠正数据错误和标准化数据格式。有效的数据清洗能够提高数据的准确性和一致性，为后续的数据分析和建模奠定坚实的基础。本文讲解去除重复记录的方法。重复记录是指数据集中存在的多条相同的记录。去除重复记录可以减少数据冗余，保证数据的唯一性。通常通过识别唯一标识符来进行去重处理。在运维工作中，经常需要分析服务器访问日志。示例6-3首先生成模拟的Web服务器访问日志数

在人工智能与机器学习领域，模型的后训练阶段不仅是技术流程中的关键环节，更是提升模型性能，尤其是数学逻辑能力的“黄金时期”。这一阶段，通过对已初步训练好的模型进行精细化调优，能够显著增强其处理复杂数学逻辑任务的能力，使模型在诸如数学推理、数据分析、决策优化等场景中展现出更高的智能水平。模型的后训练，本质上是对模型参数进行二次优化，旨在消除初次训练中的偏差与不足，提升模型的泛化能力和逻辑推断精度。特别

我们知道，基于PPO算法的火箭回收案例非常经典，从其实现过程可以看到，通过对整体的操作描述和控制，我们可以更好地对火箭降落的全过程进行优化。由于篇幅问题，我们直接把这个火箭回收案例代码放在配套资源中，请读者在学习本节之前，先通过运行案例代码弄清楚PPO算法。本节将延续这一自动火箭回收的经典案例，使用新的强化学习算法GRPO来完成一项新的强化学习控制技术。14.1.1  CartPole强

智能运维（Artificial Intelligence for IT Operations，AIOps）作为一种新兴的运维模式，它通过机器学习、深度学习等人工智能技术对IT系统进行自动化监控、故障诊断和性能优化。它能够实时分析海量多模态运维数据，自动识别异常、定位故障根因并提供解决方案，相比传统基于规则和脚本的运维方式具有更强的自适应能力和泛化性。AIOps不仅能显著提升运维效率，降低人力成本，

SwiGLU激活函数名称是Swish-Gated Linear Unit的缩写，它融合了Swish激活函数和门控线性单元（Gated Linear Unit，GLU）的特性。具体来说，SwiGLU通过引入一个可调节的参数，结合Swish的非线性和GLU的门控机制，为深度学习模型提供了更强的表达能力和灵活性。11.4.1  SwiGLU激活函数详解首先，我们来回顾一下GLU激活函数。GLU

工作流是指一系列相互关联的步骤或任务，用于完成特定的业务过程或项目。它定义了任务的顺序、执行者以及相关的条件和规则，以确保流程的顺利进行和最终目标的达成。本文将介绍扣子工作流的分类、解决的问题、逻辑结构。工作流及其分类工作流在日常工作中很常见。例如，财务报销要经过填写报销单、提交发票、财务审核、分管领导审核等步骤，就是典型的工作流；软件开发领域的CI/CD流水线也是一种工作流。扣子的工作流与传统工

为了体现当代Agent依赖于人工智能大模型的能力，我们将其称作AI Agent、AI智能体或者人工智能体，还有一些文章将其直译为“AI代理”。目前，在计算机、人工智能专业技术领域，一般将Agent或AI Agent统一翻译为“智能体”。在信息技术飞速发展的当下，人工智能领域持续推陈出新，智能体与DeepSeek大模型成为近期科技圈的焦点。在此时代背景下，“智能体+DeepSeek”正崭露头角，有望

在深度学习模型日益庞大、复杂的当下，推理空间占用的优化显得尤为关键，而MLA凭借其独特的设计，在这方面表现得极为出色。其通过先进的压缩算法和巧妙的数据处理方式，将原本需要大量空间存储的键（K）和值（V）信息进行高效压缩，从而大幅降低了模型在推理过程中对内存和显存的占用。节省推理空间占用只是MLA带来的基础益处，由此还引发了一系列积极的连锁反应。由于占用空间的减少，模型在推理时的数据读取和传输速度得

大模型时代，Agent将基于大模型构建，此时的Agent是一种能够感知环境、进行决策和执行动作的智能体。是否具备通过独立思考、调用工具逐步完成给定目标的能力，成为基于大模型的Agent与基于传统AI技术的Agent之间最大的不同。这个区别也是很多人在给当代Agent下定义时一直强调的要点。例如，告诉Agent帮忙下单一份外卖，它就可以直接调用App选择外卖，再调用支付程序下单支付，而无须人类指定每

我们使用缓存对自回归生成模型进行计算时，最核心的目标是降低模型推理时的资源消耗。通过精心设计的缓存机制，我们得以高效地存储并复用中间计算结果，从而避免了在每次推理步骤中重复相同的计算。这种优化方法不仅大幅提升了模型的推理速度，还减少了对计算资源的依赖，使自回归生成模型在更多场景下都能实现高效运用。在本节中，我们将从头开始训练一个自回归模型，并采用不同的推理方法，以便对资源消耗进行量化对比。我们希望

作为一名极具责任感的现代青年，在约会时精心雕琢着装风格，绝非仅仅为了展现个人的时尚品位，它更深层次的意义在于，这是对约会对象细致入微的尊重与体贴。然而，如何精准拿捏着装风格的分寸，使之既符合自身气质，又能契合约会氛围，无疑是一大挑战。为此，我们将巧妙借助外部资源，运用高效且精准的信息检索技术，广泛搜集关键数据，同时融合个人的审美见解与缜密的逻辑分析能力，从而打造出令人眼前一亮的约会装扮。自动化获取

在上一小节中，我们展示了如何在Python中调用函数，但是，我们面临一个更复杂的问题：如何在大模型DeepSeek中调用工具？这个问题看似简单，实则涉及许多深层次的技术与思考。就如同多年前人们询问计算机“今天是晴天还是雨天”一样，我们如今要探讨的是如何让大模型调用工具来解决问题。先回到日常生活中的一个例子。在决定今天的穿着之前，我们通常会有一个明确的前置任务：了解今天的天气。那么，如何获取天气信息

为了深入探索DeepSeek提示词样例的丰富内涵，充分挖掘其背后潜藏的无限可能，同时致力于为用户打造更为卓越、便捷且高效的使用体验，DeepSeek官网的API文档匠心独运地为用户呈上了一个专业且全面的专用提示库，如图3-1所示。图3-1  DeepSeek提示库这个提示库就像一座知识的宝库，汇聚了众多经过精心设计和实践验证的提示词样例。每一个提示词都像是一把精准的钥匙，能够开启特定任务

输出JSON格式的DeepSeek在线调用示例 在许多应用场景中，用户需要模型严格按照JSON格式输出数据，以确保输出的结构化和标准化，便于后续逻辑处理和解析。为了满足这一需求，DeepSeek提供了强大的JSON Output 功能，确保模型输出的字符串始终是合法的JSON格式。我们给出一个DeepSeek官方提供的JSON结构化数据处理代码，如图2-26所示。图2-26&n

先来一篇简单的DeepSeek开发小例子开始我们的大模型应用开发旅程。DeepSeek拥有一套全新的大模型调用方法，既可以通过对话的方式开启大模型的对话，也可以使用API调用的形式来使用大模型。DeepSeek对话窗口如图2-22所示。图2-22  开启免费的DeepSeek对话读者可以免费使用和测试基于网页的DeepSeek大模型，下面我们将以在线大模型API调用的形式对大模型进行讲解

2.6.1  设计思路本入门案例非常简单，初学者容易上手。扣子平台旨在助力用户迅速搭建基于大模型的各类智能体，包括最近火爆出圈的DeepSeek模型。扣子现已推出满血版DeepSeek全家桶，支持免费体验R1、V3模型。此外，扣子支持Function Calling（工具调用），让大模型拥有智能化调用工具的能力，为你的智能体添加私有知识和多种技能，极大地拓展智能体的能力边界，一个应用就能

在机器视觉中，有时需要对产品进行检测和计数。比如，网购的维生素片，有时候忘了有没有吃过，就想对瓶子里的药片计数。物体计数在日常生活和生产活动中应用非常广泛。其难点无非是对于产品的图像分割。本节将介绍一下机器视觉检测和计数的实现。基 本 原 理物体计数使用了基于形态学的基础上衍生出来的、基于距离变换的分水岭算法（Watershed Algorithm），其实现的效果更具普遍性。因此，我们这里所说的物

 图像加密解密原理通过按位异或运算可以实现图像的加密和解密。将原始图像与密钥图像进行按位异或，可以实现加密；将加密后的图像与密钥图像进行按位异或，也可以实现解密。异或运算规则可以描述为：（1）运算数相同，结果为0；运算数不同，结果为1。（2）任何数（0或1）与数值0异或，结果仍为自身。（3）任何数（0或1）与数值1异或，结果变为另外一个数，即0变1，1变0。（4）任何数（0或1）与自身异