我自己做了一个 AI 后端项目 Mini-Doubao 。这个项目不只是“调用大模型接口聊天”，而是围绕真实工程问题做了完整实现，包括：SSE 流式对话RAG 知识库检索Agent 工具调用闭环多轮会话上下文管理线程池隔离与异步收尾邮箱验证码注册/登录/找回密码项目背景基于火山引擎（豆包模型）API 构建。目标是做一个“可对话 + 可检索 + 可扩展工具能力”的系统，并解决 AI 场景中常见的工程问题：长连接、异步任务、上下文成本控制、服务稳定性等。核心能力1）RAG 异步摄入链路文档上传后通过 RocketMQ 异步处理完成“解析 -> 切片 -> Embedding ->...

不过还是挺开心的hhh

大佬们帮我看看 👉👈

1. 谈谈深度学习中的归一化问题深度学习中的归一化，核心目的是让不同层、不同特征的数值分布更稳定，从而加速训练并提高收敛稳定性。常见归一化包括输入归一化（如像素缩放到[0,1]）、BatchNorm、LayerNorm、GroupNorm。BatchNorm在mini-batch维度统计均值方差，适合CNN场景；LayerNorm在特征维度统计，常用于NLP和Transformer。归一化可以缓解梯度消失/爆炸、允许更大学习率、降低参数初始化敏感性。 import torch.nn as nn # CNN里常见 BatchNorm2d cnn_block = nn.Sequential( nn...