4.7 反向传播的综合代码实现
现在可以在之前手写数字识别案例的基础上,对SGD的计算过程进行优化。核心就是使用误差的反向传播法来计算梯度,而不是使用差分数值计算;这将大大提升学习的效率。 对于二层网络TwoLayerNet,...
6.3.2 模型类的参数构成
以ChatDeepSeek为例,完整参数列表由如下几部分构成:1、客户端与连接参数 (Networking)这类参数决定了代码“怎么连到服务端”,而不是“让模型怎么生成”。 2、模型推理参数 (Model Inference)...
小节四:如何让这个 API 真正调用前面已经实现的 Agent Harness?
到了这里,问题已经不是“API 能不能回一段字符串”,而是“这套 API 能不能真正接上你前面已经写好的 Harness”。如果只盯着当前这个 Flask Route,你很容易把视角放窄;从更大的接入关系看,...
第 5 章 Seq2Seq模型
5.1 概述 传统的自然语言处理任务(如文本分类、序列标注)以静态输出为主,其目标是预测固定类别或标签。然而,现实中的许多应用需要模型动态生成新的序列,例如: 机器翻...
Working Memory:Agent 当前正在想什么?
上一节我们已经实现了 ContextBuilder,把真实 Agent 的输入从简单的: System Prompt + 用户问题 升级成: System Prompt + Agent Rules + AGENTS.md + Skills + Memory + Conversation +...
3.2 ToolCallLimitMiddleware中间件
限制工具调用次数,可以限制所有工具调用的总次数,也可以限制特定工具的调用次数。作用如下: 避免过多调用某些昂贵的外部API 限制网络爬虫或数据库查询请求的数量 避免Agent陷入无限循环 退出...
小节四:把 Session 接回 ContextBuilder 和 Agent Engine——真正实现“继续刚才那个任务”
现在我们把前几节串起来。 当前已有: SessionManager WorkingMemory ContextBuilder Agent Engine 一个新请求进来时,流程应该变成: 请求携带 session_id ↓ SessionManager.get_session() ↓...
章末自测
题目 1:Context Window、Input Token、Output Token 三者是什么关系? 请用一个“总窗口 100K、Input 80K、希望输出 10K”的例子解释为什么不能只看 Input 有没有超过 100K。 Context Window ...













