零基础学习机器学习（十一）多层感知机的从零开始实现
现在让我们尝试自己实现一个多层感知机。 为了与之前softmax回归获得的结果进行比较， 我们将继续使用Fashion-MNIST图像分类数据集。
零基础学习机器学习（十）多层感知机的基本原理
我们之前已经对线形模型有了一定的了解，现在我们可以开始对深度神经网络的探索。
零基础学习机器学习（九）Softmax分类从零实现
就像我们从零开始实现线性回归一样， 我们认为softmax回归也是重要的基础，因此应该知道实现softmax回归的细节，这一篇博客可以与上一篇原理介绍的博客对照着看。
零基础学习机器学习（八）Softmax回归的基本原理和简单实现
回归可以用于预测多少的问题。 比如预测房屋被售出价格，或者棒球队可能获得的胜场数，又或者患者住院的天数。
事实上，我们也对分类问题感兴趣：不是问“多少”，而是问“哪一个”：
- 某个电子邮件是否属于垃圾邮件文件夹？
- 某个用户可能注册或不注册订阅服务？
- 某个图像描绘的是驴、狗、猫、还是鸡？
- 某人接下来最有可能看哪部电影？
零基础学习机器学习（七）线性回归的基本原理和简单实现
本节一起跟随李沐老师的课程动手学习线形回归的基本思想，并从零实现。
零基础学习机器学习（六）决策树算法原理与实战代码
从这一篇博客开始介绍一些机器学习常用的算法的原理及其实战代码，本次博客介绍的是决策树以及从决策树上发展出来的随机森林和Gradient Boosting决策树
零基础学习机器学习（五）机器学习方法小结
这篇博客简单梳理下机器学习的算法，训练方法和训练一个模型的步骤。
LangChain + OpenAI 进行文档分析
最近在玩Agent，用LangChain写了一个简单的DEMO，可以实现根据输入文档和之前的聊天记录来进行问答，之所以记录一下，实在是因为Langchain的文档非常差，这段代码耗时三天才成功运行。
如何在一个项目中融合Cocos和React
Cocos作为一个游戏引擎，在开发UI方面是有短板的，不仅是性能上的短板，比如Cocos中的图片体积一般都比较大，而React则可以使用Webp这种格式，同时在开发效率上，Cocos的UI开发效率是远不如React的，社区里也经常会遇到大家融合这两种技术栈，不过一般都是简单的放到一起，各自开发，然后最后联调，这篇文章就是为了提供一种思路，可以让两者在开发的时候就在同一个页面，并且任何改动都可以实时生效。
Cocos 元素位置错位问题收集
最近在修复Cocos的一些Node位置错位的问题，遇到了连个比较有意思的点，而且比较隐蔽，这里记录下