<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[惜哉剑气疏的博客]]></title><description><![CDATA[我怕我也会遗忘...]]></description><link>https://blog.csdn.net/h860818</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; h860818]]></copyright><item><title><![CDATA[SCTR 五次失败的安全 BN 路由器]]></title><link>https://blog.csdn.net/h860818/article/details/164566280</link><guid>https://blog.csdn.net/h860818/article/details/164566280</guid><author>h860818</author><pubDate>Tue, 08 Sep 2026 10:09:57 +0800</pubDate><description><![CDATA[本文针对BN漂移问题提出SCTR安全更新路由，利用图像频域、激活特征等估计更新安全性。多组实验均未达门槛：0A～0D低于平凡基线，0E虽略高但信号不足。结果表明该思路全失败，需另寻他法。]]></description><category></category></item><item><title><![CDATA[频域 数学推理版]]></title><link>https://blog.csdn.net/h860818/article/details/164340692</link><guid>https://blog.csdn.net/h860818/article/details/164340692</guid><author>h860818</author><pubDate>Fri, 04 Sep 2026 18:31:14 +0800</pubDate><description><![CDATA[计算机学生眼中的频域]]></description><category></category></item><item><title><![CDATA[BN统计量漂移]]></title><link>https://blog.csdn.net/h860818/article/details/164249898</link><guid>https://blog.csdn.net/h860818/article/details/164249898</guid><author>h860818</author><pubDate>Tue, 01 Sep 2026 11:28:36 +0800</pubDate><description><![CDATA[本文通过实验探究YOLOv8预训练模型微调时BN统计量更新的作用。零学习率下仅更新BN统计量即可提升mAP，但增益依赖Neck+Head+Detect层整体解冻，且存在漂移：在物体尺度、模型规模、数据集上效果可正可负。最后提出SCTR安全路由方法应对漂移。]]></description><category></category></item><item><title><![CDATA[YOLOv8注意力改进实验，SE CBAM ECA与❓模块代码与数据分析]]></title><link>https://blog.csdn.net/h860818/article/details/164227929</link><guid>https://blog.csdn.net/h860818/article/details/164227929</guid><author>h860818</author><pubDate>Mon, 31 Aug 2026 21:20:52 +0800</pubDate><description><![CDATA[文章总结YOLOv8中三种注意力模块：SE利用全局平均池化与全连接实现通道加权；CBAM结合通道与空间注意力，采用双池化和卷积；ECA用1D卷积替代全连接，轻量高效。并指出三者不足，如SE忽略空间信息、权值均小于1等，启发读者设计更优注意力机制。]]></description><category></category></item><item><title><![CDATA[YOLOv8官方底层源码学习，从输入图像走通黑盒模型全流程]]></title><link>https://blog.csdn.net/h860818/article/details/164148348</link><guid>https://blog.csdn.net/h860818/article/details/164148348</guid><author>h860818</author><pubDate>Fri, 28 Aug 2026 22:24:28 +0800</pubDate><description><![CDATA[无]]></description><category></category></item><item><title><![CDATA[从冒泡到传送带流水线：一个3D沉浸式算法靶场，让思想的伟力改变世界]]></title><link>https://blog.csdn.net/h860818/article/details/162574677</link><guid>https://blog.csdn.net/h860818/article/details/162574677</guid><author>h860818</author><pubDate>Sat, 04 Jul 2026 12:01:56 +0800</pubDate><description><![CDATA[算法学习没有捷径，但有更好的方式。光看书上的O(n²)和O(n log n)，你可能知道快排比冒泡快，但你不会真正感受到这种差距。当你在3D场景里看到冒泡排序的元素像蜗牛一样一格一格挪动，而快速排序像流水线一样干脆利落地分治时——那种体验是完全不一样的。]]></description><category></category></item><item><title><![CDATA[YOLO技术架构发展详解（从v1到v8）近万字底层实现逻辑解析]]></title><link>https://blog.csdn.net/h860818/article/details/159209382</link><guid>https://blog.csdn.net/h860818/article/details/159209382</guid><author>h860818</author><pubDate>Thu, 19 Mar 2026 22:07:34 +0800</pubDate><description><![CDATA[这里有各种图和公式带你了解YOLO的发展史（但无代码）]]></description><category></category></item><item><title><![CDATA[YOLO目标检测 一千字解析yolo最初的摸样 模型下载，数据集构建及模型训练代码]]></title><link>https://blog.csdn.net/h860818/article/details/157845092</link><guid>https://blog.csdn.net/h860818/article/details/157845092</guid><author>h860818</author><pubDate>Sat, 07 Feb 2026 22:46:55 +0800</pubDate><description><![CDATA[yolo目标检测是计算机视觉避不开的一个强大模型，以其强大的可并行能力以及简单的结构甚至可以运用于实时检测。本文会从yolo的基本框架算法逻辑开始讲起，也就是yolov1，直至构建一个可以识别目标的模型项目。]]></description><category></category></item><item><title><![CDATA[图像生成 Stable Diffusion模型架构介绍及使用代码 附数据集批量获取]]></title><link>https://blog.csdn.net/h860818/article/details/157326376</link><guid>https://blog.csdn.net/h860818/article/details/157326376</guid><author>h860818</author><pubDate>Sat, 24 Jan 2026 17:07:22 +0800</pubDate><description><![CDATA[摘要：Diffusion模型是一种基于马尔科夫链的图像生成方法，通过正向加噪和逆向去噪过程实现图像处理。Stable Diffusion结合了Clip文本编码器、Unet去噪网络和VAE变分自编码器，支持文本到图像的生成。文中提供了Stable Diffusion XL和基础版的Python实现代码，包括模型加载、提示词翻译和图像生成功能，并介绍了LoRA风格训练方法。还包含数据集批量获取脚本，通过Pixabay API自动下载图片并生成描述文本。整个系统支持中英文输入，可生成高质量图像，适合不同硬件配置的]]></description><category></category></item><item><title><![CDATA[纯AI开发能做到什么地步 他心游 经典博客项目]]></title><link>https://blog.csdn.net/h860818/article/details/156278495</link><guid>https://blog.csdn.net/h860818/article/details/156278495</guid><author>h860818</author><pubDate>Thu, 25 Dec 2025 21:54:15 +0800</pubDate><description><![CDATA[摘要：本文介绍了使用ChatGPT+VSCode AI开发的项目经验，展示了具有主题切换、文章编辑等功能的网站。项目采用AI辅助开发，通过全局变量实现五种视觉主题（武侠水墨、赛博朋克等），支持文章格式继承和本地保存。作者分享了AI开发的优缺点，指出仍需人工干预确保代码质量，并预告未来将添加后端功能。目前网站已收录部分文章和小说内容，欢迎用户探索体验并提出建议。（]]></description><category></category></item><item><title><![CDATA[文本生成【终】 Transformer结构、流程及代码详解]]></title><link>https://blog.csdn.net/h860818/article/details/155702480</link><guid>https://blog.csdn.net/h860818/article/details/155702480</guid><author>h860818</author><pubDate>Thu, 11 Dec 2025 00:35:56 +0800</pubDate><description><![CDATA[本文详细解析了基于Transformer架构的小说内容生成器实现。重点介绍了Transformer的核心改进：多头注意力机制、位置编码、掩码技术和前馈全连接层。通过代码示例展示了输入处理（词嵌入和位置编码）、编码层（自注意力机制和规范化）、解码层（掩码注意力）以及输出部分的实现细节。文章还提供了生成示例，展示了模型的实际应用效果。该架构通过并行计算和位置感知显著提升了文本生成质量，为自然语言处理任务提供了新的解决方案。]]></description><category></category></item><item><title><![CDATA[GRU 编码器-解码器架构注入注意力机制代码实现及流程详解]]></title><link>https://blog.csdn.net/h860818/article/details/155531265</link><guid>https://blog.csdn.net/h860818/article/details/155531265</guid><author>h860818</author><pubDate>Wed, 03 Dec 2025 17:30:03 +0800</pubDate><description><![CDATA[惜哉剑气疏/programs_0。]]></description><category></category></item><item><title><![CDATA[注意力机制原理及代码详解]]></title><link>https://blog.csdn.net/h860818/article/details/155272148</link><guid>https://blog.csdn.net/h860818/article/details/155272148</guid><author>h860818</author><pubDate>Wed, 26 Nov 2025 15:32:07 +0800</pubDate><description><![CDATA[注意力机制，就如我们平常所说的注意力一样，是一个聚焦点。比如对于下图：我们第一眼会聚焦到图片的中心，因为我们注意到图片的中央有一个人；其次，我们会注意到背后的天空、远处的山峰及脚下的大地。正如图片中的东西对我们的吸引力有大有小，是我们产生了对应的注意力反馈，在模型中我们可以凭借着两个向量的相关程度确定对应的权重矩阵，模拟注意力产生的过程。]]></description><category></category></item><item><title><![CDATA[我想拥有作家的思想 循环神经网络及变型]]></title><link>https://blog.csdn.net/h860818/article/details/155168011</link><guid>https://blog.csdn.net/h860818/article/details/155168011</guid><author>h860818</author><pubDate>Sun, 23 Nov 2025 23:34:40 +0800</pubDate><description><![CDATA[我们都知道，计算机处理的都是数字，不会处理其他类型的数据。那么，要处理这种文本数据，我们就需要一个数据预处理的步骤，把文本变成一个个的数字，这样计算机就可以处理了。分为两步：其一是把整个文本数据划分为一个个最小单元，其二是把这些最小单元转换为对应的数据。一般都是前者效果较好，毕竟我们写文章时都是按照一个个词语写的，这样划分有利于理解文本的风格构成。我在仓库中上传了相关代码，感兴趣的可以试一试（这个是实现了并发的神经网络，训练起来会快很多）。这个就是普通的基础神经网络，包括激活函数之类的，得到最终的输出。]]></description><category></category></item><item><title><![CDATA[公司信息建设库数据 使用调用堆栈的JS逆向爬虫]]></title><link>https://blog.csdn.net/h860818/article/details/154960858</link><guid>https://blog.csdn.net/h860818/article/details/154960858</guid><author>h860818</author><pubDate>Mon, 17 Nov 2025 23:22:17 +0800</pubDate><description><![CDATA[惜哉剑气疏/programs_0。]]></description><category></category></item><item><title><![CDATA[目前最新同花顺金融股市数据爬取 JS逆向+node.js补浏览器环境]]></title><link>https://blog.csdn.net/h860818/article/details/154754284</link><guid>https://blog.csdn.net/h860818/article/details/154754284</guid><author>h860818</author><pubDate>Thu, 13 Nov 2025 13:26:16 +0800</pubDate><description><![CDATA[JS逆向爬虫解析

内容说明

        本文将在爬虫进阶 JS逆向基础超详细，解锁加密数据_js 逆向 腾讯表在线表格文档-CSDN博客https://blog.csdn.net/h860818/article/details/154149865?spm=1001.2014.3001.5502的基础上进一步讲解JS逆向的应用，对于一些基础的部分不再讲解，如有需要可以看看我的文章补补基础。        我们这次要爬取的是：新股频道-提供新股申购,新股发行一览表,新股申购新规等投资行情信息_同花顺金融]]></description><category></category></item><item><title><![CDATA[爬虫进阶 JS逆向基础超详细，解锁加密数据]]></title><link>https://blog.csdn.net/h860818/article/details/154149865</link><guid>https://blog.csdn.net/h860818/article/details/154149865</guid><author>h860818</author><pubDate>Thu, 30 Oct 2025 23:26:08 +0800</pubDate><description><![CDATA[本文将讲解如何使用JS逆向的技术将加密后的动态数据转换成人能看懂的真实数据。]]></description><category></category></item><item><title><![CDATA[经典路径求解问题——路径之谜]]></title><link>https://blog.csdn.net/h860818/article/details/153794102</link><guid>https://blog.csdn.net/h860818/article/details/153794102</guid><author>h860818</author><pubDate>Thu, 23 Oct 2025 22:31:50 +0800</pubDate><description><![CDATA[1.路径之谜 - 蓝桥云课。]]></description><category></category></item><item><title><![CDATA[狗的图像识别最终版——准确率高达97%]]></title><link>https://blog.csdn.net/h860818/article/details/153524735</link><guid>https://blog.csdn.net/h860818/article/details/153524735</guid><author>h860818</author><pubDate>Sat, 18 Oct 2025 15:43:40 +0800</pubDate><description><![CDATA[本章节是基于爬虫+卷积神经网络项目实战解析——对图像狗的识别分类-CSDN博客作出改进后得到的最终卷积网络。引入了【的狗类数据集，有数千张图像数据，对于分类的结果具有更准确的判断结果；同时更改了模型的相关代码，大幅提升了准确率，训练集验证集双准确率超过97%，并且对代码进行封装，可以单独进行训练与预测操作。import os# 设置中文字体# 全局配置num_classes = 125 # 根据你的数据集调整batch_size = 16 # 减小batch size。]]></description><category></category></item><item><title><![CDATA[爬虫+卷积神经网络项目实战解析——对图像狗的识别分类]]></title><link>https://blog.csdn.net/h860818/article/details/153137612</link><guid>https://blog.csdn.net/h860818/article/details/153137612</guid><author>h860818</author><pubDate>Sun, 12 Oct 2025 23:04:21 +0800</pubDate><description><![CDATA[programs: 年少曾学登山法 - Gitee.com。]]></description><category></category></item></channel></rss>