- 博客(341)
- 收藏
- 关注
RSS订阅
原创 【华为Pura80系列】鸿蒙生态再升级：Pura 80 系列影像突破，WATCH 5 开启智能手表新纪元
2025年6月11日华为Pura80系列及全场景新品发布会，亮点纷呈，Pura 80系列影像与设计出众，WATCH 5功能创新，鸿蒙5.1加持，全场景生态再升级，科技体验迈向新高度。
2025-06-11 21:24:37
1500
55
原创 【华为鸿蒙电脑】首款鸿蒙电脑发布：MateBook Fold 非凡大师 & MateBook Pro，擎云星河计划启动
2025年5月华为发布nova14系列及鸿蒙电脑，MateBook Fold 非凡大师 和 MateBook Pro，并启动擎云计划，公布HarmonyOS 5.0.1升级规划。
2025-05-20 08:00:00
12567
82
原创 【华为Pura先锋盛典】华为Pura X“阔折叠”手机发布：首次全面搭载HarmonyOS 5
华为新生态手机Pura X以16:10阔型屏与AI眼动交互视觉体验登场，首搭HarmonyOS 5实现40%性能跃升，万亿级大模型驱动智能服务进化。红枫四摄开启多光谱影像时代。鸿蒙生态全面冲刺，电脑新品蓄势待发，开启全场景智慧生态新纪元。
2025-03-21 11:15:15
3800
80
原创 【博客之星2024年度总评选】年度回望：我的博客之路与星光熠熠
在过去的2024年里，我经历了许多的挑战和成长，本文主要是回顾我的个人成长历程，以及在创作和日常生活方面的突破，分享我是如何平衡个人生活与博客创作的经验。
2025-01-20 09:30:00
3471
101
原创 【鸿蒙生态崛起，开发者有哪些机遇与挑战？】HarmonyOS NEXT 引领数字化未来
鸿蒙系统不断创新发展，在智能手机、穿戴、车载、家居等行业领域的应用越来越广泛。HarmonyOS NEXT的发布标志着鸿蒙操作系统进入了全新发展阶段，揭示了在智能生态建设方面的最新成果，原生鸿蒙将为全球用户带来更加智能、互联的数字化生活。
2024-11-08 09:00:00
6354
64
原创 【PySpark安装配置】01 搭建单机模式的PySpark开发环境（Windows系统）
本文讲解在Windows系统上搭建可以运行PySpark程序的开发环境。包括安装JDK，安装Anaconda，安装Hadoop，安装MySQL，安装Hive，配置PySpark模块等步骤，最后运行Jupyter Notebook。
2025-06-09 08:00:00
1320
58
原创 【深度学习优化算法】02：凸性
本节讲解了凸函数，目的是帮助我们详细了解优化算法。凸函数的下水平集是凸的。这一性质不仅在数学上具有重要意义，而且在优化问题和机器学习领域也有广泛的应用。通过理解和利用这一性质，我们可以更好地解决实际问题并设计出更高效的算法。
2025-06-04 09:26:32
1616
86
原创 【通义千问】蓝耘元生代 | 免费千万Token！解锁通义Qwen2.5-72B-Instruct自然语言处理新体验
本文详述蓝耘元生代MaaS平台与Qwen2.5-72B-Instruct模型，涵盖平台特性、使用流程，还展示应用实例，新用户可获千万Token，前景可期。
2025-06-02 08:00:00
1810
71
原创 【深度学习优化算法】01：优化和深度学习
本文讲解深度学习优化。深度学习优化旨在最小化损失函数（训练误差），但核心挑战在于平衡训练与泛化误差。优化过程面临三大障碍：局部最小值、鞍点、梯度消失，激活函数饱和区域导致优化停滞，需结合优化算法与正则化策略应对过拟合。
2025-05-30 11:50:12
1402
68
原创 远控安全进阶之战：TeamViewer/ToDesk/向日葵设备安全策略对比
本文选取了当下最热门的TeamViewer、ToDesk、向日葵这三款国内外远程控制代表厂商，从软件介绍、远控安全策略等多个维度展开深入对比，突出ToDesk安全进阶的创新功能“二次验证保护”，呈现一场精彩的远控软件安全进阶“大比拼”。
2025-05-26 08:12:01
6594
98
原创 【金仓数据库】数据库：用户心中的成见是一座大山
文章探讨了数据库选择中的常见误区，特别是对分布式数据库的过度追捧。介绍了金仓数据库如何根据不同业务需求提供定制化解决方案，包括分布式应用、多租户、集中式高可用和真正的分布式数据库需求。
2025-05-21 19:17:14
1229
69
原创 【DeepSeek】蓝耘元生代 | 免费千万Token！蓝耘智算助力DeepSeek-R1开发者生态
本文系统阐述了DeepSeek-R1与蓝耘MaaS平台协同创新，提供免费Token资源，助推AI生态链发展。蓝耘MaaS平台作为模型即服务的先行者，提供了丰富的预训练模型库，用户可通过平台轻松调用DeepSeek-R1模型进行文案生成、代码编写等任务。
2025-05-18 12:28:44
3517
80
原创 【现代深度学习技术】注意力机制07：Transformer
Transformer基于自注意力和位置编码，采用编码器-解码器架构。编码器和解码器通过堆叠多头注意力层和前馈网络构成，利用残差连接和层规范化提升训练效果，在并行计算和短依赖路径优势下，广泛应用于序列任务如机器翻译。
2025-05-15 10:00:36
2599
77
原创 【现代深度学习技术】注意力机制06：自注意力和位置编码
本文讲解自注意力和位置编码。自注意力通过并行处理全局依赖，结合正弦/余弦位置编码注入序列位置信息，虽计算复杂度高，但路径短，克服了RNN/CNN的顺序限制，有效捕获长距离关系。
2025-05-12 09:19:53
1288
50
原创 【现代深度学习技术】注意力机制05：多头注意力
本文讲解注意力机制的多头注意力。通过并行学习多组线性投影，将查询、键和值映射到不同子空间，每个头独立计算注意力后拼接结果，再经线性变换融合不同关注模式，从而捕捉序列中多样化的依赖关系。
2025-05-12 08:56:09
1697
50
原创 【现代深度学习技术】注意力机制04：Bahdanau注意力
本文讲解注意力机制中的Bahdanau注意力。Bahdanau注意力机制通过动态调整上下文变量，在解码时使用加性注意力聚焦编码器隐状态的相关部分，替代固定上下文，提升机器翻译的准确性和对齐效果。
2025-05-10 09:04:36
1305
49
原创 【现代深度学习技术】注意力机制03：注意力评分函数
本文讲解注意力评分函数。加性注意力通过MLP处理不同长度查询键，缩放点积注意力利用点积和√d缩放提升效率。掩蔽softmax过滤无效位置，结合加权值实现注意力汇聚，代码演示权重分布，为复杂模型奠定基础。
2025-05-09 21:59:45
1386
32
原创 【现代深度学习技术】注意力机制02：注意力汇聚：Nadaraya-Watson核回归
本节通过Nadaraya-Watson核回归演示注意力机制：首先生成非线性数据集，对比平均汇聚的局限性；引入非参数注意力模型，使用高斯核计算权重实现平滑预测；扩展为带参数模型，通过可学习权重调整注意力分布，但可能过拟合导致预测波动。实验显示参数模型注意力权重更集中但预测欠平滑。
2025-05-07 10:42:36
1069
45
原创 【现代深度学习技术】注意力机制01：注意力提示
本文讲解注意力机制中的注意力提示。注意力是稀缺资源，通过自主（查询）与非自主（键）提示引导，机制将感官输入（值）加权汇聚，热图可视化权重分配。
2025-05-06 09:42:30
1185
55
原创 【现代深度学习技术】现代循环神经网络08：束搜索
本文讲解现代循环神经网络中的束搜索。贪心搜索逐步选最高概率词元，可能非全局最优；穷举搜索遍历所有组合，计算成本过高；束搜索维护k个候选序列，平衡效率与精度，通过评分公式优选最佳输出。
2025-05-05 11:02:49
1068
36
原创 【现代深度学习技术】现代循环神经网络07：序列到序列学习（seq2seq）
本文讲解现代循环神经网络中的序列到序列学习。seq2seq模型采用RNN编码器将变长序列编码为隐状态，解码器基于隐状态逐步生成输出。训练时使用遮蔽损失忽略填充词元，BLEU评估翻译质量。应用于机器翻译，通过教师强制策略训练，预测时逐词生成并用注意力机制优化结果。
2025-05-05 10:24:21
1975
49
原创 【现代深度学习技术】现代循环神经网络06：编码器-解码器架构
本文讲解现代循环神经网络的“编码器-解码器”架构。“编码器-解码器”架构可以将长度可变的序列作为输入和输出，因此适用于机器翻译等序列转换问题。将长度可变的序列作为输入，并将其转换为具有固定形状的编码状态。将具有固定形状的编码状态映射为长度可变的序列。
2025-05-04 12:18:18
1932
33
原创 【现代深度学习技术】现代循环神经网络05：机器翻译与数据集
本文讲解现代循环神经网络地机器翻译与数据集。机器翻译指的是将文本序列从一种语言自动翻译成另一种语言。使用单词级词元化时的词表大小，将明显大于使用字符级词元化时的词表大小。为了缓解这一问题，我们可以将低频词元视为相同的未知词元。通过截断和填充文本序列，可以保证所有的文本序列都具有相同的长度，以便以小批量的方式加载。
2025-05-04 12:06:22
1325
37
原创 【现代深度学习技术】现代循环神经网络04：双向循环神经网络
本文讲解了双向循环神经网络。从序列学习扩展场景切入，详述隐马尔可夫模型动态规划解法，引申双向循环神经网络架构、定义、计算代价、典型应用，并给出错误应用示例与风险警示，凸显实践要点。
2025-05-03 08:00:00
1829
40
原创 【现代深度学习技术】现代循环神经网络03：深度循环神经网络
本文讲解深度循环神经网络。通过堆叠多个隐藏层增强表达能力，每层隐状态传递至下一时间步和相邻层，使用激活函数处理输入及前序状态，PyTorch实现多层LSTM时因参数增多导致训练速度下降。
2025-05-02 08:00:00
1315
45
原创 【现代深度学习技术】现代循环神经网络02：长短期记忆网络（LSTM）
本文讲解现代循环神经网络中的长短期记忆网络（LSTM），通过输入门、遗忘门、输出门和记忆元解决长短期依赖问题，结构较GRU复杂但提出更早，支持从零实现和框架简洁调用。
2025-05-01 11:35:30
1362
38
原创 【现代深度学习技术】现代循环神经网络01：门控循环单元（GRU）
本文讲解现代循环神经网络中的门控循环单元（GRU），包括原理、数学表达、从零实现及简洁实现，以解决RNN梯度问题。
2025-05-01 10:58:04
1038
47
原创 【现代深度学习技术】循环神经网络07：通过时间反向传播
本文讲解循环神经网络的通过时间反向传播。RNN梯度分析及BPTT是理解其原理的关键，通过深入分析RNN的梯度计算过程，我们可以更好地理解梯度爆炸和梯度消失的问题，BPTT可有效训练RNN捕捉序列依赖。
2025-04-28 09:43:20
1463
51
原创 【现代深度学习技术】循环神经网络06：循环神经网络的简洁实现
本文讲解循环神经网络的简洁实现。展示用深度学习框架高级API高效实现循环神经网络语言模型，包括模型定义、训练及预测，效果优于从零实现。
2025-04-25 09:54:39
2076
59
原创 【现代深度学习技术】循环神经网络05：循环神经网络的从零开始实现
本文讲解循环神经网络的从零开始实现。基于《时间机器》数据集，从零实现字符级循环神经网络语言模型。涵盖独热编码、参数初始化、RNN前向传播、梯度截断及训练过程。通过顺序和随机采样策略，演示模型训练与文本生成，使用困惑度评估性能，对比不同方法的收敛效果。
2025-04-21 09:47:39
1735
65
原创 【现代深度学习技术】循环神经网络04：循环神经网络
本文讲解现代深度学习技术的循环神经网络。RNN通过隐状态捕获序列历史信息，避免传统n元语法参数指数增长问题。其隐状态由当前输入和前步状态计算，用于语言模型等任务，困惑度衡量预测质量，值越低模型越优。
2025-04-19 09:29:48
1644
60
原创 【现代深度学习技术】循环神经网络03：语言模型和数据集
本文讲解循环神经网络中的语言模型和数据集。语言模型估计序列概率，传统n元语法受数据稀疏性限制，转向深度学习。随机采样和顺序分区处理长文本，词频遵循齐普夫定律，长尾分布挑战模型训练。
2025-04-16 13:29:09
1939
63
原创 【ComfyUI】蓝耘元生代 | ComfyUI深度解析：高性能AI绘画工作流实践
蓝耘元生代平台依托ComfyUI节点式AI工作流引擎，以高自由度、灵活定制和高效生成能力为核心，提供可视化编程与GPU算力云服务，支持AI绘画、科研实验及内容创作等场景，其组件化架构与扩展性优势显著，赋能用户实现高效定制化AI开发。
2025-04-14 12:09:02
3257
65
原创 【PySpark大数据分析概述】03 PySpark大数据分析
本文介绍了PySpark大数据分析。PySpark是Apache Spark为Python提供的API，结合Python库与Spark能力，支持单机与集群运行，包含多个核心类与模块，如公共类、SQL模块、Streaming模块、MLlib和ML包等。
2025-04-12 15:14:14
1721
51
原创 【现代深度学习技术】循环神经网络02：文本预处理
本文讲解了循环神经网络中文本预处理的四个步骤：加载文本数据并清洗，拆分为词元，构建词表，转换为数字序列。通过《时光机器》示例，展示了代码实现，包括数据读取、正则处理、词频统计及索引转换，为模型提供数值化输入。
2025-04-09 12:03:17
7329
72
原创 【现代深度学习技术】循环神经网络01：序列模型
本文讲解循环神经网络中的序列模型。时间序列分析中，自回归模型利用历史数据预测未来，单步预测效果良好，但多步预测因误差累积导致准确性显著下降，突显序列动态变化及预测挑战。
2025-04-07 10:32:44
1318
50
原创 【PySpark大数据分析概述】02 Spark大数据技术框架
本文讲解Spark大数据技术架构。Spark是开源通用并行计算框架，具多种特性，有特定运行架构与流程，核心是RDD，生态圈以Spark Core为中心，满足多样计算需求。
2025-04-06 10:06:59
2184
20
原创 【现代深度学习技术】现代卷积神经网络07：稠密连接网络（DenseNet）
本文讲解现代卷积神经网络中的稠密连接网络(DenseNet)。DenseNet通过稠密连接各层输出，促进特征重用，减少参数量。其结构包含稠密块和过渡层，有效控制复杂度。相比ResNet的相加，连接操作增强信息流动，提升模型性能。实验显示在Fashion-MNIST上训练高效。
2025-04-03 09:00:00
1993
62
原创 【现代深度学习技术】现代卷积神经网络06：残差网络（ResNet）
ResNet通过残差块设计解决深层网络训练难题，允许跨层恒等映射，缓解梯度消失。其核心为残差学习，每个块拟合目标与输入的差值，使优化更易。ResNet-18等模型通过堆叠残差块实现，在ImageNet等任务中表现优异，推动深度学习发展。
2025-03-31 10:09:05
2205
73
【机器学习&数据挖掘】离群点检测-源代码+数据集
2025-01-13
【机器学习&数据挖掘】时间序列算法-源代码+数据集
2024-12-31
【机器学习&数据挖掘】智能推荐算法-源代码+数据集
2024-12-28
Python数据分析实验三(基于Scikit-Learn构建数据分析模型)数据集
2024-05-16
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人