<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[我是香菜]]></title><description><![CDATA[2021年度华为云年度十佳博主，csdn 认证博客专家，游戏开发领域优质创作者,华为云享专家，2021年度csdn博客之星十四名]]></description><link>https://blog.csdn.net/perfect2011</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; perfect2011]]></copyright><item><title><![CDATA[PointNet++ 入门指南 从点云到分层特征学习]]></title><link>https://blog.csdn.net/perfect2011/article/details/166368558</link><guid>https://blog.csdn.net/perfect2011/article/details/166368558</guid><author>perfect2011</author><pubDate>Tue, 22 Sep 2026 17:18:10 +0800</pubDate><description><![CDATA[PointNet++ 把一轮局部特征提取封装成 Set Abstraction。名字听起来有些抽象，代码里做的事只有三件：选中心、找邻居、压特征。过程具体操作可以类比成Sampling用 FPS 选出 N' 个中心点下采样Grouping以中心点为球心，在半径 r 内找最多 K 个点确定卷积核覆盖范围PointNet每组使用同一个 MLP，再做 max pooling提取局部特征Set Abstraction 三步。]]></description><category></category></item><item><title><![CDATA[火了一周的Jev大模型到底是怎么回事？能炒股不？]]></title><link>https://blog.csdn.net/perfect2011/article/details/166249705</link><guid>https://blog.csdn.net/perfect2011/article/details/166249705</guid><author>perfect2011</author><pubDate>Mon, 21 Sep 2026 16:25:18 +0800</pubDate><description><![CDATA[Jev 不是另一个 ChatGPT，也不是一个替人包办决定的“AI 大脑”。它更像软件里的值班主管：面对大量重复信息，快速分类、打分，再把事情送到正确的下一站。在客服分流、内容审核、Agent 路由和资料筛选等场景中，这种能力很实用。到了股票研究这样的高风险领域，Jev 更适合整理材料、识别风险和安排研究顺序，而不是预测股价或自动下单。比较稳妥的分工是：数据接口提供事实，代码负责计算和风控，大语言模型负责阅读和解释，Jev 负责结构化判断，人保留最终决定权。]]></description><category></category></item><item><title><![CDATA[从一团噪声到一只猫，一篇讲透文生图原理]]></title><link>https://blog.csdn.net/perfect2011/article/details/165881332</link><guid>https://blog.csdn.net/perfect2011/article/details/165881332</guid><author>perfect2011</author><pubDate>Fri, 18 Sep 2026 15:21:56 +0800</pubDate><description><![CDATA[本文以“墨水滴入水中”为类比，通俗解析扩散模型核心原理：通过前向过程逐步加噪，将图像变为纯噪声；再通过反向过程训练模型预测并去除噪声，从噪声中还原清晰图像。关键在于仅需预测噪声（MSE损失），无需对抗训练，训练稳定。采用UNet作为去噪网络，结合时间嵌入与跳跃连接，实现精准逐级修复。代码实现涵盖噪声调度、前向扩散、UNet结构与采样流程，完整呈现扩散模型生成图像的内在逻辑。]]></description><category></category></item><item><title><![CDATA[图解深度学习｜22种常见模块结构全梳理（建议收藏）]]></title><link>https://blog.csdn.net/perfect2011/article/details/165751736</link><guid>https://blog.csdn.net/perfect2011/article/details/165751736</guid><author>perfect2011</author><pubDate>Thu, 17 Sep 2026 17:31:29 +0800</pubDate><description><![CDATA[原始笔记里那段归类值得单独拎出来，它就是这份清单的索引：CNN、VGG、ResNet 属于逐层卷积结构；RNN、LSTM、GRU 属于循环结构；Transformer 和 ViT 属于注意力结构；U-Net、Autoencoder 属于编码器—解码器结构；GAN 和扩散模型属于生成结构。再往下压一层，真正要记的只有四个零件——卷积（局部）、循环（顺序）、注意力（全局）、残差（可训练）。剩下的全是它们的排列组合。看到新模型先问一句"它换掉了哪个零件"，通常三分钟就能看懂。]]></description><category></category></item><item><title><![CDATA[TensorRT 工程化部署全景指南]]></title><link>https://blog.csdn.net/perfect2011/article/details/165611979</link><guid>https://blog.csdn.net/perfect2011/article/details/165611979</guid><author>perfect2011</author><pubDate>Wed, 16 Sep 2026 14:35:09 +0800</pubDate><description><![CDATA[TensorRT 是 NVIDIA 推出的高性能深度学习推理 SDK，用于将训练好的模型编译成针对特定 GPU 架构优化的推理引擎。底层原理 (PCIe / 内存 / CUDA / 合批)↑模型导出 (ONNX / TorchScript)↑推理引擎 (TensorRT / ONNX Runtime)↑服务封装 (FastAPI / Triton / K8s + 消息队列)↑生产运维 (监控 / 扩缩容 / 灰度)]]></description><category></category></item><item><title><![CDATA[参数暴增，算力不涨？一文拆透大模型的MoE“混合专家”架构]]></title><link>https://blog.csdn.net/perfect2011/article/details/164811765</link><guid>https://blog.csdn.net/perfect2011/article/details/164811765</guid><author>perfect2011</author><pubDate>Thu, 10 Sep 2026 10:17:39 +0800</pubDate><description><![CDATA[MoE 是 Mixture of Experts（混合专家）​ 的缩写。本文讨论的是大语言模型中常见的 稀疏 MoE：通过路由器，为每个 token 选择少量专家参与计算。组件作用专家网络（Experts）对输入进行计算，通常由多个参数独立的前馈网络（FFN）组成路由器（Router）根据输入为各专家打分，并选择其中得分最高的若干个专家输出合并根据路由器给出的权重，将选中专家的计算结果进行加权求和普通 Dense FFN 对所有 token 使用同一组参数；]]></description><category></category></item><item><title><![CDATA[微调大模型qwenvl3，太简单了]]></title><link>https://blog.csdn.net/perfect2011/article/details/164485106</link><guid>https://blog.csdn.net/perfect2011/article/details/164485106</guid><author>perfect2011</author><pubDate>Mon, 07 Sep 2026 18:46:16 +0800</pubDate><description><![CDATA[ms-swift（ModelScope SWIFT，全称 Scalable lightWeight Infrastructure for Fine-Tuning）是魔搭社区官方出品的大模型与多模态大模型训练 + 部署框架。一句话：把"预训练 → 微调 → 对齐 → 推理 → 评测 → 量化 → 部署"整条链路，压缩成一条命令行。它解决的核心痛点是：以前你要自己拼 transformers + peft + deepspeed + vLLM + 评测脚本，现在这些都在一个swift命令后面。]]></description><category></category></item><item><title><![CDATA[轻松搞懂大模型微调SFT技术]]></title><link>https://blog.csdn.net/perfect2011/article/details/164403323</link><guid>https://blog.csdn.net/perfect2011/article/details/164403323</guid><author>perfect2011</author><pubDate>Sat, 05 Sep 2026 20:21:18 +0800</pubDate><description><![CDATA[大模型微调，是在已经训练好的模型基础上，使用特定领域或任务的数据继续训练，更新全部参数、部分参数或新增的可训练参数，使模型更适合目标任务。能描述图片，却无法按照企业规定给出巡检结论。能识别问题，却不能稳定映射到内部故障分类。能生成答案，却时常漏掉要求的字段。微调通过大量一致的示范，让模型学习“在这种输入下，应当如何完成任务”。它通常不需要从零训练整个模型，而是在已有能力上进行适配。可以把预训练理解为建立基础知识和能力，把微调理解为针对具体岗位继续训练。]]></description><category></category></item><item><title><![CDATA[看懂这三个矩阵，你就看懂了 Transformer 注意力]]></title><link>https://blog.csdn.net/perfect2011/article/details/164371574</link><guid>https://blog.csdn.net/perfect2011/article/details/164371574</guid><author>perfect2011</author><pubDate>Fri, 04 Sep 2026 16:35:36 +0800</pubDate><description><![CDATA[Q、K、V 通常由输入 X 经过三组不同的可训练线性变换得到。Q 和 K 决定关注谁，V 决定获取什么内容。注意力的本质，是根据相关程度对信息进行动态加权汇总。把这三点弄清楚，再去理解多头注意力、ViT、DINO 或大语言模型，都会顺畅很多。摘要：Q、K、V 并不是三份凭空出现的数据，而是同一份输入经过三组可训练线性变换得到的不同表示。本文从直觉、公式、维度和 ViT 场景四个角度拆解注意力机制。]]></description><category></category></item><item><title><![CDATA[端侧视频分析 · 架构笔记]]></title><link>https://blog.csdn.net/perfect2011/article/details/164289746</link><guid>https://blog.csdn.net/perfect2011/article/details/164289746</guid><author>perfect2011</author><pubDate>Wed, 02 Sep 2026 11:12:43 +0800</pubDate><description><![CDATA[&lt;think&gt;需要生成基于所提供文本的摘要，不超过150字。文本描述了一种边缘AI盒子的架构，该盒子结合了用于视频分析的小型快速模型和大型慢速但准确的视觉语言模型（Qwen3VL）。两种模式：复核模式（小型模型检测候选警报，大型模型验证）和直检模式（大型模型直接检测）。关键点包括流水线流程、配置细节和延迟管理策略。摘要需要简洁，捕捉核心机制和两种模式的对比。用户请求是中文的，所以摘要应该用中文。创建约150字的中文摘要。计算中文字符数。确保不超过150字。&lt;/think&gt;边缘AI盒子]]></description><category></category></item><item><title><![CDATA[微微操作，免费调用deepseek，元宝 API]]></title><link>https://blog.csdn.net/perfect2011/article/details/164018378</link><guid>https://blog.csdn.net/perfect2011/article/details/164018378</guid><author>perfect2011</author><pubDate>Mon, 24 Aug 2026 11:17:41 +0800</pubDate><description><![CDATA[这是这个项目里最容易被问到"为什么不这样做"的一处设计。监听,直接嗅探站点自己的流式接口——技术上可行,元宝、DeepSeek 内部大概率也是 SSE 或分块传输。但这条路的代价是:得反向工程每个站点私有的响应格式(通常还会变、可能加密混淆),站点一次内部重构就可能让解析全部失效,而且完全绑死在"某个特定接口版本"上。注入监听 DOM 变化。]]></description><category></category></item><item><title><![CDATA[用旧安卓手机当服务器，搭建小孩成长记录]]></title><link>https://blog.csdn.net/perfect2011/article/details/163994801</link><guid>https://blog.csdn.net/perfect2011/article/details/163994801</guid><author>perfect2011</author><pubDate>Sun, 23 Aug 2026 11:48:02 +0800</pubDate><description><![CDATA[一台旧安卓 + Termux + Python= 一台不用交电费的微型服务器。不用租云服务器，不用担心数据泄露，就在你家路由器底下跑着，安全感拉满。赶紧去翻翻抽屉，把那台吃灰的旧手机揪出来试试吧！有啥问题评论区问我，我都在。]]></description><category></category></item><item><title><![CDATA[彻底读懂 YOLO 的 YAML：从配置到源码、从结构到预训练加载]]></title><link>https://blog.csdn.net/perfect2011/article/details/163937863</link><guid>https://blog.csdn.net/perfect2011/article/details/163937863</guid><author>perfect2011</author><pubDate>Fri, 21 Aug 2026 10:18:42 +0800</pubDate><description><![CDATA[只改 nc，加载预训练# 复制 yolo26n.yaml → my_yolo.yaml# 修改 depth_multiple: 0.5, width_multiple: 0.375。]]></description><category></category></item><item><title><![CDATA[小红书爬虫上GitHub热榜了，但老手都在用 Playwright 干正事]]></title><link>https://blog.csdn.net/perfect2011/article/details/163906132</link><guid>https://blog.csdn.net/perfect2011/article/details/163906132</guid><author>perfect2011</author><pubDate>Thu, 20 Aug 2026 09:32:25 +0800</pubDate><description><![CDATA[2026 年，AI Agent 挤进浏览器入口，Claude 开始点网页，腾讯开源了 BrowserSkill，宇树上市首日涨 460%……热搜翻来覆去换名字，但底层那根让 Agent "打开网页、点按钮、读内容"的管道，越来越多是 Playwright。技术是中性的，用得好是利器，用得稳是底气。#自动化测试#AI Agent#Docker#爬虫。]]></description><category></category></item><item><title><![CDATA[YOLO 入门：从零理解目标检测与实战]]></title><link>https://blog.csdn.net/perfect2011/article/details/163891966</link><guid>https://blog.csdn.net/perfect2011/article/details/163891966</guid><author>perfect2011</author><pubDate>Wed, 19 Aug 2026 17:03:11 +0800</pubDate><description><![CDATA[本文是YOLO目标检测算法的入门指南，从零基础讲解核心概念和实战流程。YOLO（You Only Look Once）通过单次神经网络计算直接预测图像中的所有目标，实现快速检测。文章详细解析了YOLO的工作流程：Backbone提取特征、Neck融合多尺度特征、Head预测目标框和类别、NMS去除重复结果。重点介绍了数据标注格式（YOLO格式）、训练参数配置和评估指标（mAP、IoU等），并提供了使用Ultralytics YOLO进行训练和推理的代码示例。最后强调实际项目应关注数据质量、错误分析和持续优化]]></description><category></category></item><item><title><![CDATA[一文搞懂激光雷达点云：从数据结构到SLAM与3D检测]]></title><link>https://blog.csdn.net/perfect2011/article/details/163827244</link><guid>https://blog.csdn.net/perfect2011/article/details/163827244</guid><author>perfect2011</author><pubDate>Mon, 17 Aug 2026 15:55:20 +0800</pubDate><description><![CDATA[本文系统梳理了激光雷达点云的技术链路，从数据采集到应用落地的完整流程。主要内容包括：点云数据结构解析（XYZ坐标、强度、时间戳、环信息），激光雷达UDP通信原理与数据解析，点云预处理流程（时间同步、去畸变、坐标变换、降采样），以及点云在SLAM、3D目标检测和多传感器融合中的应用。文章强调点云工程涉及网络协议、时间同步、传感器标定等关键技术，突破了"点云仅是三维坐标集合"的认知局限，完整呈现了激光雷达感知系统的技术全貌。
]]></description><category></category></item><item><title><![CDATA[python脚本加密之pyarmor]]></title><link>https://blog.csdn.net/perfect2011/article/details/152934520</link><guid>https://blog.csdn.net/perfect2011/article/details/152934520</guid><author>perfect2011</author><pubDate>Fri, 10 Oct 2025 17:19:07 +0800</pubDate><description><![CDATA[命令格式command是核心操作，如 gen（生成加密脚本）或 obfuscate（混淆脚本），后跟具体的脚本或路径参数。]]></description><category></category></item><item><title><![CDATA[python字节码加密，使用pyc提升运行速度]]></title><link>https://blog.csdn.net/perfect2011/article/details/152660179</link><guid>https://blog.csdn.net/perfect2011/article/details/152660179</guid><author>perfect2011</author><pubDate>Tue, 07 Oct 2025 13:42:43 +0800</pubDate><description><![CDATA[之前项目有人提到pyc的问题，没有研究明白，这次搞清楚了.有什么问题可以留言给我#print。]]></description><category></category></item><item><title><![CDATA[emqx 支持ssl证书连接]]></title><link>https://blog.csdn.net/perfect2011/article/details/149484563</link><guid>https://blog.csdn.net/perfect2011/article/details/149484563</guid><author>perfect2011</author><pubDate>Sun, 20 Jul 2025 16:29:46 +0800</pubDate><description><![CDATA[项目需要安全连接，同时emqx支持ssl 连接，在研究了几天之后终于搞通了，记录一下，也给后来的同学做个参考。这里主要使用docker镜像，机器安装的配置大同小异。]]></description><category></category></item><item><title><![CDATA[最简单Resnet 残差网络是怎么回事，几句话搞明白]]></title><link>https://blog.csdn.net/perfect2011/article/details/149484493</link><guid>https://blog.csdn.net/perfect2011/article/details/149484493</guid><author>perfect2011</author><pubDate>Sun, 20 Jul 2025 16:25:59 +0800</pubDate><description><![CDATA[残差网络只是简单的奖输入数据累加到输出数据，作为整个神经元的输出，解决了梯度消失的问题。]]></description><category></category></item></channel></rss>