- 博客(423)
- 收藏
- 关注
RSS订阅原创 爱因斯坦求和约定（Einstein Summation Convention）及einsum() 函数
爱因斯坦求和约定通过重复下标隐含求和，简化张量运算。einsum()函数是其工程实现，支持多维张量收缩、矩阵乘、点积、迹、外积及批量操作，广泛用于深度学习中的注意力机制与匹配模型。核心优势在于语法简洁、可读性强，且支持自动微分（PyTorch/TensorFlow），但复杂表达式性能可能不如专用算子。三者语法一致，但自动微分、优化与广播行为有差异，深度学习推荐使用PyTorch或TensorFlow版本。
2026-09-13 22:27:52
245
原创 机器学习中，相同的概念的不同术语表达，如，slope ↔ weight、intercept ↔ bias
本文梳理机器学习中统计学与深度学习术语：slope/weight、loss/cost、MLE可算等价；但L2正则≠weight decay、交叉熵≠NLL、Linear层实为仿射变换、embedding≠隐变量。提醒注意工程命名与数学定义差异。
2026-09-09 09:51:45
252
原创 科普：Python 的高阶函数，你熟悉的装饰器就是高阶函数
高阶函数以函数为一等对象为前提，指接收函数作参数或返回函数的高阶函数，分三类：接收函数参数（如map、apply）、返回函数（闭包）、两者兼具（装饰器）。与C++裸函数指针不同，Python函数对象自带闭包环境，能携带捕获变量。嵌套函数不等于高阶函数，二者可组合为四种情况。
2026-09-07 20:56:40
324
原创 科普：Pandas 中的“迭代器与生成器”（如，df.iterrows()：按行迭代，迭代器）
Pandas 对象支持迭代器协议，并提供生成器方法避免全量载入内存。Series 直接迭代值，items() 产出(索引,值)；DataFrame 直接迭代列名，items()按列、iterrows()按行返回Series副本，存在类型漂移且性能。大数据集应优先向量化。
2026-09-03 10:22:07
380
原创 科普：Python迭代器（Iterator）、生成器（Generator）
本文区分迭代器与生成器：迭代器需实现__iter__()和__next__()，无元素时抛StopIteration；生成器是迭代器的子集，通过yield实现，两者皆惰性求值、一次性消费。还厘清了可迭代对象（如列表）非迭代器，以及生成器与普通迭代器的异同。
2026-09-02 09:36:40
290
原创 科普：Python中的生成器——带`yield`的函数
# 摘要本文围绕Python生成器展开讲解。生成器依靠`yield`实现，遵循按需惰性产出，迭代时才生成数据，无需一次性将全部结果载入内存，适合大数据处理，`kf.split(df)`便是典型应用。生成器对象仅可遍历一次，遍历后直接耗尽，不支持下标索引；通过`list()`可把生成器转为普通列表，实现重复使用，但会占用内存。文中对比生成器与普通`return`函数的差异，介绍生成器表达式、文件迭代等常见使用场景，同时区分迭代器与生成器概念。结合工程案例说明其内存优势，也梳理函数除`retur
2026-08-28 23:12:09
325
原创 科普：pandas 时间偏移别名：ts.resample(“5Min“).sum()
ts.resample("5Min").sum()中，参数"5Min"看上去很特别，你知道它的意思么？本文专门分析一下。
2026-08-25 22:25:02
290
原创 科普：pandas中groupby + transform
本文介绍了Pandas中groupby与transform的组合操作，对比了三种常见写法及其差异。关键点包括：1) transform在聚合后保留原表行数，将分组统计值广播到组内各行；2) 推荐使用groupby(f).transform('size')统计分组行数，避免缺失值导致的错误；3) 通过示例展示了不同写法在有无缺失值场景下的表现差异，说明transform('size')的稳健性。文章还解析了transform与groupby-agg+merge的等价性，并警示了均值编码的标签泄露风险。
2026-08-23 22:05:09
337
原创 科普：从时间序列数据到LSTM多步时序预测
本文探讨了LSTM模型处理时间序列数据时的关键难点——样本构造问题。通过滑动窗口法将原始时序数据转换为训练样本：设定历史窗口长度T=3和预测步数H=4，每次滑动生成一个样本（输入为T天的特征，输出为后续H天的预测值）。文章详细展示了数据集的构建过程（10个样本，每个含2个特征），并比较了两种训练方案：方案A采用多个独立单输出LSTM模型分别预测各时间步（需训练4个模型），而方案B使用单个多输出LSTM模型一次性预测全部时间步（效率更高但存在梯度竞争）。
2026-08-12 22:56:06
207
1
原创 科普：由几个函数形成的“复合函数”：Series.map(dict(zip(A,B)))
本文介绍Pandas中利用Series.map(dict(zip(A,B)))实现列映射的高效方法。该方法通过将两列数据构建为字典映射关系（dict(zip(A,B))），再使用Series.map()进行批量查表，可快速完成编码到属性的转换。文章对比了zip与set_index+to_dict两种字典构建方式，分析了Series.map()的两种执行分支（字典与函数），并指出其性能优势（Cython实现）和容错特性（缺失值返回NaN）。文末通过思考题强调传入字典与lambda函数的差异。
2026-08-10 21:55:30
320
原创 科普：Python 的内置排序函数sorted(...)中的key( DSU机制)
Python的sorted()函数采用DSU（装饰-排序-去装饰）模式实现高效排序：1）先为每个元素计算key值并打包成元组；2）基于key值进行排序；3）去除key值返回原始元素。这种机制确保key函数仅被调用N次而非O(N log N)次，显著提升性能。除sorted()外，list.sort()、min()/max()等内置函数也采用相同机制。文章通过示例代码展示了手动DSU与自动DSU的等效性，并验证了key函数的调用次数，最后列举了支持DSU机制的常见Python函数和库。
2026-08-06 23:44:46
227
原创 科普：Pandas unstack生成宽表
Pandas中的stack()和unstack()函数用于多级索引DataFrame的形态转换：unstack将行索引展开为列（长表变宽表），stack将列索引压缩为行索引（宽表变长表）。本文通过门店商品促销数据示例演示了这两个函数的用法，包括处理缺失值和清理多层列索引等常见问题。两者互为逆运算，特别适用于时序数据处理场景，其中unstack得到的宽表便于构建时序窗口，而stack后的长表适合特征工程。使用时需注意索引层级选择和列索引清理等细节。
2026-07-31 23:25:23
375
原创 科普：np.log1p 与 np.expm1及其它
本文总结了NumPy中对数与指数函数的用法，重点对比了np.log1p与np.log的差异。np.log1p（ln(1+x)）支持x≥-1的输入，特别适合处理含零值的数据（如销量），数值精度更高。其逆运算是np.expm1（e^x-1），二者必须配对使用以避免误差。其他对数函数如log10/log2多用于特定领域。关键建议：计数类数据首选log1p+expm1组合，严格正数可用log，需注意避免逆变换错误、零值溢出和重复变换等常见问题。
2026-07-30 23:19:44
184
原创 科普：Lambda匿名函数与def普通函数
本文系统对比Python中三元表达式、lambda匿名函数与def普通函数的区别及适用场景。三元表达式用于单行条件赋值，lambda适合单行临时回调，而def函数适用于多行逻辑、复用需求及文档注释。文章通过能力对比表和典型示例阐明三者的边界选择规范：简单赋值用三元表达式；一次性简单逻辑用lambda；复杂逻辑、复用需求和异常处理必须用def函数。同时指出常见误区，强调工程代码应优先使用def以保证可维护性，避免滥用lambda。核心原则是根据代码复杂度、复用需求和可读性选择合适工具。
2026-07-30 22:59:29
209
原创 Keras深度学习训练范式：构建模型 （Build）→ 配置训练规则 （Compile）→ 执行训练（Fit） + 回调控制(Callback）
本文对比了主流深度学习框架（TensorFlow/tf.keras、PyTorch、PyTorch Lightning、PaddlePaddle）的训练范式实现差异。Keras采用独特的"build→compile→fit+callbacks"三部曲，通过高层封装简化开发流程；原生PyTorch则需手动编写训练循环，灵活性更高但代码量大；PyTorch Lightning在易用性和灵活性间取得平衡。文章指出Keras虽然简洁但存在底层控制力不足、调试复杂度高等局限，而PyTorch更适合前沿算法研究和定制化
2026-07-28 22:12:55
262
原创 神经网络：业务分层 vs 网络分层
本文区分了神经网络模型中"业务分层"与"网络分层"的概念差异及应用场景。业务分层是从功能角度将多个网络层聚合为完成特定任务的模块，用于项目沟通和代码封装；网络分层则是框架中实际执行运算的最小单元，用于参数调优和问题排查。二者是一对多的包含关系：一个业务分层包含若干网络层，且遵循固定堆叠范式。文中以LSTM客流预测模型为例展示了三层业务分层（时序提取、特征映射、特征压缩）与9个网络层的对应关系，并指出这种分层方法能提升模型可读性和复用性，同时保持底层调试能力。
2026-07-20 22:31:34
384
原创 Python 的链式调用：一连串的“点”调用
Python链式调用通过方法返回实例实现多步操作串联，但需注意四大规则：1）方法必须返回对象（否则链断裂）；2）圆括号包裹可自动换行；3）执行顺序从左到右；4）返回类型需兼容后续方法。推荐圆括号包裹法提升可读性，避免inplace=True和类型不匹配等陷阱。工程实践中应控制链长、统一格式、添加注释，超5步操作建议拆解。自定义类只需方法返回self即可支持链式调用。合理使用链式能提升代码简洁性，但需警惕调试困难和类型错误等问题。
2026-07-19 22:57:49
386
原创 科普：Pandas 索引器 loc 与 iloc 的编程思维
Pandas索引器loc与iloc核心差异解析 本文深入剖析Pandas中loc和iloc两种索引器的本质区别与应用场景。loc基于标签寻址，采用声明式编程思维，代码贴合业务语义，特别适合时间序列和条件筛选；iloc基于位置寻址，遵循命令式编程思维，直接操作底层存储结构。关键区别在于：loc面向业务语义（左闭右闭区间），iloc面向物理存储（左闭右开区间）。文章通过销售数据案例演示了loc在业务查询、区间切片和布尔筛选中的优势，以及iloc在精准位置控制和负索引取值的适用场景
2026-07-17 22:57:53
242
原创 科普：Gazebo中仿真小车的键盘控制
本文介绍了在Gazebo仿真中通过键盘控制小车的两种编码方案。Qt功能键编码（如方向键对应16777xxx大数）和ASCII码（如字母I对应73）不可混用。通过启动仿真和监听/keyboard/keypress话题可验证键值。提供了两种控制方案：方案A使用方向键或数字小键盘控制运动，方案B使用字母键（如I/J/L）控制。控制代码插件可放置在<world>标签下作为全局系统插件，独立于特定模型，适用于多小车控制场景。
2026-06-21 09:46:26
408
原创 科普：机器人项目中的描述文件SDF 和 URDF 对比
URDF与SDF是机器人仿真中两种核心描述格式，分别服务于ROS和Gazebo生态。URDF专注描述单个机器人本体（连杆、关节、传感器），采用XML结构，兼容ROS工具链但缺乏物理仿真能力；SDF则定义完整仿真世界（环境、多机器人、物理引擎、插件），是Gazebo原生格式。两者在基础刚体标签（<link>、<joint>）上语义一致但语法细节不同，高阶功能互不兼容。实际开发中需配合使用：URDF描述机器人本体，SDF构建仿真场景。
2026-06-18 09:34:13
356
原创 科普：URDF 中的Link与Joint
文章摘要： URDF（统一机器人描述格式）是ROS/ROS2机器人建模的核心标准，其核心思想是刚体与约束分离： Link代表实体刚体（如机械零件），需定义视觉、碰撞和惯性属性，是TF坐标树的基石。 Joint仅表示虚拟约束（如运动规则），无实体，用于绑定坐标和限制自由度（如旋转、平移）。 关键点： Link必须包含物理属性，其<origin>仅调整局部几何，不影响全局坐标。 Joint的<origin>决定子Link相对于父Link的装配偏移，直接影响TF变换。
2026-06-17 14:52:21
413
原创 科普： ROS/URDF 标准 RPY 欧拉角
本文详细解析ROS2中RPY欧拉角的正确使用方法，帮助初学者避免常见误区。RPY（Roll-Pitch-Yaw）分别对应绕X、Y、Z轴的旋转，需严格遵循右手定则：大拇指指向坐标轴正方向，四指弯曲方向即为正向旋转。重点包括：ROS坐标系定义（X+前、Y+左、Z+上）、RPY旋转顺序（先Roll→Pitch→Yaw）及各轴正向旋转效果（如Roll>0时左侧抬高、右侧下沉）。文中纠正了常见错误认知，强调必须基于机体自身坐标系按固定顺序叠加旋转，而非凭视觉直觉判断。
2026-06-16 10:24:00
453
原创 科普：iwr -useb https://openclaw.ai/install.ps1 | iex命令行所涉及的知识点
本文解析了PowerShell一键安装命令iwr -useb https://openclaw.ai/install.ps1 | iex的技术细节。该命令通过Invoke-WebRequest下载远程脚本并直接通过Invoke-Expression执行，存在安全风险。文章详细拆解了命令结构，包括参数类型（单横线短参数/双横线长参数）、常见PowerShell别名（如iwr=Invoke-WebRequest），并特别说明-v参数在不同上下文中的多重含义（版本/挂载/详细输出）。最后强调直接执行远程脚本的危险
2026-05-25 23:26:38
784
原创 科普：定位train.loc[ 行条件 , 列名 ]，如：train.loc[train[‘target‘] ＜ -30, ‘outliers‘] = 1
本文介绍了pandas中loc方法在二维表数据定位中的核心用法。通过5个典型场景演示了loc的核心功能：1）单条件单列修改（如标记不及格学生）；2）多条件多列操作（如优秀学生加分）；3）结合isin()筛选特定行；4）多条件复合筛选与赋值；5）多列同时赋不同值。关键要点包括：条件必须加括号、使用&|逻辑符、多列需用列表包裹。loc方法支持精确的"矩形区域"操作，是DataFrame数据筛选和修改的最高效工具之一，特别适用于条件筛选+批量赋值的业务场景。
2026-04-22 23:06:28
416
原创 科普：大家都说：“模型只认 numpy，不认 DataFrame”
现代sklearn模型（如随机森林）既支持numpy数组，也兼容pandas DataFrame/Series输入，因此"模型只认numpy"的说法不准确。这种误解源于早期sklearn版本仅支持numpy的历史背景，加之传统教程和老代码的延续影响。虽然传入DataFrame不会报错，但需注意模型内部计算时仍会将其转换为numpy数组。该说法本质是开发者为统一操作流程形成的经验性简化表达。
2026-04-17 21:45:15
235
原创 科普：CountVectorizer、TF、TF-IDF，三者层层递进
本文介绍了CountVectorizer、TF（词频）和TF-IDF三者在处理多值离散字段时的递进关系及应用。通过商户交易场景示例，说明CountVectorizer如何将文本转换为词频矩阵，TF作为基础特征反映行为频次，而TF-IDF则通过引入逆文档频率（IDF）强化独特行为、弱化普遍行为。文章用Python代码演示了TF-IDF的实现，展示了如何自动识别用户偏好并生成区分度强的特征。这三种方法层层递进，为处理非结构化数据提供了有效的特征工程方案，特别适用于商户类型、城市等多值离散字段的分析。
2026-04-16 23:08:07
507
原创 科普：python的pandas包中的DataFrame就是二维表
这篇文章深入解析了pandas DataFrame的核心概念和操作方式。DataFrame本质上是一个带表头和行号的二维表，由索引(index)、列名(columns)和数值(values)三部分组成。文章详细介绍了DataFrame的六大基本属性：index(行索引)、columns(列名)、values(数据)、shape(行列数)、size(单元格总数)和dtypes(数据类型)。
2026-04-15 21:58:06
298
原创 科普：pandas 中的类 SQL语句：transaction.groupby(“card_id“)[‘purchase_day‘].diff()
本文介绍了Python中pandas的groupby().diff()操作与SQL窗口函数的等价关系。该操作按用户分组计算交易日期差值，等价于SQL的LAG() OVER(PARTITION BY ORDER BY)窗口函数。文章对比了GROUP BY（聚合）与窗口函数（保留原行数）的区别，并列举了pandas中groupby()与其他聚合函数（如sum、mean、count等）对应的SQL语法。最后强调这些功能都属于pandas库，使用前需导入。全文通过具体示例展示了Python数据分析与SQL查询的语法
2026-04-14 23:26:38
417
原创 科普：pd.DataFrame(features).T.reset_index()中的矩阵转置“.T”（注意：不是“.T()”）
该代码pd.DataFrame(features).T.reset_index()中.T的作用是将字典格式的特征数据转换为机器学习标准表格格式。原始嵌套字典会被pandas解析为"特征×用户"的倒置结构，通过转置操作.T将其转换为"用户×特征"的正确形式，再通过reset_index()将用户ID转为普通列。最终得到每行一个用户、每列一个特征的标准数据表，可直接用于机器学习建模。这种转换是因为pandas处理字典时默认将外层键作为列，而实际需要的是行方向排列的用户数据
2026-04-13 22:26:58
254
原创 科普：Manim 的显示范围问题
本文介绍了Manim动画库中显示范围设置的关键要点。主要内容包括：1) 正确配置16:9比例的全局分辨率（1920×1080像素对应14.22×8坐标系单位）；2) 运行时动态修改视野的方法；3) 处理内容出界问题的解决方案；4) 物体缩放操作的两种方式（瞬间缩放和平滑动画缩放）。重点强调了保持16:9比例的重要性，否则会导致画面变形。文章还提供了完整的示例模板，展示如何在实际代码中应用这些配置和操作。
2026-04-12 21:38:02
211
原创 科普： C/C++ 和 Python 里的 `*` 和 `**`，别混淆！
摘要：C/C++中的*表示指针/取值，**表示二级指针；而Python中的*和**与指针无关，分别用于打包/解包参数。*处理列表/元组/位置参数，**处理字典/关键字参数。两者功能逻辑相似但对象不同，容易混淆的点在于Python的*和**写法与C/C++指针语法相似但含义完全不同。典型混淆场景包括将*变量误认为指针取值、函数定义中的*args像指针写法，以及**被误认为二级指针。
2026-04-12 11:49:51
184
原创 科普：%%matplotlib inline：魔法命令 (Cell Magic)
Jupyter笔记本中的%%是单元格魔法命令的标识符，用于改变整个单元格的运行方式。与注释不同，%%开头的指令会被Jupyter识别并执行特殊操作。单元格魔法是Jupyter特有功能，仅在.ipynb环境中有效，普通Python文件不支持。Jupyter还提供单行魔法命令(%开头)，两者共同构成了Jupyter强大的交互功能。
2026-04-08 10:35:24
430
原创 科普：python中你写的模块找不到了——`ModuleNotFoundError`
Python模块导入报错ModuleNotFoundError的解决方案：1) 理解工作目录和__file__的区别，工作目录取决于运行命令的位置；2) 使用os.path.dirname(__file__)获取当前文件绝对路径；3) 通过sys.path.append()将项目根目录添加到Python模块搜索路径。最安全的写法是组合使用这些方法：sys.path.append(os.path.join(os.path.dirname(__file__),"../.."))。此外，也可设
2026-04-07 15:50:24
339
原创 科普：Python / Numpy / PyTorch 的数据拼接方法
本文总结了NumPy、Python列表和PyTorch中三种主要的数组拼接方法：横向拼接（列增加）、纵向拼接（行增加）和维度拼接（新增维度）。NumPy提供hstack、vstack和concatenate函数，PyTorch使用cat和stack函数实现类似功能，而Python列表仅支持简单拼接。关键区别在于拼接维度的控制：NumPy使用axis参数，PyTorch使用dim参数。横向拼接增加特征维度，纵向拼接增加样本数量，stack操作会新增一个维度。文中提供了代码示例和对照表。
2026-04-03 21:39:10
323
原创 科普：python中的有趣现象：方法链式调用以及交换次序，`return self`的妙用
本文探讨了Python中链式调用的原理及其在Manim库中的应用。通过示例说明，类似DecimalNumber().set_color(WHITE).scale(5)的链式调用可以无限连接，且非几何变换类方法（如颜色设置与缩放）的顺序可以任意交换。只有当涉及位置、旋转等几何变换时，调用顺序才会影响结果。文章还分析了链式调用的底层机制：方法执行后返回对象自身（return self），使得连续调用成为可能。最后通过绘制折线的实例，展示了链式调用的实际应用场景。
2026-04-03 15:32:52
77
原创 科普：＜generator object ...＞，不是报错！兼谈`enumerate` 的作用
本文介绍了Python生成器（Generator）的概念及其应用场景。通过sklearn的KFold.split()方法为例，说明生成器对象（<generator object...>）并非错误，而是一种节省内存的特殊对象。生成器主要通过三种方式产生：使用yield的函数、生成器表达式以及某些库的返回值。取值方法包括for循环（推荐）、next()函数和强制转换（如list()）。文章重点解释了k折交叉验证为何返回生成器，并比较了列表推导式与生成器表达式的区别。
2026-04-02 21:30:58
374
原创 科普：list （列表），np.array （数组（多维）），torch.Tensor （张量），及其shape与reshape
本文对比了Python列表(list)、NumPy数组(np.array)和张量(Tensor)三种数据结构。普通列表只是容器，没有shape属性且不能reshape；NumPy数组是数值型多维数组，支持shape查询和reshape操作，适用于传统机器学习；张量则在NumPy数组基础上增加了GPU加速和自动求导功能，专为深度学习设计。三者维度结构相同但功能逐级增强，其中reshape操作遵循"元素总数不变"原则，-1表示自动计算维度。NumPy数组和张量都支持灵活的reshape操作，
2026-04-01 22:31:30
411
原创 科普：从交叉验证法的Out-of-Fold Prediction，到集成学习的Stacking
让基模型“负责学习原始数据”，让元模型“负责学习如何融合基模型的知识”，层层递进，实现“1+1>2”的集成效果。
2026-03-29 21:28:13
719
原创 科普：神经网络里的 `model.compile()` 是干什么？
神经网络中的model.compile()并非传统意义上的代码编译，而是为模型配置学习规则，包括优化器、损失函数和评估指标。这一设计源于TensorFlow早期的计算图模式，需要预先定义学习策略。与决策树等传统机器学习模型不同，神经网络必须通过compile明确学习方式后才能训练。所有基于Keras/TensorFlow/PyTorch的深度学习模型(MLP/CNN/RNN等)都需要compile，而XGBoost、SVM等传统模型则无需此步骤，因其训练逻辑已固定。compile的本质是为神经网络设定学习机
2026-03-28 08:28:56
231
原创 科普：神经网络输入层shape与训练集x_train的shape
程序中create_mlp(x_train.shape[0]) 错误地将样本数量当成了输入特征维度，这是个常见的错误，应改为 create_mlp(x_train.shape[1])。x_train.shape[0] 返回样本数（行数），x_train.shape[1] 才是每个样本的特征数（列数）。神经网络的输入层形状必须匹配特征数，否则模型构建或训练时会报错。
2026-03-26 22:31:05
329
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人