weixin_43509834的博客

原创 微信公众号如何插入公式（2026年5月底）

总体分为两步：一是下载mpMath v0.2.1参考网址：mpMath — 微信公众号公式编辑插件二是解决 chrome 浏览器无法安装扩展程序问题参考网址：如何解决 chrome 浏览器无法安装扩展程序问题

转载 判别式AI与生成式AI

生成式AI的早期探索始于隐马尔可夫模型（HMM）和玻尔兹曼机（Boltzmann Machines），但真正的突破出现在2014年，生成对抗网络（GANs） 的提出引发了AI在图像生成领域的革命。这种趋势表明，未来的AI系统可能不再严格区分判别式和生成式，而是结合二者的优点，实现更强的泛化能力和创造力。与判别式模型不同，生成式AI的目标是学习数据的分布，并生成与训练数据相似的新样本，即建模P(X) 或 P(X|Z)（Z为隐变量，即没有预先定义的变量，隐变量的存在是判别式AI准确率缺陷的主要成因）。

转载 AI领域经典论文清单-30篇

这份由 Ilya Sutskever 推荐的 30 篇论文清单涵盖了 AI 领域的核心技术突破，从早期的 LSTM 到现代的 Transformer、GANs 和扩散模型，几乎囊括了当前 AI 发展的所有关键方向。这些论文不仅是学术研究的基石，也为工业界的 AI 应用提供了理论支持。对于想要深入理解 AI 领域的人来说，这是一份不可或缺的阅读清单。

转载 一文吃透 LORA：从原理到应用，大模型轻量微调技术全解析

LORA(Low-Rank Adaptation，低秩适应)是一种模型的轻量微调方法，通过向模型的部分层添加可训练的低秩矩阵模块，实现模型在特定任务上的能力调整，同时保持原模型参数不变。LORA 是一种给大模型“加外挂”的方法，让我们在不修改原始模型的情况下，用极少的额外参数就能让模型学会新任务。把大模型比作一套西装，LORA就像是在西装外面加了一块贴身口袋，不用重新缝制整件衣服，就能增加一个实用的新功能。

转载 一文搞懂大模型RAG应用（附实践案例）

检索增强生成（Retrieval Augmented Generation），简称 RAG，已经成为当前最火热的LLM应用方案。知识的局限性：模型自身的知识完全源于它的训练数据，而现有的主流大模型（ChatGPT、文心一言、通义千问…）的训练集基本都是构建于网络公开的数据，对于一些实时性的、非公开的或离线的数据是无法获取到的，这部分知识也就无从具备。

转载 终于有人把端侧大模型说清楚了

简单来说，端侧大模型就是能够在你的手机、电脑、汽车这些"端设备"上直接运行的大语言模型，不需要联网到云端服务器。你想想平时用ChatGPT的场景：打开网页或APP，输入问题，等待几秒钟，然后得到回答。这个过程中，你的问题被发送到了OpenAI的服务器，在云端的大型GPU集群上处理，然后把结果传回给你。而端侧大模型呢？整个AI模型就"住"在你的设备里，不用联网，直接在本地处理你的问题。就像以前我们把软件安装在电脑上一样，现在我们把AI"安装"在设备上。

转载 多物网络流问题

多物网络流问题（Multi-commodity Flow Problem）是多种物品（或货物）在网络中从不同的源点流向不同的汇点的网络流问题。

转载 如何加入IETF 如何发表自己的RFC

要加入特定的mailing-list，只需要找到IETF的mailman服务器上对应list的subscribtion页面就可以了。在关注的过程中也小小研究了一下IETF这个组织。写下这篇文章，是想记录一下参与IETF标准制定流程的方法，以让更多有兴趣的中国人加入到这个社区中来，为互联网的演进贡献一份力，甚至在互联网的发展史上留下自己的名字。这位前辈的博客中也有许多其他关于IETF的信息，其中大体记录了博主从制作internet draft到参加conference以及各种讨论的历程，是十分宝贵的资料。

转载 一文读懂SCI、SSCI、SCIE、ESCI的区别

很多刚接触SCI的人可能会混淆SCI、SSCI、SCIE、ESCI这几个词。其实他们都是Web of Science（WOS）收录的子集。收录在这几个索引工具下的期刊会被视为科技领域的权威期刊。那如果想要发表论文，是不是可以每一个索引工具下的期刊都可以选呢要分清他们之间的关系，首先得从WOS说起。

转载 掌握网络设备，畅游网络世界！

掌握网络设备，畅游网络世界！

转载 Word 灵活切换单栏和多栏排版！

分节符在Word排版布局中是一个非常重要的帮手。灵活利用分节符，可以帮我们把一个文档划分为不同的块，从而可以采用不同的版面进行排版。譬如先单栏排版，再多栏排版，接着再单栏排版、多栏排版进行切换。如果在一篇文档中部分采用单栏排版部分采用多栏排版，并且交替进行，有很多伙伴就会手忙脚乱：单栏后接多栏容易做到，多栏后接单栏排版就频繁出错。下面我们以案例的形式来说明如何在单栏和多栏之间顺利切换排版。

转载 英伟达Scale-out网络为何兼有IB和以太网？——算力芯片看点系列

内容要点：◼InfiniBand（IB）和以太网（Ethernet）是两种常见而又不同的网络技术。二者对比来看，IB在带宽、延迟、可靠性方面的表现更为出色，适合需要高性能通信的场景；而以太网因其较低的成本和广泛兼容性，在一般网络应用中更为普及。

转载 AUV水下通信方式简介

AUV（Autonomous Underwater Vehicle）是无人水下机器人的缩写。潜水艇技术发展多年，在制造无人水下机器人的过程中，其水下航行技术是相对简单的，但是复杂的是如何在岸上对其进行控制，其采集的视频，数据如何回传给岸上设备。要实现这些需要解决通信问题。与无人机不同，在空旷的天空，成熟的无线电技术可以达到非常远的传输距离，很高的传输带宽。但是由于水下的特殊环境，水对电磁波的吸收作用和散射作用，水下靠电磁波传输是非常困难的。

转载 水声学基础概述

海洋覆盖着地球三分之二的表面积，它是人类探索和研究的最前沿的领域之一。海洋不仅在国际商业和渔业中扮演重要的角色，而且还包含了有关气候的信息，以及大量急待开发的资源。水下无线通信是研制海洋观测系统的关键技术，借助海洋观测系统，可以采集有关海洋学的数据，监测环境污染，气候变化海底异常地震火山活动，探查海底目标，以及远距离图像传输。水下无线通信在军事中也起到至关重要的作用，而且水下无线通信也是水下传感器网络的关键技术。水下无线通信主要有：声波通信、电磁波通信、光学通信。它们具有不同的特性及应用场合。

转载 命名数据网络（NDN）介绍

IP网络最开始其解决的问题是两个实体间点对点通信需求，实现资源共享。（简单知道即可）随着互联网的发展，互联网用户对internet的需求现已经发生了巨大变化。目前面临着以下挑战首先是随着以内容为中心（如视频播放平台、资源下载平台及社交网络等）应用程序的不断发展，彻底改变了 internet 的使用模式，人们越来越关心数据，而不是IP地址。就像我们访问一个网站，更加关心它是什么域名一样，不会记住需要访问的主机IP。随时互联网用户的急速攀升，造成了海量的数据分发和大量数据的复制需求。

转载 国自然17种项目类型大科普

对申请人年龄无要求，一般4年60万，也有超过100万的。但大多数朋友可能只了解国自然的面上项目、青年基金、重点项目、优青、杰青等，而国自然一共有17类项目类型。男38岁、女40岁以下可以申请，3年200万。男35岁、女40岁以下可以自主选题进行申请，一般3年30万，博士后可以灵活选择年限。无年龄限制，但要高级职称。除了大家熟知的几个项目类型外，可以重点了解和关注专项项目、国际合作项目和联合基金，可以多出不少申请机会。分为培育项目（3年，类似面上）、重点支持项目（4年，类似重点）和集成项目（类似重大）。

转载 Maritime IoT Protocol Wars: LoRa vs NB-IoT vs Satellite Mesh in Real-World Deployments

Several technologies have been developed to monitor and understand the undersea environment. Among the cutting-edge innovations are maritime IoT technologies, devices, and communication protocols that enable real-time data collection, transmission, and ana

转载 目前主流的AI深度学习框架对Windows和Linux的支持哪个更好

​​轻度学习/开发​​：PyTorch/TensorFlow 的 CPU/单GPU 模式可用。​​依赖框架​​（如 PyTorch/TensorFlow），因此遵循后端框架的平台限制。​​结论​​：Linux 更全面，但 Windows 对普通用户足够友好。​​跨平台性较好​​（依赖后端如 TensorFlow/PyTorch）。优先通过 ​​WSL 2​​ 运行 Linux 环境（接近原生性能）。​​官方首选平台​​，支持所有功能（包括TPU、多GPU训练）。

转载 DeepWiki 使用方法与技术原理深度分析

零配置接入，快速生成高质量文档用户只需简单的网址替换操作，即可快速生成 GitHub 项目的百科页面。这种零配置的接入方式降低了使用门槛，使技术工作者能够迅速上手。文档质量高 ：生成的文档内容完整、结构清晰、语义准确，涵盖了项目从整体到细节的各个方面的信息。文档的质量能够满足技术工作者在学习、开发、评审等场景下的需求。多层级结构化输出，适应不同用户需求从项目层级的概览到模块层级的功能说明，再到函数 / 类层级的详细描述，多层级的文档结构能够满足不同用户的需求。

转载 深度强化学习中的episode、epoch、batch-size、iteration

深度强化学习中的 episode、epoch、batch-size、iteration。

转载 RL基础：Epoch和episodes

Epoch 是一个在机器学习和深度学习中常用的术语，通常用于表示【训练数据集】中的一个完整遍历。在每个 epoch 中，整个训练数据集会被用来更新模型的权重，通常通过随机梯度下降或其他优化算法。Epoch 的数量通常是一个超参数，可以在训练过程中调整，以获得最佳的模型性能。它表示一次完整的任务尝试。一个episode指的是，智能体与环境互动，执行一系列动作，直到达到任务的终止条件。总结来说，“epoch” 主要用于描述机器学习中的训练周期，而 “episode” 主要用于描述强化学习中的任务尝试。

转载 机器学习基石：深入理解独热编码（One-Hot Encoding）

统计一个特征下共有多少个不同的类别（N个）。创建一个长度为N的向量（可以理解为N个新的特征列）。对于每一个样本，它在原始特征中的值对应哪个类别，就在新向量的哪个位置上标记为1，其余位置全部标记为0。简单来说，就是有多少个类别，就分裂成多少个新的特征，每个特征只用0或1来表示“是”或“否”。初一 变为 [1, 0, 0]初二 变为 [0, 1, 0]初三 变为 [0, 0, 1]这样一来，每个类别都被表示成一个独立的、没有大小关系的向量，模型就不会再被错误的顺序信息所干扰。

转载 RL中state和observation异同

二者都是一个episode内的状态。

转载 【通俗易懂】大白话讲解 Transformer

是 Google 于 2017 年发表的论文，这篇论文提出了一种新的神经网络架构 : Transformer，仅仅依赖于注意力机制就可处理序列数据，从而摈弃了 RNN 或 CNN。这个新的网络结构，刷爆了各大翻译任务，同时创造了多项新的记录（英-德的翻译任务，相比之前的最好记录提高了 2 个 BLEU 值）。而且，该模型的训练耗时短，并且对大数据或者有限数据集均有良好表现。

原创 TorchRL 安装记录（亲测有效）

如果 cuda_available 为 True，表示 PyTorch 能访问 GPU，否则是 CPU-only（或驱动安装有问题）（其中，Gym尚有问题，若需要，请自行解决）证明 TorchRL安装成功！如果没有 GPU ，则。

转载 啥是CUDA？它和Pytorch、GPU之间有啥关系？

GPU：一个超级快的数学计算器。CUDA：一个让程序员能更容易使用GPU的工具。Pytorch：一个帮助创建和训练深度学习模型的工具。当PyTorch需要加速计算时，它通过CUDA来利用GPU的计算能力。啥是CUDA？它和Pytorch、GPU之间有啥关系？

原创 Benders 文献推荐

最近了解了一下 benders 解耦法，记录备存几篇经典文献。

原创 Python语言个人学习记录

在Python中，当使用 Tasks = temp_Tasks时，实际上是将两个变量指向同一个列表对象（引用传递）。因此，通过 del Tasks[0]删除元素时，原始列表 temp_Tasks也会被修改。错误原因：需要创建列表的​​副本​​（copy）而不是直接引用。

原创 解决登录谷歌学术时显示“异常流量”的问题

我们的系统检测到您的计算机网络中存在异常流量。请稍后重新发送请求。为什么会这样？

转载 5G UPF的分流技术和部署方式

用户面功能（UPF，User Plane Function)代表控制和用户平面分离（CUPS，Control and User Plane Separation）策略在数据平面的演进。2016 年前后，3GPP在Release 14 规范中作为对4G 核心网（EPC）的扩展而引入了CUPS 策略，把分组网关（PGW）和服务网关（SGW）进行了功能解耦，拆分为控制面（PGW-C和SGW-C）和用户面（PGW-U和SGW-U）。

转载 什么是SRv6？

前面提到，SRv6即SR+IPv6。IPv6大家都知道，那什么是SR呢？SR技术是SDN竞争压力下的产物，其核心思想是将报文转发路径切割为不同的分段，并在路径起始点往报文中插入分段信息，中间节点只需要按照报文里携带的分段信息转发即可。这样的路径分段，称之为“Segment”，并通过SID（Segment Identifier，段标识）来标识。SR的设计理念在现实生活中屡见不鲜，下面举一个例子，来更好的理解其原理。假设你从上海出发去巴黎旅游，需要在维也纳转机。

原创 pycharm基础操作备忘记录

原创 DOcplex用法锦集（持续更新）

例如，下文代码中，tempx中间变量可以写入mdl.add_constraint，并发挥作用。

转载 Python3.7 调用 Cplex Studio 12.10

IBM ILOG CPLEX Optimization Studio（简称CPLEX Studio）提供​​多个版本​​，包括和。其中，使用以下命令安装的CPLEX是，仅支持1000个变量以及1000个约束。

原创 CPLEX三种版本说明：免费社区版、学术版、商业专业版

IBM ILOG CPLEX Optimization Studio（简称CPLEX Studio）提供​​多个版本​​，包括免费社区版、学术授权版和商业专业版，各版本在功能、使用权限和适用场景上存在显著差异。

转载 Pycharm 运行程序后如何 如何查看变量的值（不通过debug的方式）

之前每一次显示内容都是用 print……百度了一下，找到了更好的解决方法，如下：。上图中的右下角的3 应该是第4步。

转载 调用cplex库和DOcplex库进行优化问题的求解

DOcplex是一个基于python的建模语言库，通过调用cplex的求解器来求解模型，可以理解成将cplex的api进行二次封装，所以用DOcplex需要先装cplex。首先将问题的目标函数和约束定义好，再传入接口中，一些符号的定义均已注释。0/1变量——binary，整数——integer，连续型——continuous，…变量在放入目标函数和约束前需要进行相应处理，标明数据类型、上下界，名称等。有 ‘<’ 或 ‘>’ 的式子也需要转换成 ‘=’ ，’>=‘和’<=’简单的数据初始化处理。

转载 python如何查看某个包里的函数

本文将介绍如何通过Python的内置函数和工具来查看某个包中的函数，并通过一个具体的问题来演示这个过程。通过以上方法，我们可以轻松查看Python某个包中的函数，并且快速了解这些函数的用法和参数信息。希望本文对你有所帮助！假设我们在使用numpy包时，想要查看numpy中的一个函数的具体用法和参数信息，但是我们不知道该函数的具体名称。我们希望通过查看numpy包中的所有函数来找到我们需要的函数。一旦我们找到了我们想要查看的函数，可以使用help()函数来查看该函数的具体用法和参数信息。

转载 python 调用 cplex

【代码】python 调用 cplex。

转载 20个最有用的Python数据科学库

梯度提升是最流行的机器学习算法之一，它的核心原理在于构建连续精炼的基本模型的集合，即决策树。该库在不断演化，带来了更多的可能性。最新的修复包括潜在的安全漏洞和改进的 TensorFlow 与 GPU 的集成，现在可以在单台计算机的多个 GPU 上运行 Estimator 模型。它的 Python API 于 2017 年推出，从那时起，该框架越来越受欢迎，并吸引了越来越多的数据科学家。SciPy 通过与不同的操作系统进行持续集成的方式带来了重大改进，比如新的函数和方法，更重要的是——最新的优化器。