<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[宅男很神经]]></title><description><![CDATA[宅男很神经]]></description><link>https://blog.csdn.net/yangjia96</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; yangjia96]]></copyright><item><title><![CDATA[【Python】深度学习3]]></title><link>https://blog.csdn.net/yangjia96/article/details/149247607</link><guid>https://blog.csdn.net/yangjia96/article/details/149247607</guid><author>yangjia96</author><pubDate>Thu, 10 Jul 2025 13:16:05 +0800</pubDate><description><![CDATA[注意力机制允许模型在生成输出序列的每一步时，都能够“回顾”输入序列的所有部分，并根据当前的需求，为每个部分分配一个“注意力权重”。例如，在理解 “it” 的指代时，一个注意力“头”可能关注于语法上的主谓关系，而我们可能还希望有其他的“头”能关注语义上的关联，或是其他更微妙的模式。Transformer 的成功在于其对这些组件的巧妙组合，特别是完全依赖注意力机制，摆脱了RNN的顺序计算瓶颈，从而在现代并行硬件上实现了前所未有的训练速度和模型规模。我们之前实现的 Dropout 层可能针对的是特定形状的数据。]]></description><category></category></item><item><title><![CDATA[【Python】深度学习2]]></title><link>https://blog.csdn.net/yangjia96/article/details/149247363</link><guid>https://blog.csdn.net/yangjia96/article/details/149247363</guid><author>yangjia96</author><pubDate>Thu, 10 Jul 2025 12:58:18 +0800</pubDate><description><![CDATA[在深度神经网络中，尤其是在训练深层模型时，一个普遍且棘手的问题是“内部协变量漂移”（Internal Covariate Shift, ICS）。协变量漂移通常指的是训练集和测试集数据分布不一致的问题。而在深度网络中，这个概念被推广到网络内部：在训练过程中，由于前一层参数的不断更新，导致其输出（即后一层的输入）的分布在不断地发生变化。想象一下一个多层神经网络，每一层都会对输入进行线性变换和非线性激活。当前一层参数更新后，它的输出分布就会改变。这意味着作为下一层的输入，其分布也随之改变。对于后续层来说，它们需]]></description><category></category></item><item><title><![CDATA[【Python】深度学习]]></title><link>https://blog.csdn.net/yangjia96/article/details/149247133</link><guid>https://blog.csdn.net/yangjia96/article/details/149247133</guid><author>yangjia96</author><pubDate>Thu, 10 Jul 2025 12:39:13 +0800</pubDate><description><![CDATA[深度学习的实现高度依赖于强大的编程工具和高效的数值计算库。Python以其简洁的语法、丰富的库生态系统，成为了深度学习领域无可争议的“通用语言”。而NumPy，作为Python科学计算的核心库，为处理多维数组（张量）提供了极其高效的方法，是所有深度学习框架（如TensorFlow、PyTorch）底层运算的基石。在深入深度学习之前，我们需要确保对Python语言的基本构造有扎实的理解。这里我们将聚焦于那些在数据处理和模型构建中频繁使用的概念。Python是动态类型语言，这意味着您无需提前声明变量的类型，Py]]></description><category></category></item><item><title><![CDATA[【Python】asyncio]]></title><link>https://blog.csdn.net/yangjia96/article/details/149246657</link><guid>https://blog.csdn.net/yangjia96/article/details/149246657</guid><author>yangjia96</author><pubDate>Thu, 10 Jul 2025 12:15:41 +0800</pubDate><description><![CDATA[在本章中，我们将深入探究Python生成器的最底层机制。我们将从迭代器协议的本质出发，逐步揭示关键字的魔力，以及它如何将一个普通函数转化为拥有暂停与恢复能力的生成器。此外，我们还将覆盖生成器表达式的简洁性与效率，并详细剖析生成器高级控制方法，如、和，理解它们在构建复杂控制流中的关键作用。在Python中，迭代是一个核心概念。它允许我们遍历集合中的元素，无论是列表、元组、字符串还是其他更复杂的数据结构。实现这种遍历行为的背后，是Python的迭代协议（Iteration Protocol）。理解这个协议是理解]]></description><category></category></item><item><title><![CDATA[【Python】Pandas2]]></title><link>https://blog.csdn.net/yangjia96/article/details/149245392</link><guid>https://blog.csdn.net/yangjia96/article/details/149245392</guid><author>yangjia96</author><pubDate>Thu, 10 Jul 2025 11:37:24 +0800</pubDate><description><![CDATA[时间序列数据是数据分析领域中极其重要的一种数据类型，它涉及到按时间顺序排列的观测值。从金融市场的股票价格、气象站的温度记录，到网站的用户访问量、设备的传感器读数，时间序列无处不在。Pandas对时间序列数据提供了无与伦比的支持，其核心是以及一系列高效且灵活的时间操作功能，如重采样、移动窗口、日期偏移和时区处理。本章将从最底层的构造开始，全面深入地解析Pandas处理时间序列数据的精髓。是Pandas专门为时间序列数据设计的索引类型。它是一个包含日期时间戳的特殊对象，能够高效地支持时间相关的操作，如切片、频率]]></description><category></category></item><item><title><![CDATA[【Python】Pandas]]></title><link>https://blog.csdn.net/yangjia96/article/details/149244983</link><guid>https://blog.csdn.net/yangjia96/article/details/149244983</guid><author>yangjia96</author><pubDate>Thu, 10 Jul 2025 11:09:15 +0800</pubDate><description><![CDATA[Pandas库的核心基石是其数据结构，其中作为一维带标签数组，是理解更复杂的基础。本章将从最底层的结构出发，对其内部机制、创建方式、属性、索引、数据类型、操作行为及内存占用进行极其详尽的剖析。可以被理解为一种增强版的NumPy一维数组。它在NumPy数组的基础上，引入了“索引”（Index）的概念，为每个数据点赋予了一个标签，从而使得数据访问和操作更加直观和强大。内部组成：一个对象实际上由两个主要部分构成：数据对齐原理：Pandas 最核心的设计理念之一是“数据对齐”。当进行两个或多个之间的运算时，Pand]]></description><category></category></item><item><title><![CDATA[【Python】 importlib 动态加载]]></title><link>https://blog.csdn.net/yangjia96/article/details/149244458</link><guid>https://blog.csdn.net/yangjia96/article/details/149244458</guid><author>yangjia96</author><pubDate>Thu, 10 Jul 2025 10:51:36 +0800</pubDate><description><![CDATA[在深入探究Python的模块之前，我们必须首先对Python中最基础也是最核心的模块导入机制——语句——有一个极其深刻的理解。的强大之处，正是建立在对Python现有导入系统内部运作机制的抽象、封装和扩展之上。本章将从零开始，剖析语句从被解析到模块完全可用的整个生命周期，揭示其背后的关键组件，为后续理解打下最坚实的基础。Python的模块化设计是其成功的基石之一。模块化允许开发者将大型程序分解为更小、更易管理、可重用的独立单元。每个文件通常被视为一个模块。这种设计带来了诸多益处：Python的模块导入机制，]]></description><category></category></item><item><title><![CDATA[【Python】 Neo4j]]></title><link>https://blog.csdn.net/yangjia96/article/details/149243732</link><guid>https://blog.csdn.net/yangjia96/article/details/149243732</guid><author>yangjia96</author><pubDate>Thu, 10 Jul 2025 10:32:05 +0800</pubDate><description><![CDATA[在深入探讨如何使用Python与Neo4j进行交互之前，我们必须首先从最底层、最根本的角度理解为什么需要图数据库，以及它解决了哪些传统数据模型难以应对的问题。这不仅是技术选择的考量，更是思维模式的转变。关系型数据库（Relational Databases, RDBs）以其严谨的表结构、事务（ACID）特性以及强大的SQL查询语言，在过去的几十年里一直是数据存储和管理的主流。然而，当数据模型中的实体关系变得复杂且层级加深时，关系型数据库固有的设计范式便开始显现其局限性，尤其是在处理“关系”本身时。关系型数据]]></description><category></category></item><item><title><![CDATA[【Python】Python内存泄漏]]></title><link>https://blog.csdn.net/yangjia96/article/details/149231769</link><guid>https://blog.csdn.net/yangjia96/article/details/149231769</guid><author>yangjia96</author><pubDate>Thu, 10 Jul 2025 10:07:09 +0800</pubDate><description><![CDATA[本章将带您深入Python解释器（特别是CPython）的内存管理核心，从最基础的对象模型和内存布局开始，逐步向上剖析引用计数、垃圾回收两大支柱，并揭示它们在处理内存时的精妙之处与潜在陷阱。理解这些底层机制是识别、诊断并最终避免内存泄漏的基石。Python的内存管理哲学根植于其独特且强大的对象模型。在Python中，"一切皆对象"不仅仅是一句口号，它更是指导内存分配、引用管理和垃圾回收的根本原则。在Python的世界里，无论是数字、字符串、列表、字典，甚至是函数、类、模块，它们在内存中都以统一的“对象”形式]]></description><category></category></item><item><title><![CDATA[【Python】Hydra]]></title><link>https://blog.csdn.net/yangjia96/article/details/149230913</link><guid>https://blog.csdn.net/yangjia96/article/details/149230913</guid><author>yangjia96</author><pubDate>Thu, 10 Jul 2025 10:06:53 +0800</pubDate><description><![CDATA[在复杂的软件开发，尤其是在机器学习、数据科学以及大型应用项目中，配置管理是一个长期存在的痛点。传统的配置方式，如硬编码常量、命令行参数解析器（）、简单的Python字典或JSON/INI文件，在项目规模扩大、配置项增多、实验迭代频繁时，会迅速暴露出诸多弊端：Hydra框架正是为了解决这些核心痛点而诞生。它不仅仅是一个配置加载器，更是一个强大的、声明式的配置管理系统，旨在提供一种结构化、可组合、可复现且易于实验追踪的解决方案。其核心理念是通过结构化的YAML文件定义配置，并通过命令行进行灵活的覆盖和组合，同时]]></description><category></category></item><item><title><![CDATA[【Python】 ETL]]></title><link>https://blog.csdn.net/yangjia96/article/details/149230373</link><guid>https://blog.csdn.net/yangjia96/article/details/149230373</guid><author>yangjia96</author><pubDate>Thu, 10 Jul 2025 10:06:37 +0800</pubDate><description><![CDATA[在ETL（Extract, Transform, Load）流程中，提取（Extraction）是第一步，其核心在于从各种数据源中获取原始数据。本章将聚焦于“文本文件”的提取，因为文本文件是数据交换中最常见且最基础的形式之一。我们将从最底层的操作系统文件I/O原理出发，逐步深入到Python中高效、鲁棒地处理各种文本文件格式的方法，并剖析其内部机制。要精通文本文件提取，首先需要理解文件在操作系统层面的本质以及Python如何与这些底层机制交互。文件并非魔法，它是一段存储在持久化介质（如硬盘、SSD）上的二进]]></description><category></category></item><item><title><![CDATA[【Python】Python+Ray]]></title><link>https://blog.csdn.net/yangjia96/article/details/149228983</link><guid>https://blog.csdn.net/yangjia96/article/details/149228983</guid><author>yangjia96</author><pubDate>Thu, 10 Jul 2025 10:06:16 +0800</pubDate><description><![CDATA[计算的本质是物理过程。我们今天所使用的所有数字计算机，其最底层的运算单元都是基于半导体（通常是硅）制造的晶体管。晶体管通过控制电流的“开”与“关”来表示二进制的“1”和“0”，这是构建一切复杂逻辑运算的基础。数十年来，计算机性能的飞速提升，其核心驱动力源于一个被称为“摩尔定律”的行业观察：集成电路上可容纳的晶体管数量，约每隔18至24个月便会增加一倍。更多的晶体管意味着更强的计算能力、更大的存储容量或更丰富的功能。为了在有限的芯片面积上塞入更多晶体管，工程师必须不断地缩小单个晶体管的尺寸，这个过程被称为“制]]></description><category></category></item><item><title><![CDATA[【Python】OpenCV影像处理2]]></title><link>https://blog.csdn.net/yangjia96/article/details/149227967</link><guid>https://blog.csdn.net/yangjia96/article/details/149227967</guid><author>yangjia96</author><pubDate>Thu, 10 Jul 2025 10:06:03 +0800</pubDate><description><![CDATA[在掌握了视频的读取、显示、储存以及高效管道构建后，我们接下来将深入探索如何从视频帧中提取更有意义的信息，以及对视频帧进行更复杂的几何变换。这不仅仅是对单个图像的处理，更是对连续动态序列的理解与操作，是通向智能视频分析的关键一步。视频中的每个帧都是一张图像，因此图像的几何变换技术也同样适用于视频帧。但当应用于视频时，这些变换通常需要考虑跨帧的一致性和连续性。图像的几何变换是改变图像中像素空间位置的操作。其中，仿射变换和透视变换是最常用且功能强大的两种。它们通过矩阵乘法来实现像素坐标的映射。6.1.1.1 仿射]]></description><category></category></item><item><title><![CDATA[【AI智能体】Dify2]]></title><link>https://blog.csdn.net/yangjia96/article/details/149232983</link><guid>https://blog.csdn.net/yangjia96/article/details/149232983</guid><author>yangjia96</author><pubDate>Thu, 10 Jul 2025 10:05:47 +0800</pubDate><description><![CDATA[信息茧房/泛化性不足 (Information Silos / Lack of Specificity)：缺乏溯源能力 (Lack of Attribution/Traceability)：上下文窗口限制 (Context Window Limitations)：推理能力不足 (Limited Reasoning Capability)：总结而言，RAG技术通过以下核心机制，系统性地克服了LLM的这些固有缺陷：3.3.1.2 RAG的整体架构与信息流RAG系统通常由两大核心阶段组成：检索（Retrieval]]></description><category></category></item><item><title><![CDATA[【AI智能体】Dify]]></title><link>https://blog.csdn.net/yangjia96/article/details/149232733</link><guid>https://blog.csdn.net/yangjia96/article/details/149232733</guid><author>yangjia96</author><pubDate>Thu, 10 Jul 2025 10:05:30 +0800</pubDate><description><![CDATA[第一章：AI智能体基础与Dify核心理念深度解析1.1 人工智能发展脉络与智能体演进人工智能（AI）的旅程是一部波澜壮阔的技术史诗，它从最初的符号逻辑推演，历经连接主义的崛起，直至今日由大型语言模型（LLM）驱动的智能体浪潮。理解这一发展脉络，对于我们深入掌握Dify这类AI应用开发平台的核心价值至关重要。1.1.1 从符号AI到连接主义的范式转换早期的AI研究，即所谓的符号主义AI（Symbolic AI），其核心理念是将人类智能视为对符号的操纵。这个范式认为，智能行为可以通过一系列预先定义的规则、逻辑推]]></description><category></category></item><item><title><![CDATA[【强化学习】蒙特卡洛方法]]></title><link>https://blog.csdn.net/yangjia96/article/details/149235105</link><guid>https://blog.csdn.net/yangjia96/article/details/149235105</guid><author>yangjia96</author><pubDate>Thu, 10 Jul 2025 10:04:53 +0800</pubDate><description><![CDATA[这是为了确保每个样本的回报 (G_t) 是独立的。如果一个状态在同一幕中多次出现，且每次出现都用来计算回报并更新，那么这些回报样本可能不是完全独立的，因为它们共享了同一条轨迹的后续部分。虽然从理论上讲，每次访问MC在某些情况下也收敛，但首次访问MC在概念上更直接地对应于贝尔曼期望方程中的期望定义，即从一个状态“开始”时的期望回报。]]></description><category></category></item><item><title><![CDATA[【Python】OpenCV 影像处理]]></title><link>https://blog.csdn.net/yangjia96/article/details/149227330</link><guid>https://blog.csdn.net/yangjia96/article/details/149227330</guid><author>yangjia96</author><pubDate>Wed, 09 Jul 2025 16:43:23 +0800</pubDate><description><![CDATA[视频，在计算机的世界里，并非连续的光流，而是一系列离散的图像帧在时间轴上的高速播放。理解这一点，是掌握视频处理的基础。OpenCV提供了一套强大的API来抽象这些复杂的底层细节，但作为精通者，我们需要深入其内部机制。在讨论视频之前，我们必须先理解构成视频的最小单位——像素。一个像素不仅仅是一个点，它承载着色彩信息。每个像素的颜色强度通常通过数字来表示。例如，在常见的8位图像中，每个颜色通道（如红色、绿色、蓝色）的强度值范围是从0到255。这意味着每个通道有256种可能的强度级别。我们可以通过简单的数学计算来]]></description><category></category></item><item><title><![CDATA[【PyTorch】常用深度学习]]></title><link>https://blog.csdn.net/yangjia96/article/details/149226532</link><guid>https://blog.csdn.net/yangjia96/article/details/149226532</guid><author>yangjia96</author><pubDate>Wed, 09 Jul 2025 16:12:13 +0800</pubDate><description><![CDATA[深度学习的核心在于构建和训练神经网络，而模块正是PyTorch中支撑这一过程的基石。它提供了构建神经网络所需的所有核心组件，从最基本的线性变换到复杂的卷积、循环层，再到各种激活函数和损失函数。本章将从最底层开始，深入剖析的设计哲学、核心组件的内部机制，以及如何运用最基础的线性层和激活函数构建功能强大的网络。在PyTorch中，几乎所有的神经网络模块（如层、模型等）都是从这个基类派生出来的。理解是精通PyTorch神经网络的关键。它不仅仅是一个简单的Python类，更是一个精心设计的框架，用于封装神经网络的结]]></description><category></category></item><item><title><![CDATA[【Python】NLP入门3]]></title><link>https://blog.csdn.net/yangjia96/article/details/149225743</link><guid>https://blog.csdn.net/yangjia96/article/details/149225743</guid><author>yangjia96</author><pubDate>Wed, 09 Jul 2025 15:52:20 +0800</pubDate><description><![CDATA[在Siamese网络中，两个文本是独立编码的，然后在嵌入空间中进行比较。这种方法在召回阶段（Retrieval）非常高效，因为可以预先计算所有文档的嵌入，然后进行快速的向量检索。然而，这种“编码-再比较”的方式可能无法捕捉文本之间更深层次、更细粒度的交互信息。**交叉编码器（Cross-Encoder）**应运而生，它通过在模型内部直接建模两个文本的交互，从而实现更精确的语义匹配。最典型的实现是基于预训练Transformer模型（如BERT）的交叉编码器。核心思想:架构细节（以BERT为例）:优点:缺点:]]></description><category></category></item><item><title><![CDATA[【Python】NLP入门2]]></title><link>https://blog.csdn.net/yangjia96/article/details/149225304</link><guid>https://blog.csdn.net/yangjia96/article/details/149225304</guid><author>yangjia96</author><pubDate>Wed, 09 Jul 2025 15:33:31 +0800</pubDate><description><![CDATA[在第三章中，我们详细探讨了中文分词这一基石任务，从词语的分布式表示到基于深度学习的序列标注模型，揭示了如何将连续的汉字流切分成有意义的词语单元。然而，仅仅切分出词语是不够的。在许多实际应用中，我们不仅需要知道文本中有哪些词，更需要识别出其中具有特定意义的“实体”，并确定它们的类别，例如人名、地名、组织机构名、时间等。这就是**命名实体识别（Named Entity Recognition, NER）**所解决的核心问题。NER是信息抽取（Information Extraction）、知识图谱构建、问答系统]]></description><category></category></item></channel></rss>