半自定义大剑仙-优快云博客

原创 RUL寿命预测从零讲起

时间轴: [安装/大修] ──────── t_current ──────── [失效]↑"现在"这个时刻RUL = t_failure - t_current （剩余到失效的时间）t_current：当前时刻（或当前采样周期）t_failure：失效时刻（设备不能继续安全运行的时刻）RUL：从当前到失效的剩余时间（小时、天、或采样周期数）

2026-03-23 09:47:04 720

原创这只“大龙虾”正在入侵你的电脑：OpenClaw 硬核拆解

OpenClaw 代表了 AI 从“顾问”到“员工”的进化。它不再是只回答问题的 Siri，而是能替你干活的数字打工人。虽然目前还在早期，但它的架构设计（尤其是记忆系统和技能系统）已经展现了惊人的潜力。如果你是极客，赶紧去 GitHub 上克隆一份，用虚拟机搭个实验环境玩玩。如果你是普通用户，先冷静，等社区成熟了、安全加固了再上车。不久的将来，我们每个人都能拥有一个 24 小时在线的、会自己用电脑的 AI 助手。

2026-03-12 13:40:46 475

原创在Cursor使用MCP服务

MCP服务是由Anthropic推出的模型上下文协议标准，作为连接大模型与外部工具的桥梁。配置需安装Python、Node.js等环境，并在Cursor中设置MCP服务器。通过MCP可调用高德地图等服务实现：获取北京景点间地铁线路、查询周边美食并存储到数据库，自动生成文本文件和精美HTML展示页面。MCP极大简化了AI应用开发流程，使其能高效连接各类外部资源。

2025-11-05 10:38:51 1095

原创神经网络架构演变

本文系统阐述了从基础函数到现代Transformer架构的AI核心发展脉络：1）函数是知识表达的基础，线性函数通过激活函数和嵌套进化为神经网络；2）通过损失函数和梯度下降实现参数优化，前向传播与反向传播构成训练闭环；3）针对过拟合等问题发展出正则化等技术；4）图像处理催生CNN，语言处理需求推动RNN及其改进版LSTM诞生；5）Transformer革命性突破RNN局限，其核心自注意力机制、多头注意力、位置编码等组件实现了并行计算和长程依赖捕获，成为大模型基石。全文揭示了AI如何通过数学抽象和架构创新逐步逼

2025-08-27 10:35:08 976

原创第8章使用卷积进行泛化

本文系统地介绍了卷积神经网络(CNN)的核心概念与PyTorch实现。主要内容包括：1) 卷积操作原理，通过局部感受野和参数共享实现平移不变性；2) CNN架构设计，结合卷积层、池化层和全连接层构建分类网络；3) PyTorch实现技巧，包括nn.Module子类化、参数管理和GPU训练；4) 模型评估方法，展示了在CIFAR数据集上达到93%训练精度和89%验证精度的实例。文章还探讨了模型保存/加载、性能优化等实用技术，为理解现代CNN架构提供了坚实基础。

2025-08-25 08:37:15 779

原创第7章区分鸟和飞机：从图像学习

本文介绍了如何利用PyTorch构建前馈神经网络进行CIFAR-10图像的二元分类（区分飞机和鸟类）。主要内容包括：1. 数据准备：使用torchvision加载CIFAR-10数据集，通过ToTensor转换图像为张量，并计算RGB通道的均值/标准差进行归一化；2. 模型构建：设计多层感知机（MLP），输入层3072维（32x32x3），包含512个隐藏单元和Tanh激活函数，输出层使用LogSoftmax；3. 训练优化：采用负对数似然损失(NLLLoss)和小批量训练（batch_size=64），通

2025-08-21 14:12:47 815

原创第6章使用神经网络拟合数据

本章介绍了神经网络的基础概念及其在PyTorch中的实现方法。重点分析了非线性激活函数的作用，对比了神经网络与线性模型的差异，详细讲解了PyTorch的nn模块及其核心组件。通过温度转换问题的实际案例，演示了如何构建一个包含隐藏层的简单神经网络，包括模型定义、参数初始化、训练过程和结果可视化。特别强调了批量输入处理、梯度计算和优化器使用的关键技巧，并对比了神经网络与线性模型的表现差异。最后展示了如何通过Sequential容器有序组合多个网络层，为后续深度学习模型的扩展奠定了基础。

2025-08-15 09:23:48 979

原创第5章学习的机制

本文介绍了机器学习中的参数估计和梯度下降优化方法。主要内容包括：1. 将学习问题转化为参数估计问题，通过选择模型并调整参数使预测误差最小化；2. 使用梯度下降法优化参数，包括手动计算梯度和PyTorch的自动微分功能；3. 详细讲解了线性回归模型的实现过程，包括正向传播、损失计算和反向传播；4. 介绍了优化器的使用方法和训练技巧，如学习率调整和输入归一化；5. 讨论了模型评估中的训练集和验证集划分，以及过拟合问题。通过PyTorch实现了一个完整的训练流程，展示了如何从数据收集、模型构建到参数优化的完整过程

2025-08-13 09:40:31 1066

原创第4章使用张量表征真实数据

本文介绍了使用PyTorch处理不同类型数据的方法。对于图像数据，通过permute调整维度顺序为C×H×W，并进行归一化处理；体数据则增加通道维度转为5维张量。表格数据通过标准化和独热编码处理，并构建线性模型进行质量预测。时间序列数据通过滑动窗口和转置处理为适合RNN的格式，并添加天气数据的独热编码。文本数据可使用ASCII编码转换为独热向量，但更推荐使用现代嵌入模型如BERT。文章展示了PyTorch张量操作在各类数据预处理中的核心作用，包括维度变换、标准化和编码转换等关键步骤。

2025-08-07 09:24:25 730

原创第3章从张量开始

主要内容：理解张量，他是Pytorch中基本的数据结构。张量的索引与运算。与NumPy多维数组交互操作。将计算移动到GPU以提高速度。

2025-08-05 09:00:00 910

原创第2章预训练网络

在使用预训练网络时，对图像进行预处理，使其大小正确，使其值（颜色）大致处于相同的数值范围。为此，模块提供了转换操作，允许我们快速定义基本预处理函数的管道。# 定义图像预处理函数)])# 加载图片img# 通过预处理管道传递图像# 按照网络预期的方式对输入的张量进行重塑、裁剪、归一化处理。

2025-08-01 09:00:00 935

原创第1章深度学习和PyTorch库简介

摘要：本文介绍了深度学习革命及其核心优势——神经网络从数据中提取有用表征的能力。重点讲解了PyTorch框架的特点：支持GPU加速（速度提升50倍以上）和提供数学优化工具，并详细说明了其核心模块torch.nn的功能。硬件要求需配备NVIDIA GTX1070及以上显卡，软件环境需Python 3.6+和Jupyter Notebook。通过代码示例演示了PyTorch张量操作和GPU计算功能，验证了环境配置的正确性。

2025-07-31 08:44:12 366