- 博客(53)
- 收藏
- 关注
RSS订阅原创 【嵌入式入门篇】STM32开发板原理图
英文缩写名称英文缩写名称NVIC嵌套向量中断控制器CANCAN通信SysTick系统滴答定时器USBUSB通信RCC复位和时钟控制RTC实时时钟GPIO通用IO口CRCCRC校验AFIO复用IO口PWR电源控制EXTI外部中断BKP备份寄存器TIM定时器IWDG独立看门狗ADC模数转换器WWDG窗口看门狗DMA直接内存访问DAC数模转换器USART同步/异步串口通信SDIOSD卡接口I2CI2C通信FSMC。
2026-09-03 11:28:03
314
原创 【深度学习】理解前向传播和反向传播的原理
因为 $ f’(z) = 0 $ 当 $ z \leq 0 $ 时，误差信号被彻底阻断，梯度无法传回，该神经元再也无法激活。其中 $ z_i = W_{ij} \cdot a_j + \dots$，所以偏导自然会乘上 $ a_j $。如果上一层的神经元没激活（$ a_j=0 $），那权重调不调都没影响 → 梯度为0。：$ a^{(L)} $ 就是预测值 $ \hat{y} $$ \odot $ 表示逐元素相乘（哈达玛积）。： 梯度 = 当前层的后悔程度（） × 上一层的兴奋程度（
2026-09-02 09:23:44
613
原创 【深度学习】深度理解多分类交叉熵为什么比较适合于分类任务
它只关心“正确答案”的概率是否足够大，而不关心错误类别的具体分布（只要它们总和为1即可）。表示（one-hot encoding），即真实概率分布 $ y $ 中，正确类别为1，其余为0。可以看到，正确概率从 0.7 降到 0.1，损失从 0.356 急剧上升到 2.302，梯度会非常大，迫使模型快速修正。而交叉熵在错误时梯度大，在正确时梯度小，完美契合了梯度下降的需求。），梯度很小（0.01），更新缓慢，防止震荡；个类别），对于一个样本，其真实标签通常用。），梯度很大（0.9），快速修正。
2026-09-01 22:33:19
503
原创 【嵌入式入门篇】高性能的 ARM 与 STM32 —— 概述
这是ARM公司对外授权的核心技术。它是一种基于精简指令集计算（RISC）的处理器架构。可以把它理解为CPU的“设计规范”或“语言”，它规定了处理器如何理解并执行软件指令。ARM架构的核心优势是低功耗、高性能和高能效，这使得它特别适合对电池续航和散热有严格要求的移动设备。ARM的商业模式，本质上是将芯片设计方案的“使用权”卖给其他公司，并从中获利。授权费 (License Fee)：这就像一次性付清的“学费”。客户在获得ARM技术进行芯片设计时，需要先支付一笔授权费。根据技术的复杂程度，这笔费用通常在。
2026-09-01 20:51:09
323
原创 【强化学习】（三）强化学习算法？DQN、PG、PPO
DQN是深度强化学习（Deep Reinforcement Learning, DRL）领域的奠基性算法，由 Mnih 等人于 2013 年在 NIPS 提出，并于 2015 年在《Nature》上发布改进版。将深度学习（DL）的感知能力与强化学习（RL）的决策能力相结合，首次实现从高维原始像素（如游戏画面）直接学习到最优策略（Human-level control）。DQN的损失函数就是基于这个时序差分（TD）目标LθErγmaxa′Qs′a′;θ−−Qsa。
2026-08-31 09:12:14
506
原创 【强化学习】（二）从有偏无偏估计到强化学习三大求解器：DP、MC与TD
DP是“上帝视角”的精确规划，MC是“算总账”的无偏经验，TD是“边干边估”的有偏自举。三者从完全模型走向完全无模型，从无偏走向有偏，本质是在偏差与方差之间做权衡，以换取实际应用中的可行性与效率。
2026-08-30 15:46:37
521
原创 【强化学习】（一）强化学习概述 马尔可夫决策 MDP
强化学习（Reinforcement Learning, RL）是机器学习的一种核心范式，它描述了智能体（Agent）如何通过与环境（Environment）的交互，以“试错”的方式学习如何做出最优决策，以最大化长期累积的奖励（Reward）。它与监督学习和无监督学习并列为机器学习的三大基础范式。RsaERt1∣StsAtaRsaERt1∣StsAta奖励函数最根本的作用是定义任务目标。
2026-08-30 13:05:55
643
原创 【机器学习】XGBoost 回归
XGBoost（eXtreme Gradient Boosting，极限梯度提升）是一个功能强大、应用广泛的机器学习算法库，可以看作是梯度提升决策树（GBDT）算法在性能和效果上的“极致升级版”。监控效果，当验证集误差连续多轮不再下降时（早停，early stopping）就提前终止，避免过拟合。假设回归任务，真实值 y = 100，初始预测值 = 0，学习率 lr = 0.5（为了演示取大一点）：在当前节点，从所有特征和所有候选切分点中，选出。，每棵树贡献一个值，最后全部加起来。预测值，向真实值靠拢。
2026-08-30 10:14:05
768
原创 【机器学习】高斯分布 高斯混合模型
现在的问题来了：当我们使用GMM时，我们手头只有一堆数据点，却不知道这些数据点分别属于哪个高斯分布，也不知道每个分布的参数（均值、方差）和权重。，它描述了一个最常见的自然规律：大多数数据会集中在一个平均值附近，偏离越远的数据出现的可能性越小。现实中的数据往往很复杂，单一的高斯分布无法很好地描述。比如，当我们统计一群人的身高时，由于男女身高各有自己的均值，整体数据会呈现出。因为可以组合多个高斯分布，GMM非常灵活，能平滑地近似任意形状的密度分布，因此在聚类、语音识别、图像分割等领域应用广泛。
2026-08-29 08:58:50
396
原创 【机器学习】决策树 随机森林
决策树就是一个**“连环追问”**的流程图，帮你一步步做出决定。，使得分裂后，子节点里的数据尽可能“纯”（即尽量属于同一类）。构建决策树的核心，就是在当前节点的所有数据中，找到一个。在CART（分类与回归树）算法中，选择使得。（因为sklearn默认用它）。（也就是让数据分得最开）。，通过投票来做决策。
2026-08-29 08:57:47
340
原创 Vue CLI笔记
脚手架就是帮你自动生成一个"已经配好工程化环境"的 Vue 项目文件夹。打个比方：你要盖房子，以前你得自己打地基、拉水电、砌墙；现在你直接买一套"精装样板间"的图纸和材料包，拿到手就能开始装修（写业务代码）了。组件就是一块独立的、可复用的 UI 片段，它把打包在一个.vue文件里。你可以把它理解成乐高积木——一个小按钮是一个组件，一个导航栏是一个组件，一个页面是由多个组件拼起来的。路由就是控制"页面上显示哪个组件"的开关。比如：你点"首页" → 显示Home.vue；点"关于" → 显示。
2026-08-29 08:55:39
480
原创 【机器学习】朴素贝叶斯 贝叶斯回归
朴素贝叶斯（Naive Bayes）是一种基于贝叶斯定理的简单但强大的分类算法。它的名字很形象：“朴素”指它的核心假设，“贝叶斯”指它的理论基础。如果特征有几十个，$ P(X | C_k) $ 的联合概率计算量是天文数字，且需要海量数据。朴素假设登场：假设所有特征 $ x_1, x_2, … $ 在给定类别 $ C_k $ 的条件下相互条件独立。
2026-08-28 08:56:46
297
原创 【机器学习】线性回归 Ridge 回归 Lasso 回归
结果就是，系数变得极大且正负抵消（比如面积系数 +10000，房间数系数 -9999），模型极其不稳定。：加了 $ \lambda I $ 后，即使 $ X^T X $ 奇异，矩阵依然可逆，数值稳定性大大提高。：即便你有 10000 个特征，其中 9900 个是噪音，线性回归也会强行给每个特征分配一个非零系数。，而不是几何上的最短距离——因为几何距离会把 x 的误差也算进去，但我们的假设里 x 没有误差。：如果两个特征高度相关（比如“房子面积”和“房间数量”），线性回归会犯难：到底把权重给谁？
2026-08-28 08:55:07
451
原创 Spring Data ElasticSearch 5.x 版本新特性
从 Spring Data Elasticsearch 4.x 升级到 5.x 是一次，核心驱动力是底层 Elasticsearch 客户端的全面更换以及对 Java 17 和 Spring Framework 6 的支持。因此，这次迁移会引入一些。
2026-08-28 08:30:00
470
原创 HTML 前端入门
纯文本：文件中只有文字字符，比如.java.txt文件。它们不能显示图片、视频，也不能跳转链接。超文本：文件中不仅可以有文字，还可以放图片、视频、音频、链接等。比如.md.pptx文件就是超文本。标签：HTML 里所有的功能都是通过“标签”实现的，但标签不能自己乱造，必须使用 W3C 组织规定好的标签。JS 是一种脚本语言，专门用来操作网页内容。它不能单独运行，必须写在.html文件中，由浏览器执行。我们学的是ES6 版本（更接近 Java 的写法）。var a;// 老式写法let b;
2026-08-27 10:11:11
291
原创 SpringBoot 入门
在 Spring 3.0 开始，Spring 官方推荐使用Java 配置来代替传统的 XML 配置。面向对象的配置：配置类可以继承、重写方法减少/消除 XML 配置类型安全和重构友好核心依赖：</</</</是由 Pivotal 团队提供的全新框架，用于简化 Spring 应用的初始搭建和开发过程，被称为搭建程序的“脚手架”。// ...时间 日志级别 线程ID 线程名称 日志类 日志说明infoLogback。
2026-08-27 10:08:16
252
原创 Spring 框架
回想一下我们之前使用JSP + Servlet + JavaBean开发Web应用的方式。一个很常见的问题是：一个请求对应一个Servlet，导致Servlet类数量爆炸。而且，在Servlet中接收请求参数、进行类型转换、调用业务逻辑、处理跳转等操作，代码往往又繁琐又重复。Spring MVC（以及Spring框架本身）就是为了解决这些问题而生的。它不是一个全新的东西，而是一套基于MVC设计模式的最佳实践框架，帮我们处理了Web开发中那些“脏活累活”，让我们能更专注于核心业务。“传统”方式。
2026-08-26 10:42:34
264
原创 【Java Web】Servlet + JSP 笔记
类型组成解析方静态 Web 资源浏览器动态 Web 资源服务器开发商：Apache 公司作用：运行 JavaWeb 程序的服务器软件默认端口：8080Servlet是一个运行在服务器上的 Java 程序，用于接收浏览器请求、处理数据并返回响应结果。它是生成动态 Web 资源的核心技术。是服务器端的动态 Web 资源，可以理解为"简化的 Servlet"，它允许在 HTML 中嵌入 Java 代码。层级名称作用对应组件表示层展示数据、接收请求业务层Service。
2026-08-26 10:25:13
289
原创 MySQL 笔记
数据库是用于实现数据持久化存储与高效管理的核心基础设施，几乎所有的软件系统都依赖数据库来承载业务数据，是信息系统的“数据心脏”。DDL 用于定义数据库对象（库、表、索引、视图等）的结构。子查询是在一个 SQL 语句中嵌套另一个查询，被嵌套的查询称为子查询。类似于 Java 中的流程控制嵌套。
2026-08-25 16:48:38
474
原创 Activiti7 工作流框架入门
工作流（Workflow）是指业务过程在计算机应用环境下的全部或部分自动化，是对工作流程及其各操作步骤之间业务规则的抽象与概括描述。在计算机领域，工作流属于计算机支持的协同工作（CSCW）的一部分，后者主要研究群体如何在计算机辅助下实现协同合作。工作流的核心目标在于：围绕某一业务目标，借助计算机系统，按照既定规则在多个参与者之间自动传递文档、信息或任务，从而实现流程的高效流转。典型应用场景包括：工作流实现方式的演进：工作流里面有三个概念：BPMN（Business Process Model and Not
2026-08-25 09:02:10
436
原创 登录鉴权相关笔记
OAuth2（开放授权 2.0）是一种授权框架，允许第三方应用在用户授权的前提下，安全访问用户在另一平台上的资源，而无需获取用户的账号密码。OAuth2 是“允许用户使用 Gitee / GitHub / 微信等账号登录你的应用”的技术标准。@Data@NotBlank(message = "授权码不能为空")@Data在复杂系统中，访问控制是基础安全需求。新增用户需重复配置权限；岗位变动时需逐一调整；权限回收困难，容易累积冗余；缺乏统一管理视角。
2026-08-25 09:01:43
322
原创 【Kubernetes 实战】（二）部署 Ruoyi-Cloud —— 部署服务
此文件包含 MySQL、Redis 的 PV 配置，需要根据实际节点名称修改。: PV 没有 nodeAffinity，Pod 被调度到不同节点。: Nacos 配置中 Redis 地址错误。检查浏览器 Console 是否有错误。检查 Network 标签页，确认。模式，数据持久化到 MySQL。应该能看到 RuoYi 登录页面。: 无法访问 Docker Hub。: PVC 未绑定或资源不足。或在所有节点配置镜像加速器。为你的实际镜像仓库地址。: Profile 不匹配。登录 Nacos 控制台。
2026-08-24 11:15:12
256
原创 【Kubernetes 实战】（一）部署 Ruoyi-Cloud —— 环境准备
项目信息Kubernetes 版本v1.28.2容器运行时containerd网络插件Pod 网段Service 网段。
2026-08-24 11:08:58
320
原创 Kubernetes笔记
自我修复：Kubernetes 将重新启动失败的容器、替换容器、杀死不响应用户定义的运行状况检查的容器， 并且在准备好服务之前不将其通告给客户端。弹性伸缩：可以根据需要，自动对集群中正在运行的容器数量进行调整服务发现和负载均衡：Kubernetes 可以使用 DNS 名称或自己的 IP 地址来暴露容器。如果进入容器的流量很大， Kubernetes 可以负载均衡并分配网络流量，从而使部署稳定。版本回退：如果发现新发布的程序版本有问题，可以立即回退到原来的版本。
2026-08-24 11:05:20
271
原创 Docker 容器技术笔记
Docker 是一种轻量级的应用容器化平台，可以将应用程序及其依赖环境打包成一个标准化的单元，实现“一次构建，到处运行”。为什么使用 Docker组织有序性：便于管理不同应用之间的依赖关系，避免环境冲突。便携性：解决应用迁移和集群部署的问题，保障开发、测试、生产环境一致性。安全性：容器之间相互隔离，降低应用间的干扰和攻击面。传统虚拟化 vs 容器虚拟化比较项传统虚拟化容器虚拟化创建速度较慢（需启动完整操作系统）极快（共享宿主机内核）性能消耗有显著的性能损耗几乎无额外性能开销。
2026-08-23 22:42:35
306
原创 Linux 学习笔记
Linux 是一款免费、开源、自由传播的操作系统，广泛应用于企业级服务器、开发环境、嵌入式系统等领域。其稳定性、安全性和高性能使其成为服务器端的首选操作系统之一。
2026-08-23 22:37:27
303
原创 Nginx 笔记
为什么选择 Nginx高性能 & 高并发：采用事件驱动（epoll）和异步非阻塞架构，单机可轻松支撑数万并发连接，远优于传统的多进程/多线程模型。反向代理：隐藏后端真实服务，提供统一的请求入口，同时可配合缓存、压缩、安全过滤等增强能力。负载均衡：支持多种分发策略（轮询、权重、IP哈希、最少连接等），有效分摊后端压力，提升系统整体吞吐量。静态内容处理：对静态文件（HTML、CSS、JS、图片等）的处理效率极高，且支持sendfile零拷贝技术，大幅降低CPU和内存开销。高可靠性 & 热部署。
2026-08-23 21:57:19
303
原创 【微调】（案例）SpeedWolf 狼人杀策略分析模型
这里注意一下，由于我们选择了 Qwen3.5-4B-Thinking，40亿的参数训练出来的结果一定是不尽人意，所以如果说想要训练更好的模型，就要选择更高参数的基础模型，还有更高的算力，使用的参数一定也不一样。因为作者名字里带兔，那么有句古话说的好，RabbitMQ（兔子没钱），所以我就不租用那么高的算力了，我们能看出来这个模型训练有效就算完成学习。然后选择 Chat 模式，点击加载模型，验证这个模型即可。相反的，过拟合的表现就是不懂得变通了，换句话说模型压根就没有学会推理，而是记住了训练集里的高频话术。
2026-08-23 16:38:27
572
原创 【大模型】大模型的量化
硬件限制：动辄需要数百GB显存，远超绝大多数消费级和企业级显卡的容量。模型参数量显存需求（使用AdamW）现实所需硬件1B20GB7B112~140GB双卡 A100 80G13B208~260GB四卡 A100 80G/H100 80G70B八卡 A100 80G/H100 80G推理延迟：参数量的巨大导致每次推理都需要巨大的计算量，使得响应速度慢，难以满足实时应用（如对话、翻译）的需求。模型参数量精度硬件7BFP16A100 80G7BINT413BFP16。
2026-08-22 19:45:17
343
原创 【深度学习】（六）卷积神经网络 循环神经网络
文本数据是具有序列特性的，例如: “我爱你”, 这串文本就是具有序列关系的，“爱” 需要在 “我” 之后，“你” 需要在 “爱” 之后, 如果颠倒了顺序，那么可能就会表达不同的意思。，例如: 我们有 100 个词，每个词希望转换成 128 维度的向量，那么构建的矩阵形状即为: 100*128，输入的每个词都对应了一个该矩阵中的一个向量。当一个新的输入进入网络时，当前的隐藏状态会结合这个新输入来生成新的隐藏状态。它的核心逻辑是：用一个固定大小的窗口（如 2×2），在输入数据上滑动，将窗口内的多个值。
2026-08-21 19:07:55
508
原创 【微调】（一）概述
微调，简单来说，就是给一个已经受过“通识教育”的通用大模型，进行“岗前培训”。具体操作是：拿一个已经在大规模通用数据（比如全网文本）上训练好的预训练模型，让它在你特定的、带有标签的小规模数据集上继续训练一段时间。这个过程会调整模型内部的参数，使它从“什么都懂一点的通才”，变成“在你指定的领域特别擅长的专才”。回答太“官方”：它像一本百科全书，能回答问题，但语气中性，不会用你的风格说话。不懂内部知识：它不知道你们公司的内部制度、最新产品细节或特定行业黑话。提升精度。
2026-08-21 18:54:33
716
原创 【深度学习】（五）参数调优策略
先粗后细：先用大范围网格搜索找最优区间，再用贝叶斯优化或随机搜索精细调整。固定随机种子：确保每次实验可复现（seed=42或2024），排除随机性干扰。从简开始：先关掉所有正则化（Dropout=0, WD=0），让模型过拟合一个Batch（证明模型代码无误且有拟合能力），再逐步添加正则化。Log 一切：不仅看Loss，要看梯度范数（Gradient Norm）——如果范数>10，说明梯度爆炸；如果<1e-5，说明梯度消失。缩放定律：对于大模型，模型大小、数据量、计算量三者遵循幂律关系。
2026-08-20 11:33:27
492
原创 【深度学习】（四）案例：基于PyTorch的全连接神经网络实现手机价格区间预测
Jones创办了一家二手手机公司，在经营过程中遇到了一个核心难题：如何准确估算二手手机的合理售价。为了解决这个问题，他系统性地收集了多家手机销售公司的历史交易数据。该数据集包含了二手手机的各项性能指标，以及对应的最终成交价格区间。价格被划分为0、1、2、3四个等级，分别代表从低到高的价格范围，这使得问题本质上成为一个多分类任务，而非传统的回归预测问题。特征名称含义说明单位电池总容量毫安时（mAh）blue是否支持蓝牙布尔值处理器主频GHzdual_sim是否支持双卡布尔值fc。
2026-08-20 11:01:19
368
1
原创 【AI】Transformer 原理讲解
RNN 像人类"逐字阅读"一样处理文本，这带来了以下问题：Transformer的解法极其暴力：抛弃递归，全部用“注意力（Attention）”。你可以把Transformer模型想象成一个大型会议室，而词向量和位置编码就是每位参会者（单词）的身份名牌。词向量是把一个单词（如“苹果”）转换成一串固定长度的数字列表（比如512维）。在Transformer中：输入的句子（如“我 爱 中国”）中，每个词都会先查一个词嵌入表（Embedding Table），把自己映射成一个初始的词向量。既然词向量没有位置信息
2026-08-19 08:16:50
855
原创 【深度学习】（三）学习率优化
梯度下降是一种优化算法，核心是通过反复调整参数，让模型的预测误差（损失函数）降到最低。可以理解为下山找方向：计算当前位置最陡的下坡方向（梯度反方向）。迈一步：按照学习率设定的步长，向下走一步，更新参数。重复：直到走到最低点（误差最小）。关键点学习率：决定步长大小。太大容易错过最低点，太小则收敛太慢。常用形式小批量梯度下降，每次用一小批数据计算方向，兼顾速度与稳定。
2026-08-18 09:55:34
633
原创 【深度学习】（附录）常见的激活函数性质
令 $ x = z_1 - z_2 $，则第一个类别的概率为 $ \frac{1}{1+e^{-x}} $，这正是Sigmoid。其中 $ y_i $ 是真实标签（只有正确类别为1，其余为0），$ \hat{y}_i $ 是Softmax输出的概率。{-x})^2} $，整理后就是 $ \frac{1}{1+e^{-x}} \cdot \frac{e。：对 $ \frac{1}{1+e^{-x}} $ 求导，等于 $ \frac{e。：每个输出值 = 该类别“得分”的指数，除以所有类别“得分”指数的总和。
2026-08-18 08:43:32
535
原创 【深度学习】（二）神经网络
参数初始化，简单来说，就是在开始训练神经网络之前，给模型的权重（weights）和偏置（biases）设置一个初始值的过程。你可以把它理解为：在让一个模型开始“学习”之前，我们先给它一个“起点”。
2026-08-17 08:51:12
564
原创 【深度学习】（一）概述
深度学习是机器学习的一个子集，其核心是构建具有多个“隐藏层”的人工神经网络。它的灵感来源于人脑神经元的工作方式，但并非严格模拟生物神经机制。核心思想：通过“端到端”的学习方式，让模型自动从原始数据中逐层提取特征。浅层网络学习边缘、颜色等简单特征，深层网络则将这些简单特征组合成轮廓、部件乃至语义等复杂抽象概念。这一过程被称为“特征学习”或“表示学习”。发展关键数据：互联网时代积累的海量数据（图像、文本、语音）。算力：GPU（图形处理器）、TPU（张量处理器）等高性能计算硬件的普及。算法。
2026-08-17 08:46:40
633
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人