<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Brittney27的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Brittney27</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Brittney27]]></copyright><item><title><![CDATA[深度学习|李哥考研——大模型微调]]></title><link>https://blog.youkuaiyun.com/Brittney27/article/details/157975736</link><guid>https://blog.youkuaiyun.com/Brittney27/article/details/157975736</guid><author>Brittney27</author><pubDate>Wed, 11 Feb 2026 17:56:08 +0800</pubDate><description><![CDATA[在预训练好的模型基础上，用新的标注数据训练，让模型适应新的任务什么是涌现能力？当达到关键的某个阈值时，模型突然展现出一种典型的涌现能力介绍？通义千问deepseek豆包kimi。]]></description><category></category></item><item><title><![CDATA[深度学习|李哥考研——transformer]]></title><link>https://blog.youkuaiyun.com/Brittney27/article/details/157517596</link><guid>https://blog.youkuaiyun.com/Brittney27/article/details/157517596</guid><author>Brittney27</author><pubDate>Tue, 03 Feb 2026 21:37:42 +0800</pubDate><description><![CDATA[FNN：feedforward Neural Network：最基础最经典的人工神经网络——传统神经网络传统神经网络：FNN、FCNs、MLP//工作原理：1.单向流动，数据没有循环和反馈；2.全连接形式；3.每个连接都有可以学习的权重，通过激活函数实现线性转化到非线性转化////与现代圣经网络的区别现代：1.通过共享参数减少参数2.适用的数据：图像、序列数据。]]></description><category></category></item><item><title><![CDATA[Axure入门学习（自用）]]></title><link>https://blog.youkuaiyun.com/Brittney27/article/details/157555892</link><guid>https://blog.youkuaiyun.com/Brittney27/article/details/157555892</guid><author>Brittney27</author><pubDate>Fri, 30 Jan 2026 22:35:25 +0800</pubDate><description><![CDATA[老师课件做的很好，讲的也非常清楚，适合Axure11新手入门。]]></description><category></category></item><item><title><![CDATA[深度学习|李哥考研4图片分类比较详细说明]]></title><link>https://blog.youkuaiyun.com/Brittney27/article/details/157263494</link><guid>https://blog.youkuaiyun.com/Brittney27/article/details/157263494</guid><author>Brittney27</author><pubDate>Fri, 23 Jan 2026 15:18:59 +0800</pubDate><description><![CDATA[有标签和无标签读取数据的方式不同初始化都需要将x放到创建的np.zero中xi = np.zeros((len(file_list), HW, HW, 3), dtype=np.uint8) # 创建形状，用于存储图像1、无标签，无需读取yif self.mode == "semi": # 无标签数据xi = np.zeros((len(file_list), HW, HW, 3), dtype=np.uint8) # 创建形状，用于存储图像# 列出文件夹下所有文件名字。]]></description><category></category></item><item><title><![CDATA[深度学习|李哥考研——（无）监督学习相关分类]]></title><link>https://blog.youkuaiyun.com/Brittney27/article/details/157257426</link><guid>https://blog.youkuaiyun.com/Brittney27/article/details/157257426</guid><author>Brittney27</author><pubDate>Thu, 22 Jan 2026 18:41:21 +0800</pubDate><description><![CDATA[监督学习：数据样本x都有对应的一个已知的输出标签y使用监督学习训练一个模型，测试数据能使用该模型预测出准确的标签监督学习的常见任务包括分类（预测离散标签）和回归（预测连续值）。]]></description><category></category></item><item><title><![CDATA[深度学习|李哥考研3]]></title><link>https://blog.youkuaiyun.com/Brittney27/article/details/157144064</link><guid>https://blog.youkuaiyun.com/Brittney27/article/details/157144064</guid><author>Brittney27</author><pubDate>Wed, 21 Jan 2026 17:00:07 +0800</pubDate><description><![CDATA[全过程如下：看不懂没关系先经过CNN，再用回归进行处理全称：Convolution Neural Network CNN处理网络结构数据（图像、视频、音频）的深度学习模型图像分类：识别猫狗、手写数字MNIST，物体类别目标检测：YOLO医学影像分析。]]></description><category></category></item><item><title><![CDATA[深度学习|李哥考研2]]></title><link>https://blog.youkuaiyun.com/Brittney27/article/details/157131344</link><guid>https://blog.youkuaiyun.com/Brittney27/article/details/157131344</guid><author>Brittney27</author><pubDate>Mon, 19 Jan 2026 12:07:59 +0800</pubDate><description><![CDATA[继承Module必须重写 init forwardinit初始化参数forward：定义数据流动过程self.fc1 = nn.Linear(inDim, 64) # 全连接self.relu = nn.ReLU() # 激活函数self.fc2 = nn.Linear(64,1) # 全连接def forward(self, x): #forward， 即模型前向过程else:return x正则化 ： 自定义损失函数，确保模型的loss比较不会过拟合lossloss。]]></description><category></category></item><item><title><![CDATA[深度学习|李哥1 python代码]]></title><link>https://blog.youkuaiyun.com/Brittney27/article/details/157069459</link><guid>https://blog.youkuaiyun.com/Brittney27/article/details/157069459</guid><author>Brittney27</author><pubDate>Sun, 18 Jan 2026 13:37:44 +0800</pubDate><description><![CDATA[ps：针对po主自身的遗忘知识进行补充，]]></description><category></category></item><item><title><![CDATA[26深度学习|李哥1]]></title><link>https://blog.youkuaiyun.com/Brittney27/article/details/157062691</link><guid>https://blog.youkuaiyun.com/Brittney27/article/details/157062691</guid><author>Brittney27</author><pubDate>Sat, 17 Jan 2026 14:22:42 +0800</pubDate><description><![CDATA[线性函数与神经元有局限，只能是直线，不能成曲线y = wx + b就算多个神经元串联形成，他们之间也只是起到了传递作用，相当于只有一层下面举例说明两层神经网络后仍然是线性的r1​w1​x1​w2​x2​w3​x3​w4​x4​b1​r2​w5​x1​w6​x2​w7​x3​w8​x4​b2​r3​w9​x1​w10​x2​w11​x3​。]]></description><category></category></item><item><title><![CDATA[深度学习|李哥0]]></title><link>https://blog.youkuaiyun.com/Brittney27/article/details/157031975</link><guid>https://blog.youkuaiyun.com/Brittney27/article/details/157031975</guid><author>Brittney27</author><pubDate>Fri, 16 Jan 2026 18:53:23 +0800</pubDate><description><![CDATA[深度学习比机器学习更难，也就是神经网络组成。可以把深度学习比作一个函数F（x） = y，有x与y一一对应。]]></description><category></category></item><item><title><![CDATA[raicom|2023省赛出院题目自用]]></title><link>https://blog.youkuaiyun.com/Brittney27/article/details/140374051</link><guid>https://blog.youkuaiyun.com/Brittney27/article/details/140374051</guid><author>Brittney27</author><pubDate>Mon, 22 Jul 2024 12:32:31 +0800</pubDate><description><![CDATA[对于一个新饮料的名字，你需要将名字拆成两个已知等级的部分，然后输出这个级别。例如：Diet是A，Coke是D，那么DietCoke就是AD；以上是某群中一段有趣的对话。请你按照里面的逻辑，在已知某些饮料的等级的情况下，给饮料定级。行，每行是一个字符串和一个字符，表示一种饮料的名字和对应的等级，等级只有。行，每行是一个字符串，表示需要定级的饮料的名字。对于每一个需要定级的饮料，输出定好的定级。如果是已知等级的饮料，直接输出等级；，给定拥有等级的饮料的名字不会重复。无糖可乐是什么级别？种，需要定级的饮料有。]]></description><category></category></item><item><title><![CDATA[动态规划|最长不下降子序列（自用）]]></title><link>https://blog.youkuaiyun.com/Brittney27/article/details/140376083</link><guid>https://blog.youkuaiyun.com/Brittney27/article/details/140376083</guid><author>Brittney27</author><pubDate>Fri, 12 Jul 2024 12:45:44 +0800</pubDate><description><![CDATA[参考视频小电视：【动态规划3-1：最长不下降序列】https://www.bilibili.com/video/BV1fK411L751?]]></description><category></category></item><item><title><![CDATA[大二C++期末复习（自用）]]></title><link>https://blog.youkuaiyun.com/Brittney27/article/details/139885077</link><guid>https://blog.youkuaiyun.com/Brittney27/article/details/139885077</guid><author>Brittney27</author><pubDate>Sat, 22 Jun 2024 17:04:24 +0800</pubDate><description><![CDATA[1.应用1为输入年份，应用2是计算点的直角坐标和极坐标2.掌握实现类的定义 tdate.h   类的实现 tdate.cpp（成员函数定义）使用  :: 进行设置private:int grade;float gpa;int num;gpa = 4.2;Print();Student s;]]></description><category></category></item><item><title><![CDATA[高精度|大数加减乘]]></title><link>https://blog.youkuaiyun.com/Brittney27/article/details/139561640</link><guid>https://blog.youkuaiyun.com/Brittney27/article/details/139561640</guid><author>Brittney27</author><pubDate>Sun, 09 Jun 2024 16:44:42 +0800</pubDate><description><![CDATA[大数加减法主要使用借位和进位的方式，并且都可以采用string进行存储，随后反转结果，只不过减法，1. 交换两数 +  要加负号，2.要对多余的前导零（直接丢掉）pop_back()两种思路在for循环不同，第一个好理解也好模拟，但是注意加法的位置。1.数字1.length（） < 数字2.length（）；2.两数字长度相同，但数字1 < 数字2。结合加法减法乘法进行操作，比较复杂。大数乘法注意1. 使用动态数组存。2.去除前导零（遍历去除）加负号 + 交换两数。]]></description><category></category></item><item><title><![CDATA[二维数组与字符串]]></title><link>https://blog.youkuaiyun.com/Brittney27/article/details/138974459</link><guid>https://blog.youkuaiyun.com/Brittney27/article/details/138974459</guid><author>Brittney27</author><pubDate>Thu, 16 May 2024 20:45:17 +0800</pubDate><description><![CDATA[表示有4组字符串，每组字符串占一行，7个元素为一组的一维字符串。]]></description><category></category></item><item><title><![CDATA[PTA|小字辈]]></title><link>https://blog.youkuaiyun.com/Brittney27/article/details/138545887</link><guid>https://blog.youkuaiyun.com/Brittney27/article/details/138545887</guid><author>Brittney27</author><pubDate>Tue, 07 May 2024 21:22:05 +0800</pubDate><description><![CDATA[本题给定一个庞大家族的家谱，要请你给出最小一辈的名单。输入格式：输入在第一行给出家族人口总数 N（不超过 100 000 的正整数） —— 简单起见，我们把家族成员从 1 到 N 编号。随后第二行给出 N 个编号，其中第 i 个编号对应第 i 位成员的父/母。家谱中辈分最高的老祖宗对应的父/母编号为 -1。一行中的数字间以空格分隔。输出格式：首先输出最小的辈分（老祖宗的辈分为 1，以下逐级递增）。然后在第二行按递增顺序输出辈分最小的成员的编号。编号间以一个空格分隔，行首尾不得有多余空格。]]></description><category></category></item><item><title><![CDATA[日期判断输出]]></title><link>https://blog.youkuaiyun.com/Brittney27/article/details/138526135</link><guid>https://blog.youkuaiyun.com/Brittney27/article/details/138526135</guid><author>Brittney27</author><pubDate>Tue, 07 May 2024 12:14:59 +0800</pubDate><description><![CDATA[即：month[] = { 0, 31, 28, 31, 30, 31, 30, 31, 31, 30, 31, 30, 31 };定义一个满足输出格式为年/月/日的日期格式，在输入的日期上进行加一天的操作并输出。2 月 month = 28 or 29。其他 month = 31;]]></description><category></category></item><item><title><![CDATA[零基础机器学习|逻辑回归（判断客户是否患病）]]></title><link>https://blog.youkuaiyun.com/Brittney27/article/details/138139239</link><guid>https://blog.youkuaiyun.com/Brittney27/article/details/138139239</guid><author>Brittney27</author><pubDate>Fri, 26 Apr 2024 11:33:18 +0800</pubDate><description><![CDATA[从，比如是1否0患病，是1否0可以贷款等机器学习的分类过程就是可能性大小的过程实现分类。如果单纯的用分类线实施分类会造成有些点预测的误差大，而回归函数对于一些靠近0、1 的点既是中间点不能很好的分类预测，于是引入sigmoid函数，如下图对于这种s型函数，我们称为logistic function 即为逻辑函数，请注意logic function 和logistic function不是同一个东西sigmoid函数的公式gz1e−z1​与线性回归模型的式子zw0​x0。]]></description><category></category></item><item><title><![CDATA[python切片选取行和列]]></title><link>https://blog.youkuaiyun.com/Brittney27/article/details/138212557</link><guid>https://blog.youkuaiyun.com/Brittney27/article/details/138212557</guid><author>Brittney27</author><pubDate>Fri, 26 Apr 2024 11:04:28 +0800</pubDate><description><![CDATA[在Python中，特别是当使用NumPy数组或类似的二维数据结构时，才是正确的语法来同时选择特定的行和列。]]></description><category></category></item><item><title><![CDATA[零基础机器学习|线性回归]]></title><link>https://blog.youkuaiyun.com/Brittney27/article/details/137916544</link><guid>https://blog.youkuaiyun.com/Brittney27/article/details/137916544</guid><author>Brittney27</author><pubDate>Thu, 18 Apr 2024 13:19:42 +0800</pubDate><description><![CDATA[一元多元线性回归]]></description><category></category></item></channel></rss>