<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[@@老胡的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/CodePlayMe</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; CodePlayMe]]></copyright><item><title><![CDATA[Docker学习]]></title><link>https://blog.youkuaiyun.com/CodePlayMe/article/details/163150644</link><guid>https://blog.youkuaiyun.com/CodePlayMe/article/details/163150644</guid><author>CodePlayMe</author><pubDate>Fri, 24 Jul 2026 10:10:44 +0800</pubDate><description><![CDATA[Docker的核心概念包括镜像（Image）、容器（Container）和仓库（Repository）。镜像是只读模板，包含运行应用所需的所有内容；容器是镜像的运行实例，具有隔离性和可写层；仓库用于存储和分发镜像。Docker架构主要由Client、Daemon、Engine和Registry组成，协同完成镜像管理、容器生命周期管理和网络存储等功能。常用命令如docker run启动容器、docker ps查看状态、docker pull拉取镜像等，通过分层存储和进程级隔离实现轻量化部署。]]></description><category></category></item><item><title><![CDATA[通过DeepSeek的API处理任务]]></title><link>https://blog.youkuaiyun.com/CodePlayMe/article/details/151684319</link><guid>https://blog.youkuaiyun.com/CodePlayMe/article/details/151684319</guid><author>CodePlayMe</author><pubDate>Sun, 14 Sep 2025 16:25:02 +0800</pubDate><description><![CDATA[【代码】通过DeepSeek的API处理任务。]]></description><category></category></item><item><title><![CDATA[如何正确选择适合环境的CUDA版本]]></title><link>https://blog.youkuaiyun.com/CodePlayMe/article/details/148156503</link><guid>https://blog.youkuaiyun.com/CodePlayMe/article/details/148156503</guid><author>CodePlayMe</author><pubDate>Fri, 23 May 2025 09:53:20 +0800</pubDate><description><![CDATA[比如机器上的cuda版本是11.3的，torch上的最高支持版本是11.7的，当前驱动器可支持的最高的cuda版本是12.2的，那就是可以使用的cuda。在我们选择要安装的cuda和torch版本，都要满足。]]></description><category></category></item><item><title><![CDATA[python在命令行调试的两种简单方法]]></title><link>https://blog.youkuaiyun.com/CodePlayMe/article/details/146498172</link><guid>https://blog.youkuaiyun.com/CodePlayMe/article/details/146498172</guid><author>CodePlayMe</author><pubDate>Tue, 25 Mar 2025 11:13:08 +0800</pubDate><description><![CDATA[推荐不知道怎么改命令行的可以直接用第一种办法（可以ai），保持端口一致即可。这里仅仅是学习、记录、分享，欢迎相互交流。在需要调试的位置添加断点，也就是小红点。一般都直接生成后改改就可以用。直接在源代码添加以下代码。]]></description><category></category></item><item><title><![CDATA[latex给图片加上背景颜色]]></title><link>https://blog.youkuaiyun.com/CodePlayMe/article/details/144068727</link><guid>https://blog.youkuaiyun.com/CodePlayMe/article/details/144068727</guid><author>CodePlayMe</author><pubDate>Tue, 26 Nov 2024 21:38:10 +0800</pubDate><description><![CDATA[latex排版的时候八张图排一行，前面四张图为一个整体，后面四张图为一个整体，而且分别给组内加上背景颜色，可以使用以下代码。如果不想要背景色可以换成边框，直接把。图片不方便展示，但是亲测有效哦。(其他代码也类似)替换成。]]></description><category></category></item><item><title><![CDATA[nnunetv2（一）项目结构、配置文件和nnUNetv2_convert_MSD_dataset命令]]></title><link>https://blog.youkuaiyun.com/CodePlayMe/article/details/141887331</link><guid>https://blog.youkuaiyun.com/CodePlayMe/article/details/141887331</guid><author>CodePlayMe</author><pubDate>Thu, 05 Sep 2024 10:51:52 +0800</pubDate><description><![CDATA[使用命令行的代码入口，用来解析命令行参数，并且调用函数。：把task文件转换成dataset的具体操作。：将task变成dataset的主要函数。命令来安装nnunet v2。]]></description><category></category></item><item><title><![CDATA[ubuntu服务器安装labelimg报错记录]]></title><link>https://blog.youkuaiyun.com/CodePlayMe/article/details/140393721</link><guid>https://blog.youkuaiyun.com/CodePlayMe/article/details/140393721</guid><author>CodePlayMe</author><pubDate>Sat, 13 Jul 2024 11:35:35 +0800</pubDate><description><![CDATA[这里可能会有疑问说，怎么找到就是要安装这些包，说实话，我也不知道，我自己一个个百度的，那就大家自己百度吧。，这个是百度得到的结果，安装完后重新ldd，看还有哪一些是not found 的，一个个安装就可以了。这个报错不会解决，试了很多方法都不行，什么链接xshell什么的都不行。然后把报错提示的not found的都安装一遍，就可以了。按照步骤安装完labelimg后，在终端输入。，大家可以自己甄别，反正我试过我不能用。解决完上面的，又来一个报错。]]></description><category></category></item><item><title><![CDATA[YOLOv1代码注释]]></title><link>https://blog.youkuaiyun.com/CodePlayMe/article/details/140324166</link><guid>https://blog.youkuaiyun.com/CodePlayMe/article/details/140324166</guid><author>CodePlayMe</author><pubDate>Wed, 10 Jul 2024 15:59:47 +0800</pubDate><description><![CDATA[这个代码的主网络修改为resnet50。]]></description><category></category></item><item><title><![CDATA[idea+tomcat+mysql 从零开始部署Javaweb项目（保姆级别）]]></title><link>https://blog.youkuaiyun.com/CodePlayMe/article/details/139203176</link><guid>https://blog.youkuaiyun.com/CodePlayMe/article/details/139203176</guid><author>CodePlayMe</author><pubDate>Wed, 29 May 2024 16:20:51 +0800</pubDate><description><![CDATA[【还是tomcat的配置中】更新的操作可以选择update classes and resources，这样就不需要代码有更新的时候一直都重启，重启太慢，只需要刷新就好。如果以上配置都正确的话，修改index.jsp并且保存后，点击绿色的标识，再刷新网页就可以得到修改后的内容。和我的tomcat的配置是对应的，比如端口号8080，以及在配置tomcat的fix之后添加的也是。此时项目下多了一个web的目录，这是整个web项目的根目录。对于新建好的项目，第一个是项目的名称，选择jdk依赖，一般默认就好；]]></description><category></category></item><item><title><![CDATA[做一个图像分类任务（二）预测单张图像-英文]]></title><link>https://blog.youkuaiyun.com/CodePlayMe/article/details/138002230</link><guid>https://blog.youkuaiyun.com/CodePlayMe/article/details/138002230</guid><author>CodePlayMe</author><pubDate>Sat, 20 Apr 2024 16:49:17 +0800</pubDate><description><![CDATA[图像分类任务]]></description><category></category></item><item><title><![CDATA[做一个图像分类任务（一）准备数据集]]></title><link>https://blog.youkuaiyun.com/CodePlayMe/article/details/137692144</link><guid>https://blog.youkuaiyun.com/CodePlayMe/article/details/137692144</guid><author>CodePlayMe</author><pubDate>Thu, 18 Apr 2024 16:34:03 +0800</pubDate><description><![CDATA[对于深度学习的数据集，为了避免数据的分布而影响到模型的训练，数据集应当要尽可能包含目标物体的各类场景，并且各种场景下的图像的数量尽可能相近，这样训练出来的模型才具有很好的泛化性能。以及它的子文件下有其他非法的文件，会导致训练出错，所以可以检查下 dataset 下有没有其他非法文件已经其子文件内有无非法文件。这里的代码与github上可能有一丢丢不同，大家想看全面点还是要看github上原版的代码以及原作者的视频讲解，博主这里只是博主按需学习的一些经验哦！不同图像域（照片、漫画、剪贴画、油画）]]></description><category></category></item><item><title><![CDATA[深度学习可视化模型]]></title><link>https://blog.youkuaiyun.com/CodePlayMe/article/details/137627103</link><guid>https://blog.youkuaiyun.com/CodePlayMe/article/details/137627103</guid><author>CodePlayMe</author><pubDate>Fri, 12 Apr 2024 14:26:10 +0800</pubDate><description><![CDATA[如下图所示：下图上面是关于一个分类网络的一个训练过程，即输入一个原始图像，经过全卷积神经网络的训练，得到最后一个卷积层的卷积结果，这里为一个512通道14*14的卷积结果，经过全局平均池化GAP，对每一个通道求一个平均数（即得到512个平均数），这些平均数作为线性分类的权重进行加权求和，得到每一个类别的logit，经过softmax得到一个后验置信度，从而得到该特征中属于每一个类别的概率。使用二阶和三阶偏导数得到每一个位置的权重，每一个位置的权重不同，则不同位置对最后的权重w的影响也就不同。]]></description><category></category></item><item><title><![CDATA[理解感受野]]></title><link>https://blog.youkuaiyun.com/CodePlayMe/article/details/136632881</link><guid>https://blog.youkuaiyun.com/CodePlayMe/article/details/136632881</guid><author>CodePlayMe</author><pubDate>Mon, 11 Mar 2024 20:04:22 +0800</pubDate><description><![CDATA[定义：在卷积神经网络中，每个神经元结点都对应着输入图像的某个区域，仅该区域的图像内容能对相应的神经元的激活产生影响，那么这个区域就叫做该神经元的感受野。越靠近感受野的中心区域越重要；各向同性：也就是感受野附近的重要程度成中心对称结构；由中心向周围的重要性衰减速度可以通过网络结构控制。]]></description><category></category></item><item><title><![CDATA[pytorch（十）循环神经网络]]></title><link>https://blog.youkuaiyun.com/CodePlayMe/article/details/136590622</link><guid>https://blog.youkuaiyun.com/CodePlayMe/article/details/136590622</guid><author>CodePlayMe</author><pubDate>Mon, 11 Mar 2024 10:26:47 +0800</pubDate><description><![CDATA[之所以叫做循环神经网络，是因为以上的cell都是同一个cell，参数也只有cell里的一份而已，在训练中，cell层使用的是循环结构，使用不同的输入数据进行训练。这里是需要训练一个模型，使得输入“hello”，而输出为“ohlol”，实际上对于输入的数据，判别输出的数据属于哪一个类别，这里只有4种字母，所以输出的维度为4。循环神经网络处理的数据往往是序列数据，即输入的数据是一个序列，每一个时间步都有一个对应的输出，RNN通过循环层保留和传递历史信息，从而建立时间上的依赖关系。第一种方法 RNNCell。]]></description><category></category></item><item><title><![CDATA[pytorch（九）卷积神经网络]]></title><link>https://blog.youkuaiyun.com/CodePlayMe/article/details/136545546</link><guid>https://blog.youkuaiyun.com/CodePlayMe/article/details/136545546</guid><author>CodePlayMe</author><pubDate>Sat, 09 Mar 2024 20:28:07 +0800</pubDate><description><![CDATA[全连接神经网络是一种最为基础的前馈神经网络，他的每一个神经元都与前一层的所有神经元进行连接，这种连接方式可以使得全连接神经网络能够学习到更加全局的特征。随着神经网络的层数的增加，可能会出现梯度消失问题，而残差网络使用支线将输入直接连接到后面的层，使得后面的层可以直接学习残差。全连接神经网络需要更新的参数数量多，并且在全连接层的输入中，如果是对图像进行处理，比如。，输入的是（通道1，高28，宽28像素）的图像，但是在全连接层中会被拉成（卷积神经网络CNN更适合用在图像识别、语音识别等各种场合。]]></description><category></category></item><item><title><![CDATA[pytorch（六、七）多维特征数据的输入、加载数据集的类]]></title><link>https://blog.youkuaiyun.com/CodePlayMe/article/details/136461789</link><guid>https://blog.youkuaiyun.com/CodePlayMe/article/details/136461789</guid><author>CodePlayMe</author><pubDate>Tue, 05 Mar 2024 16:14:27 +0800</pubDate><description><![CDATA[ps：这里为什么给出两种代码，其实这里按照我给出的公式其实第二种代码才是对应的代码，第二种的max_iter其实可以认为是epoch，表示周期，因为一个周期需要所有的样本数据都参与一次。在批量梯度下降中，参数更新的次数与周期在数目上是一致的，这是因为批量梯度下降每一次参数更新需要所有的样本参与。批量梯度下降对于凸优化问题可以找到全局的最优解，这种方法在样本量不大的情况下可以快速收敛，但是如果样本的量过大，每次参数更新都需要全部的样本的参与，单次更新的时间长，需要的存储空间也大。下面推导梯度下降的公式。]]></description><category></category></item><item><title><![CDATA[pytorch（四、五、八）用pytorch实现线性回归和逻辑斯蒂回归（分类）以及多分类问题]]></title><link>https://blog.youkuaiyun.com/CodePlayMe/article/details/135816031</link><guid>https://blog.youkuaiyun.com/CodePlayMe/article/details/135816031</guid><author>CodePlayMe</author><pubDate>Mon, 04 Mar 2024 16:53:52 +0800</pubDate><description><![CDATA[但是在Linear层中，当输入特征被Linear层接收是，它会接收后转置，然后乘以权重矩阵，得到的是输出特征的转置，换句话说可以在底层使用Linear，它实际上做的是。如果一个类实现了回调方法，那么只要对象实例被调用，这个特殊的方法也会被调用。中，第一个代码中，我们没有通过pytorch实现线性模型的时候，我们会显式调用forward函数，计算前馈的值，我们是这样写的。很明显，上面的图标表示一个 3×4 的矩阵乘以 4×1 的矩阵，得到一个 3×1 的输出矩阵，使用普通矩阵的乘法实现如下。]]></description><category></category></item><item><title><![CDATA[pytorch（三）反向传播]]></title><link>https://blog.youkuaiyun.com/CodePlayMe/article/details/135749027</link><guid>https://blog.youkuaiyun.com/CodePlayMe/article/details/135749027</guid><author>CodePlayMe</author><pubDate>Tue, 23 Jan 2024 11:10:17 +0800</pubDate><description><![CDATA[tansor的广播机制就是在不同的rensor之间进行计算时，自动将数据进行扩展的一种方式。简单来说，就是当两个tensor的形状不同时，tensor会自动的将自己的形状扩展为另一个tensor的相同形状，然后进行计算。在神经网路中，经常对线性的结果做一个非线性函数的变幻的展开，这就是激活函数。在tensor的使用过程中，我们经常需要对不同形状的tensor进行计算，这个时候就需要用到tensor的广播机制。满足以上规则的tensor可以进行广播，维度扩展的过程就是将数值进行复制的过程。]]></description><category></category></item><item><title><![CDATA[pytorch（二）梯度下降算法]]></title><link>https://blog.youkuaiyun.com/CodePlayMe/article/details/135717111</link><guid>https://blog.youkuaiyun.com/CodePlayMe/article/details/135717111</guid><author>CodePlayMe</author><pubDate>Sat, 20 Jan 2024 19:59:47 +0800</pubDate><description><![CDATA[在深度学习中，尽管梯度下降算法会陷入局部最优，但是在深度学习中梯度下降算法依旧广泛应用：在之前大家认为，深度学习的目标函数会出现很多的局部最优解，但是实际上，其损失函数并没有很多的局部最优解。梯度下降算法属于贪心算法的一种，它的权重的更新，每一次都是朝着梯度下降最快的方向进行更新，当梯度为0的时候，算法收敛，权重不再更新。在上面的梯度下降中，求损失的时候用的是全部数据的平均损失作为更新的依据。和第二课不同的是，第一课的w是我们认为设定的，通过一个for循环使得w迭代，这一次需要的是通过模型找到适合的w。]]></description><category></category></item><item><title><![CDATA[python绘制三维图]]></title><link>https://blog.youkuaiyun.com/CodePlayMe/article/details/135633813</link><guid>https://blog.youkuaiyun.com/CodePlayMe/article/details/135633813</guid><author>CodePlayMe</author><pubDate>Thu, 18 Jan 2024 15:57:41 +0800</pubDate><description><![CDATA[散点图的绘制主要用到 ax.scatter(xs,ys,zs,s=20,c=None,depthshade=True,*args,*kwargs)subplot 可以规划figure划分为n个子图，但是每条subplot命令只会创建一个子图。用于新增子区域，该区域可以坐落在figure内的任意位置，而且可以设置大小。add_subplots的参数与subplots相似。subplots的参数与subplot的相似。]]></description><category></category></item></channel></rss>