<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[DominaterWE的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/DominaterWE</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; DominaterWE]]></copyright><item><title><![CDATA[大模型本地部署]]></title><link>https://blog.youkuaiyun.com/DominaterWE/article/details/144168656</link><guid>https://blog.youkuaiyun.com/DominaterWE/article/details/144168656</guid><author>DominaterWE</author><pubDate>Sun, 01 Dec 2024 13:43:42 +0800</pubDate><description><![CDATA[为了运行之后本地部署的Qwen-7B-Chat模型，我们需要根据要求在Anaconda中安装一个满足模型运行要求的虚拟环境，其官方的配置环境要求如下，这里配置的环境为使用GPU Pytorch的版本。点击其中的模型文件，进入模型文件页面，之后点击右侧的下载模型。第二步：安装通义千问官方说的运行Qwen-7B需要安装的依赖。第一步：安装modelscope可以用来下载模型。SDK安装安装工具包下载。设置模型的下载地址。]]></description><category></category></item><item><title><![CDATA[大模型KS-LLM]]></title><link>https://blog.youkuaiyun.com/DominaterWE/article/details/143817758</link><guid>https://blog.youkuaiyun.com/DominaterWE/article/details/143817758</guid><author>DominaterWE</author><pubDate>Sat, 16 Nov 2024 16:52:46 +0800</pubDate><description><![CDATA[本周阅读了一篇大模型相关的论文，论文模型（KS-LLM）利用三元组（triples）有效地从证据文档中选择有助于回答问题的知识片段。具体而言，KS-LLM首先基于输入问题生成三元组，然后从证据文档中选择与三元组最相似的证据句子，最后结合证据句子和三元组，辅助大型语言模型生成答案。这种方法结合了多种形式的知识，包括文本证据句子和结构化三元组，充分利用了不同形式知识之间的交互和互补关系。
]]></description><category></category></item><item><title><![CDATA[联盟链1.2]]></title><link>https://blog.youkuaiyun.com/DominaterWE/article/details/142025767</link><guid>https://blog.youkuaiyun.com/DominaterWE/article/details/142025767</guid><author>DominaterWE</author><pubDate>Sun, 08 Sep 2024 13:53:35 +0800</pubDate><description><![CDATA[2.安装需要的软件包，yum-util提供yum-config-manager功能，另外两个是devicemapper驱动的依赖。https://golang.org/dl/ - 翻墙 https://studygolang.com/dl - 国内镜像源。下载并执行fabric的引导脚本bootstrap.sh。6.给docker-compose添加可执行权限。4.安装docker，出现界面都按y。5.安装docker-compose。1.yum包更新到最新。3.设置yum安装源。]]></description><category></category></item><item><title><![CDATA[联盟链1.1]]></title><link>https://blog.youkuaiyun.com/DominaterWE/article/details/141749355</link><guid>https://blog.youkuaiyun.com/DominaterWE/article/details/141749355</guid><author>DominaterWE</author><pubDate>Sat, 31 Aug 2024 11:04:44 +0800</pubDate><description><![CDATA[一般来说，区块链是一个由分布式网络中的节点维护的不可篡改的账本。这些节点通过执行被共识协议验证过的交易来各自维护一个账本的副本，账本以区块的形式存在，每个区块通过哈希和之前的区块相连。第一个被广为人知的区块链应用是加密货币比特币，而其他应用都是从它衍生出来的。以太坊是另一种加密货币，它采用了不同方法，整合了许多类似比特币的特征，但是新增了智能合约为分布式应用创建了一个平台。比特币和以太坊属于同一类区块链，我们将其归类为“公共非许可（Public Permissionless）”区块链技术。]]></description><category></category></item><item><title><![CDATA[机器学习周记（第四十六周：AirFormer）2024.7.1~2024.7.7]]></title><link>https://blog.youkuaiyun.com/DominaterWE/article/details/140246274</link><guid>https://blog.youkuaiyun.com/DominaterWE/article/details/140246274</guid><author>DominaterWE</author><pubDate>Sun, 07 Jul 2024 14:47:23 +0800</pubDate><description><![CDATA[本文主要讨论基于Transformer的空气质量预测。首先本文简要介绍了多头注意力机制（MSA）、 具有潜变量的变分模型。其次本文展示了题为AirFormer: Predicting Nationwide Air Quality in China with Transformers的论文主要内容。该文提出了一种名为 AirFormer 的新型 Transformer 架构，用于集体预测中国全国范围内的空气质量，并以前所未有的精细空间粒度覆盖数千个地点。]]></description><category></category></item><item><title><![CDATA[机器学习周记（第四十五周：Graphformer）2024.6.24~2024.6.30]]></title><link>https://blog.youkuaiyun.com/DominaterWE/article/details/140064668</link><guid>https://blog.youkuaiyun.com/DominaterWE/article/details/140064668</guid><author>DominaterWE</author><pubDate>Sun, 30 Jun 2024 15:24:46 +0800</pubDate><description><![CDATA[本周阅读了一篇利用图神经网络结合Transformer的长时间序列预测论文，提出了一种新的模型Graphformer。Graphformer通过改进稀疏自注意力机制，结合图卷积网络（GCN）考虑不同尺度下变量之间的空间相关性，实现了Transformer架构与GCN的紧密集成。此外，论文还开发了自注意力降采样模块、多尺度特征融合操作以及时间惯性融合操作。实验分析表明，Graphformer在预测精度上显著优于之前的最新方法。]]></description><category></category></item><item><title><![CDATA[机器学习周记（第四十四周：Robformer）2024.6.17~2024.6.23]]></title><link>https://blog.youkuaiyun.com/DominaterWE/article/details/139884014</link><guid>https://blog.youkuaiyun.com/DominaterWE/article/details/139884014</guid><author>DominaterWE</author><pubDate>Sun, 23 Jun 2024 11:59:05 +0800</pubDate><description><![CDATA[本周阅读了一篇利用改进 Transformer 进行长时间序列预测的论文。论文模型为 Robformer ，其主要强调了在长时间序列预测问题上模型的鲁棒性。Robformer 主要包括几个关键模块：Encoder、Decoder、鲁棒序列分解模块、季节性成分调整模块。Encoder 主要侧重于从历史信息中提取周期性依赖关系，以供解码器使用。Decoder 包含两部分：堆叠的自相关机制以获得季节性部分，以及堆叠的稳健趋势预测块用于趋势部分。]]></description><category></category></item><item><title><![CDATA[机器学习周记（第四十三周：MCformer）2024.6.10~2024.6.16]]></title><link>https://blog.youkuaiyun.com/DominaterWE/article/details/139683381</link><guid>https://blog.youkuaiyun.com/DominaterWE/article/details/139683381</guid><author>DominaterWE</author><pubDate>Sat, 15 Jun 2024 21:30:53 +0800</pubDate><description><![CDATA[本周阅读了一篇关于多变量时间序列的论文。论文模型 MCformer 结合了 CI 策略的数据扩展优势，同时减轻了通道间相关性遗忘的问题。MCformer 使用了一种称为混合通道模块的方法，以增强多变量时间序列数据集的表示能力，同时使用原生的 Transformer 编码器来建模序列的长期和跨变量特征。实验结果表明，在多变量时间序列预测任务中，混合通道策略优于纯 CI 策略。]]></description><category></category></item><item><title><![CDATA[机器学习周记（第四十二周：AT-LSTM）2024.6.3~2024.6.9]]></title><link>https://blog.youkuaiyun.com/DominaterWE/article/details/139558413</link><guid>https://blog.youkuaiyun.com/DominaterWE/article/details/139558413</guid><author>DominaterWE</author><pubDate>Sun, 09 Jun 2024 10:13:01 +0800</pubDate><description><![CDATA[本周阅读了题为Water Quality Prediction Based on LSTM and Attention Mechanism: A Case Study of the Burnett River, Australia的论文。这项工作提出了一种基于长期短期记忆的神经网络和 注意力机制的混合模型——AT-LSTM。其中，LSTM缺乏对子窗口特征进行不同程度关注的能力，这可能会导致一些相关信息被忽略，无法重视时间序列的重要特征。]]></description><category></category></item><item><title><![CDATA[机器学习周记（第四十一周：Crossformer）2024.5.27~2024.6.2]]></title><link>https://blog.youkuaiyun.com/DominaterWE/article/details/139387057</link><guid>https://blog.youkuaiyun.com/DominaterWE/article/details/139387057</guid><author>DominaterWE</author><pubDate>Sun, 02 Jun 2024 10:06:38 +0800</pubDate><description><![CDATA[本文主要讨论Crossformer。首先本文简要介绍了self-attention的框架。其次本文展示了题为CrossFormer: A Versatile Vision Transformer Hinging on Cross-scale Attention的论文主要内容。该文提出了跨尺度嵌入层（CEL）和长短距离注意力（LSDA）。通过以上两种设计，该文实现了跨尺度的注意力。大量实验表明，CrossFormer 在图像分类、对象检测、实例分割和语义分割任务方面优于其他视觉Transformer。]]></description><category></category></item><item><title><![CDATA[机器学习周记（第四十周：ConvLSTM）2024.5.20~2024.5.26]]></title><link>https://blog.youkuaiyun.com/DominaterWE/article/details/139212154</link><guid>https://blog.youkuaiyun.com/DominaterWE/article/details/139212154</guid><author>DominaterWE</author><pubDate>Sun, 26 May 2024 11:00:00 +0800</pubDate><description><![CDATA[本文主要讨论SA ConvLSTM的模型。本文简要介绍了LSTM的结构以及运行逻辑，并展示了ConvLSTM。其次本文展示了题为Self-Attention ConvLSTM for Spatiotemporal Prediction的论文主要内容。这篇论文提出了Self-attention ConvLSTM模型，该模型将自注意力机制引入到 ConvLSTM 中。具体来说，提出了一种新颖的自注意力记忆（SAM）来记忆在空间和时间域方面具有远程依赖性的特征。该文在多个数据集上进行实验，从数据角度证明了该网络的]]></description><category></category></item><item><title><![CDATA[机器学习周记（第三十九周：语义分割）2024.5.13~2024.5.19]]></title><link>https://blog.youkuaiyun.com/DominaterWE/article/details/139040346</link><guid>https://blog.youkuaiyun.com/DominaterWE/article/details/139040346</guid><author>DominaterWE</author><pubDate>Sun, 19 May 2024 12:14:48 +0800</pubDate><description><![CDATA[本周继续了语义分割的学习，主要学习了DeepLabV3+训练部分的内容以及相关代码的实现。DeepLabV3+训练所使用的数据集主要采用VOC格式，包含样本和标签。样本一般为RGB图像，而标签为灰度图，其中每一个像素点的内容是一个数字，比如0、1、2、3、4、5……，代表这个像素点所属的类别。DeepLabV3+训练所使用的损失主要为Cross Entropy Loss或者Dice Loss，其中Dice系数为评价指标，所以计算损失需要使用Dice Loss=1-Dice。最后通过替换训练文件。]]></description><category></category></item><item><title><![CDATA[机器学习周记（第三十八周：语义分割）2024.5.6~2024.5.12]]></title><link>https://blog.youkuaiyun.com/DominaterWE/article/details/138746877</link><guid>https://blog.youkuaiyun.com/DominaterWE/article/details/138746877</guid><author>DominaterWE</author><pubDate>Sun, 12 May 2024 10:23:08 +0800</pubDate><description><![CDATA[本周继续了语义分割的学习，主要学习了DeepLabV3+的部分实现思路，即DeepLabV3+的整个模型的预测过程，并通过代码进行了实现。待预测图片首先通过主干网络（MobilenetV2）进行特征提取，得到两个有效特征层，一个有效特征层是输入图片高和宽压缩两次的结果，一个有效特征层是输入图片高和宽压缩四次的结果。然后再通过加强特征提取，最后输出预测结果。DeeplabV3+在论文中采用的是Xception系列作为主干特征提取网络，除了Xception主干网络外，还可以使用ResNet和等。这里主要使用。]]></description><category></category></item><item><title><![CDATA[机器学习周记（第三十七周：语义分割）2024.4.29~2024.5.5]]></title><link>https://blog.youkuaiyun.com/DominaterWE/article/details/138251778</link><guid>https://blog.youkuaiyun.com/DominaterWE/article/details/138251778</guid><author>DominaterWE</author><pubDate>Sun, 05 May 2024 12:11:48 +0800</pubDate><description><![CDATA[DeepLabV3+ 是由Google Brain团队开发的深度学习模型，专注于语义分割任务。它采用深度卷积神经网络和空间金字塔池化等先进技术，能够准确地捕获图像的语义信息。通过空洞卷积和多尺度预测等策略，DeepLabV3+能够在不同尺度下有效地分割图像，同时通过解码器模块和融合级联特征进一步提高分割精度。这使得DeepLabV3+成为处理复杂场景和提取细节信息的强大工具，在图像分割、医学图像分析等领域具有广泛的应用前景。]]></description><category></category></item><item><title><![CDATA[机器学习周记（第三十六周：语义分割）2024.4.22~2024.4.28]]></title><link>https://blog.youkuaiyun.com/DominaterWE/article/details/138065242</link><guid>https://blog.youkuaiyun.com/DominaterWE/article/details/138065242</guid><author>DominaterWE</author><pubDate>Sun, 28 Apr 2024 12:00:00 +0800</pubDate><description><![CDATA[本周继续学习了语义分割的内容，主要包括 FCN（全卷积网络）、双线性插值和膨胀卷积等方面。FCN 通过上采样的倍率可以划分为 FCN-32S、FCN-16S、FCN-8S，它们从不同程度上利用了下采样的信息。双线性插值是一种常用的图像处理技术，经常用于上采样操作，将特征图从低分辨率插值到高分辨率。膨胀卷积通过在卷积核的内部引入一个可调参数，膨胀率（Dilation Rate），来扩展卷积核的感受野，以此捕获更广泛的上下文信息，而无需增加参数或降低分辨率，但膨胀卷积也会导致“gridding effect”。]]></description><category></category></item><item><title><![CDATA[机器学习周记（第三十五周：语义分割）2024.4.15~2024.4.21]]></title><link>https://blog.youkuaiyun.com/DominaterWE/article/details/137782081</link><guid>https://blog.youkuaiyun.com/DominaterWE/article/details/137782081</guid><author>DominaterWE</author><pubDate>Sun, 21 Apr 2024 11:04:16 +0800</pubDate><description><![CDATA[本周主要学习了语义分割的基本概念及其在计算机视觉领域中的应用。了解了语义分割的几种经典网络，如全卷积网络（FCN）、DeepLabV3和LR-ASPP等。深入理解了这些网络的结构和工作原理，特别是FCN网络，它通过替换传统CNN的全连接层为卷积层，实现对图像的像素级分类。此外，还知道了语义分割的常用数据集格式、评价指标以及标注工具，如Labelme和EISeg，并详细讨论了转置卷积的机制和其在神经网络中上采样的应用。最后，学习了FCN网络的结构和原理，理解了其在处理任意尺寸输入图像和保留空间信息方面的优势。]]></description><category></category></item><item><title><![CDATA[机器学习周记（第三十四周：文献阅读[GNet-LS]）2024.4.8~2024.4.14]]></title><link>https://blog.youkuaiyun.com/DominaterWE/article/details/137515051</link><guid>https://blog.youkuaiyun.com/DominaterWE/article/details/137515051</guid><author>DominaterWE</author><pubDate>Sun, 14 Apr 2024 12:00:00 +0800</pubDate><description><![CDATA[本周阅读了一篇时间序列预测论文。论文模型为GNet-LS，主要包含四个模块：粒度划分模块（GD），变量间外部关系挖掘模块（ER），目标变量内部关系挖掘模块（IC），特征融合模块（DF）。首先，通过粒度划分模块将原始多元时间序列序列划分为多粒度序列，接着由变量间外部关系挖掘模块捕获外部关系，目标变量内部关系挖掘模块挖掘内部相关性，最后通过数据融合模块获得最终的预测结果。GNet-LS主要由CNN、LSTM、Attention、自回归组成。]]></description><category></category></item><item><title><![CDATA[机器学习周记（第三十三周：文献阅读[GWO-GART]）2024.4.1~2024.4.7]]></title><link>https://blog.youkuaiyun.com/DominaterWE/article/details/137223404</link><guid>https://blog.youkuaiyun.com/DominaterWE/article/details/137223404</guid><author>DominaterWE</author><pubDate>Sun, 07 Apr 2024 12:00:00 +0800</pubDate><description><![CDATA[本周阅读了一篇使用GAT结合GRU预测PM2.5浓度的文章。论文模型为图注意力循环网络（GART），首次提出了一种新型的多层GAT架构，可以循环地提取城市的空间特征，并获取城市之间更多的隐含关联。其次，利用灰狼优化（GWO）来选择模型的最佳超参数集。这种自动化方法有助于优化GART的网络结构。]]></description><category></category></item><item><title><![CDATA[机器学习周记（第三十二周：文献阅读-时空双通路框架）2024.3.25~2024.3.31]]></title><link>https://blog.youkuaiyun.com/DominaterWE/article/details/137006254</link><guid>https://blog.youkuaiyun.com/DominaterWE/article/details/137006254</guid><author>DominaterWE</author><pubDate>Sun, 31 Mar 2024 15:29:16 +0800</pubDate><description><![CDATA[本周阅读了一篇运用GNN进行时间序列预测的论文。论文主要提出了一种分离空间和时间编码器的双通路框架，用于通过有效的时空表示学习准确预测水温，特别是极端的高水温。框架主要使用Transformer的自注意机制构造空间和时间编码器执行任务，同时采用了各种补丁嵌入方法和空间特征位置嵌入方法的组合。此外，本周还运用GAT模型进行了一个时间序列预测的实验。]]></description><category></category></item><item><title><![CDATA[机器学习周记（第三十一周：文献阅读-GGNN）2024.3.18~2024.3.24]]></title><link>https://blog.youkuaiyun.com/DominaterWE/article/details/136813562</link><guid>https://blog.youkuaiyun.com/DominaterWE/article/details/136813562</guid><author>DominaterWE</author><pubDate>Sun, 24 Mar 2024 15:00:00 +0800</pubDate><description><![CDATA[本周阅读了一篇利用图神经网络（GNN）与门控循环单元（GRU）进行配水网络（WDN）水质预测的论文。论文模型（GGNN）实现了扩展图邻接矩阵在有向图中加入双向信息流，从而增强了模型的双向学习能力。同时模型还利用掩码操作模拟了站点故障导致数据缺失的情况，根据正常站点数据也能对故障站点进行预测，并且还能解决模型过拟合或者欠拟合的问题。]]></description><category></category></item></channel></rss>