<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[新人制作，若有问题，请私聊我，或评论区]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Dyy0906</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Dyy0906]]></copyright><item><title><![CDATA[训练yolo11检测模型经验流程]]></title><link>https://blog.youkuaiyun.com/Dyy0906/article/details/157294448</link><guid>https://blog.youkuaiyun.com/Dyy0906/article/details/157294448</guid><author>Dyy0906</author><pubDate>Fri, 23 Jan 2026 16:20:08 +0800</pubDate><description><![CDATA[本文总结了YOLOv11模型训练的经验流程。数据集准备阶段强调数据格式转换、标注质量检查和问题数据剔除。模型训练环节重点介绍了学习率调整、数据增强策略和负样本训练方法，通过流程图展示了参数优化和验证流程。针对不同数据量提出相应处理策略：小数据量人工筛查，大数据量抽样检查。最后建议编写通用批量处理代码以提高效率。整个流程注重数据质量把控和参数调优，通过迭代训练提升模型性能。]]></description><category></category></item><item><title><![CDATA[Dramatiq安装及应用（一）]]></title><link>https://blog.youkuaiyun.com/Dyy0906/article/details/156238898</link><guid>https://blog.youkuaiyun.com/Dyy0906/article/details/156238898</guid><author>Dyy0906</author><pubDate>Wed, 24 Dec 2025 17:53:25 +0800</pubDate><description><![CDATA[Dramatiq是一个轻量级高性能的Python异步任务队列库，用于处理需要异步执行的任务，如发送邮件、调用API等。它依赖Redis/RabbitMQ作为消息中间件，支持任务重试、延迟执行、优先级和结果存储等核心功能。使用流程包括定义中间件、装饰任务函数、提交任务和工作进程执行任务。关键特性包括：自动重试机制解决临时失败问题；延迟执行支持定时任务；通过指定队列实现任务优先级管理。Dramatiq采用进程级并发，性能优于基于线程的方案，是Python中处理异步任务的理想选择。]]></description><category></category></item><item><title><![CDATA[Redis核心命令以及技术方案参考文档（分布式锁，缓存业务逻辑）]]></title><link>https://blog.youkuaiyun.com/Dyy0906/article/details/156238508</link><guid>https://blog.youkuaiyun.com/Dyy0906/article/details/156238508</guid><author>Dyy0906</author><pubDate>Wed, 24 Dec 2025 17:35:34 +0800</pubDate><description><![CDATA[本文档总结了Redis核心命令与技术方案参考，主要采用python语言，主要分为基础命令操作和分布式锁/缓存业务逻辑。基础命令部分详细列出了Redis通用命令、基本命令和五种数据结构（String、List等）的操作指令，包括数据库切换、键值操作、过期设置等常用功能。特别对String和List类型提供了丰富示例，如字符串拼接、数值增减、列表插入等。文档可作为Redis开发参考手册，帮助开发者快速掌握Redis核心操作和分布式场景应用。]]></description><category></category></item><item><title><![CDATA[多模态模型演变]]></title><link>https://blog.youkuaiyun.com/Dyy0906/article/details/155693030</link><guid>https://blog.youkuaiyun.com/Dyy0906/article/details/155693030</guid><author>Dyy0906</author><pubDate>Mon, 08 Dec 2025 16:15:45 +0800</pubDate><description><![CDATA[本文梳理了多模态基础模型的发展历程，重点介绍了自监督学习的三大范式。2020-2023年间，ViT、CLIP、MAE等突破性模型相继提出，推动了视觉和多模态领域的进步。文章详细分析了基于前置任务（如旋转预测、上色）、对比学习（SimCLR、MoCo系列）和掩码重建（BEiT、MAE）三类自监督方法，并深入解读了ViT、DINO、SAM等代表性模型的核心思想和关键技术。这些创新为计算机视觉领域提供了强大的预训练范式，特别是SAM模型通过&quot;数据引擎&quot;和轻量级解码器设计，展现了通用分割模型的潜]]></description><category></category></item><item><title><![CDATA[如何使用词嵌入模型]]></title><link>https://blog.youkuaiyun.com/Dyy0906/article/details/151762643</link><guid>https://blog.youkuaiyun.com/Dyy0906/article/details/151762643</guid><author>Dyy0906</author><pubDate>Tue, 16 Sep 2025 19:17:12 +0800</pubDate><description><![CDATA[本文介绍了词嵌入模型的使用方法，包括其作用（将文本转换为向量）及应用场景（语言模型训练和文本检索）。文章提供了安装依赖的指令，并演示了如何加载模型、编码文本、计算相似度得分以及进行分词处理。此外，还展示了如何获取词库大小、解码文本、转换token列表等操作。通过FlagEmbedding和SentenceTransformers库，用户可以方便地实现文本向量化处理，适用于自然语言处理任务。]]></description><category></category></item><item><title><![CDATA[NLLLoss为什么一个是一个softmax的值，但是target却是索引值，这是怎么计算的？]]></title><link>https://blog.youkuaiyun.com/Dyy0906/article/details/151762175</link><guid>https://blog.youkuaiyun.com/Dyy0906/article/details/151762175</guid><author>Dyy0906</author><pubDate>Tue, 16 Sep 2025 18:43:41 +0800</pubDate><description><![CDATA[NLLLoss计算过程摘要：模型输出logits经过softmax得到概率分布，target索引指定正确类别位置。NLLLoss只取正确类别对应的概率值计算负对数损失（如target=0则取p[0]）。对于batch数据，先逐样本计算−log(p[target])再求平均。其核心思想是通过索引定位概率向量中的正确项，忽略其他无关概率值，最终反映模型预测与真实标签的差异程度（约150字）]]></description><category></category></item><item><title><![CDATA[word2vec]]></title><link>https://blog.youkuaiyun.com/Dyy0906/article/details/151762116</link><guid>https://blog.youkuaiyun.com/Dyy0906/article/details/151762116</guid><author>Dyy0906</author><pubDate>Tue, 16 Sep 2025 18:40:21 +0800</pubDate><description><![CDATA[Word2Vec是一种将词语转换为向量的浅层神经网络方法。它通过构建一个词表大小V×词向量维度D的嵌入矩阵（如800×1000），将输入词索引（如长度为5）转换为对应的词向量。模型采用CBOW架构：输入词向量求平均后经过全连接层和LogSoftmax输出，通过NLLLoss计算目标词损失并反向传播更新参数。具体实现包括嵌入层、线性变换和激活函数，训练完成后可直接使用嵌入层获取词向量表示。该方法能有效捕捉词语间的语义关系。]]></description><category></category></item><item><title><![CDATA[LangGraph教程（四）：智能客服项目示例（流程+完整代码）]]></title><link>https://blog.youkuaiyun.com/Dyy0906/article/details/151576120</link><guid>https://blog.youkuaiyun.com/Dyy0906/article/details/151576120</guid><author>Dyy0906</author><pubDate>Thu, 11 Sep 2025 13:09:43 +0800</pubDate><description><![CDATA[本文介绍了一个基于LangGraph的智能客服工作流实现。该工作流通过意图识别将用户问题分类到不同处理分支，包括常规问答、专业领域RAG检索、人工转接和拒绝回答等流程。文章详细展示了项目结构，包含状态定义、工具函数、节点操作和图构建模块，并提供了测试运行结果。整个系统采用模块化设计，将业务逻辑拆解为独立节点，通过条件边连接形成可扩展的工作流，便于后续添加新功能或替换具体实现（如真实RAG检索）。这种设计使复杂的对话路由逻辑变得清晰直观，显著提升了系统的可维护性和扩展性。]]></description><category></category></item><item><title><![CDATA[循环神经网络（五）：LSTM(长短期记忆网络)]]></title><link>https://blog.youkuaiyun.com/Dyy0906/article/details/151407309</link><guid>https://blog.youkuaiyun.com/Dyy0906/article/details/151407309</guid><author>Dyy0906</author><pubDate>Thu, 11 Sep 2025 06:00:00 +0800</pubDate><description><![CDATA[LSTM（长短期记忆网络）是RNN的改进版本，通过门控机制解决长期依赖问题。其核心结构包括细胞状态（长期记忆）和隐藏状态（短期记忆），通过三个门（遗忘门、输入门、输出门）控制信息流动。遗忘门决定丢弃哪些历史信息，输入门筛选新信息，输出门生成当前输出。LSTM变体包括窥视孔连接、耦合门结构和简化的GRU。代码实现展示了LSTM单元的前向计算过程，包含线性变换和门控操作。相比标准RNN，LSTM能更有效地处理长序列数据，在复杂时序任务中表现优异。]]></description><category></category></item><item><title><![CDATA[循环神经网络（四）：GRU]]></title><link>https://blog.youkuaiyun.com/Dyy0906/article/details/151399719</link><guid>https://blog.youkuaiyun.com/Dyy0906/article/details/151399719</guid><author>Dyy0906</author><pubDate>Wed, 10 Sep 2025 14:11:29 +0800</pubDate><description><![CDATA[GRU（门控循环单元）是一种改进的循环神经网络，通过更新门和重置门机制有效解决了传统RNN的梯度问题。图中详细展示了GRU的计算流程：1）更新门计算zt；2）重置门计算rt（使用不同权重）；3）候选隐藏状态ht`的计算；4）最终隐藏状态ht的加权更新。这种门控机制实现了选择性记忆和梯度管理，在保持结构简洁的同时提升了长序列处理能力。文章还提供了基于PyTorch的GRU实现代码，包括GRUCell和GRU模块的具体实现方法，展示了前向传播过程中各状态的计算步骤。]]></description><category></category></item><item><title><![CDATA[循环神经网络（三）：小练习]]></title><link>https://blog.youkuaiyun.com/Dyy0906/article/details/151395809</link><guid>https://blog.youkuaiyun.com/Dyy0906/article/details/151395809</guid><author>Dyy0906</author><pubDate>Wed, 10 Sep 2025 10:11:41 +0800</pubDate><description><![CDATA[这篇技术文章介绍了如何使用PyTorch的RNN模块实现一个简单的序列预测任务。主要内容包括：1) 准备数据集，将&quot;吃 了 没 ？&quot;四个字进行one-hot编码；2) 构建RNN模型，包含64维隐层和全连接层；3) 训练过程，使用交叉熵损失函数和SGD优化器；4) 验证模型预测结果。文章提供了完整的代码实现，演示了如何将输入序列&quot;吃 了 没&quot;映射到输出序列&quot;了 没 ？&quot;。]]></description><category></category></item><item><title><![CDATA[循环神经网络（二）：多种结构的RNN]]></title><link>https://blog.youkuaiyun.com/Dyy0906/article/details/151369756</link><guid>https://blog.youkuaiyun.com/Dyy0906/article/details/151369756</guid><author>Dyy0906</author><pubDate>Wed, 10 Sep 2025 01:00:00 +0800</pubDate><description><![CDATA[本文介绍了四种循环神经网络(RNN)结构及其PyTorch实现：1）一对一RNN，单个输入对应单个输出；2）一对多RNN，通过设置最大循环次数和结束标记控制输出序列长度；3）多对一RNN，处理序列输入后输出单个结果；4）多对多RNN，先编码输入序列再解码输出序列。每种结构都包含类定义、前向传播逻辑和示例代码，展示了RNN在序列数据处理中的灵活应用，适用于不同输入输出维度的场景。]]></description><category></category></item><item><title><![CDATA[循环神经网络（一）：基础RNN结构、双向RNN]]></title><link>https://blog.youkuaiyun.com/Dyy0906/article/details/151364165</link><guid>https://blog.youkuaiyun.com/Dyy0906/article/details/151364165</guid><author>Dyy0906</author><pubDate>Tue, 09 Sep 2025 16:23:52 +0800</pubDate><description><![CDATA[本文介绍了循环神经网络(RNN)的基本概念和实现方法。RNN是一种专门处理序列数据的神经网络，具有循环连接、参数共享和序列处理三大特点。文章通过Python代码展示了标准RNN和双向RNN的实现过程：标准RNN通过隐藏状态传递时间信息，双向RNN则结合正向和反向两层RNN来增强序列特征提取能力。代码示例使用PyTorch框架，构建了RNN单元类和前向传播过程，并演示了如何处理变长输入序列。这两种结构为自然语言处理等时序任务提供了基础解决方案。]]></description><category></category></item><item><title><![CDATA[大模型微调以及它与RAG技术的区别]]></title><link>https://blog.youkuaiyun.com/Dyy0906/article/details/151356563</link><guid>https://blog.youkuaiyun.com/Dyy0906/article/details/151356563</guid><author>Dyy0906</author><pubDate>Tue, 09 Sep 2025 11:45:42 +0800</pubDate><description><![CDATA[摘要： 大模型微调通过调整预训练模型参数，使其适配特定领域知识、输出风格与任务需求，提升性能并降低成本，但存在数据更新困难和高成本的问题。RAG技术则通过外部检索实时知识库增强生成结果，具备更新便捷、准确性高和成本低的优势。两者各有侧重：微调擅长技能重塑与风格控制，RAG强于知识实时性与数据安全。实际应用中，二者可互补结合——RAG保障答案时效性，微调优化信息处理与输出格式，以实现更高效的业务适配。]]></description><category></category></item><item><title><![CDATA[LangGraph教程（三）：记忆组件memory]]></title><link>https://blog.youkuaiyun.com/Dyy0906/article/details/151221006</link><guid>https://blog.youkuaiyun.com/Dyy0906/article/details/151221006</guid><author>Dyy0906</author><pubDate>Sat, 06 Sep 2025 07:00:00 +0800</pubDate><description><![CDATA[本文介绍了LangGraph中的记忆管理机制，分为短期记忆和长期记忆两部分。短期记忆采用&quot;状态快照+可插拔存储&quot;设计，通过检查点(checkpoint)自动保存每次对话的完整状态，不同用户/会话通过thread_id隔离。文章提供了两种实现方式：使用operator.add自动合并消息列表，或手动管理历史消息。长期记忆则通过BaseStore接口实现跨会话数据持久化，支持键值存储和检索。文中给出了InMemoryStore的示例代码，展示了如何存储和读取用户偏好数据。最后还演示了一个结合]]></description><category></category></item><item><title><![CDATA[LangGraph教程（二）：工具调用、llm.bind_tools(tools)、ToolNode(tools)原理]]></title><link>https://blog.youkuaiyun.com/Dyy0906/article/details/151198354</link><guid>https://blog.youkuaiyun.com/Dyy0906/article/details/151198354</guid><author>Dyy0906</author><pubDate>Fri, 05 Sep 2025 07:00:00 +0800</pubDate><description><![CDATA[本文介绍了LangGraph工具调用的实现原理，通过一个天气查询和乘法计算的小项目演示了工具调用流程。关键点包括：1)使用@tool装饰器定义工具函数，自动生成函数描述和参数信息；2)llm.bind_tools(tools)绑定工具使模型能识别可用工具；3)ToolNode(tools)节点实现工具执行。文章还深入分析了Python函数信息的获取方式，包括使用inspect模块获取函数签名，以及如何自定义JSON Schema来描述工具参数。这些机制共同实现了大模型对工具的自动发现和调用能力，开发者可以据]]></description><category></category></item><item><title><![CDATA[LangGraph教程（一）：入门从0到1（零基础）]]></title><link>https://blog.youkuaiyun.com/Dyy0906/article/details/151192843</link><guid>https://blog.youkuaiyun.com/Dyy0906/article/details/151192843</guid><author>Dyy0906</author><pubDate>Thu, 04 Sep 2025 19:55:03 +0800</pubDate><description><![CDATA[LangGraph入门指南：从零到一构建自动化流程 本文用厨房流水线比喻，通俗讲解LangGraph核心概念： 核心组件：图（流程图）、节点（步骤）、边（箭头）、状态（共享数据） 最小实例：构建一个复读机器人，展示基本运行流程 进阶功能： 节点串联（文本大写转换） 条件边实现流程控制（识别quit指令） 状态管理（计数器自动累加） 通过多个可运行代码示例（复制即用），演示了如何： 定义状态类型 创建功能节点 构建流程图 实现条件跳转 使用注解实现自动状态累加 每个概念都配有厨房类比，无需前置知识，适合零基础]]></description><category></category></item><item><title><![CDATA[PyTorch 学习率调度器（LR Scheduler）]]></title><link>https://blog.youkuaiyun.com/Dyy0906/article/details/151184689</link><guid>https://blog.youkuaiyun.com/Dyy0906/article/details/151184689</guid><author>Dyy0906</author><pubDate>Thu, 04 Sep 2025 14:10:57 +0800</pubDate><description><![CDATA[PyTorch学习率调度器（LR Scheduler）是自动调整优化器学习率的工具。核心使用流程：先调用optimizer.step()更新参数，再调用scheduler.step()调整学习率（ReduceLROnPlateau需传入监控指标）。常用调度器包括：LambdaLR（自定义函数）、StepLR（固定间隔下降）、MultiStepLR（指定里程碑下降）、CosineAnnealingLR（余弦退火）和ReduceLROnPlateau（基于指标自适应调整）。关键注意点：执行顺序不能颠倒，不同类型]]></description><category></category></item><item><title><![CDATA[MCP（一）：创建你的第一个MCP服务(0-＞1)]]></title><link>https://blog.youkuaiyun.com/Dyy0906/article/details/151152384</link><guid>https://blog.youkuaiyun.com/Dyy0906/article/details/151152384</guid><author>Dyy0906</author><pubDate>Thu, 04 Sep 2025 07:00:00 +0800</pubDate><description><![CDATA[本文介绍了如何从零开始创建第一个MCP服务项目。教程分为环境配置和MCP客户端实现两部分：环境配置包括初始化项目、创建虚拟环境、安装依赖及设置OpenAI API密钥；MCP客户端部分详细讲解了通过Python代码实现与MCP服务器的连接、工具调用和基于大模型的查询处理流程。核心功能是通过OpenAI的function calling机制，动态调用服务器端工具并整合结果，实现智能问答交互。项目示例展示了如何将MCP框架与OpenAI API结合，构建一个支持工具扩展的智能对话系统。]]></description><category></category></item><item><title><![CDATA[python环境依赖配置从pip到uv（从以前到现在）: uv的使用教程]]></title><link>https://blog.youkuaiyun.com/Dyy0906/article/details/151119584</link><guid>https://blog.youkuaiyun.com/Dyy0906/article/details/151119584</guid><author>Dyy0906</author><pubDate>Wed, 03 Sep 2025 07:15:00 +0800</pubDate><description><![CDATA[本文介绍了Python环境依赖管理从pip到uv的演进过程。最初使用pip全局安装依赖会导致版本冲突，于是引入虚拟环境（python -m venv）隔离项目依赖。进一步使用requirements.txt或pyproject.toml管理依赖关系，但仍存在间接依赖问题。新工具uv集成了venv和pip的功能，通过uv init创建项目、uv venv建立虚拟环境、uv add安装依赖并自动更新配置文件。uv run可直接执行代码，uv sync能快速同步项目环境。uv简化了Python项目依赖管理流程，提]]></description><category></category></item></channel></rss>