<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[EncodingLee的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/EncodingLee</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; EncodingLee]]></copyright><item><title><![CDATA[Harness入门教程]]></title><link>https://blog.youkuaiyun.com/EncodingLee/article/details/166257655</link><guid>https://blog.youkuaiyun.com/EncodingLee/article/details/166257655</guid><author>EncodingLee</author><pubDate>Tue, 22 Sep 2026 00:59:55 +0800</pubDate><description><![CDATA[本文以“配置大脑”为喻，形象讲解如何通过OpenAI SDK与DeepSeek等大模型通信。核心在于正确设置api_key和base_url，借助SDK封装好的请求流程，简化调用复杂度。只需一行代码初始化客户端，即可高效发送请求、获取响应，实现与AI的标准化对话交互。]]></description><category></category></item><item><title><![CDATA[Mathtype公式自动转Word自带公式]]></title><link>https://blog.youkuaiyun.com/EncodingLee/article/details/163705904</link><guid>https://blog.youkuaiyun.com/EncodingLee/article/details/163705904</guid><author>EncodingLee</author><pubDate>Wed, 12 Aug 2026 21:27:09 +0800</pubDate><description><![CDATA[本文介绍了将MathType公式转换为Word自带公式的方法：首先在MathType中设置复制选项为MathML格式，然后复制公式粘贴到Word时选择"创建MathType公式"即可自动转换。操作完成后，如需修改设置，可通过Word的MathType功能区进行调整。该方法能实现公式的快速转换，提升文档编辑效率。]]></description><category></category></item><item><title><![CDATA[非等间隔采样时间序列预测的图模型]]></title><link>https://blog.youkuaiyun.com/EncodingLee/article/details/163482391</link><guid>https://blog.youkuaiyun.com/EncodingLee/article/details/163482391</guid><author>EncodingLee</author><pubDate>Tue, 04 Aug 2026 22:43:11 +0800</pubDate><description><![CDATA[本文介绍了传统时间序列预测模型在处理非等间隔采样数据时面临的问题，包括间隔不规则、变量异步观测和大量缺失值等。针对这些问题，重点分析了AAAI-24会议论文《GraFITi: Graphs for Forecasting Irregularly Sampled Time Series》提出的创新方法。该方法将非等间隔时间序列转换为二部图结构，利用图神经网络进行信息传播和聚合，通过预测目标边权重实现未来值预测。论文将变量和时间点分别表示为两类节点，观测值作为边特征，缺失位置不建边，未来预测值则通过新增时间节点]]></description><category></category></item><item><title><![CDATA[从零开始自制深度学习框架]]></title><link>https://blog.youkuaiyun.com/EncodingLee/article/details/162611008</link><guid>https://blog.youkuaiyun.com/EncodingLee/article/details/162611008</guid><author>EncodingLee</author><pubDate>Tue, 14 Jul 2026 20:51:40 +0800</pubDate><description><![CDATA[为深入理解主流深度学习框架底层运行逻辑，本文基于 NumPy 从零自主实现轻量化张量深度学习框架 PyTensor。项目以多维张量为核心数据载体，搭建完整计算图与自动微分机制，完成正弦、幂运算等基础数学算子，线性层、激活函数等神经网络模块，以及 SGD 优化器；全部底层逻辑手写实现，无第三方深度学习框架封装依赖，可直观复现前向传播、反向传播梯度推导全过程。该框架结构简洁易读，适合深度学习初学者研究自动微分、计算图构建与神经网络训练核心原理，也可用于小规模自定义神经网络验证实验。]]></description><category></category></item><item><title><![CDATA[神经网络理论入门]]></title><link>https://blog.youkuaiyun.com/EncodingLee/article/details/155863653</link><guid>https://blog.youkuaiyun.com/EncodingLee/article/details/155863653</guid><author>EncodingLee</author><pubDate>Fri, 12 Dec 2025 22:52:54 +0800</pubDate><description><![CDATA[1943年，生物学家沃伦.麦克洛克和数学家沃尔特.皮茨提出了模仿生物神经元结构的数学模型，称为 M-P 模型。生物神经元是一种神经细胞，主由多个树突，一个轴突（末端有多个神经末梢），一个胞体组成，如图1-1所示。

        在一个典型的生物神经元中，树突接收并输入信息，细胞核处理信息，轴突过滤信息，轴突末梢输出信息，并由下一个生物神经元接受。M-P模型是对生物神经元工作流程的简化和模拟，其结构如图1-2所示。

        神经元可以接收多个输入信号， xix_ixi​ 表示从第 iii个神经元]]></description><category></category></item><item><title><![CDATA[Lasso回归]]></title><link>https://blog.youkuaiyun.com/EncodingLee/article/details/145718445</link><guid>https://blog.youkuaiyun.com/EncodingLee/article/details/145718445</guid><author>EncodingLee</author><pubDate>Sat, 10 May 2025 17:37:53 +0800</pubDate><description><![CDATA[lasso回归]]></description><category></category></item><item><title><![CDATA[人工智能算法加密、部署]]></title><link>https://blog.youkuaiyun.com/EncodingLee/article/details/147761194</link><guid>https://blog.youkuaiyun.com/EncodingLee/article/details/147761194</guid><author>EncodingLee</author><pubDate>Wed, 07 May 2025 14:27:53 +0800</pubDate><description><![CDATA[算法加密、docker镜像创建、部署]]></description><category></category></item><item><title><![CDATA[FastAPI教程]]></title><link>https://blog.youkuaiyun.com/EncodingLee/article/details/147347661</link><guid>https://blog.youkuaiyun.com/EncodingLee/article/details/147347661</guid><author>EncodingLee</author><pubDate>Sat, 19 Apr 2025 11:10:22 +0800</pubDate><description><![CDATA[换句话，用户可以使用同步编写API，也可以使用异步的方式编写API。异步（Asynchronous）是在强调多个任务可以分开执行，彼此之间相互不影响，若某个任务受阻，其他任务无需等待，但是任务执行的结果依然保持一致。基于asyncio，可以在单线程模式下，处理更多并发任务，它是异步IO框架，而异步IO是基于事件触发机制来实现异步回调。并行对于单核CPU不存在这样的说法，对于多核CPU，任务就可以分配到不同CPU执行，在这种情况下，在多个CPU上主席那个的任务就不会相互干扰，这才是真正的多任务同时进行。]]></description><category></category></item><item><title><![CDATA[时间序列分析教程]]></title><link>https://blog.youkuaiyun.com/EncodingLee/article/details/147002674</link><guid>https://blog.youkuaiyun.com/EncodingLee/article/details/147002674</guid><author>EncodingLee</author><pubDate>Fri, 04 Apr 2025 22:47:35 +0800</pubDate><description><![CDATA[在进行时间序列之前，需要学习什么是时间序列。时间序列是一组按时间排列的数据。通常，这些数据在时间上是等间距的，即数据可以每小时或每分钟记录一次，也可以按周、月或按年取平均值记录。在统计学中，一般将按时间顺序排列的一组随机变量X1X2⋯Xt⋯X1​X2​⋯Xt​⋯称为时间序列，记为Xtt∈TXt​t∈T。用x1x2⋯xt⋯x1​x2​⋯xt​⋯表示该随机序列的一组有序观察值。]]></description><category></category></item><item><title><![CDATA[谱聚类算法]]></title><link>https://blog.youkuaiyun.com/EncodingLee/article/details/145483250</link><guid>https://blog.youkuaiyun.com/EncodingLee/article/details/145483250</guid><author>EncodingLee</author><pubDate>Wed, 12 Feb 2025 13:13:01 +0800</pubDate><description><![CDATA[谱聚类是一种基于图论和线性代数的聚类方法，它利用数据的相似性构造图结构，并通过谱分解（特征值分解）来进行聚类。相较于传统的 K-Means 方法，谱聚类能够更好地处理非凸形状的簇，尤其适用于高维、非线性可分的数据。谱聚类的发展经历了多个关键阶段，从早期的图划分问题到现代机器学习中的应用，主要包括以下几个方面：1）图划分理论的起源谱聚类的思想起源于图割问题，研究如何将图划分为若干个连通性较强的子图。早期方法包括 最小割、均衡割和归一化割等。2）线性代数方法的引入。]]></description><category></category></item><item><title><![CDATA[曲线曲率公式推导]]></title><link>https://blog.youkuaiyun.com/EncodingLee/article/details/145210803</link><guid>https://blog.youkuaiyun.com/EncodingLee/article/details/145210803</guid><author>EncodingLee</author><pubDate>Tue, 21 Jan 2025 10:56:00 +0800</pubDate><description><![CDATA[曲率是由莱布尼茨和惠更斯在17世纪提出。它是数学中用于描述曲线弯曲程度的核心概念，反映了曲线在某一点的“弯曲特性”。]]></description><category></category></item><item><title><![CDATA[感知机学习算法]]></title><link>https://blog.youkuaiyun.com/EncodingLee/article/details/142744862</link><guid>https://blog.youkuaiyun.com/EncodingLee/article/details/142744862</guid><author>EncodingLee</author><pubDate>Mon, 07 Oct 2024 19:24:44 +0800</pubDate><description><![CDATA[人工神经网络入门-感知机学习算法]]></description><category></category></item><item><title><![CDATA[M-P神经网络模型]]></title><link>https://blog.youkuaiyun.com/EncodingLee/article/details/142604854</link><guid>https://blog.youkuaiyun.com/EncodingLee/article/details/142604854</guid><author>EncodingLee</author><pubDate>Sat, 28 Sep 2024 00:08:31 +0800</pubDate><description><![CDATA[神经网络]]></description><category></category></item><item><title><![CDATA[主成分分析法]]></title><link>https://blog.youkuaiyun.com/EncodingLee/article/details/142463964</link><guid>https://blog.youkuaiyun.com/EncodingLee/article/details/142463964</guid><author>EncodingLee</author><pubDate>Mon, 23 Sep 2024 18:15:56 +0800</pubDate><description><![CDATA[主成分分析法]]></description><category></category></item><item><title><![CDATA[硬间隔支持向量机(下)]]></title><link>https://blog.youkuaiyun.com/EncodingLee/article/details/142391867</link><guid>https://blog.youkuaiyun.com/EncodingLee/article/details/142391867</guid><author>EncodingLee</author><pubDate>Sat, 21 Sep 2024 08:36:19 +0800</pubDate><description><![CDATA[支持向量机下]]></description><category></category></item><item><title><![CDATA[硬间隔支持向量机(上)]]></title><link>https://blog.youkuaiyun.com/EncodingLee/article/details/140072419</link><guid>https://blog.youkuaiyun.com/EncodingLee/article/details/140072419</guid><author>EncodingLee</author><pubDate>Tue, 09 Jul 2024 18:34:06 +0800</pubDate><description><![CDATA[支持向量机理论基础]]></description><category></category></item><item><title><![CDATA[气象云图白化方法]]></title><link>https://blog.youkuaiyun.com/EncodingLee/article/details/139187245</link><guid>https://blog.youkuaiyun.com/EncodingLee/article/details/139187245</guid><author>EncodingLee</author><pubDate>Sat, 25 May 2024 01:18:24 +0800</pubDate><description><![CDATA[ESRI Shapefile（简称 Shapefile 或 .shp 文件）是一种常见的空间矢量数据储格式，用于存储地理空间数据。Shapefile 文件通常由多个文件组成，包括 .shp、.shx、.dbf 等格式，它们一起描述了矢量空间数据的几何形状、属性信息和空间索引。文件名称文件描述shp文件存储矢量几何形状信息，如点、线、多边形的坐标和形状数据。shx文件包含 Shapefile 的空间索引，用于加快在 .shp 文件中的记录检索和访问。dbf。]]></description><category></category></item><item><title><![CDATA[随机森林算法]]></title><link>https://blog.youkuaiyun.com/EncodingLee/article/details/136524272</link><guid>https://blog.youkuaiyun.com/EncodingLee/article/details/136524272</guid><author>EncodingLee</author><pubDate>Thu, 07 Mar 2024 11:46:32 +0800</pubDate><description><![CDATA[随机森林(Random Forest)是一种集成学习(Ensemble Learning)方法，它结合了决策树和随机性的特点。随机森林是由多棵决策树组成的集合，每棵树都是独立训练的，并且最终的预测结果是通过投票或取平均值的方式得到的。]]></description><category></category></item><item><title><![CDATA[Pytorch教程]]></title><link>https://blog.youkuaiyun.com/EncodingLee/article/details/136493521</link><guid>https://blog.youkuaiyun.com/EncodingLee/article/details/136493521</guid><author>EncodingLee</author><pubDate>Wed, 06 Mar 2024 00:43:42 +0800</pubDate><description><![CDATA[​ ​ ​ ​ ​ ​ ​ ​ Facebook公司开发的PyTorch框架是端到端深度学习平台最受欢迎的框架，是一个由Python、C++和CUDA语言编写的免费开源软件库，被广泛用于计算机视觉、语音识别和自然语言处理等深度学习领域。PyTorch有两大优势：一是具有强大GPU加速的张量计算；二是包含自动求导系统的深度神经网络。]]></description><category></category></item><item><title><![CDATA[matplotlib教程]]></title><link>https://blog.youkuaiyun.com/EncodingLee/article/details/135990276</link><guid>https://blog.youkuaiyun.com/EncodingLee/article/details/135990276</guid><author>EncodingLee</author><pubDate>Sat, 03 Feb 2024 13:46:56 +0800</pubDate><description><![CDATA[Matplotlib 是一个用于创建图形的 Python 库，它提供了广泛的绘图功能，可用于生成高质量的图形、图表、图像甚至动画。Matplotlib 最初由 John D. Hunter 在2003年开发，旨在为 Python 提供类似于 MATLAB 绘图的功能。目前，Matplotlib 是 Python 生态系统中最流行的绘图库之一。]]></description><category></category></item></channel></rss>