<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[F_Hawk__的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/F_Hawk__</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; F_Hawk__]]></copyright><item><title><![CDATA[【踩坑记录】nvidia-smi 能识别 GPU，但 torch.cuda.is_available() 报错的终极解决方案]]></title><link>https://blog.youkuaiyun.com/F_Hawk__/article/details/148194387</link><guid>https://blog.youkuaiyun.com/F_Hawk__/article/details/148194387</guid><author>F_Hawk__</author><pubDate>Sat, 24 May 2025 18:37:49 +0800</pubDate><description><![CDATA[？]]></description><category></category></item><item><title><![CDATA[GenImage]]></title><link>https://blog.youkuaiyun.com/F_Hawk__/article/details/140050780</link><guid>https://blog.youkuaiyun.com/F_Hawk__/article/details/140050780</guid><author>F_Hawk__</author><pubDate>Fri, 28 Jun 2024 18:15:01 +0800</pubDate><description><![CDATA[由于先进生成模型可以生成逼真的图像，加剧了对虚假信息宣传的担忧。但是，当前没有最先进图像生成器生成的大量图片的数据集，成为了这类检测器发展的一个障碍。]]></description><category></category></item><item><title><![CDATA[卷积神经网络CNN]]></title><link>https://blog.youkuaiyun.com/F_Hawk__/article/details/137653232</link><guid>https://blog.youkuaiyun.com/F_Hawk__/article/details/137653232</guid><author>F_Hawk__</author><pubDate>Sat, 13 Apr 2024 14:14:28 +0800</pubDate><description><![CDATA[在卷积层中，有一个或多个卷积核（也称为滤波器）用于特征提取。每个卷积核都是一个小的权重矩阵，其大小通常是正方形，例如3x3或5x5。卷积核(kernel)：可以理解成NN中的权重，图像像素点想象成神经元，只不过只和 局部信息进行连接。]]></description><category></category></item><item><title><![CDATA[EEG Conformer：Convolutional Transformer for EEG Decoding and Visualization]]></title><link>https://blog.youkuaiyun.com/F_Hawk__/article/details/137603939</link><guid>https://blog.youkuaiyun.com/F_Hawk__/article/details/137603939</guid><author>F_Hawk__</author><pubDate>Wed, 10 Apr 2024 21:43:28 +0800</pubDate><description><![CDATA[在本文中，作者提出了一种新的框架，称为EEG Conformer，可以直接结合CNN和Transformer进行端到端的EEG分类。借鉴CNN和Transformer的思想，Conformer使用卷积来学习局部时间和空间特征，然后采用自我注意力来封装全局时间特征。整体框架如上图所示。整个架构包括三部分组成，一个卷积模块，一个自注意模块和一个全连接分类器。在卷积模块中，以原始二维脑电图作为输入，分别沿时间维度和电极通道维度使用时间和空间卷积层。然后使用平均池化层来降低噪声并提高泛化性。]]></description><category></category></item><item><title><![CDATA[GraphSage]]></title><link>https://blog.youkuaiyun.com/F_Hawk__/article/details/137399969</link><guid>https://blog.youkuaiyun.com/F_Hawk__/article/details/137399969</guid><author>F_Hawk__</author><pubDate>Fri, 05 Apr 2024 18:53:53 +0800</pubDate><description><![CDATA[大型图中节点的低维嵌入在各种预测任务中非常有用。GraphSage是一种通用的归纳框架，它利用节点特征信息（例如，文本属性）有效地为以前看不见的数据生成节点嵌入。相比于对每个节点训练单独的嵌入，GraphSage学习了一个函数，通过对节点局部邻域的特征进行采样和聚合来生成嵌入。如图1所示，不同于对每个节点训练一个对应的嵌入向量，GraphSage训练一组聚合器函数，这些函数学习聚合来自节点邻居的特征信息。]]></description><category></category></item><item><title><![CDATA[LangChain使用本地LLM的简单实现]]></title><link>https://blog.youkuaiyun.com/F_Hawk__/article/details/137184331</link><guid>https://blog.youkuaiyun.com/F_Hawk__/article/details/137184331</guid><author>F_Hawk__</author><pubDate>Sat, 30 Mar 2024 21:58:55 +0800</pubDate><description><![CDATA[所用模型：stable-code-instruct-3b-Q8_0.gguf。]]></description><category></category></item><item><title><![CDATA[Few-short Learning笔记-1]]></title><link>https://blog.youkuaiyun.com/F_Hawk__/article/details/137155654</link><guid>https://blog.youkuaiyun.com/F_Hawk__/article/details/137155654</guid><author>F_Hawk__</author><pubDate>Fri, 29 Mar 2024 21:36:17 +0800</pubDate><description><![CDATA[用很少的样本进行分类或者是回归support set：小的数据集（无法训练出深度神经网络）few short learning的目标是让机器自己学会学习。few shot learning是一种meta learning（learn to learn）举个例子：当一个小朋友第一次去动物园时，他可能只能识别一些常见的动物，比如猫、狗、鸟等。这相当于在机器学习中的零样本学习，小朋友可以看作是具有元学习（meta-learning）能力的模型。]]></description><category></category></item><item><title><![CDATA[GRAPHLLM：提升大语言模式的图推理能力]]></title><link>https://blog.youkuaiyun.com/F_Hawk__/article/details/136994399</link><guid>https://blog.youkuaiyun.com/F_Hawk__/article/details/136994399</guid><author>F_Hawk__</author><pubDate>Sun, 24 Mar 2024 21:58:50 +0800</pubDate><description><![CDATA[1. （输入图）由一个n维特征和一个邻接矩阵组成{V，ε}，Graph2Text的方法将图形描述 A（V， E） → TextDescription。2. （图推理任务微调）给定一个预训练好的LLM M其中包含参数θ，m个指令对的数据集其中，每个是一个图，以及一个特定于任务的目标函数 L。微调过程旨在通过最小化以下损失函数来学习特定于任务的参数 θ*其中M(;θ')表示由参数θ'微调的LLM的输出。]]></description><category></category></item><item><title><![CDATA[基于图的在线社区假新闻检测建模]]></title><link>https://blog.youkuaiyun.com/F_Hawk__/article/details/136951029</link><guid>https://blog.youkuaiyun.com/F_Hawk__/article/details/136951029</guid><author>F_Hawk__</author><pubDate>Sat, 23 Mar 2024 21:41:37 +0800</pubDate><description><![CDATA[1. 作者构建了一个由两种节点和边组成的异构图，并在半监督图学习设置中将它们建模在一起。2. 作者没有进行用户分析，而是计算社区范围的社交上下文特征，这在之前没有相关工作调查过在线社区在假新闻检测中的作用。3. 为了获得社区的作用，作者仅使用了有关用户网络的信息，而不使用用户个人资料中的个人信息。4. 由于没有使用用户个人资料信息，如地址，种族，性别。因此它们不会学习将特定人群与特定的在线行为联系起来。]]></description><category></category></item><item><title><![CDATA[变分图自编码器]]></title><link>https://blog.youkuaiyun.com/F_Hawk__/article/details/136784236</link><guid>https://blog.youkuaiyun.com/F_Hawk__/article/details/136784236</guid><author>F_Hawk__</author><pubDate>Sun, 17 Mar 2024 18:06:43 +0800</pubDate><description><![CDATA[Kipf T N, Welling M. Variational graph auto-encoders[J]. NIPS, 2016.]]></description><category></category></item><item><title><![CDATA[DARKHOLE: 1]]></title><link>https://blog.youkuaiyun.com/F_Hawk__/article/details/134899793</link><guid>https://blog.youkuaiyun.com/F_Hawk__/article/details/134899793</guid><author>F_Hawk__</author><pubDate>Sun, 10 Dec 2023 15:33:12 +0800</pubDate><description><![CDATA[介绍。]]></description><category></category></item><item><title><![CDATA[vulhub bob 1.0.1]]></title><link>https://blog.youkuaiyun.com/F_Hawk__/article/details/134894191</link><guid>https://blog.youkuaiyun.com/F_Hawk__/article/details/134894191</guid><author>F_Hawk__</author><pubDate>Sat, 09 Dec 2023 16:47:33 +0800</pubDate><description><![CDATA[百度网盘链接: https://pan.baidu.com/s/1aBN6SH18AeLa3GAtQvT3yw?pwd=zxtt介绍下载完虚拟机后需先将网络设置为NAT模式。]]></description><category></category></item><item><title><![CDATA[SFS channel selection]]></title><link>https://blog.youkuaiyun.com/F_Hawk__/article/details/134129278</link><guid>https://blog.youkuaiyun.com/F_Hawk__/article/details/134129278</guid><author>F_Hawk__</author><pubDate>Mon, 30 Oct 2023 22:04:11 +0800</pubDate><description><![CDATA[设X属于R^{C×T}是对应于运动图像试验的EEG信号的一小段，其中C表示通道数，T是试验中时态样本的数量（the number of temporal samples in a trial）。按降序排列，前几个空间因子所占的方差对于第一类是最大的，对于第二类是最小的。这里，V是S1和S2的正交特征向量矩阵且第一行为非负数，5表明：S1和S2有共同的特征向量。对于已选择的通道组合，计算该组合中所有可能的通道子集的。，贝叶斯风险的上限，作为衡量两类可判别性的替代品。比值的通道，作为算法的起始点。]]></description><category></category></item><item><title><![CDATA[wireshark报错：“Missing parameter: -- remote-host“ when capturing on default device“]]></title><link>https://blog.youkuaiyun.com/F_Hawk__/article/details/133993926</link><guid>https://blog.youkuaiyun.com/F_Hawk__/article/details/133993926</guid><author>F_Hawk__</author><pubDate>Mon, 23 Oct 2023 16:52:15 +0800</pubDate><description><![CDATA[【代码】wireshark报错：“Missing parameter: -- remote-host“ when capturing on default device“]]></description><category></category></item><item><title><![CDATA[EEG channel selection]]></title><link>https://blog.youkuaiyun.com/F_Hawk__/article/details/133966816</link><guid>https://blog.youkuaiyun.com/F_Hawk__/article/details/133966816</guid><author>F_Hawk__</author><pubDate>Sat, 21 Oct 2023 21:45:25 +0800</pubDate><description><![CDATA[δ波段是关于深度睡眠状态的，θ波段与最深层的中介状态有关（身体睡着/头脑清醒），α波段是关于睡眠和放松的原因，β波段与清醒状态下注意力集中有关，γ波段与大脑决策模式有关。当满足停止标准时，通道子集的生成和评估过程终止。在嵌入式技术中，通道是基于特定分类器的学习过程中生成的标准来选择的，因为选择被包括在分类器结构中[9]。在一些应用中，训练有素的观察者根据自己的经验，使用任何上述子集生成技术，在选定的通道上评估特定应用的结果，如癫痫检测。..，Cn-1）表示用于选择的n个通道的池，M表示独立的评估标准。]]></description><category></category></item><item><title><![CDATA[Python list.sort()用法]]></title><link>https://blog.youkuaiyun.com/F_Hawk__/article/details/133930011</link><guid>https://blog.youkuaiyun.com/F_Hawk__/article/details/133930011</guid><author>F_Hawk__</author><pubDate>Thu, 19 Oct 2023 16:57:52 +0800</pubDate><description><![CDATA[key指定一个参数的函数，该函数用于从每个列表元素中提取比较键。列表中每个项目对应的关键字计算一次，然后用于整个排序过程。的默认值表示直接对列表项进行排序，而不计算单独的键值。此方法只使用项目之间的比较对列表进行适当排序。异常不会被抑制-如果任何比较操作失败，整个排序操作将失败（列表可能会处于部分修改状态）。reverse是一个布尔值。如果设置为True，则对列表元素进行倒序排序。sort（）接受两个只能通过关键字传递的参数。]]></description><category></category></item><item><title><![CDATA[moabb安装报错Getting requirements to build wheel did not run successfully.]]></title><link>https://blog.youkuaiyun.com/F_Hawk__/article/details/133846818</link><guid>https://blog.youkuaiyun.com/F_Hawk__/article/details/133846818</guid><author>F_Hawk__</author><pubDate>Sun, 15 Oct 2023 20:06:35 +0800</pubDate><description><![CDATA[今天在安装moabb时，按照官网上说的用pip install MOABB安装出现如下错误。重新创建一个python3.10环境再进行安装，结果安装成功。查询官网上的环境要求，发现它只适配到python3.10。]]></description><category></category></item><item><title><![CDATA[Braindecode安装]]></title><link>https://blog.youkuaiyun.com/F_Hawk__/article/details/133842206</link><guid>https://blog.youkuaiyun.com/F_Hawk__/article/details/133842206</guid><author>F_Hawk__</author><pubDate>Sun, 15 Oct 2023 15:34:01 +0800</pubDate><description><![CDATA[Braindecode是一个开源的python工具箱，用于为深度学习模型解码原始脑电波数据。以及，一些深度学习构架的实现和用于分析EEG，ECoG和MEG的架构。建议将 Pytorch 安装到环境中。安装 PyTorch 库取决于运行的架构和操作系统，以及深度学习的驱动程序版本和优化。还可以创建用于安装库的 conda 环境。这可能会有所帮助，具体取决于您管理其他库的方式。这里我准备用conda安装braindecode。使用 conda 安装 Braindecode。]]></description><category></category></item><item><title><![CDATA[基于KNN的EEG channel选择]]></title><link>https://blog.youkuaiyun.com/F_Hawk__/article/details/133817657</link><guid>https://blog.youkuaiyun.com/F_Hawk__/article/details/133817657</guid><author>F_Hawk__</author><pubDate>Fri, 13 Oct 2023 20:21:33 +0800</pubDate><description><![CDATA[背景：基于多通道脑电图情绪识别已经做了很多研究目标：本文探讨了不同频段和不同通道数的脑电信号对情绪识别准确性的影响方法：我们使用不同的脑电图通道组合，将情绪状态分为valence和arousal维度。首先，对DEAP预处理的数据进行归一化。然后，将EEG信号使用离散小波变换分为四个频带，计算熵和能量作为K近邻分类器的特征。结果：在γ频带上，10、14、18和32个脑电通道的分类准确率在valence和arousal维度上，分别是89.54%、92.28%、93.72%和95.70%；]]></description><category></category></item><item><title><![CDATA[Juliet test suite漏洞类别分析]]></title><link>https://blog.youkuaiyun.com/F_Hawk__/article/details/133690908</link><guid>https://blog.youkuaiyun.com/F_Hawk__/article/details/133690908</guid><author>F_Hawk__</author><pubDate>Sun, 08 Oct 2023 21:57:35 +0800</pubDate><description><![CDATA[一般来说，测试用例侧重于底层平台上可用的功能，而不是使用第三方库。尽管C和C++是不同的编程语言，但由于C++通常是C的superset，因此它们被视为一个unit。此外，大多数软件保证工具都支持C和C++。C测试用例代码以C89标准为目标，因此可以使用各种可能不支持C语言更新版本的工具来编译和分析测试用例。]]></description><category></category></item></channel></rss>