<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[GamBleout的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/GamBleout</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; GamBleout]]></copyright><item><title><![CDATA[手撕注意力机制代码]]></title><link>https://blog.youkuaiyun.com/GamBleout/article/details/151936714</link><guid>https://blog.youkuaiyun.com/GamBleout/article/details/151936714</guid><author>GamBleout</author><pubDate>Sun, 21 Sep 2025 23:01:50 +0800</pubDate><description><![CDATA[【代码】手撕注意力机制代码。]]></description><category></category></item><item><title><![CDATA[OpenCV--项目：虚拟计数器]]></title><link>https://blog.youkuaiyun.com/GamBleout/article/details/144448204</link><guid>https://blog.youkuaiyun.com/GamBleout/article/details/144448204</guid><author>GamBleout</author><pubDate>Fri, 13 Dec 2024 13:50:14 +0800</pubDate><description><![CDATA[【代码】OpenCV--项目：虚拟计数器。]]></description><category></category></item><item><title><![CDATA[OpenCV--图像拼接]]></title><link>https://blog.youkuaiyun.com/GamBleout/article/details/144448176</link><guid>https://blog.youkuaiyun.com/GamBleout/article/details/144448176</guid><author>GamBleout</author><pubDate>Fri, 13 Dec 2024 13:49:18 +0800</pubDate><description><![CDATA[【代码】OpenCV--图像拼接。]]></description><category></category></item><item><title><![CDATA[OpenCV--图像查找]]></title><link>https://blog.youkuaiyun.com/GamBleout/article/details/144448151</link><guid>https://blog.youkuaiyun.com/GamBleout/article/details/144448151</guid><author>GamBleout</author><pubDate>Fri, 13 Dec 2024 13:48:21 +0800</pubDate><description><![CDATA[【代码】OpenCV--图像查找。]]></description><category></category></item><item><title><![CDATA[OpenCV--特征匹配]]></title><link>https://blog.youkuaiyun.com/GamBleout/article/details/144384034</link><guid>https://blog.youkuaiyun.com/GamBleout/article/details/144384034</guid><author>GamBleout</author><pubDate>Tue, 10 Dec 2024 21:21:14 +0800</pubDate><description><![CDATA[【代码】OpenCV--特征匹配。]]></description><category></category></item><item><title><![CDATA[OpenCV--特征检测]]></title><link>https://blog.youkuaiyun.com/GamBleout/article/details/144384003</link><guid>https://blog.youkuaiyun.com/GamBleout/article/details/144384003</guid><author>GamBleout</author><pubDate>Tue, 10 Dec 2024 21:20:01 +0800</pubDate><description><![CDATA[【代码】OpenCV--特征检测。]]></description><category></category></item><item><title><![CDATA[说说Dropout机制？]]></title><link>https://blog.youkuaiyun.com/GamBleout/article/details/143327564</link><guid>https://blog.youkuaiyun.com/GamBleout/article/details/143327564</guid><author>GamBleout</author><pubDate>Tue, 29 Oct 2024 13:57:16 +0800</pubDate><description><![CDATA[Dropout是一种神经网络训练技术，旨在通过随机地“丢弃”或屏蔽一部分神经元来减少过拟合。在训练过程中，每个神经元都有一定的概率被随机选择并屏蔽，这些被屏蔽的神经元在前向传播和反向传播时都不起作用。]]></description><category></category></item><item><title><![CDATA[OpenCV--车辆数量统计/人流量统计实战]]></title><link>https://blog.youkuaiyun.com/GamBleout/article/details/142779293</link><guid>https://blog.youkuaiyun.com/GamBleout/article/details/142779293</guid><author>GamBleout</author><pubDate>Wed, 09 Oct 2024 10:04:11 +0800</pubDate><description><![CDATA[【代码】OpenCV--车辆数量统计/人流量统计实战。]]></description><category></category></item><item><title><![CDATA[说说特征检测？]]></title><link>https://blog.youkuaiyun.com/GamBleout/article/details/142761693</link><guid>https://blog.youkuaiyun.com/GamBleout/article/details/142761693</guid><author>GamBleout</author><pubDate>Tue, 08 Oct 2024 15:54:16 +0800</pubDate><description><![CDATA[提取图像信息，决定每个图像的点是否属于一个图像特征。特征检测的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域特征是唯一的、可追踪的、能比较的–角点。]]></description><category></category></item><item><title><![CDATA[说说最小二乘法?]]></title><link>https://blog.youkuaiyun.com/GamBleout/article/details/142759626</link><guid>https://blog.youkuaiyun.com/GamBleout/article/details/142759626</guid><author>GamBleout</author><pubDate>Tue, 08 Oct 2024 14:50:12 +0800</pubDate><description><![CDATA[最小二乘法（Least Squares Method，又称最小平方法）是一种数学优化技术，它通过最小化误差（即观测值与模型预测值之间的差）的平方和来寻找数据的最佳函数匹配。这种方法在回归分析、曲线拟合、机器学习等领域有着广泛的应用。]]></description><category></category></item><item><title><![CDATA[模型压缩的方法？]]></title><link>https://blog.youkuaiyun.com/GamBleout/article/details/142745062</link><guid>https://blog.youkuaiyun.com/GamBleout/article/details/142745062</guid><author>GamBleout</author><pubDate>Mon, 07 Oct 2024 19:43:17 +0800</pubDate><description><![CDATA[模型压缩是一个重要的讨论话题，因为它直接关系到模型在实际应用中的效率和部署能力。模型压缩的主要目的是在保持模型性能的同时，减少模型的参数量和计算量，从而加快推理速度、降低存储需求，使得模型能够在资源受限的设备上运行。]]></description><category></category></item><item><title><![CDATA[交叉熵的数学推导和手撕代码]]></title><link>https://blog.youkuaiyun.com/GamBleout/article/details/142731711</link><guid>https://blog.youkuaiyun.com/GamBleout/article/details/142731711</guid><author>GamBleout</author><pubDate>Sun, 06 Oct 2024 20:48:04 +0800</pubDate><description><![CDATA[【代码】交叉熵的数学推导和手撕代码。]]></description><category></category></item><item><title><![CDATA[调取api和本地部署llm使用上的优劣？]]></title><link>https://blog.youkuaiyun.com/GamBleout/article/details/142717829</link><guid>https://blog.youkuaiyun.com/GamBleout/article/details/142717829</guid><author>GamBleout</author><pubDate>Sat, 05 Oct 2024 19:21:17 +0800</pubDate><description><![CDATA[调取api和本地部署llm使用上的优劣调取API的优势：调取API的劣势：本地部署LLM的优势：本地部署LLM的劣势：
调取API的优势：

方便快捷：通过API调用大型语言模型，可以迅速集成到现有的应用程序或服务中，无需担心模型的部署和维护问题。
灵活性高：用户可以根据需要随时调整API调用的参数，实现不同的功能和效果。
成本可控：对于小型项目或初创企业而言，使用云端的API服务可以降低成本，避免高昂的基础设施投资。
持续更新：云端服务提供商会定期更新模型，用户无需自己进行模型训练和维护，即可享受到最新的]]></description><category></category></item><item><title><![CDATA[说说Python中的 GIL和装饰器？]]></title><link>https://blog.youkuaiyun.com/GamBleout/article/details/142706457</link><guid>https://blog.youkuaiyun.com/GamBleout/article/details/142706457</guid><author>GamBleout</author><pubDate>Fri, 04 Oct 2024 19:35:17 +0800</pubDate><description><![CDATA[在这个示例中，my_decorator是一个装饰器函数，它接收一个函数func作为参数，并返回一个新的函数wrapper。优点：GIL的存在简化了Python的内存管理，避免了多线程编程中的许多复杂问题，如线程同步和互斥。装饰器是Python中一个非常强大的功能，它允许我们在不修改原有函数或类代码的情况下，给函数或类添加新的功能。使用支持并行计算的库：如NumPy、SciPy等，这些库内部实现了高效的并行计算机制，可以在不受GIL限制的情况下执行复杂的数学运算。性能监控：测量函数的执行时间等性能指标。]]></description><category></category></item><item><title><![CDATA[什么是梯度爆炸？什么是梯度消失？怎么解决？]]></title><link>https://blog.youkuaiyun.com/GamBleout/article/details/142695911</link><guid>https://blog.youkuaiyun.com/GamBleout/article/details/142695911</guid><author>GamBleout</author><pubDate>Thu, 03 Oct 2024 20:42:11 +0800</pubDate><description><![CDATA[梯度爆炸是指在神经网络训练过程中，梯度值变得非常大，超出了网络的处理范围，导致权重更新变得不稳定甚至不收敛的现象。由于反向传播算法中，各层之间的权重系数是通过导数来修正的，而当网络层数增多时，由于链式法则，当导数值小于1时（如sigmoid函数），越靠近输入层的导数越接近0，从而权重系数无法得到有效修正。选择合适的激活函数：例如ReLU函数，它在输入为正时梯度恒为1，有助于缓解梯度消失问题，但也要注意ReLU函数在输入为负时梯度为0可能导致“死神经元”问题。]]></description><category></category></item><item><title><![CDATA[如何给一张图像判断失真类型？]]></title><link>https://blog.youkuaiyun.com/GamBleout/article/details/142664150</link><guid>https://blog.youkuaiyun.com/GamBleout/article/details/142664150</guid><author>GamBleout</author><pubDate>Mon, 30 Sep 2024 21:29:37 +0800</pubDate><description><![CDATA[判断失真类型类型
类型

模糊失真：
表现：图像细节不清晰，边缘模糊，整体看起来像是被一层薄雾笼罩。
原因：可能是由对焦不准确、相机抖动、快门速度过慢或景深过浅等原因造成。
判断方法：观察图像中的细节是否清晰，边缘是否锐利。如果整体模糊，且没有明显的几何形状变化，则可能是模糊失真。
色彩失真：
表现：图像中的颜色与原始场景的颜色不一致，出现偏色或色彩饱和度异常。
原因：可能是由白平衡设置不当、光线条件变化、相机色彩传感器性能限制或后期处理过度等原因造成。
判断方法：将图像中的颜色与参考颜色或实际场景进行对比]]></description><category></category></item><item><title><![CDATA[说说图像开运算与闭运算？]]></title><link>https://blog.youkuaiyun.com/GamBleout/article/details/142639776</link><guid>https://blog.youkuaiyun.com/GamBleout/article/details/142639776</guid><author>GamBleout</author><pubDate>Sun, 29 Sep 2024 17:15:09 +0800</pubDate><description><![CDATA[开运算是先对图像进行腐蚀操作，再对腐蚀后的结果进行膨胀操作。其数学表达式为：Opening(A) = Dilation(Erosion(A))，其中A是输入图像，Erosion和Dilation分别表示腐蚀和膨胀操作。]]></description><category></category></item><item><title><![CDATA[什么是KAN网络？]]></title><link>https://blog.youkuaiyun.com/GamBleout/article/details/142593232</link><guid>https://blog.youkuaiyun.com/GamBleout/article/details/142593232</guid><author>GamBleout</author><pubDate>Fri, 27 Sep 2024 14:44:51 +0800</pubDate><description><![CDATA[KAN网络，全称为Kolmogorov-Arnold Networks，是一种新型的神经网络架构，其设计灵感来源于Kolmogorov-Arnold表示定理。该定理表明，多元连续函数可以表示为有限数量的单变量连续函数和二元加法运算的复合。KAN网络正是基于这一理论，旨在通过在网络边缘（即权重）上引入可学习的激活函数，来提高模型的灵活性和表达能力，同时保持模型的解释性。]]></description><category></category></item><item><title><![CDATA[说说图像腐蚀与膨胀？]]></title><link>https://blog.youkuaiyun.com/GamBleout/article/details/142497975</link><guid>https://blog.youkuaiyun.com/GamBleout/article/details/142497975</guid><author>GamBleout</author><pubDate>Tue, 24 Sep 2024 19:28:51 +0800</pubDate><description><![CDATA[腐蚀操作类似于“领域被蚕食”，它会将图像中的高亮区域或白色部分进行缩减细化。在形态学操作中，腐蚀是通过一个结构元素（通常是一个小的矩阵或模板）对图像进行扫描，只有当结构元素完全包含在目标区域内时，才保留该结构元素中心对应的像素点，否则将其视为背景。]]></description><category></category></item><item><title><![CDATA[LN层和BN层的区别？]]></title><link>https://blog.youkuaiyun.com/GamBleout/article/details/142465854</link><guid>https://blog.youkuaiyun.com/GamBleout/article/details/142465854</guid><author>GamBleout</author><pubDate>Mon, 23 Sep 2024 18:54:41 +0800</pubDate><description><![CDATA[LN层，即层标准化层，是另一种归一化技术，它主要关注于对神经网络中某一层的所有神经元进行归一化处理。]]></description><category></category></item></channel></rss>