<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Keep__Fighting的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Keep__Fighting</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Keep__Fighting]]></copyright><item><title><![CDATA[DINOv2算法详解及V3中的改进]]></title><link>https://blog.youkuaiyun.com/Keep__Fighting/article/details/163473714</link><guid>https://blog.youkuaiyun.com/Keep__Fighting/article/details/163473714</guid><author>Keep__Fighting</author><pubDate>Tue, 04 Aug 2026 14:50:20 +0800</pubDate><description><![CDATA[DINOv2 的整体框架，其实可以看作是 DINO (Distillation with No labels) 算法的“升级版”。DINO 算法本身就采用了 Teacher-Student 的知识蒸馏框架，而 DINOv2 在此基础上进行了多方面的改进和优化，使其性能更上一层楼。]]></description><category></category></item><item><title><![CDATA[Gemini 错误通用排查经验]]></title><link>https://blog.youkuaiyun.com/Keep__Fighting/article/details/158662776</link><guid>https://blog.youkuaiyun.com/Keep__Fighting/article/details/158662776</guid><author>Keep__Fighting</author><pubDate>Wed, 04 Mar 2026 21:31:27 +0800</pubDate><description><![CDATA[最近使用 Gemini 时，经常遇到 “Something went wrong” 弹窗，点击重试无效。经过多轮自测和社区反馈，总结了一些常见且有效的解决思路，分享给大家参考。]]></description><category></category></item><item><title><![CDATA[【神经网络的训练策略选取】]]></title><link>https://blog.youkuaiyun.com/Keep__Fighting/article/details/156871848</link><guid>https://blog.youkuaiyun.com/Keep__Fighting/article/details/156871848</guid><author>Keep__Fighting</author><pubDate>Fri, 16 Jan 2026 20:42:42 +0800</pubDate><description><![CDATA[本文介绍了神经网络训练的核心策略和激活函数选择方法。在训练策略方面，重点阐述了小批量随机梯度下降（mini-batch SGD）和反向传播算法（BP）的原理，通过链式法则详细推导了权重更新的数学过程。在激活函数部分，分析了sigmoid、tanh、ReLU等常见激活函数的特性及适用场景，并给出了选择建议：隐藏层优先使用ReLU及其变体，二分类输出层推荐Sigmoid配合二元交叉熵损失，多分类任务则适合采用Softmax。文章为神经网络训练提供了实用的技术指导。]]></description><category></category></item><item><title><![CDATA[【激活函数】]]></title><link>https://blog.youkuaiyun.com/Keep__Fighting/article/details/156656640</link><guid>https://blog.youkuaiyun.com/Keep__Fighting/article/details/156656640</guid><author>Keep__Fighting</author><pubDate>Tue, 06 Jan 2026 22:59:12 +0800</pubDate><description><![CDATA[该函数在一定程度上表现出类似于 Dropout 的特性，在输入接近于零的情况下，输出的期望值会减小，从而减少对某些输入的依赖。深度神经网络能够表征各种决策面，拟合各种函数离不开非线性变换，也就是神经网络中的激活函数，激活函数用于对每层的输出数据进行变换, 进而为整个网络注入了非线性因素。，从而能继续更新权重。最终通过简单的一些非线性变换，可以得到最右所示的函数表达，黑色的是拟合的函数形状。，但是在实际训练中，这种情况发生的概率很小，可能当前批次训练时某一部分神经元会死亡，但下批次训练的样本不会导致它死亡。]]></description><category></category></item><item><title><![CDATA[【人工神经网络 Artificial Neural Network】]]></title><link>https://blog.youkuaiyun.com/Keep__Fighting/article/details/156011062</link><guid>https://blog.youkuaiyun.com/Keep__Fighting/article/details/156011062</guid><author>Keep__Fighting</author><pubDate>Wed, 17 Dec 2025 17:35:57 +0800</pubDate><description><![CDATA[本文介绍了人工神经网络的发展历程。首先从生物神经元模型出发，1943年McCulloch和Pitts提出了首个神经元数学模型(MP模型)。1957年Rosenblatt提出感知器算法，证明了线性可分数据的收敛性。随后发展出多层神经网络以处理非线性问题，并引入多种激活函数(如Sigmoid、ReLU、Softmax等)增强非线性表达能力。文章通过数学模型和图示展示了神经网络的演变过程，从单层感知器到多层网络结构的进化，为后续深度学习奠定了基础。]]></description><category></category></item><item><title><![CDATA[【机器学习：K-Means】]]></title><link>https://blog.youkuaiyun.com/Keep__Fighting/article/details/155751708</link><guid>https://blog.youkuaiyun.com/Keep__Fighting/article/details/155751708</guid><author>Keep__Fighting</author><pubDate>Tue, 09 Dec 2025 20:37:24 +0800</pubDate><description><![CDATA[聚类算法是一类无监督学习方法，旨在将数据划分为若干组（簇），使得同一簇内的样本相似度高，而不同簇间的样本差异大。计算样本之间相似度常用的方式是欧式距离；聚类算法的目的是在没有先验知识的情况下，自动发现数据集中的内在结构和模式。基于划分的聚类：K-means算法->按照质心(一个簇的中心位置,通过均值计算)分类基于层次的聚类：DIANA（自顶向下）AGNES（自底向上）基于密度的聚类: DBSCAN算法基于图的聚类: 谱聚类（Spectral Clustering）]]></description><category></category></item><item><title><![CDATA[【机器学习：集成算法】]]></title><link>https://blog.youkuaiyun.com/Keep__Fighting/article/details/155747267</link><guid>https://blog.youkuaiyun.com/Keep__Fighting/article/details/155747267</guid><author>Keep__Fighting</author><pubDate>Tue, 09 Dec 2025 19:20:37 +0800</pubDate><description><![CDATA[集成学习: (Ensemble Learning)集成学习是机器学习的一种范式，它的主要思想是使用多个弱学习器来构建一个整体泛化性更强的最终学习器来完成任务，它认为集体的智慧比单个的个体更加的准确、鲁棒。参与组合的模型又叫弱学习器或者基学习器。集成学习思想分为bagging思想和boosting思想。]]></description><category></category></item><item><title><![CDATA[【机器学习：决策树】]]></title><link>https://blog.youkuaiyun.com/Keep__Fighting/article/details/155674201</link><guid>https://blog.youkuaiyun.com/Keep__Fighting/article/details/155674201</guid><author>Keep__Fighting</author><pubDate>Sun, 07 Dec 2025 17:39:25 +0800</pubDate><description><![CDATA[在机器学习中，有一个非常重要的常用结构就是树，对机器学习中树的理解可以类比数据结构中的树，其实是一个道理。以改种方式实现的算法有很多，比如随机森林、GBDT、XGBoost等。这种树形结构在机器学习中称为决策树。决策树是一种树形结构，树中每个内部节点表示一个特征上的判断，每个分支代表一个判断结果的输出，每个叶子节点代表一种分类结果。决策树通过分裂降低数据熵，提升分类纯度。决策树非常适用于处理离散型数据，使用的类似于贪心算法。特征选择：选取有较强分类能力的特征。决策树生成：根据选择的特征生成决策树。]]></description><category></category></item><item><title><![CDATA[【机器学习：逻辑回归】]]></title><link>https://blog.youkuaiyun.com/Keep__Fighting/article/details/155487015</link><guid>https://blog.youkuaiyun.com/Keep__Fighting/article/details/155487015</guid><author>Keep__Fighting</author><pubDate>Tue, 02 Dec 2025 18:20:13 +0800</pubDate><description><![CDATA[我们知道回归任务一般是处理线性问题的，预测结果是连续的，分类任务是结果是离散的。对于分类问题，在传统的机器学习算法中有很多解决方法，这里讲一下众多思想，其中之一——逻辑回归。通过将线性回归的输出映射到(0,1)区间，得到一个概率值，通过设定阈值的方式达到分类的效果，在此之中，使用Sigmoid函数将连续值转换为概率值，也即使用Sigmoid映射线性结果到（0，1）之间。]]></description><category></category></item><item><title><![CDATA[【机器学习：线性回归】]]></title><link>https://blog.youkuaiyun.com/Keep__Fighting/article/details/155361141</link><guid>https://blog.youkuaiyun.com/Keep__Fighting/article/details/155361141</guid><author>Keep__Fighting</author><pubDate>Mon, 01 Dec 2025 21:06:19 +0800</pubDate><description><![CDATA[线性回归是机器学习中非常重要的一个基础知识，线性回归是利用回归方程(函数)对 一个或多个自变量(特征值)和因变量(目标值)之间 关系进行建模的一种分析方式。它包括了一元线性回归和多元线性回归，一元线性回归指的是：目标值(因标量)只与一个特征(自变量)有关系；多元线性回归指的是：目标值(因标量)同时与多个特征(自变量)有关系。ywTxb其中w表示权重参数，b表示偏置。这里的w其实一般情况下是一个矩阵，我们可以看到转置之后的相乘正好可以展开为：的形式。上式中的w。]]></description><category></category></item><item><title><![CDATA[【KNN算法】]]></title><link>https://blog.youkuaiyun.com/Keep__Fighting/article/details/155139273</link><guid>https://blog.youkuaiyun.com/Keep__Fighting/article/details/155139273</guid><author>Keep__Fighting</author><pubDate>Sat, 22 Nov 2025 21:10:11 +0800</pubDate><description><![CDATA[（K Nearest Neighbor，简称KNN）可解决分类问题和回归问题。如果一个样本在特征空间中的 k 个最相似的样本中的大多数属于某一个类别，则该样本也属于这个类别。什么是相似性？样本都是属于一个任务数据集的。样本距离越近则越相似。默认的样本距离计算方式为欧氏距离。]]></description><category></category></item><item><title><![CDATA[【Pandas】]]></title><link>https://blog.youkuaiyun.com/Keep__Fighting/article/details/154883817</link><guid>https://blog.youkuaiyun.com/Keep__Fighting/article/details/154883817</guid><author>Keep__Fighting</author><pubDate>Sat, 15 Nov 2025 23:40:24 +0800</pubDate><description><![CDATA[Series也是Pandas中的最基本的数据结构对象；是DataFrame的列对象或者行对象，series本身也具有行索引。两个Series之间计算时，索引值相同的元素之间会进行计算；索引值不同的元素的计算结果会用NaN值(缺失值)填充。如要保存的对象是计算的中间结果，或者以后会在Python中复用，推荐保存成pickle文件。Series和数值型变量计算时，变量会与Series中的每个元素逐一进行计算；rename()函数, 可以对原有的行索引名 和 列名进行修改。加载数据的时候, 直接指定索引列。]]></description><category></category></item><item><title><![CDATA[Stable Diffusion详解]]></title><link>https://blog.youkuaiyun.com/Keep__Fighting/article/details/136537305</link><guid>https://blog.youkuaiyun.com/Keep__Fighting/article/details/136537305</guid><author>Keep__Fighting</author><pubDate>Fri, 14 Nov 2025 20:00:48 +0800</pubDate><description><![CDATA[（随着加噪步骤增加，β会越来越大，论文中是从0.0001到0.002，所以α也就越来越小，这也就意味着随着加噪过程的进行，越往后受到噪声图像的影响越大，也就是说噪声会越加越多。前向过程可以简单看作不断地向图像中添加噪声。为纯噪声图像，Z为噪声，α。]]></description><category></category></item><item><title><![CDATA[【Python之Numpy】]]></title><link>https://blog.youkuaiyun.com/Keep__Fighting/article/details/154800139</link><guid>https://blog.youkuaiyun.com/Keep__Fighting/article/details/154800139</guid><author>Keep__Fighting</author><pubDate>Thu, 13 Nov 2025 21:08:40 +0800</pubDate><description><![CDATA[NumPy是Python中用于科学计算的核心库，其基础数据类型ndarray是一个多维数组对象，具有高效运算能力。主要特性包括：维度(ndim)、形状(shape)、元素个数(size)、数据类型(dtype)等属性。创建方法多样，如array()转换列表、zeros()/ones()创建特定数组、arange()生成序列、random模块生成随机数数组等。NumPy提供丰富的数学函数，包括ceil()/floor()取整、multiply()/divide()元素运算、abs()绝对值、where()条件]]></description><category></category></item><item><title><![CDATA[【MySQL】]]></title><link>https://blog.youkuaiyun.com/Keep__Fighting/article/details/154660377</link><guid>https://blog.youkuaiyun.com/Keep__Fighting/article/details/154660377</guid><author>Keep__Fighting</author><pubDate>Mon, 10 Nov 2025 21:08:55 +0800</pubDate><description><![CDATA[数据库是存储数据的仓库，本质上是一个文件系统，可以有规律的对数据进行存储，方便用户进行精细化管理。常用数据类型：① 数值型：int、float、double、decimal② 字符串型：不定长varchar(n)、定长char③ 日期类型：date、datetime四种语言：① 数据定义语言DDL② 数据操作语言DML③ 数据查询语言DQL④ 数据控制语言DCL。]]></description><category></category></item><item><title><![CDATA[【Python数据结构与算法】]]></title><link>https://blog.youkuaiyun.com/Keep__Fighting/article/details/154541532</link><guid>https://blog.youkuaiyun.com/Keep__Fighting/article/details/154541532</guid><author>Keep__Fighting</author><pubDate>Fri, 07 Nov 2025 20:33:37 +0800</pubDate><description><![CDATA[空间复杂度示例结构示例说明O(1)常数变量不随输入规模增长O(log n)递归分治（如二分查找）栈深度 log nO(n)一维数组存储 n 个元素O(n²)二维数组存储 n×n 个元素O(n³)三维数组存储 n×n×n 个元素。]]></description><category></category></item><item><title><![CDATA[【Python正则表达式】]]></title><link>https://blog.youkuaiyun.com/Keep__Fighting/article/details/154455123</link><guid>https://blog.youkuaiyun.com/Keep__Fighting/article/details/154455123</guid><author>Keep__Fighting</author><pubDate>Wed, 05 Nov 2025 21:11:41 +0800</pubDate><description><![CDATA[在python中，也和其他语言一样拥有字符串的匹配模式——正则表达式（正则表达式是一种字符串匹配模式，在众多语言中均有使用），Python中的正则表达式计算提供了专门的库——re库。]]></description><category></category></item><item><title><![CDATA[【Python多线程&多进程&迭代器生成器】]]></title><link>https://blog.youkuaiyun.com/Keep__Fighting/article/details/154405923</link><guid>https://blog.youkuaiyun.com/Keep__Fighting/article/details/154405923</guid><author>Keep__Fighting</author><pubDate>Tue, 04 Nov 2025 20:09:35 +0800</pubDate><description><![CDATA[在讲多进程之前先聊一下多任务模式：多任务是指在同一时间内执行多个任务，多任务有两种表现形式，分别时并发和并行;并发是在一段时间内交替的执行多个任务，并行是真正意义上的同时执行多个任务。]]></description><category></category></item><item><title><![CDATA[【Python网络编程】]]></title><link>https://blog.youkuaiyun.com/Keep__Fighting/article/details/154302665</link><guid>https://blog.youkuaiyun.com/Keep__Fighting/article/details/154302665</guid><author>Keep__Fighting</author><pubDate>Sun, 02 Nov 2025 20:42:52 +0800</pubDate><description><![CDATA[④ 客户向服务器发送确认段，客户端状态由FIN_WAIT_2进入TIME_WAIT，等待2MSL时间，进入CLOSED状态；：数据链路层负责在物理介质上建立、维持和断开连接，它将网络层传输的数据封装成帧，确保数据在局域网或其他物理网络上的传输。它将网络层的数据可靠的传输到相邻的节点网络层 作用包括物理地址寻址、数据的成帧、流量控制、数据的检错、重发等。TCP标记：URG紧急位、ACK确认位、PSH推送位、RST重置位、SYN同步位、FIN终止位；负责将上层数据分段并提供端到端的、可靠的或不可靠的传输。]]></description><category></category></item><item><title><![CDATA[【python高阶语法知识】]]></title><link>https://blog.youkuaiyun.com/Keep__Fighting/article/details/154249787</link><guid>https://blog.youkuaiyun.com/Keep__Fighting/article/details/154249787</guid><author>Keep__Fighting</author><pubDate>Sat, 01 Nov 2025 21:43:41 +0800</pubDate><description><![CDATA[使用外部函数变量的内部函数被称为闭包。闭包可以保存函数内的变量，而不会随着调用完函数而被销毁。]]></description><category></category></item></channel></rss>