<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Kruskual的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Kruskual</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Kruskual]]></copyright><item><title><![CDATA[[LLM] 优化器学习笔记（GD、SGD、SGD（Momentum）、AdaGrad、RMSprop、 Adam、Muon）]]></title><link>https://blog.youkuaiyun.com/Kruskual/article/details/148795099</link><guid>https://blog.youkuaiyun.com/Kruskual/article/details/148795099</guid><author>Kruskual</author><pubDate>Fri, 20 Jun 2025 16:43:47 +0800</pubDate><description><![CDATA[本文系统梳理了梯度优化算法演进历程。从基础梯度下降（GD）到随机梯度下降（SGD），再到改进的动量法SGD和自适应学习率方法（AdaGrad、RMSprop），最终重点解析了综合性能优异的Adam优化器。特别介绍了前沿Muon优化器，其通过正交化和归一化技术提升训练稳定性与泛化能力。文中通过具体数学公式和参数更新示例，对比了各算法在收敛速度、抗震荡性等方面的特性，为深度学习优化器选择提供了实践参考。这些方法逐步解决了梯度下降中的振荡、学习率衰减等问题，体现了优化算法从粗放到精细的演进路径。]]></description><category></category></item><item><title><![CDATA[[scikit-learn] 第二章 Model Section]]></title><link>https://blog.youkuaiyun.com/Kruskual/article/details/136883434</link><guid>https://blog.youkuaiyun.com/Kruskual/article/details/136883434</guid><author>Kruskual</author><pubDate>Wed, 20 Mar 2024 17:33:47 +0800</pubDate><description><![CDATA[`sklearn.model_selection` 模块是 Scikit-learn 库中用于模型选择和评估的核心工具集。该模块提供了用于分割数据集、交叉验证、参数调优和性能评估的功能。本贴主要从交叉验证：评估估计器性能、调整估计器的超参数和学习曲线部分进行介绍。]]></description><category></category></item><item><title><![CDATA[[scikit-learn] 第一章 初识scikit-learn及内置数据集介绍]]></title><link>https://blog.youkuaiyun.com/Kruskual/article/details/136763284</link><guid>https://blog.youkuaiyun.com/Kruskual/article/details/136763284</guid><author>Kruskual</author><pubDate>Sat, 16 Mar 2024 15:21:50 +0800</pubDate><description><![CDATA[scikit-learn是一个开源的机器学习库，支持有监督和无监督的学习。它还提供了用于模型拟合、数据预处理、模型选择、模型评估和许多其他实用程序的各种工具。​	]]></description><category></category></item><item><title><![CDATA[[机器学习]线性回归模型]]></title><link>https://blog.youkuaiyun.com/Kruskual/article/details/132138711</link><guid>https://blog.youkuaiyun.com/Kruskual/article/details/132138711</guid><author>Kruskual</author><pubDate>Mon, 07 Aug 2023 08:12:07 +0800</pubDate><description><![CDATA[实验结论：在这个实验中，我们建立了一个单因子线性回归模型，得到x=3.5对应的y值为12，其均方误差（MSE）非常接近于零，而确定系数（R^2）接近于1。这表明我们的模型可以非常好地拟合数据，预测能力非常强。]]></description><category></category></item><item><title><![CDATA[[数字图像处理]第八章 图像压缩]]></title><link>https://blog.youkuaiyun.com/Kruskual/article/details/131658239</link><guid>https://blog.youkuaiyun.com/Kruskual/article/details/131658239</guid><author>Kruskual</author><pubDate>Tue, 11 Jul 2023 13:43:51 +0800</pubDate><description><![CDATA[看起来和调色板图象的实现原理差不多，但是应该注意到的是，我们这里的编译表不是事先创建好的，而是根据原始文件数据动态创建的，解码时还要从已编码的数据中还原出原来的编译表。因此，使用人的主观评估来衡量图像的质量通常更为适当。​		计算机数据处理中，霍夫曼编码使用变长编码表对源符号（如文件中的一个字母）进行编码，其中变长编码表]是通过一种评估来源符号出现机率的方法得到的，出现机率高的字母使用较短的编码，反之出现机率低的则使用较长的编码，这便使编码之后的字符串的平均长度、期望值降低，从而达到无损压缩数据的目的。]]></description><category></category></item><item><title><![CDATA[[数字图像处理]第六章 彩色图像处理]]></title><link>https://blog.youkuaiyun.com/Kruskual/article/details/131343474</link><guid>https://blog.youkuaiyun.com/Kruskual/article/details/131343474</guid><author>Kruskual</author><pubDate>Thu, 22 Jun 2023 18:54:55 +0800</pubDate><description><![CDATA[​		彩色图像处理可分为两个主要领域：全彩色处理和伪彩色处理。在第一类中， 通常要求图像用全彩色传感器获取，如彩色电视摄像机或彩色扫描仪。在第二类中，问题是对一种特定的单色灰度或灰度范围赋予一种颜色。到目前为止，多数数字彩色图像处理是在伪彩色层面完成的。]]></description><category></category></item><item><title><![CDATA[[数字图像处理]第五章 图像复原与重建]]></title><link>https://blog.youkuaiyun.com/Kruskual/article/details/131216906</link><guid>https://blog.youkuaiyun.com/Kruskual/article/details/131216906</guid><author>Kruskual</author><pubDate>Wed, 14 Jun 2023 22:24:18 +0800</pubDate><description><![CDATA[​		图像退化的描述(图像退化及其过程描述)如下:
​		图像的退化是指图像在形成、传输和记录过程中，由于成像系统、传输介质和设备的不完善，使图像的质量下降(变坏)。其典型表现为：模糊、失真、有噪声。产生原因：成像系统像差、传感器拍摄姿态和扫描非线性、成像设备与物体运动的相对运动、大气湍流、成像和处理过程中引入的噪声等。​		图像复原就是尽可能恢复退化图像的本来面目，它是沿图像退化的逆过程进行处理，也就是如果我们知道图像是经历了什么样的过程导致退化，就可以按其逆过程来复原图像。因此，图像复原过程流程如下:
]]></description><category></category></item><item><title><![CDATA[[数字图像处理]第四章 频率域滤波]]></title><link>https://blog.youkuaiyun.com/Kruskual/article/details/130758453</link><guid>https://blog.youkuaiyun.com/Kruskual/article/details/130758453</guid><author>Kruskual</author><pubDate>Fri, 19 May 2023 02:58:00 +0800</pubDate><description><![CDATA[在光学中，莫尔模式指的是在两个近似等间隔的光栅之间产生的差拍模式。​		该性质的好处是将需要经过翻折、平移、相乘、求和等步骤实现的复杂的卷积运算简化为简单的乘法运算，这也是快速傅里叶变换（FFT）的出现使得该性质得到更广泛应用，同时，该性质对于理解信号的频率域处理方法特别重要，使得信号的空间域处理可以转换到频率域进行处理实现.是IDFT, F(u, v)是输入图像f (x, y)的DFT, H(u, v)是滤波函数(也简称为滤波器，或者滤波传递函数)，g(x, y)是滤波后的(输出)图像。]]></description><category></category></item><item><title><![CDATA[第三章 灰度变换与空间滤波]]></title><link>https://blog.youkuaiyun.com/Kruskual/article/details/130566381</link><guid>https://blog.youkuaiyun.com/Kruskual/article/details/130566381</guid><author>Kruskual</author><pubDate>Mon, 08 May 2023 20:12:24 +0800</pubDate><description><![CDATA[滤波器的中心访问输入图像中的每个像絮，就生成了处理（滤波）后的图像 如果在图像像素上执行的是线性操作，则该滤披器称为线性空间滤波器，否则， 滤波器就称为非线性空间滤泼器。3 ）沿着斜坡的微分值非零。因为我们处理的是数字量，其值是有限的，故最大灰度级的变化也是有限的，并且变化发生的最短距离是在两相邻像素之间。​		幂律变换的作用与对数变换的情况相似，用来扩展图像中的暗像素的值，同时压缩更高灰度级的值。​	其中f(x,y)是输入图像，g(x,y)是输出图像，T是在点(x,y)的领域上定义的关于f的一种算子。]]></description><category></category></item><item><title><![CDATA[数字图像处理笔记 第二章 数字图像基础]]></title><link>https://blog.youkuaiyun.com/Kruskual/article/details/130279139</link><guid>https://blog.youkuaiyun.com/Kruskual/article/details/130279139</guid><author>Kruskual</author><pubDate>Fri, 21 Apr 2023 01:10:26 +0800</pubDate><description><![CDATA[​		包含一幅或多幅图像的阵列操作是以逐像素为基础执行的。]]></description><category></category></item><item><title><![CDATA[数字图像处理（第三版）绪论笔记]]></title><link>https://blog.youkuaiyun.com/Kruskual/article/details/130191267</link><guid>https://blog.youkuaiyun.com/Kruskual/article/details/130191267</guid><author>Kruskual</author><pubDate>Mon, 17 Apr 2023 01:03:10 +0800</pubDate><description><![CDATA[数字图像处理方法的重要性源于两个主要领域：改善图示信息以便人们解释；为存储、传输和表示而对图像数据进行处理，以便于机器自动理解。]]></description><category></category></item><item><title><![CDATA[【接口文档案例】]]></title><link>https://blog.youkuaiyun.com/Kruskual/article/details/122558467</link><guid>https://blog.youkuaiyun.com/Kruskual/article/details/122558467</guid><author>Kruskual</author><pubDate>Mon, 07 Feb 2022 11:24:33 +0800</pubDate><description><![CDATA[接口文档案例]]></description><category></category></item><item><title><![CDATA[[我发现了一个关于linux命令的bug]]]></title><link>https://blog.youkuaiyun.com/Kruskual/article/details/122252066</link><guid>https://blog.youkuaiyun.com/Kruskual/article/details/122252066</guid><author>Kruskual</author><pubDate>Fri, 31 Dec 2021 11:13:45 +0800</pubDate><description><![CDATA[Linux命令 date -d last-month 中的bugbug展示date命令的介绍允许的情况下将默认的大写转换为小写，默认的小写转换为大写。格式化输出：输出昨天日期：2秒后输出：传说中的 1234567890 秒：或者输出结果时间格式转换：输出结果apache格式转换：输出结果格式转换后时间游走：输出结果时间加减操作：设定时间：有时需要检查一组命令花费的时间：显示执行时间当你考虑输出带有时间的字符串时，例如（Current time: 2019/05/19）：通常使用的方法：另一种方法：注意如果换]]></description><category></category></item><item><title><![CDATA[[Spark Sql 执行概览]]]></title><link>https://blog.youkuaiyun.com/Kruskual/article/details/121995480</link><guid>https://blog.youkuaiyun.com/Kruskual/article/details/121995480</guid><author>Kruskual</author><pubDate>Fri, 17 Dec 2021 14:54:52 +0800</pubDate><description><![CDATA[Spark Sql 执行概览前言Spark Sql执行全过程Spark Sql 实际转换过程Spark Sql逻辑计划执行sql样例Spark sql物理计划
前言
&nbsp; &nbsp; &nbsp; &nbsp;Spark SQL的前身是shark，即“Hive on Spark”。Shark项目最初启动于2011年。当时HIve几乎算是唯一的SQL-on-Hadoop选择方案。Hive将SQL语句翻译为MapReduce，性能受限于MapReduce计算模型，始终无法满足各种交互式sql分析的需求]]></description><category></category></item><item><title><![CDATA[【Hive、Spark Sql中为什么说group by是distinct的优化？】]]></title><link>https://blog.youkuaiyun.com/Kruskual/article/details/121957027</link><guid>https://blog.youkuaiyun.com/Kruskual/article/details/121957027</guid><author>Kruskual</author><pubDate>Wed, 15 Dec 2021 17:28:30 +0800</pubDate><description><![CDATA[Hive、Spark Sql中为什么说group by是distinct的优化？用LogicalPlan带你一探究竟group bydistinct看图说话
用LogicalPlan带你一探究竟
无论是Hive还是SparkSql都会生成LogicalPlan，PhysicalPlan只要我们明白了 他在底层如何转换如何优化的就能知道group by和distinct有何区别。
group by
sql: “select name from student group by name”

distinct
]]></description><category></category></item><item><title><![CDATA[JanusGraph 数据模型]]></title><link>https://blog.youkuaiyun.com/Kruskual/article/details/118973312</link><guid>https://blog.youkuaiyun.com/Kruskual/article/details/118973312</guid><author>Kruskual</author><pubDate>Wed, 21 Jul 2021 18:30:31 +0800</pubDate><description><![CDATA[JanusGraph 数据模型
JanusGraph以邻接列表格式存储图形，这意味着图形存储为顶点及其邻接列表的集合。顶点的邻接列表包含顶点的所有关联边（和属性）。
通过以邻接列表格式存储图形，JanusGraph确保将顶点的所有关联边和属性紧凑地存储在存储后端，从而加快遍历。缺点是每个边必须存储两次—一次用于边的每个端点。
此外，JanusGraph按排序键定义的顺序和边标签的排序顺序维护每个顶点的邻接列表。排序顺序可以使用以顶点为中心的索引高效地检索相邻列表的子集。
JanusGraph在支持Bigta]]></description><category></category></item><item><title><![CDATA[图形配置示例]]></title><link>https://blog.youkuaiyun.com/Kruskual/article/details/118225713</link><guid>https://blog.youkuaiyun.com/Kruskual/article/details/118225713</guid><author>Kruskual</author><pubDate>Fri, 25 Jun 2021 17:42:56 +0800</pubDate><description><![CDATA[图形配置示例
本页说明了一些常见的图形配置。有关更多信息，请参阅配置参考和相应存储后端、索引后端的页面。
另外，请注意JanusGraph发行版包含conf/目录中的本地配置文件。
BerkeleyDB
storage.backend=berkeleyje
storage.directory=/tmp/graph

index.search.backend=elasticsearch
index.search.directory=/tmp/searchindex
index.search.elasticse]]></description><category></category></item><item><title><![CDATA[大数据处理框架概览]]></title><link>https://blog.youkuaiyun.com/Kruskual/article/details/117964060</link><guid>https://blog.youkuaiyun.com/Kruskual/article/details/117964060</guid><author>Kruskual</author><pubDate>Wed, 16 Jun 2021 18:07:16 +0800</pubDate><description><![CDATA[第一章 大数据处理框架概览
1.1 大数据及其带来的挑战
大数据概念：
具有数据量大、数据类型多样、产生与处理速度快、价值高的“4V”特性。
带来的挑战
传统数据处理系统难以在可接受的时间范围内对大数据进行高效处理。
OLTP（在线事务处理）
21世纪70年代的关系型数据库解决了关系型数据的存储与OLTP问题
OLAP（在线分析处理）
数据仓库解决了数据建模及OLAP问题
1.2 大数据处理框架
为了高效处理大数据，工业界和学术界提出了很多分布式大数据处理框架。
2004年Google在计算机系统领域顶级会]]></description><category></category></item><item><title><![CDATA[JanusGraph配置参考大全]]></title><link>https://blog.youkuaiyun.com/Kruskual/article/details/117471099</link><guid>https://blog.youkuaiyun.com/Kruskual/article/details/117471099</guid><author>Kruskual</author><pubDate>Wed, 02 Jun 2021 15:43:06 +0800</pubDate><description><![CDATA[配置参考
本节是JanusGraph配置选项的权威参考。它包括存储和索引后端的所有选项，这些都是官方JanusGraph发行版的一部分。
该表是通过遍历JanusGraph的内部配置管理API中的键和名称空间自动生成的。因此，本页上列出的配置选项与特定的JanusGraph版本同步。如果本文档其他部分中对配置选项的引用与其在本页上的表示形式冲突，请假定此处列出的版本是正确的。
可变水平
每个配置选项都有一个特定的可变级别，该级别控制在第一次打开数据库后是否可以修改它以及如何修改它。下面的列表描述了可变性级别]]></description><category></category></item><item><title><![CDATA[JanusGraph部署方案]]></title><link>https://blog.youkuaiyun.com/Kruskual/article/details/117319477</link><guid>https://blog.youkuaiyun.com/Kruskual/article/details/117319477</guid><author>Kruskual</author><pubDate>Thu, 27 May 2021 09:02:35 +0800</pubDate><description><![CDATA[部署方案
JanusGraph提供了广泛的存储和索引后端选择，使其部署方式具有极大的灵活性。本章提供了一些可能的部署场景，以帮助解决这种灵活性带来的复杂性。
在讨论不同的部署场景之前，了解JanusGraph本身和后端的角色非常重要。第一，应用程序仅与JanusGraph直接通信，主要通过发送Gremlin循环来执行。JanusGraph然后与配置好的后端进行通信，以执行所接收的遍历。当JanusGraph以JanusGraph服务器的形式使用时，没有比主JanusGraph服务器更好的了。因此，应用程序可]]></description><category></category></item></channel></rss>