<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[LUOYU125的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/LUOYU125</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; LUOYU125]]></copyright><item><title><![CDATA[OpenCode 更新国内镜像]]></title><link>https://blog.youkuaiyun.com/LUOYU125/article/details/159967102</link><guid>https://blog.youkuaiyun.com/LUOYU125/article/details/159967102</guid><author>LUOYU125</author><pubDate>Wed, 08 Apr 2026 22:18:23 +0800</pubDate><description><![CDATA[【代码】OpenCode 更新国内镜像。]]></description><category></category></item><item><title><![CDATA[LLM中的function call]]></title><link>https://blog.youkuaiyun.com/LUOYU125/article/details/151191482</link><guid>https://blog.youkuaiyun.com/LUOYU125/article/details/151191482</guid><author>LUOYU125</author><pubDate>Thu, 04 Sep 2025 18:09:04 +0800</pubDate><description><![CDATA[首先，需要定义可以被调用的函数。这些函数可以是自定义的，也可以是外部API提供的。函数通常包括输入参数和返回值。# 这里可以调用天气API并返回结果# 示例：返回一个字典，包含温度和天气状况return {"condition": "晴"]]></description><category></category></item><item><title><![CDATA[最全面简单易懂的Transformer入门]]></title><link>https://blog.youkuaiyun.com/LUOYU125/article/details/150559742</link><guid>https://blog.youkuaiyun.com/LUOYU125/article/details/150559742</guid><author>LUOYU125</author><pubDate>Wed, 20 Aug 2025 18:03:39 +0800</pubDate><description><![CDATA[位置编码在Transformer架构中起到了至关重要的作用。它通过将位置信息整合到词嵌入中，帮助模型理解单词的顺序和上下文。使用正弦和余弦函数计算位置编码，使得模型能够有效处理语言，并且提升了语言建模的能力。自注意力机制允许模型在处理某个特定输入元素时，关注同一序列中其他元素的相关性。它的主要优点在于能够获得全局上下文信息，这对理解自然语言的含义至关重要。自注意力机制是Transformer模型的核心功能，能够有效捕捉输入序列中各元素之间的关系，促进信息的全局传递。]]></description><category></category></item><item><title><![CDATA[最全面简单易懂的CNN（卷积神经网络）入门]]></title><link>https://blog.youkuaiyun.com/LUOYU125/article/details/150559330</link><guid>https://blog.youkuaiyun.com/LUOYU125/article/details/150559330</guid><author>LUOYU125</author><pubDate>Wed, 20 Aug 2025 17:49:29 +0800</pubDate><description><![CDATA[卷积神经网络（CNN）主要由五层结构组成：数据输入层负责图像预处理和格式转换；卷积计算层通过滑动窗口提取特征；ReLU激活层引入非线性增强模型表达能力；池化层进行特征降维以提高计算效率；全连接层整合特征完成最终分类。这五层协同工作，使CNN能有效处理视觉信息，其中数据输入层是连接原始数据与模型的桥梁，全连接层则负责最终决策。这种层级结构使CNN成为图像识别等任务的高效工具。]]></description><category></category></item><item><title><![CDATA[PyTorch ＜2.6.0 有重大漏洞强制禁用导致推理界面无法运行]]></title><link>https://blog.youkuaiyun.com/LUOYU125/article/details/148233262</link><guid>https://blog.youkuaiyun.com/LUOYU125/article/details/148233262</guid><author>LUOYU125</author><pubDate>Mon, 26 May 2025 16:23:41 +0800</pubDate><description><![CDATA[​
ValueError: Due to a serious vulnerability issue in torch.load, even with weights_only=True, we now require users to upgrade torch to at least v2.6 in order to use the function. This version restriction does not apply when loading files with safetensors.]]></description><category></category></item><item><title><![CDATA[向前传播（forward）和反向传播]]></title><link>https://blog.youkuaiyun.com/LUOYU125/article/details/147855230</link><guid>https://blog.youkuaiyun.com/LUOYU125/article/details/147855230</guid><author>LUOYU125</author><pubDate>Sat, 10 May 2025 16:23:54 +0800</pubDate><description><![CDATA[例如，在一个深度神经网络中，反向传播会计算出每一层的权重和偏置对损失函数的梯度，这些梯度被传递给梯度下降算法，使它能够按照一定规则（如上述的更新规则）来调整这些参数，从而逐步降低损失函数的值。反向传播是梯度计算的工具，而梯度下降是利用这些梯度进行参数优化的算法，两者紧密相连，共同实现了神经网络的训练过程，使模型能够从训练数据中学习到有效的模式和规律，从而提高模型对新数据的预测能力。梯度下降算法是利用反向传播得到的梯度来优化模型参数的。优化权重参数（根据前向传播得到的损失值），更新模型，达到学习的效果，]]></description><category></category></item><item><title><![CDATA[轻松学习：卷积神经网络（Convolutional Neural Network，CNN）]]></title><link>https://blog.youkuaiyun.com/LUOYU125/article/details/147829763</link><guid>https://blog.youkuaiyun.com/LUOYU125/article/details/147829763</guid><author>LUOYU125</author><pubDate>Fri, 09 May 2025 15:43:15 +0800</pubDate><description><![CDATA[卷积神经网络（Convolutional Neural Network，CNN）是一类包含卷积计算且具有深度结构的前馈神经网络。它**主要用来处理具有网格结构的数据**，如图像（可以看作是像素值组成的二维网格）、音频（可以看作是一维的时间序列网格）等。它们的设计灵感来自于生物学中的视觉系统，旨在模拟人类视觉处理的方式。在过去的几年中，CNN已经在图像识别、目标检测、图像生成和许多其他领域取得了显著的进展，成为了计算机视觉和深度学习研究的重要组成部分]]></description><category></category></item><item><title><![CDATA[梯度消失和梯度爆炸]]></title><link>https://blog.youkuaiyun.com/LUOYU125/article/details/147797646</link><guid>https://blog.youkuaiyun.com/LUOYU125/article/details/147797646</guid><author>LUOYU125</author><pubDate>Thu, 08 May 2025 17:10:35 +0800</pubDate><description><![CDATA[我们知道神经网络在进行反向传播(BP)的时候会对参数W进行更新，梯度消失就是靠后面网络层(如layer3)能够正常的得到一个合理的偏导数，但是靠近输入层的网络层，计算的到的偏导数近乎零，W几乎无法得到更新。### 什么是[梯度消失](https://so.youkuaiyun.com/so/search?梯度爆炸的意思是，靠近输入层的网络层，计算的到的偏导数极其大，更新后W变成一个很大的数(爆炸)。2. 另外，LSTM的结构设计也可以改善RNN中的梯度消失问题。### 梯度消失和梯度爆炸产生的原因。]]></description><category></category></item><item><title><![CDATA[轻松学习：激活函数]]></title><link>https://blog.youkuaiyun.com/LUOYU125/article/details/147797526</link><guid>https://blog.youkuaiyun.com/LUOYU125/article/details/147797526</guid><author>LUOYU125</author><pubDate>Thu, 08 May 2025 17:07:26 +0800</pubDate><description><![CDATA[神经网络中的每个神经元节点接受**上一层神经元的输出值作为本神经元的输入值**，并将输入值传递给下一层，输入层神经元节点会将输入属性值直接传递给下一层（隐层或输出层）。在多层神经网络中，上层节点的输出和下层节点的输入之间具有一个函数关系，这个函数称为激活函数（又称激励函数）。]]></description><category></category></item><item><title><![CDATA[轻松学习：神经网络]]></title><link>https://blog.youkuaiyun.com/LUOYU125/article/details/147770526</link><guid>https://blog.youkuaiyun.com/LUOYU125/article/details/147770526</guid><author>LUOYU125</author><pubDate>Wed, 07 May 2025 17:22:01 +0800</pubDate><description><![CDATA[**人工神经网络**（artificial neural network，缩写ANN），简称**神经网络**（neural network，缩写NN）或类神经网络，是一种模仿生物神经网络(动物的中枢神经系统，特别是大脑)的结构和功能的数学模型或计算模型，**用于对函数进行估计或近似**。

神经网络主要由：输入层，隐藏层，输出层构成**。当隐藏层只有一层时**，该网络为**两层神经网络**，由于输入层未做任何变换，可以不看做单独的一层。实际中，网络输入层的**每个神经元代表了一个特征**，**输出层个数代表]]></description><category></category></item><item><title><![CDATA[轻松学习：梯度下降法]]></title><link>https://blog.youkuaiyun.com/LUOYU125/article/details/147756978</link><guid>https://blog.youkuaiyun.com/LUOYU125/article/details/147756978</guid><author>LUOYU125</author><pubDate>Wed, 07 May 2025 11:21:59 +0800</pubDate><description><![CDATA[梯度下降法在机器学习中常常用来优化损失函数，是一个非常重要的工具在**求解损失函数的最小值**时，可以通过梯度下降法来一步步的迭代求解，得到最小化的损失函数和模型参数值。反过来，如果我们需要求解损失函数的最大值，这时就需要用梯度上升法来迭代了。在机器学习中，基于基本的梯度下降法发展了两种梯度下降方法，分别为**随机梯度下降法**和**批量梯度下降法]]></description><category></category></item><item><title><![CDATA[#基础Machine Learning 算法（上）]]></title><link>https://blog.youkuaiyun.com/LUOYU125/article/details/147718870</link><guid>https://blog.youkuaiyun.com/LUOYU125/article/details/147718870</guid><author>LUOYU125</author><pubDate>Mon, 05 May 2025 16:09:28 +0800</pubDate><description><![CDATA[机器学习算法大致可以分为三类：

- **监督学习算法 (Supervised Algorithms）**:在监督学习训练过程中，可以由训练数据集学到或建立一个模式（函数 / learning model），并依此模式推测新的实例。该算法要求特定的输入/输出，首先需要决定使用哪种数据作为范例。例如，文字识别应用中一个手写的字符，或一行手写文字。主要算法包括**神经网络、支持向量机、最近邻居法、朴素贝叶斯法、决策树**等。
- **无监督学习算法 (Unsupervised Algorithms)**:这类算]]></description><category></category></item><item><title><![CDATA[像高中一样学习： 机器学习算法----线性回归（Linear Regression）]]></title><link>https://blog.youkuaiyun.com/LUOYU125/article/details/147669699</link><guid>https://blog.youkuaiyun.com/LUOYU125/article/details/147669699</guid><author>LUOYU125</author><pubDate>Fri, 02 May 2025 16:46:07 +0800</pubDate><description><![CDATA[机器学习中的两个常见的问题：回归任务和分类任务。那什么是回归任务和分类任务呢？简单的来说，在**监督学习中（也就是有标签的数据中**），**标签值为连续值时是回归任务，标志值是离散值时是分类任务**。线性回归模型就是处理回归任务的最基础的模型。]]></description><category></category></item><item><title><![CDATA[像高中一样学习：Swin Transformer]]></title><link>https://blog.youkuaiyun.com/LUOYU125/article/details/147669176</link><guid>https://blog.youkuaiyun.com/LUOYU125/article/details/147669176</guid><author>LUOYU125</author><pubDate>Fri, 02 May 2025 15:55:05 +0800</pubDate><description><![CDATA[**Swin Transformer** 是一种基于 Transformer 的视觉模型，由 Microsoft 研究团队提出，旨在解决传统 Transformer 模型在计算机视觉任务中的高计算复杂度问题。]]></description><category></category></item><item><title><![CDATA[像高中一样学习：Transformer]]></title><link>https://blog.youkuaiyun.com/LUOYU125/article/details/147638301</link><guid>https://blog.youkuaiyun.com/LUOYU125/article/details/147638301</guid><author>LUOYU125</author><pubDate>Wed, 30 Apr 2025 18:29:54 +0800</pubDate><description><![CDATA[Transformer是一种用于自然语言处理（NLP）和其他序列到序列（sequence-to-sequence）任务的深度学习模型架构，它在2017年由Vaswani等人首次提出。Transformer架构引入了自注意力机制（self-attention mechanism**），这是一个关键的创新，使其在处理序列数据时表现出色。]]></description><category></category></item><item><title><![CDATA[像高中一样学习：注意力机制(Attention Mechanism）]]></title><link>https://blog.youkuaiyun.com/LUOYU125/article/details/147621852</link><guid>https://blog.youkuaiyun.com/LUOYU125/article/details/147621852</guid><author>LUOYU125</author><pubDate>Tue, 29 Apr 2025 23:42:25 +0800</pubDate><description><![CDATA[机器学习中的一种数据处理方法，允许机器学习模型在处理输入数据时，动态地选择性地关注与当前任务最相关的部分，同时忽略无关信息。其核心思想是通过计算输入元素的重要性权重，将有限的资源集中在关键信息上，从而提升模型的性能和解释性。]]></description><category></category></item><item><title><![CDATA[范式以及模式分解]]></title><link>https://blog.youkuaiyun.com/LUOYU125/article/details/139042802</link><guid>https://blog.youkuaiyun.com/LUOYU125/article/details/139042802</guid><author>LUOYU125</author><pubDate>Sun, 19 May 2024 14:49:57 +0800</pubDate><description><![CDATA[列出关系模式中的所有函数依赖。]]></description><category></category></item><item><title><![CDATA[数据库完整性]]></title><link>https://blog.youkuaiyun.com/LUOYU125/article/details/139042790</link><guid>https://blog.youkuaiyun.com/LUOYU125/article/details/139042790</guid><author>LUOYU125</author><pubDate>Sun, 19 May 2024 14:48:58 +0800</pubDate><description><![CDATA[简单介绍：首先先概述一下数据库完整性指的是什么，数据库完整性指的是数据的正确性和相容性。数据的正确性是指数据是符合现实世界语义、反映当前实际状况的;比如说人类的性别，只能是男和女。数据的相容性是指数据库同一对象在不同关系表中的数据是符合逻辑的。比如说年龄一般都在1-100岁，当然也有超过一百岁的，反正没有两百岁，三百岁成仙的人类。既然我们学的是数据库，那么数据库管理系统就应该为数据完整性实现如下的功能：1.提供定义完整性约束条件的机制。]]></description><category></category></item><item><title><![CDATA[数据库安全]]></title><link>https://blog.youkuaiyun.com/LUOYU125/article/details/139042776</link><guid>https://blog.youkuaiyun.com/LUOYU125/article/details/139042776</guid><author>LUOYU125</author><pubDate>Sun, 19 May 2024 14:48:13 +0800</pubDate><description><![CDATA[把对表SC的INSERT权限授予U5用户，并允许他再将此权限授予其他用户。把对Student表和Course表的全部权限授予用户U2和U3。GRANT <权限>[,<权限>]...REVOKE <权限>[,<权限>]...把查询Student表和修改学生学号的权限授给用户U4。语义：将对指定操作对象的指定操作权限授予指定的用户。FROM <用户>[,<用户>]...;[ON <对象类型> <对象名>]TO <用户>[,<用户>]...[ON <对象类型> <对象名>]PUBLIC（全体用户）]]></description><category></category></item><item><title><![CDATA[SQL数据库]]></title><link>https://blog.youkuaiyun.com/LUOYU125/article/details/139042761</link><guid>https://blog.youkuaiyun.com/LUOYU125/article/details/139042761</guid><author>LUOYU125</author><pubDate>Sun, 19 May 2024 14:47:34 +0800</pubDate><description><![CDATA[SQL（Structured Query Language）结构化查询语言，是关系数据库的标准语言数据定义概览SQL的数据定义功能:模式定义表定义视图和索引的定义模式的定义为用户BitHachi定义了一个模式S-T如果没有指定<模式名>，那么<模式名>隐含为<用户名>COL2 INT,​为用户BitHachi创建了一个模式S-T，并在其中定义了一个表TAB1模式的删除DROP SCHEMA <模式名> <CASCADE|RESTRICT>​CASCADE(级联)]]></description><category></category></item></channel></rss>