<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[小虾米]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Little_Shrimp</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Little_Shrimp]]></copyright><item><title><![CDATA[CUDA、PyTorch、TorchVision、Transformers与vLLM的作用、依赖及版本问题解析]]></title><link>https://blog.youkuaiyun.com/Little_Shrimp/article/details/158504413</link><guid>https://blog.youkuaiyun.com/Little_Shrimp/article/details/158504413</guid><author>Little_Shrimp</author><pubDate>Sat, 28 Feb 2026 15:31:35 +0800</pubDate><description><![CDATA[深度学习工具链解析：CUDA、PyTorch、TorchVision、Transformers与vLLM构成了一套完整的深度学习技术栈。CUDA是底层GPU计算基础，PyTorch提供核心计算框架，TorchVision专注计算机视觉任务，Transformers支持NLP大模型开发，vLLM优化大模型推理性能。这些组件相互依赖，版本需严格匹配，如vLLM 0.8.5可能自动安装最新版Transformers 5.2.0。理解各组件的功能定位和版本关系，对构建稳定高效的深度学习环境至关重要。]]></description><category></category></item><item><title><![CDATA[用Aider+本地大模型打造专属编程助手：实现Claude式Skills技能体系]]></title><link>https://blog.youkuaiyun.com/Little_Shrimp/article/details/158457830</link><guid>https://blog.youkuaiyun.com/Little_Shrimp/article/details/158457830</guid><author>Little_Shrimp</author><pubDate>Fri, 27 Feb 2026 10:21:13 +0800</pubDate><description><![CDATA[用Aider+本地大模型打造专属编程助手 Aider是一款高效的终端AI编程工具，支持深度集成代码文件和本地大模型。通过自定义&quot;技能(Skills)&quot;文档体系，可实现类似Claude Skills的编程辅助能力。安装Aider后，需部署兼容OpenAI API格式的本地模型(如Qwen)，并配置SSL证书和启动脚本。核心功能是构建多技能文档体系，每个文档包含角色定位、规则约束和示例，支持启动时加载和运行中动态切换。使用时需注意Token限制、路径问题和SSL兼容性，建议同时加载3-5个技]]></description><category></category></item><item><title><![CDATA[高性能推理框架vLLM]]></title><link>https://blog.youkuaiyun.com/Little_Shrimp/article/details/157395880</link><guid>https://blog.youkuaiyun.com/Little_Shrimp/article/details/157395880</guid><author>Little_Shrimp</author><pubDate>Mon, 26 Jan 2026 15:42:10 +0800</pubDate><description><![CDATA[vLLM通过PagedAttention与Continuous Batching技术，为Qwen3-VL-235B-A22B-Thinking这类大参数量多模态模型提供了高效推理方案，兼顾显存利用率、吞吐量与稳定性。通过本指南的环境配置、部署步骤与优化策略，可快速实现模型的离线推理与在线服务部署，适用于高并发多模态API、智能视觉分析、长文本生成等企业级场景。实际部署时需结合硬件资源与业务需求，动态调整量化精度、批处理参数与并行策略，实现性能与成本的最优平衡。]]></description><category></category></item><item><title><![CDATA[链式法则与梯度下降：深度学习训练的数学核心]]></title><link>https://blog.youkuaiyun.com/Little_Shrimp/article/details/152798543</link><guid>https://blog.youkuaiyun.com/Little_Shrimp/article/details/152798543</guid><author>Little_Shrimp</author><pubDate>Thu, 09 Oct 2025 13:49:54 +0800</pubDate><description><![CDATA[神经网络训练的核心在于前向传播和反向传播的协同工作。前向传播逐层计算预测输出，而反向传播利用链式法则计算梯度，指导参数更新。梯度下降算法通过迭代调整参数最小化损失函数，其变体如小批量梯度下降在深度学习中广泛应用。链式法则是反向传播的数学基础，通过复合函数求导实现高效梯度计算。尽管面临局部最优、梯度消失等挑战，但通过改进优化算法和调整学习率等策略，这些方法构成了深度学习模型训练的基础框架，推动着人工智能技术的持续发展。]]></description><category></category></item><item><title><![CDATA[Electron 安全实践：渲染进程如何安全使用主进程的三方库能力]]></title><link>https://blog.youkuaiyun.com/Little_Shrimp/article/details/152209743</link><guid>https://blog.youkuaiyun.com/Little_Shrimp/article/details/152209743</guid><author>Little_Shrimp</author><pubDate>Sun, 28 Sep 2025 10:44:56 +0800</pubDate><description><![CDATA[本文介绍了Electron应用中渲染进程安全使用主进程三方库能力的推荐方案。通过IPC通信+预加载脚本构建安全桥梁，在保持上下文隔离和禁用Node.js集成的前提下，利用contextBridge有限暴露API。详细说明了主进程配置、预加载脚本编写和渲染进程调用的实现步骤，强调安全配置要点如nodeIntegration:false和输入验证。同时提供了IPC通信最佳实践和性能优化建议，如批量操作和错误处理。该方案符合Electron安全规范，实现安全与功能的平衡。]]></description><category></category></item><item><title><![CDATA[神经网络二分类任务详解：前向传播与反向传播的数学计算]]></title><link>https://blog.youkuaiyun.com/Little_Shrimp/article/details/152085518</link><guid>https://blog.youkuaiyun.com/Little_Shrimp/article/details/152085518</guid><author>Little_Shrimp</author><pubDate>Thu, 25 Sep 2025 15:56:06 +0800</pubDate><description><![CDATA[本文详细解析了一个神经网络在二分类任务中的完整计算过程。网络包含2个输入神经元、3个隐藏神经元和1个输出神经元，使用ReLU和Sigmoid激活函数。通过前向传播计算出初始输出值0.806和损失值0.018818。随后进行反向传播，计算各层参数梯度并更新权重和偏置。参数更新后，网络输出值提高到0.808，损失降至0.018456，验证了梯度下降算法的有效性。这个过程清晰展示了神经网络从输入到输出、从损失计算到参数更新的完整学习机制。]]></description><category></category></item><item><title><![CDATA[神经网络结构：从基础原理到自动优化]]></title><link>https://blog.youkuaiyun.com/Little_Shrimp/article/details/152031586</link><guid>https://blog.youkuaiyun.com/Little_Shrimp/article/details/152031586</guid><author>Little_Shrimp</author><pubDate>Wed, 24 Sep 2025 11:27:07 +0800</pubDate><description><![CDATA[人工神经网络（ANN）是一种受生物神经系统启发的计算模型，由输入层、隐藏层和输出层组成。输入层接收原始数据，隐藏层进行特征提取和转换，输出层产生预测结果。不同任务需设计不同结构：二分类任务使用Sigmoid输出层，多分类任务用Softmax，回归任务用线性输出层。激活函数（如ReLU、Sigmoid）为网络引入非线性能力。现代大模型采用神经架构搜索（NAS）等技术自动优化网络结构，提高效率。这些机制使神经网络能适应不同任务需求，实现高效学习。]]></description><category></category></item><item><title><![CDATA[神经网络反向传播中的学习率：从理论到实践的全面解析]]></title><link>https://blog.youkuaiyun.com/Little_Shrimp/article/details/152029894</link><guid>https://blog.youkuaiyun.com/Little_Shrimp/article/details/152029894</guid><author>Little_Shrimp</author><pubDate>Wed, 24 Sep 2025 10:51:46 +0800</pubDate><description><![CDATA[**摘要：**学习率是深度学习模型训练中的关键超参数，控制参数更新步长。数学上，学习率（η）调节梯度下降公式中的权重变化幅度。适当的学习率能平衡收敛速度与稳定性，过大导致振荡，过小则收敛缓慢。实际应用中需考虑问题复杂度、数据规模、优化器特性等因素，采用固定策略、衰减策略或自适应调整。实验表明，学习率0.1在线性回归任务中表现最佳，而1.0会导致发散。建议通过学习率扫描和监控训练曲线进行调参，结合自适应算法实现高效训练。]]></description><category></category></item><item><title><![CDATA[神经网络核心机制深度解析：链式法则驱动下的梯度流动与参数优化]]></title><link>https://blog.youkuaiyun.com/Little_Shrimp/article/details/151903609</link><guid>https://blog.youkuaiyun.com/Little_Shrimp/article/details/151903609</guid><author>Little_Shrimp</author><pubDate>Sat, 20 Sep 2025 21:07:49 +0800</pubDate><description><![CDATA[本文分析了神经网络中激活函数的特性及其改进方案。首先探讨了Sigmoid和Tanh函数的饱和性问题，指出其导数在极端值区域趋近于零，导致梯度消失问题。实验数据显示，在MNIST数据集上，ReLU的收敛速度和准确率显著优于Sigmoid和Tanh。随后介绍了ReLU系列改进方案（Leaky ReLU、PReLU、ELU），通过保留负区间梯度缓解神经元死亡问题。CIFAR-10实验表明，改进后的激活函数能有效维持深层网络梯度稳定性。最后从数学角度推导了反向传播中的链式法则和Jacobian矩阵应用，为神经网络训]]></description><category></category></item><item><title><![CDATA[Python 并发编程：subprocess、threading、multiprocessing、asyncio 与 concurrent.futures 全解析]]></title><link>https://blog.youkuaiyun.com/Little_Shrimp/article/details/149724884</link><guid>https://blog.youkuaiyun.com/Little_Shrimp/article/details/149724884</guid><author>Little_Shrimp</author><pubDate>Mon, 28 Jul 2025 20:38:20 +0800</pubDate><description><![CDATA[​​：系统级交互的桥梁​​：轻量级 I/O 并发​​：CPU 密集任务的破局者​​asyncio​​：高并发 I/O 的终极方案​​：抽象层的效率优化理解它们的本质差异，结合具体业务场景灵活组合，才能构建出高效、稳定的并发系统。]]></description><category></category></item><item><title><![CDATA[Python虚拟环境中子进程是否会自动继承虚拟环境]]></title><link>https://blog.youkuaiyun.com/Little_Shrimp/article/details/149512420</link><guid>https://blog.youkuaiyun.com/Little_Shrimp/article/details/149512420</guid><author>Little_Shrimp</author><pubDate>Mon, 21 Jul 2025 18:46:05 +0800</pubDate><description><![CDATA[虚拟环境中的子进程为啥"跳出"环境？根本原因是进程隔离机制下，子进程不会自动继承虚拟环境的激活状态。解决方案优先级推荐直接调用虚拟环境的Python解释器（方法一）——简单、高效、跨平台；手动设置环境变量（方法三）——适合需要精细控制的场景；执行激活脚本（方法二）——仅在需要模拟人工激活流程时使用（如依赖管理命令）。]]></description><category></category></item><item><title><![CDATA[软考高级系统架构设计师备考分享：操作系统核心知识点整理]]></title><link>https://blog.youkuaiyun.com/Little_Shrimp/article/details/147817055</link><guid>https://blog.youkuaiyun.com/Little_Shrimp/article/details/147817055</guid><author>Little_Shrimp</author><pubDate>Fri, 09 May 2025 11:29:02 +0800</pubDate><description><![CDATA[• 多个进程因竞争资源形成循环等待，导致所有进程无法继续执行。]]></description><category></category></item><item><title><![CDATA[Python 装饰器：优雅的代码增强术与底层本质解析]]></title><link>https://blog.youkuaiyun.com/Little_Shrimp/article/details/147786145</link><guid>https://blog.youkuaiyun.com/Little_Shrimp/article/details/147786145</guid><author>Little_Shrimp</author><pubDate>Thu, 08 May 2025 13:14:57 +0800</pubDate><description><![CDATA[在软件开发中，我们常面临这样的需求：在不修改原有代码的前提下，为函数或类动态添加功能。例如：• 统计函数执行时间• 记录方法调用日志• 验证用户权限• 缓存计算结果Python 装饰器（Decorator）正是为解决这类问题而生的元编程工具。它通过"糖衣语法"实现代码的优雅增强，被《Python 之禅》作者 Tim Peters 誉为"最优雅的 Python 特性之一"。装饰器本质上是高阶函数（Higher-order Function），满足以下特性：• 输入：接受一个函数/类作为参数• 输出：返回增强后]]></description><category></category></item><item><title><![CDATA[架构风格和设计模式类型]]></title><link>https://blog.youkuaiyun.com/Little_Shrimp/article/details/147113506</link><guid>https://blog.youkuaiyun.com/Little_Shrimp/article/details/147113506</guid><author>Little_Shrimp</author><pubDate>Thu, 10 Apr 2025 10:56:13 +0800</pubDate><description><![CDATA[创建型模式对象的。]]></description><category></category></item><item><title><![CDATA[Qt Creator插件系统详解及插件开发实战]]></title><link>https://blog.youkuaiyun.com/Little_Shrimp/article/details/146172923</link><guid>https://blog.youkuaiyun.com/Little_Shrimp/article/details/146172923</guid><author>Little_Shrimp</author><pubDate>Tue, 11 Mar 2025 10:51:06 +0800</pubDate><description><![CDATA[Qt Creator作为Qt官方IDE，其插件系统允许开发者扩展IDE功能。本文以Qt Creator 4.11（基于Qt5.12.12构建）为例，深入解析插件系统规则，并提供从零开发插件的完整指南。// 创建菜单项。]]></description><category></category></item><item><title><![CDATA[Qt 多线程误区：QThread 任务未正确执行及收尾回调未触发的原因分析]]></title><link>https://blog.youkuaiyun.com/Little_Shrimp/article/details/145828822</link><guid>https://blog.youkuaiyun.com/Little_Shrimp/article/details/145828822</guid><author>Little_Shrimp</author><pubDate>Mon, 24 Feb 2025 14:49:38 +0800</pubDate><description><![CDATA[在开发 Qt 项目时，我们希望并行执行多个任务来提高效率，并在所有任务完成后进行收尾处理。需要更灵活的线程管理（如持续运行任务）只是空跑了一下，没有执行任何任务。，它只是提供了一个独立的事件循环。任务是一次性的，无需额外管理线程。代码更简洁，自动管理线程，避免。仍然卡在主线程，请一定要改用。事件触发时调用收尾函数。（主线程）的方法，因此。线程控制权更强，可绑定。]]></description><category></category></item><item><title><![CDATA[系统架构设计师备考策略]]></title><link>https://blog.youkuaiyun.com/Little_Shrimp/article/details/145798503</link><guid>https://blog.youkuaiyun.com/Little_Shrimp/article/details/145798503</guid><author>Little_Shrimp</author><pubDate>Sat, 22 Feb 2025 18:01:42 +0800</pubDate><description><![CDATA[著称，官方教材《系统架构设计师教程（第2版）》厚达 700 余页，若盲目通读耗时费力。“数据库响应慢问题，建议采用读写分离（理论）+ 增加从库（方案）+ 监控 QPS 验证（数据）。“本文以××项目为背景，通过引入××架构，解决了××问题，使系统吞吐量提升××倍。：通过关键词（如“高并发”、“数据一致性”）匹配知识模块。：用图表展示性能提升（如 TPS 对比图）。：掌握 80% 高频考点，建立知识框架。：不透露企业机密，使用“某银行”代替。：抓住核心考点，合理分配时间，用。：全真模考，提升应试稳定性。]]></description><category></category></item><item><title><![CDATA[领域模型：驱动软件进化的战略核心与实践指南 ]]></title><link>https://blog.youkuaiyun.com/Little_Shrimp/article/details/145651866</link><guid>https://blog.youkuaiyun.com/Little_Shrimp/article/details/145651866</guid><author>Little_Shrimp</author><pubDate>Sat, 15 Feb 2025 15:41:28 +0800</pubDate><description><![CDATA[从 2003 年 DDD 提出到 2025 年 AI 建模普及，领域模型已从方法论演变为软件工程的基石。只有将模型视为活的有机体，而非静态图纸，软件才能真正具备应对未知挑战的进化能力。“未来的软件战争，本质上是领域模型的战争。]]></description><category></category></item><item><title><![CDATA[软件质量属性全景解析：从理论到工程实践]]></title><link>https://blog.youkuaiyun.com/Little_Shrimp/article/details/145594543</link><guid>https://blog.youkuaiyun.com/Little_Shrimp/article/details/145594543</guid><author>Little_Shrimp</author><pubDate>Wed, 12 Feb 2025 16:05:06 +0800</pubDate><description><![CDATA[在Gartner 2025年技术成熟度曲线中，自适应质量管理系统（AQMS）已进入生产力 Plateau期（成熟应用阶段）。质量即代码（Quality as Code）实践可观测性驱动的质量优化隐私计算与安全多方计算的融合通过将质量属性融入DevOps全流程，构建真正具备抗风险能力的软件系统。正如Martin Fowler所言："优秀的架构不是在会议室设计的，而是在质量属性的持续博弈中进化出来的。]]></description><category></category></item><item><title><![CDATA[软件架构评估中的敏感点、权衡点、风险点]]></title><link>https://blog.youkuaiyun.com/Little_Shrimp/article/details/145564578</link><guid>https://blog.youkuaiyun.com/Little_Shrimp/article/details/145564578</guid><author>Little_Shrimp</author><pubDate>Tue, 11 Feb 2025 09:49:42 +0800</pubDate><description><![CDATA[是三个至关重要的概念。理解它们之间的关系，并合理评估它们的影响，有助于构建稳定、高效、可扩展的系统。本文将深入探讨这三个概念，并结合实际案例进行分析。在软件架构设计和评估过程中，架构师需要关注多个关键因素，以确保系统满足功能性和非功能性需求。通过深入理解这三者的关系，架构师可以更好地设计出。，我们来看如何分析敏感点、权衡点和风险点。假设我们正在设计一个。]]></description><category></category></item></channel></rss>