<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[PANSS__的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/PANSS__</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; PANSS__]]></copyright><item><title><![CDATA[【NLP】形式语言与自动机]]></title><link>https://blog.youkuaiyun.com/PANSS__/article/details/160053888</link><guid>https://blog.youkuaiyun.com/PANSS__/article/details/160053888</guid><author>PANSS__</author><pubDate>Sun, 12 Apr 2026 23:03:15 +0800</pubDate><description><![CDATA[如果文法里有产生式 A→aB，就说明：当前还需要按 A 的规则继续生成时，先产生一个字符 a，然后剩下的生成任务交给 B。把这个过程翻译成自动机语言，就是：处在状态 A时，如果读到输入字符 a，就转到状态 B。一个文法 G 所生成的全部句子构成的集合，记作：L(G)。它规定了：在一个语言中，符号应该如何组合、如何替换、如何一步步生成合法的字符串。从开始符号出发，按照产生式不断替换非终结符，直到最终得到一个只含终结符的字符串。文法的本质，就是一套“从开始符号出发，按规则不断替换，最终生成字符串”的系统。]]></description><category></category></item><item><title><![CDATA[【操作系统】 第三章 中断与处理机调度]]></title><link>https://blog.youkuaiyun.com/PANSS__/article/details/155790087</link><guid>https://blog.youkuaiyun.com/PANSS__/article/details/155790087</guid><author>PANSS__</author><pubDate>Tue, 30 Dec 2025 01:00:00 +0800</pubDate><description><![CDATA[核心目标：在多道程序环境中，按既定策略从就绪队列中选择一个进程/线程，为其分配CPU资源。2. 关键特性：可剥夺：如果一个新就绪的任务拥有更早的截止期，它可以抢占当前正在运行的任务。任务模型：适用于周期性和非周期性实时任务。最优性：EDF是单处理器上动态优先级实时调度的最优算法。3. 可调度性判定（充要条件）：对于一组周期性实时任务（第i个任务的CPU时间为，周期为），可被EDF调度的充要条件是：总CPU利用率 ≤ 11. 核心思想：2. 关键特性：非剥夺任务模型：仅适用于周期性实时任务。3. 可调度性判定]]></description><category></category></item><item><title><![CDATA[【操作系统】第四章 互斥、同步与通讯]]></title><link>https://blog.youkuaiyun.com/PANSS__/article/details/155820197</link><guid>https://blog.youkuaiyun.com/PANSS__/article/details/155820197</guid><author>PANSS__</author><pubDate>Sat, 27 Dec 2025 15:26:33 +0800</pubDate><description><![CDATA[临界区空闲时（P0不在临界区也不想进），想进的进程（P1）不能进入，必须等待一个不想进的进程（P0）来“走个过场”。允许一个被唤醒的读者再去唤醒另一个等待的读者，从而实现当写者全部完成后，所有等待的读者可以“一连串”地开始读。（如等一个条件）时，它必须释放管程的互斥权，否则其他进程（包括能唤醒它的进程）就无法进入，导致。交换顺序不会导致死锁，但可能影响性能（先释放锁允许其他进程更快进入临界区，是更优的）。的模式，类似现实中的“寄信”（你需写收件人地址，但收件人拆信才知道是谁寄的）。]]></description><category></category></item><item><title><![CDATA[【操作系统】 第六章 内存管理]]></title><link>https://blog.youkuaiyun.com/PANSS__/article/details/155452376</link><guid>https://blog.youkuaiyun.com/PANSS__/article/details/155452376</guid><author>PANSS__</author><pubDate>Sat, 27 Dec 2025 15:25:50 +0800</pubDate><description><![CDATA[将内存中所有已分配进程。]]></description><category></category></item><item><title><![CDATA[【操作系统】 文件系统 + 设备与I/O管理]]></title><link>https://blog.youkuaiyun.com/PANSS__/article/details/155784078</link><guid>https://blog.youkuaiyun.com/PANSS__/article/details/155784078</guid><author>PANSS__</author><pubDate>Mon, 22 Dec 2025 13:05:03 +0800</pubDate><description><![CDATA[文件是。]]></description><category></category></item><item><title><![CDATA[【深度学习】 循环神经网络]]></title><link>https://blog.youkuaiyun.com/PANSS__/article/details/155754803</link><guid>https://blog.youkuaiyun.com/PANSS__/article/details/155754803</guid><author>PANSS__</author><pubDate>Mon, 22 Dec 2025 13:02:53 +0800</pubDate><description><![CDATA[RNN。]]></description><category></category></item><item><title><![CDATA[【深度学习】目标检测]]></title><link>https://blog.youkuaiyun.com/PANSS__/article/details/154990769</link><guid>https://blog.youkuaiyun.com/PANSS__/article/details/154990769</guid><author>PANSS__</author><pubDate>Mon, 22 Dec 2025 13:01:35 +0800</pubDate><description><![CDATA[将。]]></description><category></category></item><item><title><![CDATA[【深度学习】transformer架构]]></title><link>https://blog.youkuaiyun.com/PANSS__/article/details/155931072</link><guid>https://blog.youkuaiyun.com/PANSS__/article/details/155931072</guid><author>PANSS__</author><pubDate>Mon, 22 Dec 2025 13:00:25 +0800</pubDate><description><![CDATA[它就像一个“翻译官”，负责把一种序列（比如一句英文）转换成另一种序列（比如一句中文）。这个模型是处理。]]></description><category></category></item><item><title><![CDATA[【 深度学习 】生成对抗网络 GAN]]></title><link>https://blog.youkuaiyun.com/PANSS__/article/details/155717247</link><guid>https://blog.youkuaiyun.com/PANSS__/article/details/155717247</guid><author>PANSS__</author><pubDate>Mon, 22 Dec 2025 12:57:03 +0800</pubDate><description><![CDATA[转置卷积是一种上采样操作（考点），用于将小尺寸的特征图扩展为大尺寸的特征图。]]></description><category></category></item><item><title><![CDATA[【计算机视觉】Harris角点检测]]></title><link>https://blog.youkuaiyun.com/PANSS__/article/details/152815812</link><guid>https://blog.youkuaiyun.com/PANSS__/article/details/152815812</guid><author>PANSS__</author><pubDate>Wed, 15 Oct 2025 00:00:00 +0800</pubDate><description><![CDATA[思路：它先在图像上取一个像素点，以这个点为中心画一个“窗口”，然后，它将这个窗口向周围的8个方向（上、下、左、右、左上、右上、左下、右下）各平移一小步（比如一个像素）。：λ1​ 和 λ2​ 都很大，所以 det(M)=λ1​λ2​ 会是一个很大的正数。trace(M) 也很大，但因为 k 很小，所以 det(M) 占主导，最终的 R 是一个很大的正数。所以 R≈0−k(λ1​)2，会是一个很大的负数。：如果窗口在一个颜色均匀的区域（比如蓝天、白墙），无论朝哪个方向移动这个窗口，窗口里的内容基本没什么变化。]]></description><category></category></item><item><title><![CDATA[【机器学习】主成分分析 （PCA）]]></title><link>https://blog.youkuaiyun.com/PANSS__/article/details/148445487</link><guid>https://blog.youkuaiyun.com/PANSS__/article/details/148445487</guid><author>PANSS__</author><pubDate>Thu, 05 Jun 2025 11:34:15 +0800</pubDate><description><![CDATA[代码通过 Python 实现，加载 ORL Faces 数据集（包含 40 个类别的灰度人脸图片，每类约 10 张，格式为 .pgm），执行 PCA 降维，保留前 50 个主成分，并可视化降维后的数据分布以及原始图片与重建图片的对比。实验路径为 D:/Desktop/Code/ML/ML/PCA/ORL_Faces/ORL_Faces，假设图片尺寸为 112×92 112 \times 92 112×92，展平后每张图片为 10,304 维向量。假定有n个样本，每个样本是d维的特征向量，记为。]]></description><category></category></item><item><title><![CDATA[【数字图像处理】期末复习-----知识点]]></title><link>https://blog.youkuaiyun.com/PANSS__/article/details/148351404</link><guid>https://blog.youkuaiyun.com/PANSS__/article/details/148351404</guid><author>PANSS__</author><pubDate>Tue, 03 Jun 2025 09:19:14 +0800</pubDate><description><![CDATA[一、基础知识数字图像处理概念：借助 计算机 处理 数字图像 （图像数字化）数字图像：采样（离散坐标）+ 量化（离散灰度）后的图像图像数字化技术：采样+量化（1）采样： 决定了图像的空间分辨率，即图像有多少像素采样就是将空间上连续的图像转换为离散像素点的过程，即沿图像的水平和垂直方向按一定间隔取点。类比：用网格纸覆盖一张照片，只记录网格交叉点的颜色1、采样间隔（Δx, Δy）：相邻像素点的间距间隔越小--->采样密度越高--->图像细节保留越多（但数据量增大）2、采样频率：单位长度内的采样点数。]]></description><category></category></item><item><title><![CDATA[【机器学习】支持向量机（SVM）]]></title><link>https://blog.youkuaiyun.com/PANSS__/article/details/148094354</link><guid>https://blog.youkuaiyun.com/PANSS__/article/details/148094354</guid><author>PANSS__</author><pubDate>Wed, 21 May 2025 19:23:18 +0800</pubDate><description><![CDATA[SVM是一种基于统计学习理论的监督学习模型，旨在找到一个最优超平面，将不同类别的数据点分隔开，同时最大化分类间隔（Margin）具体来说：在线性可分时，在原空间寻找两类样本的最优分类超平面。在线性不可分时，加入松弛变量并通过使用非线性映射将低维度输入空间的样本映射到高维度空间使其变为线性可分，这样就可以在该特征空间中寻找最优分类超平面。]]></description><category></category></item><item><title><![CDATA[【机器学习】朴素贝叶斯]]></title><link>https://blog.youkuaiyun.com/PANSS__/article/details/148088210</link><guid>https://blog.youkuaiyun.com/PANSS__/article/details/148088210</guid><author>PANSS__</author><pubDate>Tue, 20 May 2025 15:27:39 +0800</pubDate><description><![CDATA[一、朴素贝叶斯的基本概念一、朴素贝叶斯的基本概念1.1 定义朴素贝叶斯是一种基于的算法，。1.2 核心公式：贝叶斯定理说明：𝑃(𝐶∣𝑋): 后验概率，给定特征 X 时类别 C 的概率。𝑃(𝑋∣𝐶): 似然概率，给定类别 C 时特征 X 的概率。𝑃(𝐶): 先验概率，类别 C 的概率。𝑃(𝑋): 证据（归一化常数），通常在分类时可忽略。1.3 朴素假设：特征 X=(x1​,x2​,…,xn​) 在给定类别 𝐶 下条件独立二、分类决策朴素贝叶斯分类器通过进行分类，即。]]></description><category></category></item><item><title><![CDATA[【机器学习】决策树]]></title><link>https://blog.youkuaiyun.com/PANSS__/article/details/148086956</link><guid>https://blog.youkuaiyun.com/PANSS__/article/details/148086956</guid><author>PANSS__</author><pubDate>Tue, 20 May 2025 14:56:14 +0800</pubDate><description><![CDATA[决策树是一种树形结构，通过递归地将输入空间划分为不同区域，基于特征条件进行决策，最终用于分类或回归任务。1.2 组成根节点、内部节点、叶节点，分别表示数据集、特征条件和最终输出（类别或数值）。]]></description><category></category></item><item><title><![CDATA[【机器学习】logistic回归 ]]></title><link>https://blog.youkuaiyun.com/PANSS__/article/details/148085444</link><guid>https://blog.youkuaiyun.com/PANSS__/article/details/148085444</guid><author>PANSS__</author><pubDate>Tue, 20 May 2025 14:03:05 +0800</pubDate><description><![CDATA[Logistic回归是一种用于解决二分类问题（也可扩展到多分类）的监督学习算法，预测结果是 概率值（0到1之间）。]]></description><category></category></item><item><title><![CDATA[跑代码中遇到killed的解决方案]]></title><link>https://blog.youkuaiyun.com/PANSS__/article/details/147860443</link><guid>https://blog.youkuaiyun.com/PANSS__/article/details/147860443</guid><author>PANSS__</author><pubDate>Sat, 10 May 2025 22:40:52 +0800</pubDate><description><![CDATA[交换空间是磁盘上的一块区域，当物理内存不足时，系统会将部分内存数据转移到交换空间，以腾出物理内存。虽然交换空间的速度比物理内存慢，但可以避免程序因内存不足而被终止。]]></description><category></category></item><item><title><![CDATA[【机器学习】Logistic 回归]]></title><link>https://blog.youkuaiyun.com/PANSS__/article/details/147767683</link><guid>https://blog.youkuaiyun.com/PANSS__/article/details/147767683</guid><author>PANSS__</author><pubDate>Wed, 07 May 2025 22:38:39 +0800</pubDate><description><![CDATA[逻辑回归是一种用于二分类问题的机器学习算法，通过sigmoid函数将线性回归的输出映射到0到1之间，表示样本属于正类的概率。其核心是利用最大似然估计优化参数，构建损失函数（通常为对数损失），通过梯度下降等方法最小化损失来拟合模型。逻辑回归假设数据特征与目标变量之间存在线性关系，适合处理线性可分的数据。它简单高效，广泛应用于分类任务，如垃圾邮件检测、疾病预测等，但对非线性关系和多类问题需扩展处理。]]></description><category></category></item><item><title><![CDATA[[学习笔记] citygaussianV2]]></title><link>https://blog.youkuaiyun.com/PANSS__/article/details/147688035</link><guid>https://blog.youkuaiyun.com/PANSS__/article/details/147688035</guid><author>PANSS__</author><pubDate>Sat, 03 May 2025 22:18:12 +0800</pubDate><description><![CDATA[论文题目：CityGaussianV2: Efficient and Geometrically Accurate Reconstruction for Large-Scale Scenes项目主页: https://dekuliutesla.github.io/CityGaussianV2论文链接: https://arxiv.org/pdf/2411.00771代码链接 : https://github.com/DekuLiuTesla/CityGaussian。]]></description><category></category></item><item><title><![CDATA[【机器学习】朴素贝叶斯]]></title><link>https://blog.youkuaiyun.com/PANSS__/article/details/147578178</link><guid>https://blog.youkuaiyun.com/PANSS__/article/details/147578178</guid><author>PANSS__</author><pubDate>Mon, 28 Apr 2025 16:15:53 +0800</pubDate><description><![CDATA[朴素贝叶斯是一种基于贝叶斯定理的概率分类算法。它属于监督学习算法的一种，也就是说，它需要一个带有标签（即正确答案）的训练数据集来学习。它的核心思想是：对于一个未知类别的数据样本，计算该样本属于各个类别的概率，然后选择概率最大的那个类别作为它的预测类别。]]></description><category></category></item></channel></rss>