<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[SWZ156的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/SWZ156</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; SWZ156]]></copyright><item><title><![CDATA[大模型面试题]]></title><link>https://blog.youkuaiyun.com/SWZ156/article/details/146985619</link><guid>https://blog.youkuaiyun.com/SWZ156/article/details/146985619</guid><author>SWZ156</author><pubDate>Thu, 03 Apr 2025 17:28:35 +0800</pubDate><description><![CDATA[深度学习中的“大模型”通常指的是具有大量参数的神经网络模型，这些模型在训练过程中能够学习到数据中的复杂模式和关系。与传统的机器学习模型相比，大模型往往具有更深的网络结构和更多的层，从而能够捕捉更高层次的抽象特征。大模型的一个显著特点是其参数量巨大，有时可达数十亿甚至上万亿个参数。这种规模的模型需要大量的计算资源和数据来进行训练，但它们在许多任务上表现出色，尤其是在自然语言处理和计算机视觉等领域。]]></description><category></category></item><item><title><![CDATA[毕业设计：基于YOLOv5目标检测模型的创新与改进]]></title><link>https://blog.youkuaiyun.com/SWZ156/article/details/144750160</link><guid>https://blog.youkuaiyun.com/SWZ156/article/details/144750160</guid><author>SWZ156</author><pubDate>Thu, 26 Dec 2024 18:00:35 +0800</pubDate><description><![CDATA[目标检测作为计算机视觉领域中的一个重要任务，广泛应用于自动驾驶、安防监控、人脸识别等多个场景。近年来，随着深度学习的迅速发展，YOLO系列（You Only Look Once）目标检测算法因其高效性和实时性，成为了最受欢迎的目标检测方法之一。特别是YOLOv5，作为YOLO系列中的一个重要版本，在速度和精度之间取得了良好的平衡，广泛应用于各类实时目标检测任务。然而，尽管YOLOv5在许多场景中表现出色，但在一些特定任务中，仍存在一定的局限性。]]></description><category></category></item><item><title><![CDATA[Streamlit 入门教程：快速构建交互式 Web 应用]]></title><link>https://blog.youkuaiyun.com/SWZ156/article/details/144406867</link><guid>https://blog.youkuaiyun.com/SWZ156/article/details/144406867</guid><author>SWZ156</author><pubDate>Wed, 11 Dec 2024 18:00:25 +0800</pubDate><description><![CDATA[Streamlit 是一个 Python 库，用于创建和部署交互式 Web 应用。与传统的 Web 框架（如 Flask 或 Django）不同，Streamlit 让开发者专注于数据和应用逻辑，而不需要担心复杂的前端设计和页面布局。你只需要用 Python 编写代码，Streamlit 会自动处理所有的 Web 服务器、前端 UI 和交互。Streamlit 是一个非常简单且强大的框架，可以帮助你快速构建交互式数据应用。它不需要你掌握前端开发技能，只需专注于 Python 代码即可。]]></description><category></category></item><item><title><![CDATA[BERT--自然语言处理的革命性进展]]></title><link>https://blog.youkuaiyun.com/SWZ156/article/details/144378680</link><guid>https://blog.youkuaiyun.com/SWZ156/article/details/144378680</guid><author>SWZ156</author><pubDate>Tue, 10 Dec 2024 17:20:01 +0800</pubDate><description><![CDATA[BERT的提出是深度学习在自然语言处理领域的一次革命，它通过双向的Transformer架构和预训练-微调的方式，在多个NLP任务上都取得了显著的性能提升。尽管BERT仍然面临一些挑战，如计算资源的消耗和对长文本的处理，但它为NLP领域的研究人员和工程师提供了一个强大的工具，推动了整个行业的发展。随着BERT模型的优化与变种（如RoBERTa、DistilBERT等）不断涌现，BERT将在未来的语言理解任务中继续扮演重要角色，成为推动人工智能进步的重要力量。]]></description><category></category></item><item><title><![CDATA[深度学习中的图片分类：VGG16 模型详解及代码实现]]></title><link>https://blog.youkuaiyun.com/SWZ156/article/details/144245365</link><guid>https://blog.youkuaiyun.com/SWZ156/article/details/144245365</guid><author>SWZ156</author><pubDate>Wed, 04 Dec 2024 17:23:10 +0800</pubDate><description><![CDATA[VGG16 是一个经典的卷积神经网络模型，它通过简单一致的设计，证明了深度网络的有效性。通过使用更小的卷积核和增加网络的深度，VGG16 成为了一种非常高效且可迁移的网络结构。本文不仅介绍了 VGG16 的基本原理，还通过 PyTorch 实现了一个用于图片分类任务的 VGG16 模型。如果你对深度学习中的其他经典模型感兴趣，欢迎留言交流！]]></description><category></category></item><item><title><![CDATA[深度学习中的图片分类：ResNet 模型详解及代码实现]]></title><link>https://blog.youkuaiyun.com/SWZ156/article/details/144245333</link><guid>https://blog.youkuaiyun.com/SWZ156/article/details/144245333</guid><author>SWZ156</author><pubDate>Wed, 04 Dec 2024 17:21:43 +0800</pubDate><description><![CDATA[ResNet 的残差结构是深度学习历史上的一个里程碑，显著提升了深层网络的可训练性。通过本次实践，我们不仅复现了一个基本的 ResNet 模型，还理解了它在图片分类任务中的强大性能。希望这篇文章和代码对你有所帮助！如果有问题或优化建议，欢迎留言讨论 😊。]]></description><category></category></item><item><title><![CDATA[OCR与PaddleOCR介绍]]></title><link>https://blog.youkuaiyun.com/SWZ156/article/details/143518265</link><guid>https://blog.youkuaiyun.com/SWZ156/article/details/143518265</guid><author>SWZ156</author><pubDate>Tue, 05 Nov 2024 17:51:14 +0800</pubDate><description><![CDATA[在数字化时代，光学字符识别（OCR，Optical Character Recognition）技术变得越来越重要。OCR技术可以将图像中的文本转换为可编辑和可搜索的文本格式，广泛应用于文档数字化、自动化数据输入、车牌识别等领域。本文将介绍OCR的基本概念以及PaddleOCR这一强大的OCR工具。光学字符识别（OCR）是一种将图像中的文本内容转换为机器可读文本的技术。它通过图像处理和模式识别的方法，识别文本字符并将其转化为数字信息。文档数字化：将纸质文件转换为电子格式，便于存储和检索。自动数据输入。]]></description><category></category></item><item><title><![CDATA[Streamlit 入门使用指南及与 FastAPI 的配合使用]]></title><link>https://blog.youkuaiyun.com/SWZ156/article/details/143518162</link><guid>https://blog.youkuaiyun.com/SWZ156/article/details/143518162</guid><author>SWZ156</author><pubDate>Tue, 05 Nov 2024 17:48:05 +0800</pubDate><description><![CDATA[Streamlit 和 FastAPI 的结合使得构建数据驱动的 Web 应用变得轻松而高效。Streamlit 负责提供用户友好的界面，FastAPI 则处理后端逻辑和数据请求。通过这种组合，您可以快速构建出强大且功能丰富的应用，无论是用于数据可视化、机器学习模型的展示，还是其他需要快速开发的应用场景。希望这篇入门指南能帮助您快速上手 Streamlit 和 FastAPI，开启您的数据应用开发之旅！]]></description><category></category></item><item><title><![CDATA[FastAPI 入门使用指南]]></title><link>https://blog.youkuaiyun.com/SWZ156/article/details/143518111</link><guid>https://blog.youkuaiyun.com/SWZ156/article/details/143518111</guid><author>SWZ156</author><pubDate>Tue, 05 Nov 2024 17:46:40 +0800</pubDate><description><![CDATA[FastAPI 提供了一种简单、高效的方式来构建 Web 应用和 API。它支持异步编程，自动生成文档，适合构建微服务架构。希望这篇入门指南能帮助您快速上手 FastAPI，创建您的第一个 API 项目！]]></description><category></category></item><item><title><![CDATA[Miniconda 和 Anaconda 的区别]]></title><link>https://blog.youkuaiyun.com/SWZ156/article/details/143362967</link><guid>https://blog.youkuaiyun.com/SWZ156/article/details/143362967</guid><author>SWZ156</author><pubDate>Wed, 30 Oct 2024 13:40:50 +0800</pubDate><description><![CDATA[以下为在Windows系统中安装Miniconda的步骤，其他操作系统的安装过程也非常相似。以上就是Miniconda和Anaconda的区别以及Miniconda的安装和使用方法。是虚拟环境的名称，可以根据需要替换成其他名字。的版本号，说明安装成功。]]></description><category></category></item><item><title><![CDATA[YOLO（You Only Look Once）目标检测系列 - YOLOv1]]></title><link>https://blog.youkuaiyun.com/SWZ156/article/details/143308985</link><guid>https://blog.youkuaiyun.com/SWZ156/article/details/143308985</guid><author>SWZ156</author><pubDate>Mon, 28 Oct 2024 17:59:29 +0800</pubDate><description><![CDATA[本文介绍了YOLOv1的理论背景及其在目标检测中的应用，并提供了完整的代码实现。YOLOv1通过将目标检测视为回归问题，极大地提高了检测速度和效率。接下来的文章将介绍YOLO的后续版本（YOLOv2及YOLOv3），以及如何在实际应用中优化这些模型。]]></description><category></category></item><item><title><![CDATA[ImportError: torchvision is not compatible with the installed version of PyTorch.]]></title><link>https://blog.youkuaiyun.com/SWZ156/article/details/143308729</link><guid>https://blog.youkuaiyun.com/SWZ156/article/details/143308729</guid><author>SWZ156</author><pubDate>Mon, 28 Oct 2024 17:43:23 +0800</pubDate><description><![CDATA[为项目创建独立的虚拟环境，避免与其他项目中的库版本冲突。的版本不兼容的情况下。版本为 1.9.0。]]></description><category></category></item><item><title><![CDATA[ImportError: numpy.core.multiarray failed to import]]></title><link>https://blog.youkuaiyun.com/SWZ156/article/details/143308694</link><guid>https://blog.youkuaiyun.com/SWZ156/article/details/143308694</guid><author>SWZ156</author><pubDate>Mon, 28 Oct 2024 17:42:23 +0800</pubDate><description><![CDATA[用户可能安装了一个不兼容的。版本可能与某些旧版本的。的要求，安装一个兼容的。文件，确保版本的兼容性。]]></description><category></category></item><item><title><![CDATA[ImportError: cannot import name ‘Sequential‘ from ‘keras.models‘]]></title><link>https://blog.youkuaiyun.com/SWZ156/article/details/143308644</link><guid>https://blog.youkuaiyun.com/SWZ156/article/details/143308644</guid><author>SWZ156</author><pubDate>Mon, 28 Oct 2024 17:40:39 +0800</pubDate><description><![CDATA[使用虚拟环境可以避免全局环境中的包冲突。这将显示一个树状图，列出所有安装的包及其依赖项，帮助你识别冲突。工具可以帮助你查看包的依赖关系树，识别潜在的包冲突。文件中指定库的版本，以确保它们之间的兼容性。的兼容性矩阵，确保所选版本之间兼容。2.x 中，应该使用以下方式导入。导入可能会导致错误。如果需要使用某个特定版本的。库可能会导致版本冲突。]]></description><category></category></item><item><title><![CDATA[解决 Python 中的 TypeError 错误]]></title><link>https://blog.youkuaiyun.com/SWZ156/article/details/143308549</link><guid>https://blog.youkuaiyun.com/SWZ156/article/details/143308549</guid><author>SWZ156</author><pubDate>Mon, 28 Oct 2024 17:37:12 +0800</pubDate><description><![CDATA[TypeError是 Python 抛出的异常之一，表示在操作或函数调用中，参数的类型不符合预期。对不同类型的数据进行数学运算（如字符串与整数相加）。试图调用不支持的方法。使用了错误类型的参数来调用函数。TypeError是 Python 编程中常见的错误之一，通常是由于数据类型不匹配引起的。通过仔细检查操作数的类型、确保类型转换正确，以及遵循函数参数的要求，可以有效地避免和解决这些错误。了解并解决这些常见错误，不仅能提高代码的质量，还能减少调试的时间。]]></description><category></category></item><item><title><![CDATA[Windows 上更新OpenSSL 到 1.1.1]]></title><link>https://blog.youkuaiyun.com/SWZ156/article/details/143290977</link><guid>https://blog.youkuaiyun.com/SWZ156/article/details/143290977</guid><author>SWZ156</author><pubDate>Mon, 28 Oct 2024 11:31:53 +0800</pubDate><description><![CDATA[提供了 Windows 版 OpenSSL 安装程序。选择合适的版本（Win64 对应 64 位系统，Win32 对应 32 位系统）。为了确保系统能够识别新的 OpenSSL 版本，需要将其路径添加到环境变量。中提供了一些不同的预编译包选择，可以选择适合的资源下载。点击“新建”，输入 OpenSSL 的安装路径。打开“控制面板” > “系统和安全” > “系统”。点击左侧的“高级系统设置”，然后点击“环境变量”。系列的版本号，说明安装和更新成功。在“系统变量”部分，找到并选择。，然后点击“编辑”。]]></description><category></category></item><item><title><![CDATA[闲置显卡部署到linux]]></title><link>https://blog.youkuaiyun.com/SWZ156/article/details/143175541</link><guid>https://blog.youkuaiyun.com/SWZ156/article/details/143175541</guid><author>SWZ156</author><pubDate>Wed, 23 Oct 2024 09:40:35 +0800</pubDate><description><![CDATA[要将你在 Windows 电脑上的 GPU 资源提供给 Linux 系统。]]></description><category></category></item><item><title><![CDATA[PyTorch搭建神经网络入门教程]]></title><link>https://blog.youkuaiyun.com/SWZ156/article/details/143057472</link><guid>https://blog.youkuaiyun.com/SWZ156/article/details/143057472</guid><author>SWZ156</author><pubDate>Fri, 18 Oct 2024 16:46:31 +0800</pubDate><description><![CDATA[在深度学习中，数据是非常重要的。我们将使用 PyTorch 内置的库中的MNIST数据集。这个数据集包含手写数字，适合用来训练图像分类模型。# 定义数据的预处理步骤# 下载并加载训练集和测试集上面的代码中，我们将数据进行了标准化处理，并使用DataLoader将数据分批加载。意味着每次会处理64张图片。我们将使用来定义一个简单的全连接神经网络。这个网络包含输入层、隐藏层和输出层，每层使用线性激活和 ReLU 非线性激活函数。# 定义两层全连接层。]]></description><category></category></item><item><title><![CDATA[vLLM简介]]></title><link>https://blog.youkuaiyun.com/SWZ156/article/details/143057343</link><guid>https://blog.youkuaiyun.com/SWZ156/article/details/143057343</guid><author>SWZ156</author><pubDate>Fri, 18 Oct 2024 16:42:07 +0800</pubDate><description><![CDATA[vLLM是一款高性能的LLM推理引擎，它针对大语言模型的推理任务进行了优化，特别适合处理并行性和大规模部署的需求。其设计核心是通过创新的“动态批处理”和“连续缓存”来最大化GPU的利用率，同时减少内存占用与数据传输开销。这些技术突破让vLLM在推理速度和硬件资源消耗之间找到了平衡，使得它成为大规模、多用户并发场景下的一种理想选择。]]></description><category></category></item><item><title><![CDATA[PyTorch 实现自然语言分类]]></title><link>https://blog.youkuaiyun.com/SWZ156/article/details/142987460</link><guid>https://blog.youkuaiyun.com/SWZ156/article/details/142987460</guid><author>SWZ156</author><pubDate>Wed, 16 Oct 2024 17:29:18 +0800</pubDate><description><![CDATA[自然语言分类是自然语言处理（NLP）中的一项重要任务，广泛应用于情感分析、垃圾邮件检测、主题分类等领域。在本教程中，我们将使用 PyTorch 实现一个自然语言分类模型，具体任务是基于输入的文本预测其类别。PyTorch 作为一个灵活、功能强大的深度学习框架，广泛应用于各类 NLP 任务。我们将利用 PyTorch 的构建块来实现一个简单的文本分类器，并在一个小型数据集上进行训练。在本项目中，我们将实现一个基于 LSTM（长短期记忆网络）的自然语言分类模型。数据加载与预处理。]]></description><category></category></item></channel></rss>