<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Sxiaocai的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Sxiaocai</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Sxiaocai]]></copyright><item><title><![CDATA[速领claude的100$额度]]></title><link>https://blog.youkuaiyun.com/Sxiaocai/article/details/149184464</link><guid>https://blog.youkuaiyun.com/Sxiaocai/article/details/149184464</guid><author>Sxiaocai</author><pubDate>Mon, 07 Jul 2025 23:54:03 +0800</pubDate><description><![CDATA[白嫖claude code 100美金接口权限。第3步：点击API令牌，创建一个API KEY。第2步：点击github登陆领取（需要提资）第4步：点击使用指南，按指南执行。]]></description><category></category></item><item><title><![CDATA[（附邀请码）探秘扣子空间：排盘优美，魅力无限]]></title><link>https://blog.youkuaiyun.com/Sxiaocai/article/details/147350268</link><guid>https://blog.youkuaiyun.com/Sxiaocai/article/details/147350268</guid><author>Sxiaocai</author><pubDate>Sat, 19 Apr 2025 14:16:38 +0800</pubDate><description><![CDATA[扣子空间是由字节跳动推出的一站式全链路 AI 应用开发平台，旨在降低 AI 应用开发的门槛，让更多的开发者和非技术人员能够轻松地创建和发布各类智能应用。在扣子空间中，工作空间是最顶层的资源组织方式，通过它可以对开发资源进行有效的隔离和管理。不同空间内的资源和数据相互独立，互不干扰，从而确保了开发过程的专业性和安全性。]]></description><category></category></item><item><title><![CDATA[Manus邀请码裂变全解析：如何玩转“老带新”实现AI自由？]]></title><link>https://blog.youkuaiyun.com/Sxiaocai/article/details/147274118</link><guid>https://blog.youkuaiyun.com/Sxiaocai/article/details/147274118</guid><author>Sxiaocai</author><pubDate>Wed, 16 Apr 2025 12:27:05 +0800</pubDate><description><![CDATA[这款被称为“数字超级员工”的通用型AI智能体，凭借其从任务规划到执行的全流程自动化能力（如简历筛选、股票分析、旅行规划），迅速成为职场人和科技爱好者的焦点。然而，其内测阶段的邀请码机制，让“一码难求”成为常态，甚至被炒至数万元高价。通过“老用户带新用户”的病毒传播模式，既控制了内测规模，又借助用户社交链实现低成本增长，堪称“营销教科书级操作”。用户通过邀请获得的积分，可投入实际任务中（如生成报告、调用API），形成“拉新-赚积分-用积分”的闭环。每层裂变均奖励积分，用户可借此“白嫖”任务执行权限。]]></description><category></category></item><item><title><![CDATA[使用 TensorFlow 实现并训练 VGGNet 进行 MNIST 分类]]></title><link>https://blog.youkuaiyun.com/Sxiaocai/article/details/143893508</link><guid>https://blog.youkuaiyun.com/Sxiaocai/article/details/143893508</guid><author>Sxiaocai</author><pubDate>Tue, 19 Nov 2024 19:33:20 +0800</pubDate><description><![CDATA[VGGNet 是一种经典的卷积神经网络（CNN）架构，由多个卷积层和全连接层组成。它的主要特点是使用了相同的卷积核大小（3x3）和相同的池化层大小（2x2），通过堆叠更多的卷积层来提取复杂的图像特征。本文将使用。]]></description><category></category></item><item><title><![CDATA[使用 PyTorch 实现并训练 VGGNet 用于 MNIST 分类]]></title><link>https://blog.youkuaiyun.com/Sxiaocai/article/details/143893323</link><guid>https://blog.youkuaiyun.com/Sxiaocai/article/details/143893323</guid><author>Sxiaocai</author><pubDate>Tue, 19 Nov 2024 19:24:57 +0800</pubDate><description><![CDATA[通过以上步骤，我们成功实现并训练了一个 VGGNet 网络，并在 MNIST 数据集上进行了测试与评估。我们使用了混合精度训练来加速训练过程，并通过可视化展示了模型的预测效果。这种方法可以推广到其他数据集和任务中，例如 CIFAR-10、CIFAR-100 或其他图像分类问题。]]></description><category></category></item><item><title><![CDATA[使用TensorFlow实现简化版 GoogLeNet 模型进行 MNIST 图像分类]]></title><link>https://blog.youkuaiyun.com/Sxiaocai/article/details/143865596</link><guid>https://blog.youkuaiyun.com/Sxiaocai/article/details/143865596</guid><author>Sxiaocai</author><pubDate>Mon, 18 Nov 2024 20:10:56 +0800</pubDate><description><![CDATA[本文介绍了如何使用 TensorFlow 实现简化版 GoogLeNet，并在 MNIST 数据集上进行训练和测试。我们将代码分为训练和测试两部分，分别处理数据预处理、模型训练与评估、结果展示等工作。通过使用 GoogLeNet 进行图像分类，我们不仅能够提高分类性能，还能了解 Inception 模块在图像处理中的强大能力。希望这篇博客能够帮助你更好地理解深度学习模型的训练与测试过程。]]></description><category></category></item><item><title><![CDATA[使用 PyTorch 实现简化版 GoogLeNet 进行 MNIST 图像分类]]></title><link>https://blog.youkuaiyun.com/Sxiaocai/article/details/143863927</link><guid>https://blog.youkuaiyun.com/Sxiaocai/article/details/143863927</guid><author>Sxiaocai</author><pubDate>Mon, 18 Nov 2024 18:39:48 +0800</pubDate><description><![CDATA[本文将介绍如何使用 PyTorch 实现一个简化版的 GoogLeNet 网络来进行 MNIST 图像分类。GoogLeNet 是 Google 提出的深度卷积神经网络（CNN），其通过 Inception 模块大大提高了计算效率并提升了分类性能。我们将实现一个简化版的 GoogLeNet，用于处理 MNIST 数据集，该数据集由手写数字图片组成，适合用于小规模的图像分类任务。为了在 MNIST 数据集上训练，我们构建了一个简化版的 GoogLeNet，包含三个 Inception 模块和一个全连接层。]]></description><category></category></item><item><title><![CDATA[使用 PyTorch 实现 ZFNet 进行 MNIST 图像分类]]></title><link>https://blog.youkuaiyun.com/Sxiaocai/article/details/143820494</link><guid>https://blog.youkuaiyun.com/Sxiaocai/article/details/143820494</guid><author>Sxiaocai</author><pubDate>Sat, 16 Nov 2024 17:44:54 +0800</pubDate><description><![CDATA[通过本文的介绍，我们实现了一个基于 ZFNet 模型的图像分类任务，使用 PyTorch 对 MNIST 数据集进行训练与测试，并展示了如何进行混合精度训练以提高效率。在未来，你可以根据不同的任务修改模型结构、优化器或者训练策略，进一步提升性能。完整项目ZFNet-PyTorch: 使用 PyTorch 实现 ZFNet 进行 MNIST 图像分类t=O83A。]]></description><category></category></item><item><title><![CDATA[使用 TensorFlow 实现 ZFNet 进行 MNIST 图像分类]]></title><link>https://blog.youkuaiyun.com/Sxiaocai/article/details/143820103</link><guid>https://blog.youkuaiyun.com/Sxiaocai/article/details/143820103</guid><author>Sxiaocai</author><pubDate>Sat, 16 Nov 2024 17:28:50 +0800</pubDate><description><![CDATA[本文介绍了如何使用 TensorFlow 实现 ZFNet 网络，并在 MNIST 数据集上进行训练和测试。通过训练模型、评估性能、可视化预测结果，我们能够更好地理解 ZFNet 的优势和图像分类中的应用。希望这篇博客能帮助你掌握 ZFNet 的实现过程，理解其背后的原理，并能够顺利地应用到其他图像分类任务中！如有问题或进一步的疑问，请随时留言讨论！]]></description><category></category></item><item><title><![CDATA[使用 PyTorch 实现 AlexNet 进行 MNIST 图像分类]]></title><link>https://blog.youkuaiyun.com/Sxiaocai/article/details/143778347</link><guid>https://blog.youkuaiyun.com/Sxiaocai/article/details/143778347</guid><author>Sxiaocai</author><pubDate>Thu, 14 Nov 2024 19:32:55 +0800</pubDate><description><![CDATA[接下来，我们定义一个类AlexNet，继承自nn.Module，并在其中实现 AlexNet 的结构。# 定义卷积层和池化层nn.Conv2d(1, 64, kernel_size=11, stride=4, padding=2), # 第一个卷积层nn.ReLU(inplace=True), # 激活函数nn.MaxPool2d(kernel_size=3, stride=2), # 池化层。]]></description><category></category></item><item><title><![CDATA[动态规划：不同二叉搜索树]]></title><link>https://blog.youkuaiyun.com/Sxiaocai/article/details/141938411</link><guid>https://blog.youkuaiyun.com/Sxiaocai/article/details/141938411</guid><author>Sxiaocai</author><pubDate>Thu, 05 Sep 2024 18:58:59 +0800</pubDate><description><![CDATA[树形动态规划的实现通常涉及两个阶段：首先是自底向上的阶段，即从叶子节点开始，逐步向上计算每个节点的状态值；- 在二叉树中使用动态规划，可以解决一些新颖且具有启发作用的问题，如“打家劫舍”问题，通过在二叉树上进行递推公式的推导，以求得最大收益。- 在某些情况下，树形动态规划还可以通过换根法来提高求解效率，特别是在无根树的情况下，通过选择任意节点作为根，然后进行状态转移。个节点的所有可能的二叉搜索树的数量，可以通过组合所有可能的左子树和右子树的数量来计算。个节点组成的二叉搜索树的种数，初始化。]]></description><category></category></item><item><title><![CDATA[买卖股票的最佳时机 III]]></title><link>https://blog.youkuaiyun.com/Sxiaocai/article/details/141902100</link><guid>https://blog.youkuaiyun.com/Sxiaocai/article/details/141902100</guid><author>Sxiaocai</author><pubDate>Wed, 04 Sep 2024 19:38:38 +0800</pubDate><description><![CDATA[随后，在第 7 天（股票价格 = 1）的时候买入，在第 8 天 （股票价格 = 4）的时候卖出，这笔交易所能获得利润 = 4-1 = 3。在第 1 天（股票价格 = 1）的时候买入，在第 5 天 （股票价格 = 5）的时候卖出, 这笔交易所能获得利润 = 5-1 = 4。在第 4 天（股票价格 = 0）的时候买入，在第 6 天（股票价格 = 3）的时候卖出，这笔交易所能获得利润 = 3-0 = 3。：在第一次卖出后，第二次买入股票的最大利润（或最小亏损，初始化为负无穷大）。]]></description><category></category></item><item><title><![CDATA[DSP基本名词术语及其关系]]></title><link>https://blog.youkuaiyun.com/Sxiaocai/article/details/141901787</link><guid>https://blog.youkuaiyun.com/Sxiaocai/article/details/141901787</guid><author>Sxiaocai</author><pubDate>Wed, 04 Sep 2024 19:32:43 +0800</pubDate><description><![CDATA[在数字信号处理（DSP）领域，我们经常需要将连续的模拟信号转换为离散的数字信号，以便计算机能够分析和处理。这一转换过程涉及到许多关键的参数和概念，它们共同决定了信号分析的质量和准确性。例如，帧长度决定了我们分析信号时一次处理的数据量；时间间隔或时间分辨率影响我们捕捉信号细节的能力；而数据块大小则与帧长度紧密相关，决定了FFT分析中使用的数据点数。在频域分析中，采样率是我们采集数据的速率，它限制了我们能够检测到的最高频率；最大频率或带宽则定义了信号的频率范围；频率分辨率帮助我们区分接近的频率成分；最后，]]></description><category></category></item><item><title><![CDATA[动态规划：买卖股票的最佳时期含冷冻期]]></title><link>https://blog.youkuaiyun.com/Sxiaocai/article/details/141499569</link><guid>https://blog.youkuaiyun.com/Sxiaocai/article/details/141499569</guid><author>Sxiaocai</author><pubDate>Sat, 24 Aug 2024 14:52:12 +0800</pubDate><description><![CDATA[这个问题可以通过动态规划解决，但需要考虑“冷冻期”的约束。我们可以定义两个状态数组，一个表示持有股票的最大利润，一个表示不持有股票的最大利润。]]></description><category></category></item><item><title><![CDATA[动态规划：让字符串成为回文串的最少插入次数]]></title><link>https://blog.youkuaiyun.com/Sxiaocai/article/details/141400884</link><guid>https://blog.youkuaiyun.com/Sxiaocai/article/details/141400884</guid><author>Sxiaocai</author><pubDate>Wed, 21 Aug 2024 19:00:55 +0800</pubDate><description><![CDATA[这个问题可以通过动态规划来解决，具体是最长公共子序列（LCS）问题的一个变体。我们的目标是找到一个最少的插入次数，使得给定的字符串。，每一次操作你都可以在字符串的任意位置插入任意字符。字符串 "zzazz" 已经是回文串了，所以不需要做任何插入操作。字符串可变为 "mbdadbm" 或者 "mdbabdm"。，即先计算短的子串，然后使用这些结果来计算更长的子串。，因为两个相同的字符不需要插入就可以形成回文。的子串最少需要插入的字符数，以使其成为回文串。，因为单个字符总是回文的。成为回文串的最少操作次数。]]></description><category></category></item><item><title><![CDATA[动态规划：不相交的线]]></title><link>https://blog.youkuaiyun.com/Sxiaocai/article/details/141391688</link><guid>https://blog.youkuaiyun.com/Sxiaocai/article/details/141391688</guid><author>Sxiaocai</author><pubDate>Wed, 21 Aug 2024 13:56:58 +0800</pubDate><description><![CDATA[在两条独立的水平线上按给定的顺序写下nums1和nums2中的整数。现在，可以绘制一些连接两个数字nums1[i]和nums2[j]请注意，连线即使在端点也不能相交：每个数字只能属于一条连线。以这种方法绘制线条，并返回可以绘制的最大连线数。2可以画出两条不交叉的线，如上图所示。但无法画出第三条不相交的直线，因为从 nums1[1]=4 到 nums2[2]=4 的直线将与从 nums1[2]=2 到 nums2[1]=2 的直线相交。32。]]></description><category></category></item><item><title><![CDATA[动态规划：找出每个位置为止最长的有效障碍赛跑路线]]></title><link>https://blog.youkuaiyun.com/Sxiaocai/article/details/141333488</link><guid>https://blog.youkuaiyun.com/Sxiaocai/article/details/141333488</guid><author>Sxiaocai</author><pubDate>Mon, 19 Aug 2024 19:55:16 +0800</pubDate><description><![CDATA[O(n log n)，其中 n 是障碍物列表的长度。这是因为对于每个障碍物，我们最多进行一次二分查找和一次列表插入操作，二分查找的时间复杂度为 O(log n)，列表插入操作的时间复杂度为 O(n)。在最坏的情况下，每个障碍物都需要进行这两项操作，因此总的时间复杂度为 O(n log n)。], [3,5,6] 长度为 3, [1,5,6] 也是有效的障碍赛跑路线。], [3,5] 长度为 2, [1,5] 也是有效的障碍赛跑路线。], [3,4] 长度为 2, [1,4] 也是有效的障碍赛跑路线。]]></description><category></category></item><item><title><![CDATA[动态规划：俄罗斯套娃信封问题]]></title><link>https://blog.youkuaiyun.com/Sxiaocai/article/details/141261877</link><guid>https://blog.youkuaiyun.com/Sxiaocai/article/details/141261877</guid><author>Sxiaocai</author><pubDate>Fri, 16 Aug 2024 16:23:22 +0800</pubDate><description><![CDATA[俄罗斯套娃信封问题是一个经典的计算机科学问题，它与动态规划和排序算法紧密相关。问题的核心是找到一种方法，使得给定的一组信封能够按照宽度和高度递增的方式进行嵌套，即一个信封的宽度和高度都比另一个信封大时，这个信封就可以放进另一个信封里，如同俄罗斯套娃一样。基于二分查找的动态规划是一种结合了动态规划和二分查找的算法，通常用于解决与排序相关的优化问题。这种问题的一个典型例子是最长递增子序列（LIS）：通常用于解决有序序列中的优化问题。结合了动态规划的子问题解决策略和二分查找的快速检索特性。]]></description><category></category></item><item><title><![CDATA[动态规划：最长递增子序列]]></title><link>https://blog.youkuaiyun.com/Sxiaocai/article/details/141261419</link><guid>https://blog.youkuaiyun.com/Sxiaocai/article/details/141261419</guid><author>Sxiaocai</author><pubDate>Fri, 16 Aug 2024 15:47:51 +0800</pubDate><description><![CDATA[最长递增子序列（Longest Increasing Subsequence，简称 LIS）问题是动态规划领域的一个经典问题。这个问题要求在一个给定的整数序列中找到一个最长的递增子序列。这是因为我们有两层嵌套循环，外层循环遍历数组的所有元素，内层循环用于查找可以构成递增子序列的元素。是由数组派生而来的序列，删除（或不删除）数组中的元素而不改变其余元素的顺序。个元素结尾的最长递增子序列的长度。数组中的最大值就是整个数组的最长递增子序列的长度。数组中的最大值，即为所求的最长递增子序列的长度。]]></description><category></category></item><item><title><![CDATA[动态规划：不同的子序列]]></title><link>https://blog.youkuaiyun.com/Sxiaocai/article/details/141226449</link><guid>https://blog.youkuaiyun.com/Sxiaocai/article/details/141226449</guid><author>Sxiaocai</author><pubDate>Thu, 15 Aug 2024 17:11:02 +0800</pubDate><description><![CDATA[在动态规划中，状态的定义是核心。对于子序列问题，我们定义dp[i][j]表示在s的前i个字符中，t的前j个字符作为子序列出现的次数。]]></description><category></category></item></channel></rss>