<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Yn312的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Yn312</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Yn312]]></copyright><item><title><![CDATA[三维数组结构]]></title><link>https://blog.youkuaiyun.com/Yn312/article/details/152173275</link><guid>https://blog.youkuaiyun.com/Yn312/article/details/152173275</guid><author>Yn312</author><pubDate>Sat, 27 Sep 2025 18:19:59 +0800</pubDate><description><![CDATA[简单说，每个二维数组内部的一维数组，就是 “宽” 对应的一维数组，比如 [0.1, 2.7, 3.4] 就是其中一个代表 “宽” 的一维数组。在很多机器学习（尤其是计算机视觉相关任务，比如图像分类、目标检测等）场景下，假设把整个三维数组看作是一张 RGB 图片的表示，从数组结构看：**所以，结合你的例子（RGB 图像的通道），可以把 “通道” 理解为。如果延伸到更广义的特征表示（如 CNN 特征图），通道就是。在卷积神经网络（CNN）中，经过卷积层后产生的。所以，宽为 3，高为 2，通道数为 3。]]></description><category></category></item><item><title><![CDATA[在Jupyter中扩展rise，显示幻灯片模式]]></title><link>https://blog.youkuaiyun.com/Yn312/article/details/152167995</link><guid>https://blog.youkuaiyun.com/Yn312/article/details/152167995</guid><author>Yn312</author><pubDate>Sat, 27 Sep 2025 15:53:21 +0800</pubDate><description><![CDATA[3、在py39_env下依次安装jupyter d2l torch torchvision rise （d2l torch torchvision是深度学习pytorch所要用的）1、在我的基础上（之前用安装包安装了Anaconda）卸载Anaconda，在。5、安装并扩展rise，成功启用输出会包含rise/main enabled。6、cmd命令jupyter notebook，打开相关文件。4、将py39_env环境添加到Jupyter内核列表中。2、安装后创建虚拟环境py39_env。]]></description><category></category></item><item><title><![CDATA[在Jupyter Notebook中使用Python 3.12内核的配置指南]]></title><link>https://blog.youkuaiyun.com/Yn312/article/details/151976731</link><guid>https://blog.youkuaiyun.com/Yn312/article/details/151976731</guid><author>Yn312</author><pubDate>Tue, 23 Sep 2025 00:10:03 +0800</pubDate><description><![CDATA[根据提供的引用内容，以下是详细操作步骤：激活目标Python环境
在终端执行（替换为你的Python 3.12环境名称）：
如引用[3]所示：


安装内核依赖
在激活的环境中安装必需组件（引用[1][3]）：


注册内核到Jupyter（关键步骤）
执行内核注册命令（引用[1][3]）：
示例：


解决依赖冲突（如遇报错）
若出现引用[2]的，安装缺失模块：


重启Jupyter服务
关闭所有Jupyter进程后重新启动：


切换内核
在Notebook界面操作（引用[1]）：在新Notebook]]></description><category></category></item><item><title><![CDATA[pip安装RISE跳过依赖安装并单独处理依赖解决]]></title><link>https://blog.youkuaiyun.com/Yn312/article/details/151866267</link><guid>https://blog.youkuaiyun.com/Yn312/article/details/151866267</guid><author>Yn312</author><pubDate>Fri, 19 Sep 2025 15:11:56 +0800</pubDate><description><![CDATA[要解决pip安装RISE时出现的错误，请按照以下步骤操作。]]></description><category></category></item><item><title><![CDATA[问题分析与解决：Conda 3.8环境中Jupyter Notebook导入PyTorch报错“No module named ‘torch’“]]></title><link>https://blog.youkuaiyun.com/Yn312/article/details/151804911</link><guid>https://blog.youkuaiyun.com/Yn312/article/details/151804911</guid><author>Yn312</author><pubDate>Wed, 17 Sep 2025 23:38:00 +0800</pubDate><description><![CDATA[环境而非您安装PyTorch的目标环境所致。以下我将逐步解释原因并提供可靠的解决方案（基于Anaconda平台）。问题根源在于环境隔离：Jupyter Notebook的内核（kernel）未正确绑定到您安装了PyTorch的Conda环境。根据您的描述，在Conda 3.8环境中已成功安装PyTorch，但在Jupyter Notebook中导入时出现。如果持续存在，可能是环境变量冲突，建议重建Conda环境并重复安装流程。是内核在Jupyter中显示的名称。），则环境安装正确。]]></description><category></category></item><item><title><![CDATA[要解决pip安装d2l 0.17.6版本时出现的Could not find a version that satisfies the requirement puccinialin错误]]></title><link>https://blog.youkuaiyun.com/Yn312/article/details/151804612</link><guid>https://blog.youkuaiyun.com/Yn312/article/details/151804612</guid><author>Yn312</author><pubDate>Wed, 17 Sep 2025 23:12:04 +0800</pubDate><description><![CDATA[要解决pip安装d2l 0.17.6版本时出现的。]]></description><category></category></item><item><title><![CDATA[解决 pip install d2l 出现 error: subprocess-exited-with-error 错误的方法]]></title><link>https://blog.youkuaiyun.com/Yn312/article/details/151803297</link><guid>https://blog.youkuaiyun.com/Yn312/article/details/151803297</guid><author>Yn312</author><pubDate>Wed, 17 Sep 2025 21:52:30 +0800</pubDate><description><![CDATA[通过上述步骤，您应该能解决时出现的错误。核心原因是setuptools 版本不兼容，通过降级到稳定版本（如 69.0.0）即可修复。如果问题仍未解决，请提供完整的错误日志以便进一步诊断（如使用生成详细输出）。加粗样式。]]></description><category></category></item><item><title><![CDATA[解决pip 无法在指定的索引源中Python 环境兼容的 torch 版本]]></title><link>https://blog.youkuaiyun.com/Yn312/article/details/151801353</link><guid>https://blog.youkuaiyun.com/Yn312/article/details/151801353</guid><author>Yn312</author><pubDate>Wed, 17 Sep 2025 19:38:18 +0800</pubDate><description><![CDATA[安装 PyTorch 时，pip 无法在指定的索引源中找到与您的 Python 环境兼容的 torch 版本。这可能是由 Python 版本不兼容、pip 源配置错误或操作系统/架构不匹配造成的。下面我将一步步解释原因并提供可靠的解决方法。通过以上方法，90% 以上用户能解决此错误。如果问题仍然存在，建议提供您的 Python 版本、操作系统和错误日志以便进一步分析。以下是已验证的解决方案，按优先级排序（适用 Windows/Linux/Mac）。，根据您的操作系统、CUDA 版本等生成定制命令。]]></description><category></category></item><item><title><![CDATA[将conda环境Python版本从3.6.5升级到3.8的方法]]></title><link>https://blog.youkuaiyun.com/Yn312/article/details/151800926</link><guid>https://blog.youkuaiyun.com/Yn312/article/details/151800926</guid><author>Yn312</author><pubDate>Wed, 17 Sep 2025 19:05:16 +0800</pubDate><description><![CDATA[创建新环境

示例： 是新环境名称，可自定义
自动安装Python 3.8及基础依赖包



迁移旧环境包

生成旧环境包列表：




验证版本]]></description><category></category></item><item><title><![CDATA[Windows系统下Matplotlib局部字体配置实现中文显示的方法]]></title><link>https://blog.youkuaiyun.com/Yn312/article/details/151022710</link><guid>https://blog.youkuaiyun.com/Yn312/article/details/151022710</guid><author>Yn312</author><pubDate>Sat, 30 Aug 2025 17:12:06 +0800</pubDate><description><![CDATA[在Windows系统下，实现Matplotlib局部中文字体显示的核心是通过。目录下（如宋体、黑体、微软雅黑等）。：不影响其他图形元素的默认字体，灵活性高，适合多语言混排场景。参数为特定文本元素指定中文字体。Windows系统自带的中文字体存放在。]]></description><category></category></item><item><title><![CDATA[plt.rcParams[‘font.sans-serif‘]=[‘SimHei‘] 全局字体配置代码详解]]></title><link>https://blog.youkuaiyun.com/Yn312/article/details/151022443</link><guid>https://blog.youkuaiyun.com/Yn312/article/details/151022443</guid><author>Yn312</author><pubDate>Sat, 30 Aug 2025 17:00:24 +0800</pubDate><description><![CDATA[以下内容基于用户提供的引用并结合 matplotlib 官方文档，系统解析该代码的作用、使用场景及注意事项。回答结构清晰，逐步展开。：字体渲染依赖字形映射。Matplotlib 默认使用英文字体库，中文字符的 Unicode 编码（如。：设置 matplotlib 的全局字体配置，使图表中的文本（如标题、标签、图例）能正常显示中文。：若系统中未安装 SimHei 字体，代码会报错或无效。：如果 SimHei 不可用，可改用其他支持中文的字体（如。表示“中”）未被识别时会导致渲染失败。]]></description><category></category></item><item><title><![CDATA[回归模型中可视化参考线plt.plot([min(y_test), max(y_test)], [min(y_test), max(y_test)])]]></title><link>https://blog.youkuaiyun.com/Yn312/article/details/151021353</link><guid>https://blog.youkuaiyun.com/Yn312/article/details/151021353</guid><author>Yn312</author><pubDate>Sat, 30 Aug 2025 16:19:13 +0800</pubDate><description><![CDATA[在回归模型的可视化中，]]></description><category></category></item><item><title><![CDATA[matplotlib.font_manager模块]]></title><link>https://blog.youkuaiyun.com/Yn312/article/details/151020385</link><guid>https://blog.youkuaiyun.com/Yn312/article/details/151020385</guid><author>Yn312</author><pubDate>Sat, 30 Aug 2025 15:40:48 +0800</pubDate><description><![CDATA[【代码】matplotlib.font_manager模块。]]></description><category></category></item><item><title><![CDATA[print(f“XGBoost调优后的MSE：{mse_xgb:.6f}“)的含义和用途]]></title><link>https://blog.youkuaiyun.com/Yn312/article/details/150993737</link><guid>https://blog.youkuaiyun.com/Yn312/article/details/150993737</guid><author>Yn312</author><pubDate>Fri, 29 Aug 2025 18:52:18 +0800</pubDate><description><![CDATA[这条代码是一个简洁的评估工具，结合了Python的f-string特性和机器学习评估实践。它帮助用户量化XGBoost模型的回归性能，并为后续优化提供数据支持。如果您在实现中遇到问题（如变量。]]></description><category></category></item><item><title><![CDATA[best_xgb = xgb.XGBRegressor(**best_params, random_state=42) 的含义及使用指南]]></title><link>https://blog.youkuaiyun.com/Yn312/article/details/150991153</link><guid>https://blog.youkuaiyun.com/Yn312/article/details/150991153</guid><author>Yn312</author><pubDate>Fri, 29 Aug 2025 17:17:24 +0800</pubDate><description><![CDATA[这行代码用于创建 XGBoost 回归模型的一个实例，基于最优超参数和固定随机种子初始化模型。下面我将逐步解释其含义、使用方法、可能的报错及解决方案，确保内容真实可靠（基于 XGBoost 官方文档和机器学习最佳实践）。通过以上步骤，您可以高效地使用此代码初始化 XGBoost 回归模型。如果具体场景有更多细节（如数据集或错误日志），可进一步分析。这行代码通常在参数调优后使用，目的是基于最佳参数直接创建模型。: 训练完成后，可保存模型供后续使用。: 使用训练好的模型进行预测和评估。: 通过网格搜索（如。]]></description><category></category></item><item><title><![CDATA[scoring = ‘neg_mean_squared_error’ 的含义、使用场景及相关知识]]></title><link>https://blog.youkuaiyun.com/Yn312/article/details/150965109</link><guid>https://blog.youkuaiyun.com/Yn312/article/details/150965109</guid><author>Yn312</author><pubDate>Thu, 28 Aug 2025 23:02:11 +0800</pubDate><description><![CDATA[是 sklearn 中回归模型评估的实用工具，它通过负数形式统一评分逻辑（更高更好），但其本质仍然是均方误差。使用时应关注转换后的 MSE 值，并结合问题上下文判断模型性能。如果您有具体数据集或模型代码，我可以帮助分析实现示例。]]></description><category></category></item><item><title><![CDATA[RandomizedSearchCV对XGBoost模型进行随机搜索调参的代码含义、使用方法，以及解决可能存在的问题]]></title><link>https://blog.youkuaiyun.com/Yn312/article/details/150964801</link><guid>https://blog.youkuaiyun.com/Yn312/article/details/150964801</guid><author>Yn312</author><pubDate>Thu, 28 Aug 2025 22:46:44 +0800</pubDate><description><![CDATA[RandomizedSearchCV是scikit-learn库中的一种超参数优化方法，它通过随机采样参数组合（而不是像GridSearchCV那样穷举所有组合）来搜索最优超参数。参数空间大（如引用[3]中的多个参数范围）：当超参数数量多时，RandomizedSearchCV效率更高，因为它只评估固定次数的随机组合（通过n_iter控制）。计算资源有限。]]></description><category></category></item><item><title><![CDATA[‘reg:squarederror’ 目标函数的含义及使用场景]]></title><link>https://blog.youkuaiyun.com/Yn312/article/details/150960626</link><guid>https://blog.youkuaiyun.com/Yn312/article/details/150960626</guid><author>Yn312</author><pubDate>Thu, 28 Aug 2025 19:31:06 +0800</pubDate><description><![CDATA[该函数直接优化均方误差（MSE），使模型输出尽可能接近连续型目标值。的目标函数（损失函数）。是 XGBoost 中用于。]]></description><category></category></item><item><title><![CDATA[Python中参数网格param_grid的用途及相关操作详解]]></title><link>https://blog.youkuaiyun.com/Yn312/article/details/150959980</link><guid>https://blog.youkuaiyun.com/Yn312/article/details/150959980</guid><author>Yn312</author><pubDate>Thu, 28 Aug 2025 18:59:19 +0800</pubDate><description><![CDATA[中指定的所有参数组合，评估每个组合在交叉验证下的模型性能，从而找到最优超参数配置。这在模型调优中至关重要，因为超参数（如。是一个定义超参数搜索空间的字典，主要用于网格搜索（grid search）算法中。等）直接影响模型精度、泛化能力和效率。以下我将逐步解释其用途和相关操作。通过网格搜索自动化参数优化，能显著提升模型性能，尤其在复杂集成模型中。网格搜索通常通过Scikit-learn的。]]></description><category></category></item><item><title><![CDATA[机器学习模型参数网格设置详解]]></title><link>https://blog.youkuaiyun.com/Yn312/article/details/150959876</link><guid>https://blog.youkuaiyun.com/Yn312/article/details/150959876</guid><author>Yn312</author><pubDate>Thu, 28 Aug 2025 18:54:52 +0800</pubDate><description><![CDATA[核心原则：通过参数组合平衡偏差与方差（引用[4]），在验证集性能最优的前提下避免过拟合。]]></description><category></category></item></channel></rss>