<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Zhang_ing的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Zhang_ing</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Zhang_ing]]></copyright><item><title><![CDATA[LangChain]]></title><link>https://blog.youkuaiyun.com/Zhang_ing/article/details/162955693</link><guid>https://blog.youkuaiyun.com/Zhang_ing/article/details/162955693</guid><author>Zhang_ing</author><pubDate>Fri, 17 Jul 2026 08:57:42 +0800</pubDate><description><![CDATA[【代码】LangChain。]]></description><category></category></item><item><title><![CDATA[hadoop杂记]]></title><link>https://blog.youkuaiyun.com/Zhang_ing/article/details/161432395</link><guid>https://blog.youkuaiyun.com/Zhang_ing/article/details/161432395</guid><author>Zhang_ing</author><pubDate>Mon, 22 Jun 2026 22:29:09 +0800</pubDate><description><![CDATA[Flume 写入 HDFS 时，通过将 hdfs.rollInterval 设为 3600 秒、hdfs.rollSize 设为 128MB、hdfs.rollCount 设为 0，使文件在达到 128MB 或写入满 1 小时时才滚动，从而有效减少 HDFS 小文件数量，保护 NameNode 内存并提升计算性能。完整流程：日志文件是实时滚动写入的，Flume 的 TaildirSource 会实时监控这些日志文件，读取新增的日志行，经过拦截器的处理后通过KafkaChannel 写入 Kafka。]]></description><category></category></item><item><title><![CDATA[周报--20260302-20260308]]></title><link>https://blog.youkuaiyun.com/Zhang_ing/article/details/158935523</link><guid>https://blog.youkuaiyun.com/Zhang_ing/article/details/158935523</guid><author>Zhang_ing</author><pubDate>Wed, 11 Mar 2026 22:40:38 +0800</pubDate><description><![CDATA[修正论文中的问题，达到能让自己看得过眼的程度。]]></description><category></category></item><item><title><![CDATA[周报---20260202-20260208]]></title><link>https://blog.youkuaiyun.com/Zhang_ing/article/details/157646209</link><guid>https://blog.youkuaiyun.com/Zhang_ing/article/details/157646209</guid><author>Zhang_ing</author><pubDate>Mon, 02 Feb 2026 10:58:16 +0800</pubDate><description><![CDATA[完成第四章（第二个算法）的所有内容。]]></description><category></category></item><item><title><![CDATA[周报---20260126-20260201]]></title><link>https://blog.youkuaiyun.com/Zhang_ing/article/details/157646174</link><guid>https://blog.youkuaiyun.com/Zhang_ing/article/details/157646174</guid><author>Zhang_ing</author><pubDate>Mon, 02 Feb 2026 10:57:01 +0800</pubDate><description><![CDATA[毕业论文中两个算法的实验、图、公式。完成第三章（第一个算法）的所有内容。完成第四章（第二个算法）的所有内容。]]></description><category></category></item><item><title><![CDATA[C++ 八股文]]></title><link>https://blog.youkuaiyun.com/Zhang_ing/article/details/149105138</link><guid>https://blog.youkuaiyun.com/Zhang_ing/article/details/149105138</guid><author>Zhang_ing</author><pubDate>Fri, 04 Jul 2025 00:33:17 +0800</pubDate><description><![CDATA[为了保证计算机系统检索速度，在数据存储时需要按照一定的“对齐值”来存放数据。结构体中，对齐值默认是根据结构体中最大的数据类型来决定的。但是在结构体中，如果内部有多个数据类型，几个数据类型加起来也占不满一个对齐格，那么就会共同占据该对齐格。可以用这种方式指定对齐值pack1pack对齐良好的数据兼顾了查询速度与内存消耗，过度对齐会导致空间浪费，紧凑对齐（对齐值为1）导致查询效率降低。]]></description><category></category></item><item><title><![CDATA[地震勘探之静校正]]></title><link>https://blog.youkuaiyun.com/Zhang_ing/article/details/135341820</link><guid>https://blog.youkuaiyun.com/Zhang_ing/article/details/135341820</guid><author>Zhang_ing</author><pubDate>Tue, 02 Jan 2024 17:33:34 +0800</pubDate><description><![CDATA[而且近地表还存在风化层或低、降速带低、降速带的厚度和速度会发生变化，这就导致反射波的传播时间除了与地下地质因素有关外，还与近地表因素有关。指的是将由近地表调查方法直接测得的近地表参数计算的校正量所进行的时移过程。地震静校正的原因主要是为了消除地震数据中的静态偏移和畸变，以确保地震数据的准确性和可靠性。对于同一个地震道而言，反射波的深浅不会影响该地震道上的校正量，但共中心点道集却是不同的。某一个地震道从浅到深的校正量是一样的，所以称之为“静”校正。而共中心点道集的校正量从浅到深是变化的，称为“动”校正。]]></description><category></category></item><item><title><![CDATA[地震勘探原理之反褶积]]></title><link>https://blog.youkuaiyun.com/Zhang_ing/article/details/135327592</link><guid>https://blog.youkuaiyun.com/Zhang_ing/article/details/135327592</guid><author>Zhang_ing</author><pubDate>Mon, 01 Jan 2024 22:31:24 +0800</pubDate><description><![CDATA[由于地震波在地下传播时存在散射和衰减等效应，使得地震记录中的反射波具有较大的宽度，降低了分辨率。在地震记录上，一个反射界面的反射波，对应着一个延续时长为几十毫秒的波形。由于地下反射界面一般是由相距几米或者几十米的底层交错组成，他们发出的反射波到达时间一般相差几毫秒或几十毫秒，所以它们在地震记录上发生干涉，难以分开。反射系数序列是一个随机过程，意味着地震记录具有地震子波的特征，也就是地震记录和地震子波自相关和振幅谱相似。如果考虑干扰波的影响，那么实际的地震记录就满足如下图的公式。地震资料数据常规处理流程。]]></description><category></category></item><item><title><![CDATA[以人机对话为例简单了解transformer原理]]></title><link>https://blog.youkuaiyun.com/Zhang_ing/article/details/135278119</link><guid>https://blog.youkuaiyun.com/Zhang_ing/article/details/135278119</guid><author>Zhang_ing</author><pubDate>Thu, 28 Dec 2023 22:11:52 +0800</pubDate><description><![CDATA[尝试用本人瞎琢磨的歪理去理解这个过程：这个模型的关键是多头注意力机制，它可以得到多个单词之间的attention权重矩阵，并通过后面的解码过程得到相关性最强的几个单词，再连成一句话，就可以实现人机对话的功能。具体的来说，就是我们通过训练，使得机器学习到，“How are you”与“I am fine thank you”这几个单词之间相关性较强，因此当你输入“How are you”就很有可能输出已经习得的“I am fine thank you”。]]></description><category></category></item><item><title><![CDATA[论文结构感悟]]></title><link>https://blog.youkuaiyun.com/Zhang_ing/article/details/134109110</link><guid>https://blog.youkuaiyun.com/Zhang_ing/article/details/134109110</guid><author>Zhang_ing</author><pubDate>Sun, 29 Oct 2023 22:19:24 +0800</pubDate><description><![CDATA[目录题目摘要与关键词引言部分正文部分文献综述数学理论算法伪代码实验部分结论与展望参考文献
学习了闵老师的论文写作课，我认为我学到最多的、印象最深刻的还是行文结构部分，因此做下总结与感悟。
题目
摘要与关键词
引言部分
正文部分
文献综述
数学理论
算法伪代码
实验部分
结论与展望
参考文献

]]></description><category></category></item><item><title><![CDATA[DL-FWI网络结构的区别与联系]]></title><link>https://blog.youkuaiyun.com/Zhang_ing/article/details/133933389</link><guid>https://blog.youkuaiyun.com/Zhang_ing/article/details/133933389</guid><author>Zhang_ing</author><pubDate>Thu, 19 Oct 2023 22:33:52 +0800</pubDate><description><![CDATA[下采样部分会逐渐丢失特征与空间信息，而上采样会逐渐恢复图像尺寸，在上采样操作添加skip connection操作，更充分地融合浅层特征和深层特征，将丢失的空间信息重新插入到特征中，也会更加充分利用空间信息。原数据的尺寸是（6，1000，7），首先在时间维度上降维，将图像下采样为方形（128，32，32），接着两个方向同时降维，变成（512，1，1）。将（512，1，1）的高维向量解码，使用反卷积上采样，两个方向同时升维，最后通过一个Tanh激活函数的卷积操作得到最终的结果。]]></description><category></category></item><item><title><![CDATA[matplotlib初学]]></title><link>https://blog.youkuaiyun.com/Zhang_ing/article/details/133035452</link><guid>https://blog.youkuaiyun.com/Zhang_ing/article/details/133035452</guid><author>Zhang_ing</author><pubDate>Tue, 19 Sep 2023 17:27:50 +0800</pubDate><description><![CDATA[目录常用对象figureline2D常用方法plt.subplot()plt.show()plt.plot()plt.axis()plt.title()plt.xlable()plt.xticks()plt.text()plt.bar()plt.pie()plt.hist()
常用对象
figure
line2D
常用方法
plt.subplot()
plt.show()
plt.plot()


plt.axis()
plt.title()
plt.xlable()
plt.xticks()
plt.te]]></description><category></category></item><item><title><![CDATA[主动学习之ALEC]]></title><link>https://blog.youkuaiyun.com/Zhang_ing/article/details/132515051</link><guid>https://blog.youkuaiyun.com/Zhang_ing/article/details/132515051</guid><author>Zhang_ing</author><pubDate>Sat, 26 Aug 2023 19:30:09 +0800</pubDate><description><![CDATA[主动学习是机器学习领域中的一种策略，其目标是在模型的训练过程中，通过选择最有益于提高模型性能的样本进行标注，从而减少标注数据的需求，加速模型收敛并提高模型性能。在主动学习中，模型通常会挑选那些难以分类或不确定性较高的样本进行标注，以便提升对这些难以区分的样本的分类能力。评估模型： 使用一部分已标注数据进行模型评估，看看模型在这些数据上的性能是否有所提升。迭代： 重复步骤2-4，选择新的样本、标注并更新模型，以逐步提升模型的性能。标注样本： 选定的样本被标注，将其加入到训练数据中，然后重新训练模型。]]></description><category></category></item><item><title><![CDATA[AdaBoosting集成学习]]></title><link>https://blog.youkuaiyun.com/Zhang_ing/article/details/132370772</link><guid>https://blog.youkuaiyun.com/Zhang_ing/article/details/132370772</guid><author>Zhang_ing</author><pubDate>Fri, 18 Aug 2023 22:46:02 +0800</pubDate><description><![CDATA[AdaBoost通过迭代训练一系列的弱分类器，并根据之前分类错误的样本来调整训练样本的权重，使得后续的分类器更加关注分类错误的样本，从而提高整体的分类性能。每个弱分类器只能在某些数据子集上表现较好，但通过逐步调整训练样本的权重，使得分类错误的样本在后续的训练中得到更多的关注，从而使得弱分类器的集成能够取得更好的分类效果。Boosting（提升法）：通过迭代地训练一系列的基学习器，每次迭代都会对之前学习器分类错误的样本进行加权处理，使得后续学习器更加关注分类错误的样本，以提高整体的预测能力。]]></description><category></category></item><item><title><![CDATA[决策树(ID3)]]></title><link>https://blog.youkuaiyun.com/Zhang_ing/article/details/131983880</link><guid>https://blog.youkuaiyun.com/Zhang_ing/article/details/131983880</guid><author>Zhang_ing</author><pubDate>Fri, 28 Jul 2023 17:32:46 +0800</pubDate><description><![CDATA[决策树算法是一种常见的机器学习算法，用于分类和回归问题。它基于一系列的规则和条件，构建一棵树状结构来进行预测或决策。]]></description><category></category></item><item><title><![CDATA[周报（7.23--7.30）]]></title><link>https://blog.youkuaiyun.com/Zhang_ing/article/details/131942310</link><guid>https://blog.youkuaiyun.com/Zhang_ing/article/details/131942310</guid><author>Zhang_ing</author><pubDate>Wed, 26 Jul 2023 16:33:37 +0800</pubDate><description><![CDATA[上周我完成了地震反演的学习，并将学到的三种算法总结成了博客，但是仍残留了些问题，因此我开始学习bp神经网络与cnn神经网络。]]></description><category></category></item><item><title><![CDATA[地震正演培训]]></title><link>https://blog.youkuaiyun.com/Zhang_ing/article/details/131940193</link><guid>https://blog.youkuaiyun.com/Zhang_ing/article/details/131940193</guid><author>Zhang_ing</author><pubDate>Wed, 26 Jul 2023 16:26:35 +0800</pubDate><description><![CDATA[地震波传播到介质中断层处时，界面的波阻抗出现差异导致波发生反射和透射，是一种自然的物理现象。在自然传播情况中，地球介质可被视为无限大的区域，但在数值模拟中，受到计算量的限制，可模拟的地震波传播区域大小受限。因而模拟计算区域必定存在人工边界。就是差分单元，那么再结合上面的二位声波方程就可以得到如下的差分后方程。对连续的偏导形式进行差分处理，实现离散化。按照上面提到过的泰勒级数处理，得到。以上是有限差分实现代码，图像如下。研究平面声波的传播行为，即。是声压（声波的压力变化），]]></description><category></category></item><item><title><![CDATA[Java实现BP神经网络]]></title><link>https://blog.youkuaiyun.com/Zhang_ing/article/details/131903003</link><guid>https://blog.youkuaiyun.com/Zhang_ing/article/details/131903003</guid><author>Zhang_ing</author><pubDate>Mon, 24 Jul 2023 19:51:23 +0800</pubDate><description><![CDATA[BP神经网络的过程主要分为两个阶段，第一阶段是信号的前向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置。这个类实现了一些具体且固定的Ann流程方法，如：读取文件并为属性赋值的构造方法、实现模型训练的train()方法以及实现激活函数的argmax()方法。其中线性运算可以将所有输入的值都作为有效输入信息抓入网络，非线性运算可以消除输入的线性结构。是待更新变量，另一个是学习率。]]></description><category></category></item><item><title><![CDATA[周报(7.17--7.23)]]></title><link>https://blog.youkuaiyun.com/Zhang_ing/article/details/131848591</link><guid>https://blog.youkuaiyun.com/Zhang_ing/article/details/131848591</guid><author>Zhang_ing</author><pubDate>Fri, 21 Jul 2023 11:46:27 +0800</pubDate><description><![CDATA[本周工作

完成了反演培训，仔细研究了代码，并且把自己的理解做成了博客
正在做java实现CNN部分内容，已经将已完成部分做成了博客

出现问题

反演培训的三个算法中，主要了解了这些算法的网络结构设计、核心操作还有代码部分，但对于训练过程还是很模糊，因此想要做Java实现CNN，以帮助自己对该过程有更加深刻的了解。
在Java实现CNN过程中，出现了同样的问题，通过抄写代码和查资料，我已经搞清楚了大部分内容，但对于以下核心部分还是很模糊，如：forward 预测、backPropagation 设置惩罚信]]></description><category></category></item><item><title><![CDATA[Java实现CNN]]></title><link>https://blog.youkuaiyun.com/Zhang_ing/article/details/131842530</link><guid>https://blog.youkuaiyun.com/Zhang_ing/article/details/131842530</guid><author>Zhang_ing</author><pubDate>Fri, 21 Jul 2023 00:17:27 +0800</pubDate><description><![CDATA[局部连接：全连接层是一种稠密连接方式，而卷积层却只使用卷积核对局部进行处理，这种处理方式其实也刚好对应了图像的特点。在视觉识别中，关键性的图像特征、边缘、角点等只占据了整张图像的一小部分，相隔很远的像素之间存在联系和影响的可能性是很低的，而局部像素具有很强的相关性，也即：CNN可以保存更多的空间信息。共享参数：如果借鉴全连接层的话，对于1000×1000大小的彩色图像，一层全连接层便对应于三百万数量级维的特征，即会导致庞大的参数量，不仅计算繁重，还会导致过拟合。]]></description><category></category></item></channel></rss>