<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[kuochung的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/a1023660</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; a1023660]]></copyright><item><title><![CDATA[llama.cpp 部署大模型到 Ubuntu 台式机 SOP]]></title><link>https://blog.youkuaiyun.com/a1023660/article/details/167891745</link><guid>https://blog.youkuaiyun.com/a1023660/article/details/167891745</guid><author>a1023660</author><pubDate>Wed, 14 Oct 2026 10:06:45 +0800</pubDate><description><![CDATA[本文详细介绍了在Ubuntu系统上部署GLM-4.7-Flash模型的全流程：先确认显卡类型（NVIDIA/AMD/CPU），安装依赖并设置Hugging Face镜像，编译llama.cpp（根据GPU选择对应选项），随后通过llama-cli测试模型或启动llama-server提供API服务。关键点包括使用-ngl 99最大化利用GPU、设置推荐采样参数、处理显存不足问题及常见错误排查。全文提供完整命令与优化建议，适用于国内用户快速本地运行大模型。]]></description><category></category></item><item><title><![CDATA[PMP 考试知识点整理]]></title><link>https://blog.youkuaiyun.com/a1023660/article/details/153254569</link><guid>https://blog.youkuaiyun.com/a1023660/article/details/153254569</guid><author>a1023660</author><pubDate>Tue, 14 Jul 2026 13:58:21 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[Mermaid 在 OpenClaw 开发中的应用实践]]></title><link>https://blog.youkuaiyun.com/a1023660/article/details/162862087</link><guid>https://blog.youkuaiyun.com/a1023660/article/details/162862087</guid><author>a1023660</author><pubDate>Tue, 14 Jul 2026 10:22:07 +0800</pubDate><description><![CDATA[OpenClaw项目中Mermaid工具的应用实践 Mermaid作为文本化图表工具，在OpenClaw项目中展现出显著优势：支持Git版本控制，提升开发效率，完美兼容Markdown技术栈。文章通过具体场景展示了其应用价值： 系统可视化：绘制组件架构图和微服务调用关系 流程管理：呈现开发工作流和Git分支策略 数据库设计：生成ER图文档 部署运维：描述容器化架构和CI/CD流水线 项目通过Mermaid实现文档与代码的同步管理，采用标准化命名和版本控制规范，并集成到自动化文档生成流程中。]]></description><category></category></item><item><title><![CDATA[深度学习相关指标工作笔记]]></title><link>https://blog.youkuaiyun.com/a1023660/article/details/109359791</link><guid>https://blog.youkuaiyun.com/a1023660/article/details/109359791</guid><author>a1023660</author><pubDate>Sat, 05 Jul 2025 17:24:13 +0800</pubDate><description><![CDATA[这里写目录标题检测指标iou/Ｇou/Ｄiou/ＣiouMSE(Mean Squared Error)(均方误差)(回归问题)交叉熵损失函数(Cross Entropy Error Function)(分类问题)
检测指标
iou/Ｇou/Ｄiou/Ｃiou
Intersection over Union (IoU) 是目标检测里一种重要的评价值
交并比
令人遗憾的是 IoU 无法优化无重叠的 bboxes
如果用 IoU 作为 loss(LIoU=1−IoU LIoU=1−IoU) 衡量值的话有两个优点和]]></description><category></category></item><item><title><![CDATA[2020-10-30]]></title><link>https://blog.youkuaiyun.com/a1023660/article/details/109380489</link><guid>https://blog.youkuaiyun.com/a1023660/article/details/109380489</guid><author>a1023660</author><pubDate>Sat, 05 Jul 2025 17:23:10 +0800</pubDate><description><![CDATA[极片缺陷检测模型验证报告：
1：数据准备
训练集：326张
验证集：81张
2：模型准备
模型：yolov3
3：训练参数设置
epochs: 4603
batch_size: 8
device: RTX2080Ti
cfg: yolov3-spp-jp
4：验证结果
5：检测结果
部分检测结果图，全部结果图见文件夹result：
6: 结果分析
a.训练数据中，某一类缺陷标注数量相对较少，影响检测该类的目标；可以通过数据增强的方法或增加总论次数来改进。
b.存在分类错误的现象；可以进一步精准的分类标注来训]]></description><category></category></item><item><title><![CDATA[算法理论知识]]></title><link>https://blog.youkuaiyun.com/a1023660/article/details/108914551</link><guid>https://blog.youkuaiyun.com/a1023660/article/details/108914551</guid><author>a1023660</author><pubDate>Sat, 05 Jul 2025 17:21:44 +0800</pubDate><description><![CDATA[算法理论知识排序二分查找冒泡排序插入排序选择排序快速排序堆排序希尔排序归并排序基数排序动态规划
排序
二分查找
start = 0
end = len(list)
mid = (start + end) // 2
冒泡排序
每次都是相邻元素两两比较并交换位置。
插入排序
就好比扑克牌（分左边排好序，右边待排序），每次都是从右边拿一张牌去左边排好序的序列中找插入的位置。
选择排序
从后面找最小的和前面那个元素进行交换
快速排序
从中找一个元素作为基准，小于它的放左边，大于它的放右边，相等的随便放哪边。
堆排序]]></description><category></category></item><item><title><![CDATA[paddle目标检测配置文件详解]]></title><link>https://blog.youkuaiyun.com/a1023660/article/details/108761078</link><guid>https://blog.youkuaiyun.com/a1023660/article/details/108761078</guid><author>a1023660</author><pubDate>Sat, 05 Jul 2025 17:19:41 +0800</pubDate><description><![CDATA[architecture: FasterRCNN
use_gpu: true
max_iters: 3558  // 最大轮次
log_smooth_window: 20
save_dir: output
snapshot_iter: 1000
pretrain_weights: https://paddle-imagenet-models-name.bj.bcebos.com/ResNet34_pretrained.tar
metric: COCO
weights: output/faster_rcnn_]]></description><category></category></item><item><title><![CDATA[持续深入人工智能]]></title><link>https://blog.youkuaiyun.com/a1023660/article/details/103363447</link><guid>https://blog.youkuaiyun.com/a1023660/article/details/103363447</guid><author>a1023660</author><pubDate>Sat, 05 Jul 2025 17:18:14 +0800</pubDate><description><![CDATA[2019年12月3日
1.人工智能（AI）包含：（按实力）
弱人工智能Artificial Narrow Intelligence (ANI)：擅长某个领域。
强人工智能Artificial General Intelligence (AGI)：人类级别的人工智能。
超人工智能Artificial Superintelligence (ASI):超过大脑水平。
2.人工智能已经在几乎所有需要思考的...]]></description><category></category></item><item><title><![CDATA[典型的几种神经网络]]></title><link>https://blog.youkuaiyun.com/a1023660/article/details/108770254</link><guid>https://blog.youkuaiyun.com/a1023660/article/details/108770254</guid><author>a1023660</author><pubDate>Sat, 05 Jul 2025 17:16:35 +0800</pubDate><description><![CDATA[骨干网络CNN(卷积神经网络)RNN(循环神经网络)三级目录
CNN(卷积神经网络)
包括输入层、隐藏层、输出层：
输入层一般为一张图片（w, h, d）,输入层数据一般要做归一化处理;
隐藏层包含特有的卷积层（卷积核有权重系数）、池化层（没有权重系数）、全连接层，还有残差块？和Inception模块？。；
输出层：
RNN(循环神经网络)
单向的RNN示意图：

三级目录

...]]></description><category></category></item><item><title><![CDATA[pyinstaller打包教程]]></title><link>https://blog.youkuaiyun.com/a1023660/article/details/112246748</link><guid>https://blog.youkuaiyun.com/a1023660/article/details/112246748</guid><author>a1023660</author><pubDate>Sat, 05 Jul 2025 17:15:47 +0800</pubDate><description><![CDATA[这里写目录标题基础篇进阶篇
基础篇

pyinstaller -F -W main.py  // -F 表示打包成一个可执行文件 -W 表示去除黑框
pyinstaller -F -w -i ./smile.ico belle.py  // 给应用程序加上图标  在Mac上打包要下载.icns格式的图标文件
pyinstaller -n=good main.py  // 重命名  pyinstaller -n=‘good’ belle.py
pyinstaller --clean -y belle.py  ]]></description><category></category></item><item><title><![CDATA[cuda/cudnn]]></title><link>https://blog.youkuaiyun.com/a1023660/article/details/109263095</link><guid>https://blog.youkuaiyun.com/a1023660/article/details/109263095</guid><author>a1023660</author><pubDate>Sat, 05 Jul 2025 17:14:56 +0800</pubDate><description><![CDATA[这里写目录标题版本对应Windowsubuntu
版本对应
nvidia显卡驱动（最底层的）：安装最新版本
cuda:版本选择要看其他上层库的需求，比如TensorFlow，OpenCV，还有编译环境的需求，比如VisualStudio等。下载地址
cudnn：根据cuda的版本号来一一对应
Windows

ubuntu

...]]></description><category></category></item><item><title><![CDATA[python虚拟环境]]></title><link>https://blog.youkuaiyun.com/a1023660/article/details/113914019</link><guid>https://blog.youkuaiyun.com/a1023660/article/details/113914019</guid><author>a1023660</author><pubDate>Sat, 05 Jul 2025 17:14:00 +0800</pubDate><description><![CDATA[这里写目录标题安装ubuntu三级目录
安装
ubuntu
sudo apt update
sudo apt install software-properties-common
sudo add-apt-repository ppa:deadsnakes/ppa
sudo apt update
sudo apt install python3.9


三级目录

]]></description><category></category></item><item><title><![CDATA[Python]]></title><link>https://blog.youkuaiyun.com/a1023660/article/details/106719466</link><guid>https://blog.youkuaiyun.com/a1023660/article/details/106719466</guid><author>a1023660</author><pubDate>Sat, 05 Jul 2025 17:12:58 +0800</pubDate><description><![CDATA[Python基础中级metaclass高级
基础
中级
metaclass
高级

]]></description><category></category></item><item><title><![CDATA[Nextcloudpi]]></title><link>https://blog.youkuaiyun.com/a1023660/article/details/143260329</link><guid>https://blog.youkuaiyun.com/a1023660/article/details/143260329</guid><author>a1023660</author><pubDate>Sat, 05 Jul 2025 17:08:21 +0800</pubDate><description><![CDATA[https://192.168.1.109:4443/



sudo ncp-update
sudo apt update
sudo apt upgrade]]></description><category></category></item><item><title><![CDATA[Nvidia GPU加速框架Tensorrt]]></title><link>https://blog.youkuaiyun.com/a1023660/article/details/148736629</link><guid>https://blog.youkuaiyun.com/a1023660/article/details/148736629</guid><author>a1023660</author><pubDate>Sat, 05 Jul 2025 17:05:45 +0800</pubDate><description><![CDATA[【代码】Nvidia GPU加速框架Tensorrt。]]></description><category></category></item><item><title><![CDATA[vscode工具使用技巧]]></title><link>https://blog.youkuaiyun.com/a1023660/article/details/109334200</link><guid>https://blog.youkuaiyun.com/a1023660/article/details/109334200</guid><author>a1023660</author><pubDate>Sat, 05 Jul 2025 17:04:06 +0800</pubDate><description><![CDATA[这里写目录标题一级目录二级目录三级目录
一级目录
python train.py --epochs 100 --batch-size 8 --cfg ‘cfg/yolov3-spp-jp.cfg’ --data ‘jp/jp.data’ --device ‘0’
二级目录
三级目录

]]></description><category></category></item><item><title><![CDATA[C/C++ 语法速记，持续update...]]></title><link>https://blog.youkuaiyun.com/a1023660/article/details/148893396</link><guid>https://blog.youkuaiyun.com/a1023660/article/details/148893396</guid><author>a1023660</author><pubDate>Sat, 05 Jul 2025 17:02:50 +0800</pubDate><description><![CDATA[int age;// 直接构造，避免临时对象。]]></description><category></category></item><item><title><![CDATA[实验室图像质量测试]]></title><link>https://blog.youkuaiyun.com/a1023660/article/details/136441254</link><guid>https://blog.youkuaiyun.com/a1023660/article/details/136441254</guid><author>a1023660</author><pubDate>Sat, 05 Jul 2025 17:01:29 +0800</pubDate><description><![CDATA[（2），当使用SFR测试时，也就是测试斜边（刀口），需要选择黑色和白色交界的区域，一共需要测10次，中间横向，中间纵向，四角的横向纵向。（1），当使用TV line测试时， 也就是测试楔形线，需要关注如下图KD，JD，J1，K1，J2，K2 六个区域。四角十字型测试区域，用于测量四角的水平和垂直分辨率，拥有100~1000LW/PH的测试范围。KD，JD 用来测量倾斜45°角的分辨率，拥有100~1000LW/PH的测试范围。]]></description><category></category></item><item><title><![CDATA[jetpack-sdk]]></title><link>https://blog.youkuaiyun.com/a1023660/article/details/122735311</link><guid>https://blog.youkuaiyun.com/a1023660/article/details/122735311</guid><author>a1023660</author><pubDate>Fri, 28 Jan 2022 19:37:10 +0800</pubDate><description><![CDATA[jetpack-sdk 安装sdk managerstart run sdk managerlogin  nvidia accountselect  target hardware &amp; target operating systemselect correction &amp; ip &amp; username &amp; passwdfinished
sdk manager
download sdk manager &amp; dpkg sdk manager

start run sdk ma]]></description><category></category></item><item><title><![CDATA[openvino学习笔记]]></title><link>https://blog.youkuaiyun.com/a1023660/article/details/109271937</link><guid>https://blog.youkuaiyun.com/a1023660/article/details/109271937</guid><author>a1023660</author><pubDate>Sun, 25 Oct 2020 13:46:25 +0800</pubDate><description><![CDATA[openvino简介流程(使用 OpenVINO 部署 SSD_MobileNet_V2)Mac1.安装openvino（和平时应用程序安装一样）2.设置环境变量3.配置模型优化器4.准备提前训练好的模型参数5.模型优化器（模型转换（优化策略需要好好学习一下）6.推断windowlinux
简介
cpu推理加速，不能做模型的训练
流程(使用 OpenVINO 部署 SSD_MobileNet_V2)

openvino下载链接
Mac
1.安装openvino（和平时应用程序安装一样）
注意：安装前必须安装]]></description><category></category></item></channel></rss>