<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[air_force1的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/air_force1</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; air_force1]]></copyright><item><title><![CDATA[使用训练好的模型进行预标注（labelme图像分割）]]></title><link>https://blog.youkuaiyun.com/air_force1/article/details/153461951</link><guid>https://blog.youkuaiyun.com/air_force1/article/details/153461951</guid><author>air_force1</author><pubDate>Fri, 17 Oct 2025 10:05:32 +0800</pubDate><description><![CDATA[----------------- 图像预处理 -----------------# ----------------- 主推理循环 -----------------# ----------------- 参数设置 -----------------# ----------------- 模型加载 -----------------# ----------------- 辅助函数 -----------------#     """将二值mask转换为多边形点集"""]]></description><category></category></item><item><title><![CDATA[创建创建虚拟环境失败问题记录]]></title><link>https://blog.youkuaiyun.com/air_force1/article/details/149191653</link><guid>https://blog.youkuaiyun.com/air_force1/article/details/149191653</guid><author>air_force1</author><pubDate>Tue, 08 Jul 2025 10:03:18 +0800</pubDate><description><![CDATA[解决方案：找到C:\Users\用户名\.condarc文件  删除该文件中所有内容再次尝试创建虚拟环境即可。]]></description><category></category></item><item><title><![CDATA[QT快速入门（全）]]></title><link>https://blog.youkuaiyun.com/air_force1/article/details/149090164</link><guid>https://blog.youkuaiyun.com/air_force1/article/details/149090164</guid><author>air_force1</author><pubDate>Thu, 03 Jul 2025 11:20:00 +0800</pubDate><description><![CDATA[QT学习笔记，B站视频链接：QT快速入门 | 最简单最简洁的QT入门教程 | 嵌入式UI_哔哩哔哩_bilibili]]></description><category></category></item><item><title><![CDATA[QT快速入门（2）]]></title><link>https://blog.youkuaiyun.com/air_force1/article/details/149090092</link><guid>https://blog.youkuaiyun.com/air_force1/article/details/149090092</guid><author>air_force1</author><pubDate>Thu, 03 Jul 2025 11:12:16 +0800</pubDate><description><![CDATA[在myThread类中需要重写QThread的虚函数run()，run()为线程入口函数,在实现run函数时需要处理socket发出的&注意，在实际工程中一般不会直接操作数据库，频繁的读写数据库会给数据库造成较大的压力，可以使用缓存机制缓解数据库压力。QT多线程（通过多线程处理客户端连接）//线程通过emit发送来的自定义事件。()) //判断是否再打开成功。//自定义事件传递信息到主窗口。//新建myThread类。))//判断是否执行成功。))//判断是否执行成功。//监听客户端连接信号。]]></description><category></category></item><item><title><![CDATA[QT快速入门]]></title><link>https://blog.youkuaiyun.com/air_force1/article/details/148947367</link><guid>https://blog.youkuaiyun.com/air_force1/article/details/148947367</guid><author>air_force1</author><pubDate>Fri, 27 Jun 2025 10:23:15 +0800</pubDate><description><![CDATA[6.ba.append(ui->textEdit->toPlain0Text()) //读取QTextEdit内容，同时类型转化（QString到QByteArry）4.file.open(“打开方式”) //打开方式：只写 QIODevice：：WriteOnly。6.QMessageBox：：information（this，“标题”，内容）//弹出框。FileName(this,”弹出框标题”，“打开文件路径”) //保存文件不给文件类型。//由于socket为局部变量，可以通过sender获取。]]></description><category></category></item><item><title><![CDATA[线性回归的梯度下降]]></title><link>https://blog.youkuaiyun.com/air_force1/article/details/124366743</link><guid>https://blog.youkuaiyun.com/air_force1/article/details/124366743</guid><author>air_force1</author><pubDate>Sat, 23 Apr 2022 18:05:04 +0800</pubDate><description><![CDATA[在前两篇文章中介绍了线性回归模型，梯度下降算法，代价函数。这篇文章主要是将梯度下降算法与代价函数结合得到线性回归算法，使其可用来拟合直线模型。如下图，左边为梯度下降算法，右边为假设函数h以及代价函数J，我们要做的就是将梯度下降算法应用到最小化代价函数。



在将代价函数代入到梯度下降算法时，需要注意一点也是比较难理解的一点就是对代价函数求偏导，需注意求偏导时自变量是谁，是0和1，所以是对0和1分别求偏导，这里不妨将这个偏导设为Z。

当对0求偏导时，根据显函数的求偏导的法则，先对平方项整体求一次导出来..]]></description><category></category></item><item><title><![CDATA[机器学习之梯度下降]]></title><link>https://blog.youkuaiyun.com/air_force1/article/details/124284018</link><guid>https://blog.youkuaiyun.com/air_force1/article/details/124284018</guid><author>air_force1</author><pubDate>Thu, 21 Apr 2022 10:24:51 +0800</pubDate><description><![CDATA[梯度下降算法适用于许多函数，不单单可以求出线性回归函数的最小值。

求最小值过程为，先设定初始的0，1，往往都设置为零，然后逐渐的移动0，1去减少代价函数J，直到找到函数J的最小值



梯度下降算法有一个特点就是选择不同的起始点，会得到不同的局部最优解。



梯度下降算法的数学原理，在公式中被称为学习率，用来控制梯度下降时我们迈多大的步子，越大则梯度下降越快。需注意在进行计算梯度下降算法时，需要对每个参数同时进行求偏导，并同时更新。








...]]></description><category></category></item><item><title><![CDATA[机器学习之线性回归]]></title><link>https://blog.youkuaiyun.com/air_force1/article/details/124258855</link><guid>https://blog.youkuaiyun.com/air_force1/article/details/124258855</guid><author>air_force1</author><pubDate>Mon, 18 Apr 2022 21:46:27 +0800</pubDate><description><![CDATA[本文主要介绍监督学习的线性回归算法。

前导知识：其中m表示数据集的个数，x表示输入值或者是事物的特征或属性，y表示输出值或者预期值。（x,y）表示一个训练样本。如果想要表示具体的训练样本需要加上上标。



监督学习算法工作流程：将一些数据集交给学习算法，学习算法将给出一个函数（h），通过该函数可以通过输入值预测输出值。在线性回归中函数h为一元函数



怎样判断函数h与实际数据的拟合度？这里引入了代价函数J，代价函数J是关于0与1的函数，即方差再除以1/2.函数J值的大小反映了假设函数h的拟合度，代价函]]></description><category></category></item><item><title><![CDATA[什么是监督学习？什么是无监督学习？]]></title><link>https://blog.youkuaiyun.com/air_force1/article/details/124058476</link><guid>https://blog.youkuaiyun.com/air_force1/article/details/124058476</guid><author>air_force1</author><pubDate>Thu, 14 Apr 2022 21:51:10 +0800</pubDate><description><![CDATA[监督学习
]]></description><category></category></item><item><title><![CDATA[什么是机器学习？什么情况下使用机器学习？]]></title><link>https://blog.youkuaiyun.com/air_force1/article/details/124057163</link><guid>https://blog.youkuaiyun.com/air_force1/article/details/124057163</guid><author>air_force1</author><pubDate>Sat, 09 Apr 2022 11:16:43 +0800</pubDate><description><![CDATA[什么是机器学习？

答：

Arthur Samuel ：机器学习是在没有明确设置的情况下，使计算机具有学习能力的研究领域。

Tom Mitchell：机器学习是计算机程序从经验E中学习，解决某一任务T，进行某一性能度量P，通过性能度量P来测定在任务T上的表现因经验E而提高。

举例：如跳棋游戏，经验E为程序与自己下几万次跳棋，任务T就是玩跳棋，性能度量P是与新对手玩跳棋时赢得概率。

考查举例：现有一程序以实现自动过滤垃圾邮件邮件的功能。试回答那个是E,T,P？

1.将邮件分类为垃圾邮件或者不是垃圾邮]]></description><category></category></item></channel></rss>