<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[车前猛跑]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/cin_ie</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; cin_ie]]></copyright><item><title><![CDATA[python创建与激活虚拟环境]]></title><link>https://blog.youkuaiyun.com/cin_ie/article/details/155733501</link><guid>https://blog.youkuaiyun.com/cin_ie/article/details/155733501</guid><author>cin_ie</author><pubDate>Tue, 09 Dec 2025 10:31:57 +0800</pubDate><description><![CDATA[【代码】python创建与激活虚拟环境。]]></description><category></category></item><item><title><![CDATA[Au录音时卡顿如何解决]]></title><link>https://blog.youkuaiyun.com/cin_ie/article/details/145659485</link><guid>https://blog.youkuaiyun.com/cin_ie/article/details/145659485</guid><author>cin_ie</author><pubDate>Sun, 16 Feb 2025 00:35:22 +0800</pubDate><description><![CDATA[Au录音时卡顿如何解决]]></description><category></category></item><item><title><![CDATA[ssh生成公钥]]></title><link>https://blog.youkuaiyun.com/cin_ie/article/details/144399944</link><guid>https://blog.youkuaiyun.com/cin_ie/article/details/144399944</guid><author>cin_ie</author><pubDate>Wed, 11 Dec 2024 14:20:09 +0800</pubDate><description><![CDATA[3.会生成一个id_rsa.pub文件。1.到~/.ssh目录下。2.一路回车啥都不用管。]]></description><category></category></item><item><title><![CDATA[推导正规方程的解]]></title><link>https://blog.youkuaiyun.com/cin_ie/article/details/141470097</link><guid>https://blog.youkuaiyun.com/cin_ie/article/details/141470097</guid><author>cin_ie</author><pubDate>Fri, 23 Aug 2024 17:20:39 +0800</pubDate><description><![CDATA[∂XT∂X=I\frac{\partial{X^T}}{\partial{X}} = I∂X∂XT​=I，求解出来是单位矩阵
∂XTA∂X=A\frac{\partial{X^T}A}{\partial{X}} = A∂X∂XTA​=A
∂AXT∂X=A\frac{\partial{A}X^T}{\partial{X}} = A∂X∂AXT​=A
∂AX∂X=AT\frac{\partial{A}X}{\partial{X}} = A^T∂X∂AX​=AT
∂XA∂X=AT\frac{\partial{X}]]></description><category></category></item><item><title><![CDATA[梯度的概念]]></title><link>https://blog.youkuaiyun.com/cin_ie/article/details/141404875</link><guid>https://blog.youkuaiyun.com/cin_ie/article/details/141404875</guid><author>cin_ie</author><pubDate>Wed, 21 Aug 2024 23:12:02 +0800</pubDate><description><![CDATA[机器学习中，梯度下降法，牛顿法都会用到梯度概念。对于多元函数，梯度可以看成偏导数。对于一元函数，梯度可以看成导数。，那么它的梯度就是由。分别求偏导组成的向量。]]></description><category></category></item><item><title><![CDATA[一元函数泰勒展开]]></title><link>https://blog.youkuaiyun.com/cin_ie/article/details/141393434</link><guid>https://blog.youkuaiyun.com/cin_ie/article/details/141393434</guid><author>cin_ie</author><pubDate>Wed, 21 Aug 2024 14:50:00 +0800</pubDate><description><![CDATA[泰勒展开可以用来研究函数某些性质。在机器学习里面，用来求函数的极值，很多时候函数 f(x)可能会非常复杂，无法直接计算，可用泰勒展开做近似计算。而牛顿法是保留泰勒展开二阶项，忽略二阶以上的项，用泰勒二阶展开来进行函数f(x)近似表达。梯度下降法怎么做的呢？是做一个近似，保留泰勒展开一阶项。]]></description><category></category></item><item><title><![CDATA[Macbook录屏软件，KAP，开源免费]]></title><link>https://blog.youkuaiyun.com/cin_ie/article/details/139528699</link><guid>https://blog.youkuaiyun.com/cin_ie/article/details/139528699</guid><author>cin_ie</author><pubDate>Fri, 07 Jun 2024 16:14:10 +0800</pubDate><description><![CDATA[Kap录屏，搜索结果还是会出现各种各样的收费软件推荐，不过这次好歹出现了OBS studio。OBS也挺好的，不过osb操作有点复杂，对于只需要简单录屏来说，根本用不到obs stidio。打开后就是这个样子，通过箭头指向的三个按钮可以选取录制区域，三个点按钮是系统设置。一般选择好录制区域后，就可以点击中间的圆圈开始录制。今天有录屏的需求，就在某度上搜索“Macbook录屏软件”，搜索结果前几页全部都是各种各样的收费软件。Kap就比较合适，操作极其简单，简直简单到令人发指。再从某度上搜索“Macbook。]]></description><category></category></item><item><title><![CDATA[梯度下降: 03. BGD的代码实现，一元数据，多元数据]]></title><link>https://blog.youkuaiyun.com/cin_ie/article/details/139510304</link><guid>https://blog.youkuaiyun.com/cin_ie/article/details/139510304</guid><author>cin_ie</author><pubDate>Fri, 07 Jun 2024 08:27:00 +0800</pubDate><description><![CDATA[当斜率加上随机正态分布的波动数据后，通过地图下降求解出的w=9.34389628，b=4.77139965，基本比较精确。但是要注意的是，8元数据+1个截距 = 9个维度，那么下面计算代码中的theta的形状，需要将（2，1）改成（9，1）观察前X中10个数据，不光有随机生成的x(第一列)，还增加了作为偏置项的b(第二列)随着训练次数的增加，会越逼近最优解，那么学习率也应该随之逐渐减小。数据构造完毕，下面进行计算的代码，基本与1元部分一样。可以看到，随机生成的w=9，b=5。前8个数据是w，第9个是b。]]></description><category></category></item><item><title><![CDATA[安装pytouch，cuda，实现gpu计算]]></title><link>https://blog.youkuaiyun.com/cin_ie/article/details/137379411</link><guid>https://blog.youkuaiyun.com/cin_ie/article/details/137379411</guid><author>cin_ie</author><pubDate>Thu, 06 Jun 2024 10:20:12 +0800</pubDate><description><![CDATA[torch-2.2.2：torch版本2.2.2。cp311：python版本3.11。cu118：cuda版本11.8。进入下载torch所在目录安装。]]></description><category></category></item><item><title><![CDATA[java.util.ConcurrentModificationException产生原因及解决办法]]></title><link>https://blog.youkuaiyun.com/cin_ie/article/details/7030470</link><guid>https://blog.youkuaiyun.com/cin_ie/article/details/7030470</guid><author>cin_ie</author><pubDate>Thu, 06 Jun 2024 10:17:12 +0800</pubDate><description><![CDATA[第一次遇到此异常是在处理3g.renren.com的好友分组功能中，因为接口提供的好友分组（以map的方式提供好友分组的id跟分组名）中没有把分组名为空，但是id存在的数据屏蔽掉，所以我在调用接口服务之后，需要重新处理value为空的数据。
代码如下：import java.util.HashMap;
import java.util.Map;

/**
 * 
 * Dec 1, 2011]]></description><category></category></item><item><title><![CDATA[梯度下降: 02. 批量梯度下降BGD，随机梯度下降SGD，小批量梯度下降MBGD]]></title><link>https://blog.youkuaiyun.com/cin_ie/article/details/139484381</link><guid>https://blog.youkuaiyun.com/cin_ie/article/details/139484381</guid><author>cin_ie</author><pubDate>Wed, 05 Jun 2024 23:13:11 +0800</pubDate><description><![CDATA[本文从原理上介绍了三种梯度下降的方法，相同点，异同点，优缺点。内容包含了数学公式的推导与说明。]]></description><category></category></item><item><title><![CDATA[梯度下降: 01.原理与代码实操]]></title><link>https://blog.youkuaiyun.com/cin_ie/article/details/139354345</link><guid>https://blog.youkuaiyun.com/cin_ie/article/details/139354345</guid><author>cin_ie</author><pubDate>Sun, 02 Jun 2024 10:47:00 +0800</pubDate><description><![CDATA[梯度下降法(GradientDescent)算法，不像多元线性回归那样是一个具体做回归任务的算法，而是一个非常通用的优化算法来帮助一些机器学习算法（都是无约束最优化问题）求解出最优解，所谓的通用就是很多机器学习算法都是用梯度下降，甚至深度学习也是用它来求解最优解。所有优化算法的目的都是期望以最快的速度把模型参数θ\thetaθ求解出来，梯度下降法就是一种经典常用的优化算法。之前利用正规方程求解的θ是最优解的原因是MSE这个损失函数是凸函数。]]></description><category></category></item><item><title><![CDATA[线性回归：波士顿房价]]></title><link>https://blog.youkuaiyun.com/cin_ie/article/details/139329926</link><guid>https://blog.youkuaiyun.com/cin_ie/article/details/139329926</guid><author>cin_ie</author><pubDate>Thu, 30 May 2024 17:48:16 +0800</pubDate><description><![CDATA[波士顿房价问题是一个经典的机器学习问题，用于预测波士顿地区房屋的中位数价格。该问题涉及的数据集包含了506个样本，每个样本有13个特征指标，这些特征涵盖了城镇的各种社会经济和地理因素。以下是这些特征指标的简要描述：CRIM：城镇的犯罪率（人均犯罪率）。ZN：住宅用地超过25000平方英尺的比例。INDUS：每个城镇的非零售商业用地比例。CHAS：查尔斯河虚拟变量（如果房屋附近是查尔斯河，则为1；否则为0）。NOX：一氧化氮浓度（每千万份）。RM：每个住宅的平均房间数。]]></description><category></category></item><item><title><![CDATA[线性回归计算举例]]></title><link>https://blog.youkuaiyun.com/cin_ie/article/details/139279344</link><guid>https://blog.youkuaiyun.com/cin_ie/article/details/139279344</guid><author>cin_ie</author><pubDate>Tue, 28 May 2024 22:16:43 +0800</pubDate><description><![CDATA[【代码】线性回归计算举例。]]></description><category></category></item><item><title><![CDATA[AIGC技术的伦理与风险探讨：现状与未来]]></title><link>https://blog.youkuaiyun.com/cin_ie/article/details/138275377</link><guid>https://blog.youkuaiyun.com/cin_ie/article/details/138275377</guid><author>cin_ie</author><pubDate>Sun, 28 Apr 2024 13:35:43 +0800</pubDate><description><![CDATA[此外，AIGC技术的发展也可能带来道德困境和伦理争议，如自动驾驶汽车的道德决策等问题。然而，与其带来的便利和创新相伴而来的，也是伦理和风险问题的挑战。我们需要积极探讨和解决AIGC技术带来的伦理问题，建立健全的法律法规和伦理准则，加强对技术的监管和管理。同时，我们还需要加强对AIGC技术的研究和开发，提高技术的安全性和可靠性，降低技术的风险和危害。综上所述，AIGC技术的发展既带来了巨大的机遇，也带来了严峻的挑战。我们需要以科学的态度和责任心，共同推动AIGC技术的健康发展，实现科技和人类社会的共同进步。]]></description><category></category></item><item><title><![CDATA[AIGC技术的现状与未来发展趋势]]></title><link>https://blog.youkuaiyun.com/cin_ie/article/details/138275116</link><guid>https://blog.youkuaiyun.com/cin_ie/article/details/138275116</guid><author>cin_ie</author><pubDate>Sun, 28 Apr 2024 13:31:02 +0800</pubDate><description><![CDATA[随着人工智能的不断发展，智能计算领域也在不断探索新的可能性。在未来，随着人工智能技术的不断进步，AIGC技术将在各个领域发挥越来越重要的作用，为人类社会带来更多的智能化便利和创新。：未来的AIGC系统将更加注重个性化定制，可以根据用户的需求和偏好提供定制化的服务和体验。未来的AIGC系统将能够更加准确地理解和分析数据，实现更加智能化的决策和行为。：未来的AIGC系统将不仅仅是智能的计算工具，还将与人类进行更加紧密的协同工作。未来，随着人工智能技术的不断发展和普及，AIGC技术也将迎来更加广阔的发展空间。]]></description><category></category></item><item><title><![CDATA[计数原理基础知识]]></title><link>https://blog.youkuaiyun.com/cin_ie/article/details/138244791</link><guid>https://blog.youkuaiyun.com/cin_ie/article/details/138244791</guid><author>cin_ie</author><pubDate>Sat, 27 Apr 2024 23:47:43 +0800</pubDate><description><![CDATA[ab2等于什么？a22abb2那么，如何通过排列组合知识从理论上抽象出公式呢？ab2abababababaabbababa×aa×bb×ab×babC21​abC21​C21​C21​4a2−k⋅bkC20​1a2⋅b0C21​2a1⋅b1C22​1a0⋅b2a22abb2按照上述规律，计算ab3C30。]]></description><category></category></item><item><title><![CDATA[特征值eigenvalue与特征向量eigenvector]]></title><link>https://blog.youkuaiyun.com/cin_ie/article/details/138004411</link><guid>https://blog.youkuaiyun.com/cin_ie/article/details/138004411</guid><author>cin_ie</author><pubDate>Sat, 20 Apr 2024 19:32:38 +0800</pubDate><description><![CDATA[在线性代数中，对于一个给定的线性变换A，他的特征向量v经过这个线性变换的作用之后，得到的新向量仍然与原来的v保持在同一条直线上。但长度或方向也许会改变。Avλv其中λ为标量，即特征向量的长度在该线性变换下缩放的比例，称为其特征值。A14​1−2​v1​12​A与v1​内积后的Av1​与v1​不在一条直线上，所以v1​不是A的特征向量Av1​30​v2​11​Av2​14​1−2​22​。]]></description><category></category></item><item><title><![CDATA[机器学习基础知识]]></title><link>https://blog.youkuaiyun.com/cin_ie/article/details/137989960</link><guid>https://blog.youkuaiyun.com/cin_ie/article/details/137989960</guid><author>cin_ie</author><pubDate>Sat, 20 Apr 2024 09:48:10 +0800</pubDate><description><![CDATA[通过现有数据，总结出数据所对应的线性方程的斜率与截距fx1​x2​...xn​w1​x1​w2​x2​...wn​xn​b。]]></description><category></category></item><item><title><![CDATA[numpy学习笔记（5），其他实用函数]]></title><link>https://blog.youkuaiyun.com/cin_ie/article/details/137749209</link><guid>https://blog.youkuaiyun.com/cin_ie/article/details/137749209</guid><author>cin_ie</author><pubDate>Sun, 14 Apr 2024 17:11:41 +0800</pubDate><description><![CDATA[随机数, 正态分布随机数, 排序函数, 聚合函数, unique函数, where函数]]></description><category></category></item></channel></rss>