<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[cocosion的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/cocosion</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; cocosion]]></copyright><item><title><![CDATA[OpenClaw技术深度解析：原理、架构与实战应用]]></title><link>https://blog.youkuaiyun.com/cocosion/article/details/158585263</link><guid>https://blog.youkuaiyun.com/cocosion/article/details/158585263</guid><author>cocosion</author><pubDate>Mon, 02 Mar 2026 22:30:19 +0800</pubDate><description><![CDATA[架构创新：三层解耦设计实现了智能推理、任务编排与交互渠道的彻底分离本地优先：数据主权完全交还用户，从根本上保障隐私安全生态开放：插件化Skills设计支持无限功能扩展执行闭环：从指令解析到任务完成的完整自动化流程。]]></description><category></category></item><item><title><![CDATA[从概念到落地：多智能体协作系统(MAS)在企业数字化转型中的架构实战指南]]></title><link>https://blog.youkuaiyun.com/cocosion/article/details/158469950</link><guid>https://blog.youkuaiyun.com/cocosion/article/details/158469950</guid><author>cocosion</author><pubDate>Fri, 27 Feb 2026 20:27:12 +0800</pubDate><description><![CDATA[2026年，被公认为“多智能体协作元年”。从架构模式到实施框架，MAS正在重塑企业运作的理论基础。不要观望，立即行动。但行动前必须建立坚实的理论框架——理解控制理论、系统复杂性、通信拓扑、风险评估等核心概念。MAS的最大魅力不是替代人类，而是扩展人类的认知边界——让我们从个体决策扩展到群体智能，从局部优化扩展到全局最优。如果你在规划MAS项目或有理论困惑，欢迎评论区留言。我会结合最新理论进展，提供针对性建议。记住，在AI驱动的超互联世界，单点智能的时代已结束。]]></description><category></category></item><item><title><![CDATA[BOLD signal change _ROI 如何实现]]></title><link>https://blog.youkuaiyun.com/cocosion/article/details/109583354</link><guid>https://blog.youkuaiyun.com/cocosion/article/details/109583354</guid><author>cocosion</author><pubDate>Mon, 09 Nov 2020 19:08:58 +0800</pubDate><description><![CDATA[下面的是教程 翻译一下就是：

找个每个ROI 的平均 timecourse 
	找到baseline fixation 的平均timecourse
	用ROI 的timecourse / baseline timecourse
	每个条件下 onsets 的时间点的 平均这个条件的开始的时间点的 平均timecourse
	遍历时间 差不多30秒的样子 其实20秒差不多了
	例子




思路：1.求出每个 ambiguity下的Bold 值 然后画点图 看下nii文件的时间进...]]></description><category></category></item><item><title><![CDATA[pymvpa——如何计算一个普通列表的相似性矩阵]]></title><link>https://blog.youkuaiyun.com/cocosion/article/details/107466419</link><guid>https://blog.youkuaiyun.com/cocosion/article/details/107466419</guid><author>cocosion</author><pubDate>Wed, 04 Nov 2020 17:57:40 +0800</pubDate><description><![CDATA[在计算roi的bold平均信号的rdm矩阵时，由于用rsa.PDist （）函数

help(rsa.PDist )

Function of mvpa2.measures.rsa module

This Measure returns the upper triangle of the n x n disimilarity matrix defined as the pairwise distances between samples in the dataset, and where n is the]]></description><category></category></item><item><title><![CDATA[数据库Mysql 高效学习过程-只需5天]]></title><link>https://blog.youkuaiyun.com/cocosion/article/details/109494823</link><guid>https://blog.youkuaiyun.com/cocosion/article/details/109494823</guid><author>cocosion</author><pubDate>Wed, 04 Nov 2020 17:31:45 +0800</pubDate><description><![CDATA[数据库学习过程

1.安装和使用，官网下载Mysql，安装后如果需要 用户操作界面需要再次安装官网的WorkBench

推荐B站教程：https://www.bilibili.com/video/BV1VE411x7fZ?t=955

上 链接的教程只是下载Mysql 并配置的过程，再次强调没有用户操作界面，需要自行下载。

2.写SQL语句 ，建议使用终端 直接上手写，概念过完就忘，看完视频和没看一样，需要动手敲代码才能记住

推荐B站教程：https://space.bilibili.com/55..]]></description><category></category></item><item><title><![CDATA[IDEA 快捷键]]></title><link>https://blog.youkuaiyun.com/cocosion/article/details/109386060</link><guid>https://blog.youkuaiyun.com/cocosion/article/details/109386060</guid><author>cocosion</author><pubDate>Fri, 30 Oct 2020 15:30:29 +0800</pubDate><description><![CDATA[转自https://www.cnblogs.com/hkgov/p/12209317.html

发现里面方法不全，再加两个，用的时候最好 用查找 Command+F or Ctrl+F 大发好

1. Editing(编辑)

快捷键
			介绍
		Ctrl +Space
			基本代码补全，输入字母按后列出匹配的词组
		Ctrl+Shift+Space
			智能代码补全，列出与预期类型一致的方法或变量
		Ctrl+Alt+Space
			补全类名
		Ctrl+Shift+Enter
			.]]></description><category></category></item><item><title><![CDATA[python异步（并行）编程 听课笔记]]></title><link>https://blog.youkuaiyun.com/cocosion/article/details/99235951</link><guid>https://blog.youkuaiyun.com/cocosion/article/details/99235951</guid><author>cocosion</author><pubDate>Sun, 11 Aug 2019 22:42:16 +0800</pubDate><description><![CDATA[1.进程和线程

2. 同步和异步

3.协程

4.生成器到协程

5.asyncio模块（协程模块）

………………………………………………………………………………

1.进程和线程

进程

相当于一个任务，比如做饭

线程

相当于操作，做饭需要解冻肉，洗菜，煮米饭

一个进程任务，做饭下需要多进程 做饭的多个进程，如上





GIL全局解释器锁是用在IO密集型（大量的文件读写，...]]></description><category></category></item><item><title><![CDATA[行为科学统计——T检验]]></title><link>https://blog.youkuaiyun.com/cocosion/article/details/98593394</link><guid>https://blog.youkuaiyun.com/cocosion/article/details/98593394</guid><author>cocosion</author><pubDate>Tue, 06 Aug 2019 10:44:04 +0800</pubDate><description><![CDATA[T检验与F检验：

无论是T检验还是F检验，它们的目的都是检验样本平均数的。最终的目的都是用样本去推测总体

F检验是利用方差来对两个或两个以上处理的样本平均数的检验，但是T检验只用于两种处理的情况

T检验一般分为：单样本T检验（用一批样本去推测总体）

             独立样本T检验（两批样本所代表的总体之间的关系的检验）

       ...]]></description><category></category></item><item><title><![CDATA[NLP和深度学习笔记_概论和实现步骤以及包下载]]></title><link>https://blog.youkuaiyun.com/cocosion/article/details/96634394</link><guid>https://blog.youkuaiyun.com/cocosion/article/details/96634394</guid><author>cocosion</author><pubDate>Thu, 01 Aug 2019 10:12:00 +0800</pubDate><description><![CDATA[https://www.bilibili.com/video/av42021445/?p=6

卷积的过程就是特征提取的过程。



机器翻译，聊天机器人，情感分类和语义搜索

例子：将英文翻译成德文，就是利用的多层次递归神经网络 sequence to sequence

需要：编码器+解码器 谷歌2017年提出来的

深度学习在自然语言处理的步骤：

1）论文的阅读，最新算法的研究

...]]></description><category></category></item><item><title><![CDATA[PyMVPA_manual 4.8 event related 设计的数据分析 笔记]]></title><link>https://blog.youkuaiyun.com/cocosion/article/details/97388831</link><guid>https://blog.youkuaiyun.com/cocosion/article/details/97388831</guid><author>cocosion</author><pubDate>Sun, 28 Jul 2019 15:57:05 +0800</pubDate><description><![CDATA[4.8时间相关的实验设计

与前几节不同的是，事件相关设计的数据分析时将time时间这一因素考虑进去了

这里介绍两个方法：

1）实验条件的建模和模型参数估计的分析

2）时间空间数据样本的提取。

4.8.1 事件相关设计数据的预处理不是事件相关的

对于与事件相关的分析，大多数处理都是对从一组事件中派生出来的数据样本进行的。其余的数据可以被认为是无关的。然而，某些预处理只有在对完整的时...]]></description><category></category></item><item><title><![CDATA[回归分析中的评估指标]]></title><link>https://blog.youkuaiyun.com/cocosion/article/details/96882833</link><guid>https://blog.youkuaiyun.com/cocosion/article/details/96882833</guid><author>cocosion</author><pubDate>Mon, 22 Jul 2019 18:27:42 +0800</pubDate><description><![CDATA[图片来自https://www.bilibili.com/video/av35101467/?p=9



在理解F检验时，查到的一些资料



链接为https://wenku.baidu.com/view/1b673a6ab84ae45c3b358c73.html

方差分析

https://wenku.baidu...]]></description><category></category></item><item><title><![CDATA[SPM_PPI心理生理交互作用讲解及实现]]></title><link>https://blog.youkuaiyun.com/cocosion/article/details/91996610</link><guid>https://blog.youkuaiyun.com/cocosion/article/details/91996610</guid><author>cocosion</author><pubDate>Fri, 19 Jul 2019 10:47:07 +0800</pubDate><description><![CDATA[1.PPI是做什么的？

PPI是用来检验两个ROI之间在任务状态下是否联系加强的一个工具，如果在实验条件下，这两个ROI之间的联系要显著大于在基线条件下两个ROI之间的联系，那么就认为这个实验任务引起了这两个ROI之间的交流加强。

我的理解：实验条件就是引起心理反应的关键。而生理这个词 指的就是我们的ROI区域的血流动力学响应

所以叫做生理心理交互作用

2.PPI的操作流程解读

2...]]></description><category></category></item><item><title><![CDATA[mvpa2包中的vstack 可以将列表变成数据集]]></title><link>https://blog.youkuaiyun.com/cocosion/article/details/96449875</link><guid>https://blog.youkuaiyun.com/cocosion/article/details/96449875</guid><author>cocosion</author><pubDate>Thu, 18 Jul 2019 21:31:09 +0800</pubDate><description><![CDATA[在处理fmri数据的时候肯定会遇到将不同的数据集分割后需要一个一个追加，但是想把他们按照列的方式叠加就是个问题了。

举例子：

append方法



append是追加数据的意思

引入两个包

from mvpa2.suite import *
from mvpa2.measures import *

然后调用vstack

d=vstack(d,a=0)





现在d是fmri类...]]></description><category></category></item><item><title><![CDATA[PyMVPA_manual_6.2.4笔记]]></title><link>https://blog.youkuaiyun.com/cocosion/article/details/96003490</link><guid>https://blog.youkuaiyun.com/cocosion/article/details/96003490</guid><author>cocosion</author><pubDate>Tue, 16 Jul 2019 10:28:25 +0800</pubDate><description><![CDATA[6.2.4 fMRI数据的Searchlight

空间探照灯算法的最初思想来源于Kriegeskorte等人的一篇论文。(2006年)，并随后在一些研究中使用。探照灯最常见的用途是计算大脑中每个球状区域(ROI)的交叉验证分析。这种分析产生了一个分类精度的地图(通常)，通常被解释或后处理，类似于GLM统计输出图(例如，随后的分析与推理统计)。在本例中，我们将研究如何在pymvpa中进行这种类型的...]]></description><category></category></item><item><title><![CDATA[PyMVPA_manual_4.4 -4.7分类和searchlight笔记]]></title><link>https://blog.youkuaiyun.com/cocosion/article/details/95978031</link><guid>https://blog.youkuaiyun.com/cocosion/article/details/95978031</guid><author>cocosion</author><pubDate>Mon, 15 Jul 2019 16:02:22 +0800</pubDate><description><![CDATA[4.4分类器-All Alike, Yet Different

在本章中，我们将从上一章Getting data in shape中继续我们的工作，以便复制Haxby等人（2001年）的研究。对于本教程，有一个小帮手函数，可以在以下情况下手动生成我们所生成的数据集：



原始研究采用所谓的1-最近邻分类器，使用相关性作为距离测量。在pymvpa中，这种类型的分类器由knn类提供，这使得可以...]]></description><category></category></item><item><title><![CDATA[PyMVPA_manual 4.2&4.3基础知识和处理流程]]></title><link>https://blog.youkuaiyun.com/cocosion/article/details/95606918</link><guid>https://blog.youkuaiyun.com/cocosion/article/details/95606918</guid><author>cocosion</author><pubDate>Fri, 12 Jul 2019 16:23:12 +0800</pubDate><description><![CDATA[所有环境和包全部准备完毕后，来看mvpa的数据结构

所有volume的数据全部都保存在dataset中，所有的操作都离不开dataset,所以需要了解pymvpa中的dataset的数据结构

4.2数据集基础和概念

pymvpa中的大多数数据集被表示为二维数组，其中第一轴是样本轴，第二轴代表样本的特征。在最简单的情况下，数据集只包含数值矩阵的数据。



在上面的示例中，数据矩阵中...]]></description><category></category></item><item><title><![CDATA[偏导数，方向导数和梯度]]></title><link>https://blog.youkuaiyun.com/cocosion/article/details/90717043</link><guid>https://blog.youkuaiyun.com/cocosion/article/details/90717043</guid><author>cocosion</author><pubDate>Fri, 31 May 2019 16:30:58 +0800</pubDate><description><![CDATA[偏导数：

假设 f(x,y)=x+y**2

偏导数就是在一个给定值（x0,y0）点初，先固定y的值，将y看成常数，对x求偏导相当于只有x一个自变量和求导数是一样的

再固定x ,将x看成常数，对y求偏导相当于只有y一个自变量和求导数是一样的

………………………………………………………………………………………………………………………………

方向导数 的意思是 如果我有一个面,函数表达...]]></description><category></category></item><item><title><![CDATA[安装pymvpa2时报错：swig.exe没有安装的一波三折及解决办法]]></title><link>https://blog.youkuaiyun.com/cocosion/article/details/90678482</link><guid>https://blog.youkuaiyun.com/cocosion/article/details/90678482</guid><author>cocosion</author><pubDate>Wed, 29 May 2019 22:04:18 +0800</pubDate><description><![CDATA[只适用于windows

在安装pymvpa2时一直不成功 我就试着手动下载了pymvpa2的包 解压放在了anaconda文件夹下Lib文件夹下的site-packages里面然而手动安装的时候也出错了

一直提醒我要安装swig.exe 所以我屁颠屁颠的去下载了swig 但是没有用，说是要下载Microsoft Visual C++ 14.0  下载方法见博...]]></description><category></category></item><item><title><![CDATA[程序员的数序1笔记_第一章 0的故事]]></title><link>https://blog.youkuaiyun.com/cocosion/article/details/90648579</link><guid>https://blog.youkuaiyun.com/cocosion/article/details/90648579</guid><author>cocosion</author><pubDate>Tue, 28 May 2019 22:39:40 +0800</pubDate><description><![CDATA[第一章 0的故事









指数：









请记住这种思维方式：以简化规则为目的去定义值

以简化规则为目的去定义值

以简化规则为目的去定义值



关于计数法的思考：

古代只有1 11 111 1111这样的计算法，但是这样随着数越来越多，很难一眼看出来大小，就有了按位记数法（如 10进制，二进制）。但是随着数字的增大，100000和1000000哪个大，不能一眼就...]]></description><category></category></item><item><title><![CDATA[Codehub的tensorflow学习笔记1_简单tensor,op和变量操作]]></title><link>https://blog.youkuaiyun.com/cocosion/article/details/90635599</link><guid>https://blog.youkuaiyun.com/cocosion/article/details/90635599</guid><author>cocosion</author><pubDate>Tue, 28 May 2019 11:18:44 +0800</pubDate><description><![CDATA[课程源于bilibili上的Codehub的tensorflow课程 ……

此笔记主要目的是自己理解和记录，如果能帮到其他人十分开心

首先安装anaconda

pip install tensorflow #安装tensorflow

了解基本概念 图是基于会话的session,图中有操作（operate，简称op）和数据(tensor)

比较值得注意的是每次都需要初始化变量...]]></description><category></category></item></channel></rss>