<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[cyclinbox的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/cyclinbox</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; cyclinbox]]></copyright><item><title><![CDATA[富集分析与可视化的方法：GREAT与rGREAT]]></title><link>https://blog.youkuaiyun.com/cyclinbox/article/details/159714227</link><guid>https://blog.youkuaiyun.com/cyclinbox/article/details/159714227</guid><author>cyclinbox</author><pubDate>Wed, 01 Apr 2026 09:25:09 +0800</pubDate><description><![CDATA[GREAT是一款专用于分析基因组调控区域功能注释的工具，与传统的基因富集分析工具不同，它通过二项检验直接分析基因组区域而非基因列表，能够更全面地评估非编码区域的功能意义。GREAT采用创新的&quot;调控域&quot;模型，解决了传统方法在处理远端调控元件时的信息丢失和假阳性问题。该工具需要输入BED格式的基因组坐标文件，通过网页接口或命令行使用，特别适用于ChIP-seq、ATAC-seq等顺式调控数据的分析。配套的Python脚本可帮助用户从GTF文件生成所需的BED格式输入文件。]]></description><category></category></item><item><title><![CDATA[编译安装CUDA版本的opencv-python包]]></title><link>https://blog.youkuaiyun.com/cyclinbox/article/details/159714001</link><guid>https://blog.youkuaiyun.com/cyclinbox/article/details/159714001</guid><author>cyclinbox</author><pubDate>Wed, 01 Apr 2026 09:19:05 +0800</pubDate><description><![CDATA[本文介绍了如何在Linux服务器上从源码编译安装支持CUDA加速的OpenCV-Python。首先需要准备GPU驱动、CUDA工具链和编译环境，然后下载OpenCV及contrib源码。通过cmake配置编译参数，包括指定CUDA路径、显卡计算能力等关键选项。编译过程利用多核并行加速，最终安装到Python环境。文章提供了详细的步骤说明和参数解释，帮助用户解决预编译版本不支持GPU加速的问题。编译完成后，可在Python中调用支持CUDA的OpenCV功能。]]></description><category></category></item><item><title><![CDATA[大模型Model Context Protocol（MCP）简介]]></title><link>https://blog.youkuaiyun.com/cyclinbox/article/details/159691934</link><guid>https://blog.youkuaiyun.com/cyclinbox/article/details/159691934</guid><author>cyclinbox</author><pubDate>Tue, 31 Mar 2026 17:04:47 +0800</pubDate><description><![CDATA[本文介绍了大语言模型(LLM)工具调用的新技术Model Context Protocol(MCP)。MCP通过标准化协议层，使LLM能够主动调用外部工具和服务，扩展AI能力边界。文章详细解析了MCP的工作原理：通过系统提示词让LLM生成结构化JSON调用请求，由AI平台解析执行并返回结果。MCP支持三种工作模式(stdio/SSE/HTTP)，适应不同部署场景，相比传统function call具有更好的兼容性和灵活性。该技术实现了LLM与工具的解耦，为AI agent开发提供了统一标准。]]></description><category></category></item><item><title><![CDATA[【个人推荐】一些好用的录音转写工具]]></title><link>https://blog.youkuaiyun.com/cyclinbox/article/details/159691867</link><guid>https://blog.youkuaiyun.com/cyclinbox/article/details/159691867</guid><author>cyclinbox</author><pubDate>Tue, 31 Mar 2026 17:02:18 +0800</pubDate><description><![CDATA[本文对比了三款主流录音转写工具：讯飞听见（识别准确但价格较高，月费80元含50小时）、WPS听记（性价比更高，会员年费133-191元含3-50小时/月）和通义听悟（新锐产品，免费时长多，教育邮箱可获额外福利）。三款均支持实时/文件转写、发言人区分功能，其中通义听悟还提供智能分段和会议总结。腾讯会议和荣耀笔记的转写功能因侧重实时场景未深入讨论。作者基于备课需求，从功能、价格等方面为不同用户提供了选择参考。]]></description><category></category></item><item><title><![CDATA[阿里巴巴个人助手智能体CoPaw搭建]]></title><link>https://blog.youkuaiyun.com/cyclinbox/article/details/159648757</link><guid>https://blog.youkuaiyun.com/cyclinbox/article/details/159648757</guid><author>cyclinbox</author><pubDate>Mon, 30 Mar 2026 15:09:35 +0800</pubDate><description><![CDATA[文章摘要：本文介绍了如何在阿里云魔搭创空间免费部署CoPaw智能助手（类似openClaw）。通过一键配置即可完成安装，支持添加MCP工具和云端大模型（如通义千问）。详细说明了接入飞书/钉钉等应用的方法，并分享了使用体验：聊天消耗token较多，建议选择经济模型；飞书支持文件传输而QQ仅限文字；魔搭云服务文件系统封闭但安全性高。作者在元宵节期间成功体验了这一国产智能体工具的便捷功能。]]></description><category></category></item><item><title><![CDATA[基于RSS订阅源以及LLM的文献订阅追踪工具]]></title><link>https://blog.youkuaiyun.com/cyclinbox/article/details/159648608</link><guid>https://blog.youkuaiyun.com/cyclinbox/article/details/159648608</guid><author>cyclinbox</author><pubDate>Mon, 30 Mar 2026 15:04:58 +0800</pubDate><description><![CDATA[本文介绍了一个自动化处理RSS论文订阅源的开源工具，该工具集成了AI论文总结功能。项目背景源于生物医学研究生追踪大量期刊论文的需求，旨在解决手动处理订阅论文耗时的问题。工具包含五个模块：RSS订阅源解析、论文全文爬取、AI论文解析、报告生成和可选定时任务。其中重点解决了RSS源解析和论文爬取的技术难点，利用OPML文件管理订阅列表，通过requests和bs4库获取论文全文。项目已开源，代码托管在GitHub（cyclinbox/RSS-report-with-AI-process），欢迎试用和反馈。]]></description><category></category></item><item><title><![CDATA[Attention机制与self-attention详解（二）——Transformer架构]]></title><link>https://blog.youkuaiyun.com/cyclinbox/article/details/155284538</link><guid>https://blog.youkuaiyun.com/cyclinbox/article/details/155284538</guid><author>cyclinbox</author><pubDate>Wed, 26 Nov 2025 21:52:50 +0800</pubDate><description><![CDATA[本文介绍了Transformer模型及其核心组件Self-attention的应用与结构。主要内容包括：1) Self-attention在语音识别、文本翻译、聊天机器人等多领域的应用实例；2) Transformer的Encoder-Decoder架构，详细解析了Encoder中的self-attention层和Decoder的autoregressive机制；3) 重点说明了Encoder与Decoder通过cross-attention连接的原理。文章还对比了autoregressive和non-au]]></description><category></category></item><item><title><![CDATA[Attention机制与self-attention详解（一）——基础知识]]></title><link>https://blog.youkuaiyun.com/cyclinbox/article/details/155284483</link><guid>https://blog.youkuaiyun.com/cyclinbox/article/details/155284483</guid><author>cyclinbox</author><pubDate>Wed, 26 Nov 2025 21:51:58 +0800</pubDate><description><![CDATA[本文总结了Transformer中attention机制的核心内容。首先介绍了attention要解决的可变长度序列输入问题，包括文本、音频等不同输入形式及对应的三类输出任务。重点解析了self-attention的结构与计算方法：通过Q、K、V三个矩阵的点积运算计算注意力分数，最终得到输出向量。文章还详细推导了self-attention的矩阵表示形式，并介绍了多头注意力机制和位置编码等改进方法。这些技术使模型能够有效捕捉序列中的长距离依赖关系，为处理序列数据提供了强大的建模能力。]]></description><category></category></item><item><title><![CDATA[机器学习可解释性实操]]></title><link>https://blog.youkuaiyun.com/cyclinbox/article/details/155234374</link><guid>https://blog.youkuaiyun.com/cyclinbox/article/details/155234374</guid><author>cyclinbox</author><pubDate>Tue, 25 Nov 2025 14:30:15 +0800</pubDate><description><![CDATA[本文探讨了机器学习模型的可解释性问题，介绍了内在可解释和事后可解释两种分类方法，以及局部解释和全局解释的不同需求。重点分析了部分依赖图(PDP)这一事后解释技术，通过可视化单个特征或特征组合对模型预测的影响，帮助理解复杂模型的决策机制。文章使用sklearn的糖尿病数据集和SVR模型进行示例，展示了如何利用PDP方法分析BMI、血压等特征对糖尿病进展的影响。这些可解释性方法有助于增强模型透明度，使预测结果更可信和可理解。]]></description><category></category></item><item><title><![CDATA[Ubuntu时间同步]]></title><link>https://blog.youkuaiyun.com/cyclinbox/article/details/155189964</link><guid>https://blog.youkuaiyun.com/cyclinbox/article/details/155189964</guid><author>cyclinbox</author><pubDate>Tue, 25 Nov 2025 14:27:31 +0800</pubDate><description><![CDATA[本文介绍了解决服务器时间同步问题的过程。通过排查发现系统时间快了半分钟，进而探索了NTP协议原理及实现方法。文章详细说明了检查时间同步状态、更换NTP服务器源（使用阿里云和国家授时中心服务器）、修改配置文件以及重启服务等具体步骤。最终通过timedatectl命令验证时间同步成功，解决了服务器时间不准的问题。]]></description><category></category></item><item><title><![CDATA[Linux文件字数统计]]></title><link>https://blog.youkuaiyun.com/cyclinbox/article/details/155189916</link><guid>https://blog.youkuaiyun.com/cyclinbox/article/details/155189916</guid><author>cyclinbox</author><pubDate>Mon, 24 Nov 2025 10:36:10 +0800</pubDate><description><![CDATA[本文记录了作者为日记本系统添加字数统计功能的探索过程。最初使用Linux的wc指令时发现wc -c统计中文字符不准确，转而使用wc -m参数统计字符数。但在服务器自动更新时仍出现问题，发现是LANG环境变量设置不当导致。最终确定使用LANG=C.UTF-8 wc -m能正确统计中文字符。在AI建议下，作者改用Python内置方法重构代码，使扫描时间从5秒降至3秒。最终统计发现日记已超过百万字，展现了作者对技术细节的深入探索和优化过程。]]></description><category></category></item><item><title><![CDATA[我与电脑C盘的战争]]></title><link>https://blog.youkuaiyun.com/cyclinbox/article/details/155189816</link><guid>https://blog.youkuaiyun.com/cyclinbox/article/details/155189816</guid><author>cyclinbox</author><pubDate>Mon, 24 Nov 2025 10:35:18 +0800</pubDate><description><![CDATA[摘要：本文记录了作者因C盘空间不足而进行的一系列清理尝试。从基础的回收站清理、软件卸载，到调整分页文件、关闭休眠功能，再到使用360清理系统缓存和WizTree可视化分析工具，作者逐步排查并释放了C盘空间。其中重点介绍了WizTree工具的高效扫描原理（直接读取NTFS的MFT表）及其可视化功能如何帮助定位隐藏的大文件。最终通过多管齐下的方法，作者成功清理出5GB空间，暂时缓解了存储压力。文章详细展示了Windows系统存储管理的实用技巧和工具选择。]]></description><category></category></item><item><title><![CDATA[解决一个vscode-remote无法登录的问题]]></title><link>https://blog.youkuaiyun.com/cyclinbox/article/details/150643807</link><guid>https://blog.youkuaiyun.com/cyclinbox/article/details/150643807</guid><author>cyclinbox</author><pubDate>Sat, 23 Aug 2025 16:58:45 +0800</pubDate><description><![CDATA[解决方法：将vscode客户端的remote-ssh插件从旧版本（0.108）升级到新版本（0.120），重启之后即可。现象描述：vscode客户端无法连接到remote主机。]]></description><category></category></item><item><title><![CDATA[编译安装php7.4的一些踩坑和探索]]></title><link>https://blog.youkuaiyun.com/cyclinbox/article/details/145249868</link><guid>https://blog.youkuaiyun.com/cyclinbox/article/details/145249868</guid><author>cyclinbox</author><pubDate>Sun, 19 Jan 2025 23:25:17 +0800</pubDate><description><![CDATA[服务器数据迁移时踩的坑。浅浅记录一下踩坑过程，以防未来再度踩坑。事情是这样的。先前的云服务器快到期了，由于续费很贵，于是我换了一家服务商，最近在断断续续利用闲暇时间做数据迁移。在这个服务器上我有一个dokuwiki的页面，平时用来存放一些笔记和日记的内容，但是迁移到新机器以后，我发现dokuwiki的页面显示出了些问题，所有页面元素渲染全部不正确。]]></description><category></category></item><item><title><![CDATA[常用机器学习库和深度学习库整理]]></title><link>https://blog.youkuaiyun.com/cyclinbox/article/details/145249846</link><guid>https://blog.youkuaiyun.com/cyclinbox/article/details/145249846</guid><author>cyclinbox</author><pubDate>Sun, 19 Jan 2025 23:23:11 +0800</pubDate><description><![CDATA[这一年多以来的科研工作中，调研了不少机器学习库的相关知识，临近年底，事情不多，感觉正好可以整理一下。由于笔者主要使用python的缘故，这里介绍的函数库以python库居多，但也顺带介绍了一些其他编程语言的机器学习库。]]></description><category></category></item></channel></rss>