<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[helluy的博客]]></title><description><![CDATA[尊重所有声音，但只成为自己]]></description><link>https://blog.youkuaiyun.com/helluy</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; helluy]]></copyright><item><title><![CDATA[dify本地部署聊天机器人]]></title><link>https://blog.youkuaiyun.com/helluy/article/details/149397475</link><guid>https://blog.youkuaiyun.com/helluy/article/details/149397475</guid><author>helluy</author><pubDate>Thu, 17 Jul 2025 09:57:40 +0800</pubDate><description><![CDATA[本次部署基于Docker，如果未安装Docker建议参考https://blog.youkuaiyun.com/helluy/article/details/149393602?spm=1011.2415.3001.5331安装。这里会默认安装Ubuntu，运行后出现则需要输入用户名，回车输入密码，就安装成功了。后面会在Ubuntu中用Docker进行dify的本地部署。]]></description><category></category></item><item><title><![CDATA[Windows安装WSL与docker]]></title><link>https://blog.youkuaiyun.com/helluy/article/details/149393602</link><guid>https://blog.youkuaiyun.com/helluy/article/details/149393602</guid><author>helluy</author><pubDate>Wed, 16 Jul 2025 12:05:20 +0800</pubDate><description><![CDATA[以上就是Windows安装Docker的全部内容，最后可以在cmd（管理员权限）中输入docker pull nginx拉取nginx镜像，使用docker images 查看目前拉取的所有镜像。在"Virtual Machine Platform"/ “虚拟机平台”，“适用于Linux的Windows子系统” 前面的√打上，保存退出，这里可能要重启。打开下载好的Docker desktop，选择settings（设置），选择Docker Engine，在experimental后加入以下内容。]]></description><category></category></item><item><title><![CDATA[python中from xxx import xxx的相对引用问题]]></title><link>https://blog.youkuaiyun.com/helluy/article/details/133846525</link><guid>https://blog.youkuaiyun.com/helluy/article/details/133846525</guid><author>helluy</author><pubDate>Sun, 15 Oct 2023 20:54:50 +0800</pubDate><description><![CDATA[时程序不知道上级和上上级目录是什么(因为只有一个modeling_llama)，如果想要跑通，需要在modeling_llama.py的import之前指定__name__=‘xxx/xxx/xxx/modeling_llama.py’，第一个xxx表示modeling_llama.py的前2级目录(不包括目前这一级)。完成__name__之后，还需要让程序知道第一个xxx在哪，这时需要用sys.path.append(yyy)指定第一个xxx的父目录（即xxx在yyy里面，yyy为绝对路径）。]]></description><category></category></item><item><title><![CDATA[pyspark报错TypeError: an integer is required (got type bytes)]]></title><link>https://blog.youkuaiyun.com/helluy/article/details/132647147</link><guid>https://blog.youkuaiyun.com/helluy/article/details/132647147</guid><author>helluy</author><pubDate>Sun, 03 Sep 2023 11:59:05 +0800</pubDate><description><![CDATA[电脑中有多个python版本：3.8, 3.7和Anaconda的，但只在3.7配置了pyspark环境，就算将编译器切换至3.7，程序执行还是会调用其他python的runpy.py文件导致报错，改变环境变量顺序无果，索性将其他python版本删除，解决问题。]]></description><category></category></item><item><title><![CDATA[【读论文】一种半监督文本分类方法：MixText]]></title><link>https://blog.youkuaiyun.com/helluy/article/details/124473950</link><guid>https://blog.youkuaiyun.com/helluy/article/details/124473950</guid><author>helluy</author><pubDate>Thu, 28 Apr 2022 19:18:49 +0800</pubDate><description><![CDATA[MixText是ACL2020中的一篇半监督文本分类的论文，原文题目为《MixText: Linguistically-Informed Interpolation of Hidden Space for Semi-Supervised Text Classification》，一作为陈佳奥，佐治亚理工学院 PhD in CS。文章使用TMix数据增强技术，猜测未标记数据的低熵标签，对有标签和无标签混合数据计算损失，在少量标注数据上依然能取得好的效果。之前在半监督文本分类上的研究可分为以下几类：
VAEs]]></description><category></category></item><item><title><![CDATA[【读论文】一种通用句子编码：Universal Sentence Encoder]]></title><link>https://blog.youkuaiyun.com/helluy/article/details/123845906</link><guid>https://blog.youkuaiyun.com/helluy/article/details/123845906</guid><author>helluy</author><pubDate>Wed, 30 Mar 2022 16:25:17 +0800</pubDate><description><![CDATA[通用句子编码器是google在2018年提出的将句子编码成嵌入向量的模型，这些嵌入向量专门针对将学习转移到其他NLP任务。文章中指出，对于许多NLP任务，可用的训练数据有限。这对数据饥渴的深度学习方法提出了挑战。由于注释有监督的训练数据的成本很高，对于大多数研究或行业NLP任务，通常无法使用非常大的训练集。许多模型通过使用隐式执行有限的迁移学习来解决如word2vec，Glove等，都有不错的效果。作者发现，他们的句子嵌入的迁移学习往往优于单词级迁移。通过句子嵌入的迁移学习，他们观察到，在迁移任务中，在最少]]></description><category></category></item><item><title><![CDATA[深度学习优化算法]]></title><link>https://blog.youkuaiyun.com/helluy/article/details/122717853</link><guid>https://blog.youkuaiyun.com/helluy/article/details/122717853</guid><author>helluy</author><pubDate>Sat, 26 Feb 2022 20:16:48 +0800</pubDate><description><![CDATA[优化算法梯度下降随机梯度下降小批量随机梯度下降冲量法Adam
梯度下降
随机梯度下降
小批量随机梯度下降
冲量法
Adam
在机器学习中，无论是回归还是分类，我们大部分的目标是优化损失函数使其最小，但如何让机器找到使损失函数最小的参数？根据微积分的知识我们知道在函数的极小值点附近，如果沿着函数梯度的方向行走，函数值是下降的：
以线性回归问题为例（如下图），损失函数为二次函数。式中的a为学习率，当学习率较小的时候，权重梯度优化的速度较慢，损失每次变化的幅度较小，收敛到最小值点速度慢。反之学习率较大时，参数每次]]></description><category></category></item><item><title><![CDATA[Transformer结构与论文解读]]></title><link>https://blog.youkuaiyun.com/helluy/article/details/122330482</link><guid>https://blog.youkuaiyun.com/helluy/article/details/122330482</guid><author>helluy</author><pubDate>Tue, 11 Jan 2022 19:23:40 +0800</pubDate><description><![CDATA[transformer架构是 Google 团队在 17 年 6 月提出的 NLP 经典之作，由 Ashish Vaswani 等人在 2017 年发表的论文 Attention Is All You Need 中提出，最早使用在机器翻译中，在WMT 2014英德翻译任务中获得28.4个BLEU，比现有的最佳结果(包括集合)提高了2个BLEU，也打开了NLP领域预训练这一新范式。
论文地址：[Attention Is All You Need](https://arxiv.org/pdf/1706.037
]]></description><category></category></item><item><title><![CDATA[注意力机制Attention Mechanism及论文]]></title><link>https://blog.youkuaiyun.com/helluy/article/details/122265920</link><guid>https://blog.youkuaiyun.com/helluy/article/details/122265920</guid><author>helluy</author><pubDate>Tue, 04 Jan 2022 11:09:13 +0800</pubDate><description><![CDATA[注意力机制源于对人类视觉的研究。在认知科学中，由于信息处理的瓶颈，人类会选择性地关注所有信息的一部分，同时忽略其他可见的信息，上述机制通常被称为注意力机制。
例如在NLP中，当要捕捉一句话中词与词的关系时，如：
当看到eating这个词时，我们更希望看到食物apple，而对颜色green并不在意，此时我们就可以使用注意力机制来衡量词之间的相关性。相比于序列模型，它能够通过矩阵运算实现并行化，提高效率。]]></description><category></category></item><item><title><![CDATA[GRU与LSTM结构]]></title><link>https://blog.youkuaiyun.com/helluy/article/details/121872003</link><guid>https://blog.youkuaiyun.com/helluy/article/details/121872003</guid><author>helluy</author><pubDate>Fri, 24 Dec 2021 16:59:57 +0800</pubDate><description><![CDATA[由于原始的RNN会在每一次输入时堆叠之前的隐藏状态，所以在nlp中面对长句子时RNN往往会忘掉之前比较重要的信息，故隐藏转态的更新与保留需要控制，所以出现了门的概念，具有代表性的就是LSTM与GRU。]]></description><category></category></item><item><title><![CDATA[ResNet结构与论文理解]]></title><link>https://blog.youkuaiyun.com/helluy/article/details/121396327</link><guid>https://blog.youkuaiyun.com/helluy/article/details/121396327</guid><author>helluy</author><pubDate>Sat, 20 Nov 2021 00:13:20 +0800</pubDate><description><![CDATA[ResNet残差快ResNet网络
ResNet也被称为残差网络，是由何凯明为主的Microsoft Research的4位学者在2015年首次提出，获得了2015年ILSVRC分类任务的第一名，还在ImageNet检测、ImageNet定位、COCO检测和COCO分割的任务中获得了第一名。也可以说是卷积神经网络中最常用的网络之一，并深刻影响了后来的深度神经网络的设计，不仅在计算机视觉领域取得发展，在nlp领域如transformer等模型里也有应用。
原论文地址：Deep Residual Learnin]]></description><category></category></item><item><title><![CDATA[GoogLeNet v1结构]]></title><link>https://blog.youkuaiyun.com/helluy/article/details/121346057</link><guid>https://blog.youkuaiyun.com/helluy/article/details/121346057</guid><author>helluy</author><pubDate>Tue, 16 Nov 2021 15:07:59 +0800</pubDate><description><![CDATA[GooLeNetInception块GooLeNet
GooLeNet是google2014年推出的深度神经网络模型，原论文名称为：Going deeper with convolutions，在沐神的书上也被叫做含并⾏连结的⽹络（主要由于Inception块中的结构）。该模型在2014年ILSVRC 2014比赛中竞赛中夺得冠军，14年之后也在不断发展，这里就介绍一下初始的版本。
Inception块
GooLeNet思想有点类似于VGG，先构建块，网络主要通过块的堆叠实现，不过这里的块与VGG块不同，称]]></description><category></category></item><item><title><![CDATA[LeNet与AlexNet结构]]></title><link>https://blog.youkuaiyun.com/helluy/article/details/121075060</link><guid>https://blog.youkuaiyun.com/helluy/article/details/121075060</guid><author>helluy</author><pubDate>Fri, 05 Nov 2021 13:11:23 +0800</pubDate><description><![CDATA[LeNet与AlexNetLeNetAlexNet
LeNet
LeNet是经典的卷积神经网络，早期应用于手写数字识别。下面是模型的内部结构图：

可以看到，模型主要是卷积、池化与全连接层组成。输入数据为一张32x32的灰度图（这里加了一点padding，原始手写数字的图片是28x28），输出为10维向量对应输入属于哪一类的概率。模型第一层为卷积层，输出结果为6x28x28的张量（可推得卷积核为6x5x5）；第二层为pooling层，形状为2x2，这里的pooling的窗口不会重叠（与pytorch的poo]]></description><category></category></item><item><title><![CDATA[神经网络中的卷积层]]></title><link>https://blog.youkuaiyun.com/helluy/article/details/120908500</link><guid>https://blog.youkuaiyun.com/helluy/article/details/120908500</guid><author>helluy</author><pubDate>Fri, 29 Oct 2021 12:32:01 +0800</pubDate><description><![CDATA[卷积层两个原则具体计算步骤填充与步幅
两个原则
全连接的线性变换由于前一层和后一层所有的神经元之间都有一对一的连接关系，也称为稠密连接层（Dense Layer）。在实际的应用过程中，这种神经元之间关系的描述可能有许多冗余，对于神经网络模型的训练并不是很友好。为此，人们发明了一系列稀疏（Spare）的连接方式来描述前后两层神经元之间的连接关系，其中最有名的一个就是卷积层（Convolution Layer），对应的神经网络称为卷积神经网络（Convolution Neural Networks，CNN）。
]]></description><category></category></item><item><title><![CDATA[RNN基本思想及简单代码实现]]></title><link>https://blog.youkuaiyun.com/helluy/article/details/120505080</link><guid>https://blog.youkuaiyun.com/helluy/article/details/120505080</guid><author>helluy</author><pubDate>Mon, 27 Sep 2021 23:16:36 +0800</pubDate><description><![CDATA[RNNRNN简单介绍RNN基本思想举例
RNN简单介绍
计算机视觉中，识别图像时每张图片是孤立的，前一张图片识别的结果并不会对后一张图片识别的结果有影响。但现实生活中，许多数据带有明显的顺序，如NLP领域中，顺序是语言的基本特征，如“我吃苹果”与“苹果吃我”就是两个完全不同的意义，也可以从语言结构中得到信息，比如主语“我”后面接一个动词“吃”，“吃”后面往往接一个名词，这种隐藏在语言当中的序列关系如何提取与表示呢，人们找到了RNN(Recurrent Neural Network)，一个高度重视序列信息的网]]></description><category></category></item><item><title><![CDATA[PCA（主成分分析）降维算法]]></title><link>https://blog.youkuaiyun.com/helluy/article/details/119393985</link><guid>https://blog.youkuaiyun.com/helluy/article/details/119393985</guid><author>helluy</author><pubDate>Sun, 29 Aug 2021 23:33:26 +0800</pubDate><description><![CDATA[在主成分分析中，若有一低维平面能有效提取原数据信息，则它应一般满足最大可分性：样本点在这一低维平面的投影尽可能分开，也就是方差最大原则。先将数据规范化（中心化），即均将所有点的横坐标均值与纵坐标均值变成0，处理方法为每个点的横坐标减去所有点横坐标均值，纵坐标同理。，也就是在特征向量方向轴上的投影长度方差，方差越大，可以认为，含有原数据信息量越全面。，即原数据在对应特征向量方向轴上的方差就是该特征向量对应的特征值!可以看出，特征值越大，方差越大，对原数据的信息保留越全面。方向轴上的坐标，形状为nx1，此时。]]></description><category></category></item><item><title><![CDATA[朴素贝叶斯分类、半朴素贝叶斯分类算法]]></title><link>https://blog.youkuaiyun.com/helluy/article/details/118972424</link><guid>https://blog.youkuaiyun.com/helluy/article/details/118972424</guid><author>helluy</author><pubDate>Sun, 25 Jul 2021 21:06:30 +0800</pubDate><description><![CDATA[贝叶斯分类朴素贝叶斯分类半朴素贝叶斯分类
朴素贝叶斯分类
我们大致先认识一下朴素贝叶斯分类。
问题背景：
假设你是一家电脑店的老板，陆续有人从你这里买到电脑，但也有人不会选择你这家店。如果此时你店里来了几个顾客，如果能事先知道哪些人会购买你的电脑，这无疑对你是一个很大的帮助。
分析：
假设你随机选取了50个来过你店里的顾客，其中有买电脑的和没有买的，你之前都观察了解了这50个顾客的相关特征，比如有年龄、收入状况和是否爱打游戏。这样你就得到了类似以下数据（部分）：




顾客编号
年龄
收入状况
是否爱打游]]></description><category></category></item><item><title><![CDATA[决策树划分选择算法]]></title><link>https://blog.youkuaiyun.com/helluy/article/details/118070933</link><guid>https://blog.youkuaiyun.com/helluy/article/details/118070933</guid><author>helluy</author><pubDate>Wed, 23 Jun 2021 21:12:34 +0800</pubDate><description><![CDATA[依据结点（即数据属性）划分数据集，一般而言，随着划分过程的不断进行，我们希望决策树的分支节点所包含的样本尽可能属于同一个类别，即结点的“纯度”决策树的分类效果才有效果，否则如果在该分支节点下每个分支样本类别包含样本混杂，说明在该结点没有较好的划分数据的作用，因此如何选择最优划分属性成为决策树中最重要的步骤之一，以下有3种方式，但思想共通。
# ID3决策树学习算法
ID3决策树学习算法就是以信息增益准则来选择划分属性。
## 信息熵
“信息熵”是度量样本集合纯度最常用的一种指标，也可以理解为样本类别不确定性]]></description><category></category></item></channel></rss>