<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[julac的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/julac</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; julac]]></copyright><item><title><![CDATA[一篇文章入门Git工具]]></title><link>https://blog.youkuaiyun.com/julac/article/details/162588243</link><guid>https://blog.youkuaiyun.com/julac/article/details/162588243</guid><author>julac</author><pubDate>Mon, 06 Jul 2026 12:37:12 +0800</pubDate><description><![CDATA[此时如果客户要求“先紧急修复登录 Bug 并上线”，就会很麻烦，因为支付功能的半成品代码已经混入当前代码中，难以单独发布。在 Git 中，Commit Hash 是提交的唯一标识，可以理解为提交的“身份证”。在 Rebase 中，D 和 D’ 的修改内容可能一样，但由于父提交变了，所以哈希值也会变。检出默认分支：“检出”可以被理解为将某个分支或某个默认的 Commit 对应的文件内容放到本地的工作区中，“默认分支”则是远程仓库指定的主要分支。是老命令，功能很多，既能切分支，也能恢复文件，语义容易混淆；]]></description><category></category></item><item><title><![CDATA[强化学习之入门笔记（三）]]></title><link>https://blog.youkuaiyun.com/julac/article/details/154180618</link><guid>https://blog.youkuaiyun.com/julac/article/details/154180618</guid><author>julac</author><pubDate>Fri, 31 Oct 2025 14:56:35 +0800</pubDate><description><![CDATA[于是，老师决定做一个​“错题本”​​（目标网络），记录过去稳定的评分标准，用来更温和地指导你学习。如果价值函数估计与实际回报之间的TD-Error较大，减少Critic网络的误差，降低Actor网络的输出概率；如果价值函数估计与实际回报之间的TD-Error较小，减少Critic网络的误差，提高Actor网络的输出概率。DDPG算法采用Actor-Critic框架，利用深度神经网络近似策略和动作价值函数，利用随机梯度法训练策略网络和价值网络模型中的参数，并通过经验回放和双重网络结构提高学习稳定性。]]></description><category></category></item><item><title><![CDATA[flask入门（五）WSGI及其Python实现]]></title><link>https://blog.youkuaiyun.com/julac/article/details/151683337</link><guid>https://blog.youkuaiyun.com/julac/article/details/151683337</guid><author>julac</author><pubDate>Sun, 14 Sep 2025 16:58:54 +0800</pubDate><description><![CDATA[WSGI是一个低级接口，许多Python开发者在使用Django、Flask等流行框架时，实际上是在WSGI之上构建应用。Flask框架本身就是构建在WSGI规范之上的，每个Flask应用实例本质上就是一个符合WSGI规范的可调用对象。这个接口设计得非常简单，只要求Web开发者实现一个函数，就可以响应HTTP请求。Flask 内部还是调用 WSGI 接口，只是用内置开发服务器封装了一层。这样的简单服务器，而是使用更强大的WSGI服务器如。在Flask内部，Flask类实现了WSGI接口。]]></description><category></category></item><item><title><![CDATA[一文入门python中的进程、线程和协程]]></title><link>https://blog.youkuaiyun.com/julac/article/details/151655175</link><guid>https://blog.youkuaiyun.com/julac/article/details/151655175</guid><author>julac</author><pubDate>Sun, 14 Sep 2025 14:23:08 +0800</pubDate><description><![CDATA[如果任务没有在 5 秒内完成，就可以停止该任务，并向用户报告：该任务花费了太长时间，我们正在停止它。例如，我们可能想通知用户：某任务花费的时间比预期的要长，但即便超过了规定的超时时间，也不取消该任务。由于 CPU 和 IO 速度差异巨大，任务在执行过程中大部分时间都在等待 IO，如果仍然使用单进程单线程模型，其他任务就无法并行执行。相反，它创建了一个可以稍后执行的协程对象，要执行协程，需要在事件循环中显式执行它。当一个暂停的协程正在等待操作完成时，可运行其他代码，等待时其他代码的运行是应用程序并发的原因。]]></description><category></category></item><item><title><![CDATA[『Agent』一篇文章入门Agent基础知识、MCP协议和A2A协议]]></title><link>https://blog.youkuaiyun.com/julac/article/details/149774637</link><guid>https://blog.youkuaiyun.com/julac/article/details/149774637</guid><author>julac</author><pubDate>Wed, 30 Jul 2025 14:28:14 +0800</pubDate><description><![CDATA[背景：假设每个AI智能体是一个小国家，如今，各国大使馆虽然集中设在同一栋大楼内，却各自为政，在沟通、经商乃至情报交换方面时常面临障碍。模型通过Prompt Engineering提供的工具结构化描述和few-shot的example来确定使用的工具。A2A协议建立了“客户端”智能体和“远程”智能体之间的通信，大模型的下半场，Agent的大爆发类似寒武纪生命大爆发。Agent的决策流程：Perception（感知）记忆、经验、世界知识、一些对过往的反思和总结。，以尝试提供正确的信息或采取正确的行动。]]></description><category></category></item><item><title><![CDATA[『统计检验』一篇文章入门置信区间]]></title><link>https://blog.youkuaiyun.com/julac/article/details/143512536</link><guid>https://blog.youkuaiyun.com/julac/article/details/143512536</guid><author>julac</author><pubDate>Tue, 05 Nov 2024 17:03:02 +0800</pubDate><description><![CDATA[也可以说，我有100%的把握估计我高考分数是 0-750，这里的置信区间是 [0,750]，置信度肯定是100%以下提供的z表展示了z值与其对应概率之间的关系，反映的是正态分布单侧的概率。拿高考成绩举例，我有95%的把握估计我的高考分数是600-650。查z表（标准正态分布表，反映标准分与概率值之间的关系），确定z值。假设我们有一个随机抽样的样本，想要估计某个城市居民的平均收入。置信区间是[600,650]，置信度是95%计算抽样样本的平均值和标准误差。是样本数据的标准差，确定置信水平/置信度。]]></description><category></category></item><item><title><![CDATA[PyTorch核心概念：从梯度、计算图到连续性的全面解析（三）]]></title><link>https://blog.youkuaiyun.com/julac/article/details/143508762</link><guid>https://blog.youkuaiyun.com/julac/article/details/143508762</guid><author>julac</author><pubDate>Tue, 05 Nov 2024 15:35:29 +0800</pubDate><description><![CDATA[view”使用与原始张量相同的内存块，因此该内存块中的任何更改都会影响所有视图以及与其关联的原始张量视图可以是连续的或不连续的。一个不连续的张量视图可以转换为连续的张量视图，并且会复制不连续的视图张量到新的内存空间中，因此数据将不再与原始数据块关联stride位置公式：给定一个strideABC(A，B，C)ABC，索引jkv(j, k, v)jkv在 1D 数据数组中的位置为A×jB×kC×vA×jB×kC×vview()和。]]></description><category></category></item><item><title><![CDATA[PyTorch核心概念：从梯度、计算图到连续性的全面解析（二）]]></title><link>https://blog.youkuaiyun.com/julac/article/details/143483123</link><guid>https://blog.youkuaiyun.com/julac/article/details/143483123</guid><author>julac</author><pubDate>Mon, 04 Nov 2024 15:04:18 +0800</pubDate><description><![CDATA[比如有的时候在一个变量已经参与了正向传播的计算，之后它的值被修改了，在做反向传播的时候如果还需要这个变量的值的话，我们肯定不能用那个后来修改的值吧，但没修改之前的原始值已经被释放掉了，我们怎么办？那些非叶子结点，是通过用户所定义的叶子节点的一系列运算生成的，也就是这些非叶子节点都是中间变量，一般情况下，用户不会去使用这些中间变量的梯度，所以为了节省内存，它们在用完之后就会被释放。， y 关于 x 的导数是1，和 x 无关），自然就不会去对比 b 前后的 version 了，所以不会报错。]]></description><category></category></item><item><title><![CDATA[PyTorch核心概念：从梯度、计算图到连续性的全面解析（一）]]></title><link>https://blog.youkuaiyun.com/julac/article/details/143482184</link><guid>https://blog.youkuaiyun.com/julac/article/details/143482184</guid><author>julac</author><pubDate>Mon, 04 Nov 2024 14:00:22 +0800</pubDate><description><![CDATA[在这个例子中，b 是用来计算 loss 的一个变量，我们在计算完 loss 之后，进行反向传播之前，修改 b 的值。这么做会导致相关的导数的计算结果错误，因为我们在计算导数的过程中还会用到 b 的值，但是它已经变了（和正向传播过程中的值不一样了）。当我们创建一个张量（tensor）的时候，如果没有特殊指定的话，那么这个张量是默认不需要求导的。虽然输入的训练数据是默认不求导的，但是神经网络中的所有参数，默认是求导的。举一个比较简单的例子，比如我们在训练一个网络的时候，我们从。]]></description><category></category></item><item><title><![CDATA[一篇文章入门梅尔频率倒谱系数]]></title><link>https://blog.youkuaiyun.com/julac/article/details/143337783</link><guid>https://blog.youkuaiyun.com/julac/article/details/143337783</guid><author>julac</author><pubDate>Tue, 29 Oct 2024 19:44:29 +0800</pubDate><description><![CDATA[计算Mel刻度滤波器组Filter Banks由语音信号的性质和人类对这些信号的感知所驱动的；计算MFCC由一些机器学习算法的限制所驱动的计算量：MFCC是在FBank的基础上进行的特征区分度：FBank特征相关性较高（相邻滤波器组有重叠），MFCC具有更好的判别度信息量：Filter Banks包含比MFCC更多的信息如果机器学习算法不易受高度相关输入的影响，则使用Mel刻度滤波器组。如果机器学习算法易受相关输入的影响，则使用MFCC。]]></description><category></category></item><item><title><![CDATA[一篇文章入门傅里叶变换]]></title><link>https://blog.youkuaiyun.com/julac/article/details/143329836</link><guid>https://blog.youkuaiyun.com/julac/article/details/143329836</guid><author>julac</author><pubDate>Tue, 29 Oct 2024 16:59:55 +0800</pubDate><description><![CDATA[如果忽略表达倍数关系的系数，对应的含义也会发生变化，不再是质心，而是信号存在的时间越久，位置是质心位置乘以一个倍数，它的值就越大。按照上面的说明来记录绘出图像，记录每个缠绕频率（速度）对应的质心位置（在横坐标等于零点处有一个很大的值，只是因为原来的图像没有关于横轴对称，有一个偏移量）从最开始的 0.79圈/秒一直变化到1.55圈/秒，再到最后的恰好是3圈/秒，和原来的信号3次震荡/秒相同，此时会出现一个非常稳定的图像。我们可以看到，新图像的横坐标写的是频率（Frequency），即缠绕圆圈的速度。]]></description><category></category></item><item><title><![CDATA[『扩散模型』一篇文章入门DDPM]]></title><link>https://blog.youkuaiyun.com/julac/article/details/143229004</link><guid>https://blog.youkuaiyun.com/julac/article/details/143229004</guid><author>julac</author><pubDate>Fri, 25 Oct 2024 14:43:23 +0800</pubDate><description><![CDATA[文章目录扩散模型DDPMHow Do Diffusion-Based Image Generation Models Work?The Need For Generative ModelsBayesian InferenceWhat Are Diffusion Probabilistic Models?Itsy-Bitsy Mathematical Details Behind Denoising Diffusion Probabilistic ModelsMathematical Details Of T]]></description><category></category></item><item><title><![CDATA[『扩散模型』参数化之v-prediction]]></title><link>https://blog.youkuaiyun.com/julac/article/details/143204324</link><guid>https://blog.youkuaiyun.com/julac/article/details/143204324</guid><author>julac</author><pubDate>Thu, 24 Oct 2024 11:42:17 +0800</pubDate><description><![CDATA[提供了一个更平滑和稳定的优化目标（即提供了更稳定的梯度信号），因为它反映的是数据和噪声之间的动态关系，变化率信息本身可以捕捉到系统的局部信息。-prediction，即通过预测噪声计算损失并更新扩散模型的参数。自从 DDPM 以来，扩散模型的参数化形式一般都是。本身是随机的，直接优化可能会导致大的不确定性。（噪声强度随时间的变化过程）的情况下，噪声点。往往会遇到不稳定或不易学习的问题：噪声。v-prediction：在给定数据。表示数据样本被噪声污染的速度），定义。]]></description><category></category></item><item><title><![CDATA[python中使用import时令人恼火的相对导入和绝对导入：ImportError: attempted relative import with no known parent package]]></title><link>https://blog.youkuaiyun.com/julac/article/details/143110494</link><guid>https://blog.youkuaiyun.com/julac/article/details/143110494</guid><author>julac</author><pubDate>Mon, 21 Oct 2024 14:01:39 +0800</pubDate><description><![CDATA[当你尝试将一个脚本作为模块导入时，python会忽略脚本中的if __name__ == "__main__"块下的代码，因为这部分代码只有在脚本直接运行时才会执行。在python中，package/module.py和python -m package.module这两种运行方式有着根本的区别，主要涉及到模块的导入机制和Python的包结构。但是，if __name__ == "__main__"块下的代码不会被执行，因为它只有在script.py被直接运行时才会执行。]]></description><category></category></item><item><title><![CDATA[『扩散模型』一篇文章入门随机微分方程SDE]]></title><link>https://blog.youkuaiyun.com/julac/article/details/143084668</link><guid>https://blog.youkuaiyun.com/julac/article/details/143084668</guid><author>julac</author><pubDate>Sun, 20 Oct 2024 12:59:30 +0800</pubDate><description><![CDATA[文章目录随机微分方程SDE标准布朗运动SDE加噪SDE去噪Score Matching参考文献
随机微分方程SDE
笔者建议，学完DDPM再来看SDE的作用和推导过程
标准布朗运动
在学习随机微分方程之前，我们先来看一下什么是标准布朗运动
假设有一个一维的直线，有个小人从原点出发，每次随机地选择向左走1格或者向右走1格，且向左走和向右走的两个选项，被选择的概率相等→\rightarrow→用StS_tSt​代表小人离原点的距离，ttt代表代表选择的次数，如果选择的次数越多，那么StS_tSt​将会逐渐服从一]]></description><category></category></item><item><title><![CDATA[PyTorch中令人恼火的tensor]]></title><link>https://blog.youkuaiyun.com/julac/article/details/140432188</link><guid>https://blog.youkuaiyun.com/julac/article/details/140432188</guid><author>julac</author><pubDate>Sat, 20 Jul 2024 19:13:48 +0800</pubDate><description><![CDATA[view”使用与原始张量相同的内存块，因此该内存块中的任何更改都会影响所有视图以及与其关联的原始张量视图可以是连续的或不连续的。一个不连续的张量视图可以转换为连续的张量视图，并且会复制不连续的视图张量到新的内存空间中，因此数据将不再与原始数据块关联stride位置公式：给定一个stride(A，B，C)，索引 (j, k, v) 在 1D 数据数组中的位置为 (A∗jB∗kC∗vA∗jB∗kC∗vview() 不能应用于 '非连续的张量/视图，它返回一个视图；]]></description><category></category></item><item><title><![CDATA[python数据分析之pandas（二）]]></title><link>https://blog.youkuaiyun.com/julac/article/details/140326753</link><guid>https://blog.youkuaiyun.com/julac/article/details/140326753</guid><author>julac</author><pubDate>Wed, 10 Jul 2024 16:11:39 +0800</pubDate><description><![CDATA[本文以pandas进阶知识为主。]]></description><category></category></item><item><title><![CDATA[一篇文章入门主成分分析PCA]]></title><link>https://blog.youkuaiyun.com/julac/article/details/140104806</link><guid>https://blog.youkuaiyun.com/julac/article/details/140104806</guid><author>julac</author><pubDate>Tue, 02 Jul 2024 10:44:56 +0800</pubDate><description><![CDATA[文章目录基本概念事件随机变量独立同分布离散型随机变量伯努利分布（两点分布）二项分布几何分布泊松分布连续型随机变量正态分布期望方差标准化协方差相关系数线性组合特征值和特征向量特征值分解对称矩阵的特征值分解齐次线性方程组单位向量基向量矩阵的秩最高阶非零子式正定矩阵正交矩阵正交基逆矩阵伴随矩阵奇异值分解主成分分析
基本概念
事件
事件：某种情况的“陈述” ⇒\Rightarrow⇒ 事件A：掷出的骰子为偶数点 ⇒\Rightarrow⇒ 事件A包含多种结果，每种结果都是一个基本事件 ⇒\Rightarrow⇒ 事]]></description><category></category></item><item><title><![CDATA[聚类算法—DBSCAN算法]]></title><link>https://blog.youkuaiyun.com/julac/article/details/139418558</link><guid>https://blog.youkuaiyun.com/julac/article/details/139418558</guid><author>julac</author><pubDate>Mon, 03 Jun 2024 16:45:29 +0800</pubDate><description><![CDATA[2、20分钟学会DBSCAN聚类算法：https://cloud.tencent.com/developer/article/1664886。1、图解机器学习 | 聚类算法详解：https://www.showmeai.tech/article-detail/197。的空间聚类算法：DB-SCAN可以找到样本点的全部密集区域，把这些密集区域当做一个一个的聚类簇。，并把这些密集区域当做一个一个的聚类簇。DBSCAN算法可以找到样本点的。DBSCAN算法是一个。]]></description><category></category></item><item><title><![CDATA[『PyTorch』张量和函数]]></title><link>https://blog.youkuaiyun.com/julac/article/details/134975776</link><guid>https://blog.youkuaiyun.com/julac/article/details/134975776</guid><author>julac</author><pubDate>Wed, 13 Dec 2023 16:47:25 +0800</pubDate><description><![CDATA[【代码】『PyTorch』张量和函数。]]></description><category></category></item></channel></rss>