<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[learnerYC的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/learnerYC</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; learnerYC]]></copyright><item><title><![CDATA[《Attention Is All You Need》阅读笔记：Transformer 如何用 Attention 取代 RNN]]></title><link>https://blog.youkuaiyun.com/learnerYC/article/details/161027154</link><guid>https://blog.youkuaiyun.com/learnerYC/article/details/161027154</guid><author>learnerYC</author><pubDate>Tue, 12 May 2026 23:00:22 +0800</pubDate><description><![CDATA[Transformer 在建模两个位置之间的全局依赖关系时，不需要像 RNN 一样逐步传递信息，而是可以直接建立任意位置之间的联系，因此能够实现高度并行化计算，大幅提升训练效率。在 Self-Attention 中，序列中的每一个位置都可以直接与其他任意位置建立联系，因此模型能够更容易捕获全局语义信息，而不需要像 RNN 那样逐步传播。不同的 Attention Head 可以在不同的特征子空间中学习信息，从多个角度关注序列中的不同语义关系，从而提高模型对复杂特征的建模能力。作者前面提出了哪些问题？]]></description><category></category></item><item><title><![CDATA[YOLOv11 网络结构详解：一文看懂 Backbone、Head、C3k2、SPPF 和 Detect 检测头]]></title><link>https://blog.youkuaiyun.com/learnerYC/article/details/160534551</link><guid>https://blog.youkuaiyun.com/learnerYC/article/details/160534551</guid><author>learnerYC</author><pubDate>Sun, 26 Apr 2026 22:53:25 +0800</pubDate><description><![CDATA[在使用 YOLOv11 进行目标检测时，我们经常会接触到或这样的模型配置文件。backbone和head分别是什么意思？ConvC3k2SPPFC2PSA这些模块分别起什么作用？P3/8、P4/16、P5/32 代表什么？为什么最后 Detect 要同时接收 3 个不同尺度的特征图？YOLOv11n、YOLOv11s、YOLOv11m、YOLOv11l、YOLOv11x 的区别在哪里？]]></description><category></category></item><item><title><![CDATA[#YOLOv11 目标检测训练结果怎么看？一文看懂 Precision、Recall、mAP 指标]]></title><link>https://blog.youkuaiyun.com/learnerYC/article/details/160509241</link><guid>https://blog.youkuaiyun.com/learnerYC/article/details/160509241</guid><author>learnerYC</author><pubDate>Sat, 25 Apr 2026 22:49:50 +0800</pubDate><description><![CDATA[YOLOv11目标检测模型训练后，主要关注Precision、Recall、mAP@50和mAP@50:95四个核心指标。Precision反映预测结果的准确性，Recall衡量检测覆盖率，两者往往此消彼长。mAP@50评估在IoU=0.5时的整体检测能力，而mAP@50:95则对定位精度要求更严格。实际应用中需根据任务需求权衡指标：误检成本高则侧重Precision，漏检风险大则关注Recall。PR曲线和results.png等可视化结果可辅助分析模型性能。理解这些指标的关系有助于准确评估模型效果。]]></description><category></category></item><item><title><![CDATA[AI编程革命：Codex高效写脚本指南]]></title><link>https://blog.youkuaiyun.com/learnerYC/article/details/160508032</link><guid>https://blog.youkuaiyun.com/learnerYC/article/details/160508032</guid><author>learnerYC</author><pubDate>Sat, 25 Apr 2026 21:21:40 +0800</pubDate><description><![CDATA[Codex是基于GPT-3的AI模型，擅长自然语言到代码的转换。适用于生成脚本、自动化任务和快速原型开发。用简洁明确的描述表达需求，例如“写一个Python脚本，遍历文件夹中的所有CSV文件并合并为一个文件”。重构生成的脚本以提高可读性和性能。将脚本集成到现有工作流中，例如通过cron任务或CI/CD管道。优先选择重复性高、逻辑清晰的脚本任务，例如文件批量处理、数据清洗或API调用。展示实际案例：用Codex生成日志分析脚本或自动化测试脚本。探讨AI辅助编码的发展趋势，如结合低代码平台或实时协作工具。]]></description><category></category></item></channel></rss>