<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[lovecode2008的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/lovecode2008</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; lovecode2008]]></copyright><item><title><![CDATA[论文《s1: Simple test-time scaling》核心总结]]></title><link>https://blog.youkuaiyun.com/lovecode2008/article/details/145482193</link><guid>https://blog.youkuaiyun.com/lovecode2008/article/details/145482193</guid><author>lovecode2008</author><pubDate>Thu, 06 Feb 2025 21:29:37 +0800</pubDate><description><![CDATA[核心方法论s1K数据集构建筛选标准：从59K初始数据集通过三阶段过滤（质量→难度→多样性）得到1,000个高价值数学/科学推理样本。关键验证：相比随机采样/仅长序列选择，三阶段过滤性能提升高达30%（AIME24任务）。示例来源：涵盖概率论PhD考题、量化面试难题（如PuzzledQuant）、奥赛题等多领域问题。预算强制（Budget Forcing）动态调整终止生成：若模型提前生成结束符，强制追加"Wait"触发重新思考（图3示例显示可修正错误）。]]></description><category></category></item><item><title><![CDATA[VGGNet网络模型]]></title><link>https://blog.youkuaiyun.com/lovecode2008/article/details/129081551</link><guid>https://blog.youkuaiyun.com/lovecode2008/article/details/129081551</guid><author>lovecode2008</author><pubDate>Fri, 17 Feb 2023 11:16:09 +0800</pubDate><description><![CDATA[VGGNet是牛津大学计算机视觉组（Visual Geometry Group）和Google DeepMind公司的研究员一起研发的的深度卷积神经网络。VGGNet探索了卷积神经网络的深度与其性能之间的关系，通过反复堆叠3x3的小型卷积核和2x2的最大池化层，VGGNet成功地构筑了16~19层深的卷积神经网络。并取得了ILSVRC 2014比赛分类项目的第2名(错误率7.3%)和定位项目的第1名。]]></description><category></category></item><item><title><![CDATA[AlexNet网络模型]]></title><link>https://blog.youkuaiyun.com/lovecode2008/article/details/129054971</link><guid>https://blog.youkuaiyun.com/lovecode2008/article/details/129054971</guid><author>lovecode2008</author><pubDate>Thu, 16 Feb 2023 09:47:27 +0800</pubDate><description><![CDATA[2012年，Hinton的学生Alex Krizhevsky在《深度卷积神经网络的ImageNet分类》一文中提出了深度卷积神经网络模型AlexNet，是LeNet的一种更深更宽的版本。这是第一次将深度卷积神经网络 (CNN)、GPU 和巨大的互联网来源数据集（ImageNet）结合在一起。AlexNet首次在CNN中成功应用了ReLU、Dropout和LRN等Trick。AlexNet包含了6亿3000万个连接，6000万个参数和65万个神经元，拥有5个卷积层，其中3个卷积层后面连接了最大池化层，最后还有]]></description><category></category></item><item><title><![CDATA[第一章：随机事件和概率（三）]]></title><link>https://blog.youkuaiyun.com/lovecode2008/article/details/128550820</link><guid>https://blog.youkuaiyun.com/lovecode2008/article/details/128550820</guid><author>lovecode2008</author><pubDate>Wed, 04 Jan 2023 17:00:08 +0800</pubDate><description><![CDATA[𝑨𝒏)=𝑷(𝑨1)𝑷(𝑨2)𝑷(𝑨3)…定义2：设A、B，C是三个事件，如果P(AB)=P(A)P(B)，P(AC)=P(A)P(C)，P(BC)=P(B)P(C)，P(ABC)=P(A)P(B)P(C)，定义3：设A、B，C是三个事件，如果P(AB)=P(A)P(B)，P(AC)=P(A)P(C)，P(BC)=P(B)P(C)，则称A、B、C两两独立。：仅给出概率是得不到事件的结论的。设A，B是两个事件，且P(A) > 0，称P(B|A)=P(AB)/P(A) 为事件A发生的条件下事件B发生的条件概率。]]></description><category></category></item><item><title><![CDATA[第一章：随机事件和概率（二）]]></title><link>https://blog.youkuaiyun.com/lovecode2008/article/details/128550643</link><guid>https://blog.youkuaiyun.com/lovecode2008/article/details/128550643</guid><author>lovecode2008</author><pubDate>Wed, 04 Jan 2023 16:48:42 +0800</pubDate><description><![CDATA[在相同的条件下，进行了n次试验，在这n次试验中，事件A发生的次数nA称为事件A发生的频数，比值nA/n称为事件A发生的频率。某件事由两种方法来完成，第一种方法可由m种方式完成，第二种方法可由n种方式来完成，则这件事可由m+n种方法来完成。某件事由两个步骤来完成，第一个步骤可由m种方法完成，第二个步骤可由n种方法来完成，则这件事可由m×n种方法来完成。设A、B是两个事件，若A⊂B，则有P(B−A)=P(B)−P(A)，P(B)≥P(A)。：事件A发生可能性的大小，记作P(A)，称为事件A的概率。]]></description><category></category></item><item><title><![CDATA[第一章：随机事件和概率（一）]]></title><link>https://blog.youkuaiyun.com/lovecode2008/article/details/128550465</link><guid>https://blog.youkuaiyun.com/lovecode2008/article/details/128550465</guid><author>lovecode2008</author><pubDate>Wed, 04 Jan 2023 16:41:50 +0800</pubDate><description><![CDATA[概率论是数学的一个分支，研究如何定量描述随机现象及其规律。数理统计则是以数据为唯一研究对象，包括数据的收集、整理、分析和建模，从而对随机现象的某些规律进行预测和决策。概率论是演绎，从先验知识推出结论，在已知变量的概率分布下来推出各种结论。数理统计是归纳，从观察值推出背后的数学模型（变量之间的关系），因为在真实世界里，我们只能通过观测值来预估数学模型，所以数理统计又是后验的。确定性现象（必然现象）：一定发生或一定不发生随机现象（偶然现象）：可能发生或可能不发生对于随机现象而言，在实验中不能预知结果，随着随机试]]></description><category></category></item><item><title><![CDATA[循环神经网络RNN概述]]></title><link>https://blog.youkuaiyun.com/lovecode2008/article/details/126284182</link><guid>https://blog.youkuaiyun.com/lovecode2008/article/details/126284182</guid><author>lovecode2008</author><pubDate>Thu, 11 Aug 2022 14:05:12 +0800</pubDate><description><![CDATA[循环神经网络（Recurrent Neural Networks，RNN），是一种反馈网络，模拟“人脑记忆功能”，它能有效处理序列特性的数据，能挖掘数据中的时序信息以及语义信息。常用于语言识别、机器翻译、视频分析、生成图像描述等。RNN主要用于时序类数据（一般指文本类数据和音频类数据）的处理。...]]></description><category></category></item><item><title><![CDATA[卷积神经网络CNN概述]]></title><link>https://blog.youkuaiyun.com/lovecode2008/article/details/126283991</link><guid>https://blog.youkuaiyun.com/lovecode2008/article/details/126283991</guid><author>lovecode2008</author><pubDate>Thu, 11 Aug 2022 13:58:50 +0800</pubDate><description><![CDATA[卷积神经网络（CNN），通过卷积层与池化层的叠加实现对输入数据的特征提取，最后连接全连接层实现分类。对于图像处理有出色表现，在计算机视觉（CV）中得到了广泛应用。从某种意义上说CNN主要用于图像类数据的处理。
卷积神经网络相比传统的机器学习算法，无须手工提取特征，也不需要使用诸如SIFT之类的特征提取算法来预提取，而是可以在训练中自动完成特征的提取和抽象，并同时进行模式分类，大大降低了应用图像识别的难度。
卷积神经网络是一种具有局部连接、权值共享等特性的深层前馈神经网络，因此是一个静态网络，信息的传递是单向]]></description><category></category></item><item><title><![CDATA[神经网络Neural Networks概述]]></title><link>https://blog.youkuaiyun.com/lovecode2008/article/details/125387621</link><guid>https://blog.youkuaiyun.com/lovecode2008/article/details/125387621</guid><author>lovecode2008</author><pubDate>Tue, 21 Jun 2022 11:33:09 +0800</pubDate><description><![CDATA[人工智能（AI）是一类非常广泛的问题，它旨在通过计算机实现类似人类的智能。机器学习（ML）是解决人工智能问题的一个重要方法。深度学习（DL）则是机器学习的一个分支，它在很多领域突破了传统机器学习的瓶颈，将人工智能推向了新的高潮。深度学习是基于人工神经网络（ANN）技术的发展而不断突破和提升，推动了人工智能的发展。相对的另一领域是生物神经网络（Biological Neural Network，BNN）的研究。...]]></description><category></category></item><item><title><![CDATA[第一章 空间中的曲面和曲线（4）]]></title><link>https://blog.youkuaiyun.com/lovecode2008/article/details/125097673</link><guid>https://blog.youkuaiyun.com/lovecode2008/article/details/125097673</guid><author>lovecode2008</author><pubDate>Thu, 02 Jun 2022 11:42:48 +0800</pubDate><description><![CDATA[设点P(𝒙, 𝒚, 𝙯)到两个定点A(3, -1, 2)和B(0, 1, -1)的距离相等，那么点P的轨迹就是A，B两点的垂直平分面，那么(𝒙, 𝒚, 𝙯)之间会满足什么关系？由|PA|=|PB|和两点距离公式，可得3𝒙-2𝒚+3𝙯-6=0的方程。即空间平面满足形如A𝒙+B𝒚+C𝙯+D=0的方程。]]></description><category></category></item><item><title><![CDATA[第一章 空间解析几何与向量代数（3）]]></title><link>https://blog.youkuaiyun.com/lovecode2008/article/details/121248468</link><guid>https://blog.youkuaiyun.com/lovecode2008/article/details/121248468</guid><author>lovecode2008</author><pubDate>Wed, 10 Nov 2021 14:56:13 +0800</pubDate><description><![CDATA[第三节 数量积与向量积，即点积与叉积




]]></description><category></category></item><item><title><![CDATA[第一章 空间解析几何与向量代数（2）]]></title><link>https://blog.youkuaiyun.com/lovecode2008/article/details/120291526</link><guid>https://blog.youkuaiyun.com/lovecode2008/article/details/120291526</guid><author>lovecode2008</author><pubDate>Wed, 10 Nov 2021 14:44:00 +0800</pubDate><description><![CDATA[向量是既有大小又有方向的量。在数学上，用一条有方向的线段（即有向线段）来表示向量。有向线段的长度表示向量的大小，有向线段的方向表示向量的方向。

向量的符号：

向量可用粗体字母表示，也可用加上箭头的小写字母表示，例如。

在数学上，我们只研究与起点无关的向量，称之为自由向量，简称向量。因此，如果向量a和b的大小相等，且方向相同，则说向量a和b是相等的，记为a = b。相等向量经过平移后可以完全重合。——向量的平移不变性

向量的模：即向量的大小（或长度）。 向量的模是一个长度距离量，是非负实数。这...]]></description><category></category></item><item><title><![CDATA[第一章 空间解析几何与向量代数（1）]]></title><link>https://blog.youkuaiyun.com/lovecode2008/article/details/120291066</link><guid>https://blog.youkuaiyun.com/lovecode2008/article/details/120291066</guid><author>lovecode2008</author><pubDate>Tue, 14 Sep 2021 16:53:00 +0800</pubDate><description><![CDATA[数学史话

  17世纪中叶，费马（Fermat）和笛卡尔（Descartes）把二维平面解析几何，推广到三维空间。他们指出，三维空间的几何图形，可用三维空间动点的轨迹来表达，也可以用代数方程来表达；而空间中的一个动点，则是三元不定方程的一组解（????, ????, ????），并且这个不定方程的所有解，构成了三维空间中的曲面。

   费马（Fermat）简单讲述了他的三维解析几何的思想，他认为各种曲面，如抛物面、双曲面等，都是在三维空间的。因此，三维空间曲面上的曲线，一定也是三维的，它们可以用三个..]]></description><category></category></item></channel></rss>