<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[m0_46902739的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/m0_46902739</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; m0_46902739]]></copyright><item><title><![CDATA[基于全变分正则化的图像恢复]]></title><link>https://blog.youkuaiyun.com/m0_46902739/article/details/137939798</link><guid>https://blog.youkuaiyun.com/m0_46902739/article/details/137939798</guid><author>m0_46902739</author><pubDate>Fri, 25 Oct 2024 13:36:21 +0800</pubDate><description><![CDATA[全变分去噪的目标是最小化图像的全变分，同时使得去噪后的图像尽可能接近原始图像。]]></description><category></category></item><item><title><![CDATA[大模型比赛]]></title><link>https://blog.youkuaiyun.com/m0_46902739/article/details/140698107</link><guid>https://blog.youkuaiyun.com/m0_46902739/article/details/140698107</guid><author>m0_46902739</author><pubDate>Thu, 25 Jul 2024 19:35:01 +0800</pubDate><description><![CDATA[逻辑推理赛道大模型使用]]></description><category></category></item><item><title><![CDATA[GNN学习梳理]]></title><link>https://blog.youkuaiyun.com/m0_46902739/article/details/136462479</link><guid>https://blog.youkuaiyun.com/m0_46902739/article/details/136462479</guid><author>m0_46902739</author><pubDate>Mon, 04 Mar 2024 20:58:54 +0800</pubDate><description><![CDATA[GNN梳理]]></description><category></category></item><item><title><![CDATA[基础数学 人工智能]]></title><link>https://blog.youkuaiyun.com/m0_46902739/article/details/136362847</link><guid>https://blog.youkuaiyun.com/m0_46902739/article/details/136362847</guid><author>m0_46902739</author><pubDate>Thu, 29 Feb 2024 10:35:16 +0800</pubDate><description><![CDATA[基础数学  基本概念  机器学习基础]]></description><category></category></item><item><title><![CDATA[免费GPU汇总及选购]]></title><link>https://blog.youkuaiyun.com/m0_46902739/article/details/130277988</link><guid>https://blog.youkuaiyun.com/m0_46902739/article/details/130277988</guid><author>m0_46902739</author><pubDate>Thu, 20 Apr 2023 23:39:45 +0800</pubDate><description><![CDATA[图形处理器，又称显示核心、视觉处理器、显示芯片，是一种专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上图像运算工作的微处理器。用途是将计算机系统所需要的显示信息进行转换驱动，并向显示器提供行扫描信号，控制显示器的正确显示，是连接显示器和个人电脑主板的重要元件，也是“人机对话”的重要设备之一。显卡作为电脑主机里的一个重要组成部分，承担输出显示图形的任务，对于从事专业图形设计的人来说显卡非常重要。]]></description><category></category></item><item><title><![CDATA[OpenCV视频操作]]></title><link>https://blog.youkuaiyun.com/m0_46902739/article/details/130264027</link><guid>https://blog.youkuaiyun.com/m0_46902739/article/details/130264027</guid><author>m0_46902739</author><pubDate>Thu, 20 Apr 2023 13:03:35 +0800</pubDate><description><![CDATA[retval = cv2.VideoWriter_fourcc( c1, c2, c3, c4 ) 参数： c1,c2,c3,c4: 是视频编解码器的4字节代码，在 fourcc.org中找到可用代码列表，与平台紧密相关，常用的有： 在Windows中：DIVX（输出为.avi） 在OS中：MJPG（.mp4），DIVX（.avi），X264（.mkv）。proid: 属性的索引，与上面的表格相对应。propId: 从0到18的数字，每个数字表示视频的属性。frame: 获取到的某一帧的图像。]]></description><category></category></item><item><title><![CDATA[自编码器和变分编码器]]></title><link>https://blog.youkuaiyun.com/m0_46902739/article/details/130167834</link><guid>https://blog.youkuaiyun.com/m0_46902739/article/details/130167834</guid><author>m0_46902739</author><pubDate>Sat, 15 Apr 2023 11:43:05 +0800</pubDate><description><![CDATA[自编码器是一种表示学习模型，以输入数据为参考，是一种无监督学习模型，可以用于数据降维和特征提取。可以理解为一个试图去还原其原始输入的系统。自编码器模型如下图所示。将输入映射到某个特征空间，再从这个特征空间映射回输入空间进行重构。训练完成后，使用编码器进行特征提取从上图可以看出，自编码器模型主要由编码器（Encoder）和解码器（Decoder）组成，其主要目的是将输入x转换成y，然后再将y转换成x_，然后对比输入x和输出x_，使得他们两个无限接近。encoder 编码器：输入数据提取特征。]]></description><category></category></item><item><title><![CDATA[三、图嵌入与所需基础知识]]></title><link>https://blog.youkuaiyun.com/m0_46902739/article/details/130129321</link><guid>https://blog.youkuaiyun.com/m0_46902739/article/details/130129321</guid><author>m0_46902739</author><pubDate>Sat, 15 Apr 2023 10:09:57 +0800</pubDate><description><![CDATA[用低维、稠密、实值的向量表示网络中的节点。图嵌入是将属性图转换为向量或向量集。嵌入应该捕获图的拓扑结构、顶点到顶点的关系以及关于图、子图和顶点的其他相关信息。]]></description><category></category></item><item><title><![CDATA[注意力机制]]></title><link>https://blog.youkuaiyun.com/m0_46902739/article/details/130163958</link><guid>https://blog.youkuaiyun.com/m0_46902739/article/details/130163958</guid><author>m0_46902739</author><pubDate>Fri, 14 Apr 2023 23:37:29 +0800</pubDate><description><![CDATA[本文系统介绍了注意力机制及其相关概念。首先从基础术语入手，解释了注意力机制的定义和分类。随后详细阐述了注意力机制的计算公式和实现原理，包括相似度计算、注意力打分和归一化分配三个阶段。文章对比了注意力机制与自注意力机制的区别，重点讲解了自注意力机制的计算过程及其在Transformer中的应用。最后介绍了多头注意力机制的作用和实现方式，分析了其能捕捉不同范围依赖关系的优势。全文通过公式推导和示例图解，全面展示了注意力机制在深度学习中的核心地位和应用价值。]]></description><category></category></item><item><title><![CDATA[四、表示学习与图信号处理]]></title><link>https://blog.youkuaiyun.com/m0_46902739/article/details/130040753</link><guid>https://blog.youkuaiyun.com/m0_46902739/article/details/130040753</guid><author>m0_46902739</author><pubDate>Sun, 09 Apr 2023 14:05:01 +0800</pubDate><description><![CDATA[自编码器是一种表示学习模型，以输入数据为参考，是一种无监督学习模型，可以用于数据降维和特征提取。将输入映射到某个特征空间，再从这个特征空间映射回输入空间进行重构。训练完成后，使用编码器进行特征提取。encoder 编码器：输入数据提取特征decoder解码器：基于提取的特征重构出输入数据从上图可以看出，自编码器模型主要由编码器（Encoder）和解码器（Decoder）组成，其主要目的是将输入x转换成中间变量y，然后再将y转换成x_，然后对比输入x和输出x_，使得他们两个无限接近。]]></description><category></category></item><item><title><![CDATA[2、图特征工程]]></title><link>https://blog.youkuaiyun.com/m0_46902739/article/details/130040682</link><guid>https://blog.youkuaiyun.com/m0_46902739/article/details/130040682</guid><author>m0_46902739</author><pubDate>Sun, 09 Apr 2023 12:52:32 +0800</pubDate><description><![CDATA[图点本身就具备的特征称为属性特征（如：连接权重、节点类型等），属性特征大部分时候都是多模态的。图中一个节点和其他节点之间的连接关系称为连接特征(结构信息)人工提取并构造的特征称为特征工程。（将图变为向量）特征工程一般针对图的连接特征进行构造。]]></description><category></category></item><item><title><![CDATA[目标检测基础、Yolo系列、SSD]]></title><link>https://blog.youkuaiyun.com/m0_46902739/article/details/130016780</link><guid>https://blog.youkuaiyun.com/m0_46902739/article/details/130016780</guid><author>m0_46902739</author><pubDate>Fri, 07 Apr 2023 17:46:56 +0800</pubDate><description><![CDATA[目标检测、YOLO系列的介绍和训练]]></description><category></category></item><item><title><![CDATA[1、图基础知识介绍]]></title><link>https://blog.youkuaiyun.com/m0_46902739/article/details/130015322</link><guid>https://blog.youkuaiyun.com/m0_46902739/article/details/130015322</guid><author>m0_46902739</author><pubDate>Fri, 07 Apr 2023 16:51:03 +0800</pubDate><description><![CDATA[图由两个元素组成：节点和关系每个节点代表一个实体（人、地、事物、类别或其他数据），每个关系代表两个节点的关联方式。]]></description><category></category></item></channel></rss>