m0_58044187的博客

原创 SHAP分析解释

3、点（蜂巢图）或者柱子（条形图）的数值为正，说明对最终预测结果积极影响，数值为负，说明对最终预测结果消极影响；1、越重要的越在上面，对最终预测结果影响越大的越在上面；2、颜色表示该特征的原始特征值，红色表示大，蓝色表示小；

原创 tensorboard使用

命令：

原创 vscode带参数调试

转载：【深度学习环境】VSCode 调试python 带args参数的程序_vscode args-优快云博客

原创 ubuntu分区相关

根目录 (是文件系统的最顶层目录，通常挂载在主分区（如你的固态硬盘）。子目录是根目录或其他目录的下级目录，可以是普通目录，也可以是独立的挂载点。如果子目录是挂载点（如/home），它的存储位置独立于父目录；否则，它的存储位置与父目录相同。在你的系统中，往路径下载文件会存储在固态硬盘中，而往/home路径下载文件会存储在机械硬盘中。

原创 deepseek辅助写论文指令

如何在讨论部分解释我的研究结果，结合理论框架与已有研究进行深度分析，提出研究的局限性和未来的研究方向?我已经找到若干相关文献，帮我提炼出这些文献的研究问题、方法、结论和不足之处，形成简明的文献综述。根据我的研究问题，帮助我选择合适的研究方法，是定量研究还是定性研究，或者是两者结合的混合方法？基于我的研究问题，帮我提出一些具体且具有可验证性的假设，确保它们能够指导我的数据收集和分析。期刊的影响因子和相关性应该如何考虑?我正在研究××主题，帮我明确研究目标，确保它们具体、可量化，并与我的研究问题高度契合。

原创 Lora学习

最简单的理解：通过重新参数化，Lora微调可以在保持预训练权重不变的情况下,通。这样可以大大减少需要训练的参数数量,提高微调的效率。

原创 windows远程连接凭据问题

进入“控制面板”->“凭据管理器”->“添加Windows凭据”->输入 要登录的服务器的IP地址、用户名、密码，点确定退出。

原创 鸡汤语言写作

梦想的种子已悄然发芽，未来的阳光就在前方等待；清晨的阳光，照亮你奋进的步伐；夜空的星光，见证你不懈的坚持；图书馆的灯火，是你奋斗的见证；每一分努力，都是你铸就未来的基石！你的一步一迹，已在时光中镌刻，星光不负赶路人，那些披星戴月走过的路，终将繁花遍地！你所走过的看似普通的每一天，那些所积攒的能量，会散作满天繁星，照亮未来前方的路。回头，有一路的故事；低头，有坚定的脚步；抬头，有清晰的远方。

原创 ubunut系统创建图标启动软件

1、进入“/usr/share/apllications”文件夹下创建myapp.desktop”文件。3、退出后可看到图标，单机可使用。

原创 ROC曲线和AUC

ROC曲线（Receiver Operating Characteristic Curve，受试者工作特征曲线）是用来评估二分类模型性能的图形工具。它通过不同的阈值绘制出模型的敏感性（真正例率）与1-特异性（假正例率）之间的关系。AUC（Area Under the Curve）是ROC曲线下的面积，通常用于总结ROC曲线的整体性能。通过调整分类阈值，可以得到一系列TPR和FPR的组合，从而绘制出ROC曲线。它是一个有用的指标，因为它不依赖于特定的阈值，并且对正负样本比例不敏感。

原创 箱线图解释

⑩P值<2x10^-16（经FDR方法修正），Kruskal-Wallis检验（X^2=2619.7，自由度（df）=2），随后进行成对Wilcoxon秩和检验。⑨异常值：超出正常范围的数据点（Max值~Min值之间理论上为正态分布的99.3%置信区间）⑤Q3（第三四分位数）：位于75%的数据点（有75%的数据小于该值）⑦Q1（第一四分位数）：位于25%的数据点（有25%的数据小于该值）⑥Q2（中位数）：位于50%的数据点，即将数据分为两部分的中心值。②纵坐标：乳酸化水平的平方根变换。

原创 个人ubuntu22.04安装情况

软件需要装到固态硬盘里，/opt目录下，软件直接解压到/opt。/home /home/zcs 机械。禁止ubuntu自动更新。机械硬盘在固态硬盘目录下。

原创 进程和线程的区别于联系

进程是计算机执行的程序，线程是进程的子任务，一个进程就包含了多个线程，每个线程负责一个单独的子任务。

原创 transformer学习

引入位置编码：在处理词元序列时，循环神经网络是逐个的重复地处理词元的， 而自注意力则因为。来注入绝对的或相对的位置信息。位置编码可以通过学习得到也可以直接固定得到。为了使用序列的顺序信息，通过在输入表示中添加。自注意力缺点：丢失了位置信息，计算复杂度是序列长度的二次方。自注意力的优点：并行计算和最短的最大路径长度。

原创 多头注意力理解（来自“CaffeinatedSuperhero”）

原创 Self-supervised Learning

近些年，深度学习的发展使得在数据充足的情况下，经典任务的模型已经能达到很好的效果，但是对于数据和标签匮乏的特定任务，监督学习的模型效果非常受限。专注于某个特定任务的全监督网络模型：语义分割/目标检测/风格迁移；

原创 校园网linux终端配置

1 sudo -i进入root目录。

原创 笔记|随手写

大模型没有真正意义上面的逻辑，而是基于概率的推理来生成文本和回答问题。在input端增加一些参数（tokens），冻结模型，只更新这些参数。

原创 安装了numpy库却仍然报错ModuleNotFoundError: No module named ‘numpy‘

原因：你的项目路径含有中文。解决方法：改成纯英文路径。

原创 羊驼系列大模型

LlamaAlpaca

原创 ubuntu常用命令

1、deb安装包安装软件。

原创 安装多个版本cuda，实现快速切换

【代码】安装多个版本cuda，实现快速切换。

原创 医学图像处理文章可投的SCI期刊

PloS ONE。

原创 PDF转SVG代码，不失真图像插入PPT中

别忘了pip install pymupdf。

原创 电脑微信QQ正常使用，但浏览器不能上网

在命令行【ping baidu.com】是正常的，但不能访问网页。4、取消勾选为LAN使用代理服务器，再点击确定即可。1、打开控制面板，网络和Internet。5、再次打开浏览器刷新即可正常上网。2、打开Internet选项。3、点击连接，局域网设置。

原创 vscode打开Python文件显示BibTex

选择Configure file Association for '.py'，选择Python即可，即Python和.py文件绑定在一起。vscode使用小技巧。

原创 yolov5（Pytorch框架）windows下（使用GPU）训练自己的模型（手把手教学）

yolov5训练

原创 vscode使用虚拟环境问题

vscode的terminal默认是powershell，powershell激活虚拟环境需要一定的配置，可以改成cmd，改后可以激活虚拟环境。

原创 yolo系列算法训练时loss出现nan值（GTX16xx系列显卡的问题）

这个问题时由于GTX16xx系列显卡导致的，只要是使用GTX16xx系列显卡跑yolo系列算法的时候基本上都会遇到这个问题，真是搞得我头大，当我第一次遇到这个问题的时候，我只是简单地认为是学习率过大导致梯度爆炸，但是后来我上网查资料才发现问题出现在我的显卡上面，我的是GTX1650(还能再战)，GTX16xx系列显卡在cuda使用较新版本时会出现该问题。导致了训练时候出现了nan值。我在网上查询资料发现，这个问题用CPU跑的时候不会出现问题，但是使用CPU跑的速度可以说是比蜗牛还慢。

原创 yolov5 AssertionError: train: No labels

yolov5bug

原创 深度学习环境配置手把手教学

深度学习环境配置

原创 卷积的计算过程（深度学习）

卷积计算

原创 蓝桥杯嵌入式赛道开发流程

蓝桥杯嵌入式初始化操作

原创 Python绘制wav文件频谱图

画wav频谱图

原创 Python处理音频并画出时域波形

Python处理音频，画出时域波形