<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[m0_73999950的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/m0_73999950</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; m0_73999950]]></copyright><item><title><![CDATA[【LoRA|论文】深入理解 LoRA 的设计思想与源码实现]]></title><link>https://blog.youkuaiyun.com/m0_73999950/article/details/170591247</link><guid>https://blog.youkuaiyun.com/m0_73999950/article/details/170591247</guid><author>m0_73999950</author><pubDate>Thu, 12 Nov 2026 12:02:03 +0800</pubDate><description><![CDATA[本文是我在学习 LoRA 论文及阅读微软官方源码过程中整理的一份学习笔记。
文章从预训练模型的任务适配与全参数微调的局限出发，介绍 LoRA 的研究动机、低内在维度带来的启发以及低秩更新的核心思想，并结合官方 PyTorch 源码，分析 LoRA 的参数初始化、前向传播、训练机制及其在 GPT-2 中的具体实现。
此外，文末整理了预训练、Tokenizer、Transformer 和线性代数等前置知识，便于后续复习。]]></description><category></category></item><item><title><![CDATA[【深度学习|DAY05】卷积神经网络深度学习笔记]]></title><link>https://blog.youkuaiyun.com/m0_73999950/article/details/163905617</link><guid>https://blog.youkuaiyun.com/m0_73999950/article/details/163905617</guid><author>m0_73999950</author><pubDate>Thu, 20 Aug 2026 11:40:03 +0800</pubDate><description><![CDATA[本笔记梳理了卷积神经网络（CNN）的核心知识体系，从图像数据基础出发，到CNN的实现原理。首先厘清了图像在计算机中的存储方式以及通道顺序、维度排布等关键概念，并通过代码演示了图像的读取、显示与张量转换。随后从全连接网络处理图像的痛点切入，引出CNN的三大构成：卷积层、池化层、全连接层，并详细阐释了数据在其中的完整流动过程与维度变换。卷积层部分深入剖析了卷积核的工作机制与过程运算、Padding的作用与类型、Stride对感受野的影响以及特征图尺寸计算，池化层部分对比了最大池化与平均池化的特点。]]></description><category></category></item><item><title><![CDATA[【深度学习|DAY04】神经网络深度学习笔记（下）：损失函数、优化器与正则化]]></title><link>https://blog.youkuaiyun.com/m0_73999950/article/details/163671007</link><guid>https://blog.youkuaiyun.com/m0_73999950/article/details/163671007</guid><author>m0_73999950</author><pubDate>Tue, 11 Aug 2026 18:18:40 +0800</pubDate><description><![CDATA[本笔记为神经网络深度学习笔记的下篇，承接上篇的网络框架与基础组件，系统梳理了训练流程中的三大核心模块。首先从损失函数入手，剖析了交叉熵损失"只关注正确类别概率"的优化本质，对比了分类任务与回归任务（MAE、MSE、Smooth L1）的适用场景。其次深入梯度下降优化算法，逐层拆解了Momentum、AdaGrad、RMSProp和Adam的设计动机与数学原理，并阐述了学习率衰减策略的必要性与各类调度器的工作机制。最后聚焦正则化技术，分析了L1/L2正则、Dropout和Batch Normalization]]></description><category></category></item><item><title><![CDATA[【深度学习|DAY03】神经网络深度学习笔记（上）：框架总览、参数初始化与激活函数]]></title><link>https://blog.youkuaiyun.com/m0_73999950/article/details/163658787</link><guid>https://blog.youkuaiyun.com/m0_73999950/article/details/163658787</guid><author>m0_73999950</author><pubDate>Tue, 11 Aug 2026 16:07:05 +0800</pubDate><description><![CDATA[本笔记系统梳理了神经网络深度学习的上篇笔记，以"框架总览→细节深入"为主线，构建完整的技术地图。首先从神经元的基本计算单元出发，解析了全连接网络的结构骨架（输入层、隐藏层、输出层）、前向传播与反向传播的完整数据流动过程，并详细阐释了Batch、Epoch、权重矩阵维度等关键概念。随后深入两个基础组件：参数初始化部分对比了全0/随机初始化、Xavier和Kaiming等方法的核心原理与选择策略；激活函数部分剖析了Sigmoid、Tanh、ReLU、Softmax的数学特性、优缺点及适用场景。]]></description><category></category></item><item><title><![CDATA[【深度学习|Day02】PyTorch 深度学习笔记（下）：张量运算与自动微分]]></title><link>https://blog.youkuaiyun.com/m0_73999950/article/details/163505235</link><guid>https://blog.youkuaiyun.com/m0_73999950/article/details/163505235</guid><author>m0_73999950</author><pubDate>Wed, 05 Aug 2026 15:55:43 +0800</pubDate><description><![CDATA[这篇笔记是PyTorch深度学习系列的下篇，聚焦张量运算与自动微分两大核心主题。内容从基本算术运算、矩阵乘法入手，系统梳理了索引切片、形状变换、拼接拆分等张量操作技巧，并深入剖析了PyTorch最核心的自动微分模块，从计算图原理、backward机制到手动梯度下降的完整实现，阐明了前向传播、反向传播与参数更新三个阶段的责任边界。]]></description><category></category></item><item><title><![CDATA[【深度学习|Day01】PyTorch 深度学习笔记（上）：框架认知与张量基础]]></title><link>https://blog.youkuaiyun.com/m0_73999950/article/details/163496596</link><guid>https://blog.youkuaiyun.com/m0_73999950/article/details/163496596</guid><author>m0_73999950</author><pubDate>Wed, 05 Aug 2026 14:32:29 +0800</pubDate><description><![CDATA[这篇笔记是 PyTorch 深度学习系列的上篇，系统梳理了框架认知与张量基础。内容从 PyTorch 的核心设计理念切入，对比了其与 TensorFlow 在动态图、调试体验等方面的差异，并总结了动态计算图、GPU 加速、自动微分等核心特点。随后深入讲解张量这一基础数据结构，涵盖张量的定义、属性、数据类型、与 NumPy 数组的关系与互转，以及多种创建方式的适用场景与注意事项，如随机种子、共享内存、梯度隔离等关键细节。]]></description><category></category></item><item><title><![CDATA[【机器学习|DAY07】集成学习（Ensemble Learning）笔记]]></title><link>https://blog.youkuaiyun.com/m0_73999950/article/details/163302679</link><guid>https://blog.youkuaiyun.com/m0_73999950/article/details/163302679</guid><author>m0_73999950</author><pubDate>Wed, 29 Jul 2026 16:56:56 +0800</pubDate><description><![CDATA[本笔记系统梳理集成学习核心脉络：从“群策群力”的思想出发，对比Bagging（并行降方差）与Boosting（串行降偏差）的设计逻辑与适用场景。深入拆解随机森林的样本与特征双重随机、AdaBoost的样本权重指数更新与加权投票机制，以及GBDT如何利用函数空间梯度下降拟合残差，将提升树泛化为任意可微损失下的梯度提升框架。结合sklearn API参数解析与代码示例。]]></description><category></category></item><item><title><![CDATA[【机器学习|DAY06】决策树（Decision Tree）笔记]]></title><link>https://blog.youkuaiyun.com/m0_73999950/article/details/163267822</link><guid>https://blog.youkuaiyun.com/m0_73999950/article/details/163267822</guid><author>m0_73999950</author><pubDate>Wed, 29 Jul 2026 13:24:16 +0800</pubDate><description><![CDATA[本笔记系统梳理了决策树的核心原理，涵盖分类与回归树的工作流程、划分依据（信息增益、增益率、基尼指数）及其差异，并对ID3、C4.5、CART三种经典算法进行对比。文中详细介绍了回归树基于MSE的切分规则、预剪枝与后剪枝两种防过拟合策略，以及sklearn中DecisionTreeClassifier与DecisionTreeRegressor的API用法和关键调参建议。最后通过与逻辑回归的对比，总结了决策树在非线性、可解释性和特征处理上的优势与局限。]]></description><category></category></item><item><title><![CDATA[【机器学习|DAY05】逻辑回归（Logistic Regression）笔记]]></title><link>https://blog.youkuaiyun.com/m0_73999950/article/details/163238132</link><guid>https://blog.youkuaiyun.com/m0_73999950/article/details/163238132</guid><author>m0_73999950</author><pubDate>Mon, 27 Jul 2026 16:14:09 +0800</pubDate><description><![CDATA[本笔记总结了逻辑回归这一经典分类算法的知识脉络。从线性回归出发，解析了引入 Sigmoid 激活函数将连续输出映射为概率的原理，分析对数似然损失函数的凸性优势与梯度下降优化过程。在实战层面，归纳了 sklearn 中 LogisticRegression 的关键参数、常用方法，并推广至多分类 Softmax。最后深入分类评估体系，对比准确率、精确率、召回率、F1-score 及 ROC/AUC 等指标，特别阐释了 AUC 能稳定应对样本不平衡的内在逻辑。]]></description><category></category></item><item><title><![CDATA[【机器学习|DAY04】线性回归（Linear Regression）笔记]]></title><link>https://blog.youkuaiyun.com/m0_73999950/article/details/163159726</link><guid>https://blog.youkuaiyun.com/m0_73999950/article/details/163159726</guid><author>m0_73999950</author><pubDate>Mon, 27 Jul 2026 10:23:38 +0800</pubDate><description><![CDATA[这篇笔记系统梳理了线性回归从原理到实践的完整知识体系。全文从“线性”二字的真正含义出发，厘清了“对参数线性”与“对特征线性”的关键区别，随后沿着训练流程依次拆解损失函数、正规方程与梯度下降两种优化思路，并对梯度、方向导数、学习率等核心概念做了深入浅出的讲解。在过拟合与正则化部分，文章用拉格朗日约束和次梯度扇区等几何视角，直观解释了L1为何能产生稀疏解、L2为何只能压缩权重。最后以“损失+优化+正则化”三要素为线索，对比了sklearn中五款回归器的配置逻辑与适用场景。]]></description><category></category></item><item><title><![CDATA[【机器学习|DAY03】K近邻算法（KNN）笔记]]></title><link>https://blog.youkuaiyun.com/m0_73999950/article/details/163078971</link><guid>https://blog.youkuaiyun.com/m0_73999950/article/details/163078971</guid><author>m0_73999950</author><pubDate>Tue, 21 Jul 2026 16:09:45 +0800</pubDate><description><![CDATA[本文是一篇系统整理的KNN算法学习笔记。内容从“近邻相似”的直观思想出发，梳理了KNN的分类与回归步骤，深入讲解了欧氏距离、曼哈顿距离等常用相似性度量及KD树的加速检索原理，并分析了K值大小对模型过拟合与欠拟合的影响。结合scikit-learn的API用法，进一步补充了交叉验证与网格搜索在超参数调优中的应用，旨在帮助读者构建清晰、可复用的KNN知识框架。]]></description><category></category></item><item><title><![CDATA[【机器学习|DAY02】数据划分与特征工程]]></title><link>https://blog.youkuaiyun.com/m0_73999950/article/details/163050412</link><guid>https://blog.youkuaiyun.com/m0_73999950/article/details/163050412</guid><author>m0_73999950</author><pubDate>Mon, 20 Jul 2026 17:57:35 +0800</pubDate><description><![CDATA[本篇围绕数据划分与特征工程的核心展开。首先说明数据划分必须先于需“学参数”的预处理，防止数据泄漏，并给出train_test_split的用法。随后梳理特征提取：DictVectorizer对字典做One-Hot编码，CountVectorizer基于词袋统计词频，TfidfVectorizer引入逆文档频率衡量词的重要度。特征预处理部分对比归一化（缩放到固定区间）与标准化（转为均值为0、标准差为1），并指出前者对异常值敏感、后者更鲁棒。最后重申fit仅用于训练集、transform再应用于测试集的规则。]]></description><category></category></item><item><title><![CDATA[【机器学习|DAY01】机器学习概述]]></title><link>https://blog.youkuaiyun.com/m0_73999950/article/details/163048512</link><guid>https://blog.youkuaiyun.com/m0_73999950/article/details/163048512</guid><author>m0_73999950</author><pubDate>Mon, 20 Jul 2026 16:30:26 +0800</pubDate><description><![CDATA[文章梳理了机器学习的基础知识框架：AI/ML/DL三者的定义与关系、常用术语（数据集、样本、特征、标签）、四大分支（有监督、无监督、半监督、强化学习）的对比、项目完整流程的五个步骤，以及特征工程五大概念（提取、预处理、降维、选择、组合）的总览，最后讲解欠拟合、过拟合与泛化能力。]]></description><category></category></item><item><title><![CDATA[【数据分析|Day03】RFM 客户分群实战笔记]]></title><link>https://blog.youkuaiyun.com/m0_73999950/article/details/162934797</link><guid>https://blog.youkuaiyun.com/m0_73999950/article/details/162934797</guid><author>m0_73999950</author><pubDate>Thu, 16 Jul 2026 15:05:28 +0800</pubDate><description><![CDATA[本文是数据分析系列的第四篇笔记实战篇，以 RFM 客户分群模型为主线，完整走通多 Sheet 读取 → 数据清洗 → datetime 特征构造 → groupby + agg 多列聚合 → pd.cut 分箱打分 → 3D柱状图可视化 → MySQL 导出的全流程。重点展开 as_index 的取舍逻辑、cut 分箱的边界设计与业务含义。适合学完数据分析基础后，实战动手练习来更深入了解数据分析过程。]]></description><category></category></item><item><title><![CDATA[MySQL 数据操作与查询笔记：DML、DQL、多表连接与子查询]]></title><link>https://blog.youkuaiyun.com/m0_73999950/article/details/162897795</link><guid>https://blog.youkuaiyun.com/m0_73999950/article/details/162897795</guid><author>m0_73999950</author><pubDate>Wed, 15 Jul 2026 10:55:17 +0800</pubDate><description><![CDATA[本篇笔记以增删改查为主线，系统梳理 MySQL 数据操作（DML）与数据查询（DQL）的核心知识。从 INSERT、UPDATE、DELETE 和 TRUNCATE 的区别讲起，详解 SELECT 查询、WHERE 过滤、聚合分组、排序分页及 SQL 执行顺序，再深入多表关系、外键约束和 JOIN 连接，并结合子查询、UNION 联合查询展开实战技巧。文末附命令速查表，帮助夯实 MySQL 操作与查询基础。]]></description><category></category></item><item><title><![CDATA[MySQL 基础：从数据库概念到表结构管理DDL]]></title><link>https://blog.youkuaiyun.com/m0_73999950/article/details/162878646</link><guid>https://blog.youkuaiyun.com/m0_73999950/article/details/162878646</guid><author>m0_73999950</author><pubDate>Tue, 14 Jul 2026 17:53:38 +0800</pubDate><description><![CDATA[本篇知识笔记梳理了 MySQL 入门阶段的知识。首先从“为什么需要数据库”切入，对比关系型与非关系型数据库的适用场景，并介绍 MySQL 的 C/S 架构与连接方法。随后按 SQL 四大分类展开，重点讲解 DDL 对数据库、表及字段的完整管理操作，涵盖创建、查看、修改、删除等常用语句。笔记还解析了数据类型（整型、浮点、定点、字符串、日期）的选型依据，以及主键、非空、唯一、默认值、外键等约束的用法，并对 CHAR 与 VARCHAR、DATETIME 与 TIMESTAMP 等易混概念做了对比。]]></description><category></category></item><item><title><![CDATA[Linux 常用命令详解]]></title><link>https://blog.youkuaiyun.com/m0_73999950/article/details/162866824</link><guid>https://blog.youkuaiyun.com/m0_73999950/article/details/162866824</guid><author>m0_73999950</author><pubDate>Tue, 14 Jul 2026 11:17:21 +0800</pubDate><description><![CDATA[本文是Linux系列的第二篇，系统梳理了CentOS环境下的核心命令。首先阐明Linux“一切皆文件”和单一根目录树的设计理念，建立正确的文件系统认知；随后按命令功能分类讲解：导航（pwd/ls/cd）、增删（mkdir/touch/rm/cp/mv）、查看（cat/less/head/tail）、搜索（grep/find/which）、管道与重定向（|、>、>>、&&、||）、软链接（ln -s）、vim基础操作，以及sudo、chmod、tar、ps/kill、systemctl等必备补充。]]></description><category></category></item><item><title><![CDATA[Linux 入门指南：CentOS 7 虚拟机搭建与网络配置]]></title><link>https://blog.youkuaiyun.com/m0_73999950/article/details/162845503</link><guid>https://blog.youkuaiyun.com/m0_73999950/article/details/162845503</guid><author>m0_73999950</author><pubDate>Mon, 13 Jul 2026 17:19:58 +0800</pubDate><description><![CDATA[本文从计算机三层结构切入，阐明操作系统作为资源管理器的本质；梳理 Linux 从 Unix 到 Linus 发布内核的演变，区分内核与发行版。重点讲解虚拟机网络原理，结合 NAT 模式数据链路、虚拟网卡与交换机、DHCP 与静态 IP 的取舍，为后续实践打下理论基础。实操部分以 CentOS 7 为例，逐步演示虚拟机创建、静态 IP 配置、VMware 虚拟网络编辑器设置及 Windows 侧 VMnet8 网卡调整，确保主机与虚拟机互通且 IP 固定。最后介绍  FinalShell 远程连接。]]></description><category></category></item><item><title><![CDATA[【LangChain|Day05】深入 RAG 全流程基础笔记：Embedding 向量化与、VectorStore 向量存储，LCEL 链式串联实战]]></title><link>https://blog.youkuaiyun.com/m0_73999950/article/details/161961693</link><guid>https://blog.youkuaiyun.com/m0_73999950/article/details/161961693</guid><author>m0_73999950</author><pubDate>Sat, 13 Jun 2026 23:57:29 +0800</pubDate><description><![CDATA[本文笔记围绕RAG的文本嵌入与向量存储环节。讲解如何将文档转为语义向量并存入向量数据库进行高效相似检索。演示了Chroma等向量库的统一接口用法，并详解了如何通过as_retriever()将检索器融入LCEL链，结合数据透传与格式化，串联起完整的检索增强生成流程。]]></description><category></category></item><item><title><![CDATA[【LangChain|Day04】RAG 全流程基础笔记：Document 、 Loader 和 Splitter]]></title><link>https://blog.youkuaiyun.com/m0_73999950/article/details/161960592</link><guid>https://blog.youkuaiyun.com/m0_73999950/article/details/161960592</guid><author>m0_73999950</author><pubDate>Sat, 13 Jun 2026 21:25:11 +0800</pubDate><description><![CDATA[这篇笔记系统梳理了 LangChain RAG 流程的基石环节：从 RAG 解决的实际痛点出发，逐步拆解数据在管道中的流转形态。核心围绕 Document 对象展开，它是所有文本在 Loader、Splitter、Embedding 等环节间传递的统一载体。文章详解了各类 Loader 如何将 PDF、网页、CSV、JSON 等异构数据转换为标准 Document，再通过 RecursiveCharacterTextSplitter 按段落到字符逐级降级切分。]]></description><category></category></item></channel></rss>