mi_shu_zi的博客

原创 大模型深度推理和快速响应的原理

大模型通过/think和/no_think模式实现精度与速度的平衡：/think采用低温度、束搜索等策略，强调分步推理和完整上下文处理，适用于复杂任务但耗时较长；/no_think使用高温度、贪心搜索等技术，依赖缓存和小模型，实现快速响应但精度稍低。两种模式在解码策略、资源分配、推理步骤等方面存在系统性差异，使大模型能根据场景需求灵活调整计算资源与响应速度的平衡。

原创 解决wsl --update 下载速度慢、时间过长无法下载成功的问题

进了新公司，公司需要下载wsl，单用wsl --update会很慢，只要在管理员运行powershell的界面使用wsl --update --web-download，就会很快。

原创 用Python实现SVM分类器：从数据到决策边界可视化，以鸢尾花数据集为例

在机器学习的世界里，支持向量机（Support Vector Machine，简称SVM）是一种非常强大的分类算法。它通过寻找最优的决策边界，将不同类别的数据分开。本文将通过一个简单的Python代码示例，展示如何使用SVM对数据进行分类，并可视化决策边界和支持向量。通过上述代码，我们成功地实现了一个简单的SVM分类器，并对模型的决策边界和支持向量进行了可视化。SVM算法在处理线性可分数据时表现出了强大的分类能力。当然，SVM也有其局限性，例如在处理大规模数据集时可能会遇到性能瓶颈。

原创 用Python实现K均值聚类算法

K均值聚类算法是一种划分方法，它将数据集划分为K个簇。算法的基本思想是：首先随机选择K个数据点作为初始聚类中心，然后计算每个数据点与这些聚类中心的距离，将数据点分配到最近的聚类中心所在的簇中。接着，根据每个簇中的数据点重新计算聚类中心，重复上述过程，直到聚类中心不再发生变化或达到设定的迭代次数。

原创 使用朴素贝叶斯对散点数据进行分类

本文将通过一个具体的例子，展示如何使用 Python 和库中的GaussianNB模型，对二维散点数据进行分类，并可视化分类结果。

原创 使用 PyTorch 实现逻辑回归并评估模型性能

逻辑回归是一种用于解决二分类问题的算法。它通过一个逻辑函数（Sigmoid 函数）将线性回归的输出映射到 [0, 1] 区间内，从而将问题转化为概率预测问题。如果预测概率大于 0.5，则将样本分类为正类；否则分类为负类。

原创 使用 PaddlePaddle 实现逻辑回归：从训练到模型保存与加载

逻辑回归是一种线性分类模型，通过学习输入特征与输出标签之间的关系，实现对新数据的分类。PaddlePaddle 是一个开源的深度学习框架，提供了丰富的接口和工具，方便开发者快速实现和部署机器学习模型。逻辑回归模型的核心是一个线性层，后面接一个 Sigmoid 激活函数。Sigmoid 函数将输出值映射到 (0, 1) 区间，表示属于某个类别的概率。self.linear = nn.Linear(2, 1) # 输入特征维度为2，输出为1。

原创 TensorFlow实现逻辑回归模型

使用TensorFlow的tf.keras模块定义逻辑回归模型。模型包含一个输入层和一个输出层，输出层使用sigmoid激活函数。定义优化器和损失函数。这里使用随机梯度下降优化器和二元交叉熵损失函数。本文介绍了如何使用TensorFlow实现逻辑回归模型，并通过动态绘制决策边界和损失曲线来观察模型的训练过程。逻辑回归是一种简单而有效的分类算法，适用于二分类问题。通过TensorFlow框架，我们可以轻松地实现和训练逻辑回归模型，并利用其强大的功能来优化模型的性能。

原创 使用 PyTorch 实现逻辑回归：从数据到模型保存与加载

逻辑回归模型的核心是一个线性变换后接一个 Sigmoid 激活函数。Sigmoid 函数可以将输出值映射到 (0, 1) 区间，从而表示为类别 1 的概率。我们使用 PyTorch 的nn.Module来定义模型。# 定义逻辑回归模型self.linear = nn.Linear(2, 1) # 输入特征维度为 2，输出为 1本文通过一个简单的二维数据集，展示了如何使用 PyTorch 实现逻辑回归模型，包括数据准备、模型定义、训练、保存、加载和预测的完整流程。

原创 使用 PyTorch 实现线性回归：从零开始的完整指南

线性回归的目标是找到一个线性方程 y=wx+b，其中 w 是斜率，b 是截距，使得该方程能够尽可能地拟合给定的数据点。在实际应用中，我们通常使用最小二乘法来最小化预测值与真实值之间的误差。为了训练模型，我们需要定义一个损失函数和一个优化器。通过本文的介绍，你已经学会了如何使用 PyTorch 实现线性回归，并对自定义数据集进行拟合。线性回归虽然简单，但在许多实际问题中都非常有效。希望这篇文章能够帮助你更好地理解和应用线性回归模型。

原创 使用 scikit-learn 实现简单的线性回归案例

线性回归是一种预测模型，它通过拟合数据点到一条直线上，来预测一个因变量（目标值）与一个或多个自变量（特征）之间的关系。它的数学表达式通常为：​其中，y 是目标值，x1​,x2​,…,xn​ 是特征，而 β0​,β1​,…,βn​ 是模型的参数。在实际应用中，线性回归可以帮助我们解决许多问题，比如房价预测、销售量预测等。scikit-learn 是一个开源的 Python 机器学习库，它提供了简单而高效的工具用于数据挖掘和数据分析。它支持多种机器学习算法，包括线性回归、逻辑回归、决策树等。

原创 使用 Python 和 scikit-learn 实现 KNN 分类：以鸢尾花数据集为例

KNN 是一种监督学习算法，主要用于分类和回归任务。它的工作原理非常简单：对于一个新的数据点，算法会查找训练数据中与其最近的 K 个点（即“邻居”），然后根据这些邻居的类别进行投票，最终决定新数据点的类别。KNN 的关键在于选择合适的 K 值以及定义“最近”的距离度量方式。通过本文，我们展示了如何使用 Python 和实现 KNN 分类。从数据加载、预处理、模型训练到性能评估，整个过程清晰明了。KNN 算法虽然简单，但在许多实际问题中都能取得不错的效果。

原创 PyQt5与OpenCV结合的三个小练习

本文介绍了三个结合PyQt5和OpenCV库的图像处理练习，旨在通过实践教学帮助读者掌握如何使用这两个工具进行图像操作和用户界面设计。每个练习均包含详细的思路分析、函数方法设计、代码实现及效果展示，使读者能够深入理解并实践图像处理技术在GUI应用程序中的应用。

原创 OpenCV常用函数整理（脑图）

原创 OpenCV-Python的简单练习

一些简单的OpenCV的练习

原创 图像处理中的边缘检测与变换技术

在计算机视觉中，边缘检测和轮廓处理是图像分析的基础。本文将介绍几种常用的边缘检测算子和轮廓处理函数，包括Sobel算子、Laplacian算子、Canny算子、findContours函数、drawContours函数和透视变换函数。同时，我们将通过一个例子来展示轮廓的外接边界框，并对比说明其应用。

原创 基于OpenCV的识别图片颜色并绘制轮廓小实验

颜色识别可以帮助我们从图像中提取特定颜色的区域，而轮廓检测则用于识别和描述这些区域的形状。函数，我们检测到了图像中的轮廓，并根据轮廓的面积筛选出了感兴趣的轮廓。最后，我们在原图上绘制了这些轮廓，并显示了原始图像和绘制轮廓后的图像。函数，我们得到了一个掩膜图像，该图像只包含特定颜色的区域。接着，我们对掩膜图像进行了高斯模糊和形态学变换，以去除噪声和细小的连通区域。在实验中，我们首先读取了一张图片，并将其调整到合适的大小。然后，我们将图像从BGR颜色空间转换到HSV颜色空间，并设定了黄色的范围。

原创 图像合成技术：将Logo嵌入背景图像

在图像处理中，将一个图像（如Logo）合成到另一个图像（如背景图）是一个常见的任务。这种技术可以用于品牌宣传、广告制作等多种应用场景。

原创 利用OpenCV和Numpy实现图像校正

图像透视变换是一种几何变换，它能够将图像中的点从一个平面映射到另一个平面，通常用于校正图像中的透视失真或者创建特殊的视觉效果。在计算机视觉和图像处理中，透视变换可以通过找到一组对应点（原图中的点和目标图中的点）并计算透视变换矩阵来实现。以下是实现图像透视变换的Python代码，使用了OpenCV和Numpy库。

原创 OpenCV中的常用函数解析

每种函数都有其特定的应用场景，通过这些函数，我们可以对图像进行各种变换和处理，以满足不同的需求。

原创 制作一个简单的定时语音播报器：使用PyQt6

今天我要和大家分享一个简单的项目——使用PyQt6制作一个定时语音播报器。这个小工具可以帮助你在设定的时间提醒你，或者在特定时间播放一段文本。下面是如何一步步构建这个应用的详细指南。

原创 PyQt6搭建两个简单的窗口并实现跳转

在qt设计界面可以在按钮处设置槽函数直接实现跳转和关闭，但是无法进行判断，所以我们要通过代码来自定义槽函数。通过该代码，就能实现简单的跳转和关闭。

原创 qss登录界面优化

今天学习了qss的应用，尝试制作了一个新的登录界面。今天较为着急，后续会对该篇博客进行修改。

原创 PyQt6入门程序实例

今天学习的是pyqt常用的一些组件，就今天的学习内容，我尝试做一个登录界面。

原创 基于Python的简单爬虫实现 博客园

摘要本文主要介绍使用python第三方库beautifulsoup及requests实现网页内容抓取，以博客园首页为例，介绍如何从零开始介绍如何抓取指定网页中的内容。#生产者--抓取网页内容#找到所有name为“a”，class为"post-item-title"的代码块此时两个函数就已经写好了，craw就是我们的生产者，他的生产结果是每个html，而parse就是我们的消费者，他的工作是将每个html解析出来，并将解析到的链接和标题组成一个元组然后返回。