<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[murphymeng2001的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/murphymeng2001</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; murphymeng2001]]></copyright><item><title><![CDATA[Spring AI 与 Python：AI 开发的新老势力对决与协作]]></title><link>https://blog.youkuaiyun.com/murphymeng2001/article/details/148201646</link><guid>https://blog.youkuaiyun.com/murphymeng2001/article/details/148201646</guid><author>murphymeng2001</author><pubDate>Sun, 25 May 2025 17:18:13 +0800</pubDate><description><![CDATA[Spring AI 和 Python 并不是竞争关系，而是生态互补。对于企业而言，Python 是 AI 的发动机，Spring 是 AI 的落地轮胎。谁也离不开谁。掌握这两者，才能在 AI 应用浪潮中真正占据主导。]]></description><category></category></item><item><title><![CDATA[基于 LangChain + Chroma 实现文档向量化入库（含摘要处理 + RAG 查询）：完整实战流程]]></title><link>https://blog.youkuaiyun.com/murphymeng2001/article/details/148201362</link><guid>https://blog.youkuaiyun.com/murphymeng2001/article/details/148201362</guid><author>murphymeng2001</author><pubDate>Sun, 25 May 2025 10:02:59 +0800</pubDate><description><![CDATA[在构建 AI 应用（如智能问答、知识检索）时，第一步往往是将原始文档转化为向量形式并存入数据库。这通常包含以下流程：加载原始文件（PDF、TXT 等格式）文本切分（控制 chunk 大小以适配模型）使用大模型提取摘要（减少冗余）向量化（生成 embedding 向量）存入向量数据库（如 Chroma）本文将使用 LangChain 框架 + 阿里通义大模型 + Chroma 数据库，完成从原始文档到知识入库再到语义检索的完整闭环。]]></description><category></category></item><item><title><![CDATA[ 深入理解 Transformer：原理、架构与注意力机制全景图解]]></title><link>https://blog.youkuaiyun.com/murphymeng2001/article/details/147361590</link><guid>https://blog.youkuaiyun.com/murphymeng2001/article/details/147361590</guid><author>murphymeng2001</author><pubDate>Sun, 20 Apr 2025 10:39:42 +0800</pubDate><description><![CDATA[Transformer 架构以其简洁、高效和强大的表示能力，奠定了现代 AI 的技术基础。从本文你应该掌握：三种注意力机制的来源、功能与差异编码器与解码器的模块拆分与计算路径Transformer 的完整数据流动图与模块职责基于 PyTorch 的结构化伪代码框架。]]></description><category></category></item><item><title><![CDATA[ 深入浅出 Multi-Head Attention：原理 + 例子 + PyTorch 实现]]></title><link>https://blog.youkuaiyun.com/murphymeng2001/article/details/147320316</link><guid>https://blog.youkuaiyun.com/murphymeng2001/article/details/147320316</guid><author>murphymeng2001</author><pubDate>Fri, 18 Apr 2025 10:30:29 +0800</pubDate><description><![CDATA[简单说，多头注意力就是一种让模型在多个角度“看”一个序列的机制。在自然语言中，一个词的含义往往依赖于上下文，比如：“我把苹果给了她”模型在处理“苹果”时，需要关注“我”“她”“给了”等词，多头注意力就是这样一种机制——从多个角度理解上下文关系。项目解释目的提升模型表达能力，从多个角度理解输入核心机制将向量分头 → 每头独立 attention → 合并输出技术关键viewtransposematmulsoftmax, 拼接线性层。]]></description><category></category></item><item><title><![CDATA[深入浅出 Self-Attention：原理 + 例子 + PyTorch 实现]]></title><link>https://blog.youkuaiyun.com/murphymeng2001/article/details/147293039</link><guid>https://blog.youkuaiyun.com/murphymeng2001/article/details/147293039</guid><author>murphymeng2001</author><pubDate>Thu, 17 Apr 2025 09:38:21 +0800</pubDate><description><![CDATA[Self-Attention（自注意力）是一种机制，它让模型在处理某个词时，能够“感知”到句子中其它词，并根据它们的重要程度加权组合信息。在传统的 RNN 中，信息只能通过固定顺序传播；而在 Transformer 中，Self-Attention 允许每个词同时访问整个序列，从而极大提升模型的表现力与并行性。Self-Attention 的关键步骤：生成 Q/K/V用 Q × Kᵀ 计算相关性打分用 softmax 转为注意力分布用这个分布去加权 V 得到输出。]]></description><category></category></item><item><title><![CDATA[深入理解时间复杂度与空间复杂度]]></title><link>https://blog.youkuaiyun.com/murphymeng2001/article/details/146995875</link><guid>https://blog.youkuaiyun.com/murphymeng2001/article/details/146995875</guid><author>murphymeng2001</author><pubDate>Fri, 04 Apr 2025 10:46:55 +0800</pubDate><description><![CDATA[理解并掌握复杂度分析，不仅有助于优化代码，还能在面试中脱颖而出。：时间复杂度 O(2ⁿ)，空间复杂度 O(n)（递归栈）。使用额外存储空间来减少计算量，提高执行速度。在实际开发中，合理选择算法是提升性能的关键。，比线性搜索更快（O(1) vs. O(n)）。：减少存储，但可能增加计算量（如迭代代替递归）。：时间复杂度 O(n)，空间复杂度 O(n)。减少额外存储空间，但可能增加计算时间。，减少重复计算，例如斐波那契数列。：递归算法调用时占用的栈空间。衡量算法运行时间，越小越优。衡量算法存储消耗，越小越优。]]></description><category></category></item><item><title><![CDATA[使用 LangChain 和 DeepSeek 构建文案助手智能体]]></title><link>https://blog.youkuaiyun.com/murphymeng2001/article/details/146851566</link><guid>https://blog.youkuaiyun.com/murphymeng2001/article/details/146851566</guid><author>murphymeng2001</author><pubDate>Mon, 31 Mar 2025 16:17:15 +0800</pubDate><description><![CDATA[LangChain 是一个高度灵活的框架，允许开发者将大语言模型（如 GPT）与各种外部工具结合使用，构建功能丰富的智能体。LangChain 的核心原理是将多个功能组合成一个智能体，以便在复杂的任务中实现自动化。]]></description><category></category></item><item><title><![CDATA[如何提高YOLO模型的检测精度：使用YOLO11n训练与优化技巧]]></title><link>https://blog.youkuaiyun.com/murphymeng2001/article/details/146548087</link><guid>https://blog.youkuaiyun.com/murphymeng2001/article/details/146548087</guid><author>murphymeng2001</author><pubDate>Thu, 27 Mar 2025 09:16:18 +0800</pubDate><description><![CDATA[通过优化数据、调整模型参数和改进训练策略，我们可以进一步提高其检测精度。目标：检测X光、CT、MRI图像中的病变区域，如肺结节、肿瘤等。应用：增强自动驾驶汽车的感知能力，避免碰撞，提高行车安全性。应用：智能安防系统，结合报警机制，实现异常检测和跟踪。关键点：需结合多模态医学数据，优化模型的检测阈值。目标：检测行人、车辆、红绿灯、交通标志等。目标：检测异常行为，如闯入、偷窃、打架等。应用：辅助医生诊断，提高疾病检测的准确率。目标：检测产品缺陷，如裂纹、划痕、不良品。应用：自动化生产线，提高质检效率和准确率。]]></description><category></category></item><item><title><![CDATA[深入理解循环神经网络（RNN）：原理、实现与挑战]]></title><link>https://blog.youkuaiyun.com/murphymeng2001/article/details/146480891</link><guid>https://blog.youkuaiyun.com/murphymeng2001/article/details/146480891</guid><author>murphymeng2001</author><pubDate>Mon, 24 Mar 2025 17:13:15 +0800</pubDate><description><![CDATA[即后续数据依赖于前面的输入信息。例如，翻译句子时，当前单词的含义通常取决于前面的单词。而传统的神经网络（如 CNN 和 MLP）由于。RNN 仍然适用于某些低计算资源场景（如实时语音识别）。但在现代 NLP 任务中，在自然语言处理（NLP）、语音识别、时间序列分析等任务中，数据通常具有。来存储和更新隐藏状态，使模型可以保留时间信息。（RNN 的时间展开示意图）控制隐藏状态，比 LSTM。，从而对序列数据进行处理。控制信息存储和更新，从而。，难以处理这类问题。RNN 的核心思想是。]]></description><category></category></item><item><title><![CDATA[MTCNN（三阶段人脸检测网络）解析：PNet、RNet 和 ONet(附代码)]]></title><link>https://blog.youkuaiyun.com/murphymeng2001/article/details/146259841</link><guid>https://blog.youkuaiyun.com/murphymeng2001/article/details/146259841</guid><author>murphymeng2001</author><pubDate>Fri, 14 Mar 2025 16:18:22 +0800</pubDate><description><![CDATA[逐步筛选候选人脸框，实现精准的人脸检测和关键点定位。是一种广泛应用的深度学习方法，因其。ONet 进一步优化人脸检测，并。，最终获得高精度的人脸检测结果。，帮助大家理解其工作原理。PNet 是一个轻量级的。（眼睛、鼻子、嘴巴等）。RNet 进一步筛选。]]></description><category></category></item><item><title><![CDATA[从 DeepSeek 到 GPT：如何为不同 AI 任务选择合适的计算资源？]]></title><link>https://blog.youkuaiyun.com/murphymeng2001/article/details/146200476</link><guid>https://blog.youkuaiyun.com/murphymeng2001/article/details/146200476</guid><author>murphymeng2001</author><pubDate>Wed, 12 Mar 2025 11:31:44 +0800</pubDate><description><![CDATA[等大模型的训练与推理对计算资源的需求越来越高。，运行小型 AI 任务（如 DeepSeek-7B 推理、ResNet-18 训练），或运行 Transformer 任务，建议。随着 AI 领域的飞速发展，从。），帮助你选择最适合的方案。，适用于大规模 AI 任务。，对比本地 GPU（如。（如阿里云、AWS）提供。，避免显存不足问题。]]></description><category></category></item><item><title><![CDATA[ResNet 经典网络详解：深度学习中的革命性突破（含代码）]]></title><link>https://blog.youkuaiyun.com/murphymeng2001/article/details/146147353</link><guid>https://blog.youkuaiyun.com/murphymeng2001/article/details/146147353</guid><author>murphymeng2001</author><pubDate>Mon, 10 Mar 2025 10:58:20 +0800</pubDate><description><![CDATA[如果你对 ResNet 还有更深入的兴趣，可以尝试 ResNet-50、ResNet-101 这些更深层次的变体，或者结合 Transformer、注意力机制等技术进行优化！在深度学习的发展历程中，ResNet（残差网络）是一个重要的突破。它成功解决了深层神经网络训练中的梯度消失问题，使得深度模型能够达到更好的性能。ResNet-18 是深度学习领域中最经典的网络之一，尤其在图像分类任务上表现优异。为例，详细解析其网络结构、关键技术，并探讨其实际应用。，避免梯度消失，并帮助网络学习更深层次的特征。]]></description><category></category></item><item><title><![CDATA[LeNet-5：曾经统治计算机视觉的神经网络！]]></title><link>https://blog.youkuaiyun.com/murphymeng2001/article/details/146092088</link><guid>https://blog.youkuaiyun.com/murphymeng2001/article/details/146092088</guid><author>murphymeng2001</author><pubDate>Fri, 07 Mar 2025 11:57:17 +0800</pubDate><description><![CDATA[它的设计灵感来源于人类视觉系统，可以自动学习图像特征，而不需要手工设计特征提取方法（如 SIFT、HOG）。如果你想自己跑一下 LeNet-5，下面是 PyTorch 代码（仅需几行代码即可实现！但如果要处理更复杂的图像（如猫狗分类、ImageNet），建议使用。现代计算机视觉（CV）领域的许多神经网络，都能追溯到。：LeNet-5 结构简单，是最好的 CNN 入门模型！：CNN、自动特征提取、手写数字识别、奠基模型。的模型，被称为深度学习的“开山鼻祖”！，看看它是如何影响整个深度学习领域的！]]></description><category></category></item><item><title><![CDATA[用PyTorch搭建神经网络实现鸢尾花分类]]></title><link>https://blog.youkuaiyun.com/murphymeng2001/article/details/145929502</link><guid>https://blog.youkuaiyun.com/murphymeng2001/article/details/145929502</guid><author>murphymeng2001</author><pubDate>Fri, 28 Feb 2025 15:10:31 +0800</pubDate><description><![CDATA[今天，我们用。]]></description><category></category></item><item><title><![CDATA[全连接神经网络 + ReLU 激活函数：房价预测案例解析]]></title><link>https://blog.youkuaiyun.com/murphymeng2001/article/details/145898931</link><guid>https://blog.youkuaiyun.com/murphymeng2001/article/details/145898931</guid><author>murphymeng2001</author><pubDate>Thu, 27 Feb 2025 11:17:44 +0800</pubDate><description><![CDATA[✅。]]></description><category></category></item><item><title><![CDATA[如何用 PyTorch 轻松实现梯度下降]]></title><link>https://blog.youkuaiyun.com/murphymeng2001/article/details/145732422</link><guid>https://blog.youkuaiyun.com/murphymeng2001/article/details/145732422</guid><author>murphymeng2001</author><pubDate>Wed, 19 Feb 2025 16:20:56 +0800</pubDate><description><![CDATA[在数学中，梯度描述了一个多变量函数在某一点上变化最快的方向。对于单变量函数 f(x) 来说，其导数 f′(x) 就是函数的变化率；而对于多变量函数来说，其梯度定义为所有偏导数组成的向量：梯度的方向指示函数上升最快的方向，而梯度的反方向则指向函数下降最快的方向。梯度下降的核心思想：利用函数在当前点的梯度信息，沿着下降最快的方向更新参数，逐步找到局部最小值。数学基础：在单变量中，梯度即导数；在多变量中，梯度是所有偏导数组成的向量，指示函数上升最快的方向。PyTorch 实现：通过开启自动求导，通过。]]></description><category></category></item><item><title><![CDATA[PCA 点亮降维之路]]></title><link>https://blog.youkuaiyun.com/murphymeng2001/article/details/145639690</link><guid>https://blog.youkuaiyun.com/murphymeng2001/article/details/145639690</guid><author>murphymeng2001</author><pubDate>Fri, 14 Feb 2025 18:29:54 +0800</pubDate><description><![CDATA[是一种经典的线性降维技术，它通过寻找数据中方差最大的方向，将原始高维数据投影到一个低维子空间，尽可能保留数据的主要信息。因此，PCA 作为机器学习的基础知识，依然值得掌握，但在实际应用中，需要结合数据特性选择最合适的降维方法。PCA 作为一种经典的降维技术，仍然具有去噪、特征压缩和可视化等重要作用，在一些小规模数据集或计算资源有限的场景下仍然值得使用。，构造一组新的正交坐标系，使得降维后的数据仍能最大程度地保留原始信息。我们以一个高维数据集为例，使用 PCA 进行降维，并观察它对模型训练的影响。]]></description><category></category></item><item><title><![CDATA[如何正确处理类别特征？One-Hot 编码在二手车价格预测中的作用]]></title><link>https://blog.youkuaiyun.com/murphymeng2001/article/details/145499019</link><guid>https://blog.youkuaiyun.com/murphymeng2001/article/details/145499019</guid><author>murphymeng2001</author><pubDate>Fri, 07 Feb 2025 17:18:35 +0800</pubDate><description><![CDATA[由于大多数机器学习算法无法直接处理类别变量，因此我们需要将其转换为数值格式，而。总之，One-Hot 编码是处理类别变量的强大工具，在二手车价格预测任务中起到了至关重要的作用！：支持线性回归、决策树、随机森林、XGBoost、LightGBM 等。可能有 100 多个品牌），One-Hot 编码会产生大量额外的特征。的，无法直接输入到大多数回归模型或树模型中。：如果某个类别变量取值很多，每个样本可能大部分都是。，如果该样本属于某个类别，则对应的位置为。在二手车价格预测的任务中，我们需要处理。]]></description><category></category></item><item><title><![CDATA[机器学习中的回归与分类——如何选择合适的算法？]]></title><link>https://blog.youkuaiyun.com/murphymeng2001/article/details/145455894</link><guid>https://blog.youkuaiyun.com/murphymeng2001/article/details/145455894</guid><author>murphymeng2001</author><pubDate>Wed, 05 Feb 2025 15:20:36 +0800</pubDate><description><![CDATA[回归和分类是机器学习中的两大重要任务，它们在数据分析、预测建模和人工智能应用中扮演着关键角色。不同的算法适用于不同的数据集和任务需求，因此，在实践中需要结合数据特点和业务需求，选择合适的模型。它们在数据处理、应用场景和算法选择上各有不同，了解它们的区别可以帮助我们更好地选择合适的模型。本文将详细介绍回归和分类的概念、应用场景、常见算法及如何选择适合的算法。的任务，目标是将数据点归类到预定义的类别中，例如判断一封邮件是否是垃圾邮件，或识别一张图片中的对象。的任务，目标是找到输入特征与目标变量之间的关系。]]></description><category></category></item><item><title><![CDATA[机器学习算法路径]]></title><link>https://blog.youkuaiyun.com/murphymeng2001/article/details/145354278</link><guid>https://blog.youkuaiyun.com/murphymeng2001/article/details/145354278</guid><author>murphymeng2001</author><pubDate>Sat, 25 Jan 2025 11:45:18 +0800</pubDate><description><![CDATA[在学习机器学习前，应掌握以下基础知识：VotingBaggingStackingBoosting随机森林（Random Forest）XGBoost]]></description><category></category></item></channel></rss>