<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[onereal的代码]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/onereal</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; onereal]]></copyright><item><title><![CDATA[【元宝搜索开发者征文大赛】零依赖接入元宝搜索：只用 Python 标准库手写签名，给备课做了一个素材包生成器]]></title><link>https://blog.youkuaiyun.com/onereal/article/details/170148964</link><guid>https://blog.youkuaiyun.com/onereal/article/details/170148964</guid><author>onereal</author><pubDate>Thu, 05 Nov 2026 21:57:55 +0800</pubDate><description><![CDATA[后端 / Python / 人工智能 【元宝搜索开发者征文大赛】零依赖接入元宝搜索：只用 Python 标准库手写签名，给备课做了一个素材包生成器
]]></description><category></category></item><item><title><![CDATA[秒哒初体验：0代码自然语言搭建地名闪烁地图]]></title><link>https://blog.youkuaiyun.com/onereal/article/details/156490083</link><guid>https://blog.youkuaiyun.com/onereal/article/details/156490083</guid><author>onereal</author><pubDate>Thu, 01 Jan 2026 19:20:53 +0800</pubDate><description><![CDATA[摘要：文章介绍了&quot;地名闪烁地图&quot;网页应用的开发历程，该应用通过百度秒哒平台的0代码自然语言开发模式，仅用20小时和59次迭代完成。核心功能包括智能地名闪烁、灵活地址管理和个性化显示定制，支持精确点位和行政区域闪烁。应用采用React+TypeScript技术栈，提供公益免费版和高级会员版双轨运营模式，适用于政府宣传、文旅推广、教育课件等多元场景。文章强调0代码开发模式降低了技术门槛，使创意快速转化为可视化工具，体现了技术普惠的价值。]]></description><category></category></item><item><title><![CDATA[EXCEL根据类别分页预览或者直接生成PDF]]></title><link>https://blog.youkuaiyun.com/onereal/article/details/152415306</link><guid>https://blog.youkuaiyun.com/onereal/article/details/152415306</guid><author>onereal</author><pubDate>Thu, 02 Oct 2025 17:36:59 +0800</pubDate><description><![CDATA[【代码】EXCEL根据类别分页预览或者直接生成PDF。]]></description><category></category></item><item><title><![CDATA[mind+自定义库编写注意事项]]></title><link>https://blog.youkuaiyun.com/onereal/article/details/144162597</link><guid>https://blog.youkuaiyun.com/onereal/article/details/144162597</guid><author>onereal</author><pubDate>Sat, 30 Nov 2024 22:50:36 +0800</pubDate><description><![CDATA[在mind+图形化命令编写中，main.ts文件是通过图形化编程工具生成 C++ 代码，然后将生成的 C++ 代码上传到 Arduino Uno 上执行。这些由main.ts定义的图形化代码通过生成的代码，需要包含调用arduinoc/libraries文件夹的*.h和*.cpp文件，实现头文件中的类。因此，文件的作用在于提供类的具体实现，这些实现会被编译器链接到最终的可执行文件中。]]></description><category></category></item><item><title><![CDATA[《昇思25天学习打卡营第25天|onereal》]]></title><link>https://blog.youkuaiyun.com/onereal/article/details/140532803</link><guid>https://blog.youkuaiyun.com/onereal/article/details/140532803</guid><author>onereal</author><pubDate>Thu, 18 Jul 2024 20:59:21 +0800</pubDate><description><![CDATA[现在我们有了数据集和模型后，可以进行模型的训练与评估。加载代码，构建数据集。]]></description><category></category></item><item><title><![CDATA[《昇思25天学习打卡营第24天|onereal》]]></title><link>https://blog.youkuaiyun.com/onereal/article/details/140501330</link><guid>https://blog.youkuaiyun.com/onereal/article/details/140501330</guid><author>onereal</author><pubDate>Wed, 17 Jul 2024 17:57:16 +0800</pubDate><description><![CDATA[张量（Tensor）是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数，这些线性关系的基本例子有内积、外积、线性映射以及笛卡儿积。其坐标在 𝑛� 维空间内，有  𝑛𝑟�� 个分量的一种量，其中每个分量都是坐标的函数，而在坐标变换时，这些分量也依照某些规则作线性变换。𝑟� 称为该张量的秩或阶（与矩阵的秩和阶均无关系）。张量是一种特殊的数据结构，与数组和矩阵非常相似。张量（）是MindSpore网络运算中的基本数据结构，本教程主要介绍张量和稀疏张量的属性及用法。]]></description><category></category></item><item><title><![CDATA[《昇思25天学习打卡营第23天|onereal》]]></title><link>https://blog.youkuaiyun.com/onereal/article/details/140477598</link><guid>https://blog.youkuaiyun.com/onereal/article/details/140477598</guid><author>onereal</author><pubDate>Tue, 16 Jul 2024 22:16:08 +0800</pubDate><description><![CDATA[第23天学习内容简介：本案例基于MindNLP和ChatGLM-6B实现一个聊天应用。]]></description><category></category></item><item><title><![CDATA[《昇思25天学习打卡营第22天|onereal》]]></title><link>https://blog.youkuaiyun.com/onereal/article/details/140442912</link><guid>https://blog.youkuaiyun.com/onereal/article/details/140442912</guid><author>onereal</author><pubDate>Mon, 15 Jul 2024 17:08:31 +0800</pubDate><description><![CDATA[根据前文预测下一个单词一个文本序列的概率分布可以分解为每个词基于其上文的条件概率的乘积MindNLP/huggingface Transformers提供的文本生成方法应用实践/LLM原理和实践/文本解码原理-以MindNLP为例---------------------------------------以上是今天学习内容的简介，下面运行代码。训练与测试：]]></description><category></category></item><item><title><![CDATA[《昇思25天学习打卡营第21天|onereal》]]></title><link>https://blog.youkuaiyun.com/onereal/article/details/140420232</link><guid>https://blog.youkuaiyun.com/onereal/article/details/140420232</guid><author>onereal</author><pubDate>Sun, 14 Jul 2024 19:30:23 +0800</pubDate><description><![CDATA[今天学习内容是基于MindSpore通过GPT实现情感分类，没有更多简介，直接运行代码训练看结果。应用实践/LLM原理和实践/基于MindSpore通过GPT实现情感分类.ipynb。]]></description><category></category></item><item><title><![CDATA[《昇思25天学习打卡营第20天|onereal》]]></title><link>https://blog.youkuaiyun.com/onereal/article/details/140407601</link><guid>https://blog.youkuaiyun.com/onereal/article/details/140407601</guid><author>onereal</author><pubDate>Sat, 13 Jul 2024 23:30:03 +0800</pubDate><description><![CDATA[本次实验使用的是nlpcc2017摘要数据，内容为新闻正文及其摘要，总计50000个样本。---------------------训练结果因为算力不足，暂未成功。数据处理，将向量数据变为中文数据。]]></description><category></category></item><item><title><![CDATA[昇思25天学习打卡营第19天|onereal]]></title><link>https://blog.youkuaiyun.com/onereal/article/details/140390431</link><guid>https://blog.youkuaiyun.com/onereal/article/details/140390431</guid><author>onereal</author><pubDate>Fri, 12 Jul 2024 23:25:09 +0800</pubDate><description><![CDATA[BERT全称是来自变换器的双向编码器表征量（Bidirectional Encoder Representations from Transformers），它是Google于2018年末开发并发布的一种新型语言模型。与BERT模型相似的预训练语言模型例如问答、命名实体识别、自然语言推理、文本分类等在许多自然语言处理任务中发挥着重要作用。模型是基于Transformer中的Encoder并加上双向的结构，因此一定要熟练掌握Transformer的Encoder的结构。]]></description><category></category></item><item><title><![CDATA[《昇思25天学习打卡营第18天|onereal》]]></title><link>https://blog.youkuaiyun.com/onereal/article/details/140335349</link><guid>https://blog.youkuaiyun.com/onereal/article/details/140335349</guid><author>onereal</author><pubDate>Thu, 11 Jul 2024 22:20:42 +0800</pubDate><description><![CDATA[情感分类是自然语言处理中的经典任务，是典型的分类问题。为了方便数据集和预训练词向量的下载，首先设计数据下载模块，实现可视化下载流程，并保存至指定路径。库对下载百分比进行可视化。此外针对下载安全性，使用IO的方式下载临时文件，而后保存至指定的路径并返回。此外，需要使用预训练词向量对自然语言单词进行编码，以获取文本的语义特征，本节选取。以上为今天学习内容简介，下面是运行代码训练的结果。词向量作为Embedding。本节使用情感分类的经典数据集。库进行http请求，并通过。]]></description><category></category></item><item><title><![CDATA[《昇思25天学习打卡营第17天|onereal》]]></title><link>https://blog.youkuaiyun.com/onereal/article/details/140334730</link><guid>https://blog.youkuaiyun.com/onereal/article/details/140334730</guid><author>onereal</author><pubDate>Wed, 10 Jul 2024 21:53:29 +0800</pubDate><description><![CDATA[概述序列标注指给定输入序列，给序列中每个Token进行标注标签的过程。序列标注问题通常用于从文本中进行信息抽取，包括分词(Word Segmentation)、词性标注(Position Tagging)、命名实体识别(Named Entity Recognition, NER)等。如上表所示，清华大学和北京是地名，需要将其识别，我们对每个输入的单词预测其标签，最后根据标签来识别实体。]]></description><category></category></item><item><title><![CDATA[《昇思25天学习打卡营第16天|onereal》]]></title><link>https://blog.youkuaiyun.com/onereal/article/details/140308146</link><guid>https://blog.youkuaiyun.com/onereal/article/details/140308146</guid><author>onereal</author><pubDate>Tue, 09 Jul 2024 22:25:22 +0800</pubDate><description><![CDATA[Pix2Pix是基于条件生成对抗网络（cGAN, Condition Generative Adversarial Networks ）实现的一种深度学习图像转换模型，该模型是由Phillip Isola等作者在2017年CVPR上提出的，可以实现语义/标签到真实图片、灰度图到彩色图、航空图到地图、白天到黑夜、线稿图到实物图的转换。生成器和判别器。传统上，尽管此类任务的目标都是相同的从像素预测像素，但每项都是用单独的专用机器来处理的。]]></description><category></category></item><item><title><![CDATA[《昇思25天学习打卡营第15天|onereal》]]></title><link>https://blog.youkuaiyun.com/onereal/article/details/140258544</link><guid>https://blog.youkuaiyun.com/onereal/article/details/140258544</guid><author>onereal</author><pubDate>Mon, 08 Jul 2024 09:16:50 +0800</pubDate><description><![CDATA[MNIST手写数字数据集是NIST数据集的子集，共有70000张手写数字图片，包含60000张训练样本和10000张测试样本，数字图片为二进制文件，图片大小为28*28，单通道。图片已经预先进行了尺寸归一化和中心化处理。本案例将使用MNIST手写数字数据集来训练一个生成式对抗网络，使用该网络模拟生成手写数字图片。应用实践/生成式/GAN图像生成.ipynb以上是第15天学习内容简介。下面是训练和推理的结果。]]></description><category></category></item><item><title><![CDATA[《昇思25天学习打卡营第14天|onereal》]]></title><link>https://blog.youkuaiyun.com/onereal/article/details/140249883</link><guid>https://blog.youkuaiyun.com/onereal/article/details/140249883</guid><author>onereal</author><pubDate>Sun, 07 Jul 2024 18:53:33 +0800</pubDate><description><![CDATA[关于扩散模型（Diffusion Models）有很多种理解，本文的介绍是基于denoising diffusion probabilistic model （DDPM），DDPM已经在（无）条件图像/音频/视频生成领域取得了较多显著的成果，现有的比较受欢迎的的例子包括由OpenAI主导的。如您下载本文档为Python文件，执行Python文件时，请确保执行环境安装了GUI界面。）（在Google Brain）才各自独立地改进了这种方法。），迁移到MindSpore AI框架上实现的。）（斯坦福大学）和（]]></description><category></category></item><item><title><![CDATA[《昇思25天学习打卡营第13天|onereal》]]></title><link>https://blog.youkuaiyun.com/onereal/article/details/140236847</link><guid>https://blog.youkuaiyun.com/onereal/article/details/140236847</guid><author>onereal</author><pubDate>Sat, 06 Jul 2024 22:33:29 +0800</pubDate><description><![CDATA[在下面的教程中，我们将通过示例代码说明DCGAN网络如何设置网络、优化器、如何计算损失函数以及如何初始化模型权重。在本教程中，使用的共有70,171张动漫头像图片，图片大小均为96*96。GAN基础原理这部分原理介绍参考。]]></description><category></category></item><item><title><![CDATA[《昇思25天学习打卡营第12天|onereal》]]></title><link>https://blog.youkuaiyun.com/onereal/article/details/140220615</link><guid>https://blog.youkuaiyun.com/onereal/article/details/140220615</guid><author>onereal</author><pubDate>Sat, 06 Jul 2024 08:26:52 +0800</pubDate><description><![CDATA[其实在 CycleGAN 之前，就已经有了域迁移模型，比如 Pix2Pix ，但是 Pix2Pix 要求训练数据必须是成对的，而现实生活中，要找到两个域（画风）中成对出现的图片是相当困难的，因此 CycleGAN 诞生了，它只需要两种域的数据，而不需要他们有严格对应关系，是一种新的无监督的图像迁移网络。这里对数据进行了随机裁剪、水平随机翻转和归一化的预处理，为了将重点聚焦到模型，此处将数据预处理后的结果转换为 MindRecord 格式的数据，以省略大部分数据预处理的代码。]]></description><category></category></item><item><title><![CDATA[《昇思25天学习打卡营第11天|onereal》]]></title><link>https://blog.youkuaiyun.com/onereal/article/details/140190228</link><guid>https://blog.youkuaiyun.com/onereal/article/details/140190228</guid><author>onereal</author><pubDate>Thu, 04 Jul 2024 21:39:58 +0800</pubDate><description><![CDATA[MobileNet网络是由Google团队于2017年提出的专注于移动端、嵌入式或IoT设备的轻量级CNN网络，相比于传统的卷积神经网络，MobileNet网络使用深度可分离卷积（Depthwise Separable Convolution）的思想在准确率小幅度降低的前提下，大大减小了模型参数与运算量。并引入宽度系数 α和分辨率系数 β使模型满足不同应用场景的需求。]]></description><category></category></item><item><title><![CDATA[《昇思25天学习打卡营第10天|onereal》]]></title><link>https://blog.youkuaiyun.com/onereal/article/details/140164172</link><guid>https://blog.youkuaiyun.com/onereal/article/details/140164172</guid><author>onereal</author><pubDate>Wed, 03 Jul 2024 22:53:28 +0800</pubDate><description><![CDATA[K近邻算法（K-Nearest-Neighbor, KNN）是一种用于分类和回归的非参数统计方法，最初由 Cover和Hart于1968年提出(Cover等人,1967)，是机器学习最基础的算法之一。它正是基于以上思想：要确定一个样本的类别，可以计算它与所有训练样本的距离，然后找出和该样本最接近的k个样本，统计出这些样本的类别并进行投票，票数最多的那个类就是分类的结果。KNN的三个基本要素：K值，一个样本的分类是由K个邻居的“多数表决”确定的。K值越小，容易受噪声影响，反之，会使类别之间的界限变得模糊。]]></description><category></category></item></channel></rss>