- 博客(383)
- 资源 (11)
- 收藏
- 关注
RSS订阅原创 从格赖斯合作原则看大语言模型与提示词工程
格赖斯合作原则为分析大模型交互质量提供有效框架：量——回答应信息充分且不冗余（如避免重复解释）；质——陈述需真实有据，不确定时明确标注（如“根据现有资料推测”）；关联——紧扣用户意图，不答非所问（如用户问“如何修复代码”，不应泛谈编程哲学）；方式——表达清晰、逻辑有序（如使用分点、标题、代码块）。该原则是语言行为规范，非技术原理。现代技术如RAG、提示工程可辅助实现，但无法保证绝对正确。需结合检索、工具调用与验证，方能提升可靠性与实用性。
2026-11-02 11:01:26
221
原创 Agent 系统中的决策模型：什么时候需要，为什么需要？
Agent系统需决策模型以高效处理动作选择、工具调用与风险判断等结构化任务。应根据场景合理分工：规则处理确定性判断，轻量级模型应对高频、动态候选或多重结构化输出，大模型负责复杂推理。决策模型非万能，其价值取决于准确率、延迟、成本及置信度校准。关键在于“何时使用”而非“用哪个模型”，结合影子模式验证，构建安全、可扩展的混合决策架构。
2026-10-29 21:22:04
111
原创 工业视觉目标检测阈值选择与生产决策评估报告
TP：成功匹配真实目标的预测框。FP：未匹配真实目标的预测框（含重复检测框）。FN：未被有效预测匹配的真实目标（漏检目标数）。PTPTPFPRTPTPFNF12TP2TPFPFNPTPFPTPRTPFNTPF12TPFPFN2TP分母为零时，应按评估规范明确处理，不得将未定义值直接当作实测结果。
2026-10-21 20:45:00
531
原创 目标检测中的 AP 计算：单调包络与 NumPy 双重翻转
本文详解目标检测中AP计算的核心——Precision单调包络的数学原理与高效实现。通过将预测结果按置信度排序，构建P-R曲线后，利用NumPy双重翻转技巧（反转→前缀最大值→反转），在线性时间复杂度内实现后缀最大值计算，得到平滑的单调包络。该包络用于积分求面积，结合不同评估协议（如VOC、COCO）完成AP计算。理解此机制有助于深入掌握评估流程并排查指标差异。
2026-10-15 21:48:50
115
原创 C++ 内存安全的未来：从 Safety Profiles 到 Safe C++
C++ 内存安全正探索两条路径：渐进式 Safety Profiles 与语言级 Safe C++。前者通过静态分析逐步强化现有代码安全，后者构建具严格生命周期与借用检查的子集，引入 safe/unsafe 标记显式管理风险。尽管提案如 P3390R0 等推动语言机制革新，但实现仍需编译器、标准库与生态协同。二者互补，共同应对内存漏洞挑战，助力 C++ 在性能与安全间寻求平衡。
2026-10-10 21:47:07
335
原创 Rust 的本质：用数学约束实现编译期内存安全
Rust 通过所有权、借用与生命周期机制，将内存安全转化为编译期可验证的类型问题，无需垃圾回收即可保障安全与性能。其核心在于：所有权管理资源归属，借用控制访问，生命周期确保引用有效性，三者结合实现静态内存安全。从仿射类型系统到约束求解的数学视角，Rust 将资源使用规则纳入类型体系，使编译器能在运行前排除悬垂引用、数据竞争等错误。这一设计在不牺牲性能的前提下，实现了系统编程中罕见的安全性平衡。
2026-10-09 22:35:01
398
原创 WSL Ubuntu 26.04 升级与环境整理记录
将 WSL 从 Ubuntu 24.04 升级至 26.04.1 LTS，通过 wsl --update 更新内核，使用 do-release-upgrade 完成系统升级，并保留原 VHDX（271GB）数据。通过 --import-in-place 重命名实例为 Ubuntu-26.04，避免重复迁移。配置 WSL2 网络为 mirrored 模式，启用 autoProxy、DNS 隧道与防火墙，实现代理自动继承。最终环境：WSL 3.0.1.0 + Linux 6.18 + Ubuntu 26.04.
2026-10-08 21:21:16
162
原创 RKNN INT8 量化校准集怎么设计？不要把校准集当成训练集
设计RKNN INT8量化校准集时，核心是让量化工具充分感知真实输入分布，而非训练模型。校准集无需标签，重点在于：输入语义一致（如保持RGB）、覆盖正常/目标/困难场景、优先保证关键激活范围的多样性。小规模数据应侧重场景覆盖度，而非机械复制线上比例；困难样本价值高于重复图片。最终目标是确保量化参数准确反映实际部署中的激活分布，提升模型精度与鲁棒性。
2026-10-08 21:14:17
488
原创 理解 Jev：让大模型从“生成”走向“判断”
Jev 通过去除自回归生成，仅用一次 Forward 推理实现快速判别，适用于意图识别、请求路由等可枚举任务。其核心优势在于高效输出结构化决策与校准置信度，使模型从“生成”转向“判断”，提升响应速度并支持自动化策略执行，重新定义大模型在机器对机器场景中的应用范式。
2026-09-29 22:20:49
176
原创 YOLOv8 检测头 INT8 量化与 DFL 总结
YOLOv8的DFL（Distribution Focal Loss）通过将边界框回归转化为预测距离的概率分布，再以期望值还原连续坐标，提升定位精度。其检测头输出4×reg_max个logits，经softmax与加权求和得最终框位置。该过程对量化敏感，尤其在全INT8下，logits量化误差经softmax与期望计算会放大，导致输出异常（如大量0值）。因此，混合量化（如检测头用FP16）可有效缓解此问题，需结合校准集、scale/zero-point分析定位故障根源。
2026-09-24 21:46:14
109
原创 ⚠️ Claude Code feature-dev 的隐藏成本：/model 选便宜模型，仍会额外消耗 Sonnet
尽管通过 /model 选择了更便宜的模型，但 feature-dev 中的 code-explorer、code-architect 和 code-reviewer 三个子 Agent 显式指定使用 Sonnet 模型，导致仍会额外调用高成本模型。因此，/model 的设置未覆盖这些子 Agent，造成不必要的成本增加。结论：选便宜模型 ≠ 全部使用便宜模型，需注意子模块的独立配置。
2026-09-24 21:44:43
191
原创 C++ 三目运算与 RVO / NRVO：核心关系
C++三目运算不触发NRVO，其返回行为取决于表达式值类别。三目结果为lvalue时需拷贝，为prvalue时可能直接构造（尤其在C++17下）。即使无NRVO，也不一定发生拷贝；反之，三目为prvalue也不意味着所有分支零开销。优化关键在于：直接返回具名局部对象（如if分支）才可触发NRVO，而三目表达式本身无法实现此优化。
2026-09-24 20:30:00
294
原创 RAG 系统评估指标：从召回率计算到完整评估闭环
本文系统阐述RAG评估的闭环框架，强调需拆解检索与生成链路，通过构建带Ground Truth的评测集，量化评估召回率、准确率、MRR、NDCG等指标。核心指出：Recall@K衡量查全，Precision@K反映纯净度，MRR关注首个相关结果时效，NDCG则评估分级排序质量。结合算例详解，揭示系统瓶颈源于知识未召回、排序不佳或生成幻觉，为RAG优化提供精准诊断路径。
2026-09-23 22:32:12
245
原创 最简解决：Xshell 连接 OpenHarmony 终端逐行右移、排版错乱
Xshell默认仅发送LF换行符，导致OpenHarmony终端输出右移错乱。解决方法：在Xshell“文件”→“默认会话属性”→“终端”中将换行符设为“发送CRLF”，使换行同时回行首并换行，完美适配终端行为。验证命令printf 'AAA\nBBB\nCCC\n'输出左对齐即为成功，所有排版问题自动修复。
2026-09-17 21:45:00
199
原创 拆解 Agent Memory：从认知心理学映射到工业级工程落地
本文聚焦Agent Memory核心本质，指出其并非简单读写接口，而是以Recall与Write两大主入口驱动的闭环系统。强调工程复杂度集中于Write侧的记忆提取、验证、去重与冲突解决，并明确各中间件（如PostgreSQL、Milvus、Redis等）的分工职责。提出四类长期记忆模型（语义、偏好、情景、程序）源于认知科学与工程需求融合，分别解决“知道什么”“如何行为”“发生过什么”“如何应对”四大问题。厘清Memory与RAG边界：前者为个性化经验沉淀，后者为外部知识检索，二者可协同构建完整上下文，但数
2026-09-06 22:23:54
393
原创 ONNX Runtime CUDA 推理优化实战：破解 C++ 比 Python 慢 28 倍的假象
C++ 代码本身没有任何性能缺陷；ONNX Runtime 的 C++ API 执行效率极高；真正的原因是 Benchmark 错误地将首次 CUDA Run 的 788ms 冷启动开销均摊到了稳定态推理中；引入标准 Warmup 后，C++ 在 CUDA EP 上的稳定态推理耗时瞬间恢复至 ~1ms，与 Python 完全一致。性能优化的核心不在于掌握多少复杂的调优选项，而在于建立严谨的测量意识——永远不要去优化凭空猜测出来的问题。
2026-08-28 22:02:27
376
原创 WSL2 资源治理：从 ONNX Runtime CUDA 编译 OOM 到 `.wslconfig` 防御配置
纠正机制认知：WSL2 默认内存上限为宿主物理内存的 50%（在 31.4GB 主机上约为 15.7GB），仅负责内存回收而非扩大内存上限。抓住 OOM 本质：大型 CUDA/C++ 工程编译 OOM 的核心矛盾，是并行任务产生的瞬时内存需求超过 WSL2 可用内存预算；其中NjobsN_{jobs}Njobs是最直接、最容易控制的变量。建立双层治理优先降低并发：通过显式设置-j N（本文示例使用-j 4）约束并发峰值；合理设置上限：通过.wslconfig设置memory与。
2026-08-26 21:13:24
330
原创 打通构建、测试与调试：C++ VSCode + CMake + GDB + TestMate 深度实践
本文针对 C++ 开发者在 Linux 环境下基于 VSCode 进行开发时遇到的调试卡顿、断点无法绑定以及单测管理繁琐等痛点，提供了一套完整的工程化解决方案。文章系统梳理了 GoogleTest 与 TestMate for C++ 插件的底层交互机制，详细讲解了通过 GDB Wrapper 拦截网络请求解决 `debuginfod` 卡顿的原理；同时深挖 CMake/Ninja 单配置生成器在 Debug/Release
2026-08-23 21:23:59
398
1
原创 通用 Linux 嵌入式板端 C/C++ ABI 与 Glibc 依赖治理规范
本文档制定了Linux嵌入式系统中C/C++ ABI与Glibc依赖治理规范，适用于ELF动态链接模型环境。核心原则要求验证整个ELF依赖闭包的ABI兼容性，重点管理GLIBC、GLIBCXX等符号版本需求。规范明确了标准交付方式，允许应用携带私有libstdc++和libgcc_s，但禁止覆盖系统glibc。特殊情况下支持自备完整glibc Runtime方案，但必须严格匹配loader和运行时库。最终提出10条工程铁律，强调必须确保所有版本需求被目标环境定义覆盖，而非简单比较版本号。关键结论是C++运行
2026-08-19 21:05:37
425
原创 Focal Loss 深度解析：密集检测、梯度机制与应用边界
Focal Loss是一种针对深度学习中类别不平衡问题的创新损失函数，其核心思想是通过动态重加权机制抑制简单样本的梯度贡献，从而提升困难样本的相对重要性。文章从数学推导、梯度机制和应用边界三个维度进行了深入解析： 数学机制：Focal Loss通过(1-pt)^γ调制系数对交叉熵进行改造，当γ>0时会强烈抑制高置信度(pt→1)样本的梯度，而对低置信度样本(pt→0)的抑制较弱，使困难样本在整体梯度中获得更高相对权重。 梯度特性：通过求导分析发现，Focal Loss并非简单放大困难样本梯度，而是通过极强抑
2026-08-13 21:59:36
180
原创 大模型 Tokenizer：从字符到 Byte，再到大词表
本文系统梳理了大语言模型Tokenizer的发展历程与核心问题。从最初的Word-level分词到Character-level方案，再到Subword折中方法（如BPE），最终演进为Byte-level BPE技术，Tokenizer始终在解决"如何用最少Token完整表示文本"这一核心问题。当前大模型倾向于采用更大词表以提高压缩效率，但需权衡词表增大带来的计算成本。Tokenizer的演进本质是不断优化文本表示效率与系统开销之间的平衡，其发展路径反映了从语义粒度到编码通用性的持续优化过程。
2026-08-08 21:50:27
232
原创 工业 AI Agent 引入 DSL 的架构必要性：从概率生成到确定执行
工业AI Agent引入DSL的必要性：确定性架构保障分析可靠性 （摘要98字） 工业AI分析需严格确保结果一致性、可复现性。通过引入DSL（领域专用语言）构建分层架构，将LLM的概率生成特性限制在意图理解层，而分析执行过程则转化为确定性规则体系。DSL保障计算路径确定性（非业务正确性），需配合业务语义层实现：业务定义明确"算什么"，DSL明确"怎么算"。该架构隔离了概率推理与确定执行，是工业场景可靠性的关键保障。
2026-08-08 12:52:01
456
原创 VS Code GDB调试卡在Downloading separate debug info的根因及解决方法
摘要：本文分析了VS Code使用GDB调试时卡在"Downloading separate debug info"的问题原因，主要是Ubuntu 24.04默认启用调试符号下载、配置被覆盖以及GDB 15.1缺乏超时控制导致。最终解决方案是创建GDB包装脚本，强制注入空DEBUGINFOD_URLS环境变量彻底禁用联网下载。配置方法包括：1)创建gdb-no-debuginfod.sh脚本；2)修改launch.json指向该脚本；3)验证调试启动速度。该方案可确保调试秒启动，避免每次90秒的超时等待。
2026-08-06 15:58:03
368
原创 从结构同构性、表示空间与建模机制透彻理解 Transformer Attention：Q、K、V 的本质
本文深入解析了Transformer中Attention机制的核心原理，指出其本质是一种基于内容的动态关系建模与信息聚合机制。通过解耦Q（查询）、K（键）、V（值）三个表示空间，分别承担关系判断、匹配接口和信息传递功能。具体表现为：Q表达当前token的查询需求，K提供上下文匹配接口，V承载待传递的特征信息。多头注意力机制进一步将特征分解到多个子空间并行计算，最后通过输出投影矩阵W_O融合多维度信息。文章还强调了位置编码的必要性，解释了原始Attention的排列等变性问题。整个过程通过数学公式和结构图示，
2026-08-04 22:21:18
417
原创 深度表示工业异常检测的统计校准框架报告
本文提出了一种基于深度表示学习与高维统计理论融合的工业异常检测框架RCD（表示学习-统计校准-决策控制）。针对高维小样本(HDLSS)场景下传统方法因训练与推断耦合导致的协方差病态问题，RCD通过三阶段解耦架构实现稳健检测。核心贡献包括： 引入有效样本-维度比η_eff作为诊断指标，指导协方差校准； 基于随机矩阵理论分析高维协方差的谱扩散特性； 提出多维迹自相关修正算法和Ledoit-Wolf收缩校准机制。 理论推导表明，当样本量n小于维度D时，经验协方差矩阵必然奇异，其条件数随维数比γ=D/n增大而急剧恶
2026-07-31 21:25:02
352
原创 基于能量启发解释视角的三类自监督学习范式原理详解
MAE（观测空间重建）xVIM⟹yMxV≈yMxVIM⟹yMxV≈yM（建模低层视觉统计细节与像素级信号复原，偏向表层观测感知）。JEA（表征空间不变性）zˉxNormfθt1IzˉyNormfθt2I⟹Lmatchzˉxzˉyzˉneg→minzˉxNormfθt1I)))zˉyNormfθt2I。
2026-07-30 21:15:48
203
原创 工业音频异常检测技术选型简报：CNN 与 Transformer 的抉择
工业音频异常检测技术选型分析：CNN与Transformer的适用性对比 摘要：针对工业音频异常检测任务，本文系统分析了CNN与Transformer的适用性差异。工业设备故障主要表现为时频图中的局部微偏移，而非全局语义变化。CNN凭借局部感受野和参数共享特性，在小样本、弱异常检测场景中展现出明显优势，能精准捕捉轴承磨损、泵体气蚀等故障的时频微纹理特征。相比之下，Transformer虽擅长长程依赖建模，但存在微弱特征易稀释、小样本泛化性差等问题。技术选型建议：固定CNN为底层主干网络，仅在复杂工况场景叠加
2026-07-28 21:16:22
231
原创 Vision Transformer（ViT）模型原理详解报告
Vision Transformer（ViT）是一种基于纯Transformer架构的视觉骨干网络，通过将图像分割为固定大小的Patch并视为Token序列，利用Self-Attention机制建模全局依赖关系。ViT摒弃了CNN的局部性偏置，通过大规模预训练展示了强大的视觉表示能力。其核心模块包括Patch分割、线性投影、CLS Token、位置编码和多层Transformer Encoder。ViT由Google团队在2020年提出，为后续视觉基础模型和多模态系统奠定了基础架构。相比CNN，ViT在全局
2026-07-26 18:31:27
225
原创 机器学习中的统计波动控制与表征几何优化原则：从函数稳定性到隐空间结构学习
文章摘要 本文系统阐述了机器学习中统计波动控制与表征几何优化的核心原则。不同于统计学中单纯追求方差最小化，机器学习的核心在于分层管控不同层面的统计波动并优化隐空间结构。具体表现为：在函数层面通过算法稳定性降低对训练扰动的敏感性；在表示层面优化类内紧致性和类间可分性；在数据层面选择性保留任务相关变化。文章解耦了四种统计波动概念，指出模型容量的辩证关系在于平衡表达能力和有效复杂度，而非简单压制波动。特别强调在现代深度学习中，过参数化现象的本质是存在大量拟合训练集的解空间，而优化过程会隐式选择具有更好泛化性质的解
2026-07-25 11:10:26
244
原创 CMAD：基于紧凑表征学习与马氏距离统计判别的工业异常检测架构
该架构通过训练阶段深度特征表征学习、离线阶段统计分布建模、在线阶段距离度量判别的三阶段解耦设计，实现深度网络优化过程与统计异常检测过程的完全分离。从机制上彻底阻断了动态统计量参与反向传播引发的目标漂移（Moving Target）与梯度爆炸（Gradient Explosion）问题。架构完美适配高维 Embedding 特征空间、小批次训练场景、单类正常样本建模（One-Class Anomaly Detection）任务以及长周期稳定运行的工业边缘系统。
2026-07-24 22:00:00
222
原创 OpenHarmony 6.1（API23）端侧 AI Native C++ 交叉编译工具链配置与验证手册
本文详细介绍了OpenHarmony 6.1 (API 23) Linux Native SDK的部署流程。主要内容包括： 从华为云镜像下载SDK并完成SHA256校验 核心部署步骤：解压工具包、验证工具链完整性、配置永久环境变量 通过交叉编译测试验证环境配置成功 提供了官方资源链接和版本适配说明 整个部署过程采用命令行操作，并包含详细的关键命令和预期输出结果，确保开发者能顺利完成OpenHarmony 6.1的Linux Native开发环境搭建。
2026-07-21 21:31:48
356
原创 Padding 对工业声学异常检测中自编码器判分逻辑的影响分析
本文分析了工业声学异常检测中padding操作对自编码器判分逻辑的影响。研究发现，由于工业音频长度不一致，常需补零对齐输入，但人工padding会污染数据分布，导致自编码器被迫学习无意义的零值特征。更严重的是，大量padding帧会稀释真实异常区域的重构误差，使全局均方误差(MSE)被显著低估5倍以上，导致瞬态故障漏检。此外，padding还破坏了归一化统计机制，使评分不可比。文章提出采用掩码矩阵(Mask)机制，在保留张量对齐优点的同时，仅在有效帧范围内计算误差，从而避免统计失真。该方案可有效提升工业声学
2026-07-19 22:17:25
235
原创 端侧边缘 AI 工业级多维告警防抖与状态生命周期管理方案
本文提出了一种面向工业边缘AI的可靠异常检测架构，通过多层解耦设计解决瞬时误报、临界振荡和系统失效三大痛点。核心采用三维并行状态体系：1）基于双阈值滞回（0.85/0.6）和时间确认（3s/30s）的四状态事件机生成设备告警；2）通过抖动诊断模块监控信号稳定性；3）独立系统健康链检测运行异常。该架构将模型输出转化为符合工业标准（ISA-18.2）的可信事件，实现误报率<1%的工业级可靠性。
2026-07-16 21:20:19
245
原创 还原论思想与线性代数形式体系的关联、系统建模与复杂性边界...
摘要：线性代数作为科学建模工具，其核心价值在于提供了一种通过线性结构表示、分析和操作复杂系统的方法，而非直接对应还原论的本体论假设。线性代数与还原论在方法论层面存在形式类比，但二者并非因果继承关系。科学建模依赖于多级映射链条（观测→数据→表示空间），其中表示映射具有非唯一性和不可逆性。线性代数通过基底分解、线性变换和矩阵运算等形式结构，实现了对复杂系统的分治与解耦分析，但其适用性受限于线性假设。面对非线性系统时，局部线性化仍是重要工具，而现代深度学习则通过高维非线性表征突破了传统线性框架的局限。线性代数的核
2026-07-15 22:55:06
288
原创 基于 Z-score 与多维校准的工业异常检测阈值治理规范
本文提出了基于Z-score与多维校准的工业异常检测阈值治理规范。首先明确了Z-score的统计学定义与符号约定，指出Z-score是将物理观测值转换为无量纲特征空间的桥梁。文章详细阐述了核心参数(均值μ、标准差σ、阈值系数k等)的数学映射关系，并构建了阈值治理参数语义矩阵，强调必须将AI模型输出与安全仪表系统物理边界进行硬隔离。针对不同异常评分类型(连续型标量与多维度量)，提出了差异化的校准分流策略，包括Z-score标准化、χ²校准、经验分位数等方法。最后强调了条件化阈值策略的复杂度控制要求，确保阈值治
2026-07-15 21:23:22
243
原创 深度学习模型 ONNX 与 RKNN 数值一致性校验通用技术报告
深度学习模型部署一致性校验技术规范 本报告针对深度学习模型在端侧算力平台（如NPU/GPU/TPU）部署过程中的数值漂移问题，提出了一套通用的模型一致性验证方案。方案覆盖ONNX、RKNN等多种芯片工具链，主要包含以下内容： 验证范围：包括框架编译验证、双模态（模拟器/硬件）验证、非量化及量化模型验证。 核心原则： 硬件行为可追溯性 量化与转换问题隔离 输入前处理严格对齐 关键校验项： 输入与环境可重复性（随机种子冻结、确定性计算） 张量元数据一致性（名称、维度、数据类型） 统计特征校验（极值、分布、分位数
2026-07-13 22:45:00
476
原创 深度学习模型部署一致性验证规范
本文提出了一套深度学习模型部署一致性验证规范，采用两层解耦架构设计：通用规范（Part A）定义抽象数据流、核心指标和门禁框架，平台适配规范（Part B）处理特定硬件生态的差异化需求。关键内容包括： 黄金基准要求包含完整推理上下文（模型产物、基准运行时、数据集清单、环境元数据）和端到端业务语义输出。 确定性控制根据网络结构分级实施，对含随机算子的模型启用严格随机种子管控，并通过状态机实现白名单降级逻辑。 数值对齐提出动态浮点容差体系，区分张量类型制定评估指标（KL散度/余弦相似度/MAE），并修正量化校验
2026-07-13 22:45:00
710
原创 深度学习模型PyTorch与ONNX数值一致性校验通用技术报告
PyTorch与ONNX数值一致性校验技术规范 本报告针对深度学习模型从PyTorch到ONNX格式转换过程中的数值偏差问题，提出一套工业级全链路校验方案。核心内容包括： 1. 问题背景 模型转换过程中因框架差异、算子实现不一致等因素导致的数值偏差会累积放大，影响端侧推理精度 2. 校验体系设计 基于四大原则：同源等价、环境对等、多维判定和问题隔离 覆盖三大关键环节： 模型层：权重同源加载、统一推理模式、完整保留计算域 输入层：固定随机种子、多分布数据覆盖、统一输入维度 推理层：构建对等计算链路，避免中间数
2026-07-13 21:00:00
470
原创 FiLM：基于特征维度仿射调制的条件机制详解
文章摘要： FiLM（特征维度仿射调制）是一种经典条件机制，通过动态生成特征维度级的仿射参数（缩放γ和偏移β）对神经网络中间特征进行调制。其核心公式为 $F' = \gamma(c) \odot F + \beta(c)$，其中条件信息$c$（如文本、任务ID等）决定调制参数。FiLM的贡献在于将条件仿射变换抽象为通用机制，支持网络深层动态调整特征响应，优于传统输入层融合方法。其思想与Conditional BatchNorm、AdaLN等归一化条件机制相关，但独立于特定算子。在CNN中表现为通道级调制，在
2026-07-12 22:54:13
439
原创 PCA / t-SNE / UMAP 极简可视化选型手册
摘要： 本文对比了PCA、t-SNE和UMAP三种降维技术的核心特性与工业应用场景。PCA适用于线性数据全局分析，但可能丢失低方差异常特征；t-SNE擅长局部聚类可视化，但全局结构不可解释且计算成本高；UMAP平衡局部与宏观拓扑结构，支持大规模数据推理映射。选型建议：海量数据优先UMAP（需PCA预降维），中小样本可视化用t-SNE。工业规范强调降维结果仅辅助分析，不可替代定量评估指标，并给出标准预处理流水线（如CNN特征提取→PCA→UMAP）。
2026-07-09 21:30:00
351
kpca 核主成分分析
2010-12-10
数理统计与数据分析 第3版
2015-11-24
基于jersey v2.10的webservice核心框架
2014-07-24
Eclipse Rich Client Platform 2nd Edition with Source Code.zip
2014-05-12
HTK语音识别
2017-03-22
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人