- 博客(742)
- 收藏
- 关注
RSS订阅原创 用 PPT 绘制图形并在 LaTeX 中插入高质量图片
使用 PPT 绘制图形并导出为 SVG：充分利用 PPT 的绘图功能创建矢量图。安装 Inkscape 并转换格式：通过命令行将 SVG 文件转换为 PDF 文件，获得更高的图像质量。在 LaTeX 中插入 PDF：利用 graphicx 包将生成的 PDF 图片嵌入到 LaTeX 文档中。
2025-03-13 18:34:15
465
原创 神经网络训练的最基本流程
定义神经网络模型是训练过程中的第一步。神经网络由多个层（如输入层、隐藏层和输出层）组成，每一层包含多个神经元。每个神经元接收来自上一层的输入，并通过激活函数将其转化为输出，传递给下一层。输入层：接收输入特征。隐藏层：进行数据处理和特征转换。隐藏层的神经元个数通常是一个超参数。输出层：输出结果，通常用于分类任务（如Softmax）或回归任务（如线性回归）。常见的神经网络框架包括 TensorFlow 和 PyTorch，在这些框架中，我们可以通过定义模型类来指定网络的结构。
2025-03-07 14:36:04
749
原创 LeetCode 热题 HOT 100 （215. 数组中的第K个最大元素）
Quickselect 利用分治思想，通过一次分区就能缩小问题规模，平均时间复杂度为 O(n)。这样可以降低最坏情况出现的概率，从而在大部分情况下实现 O(n) 的性能。因为 Quickselect 常用于求第 k 小的元素，所以要求第 k 个最大元素时，需要转换为第n - k个最小元素。分区操作与快速排序类似，通过不断交换元素使得 pivot 位置确定。
2025-03-04 16:56:18
799
原创 黑马Java第三阶段：苍穹外卖（笔记）
如果后端有多个实例（集群部署），可以使用。功能，帮助前端开发调试 API。进行开发，提高性能和安全性。Swagger 提供。
2025-03-04 15:12:38
486
原创 LeetCode 热题 HOT 100 （221. 最大正方形）
定义二维数组dp，其中dp[i][j]表示以为右下角的正方形的最大边长。如果是'1'，那么该位置的正方形边长取决于其上方、左侧和左上角三个位置的正方形边长：dp[i][j] = min(dp[i-1][j], dp[i][j-1], dp[i-1][j-1]) + 1;如果是'0'，则，因为不能构成全为'1'的正方形。状态dp[i][j]表示以(i, j)为右下角的、只包含'1'的正方形的最大边长。二维矩阵的表示方法；动态规划的基本思想和状态转移方程。定义状态dp[i][j]表示以。
2025-03-03 16:18:08
836
原创 LeetCode 热题 HOT 100 （226. 翻转二叉树）
二叉树是一种常见的数据结构，由多个**节点（Node）**构成。数据部分（val）：存储这个节点的数值。左子节点（left）：指向当前节点的左孩子。右子节点（right）：指向当前节点的右孩子。4/ \2 7/ \ / \1 3 6 9在这棵树中，根节点为4，节点4的左子树是以2为根的子树，右子树是以7为根的子树。翻转二叉树也叫反转二叉树，它的意思是将二叉树中所有节点的左子树和右子树互换。
2025-03-03 15:01:05
775
原创 LeetCode 热题 HOT 100 （739. 每日温度）
基础知识：我们介绍了数组和栈的基本概念，并说明了什么是单调栈。题目思路：利用单调递减栈实现 O(n) 时间复杂度的解法。代码实现：详细解释了如何遍历温度数组并利用栈动态更新等待天数的答案。复杂度分析：说明了时间和空间复杂度。
2025-03-03 14:10:43
866
原创 LeetCode 热题 HOT 100 （160. 相交链表）
在 Java 中，我们可以用一个。，由多个节点（Node）组成。开始，两个链表合并，形成。对象代表链表中的一个。
2025-02-28 16:06:26
346
原创 Java中的super关键字
super在 Java 中，supersuper如果子类中定义了与父类相同名称的变量，默认情况下，子类的方法会优先使用自己的变量。如果想要访问父类的变量，就需要用super关键字。numnumnumsuper.numnumsuper当子类覆盖了父类的方法，但仍然想要调用父类的版本，可以使用。Childdisplay()display()supersuper(参数)ChildParentsuper()super();
2025-02-27 15:42:48
471
原创 Java 面向对象三大特征（初学者入门）
这样子类可以直接使用父类已有的功能，而无需重复编写代码。，掌握这些特性可以帮助我们更好地编写高效、可维护的代码。，但它们运行时会调用自己所属子类的。，防止外部直接访问或修改数据。简单来说，封装的核心思想是。在 Java 编程中，
2025-02-27 09:53:44
369
原创 Java 中的构造方法
构造方法（Constructor）是与类同名、没有返回值类型（连void都没有）的特殊方法，用于在创建对象时对对象进行初始化。换句话说，当你用new关键字来实例化一个类时，构造方法会被自动调用，从而完成初始化的操作。// 构造方法System.out.println("Person 对象被创建！");Person 对象被创建！这行信息就是构造方法中打印的，它表明构造方法被成功调用。构造方法是 Java 类中非常基础且重要的概念，用于对象的初始化。
2025-02-27 09:38:58
476
原创 Java中的内存基础
每当你调用一个方法时，JVM会在栈上分配一个栈帧，存储该方法的局部变量和返回地址。尽管Java有垃圾回收机制，但如果你不小心持有对不再使用对象的引用（比如将对象保存在静态集合中），这些对象就不会被垃圾回收器回收，从而可能导致。：JVM会根据需要动态分配堆内存，并通过垃圾回收机制回收不再使用的对象。当堆内存中的对象不再被引用时，垃圾回收器会自动回收这些对象占用的内存。想要避免内存泄漏，核心的思路就是确保不再使用的数据能够被垃圾回收器回收。，该对象就没有被任何其他变量引用，垃圾回收器就会在合适的时候清理它。
2025-02-26 22:49:49
835
原创 代码上传到 GitHub和两端同步更新
修改代码。git add .或在 PyCharm 添加到暂存区。git commit -m "提交描述"或在 PyCharm 提交。git push或在 PyCharm 推送到远程。
2025-01-07 09:21:23
257
原创 水平联邦学习、垂直联邦学习和联邦迁移学习
这两家公司服务的用户可能有重叠部分，但它们的数据类型完全不同。想象不同的公司（比如几家银行）都拥有类似类型的客户数据，比如用户的年龄、职业和消费记录。每个公司都有一部分不同的客户，但他们的用户数据格式和特征是相同的。这种情况下，数据是在“横向”分布的——每个客户端拥有的都是来自。大学有学生的学术数据，但没有患者的病历信息。：适用于用户群体不同、数据类型不同的场景，比如医院和大学合作开发一个预测学生健康风险的模型。：适用于企业合作分析同一组用户的数据，比如联合分析用户的消费能力和购买偏好。
2024-12-30 10:27:17
627
原创 对比学习（Contrastive Learning）
对比学习（Contrastive Learning）是一种自监督学习方法，通过让模型学习区分相似和不相似的样本，构建有意义的特征表示。相似样本的特征应尽可能接近。不相似样本的特征应尽可能远离。对比学习广泛应用于表示学习，尤其是在没有标注数据的情况下训练深度神经网络。它通过构造正样本对（类似样本）和负样本对（不类似样本），让模型学习更具判别性的特征。输入：未标注数据（如图像、文本）及其增强后的不同视图。输出。
2024-12-30 10:05:33
1256
原创 多任务联邦学习和个性化联邦学习的区别
特性多任务联邦学习个性化联邦学习模型结构共享+独有部分基于共享模型，通过本地调整实现个性化目标同时学习共享知识和任务特性提供全局模型基础，支持本地个性化调整聚合范围共享部分聚合，独有部分不聚合全局模型聚合，个性化调整在本地完成适用场景任务间有部分关联，但需要保留个性化差异每个客户端差异较大，数据分布不一致。
2024-12-26 16:39:02
477
原创 docker打包不成功ERROR: failed to solve: python:3.12.3: failed to resolve source metadata for docker.io/li
我初步判断和开了代理有关系，结果我换了镜像源就可以了，那应该是和镜像源有关。注释****是我换掉的，应该是你自己的阿里云独有的。
2024-12-26 08:51:08
2240
原创 接口协议是什么？
接口协议是现代系统和软件开发中不可或缺的部分，它定义了不同系统、设备之间如何传输和共享信息。通过遵循接口协议，可以确保数据在不同平台、不同技术栈之间的顺畅流动，提升系统的互操作性和可靠性。在实际应用中，根据需求选择合适的接口协议，将有助于提升系统的性能和安全性。
2024-09-11 14:17:25
1330
原创 Ubuntu安装docker
sudo apt-get install docker-ce= docker-ce-cli= containerd.io # 将需要的版本替换VERSION_STRING进行安装，例如 5:20.10.17。查看状态：sudo systemctl status docker。启动：sudo systemctl start docker。停止：sudo systemctl stop docker。其他：安装特定版docker。
2024-08-24 11:33:55
578
原创 GLM-4部署
最后运行这里的python trans_cli_demo.py。用自己的数据集要修改dataset_info.json文件。然后改一下trans_cli_demo.py的模型地址。在环境里pip install modelscope。然后python trans_web_demo.py。因为数据集比较小，所以设置了20轮，可以看到有效果。用AutoDL-SSH-Tools来通过本地看。运行trans_web_demo.py。进入文件夹LLaMA-Factory。映射到本地7860端口看。
2024-08-24 08:39:13
596
原创 信号强度、信号能量和功率的直观理解
信号强度是指信号在空间中传递时的瞬时强度，而信号能量则是其强度在时间上的累积。功率则代表单位时间内传递的能量。在实际应用中，理解这些概念有助于我们更好地理解无线通信的性能和设计原则。
2024-08-22 17:58:52
1322
原创 零样本、单样本和小样本学习
零样本、单样本和小样本学习为解决数据稀缺问题提供了不同的策略。通过实际案例，我们可以看到这些学习范式在各种应用中的巨大潜力。
2024-08-05 10:01:34
1715
原创 快速集成和调用小模型
快速集成指的是将一个训练好的小模型迅速地嵌入到现有系统或新系统中的过程。快速调用则是指在应用运行过程中，能够高效地调用小模型进行推理或预测。小模型的快速集成和调用可以显著提升应用的性能和响应速度，而大模型调用小模型则可以在复杂系统中发挥各自的优势。通过实际案例，我们可以看到这种方法在实际应用中的巨大潜力。
2024-08-05 09:04:35
1101
1
原创 随机投影：介绍及其数学原理与应用
随机投影是一种用于数据降维的技术，其核心思想是通过一个随机生成的矩阵，将高维数据映射到低维空间。尽管这种映射是随机的，但根据Johnson-Lindenstrauss引理，高维空间中的点对距离在低维空间中仍能大致保持不变。这使得随机投影成为一种有效且计算成本低的数据降维方法。
2024-08-02 09:02:21
1159
原创 对比学习的发展历程、定义、用途、解决的问题及使用方法
对比学习是一种通过比较样本之间的相似性和差异性来学习特征表示的技术。其核心思想是将相似的样本拉近，将不相似的样本拉远，从而在特征空间中形成清晰的聚类。
2024-08-02 08:38:42
833
原创 序列建模的发展历程、定义、用途、解决的问题及使用方法
早期阶段时间序列分析：最早的序列建模可以追溯到统计学中的时间序列分析。例如，Box和Jenkins在1970年提出的ARIMA模型，广泛用于经济和金融领域。马尔可夫链：1906年，安德雷·马尔可夫提出了马尔可夫链的概念，用于描述一系列状态的随机过程。现代统计学和机器学习隐马尔可夫模型（HMM）：在20世纪70年代，HMM被广泛应用于语音识别和生物信息学。卡尔曼滤波：1960年提出的卡尔曼滤波，用于导航和控制系统，成为动态系统状态估计的基础。深度学习时代递归神经网络（RNN）
2024-08-02 08:36:30
593
原创 深度强化学习：传统强化学习的进化
深度强化学习代表了传统强化学习的一个重大进步，它通过利用深度学习的强大能力，解决了传统方法在处理复杂问题时的局限性。随着技术的不断发展，我们期待DRL在未来能够在更多领域发挥其潜力。
2024-07-31 23:42:47
686
原创 Dockerfile
每个指令都会在镜像中创建一个新的层，这些层是只读的，并且当构建镜像时会一层层地叠加起来。使用 Dockerfile 可以自动化镜像的创建过程，使得容器化的应用部署变得快速和一致。（注意没有文件扩展名）的文件，并在其中编写构建镜像所需的指令。Dockerfile 是一个文本文件，它包含了一系列的指令和参数，用于自动化构建 Docker 镜像的过程。命令来根据 Dockerfile 构建一个新的镜像。你需要指定一个上下文（通常是包含 Dockerfile 的目录）和可选的标签（tag）。
2024-07-28 08:50:20
398
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人