<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[wang6562009的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/wang6562009</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; wang6562009]]></copyright><item><title><![CDATA[Agent 入门精度：第一阶段]]></title><link>https://blog.youkuaiyun.com/wang6562009/article/details/168857936</link><guid>https://blog.youkuaiyun.com/wang6562009/article/details/168857936</guid><author>wang6562009</author><pubDate>Fri, 23 Oct 2026 10:36:45 +0800</pubDate><description><![CDATA[本文系统梳理了基于大模型的智能体（Agent）核心概念与演进脉络：以LLM为大脑，通过规划、记忆、工具调用与环境反馈循环实现自主行动。结合Lilian Weng的全景图、ReAct的“边想边做”循环、CoALA的统一框架及王磊综述的四模块结构，揭示了Agent的本质是可迭代优化的决策系统。后续研究（如HarnessPro）聚焦于改进该循环的工程化能力，解决上下文受限、长程规划难、接口不可靠等挑战，推动Agent从“能做”迈向“高效可靠”。]]></description><category></category></item><item><title><![CDATA[Langchain skills 使用指南]]></title><link>https://blog.youkuaiyun.com/wang6562009/article/details/156864347</link><guid>https://blog.youkuaiyun.com/wang6562009/article/details/156864347</guid><author>wang6562009</author><pubDate>Mon, 12 Jan 2026 15:43:09 +0800</pubDate><description><![CDATA[首先，定义技能的结构。"""可以逐步披露给智能体的技能。"""name: str # 技能的唯一标识符description: str # 显示在系统提示词中的 1-2 句简短描述content: str # 包含详细指令的完整技能内容现在为 SQL 查询助手定义示例技能。描述轻量化（预先展示给智能体），但内容详细# 定义技能列表 SKILLS = [ {"name" : "sales_analytics" , "description" : "用于查询销售额、订单、客户人口统计数据和收入趋势。]]></description><category></category></item><item><title><![CDATA[Fast-SCNN: Fast Semantic Segmentation Network]]></title><link>https://blog.youkuaiyun.com/wang6562009/article/details/143730389</link><guid>https://blog.youkuaiyun.com/wang6562009/article/details/143730389</guid><author>wang6562009</author><pubDate>Wed, 13 Nov 2024 14:59:38 +0800</pubDate><description><![CDATA[编解码器框架在离线语义图像分割领域处于最先进的水平。随着自主系统的兴起，实时计算变得愈发受到青睐。在本文中，我们引入了快速分割卷积神经网络（Fast-SCNN），这是一种针对高分辨率图像数据（1024×2048像素）的实时语义分割模型，适用于在内存较低的嵌入式设备上进行高效计算。在现有的快速分割双分支方法基础上，我们引入了“学习下采样”模块，该模块可同时为多个分辨率分支计算低级特征。]]></description><category></category></item><item><title><![CDATA[TLU - Net：一种用于钢材表面缺陷自动检测的深度学习方法]]></title><link>https://blog.youkuaiyun.com/wang6562009/article/details/143563430</link><guid>https://blog.youkuaiyun.com/wang6562009/article/details/143563430</guid><author>wang6562009</author><pubDate>Wed, 06 Nov 2024 10:45:48 +0800</pubDate><description><![CDATA[使用 ResNet 的 TLU-net 的 DICE 比 U-Net 使用 ResNet 的 DICE 提高了约 26%（相对值）。但在 50% 训练数据的情况下，使用迁移学习的 DenseNet 的 DICE 提高了 60%（相对值），而 ResNet 的 DICE 提高了 12%（相对值）。从图中可以看出，在所有情况下，所有类别中最好的 AUC 都是在类别 1 中实现的。我们观察到，在 ResNet 的情况下，81% 的图像得到了改进，而在 DenseNet 的情况下，63% 的图像得到了改进。]]></description><category></category></item><item><title><![CDATA[深度学习基础--卷积网络]]></title><link>https://blog.youkuaiyun.com/wang6562009/article/details/142134412</link><guid>https://blog.youkuaiyun.com/wang6562009/article/details/142134412</guid><author>wang6562009</author><pubDate>Wed, 11 Sep 2024 11:43:59 +0800</pubDate><description><![CDATA[在卷积层，每个隐藏单元的计算基于对邻近输入的加权求和、加偏置以及应用激活函数。由于每个空间位置的权重和偏置保持不变，因此相比全连接网络，卷积网络的参数量大大减少，且不随输入图像的大小而增加。为保证信息完整，采用不同的权重和偏置重复此操作，在每个空间位置生成多通道。典型卷积网络结构包括卷积层与二倍因子降采样层的交替，随网络深入，空间维度通常以二的倍数减小，通道数以二的倍数增加。网络末端通常包含一个或多个全连接层，整合整个输入的信息以产出期望输出。若输出为图像，一个对称的“解码器”则将其上采样至原始尺寸。]]></description><category></category></item><item><title><![CDATA[深度学习基础--卷积基础模块]]></title><link>https://blog.youkuaiyun.com/wang6562009/article/details/141963274</link><guid>https://blog.youkuaiyun.com/wang6562009/article/details/141963274</guid><author>wang6562009</author><pubDate>Fri, 06 Sep 2024 17:00:16 +0800</pubDate><description><![CDATA[本节主要关注卷积神经网络发展过程中具有里程碑意义的基础模块，了解它们的原理和设计细节。]]></description><category></category></item><item><title><![CDATA[深度学习基础--卷积的变种]]></title><link>https://blog.youkuaiyun.com/wang6562009/article/details/141960198</link><guid>https://blog.youkuaiyun.com/wang6562009/article/details/141960198</guid><author>wang6562009</author><pubDate>Fri, 06 Sep 2024 16:24:24 +0800</pubDate><description><![CDATA[卷积变种简介]]></description><category></category></item><item><title><![CDATA[深度学习基础--梯度下降与初始化]]></title><link>https://blog.youkuaiyun.com/wang6562009/article/details/141720016</link><guid>https://blog.youkuaiyun.com/wang6562009/article/details/141720016</guid><author>wang6562009</author><pubDate>Fri, 30 Aug 2024 15:57:34 +0800</pubDate><description><![CDATA[在神经网络的背景下，它们用于寻找能够最小化损失函数的参数，使模型能够根据输入准确预测训练数据的输出。基本方法是随机选择一组初始参数，然后逐步进行微小调整，平均而言这些调整会降低损失。每一次的调整都是基于当前参数位置对损失函数梯度的计算结果。
本章将讨论两个神经网络特有的问题。首先，我们将探讨如何高效地计算梯度，其次，我们讨论如何进行参数的初始化。如果初始化过程不被妥善处理，初始的损失及其梯度可能会非常大或非常小，这在任何情况下都将阻碍训练过程。
7.1 问题定义
考虑一个网络 f(x,ϕ)f(x, \phi]]></description><category></category></item><item><title><![CDATA[深度学习基础--模型拟合]]></title><link>https://blog.youkuaiyun.com/wang6562009/article/details/141712674</link><guid>https://blog.youkuaiyun.com/wang6562009/article/details/141712674</guid><author>wang6562009</author><pubDate>Fri, 30 Aug 2024 11:14:51 +0800</pubDate><description><![CDATA[模型拟合
损失与网络参数有关，本章着重于探讨如何确定能使损失最小化的参数值。这个过程称为网络参数的学习，或更通俗地说，是模型的训练或拟合。该过程首先是选取一组初始参数值，随后重复执行两个步骤：

(i) 计算损失函数关于参数的导数（梯度）；
(ii) 根据梯度调整参数，以期减少损失。多次迭代后，目标是使损失函数达到其全局最小值。

本章重点讨论参数调整步骤，即采用何种算法来减少损失。
6.1 梯度下降
为了拟合模型，我们需要一组输入/输出对的训练集 {xi,yi}\{x_i, y_i\}{xi​,yi​}。]]></description><category></category></item><item><title><![CDATA[深度学习基础--损失函数]]></title><link>https://blog.youkuaiyun.com/wang6562009/article/details/141712093</link><guid>https://blog.youkuaiyun.com/wang6562009/article/details/141712093</guid><author>wang6562009</author><pubDate>Fri, 30 Aug 2024 10:57:50 +0800</pubDate><description><![CDATA[前三章分别介绍了线性回归、浅层神经网络和深度神经网络。这些都属于函数家族，能够实现从输入到输出的映射，其具体的函数取决于模型参数 ϕ\phiϕ。在训练这些模型时，我们的目标是找到能够为特定任务提供最优输入输出映射的参数。本章将详细阐述“最优映射”的含义。
要定义“最优映射”，首先需要一组训练数据集 {xi,yi}\{x_i, y_i\}{xi​,yi​}，即输入和输出的配对。损失函数（Loss Function）L[ϕ]L[\phi]L[ϕ] 能够返回一个数值，这个数值描述了模型预测 f(xi,ϕ)f(x_]]></description><category></category></item><item><title><![CDATA[深度学习基础 -- 简介]]></title><link>https://blog.youkuaiyun.com/wang6562009/article/details/141677776</link><guid>https://blog.youkuaiyun.com/wang6562009/article/details/141677776</guid><author>wang6562009</author><pubDate>Thu, 29 Aug 2024 14:30:42 +0800</pubDate><description><![CDATA[人工智能（AI）旨在打造模仿智能行为的系统。它覆盖了众多方法，涵盖了基于逻辑、搜索和概率推理的技术。机器学习是 AI 的一个分支，它通过对观测数据进行数学模型拟合来学习决策制定。这个领域近年来迅猛发展，现在几乎（虽不完全准确）与 AI 同义。深度神经网络是一类机器学习模型，将其应用到数据上的过程称为深度学习。目前，深度网络是最强大和最实用的机器学习模型之一，常见于日常生活中。]]></description><category></category></item><item><title><![CDATA[深度学习基础--深度学习网络]]></title><link>https://blog.youkuaiyun.com/wang6562009/article/details/141676631</link><guid>https://blog.youkuaiyun.com/wang6562009/article/details/141676631</guid><author>wang6562009</author><pubDate>Thu, 29 Aug 2024 13:55:36 +0800</pubDate><description><![CDATA[本章首先探讨了组合两个浅层网络时所发生的情况。我们认为，第一个网络对输入空间进行了“折叠”，随后第二个网络应用了一个分段线性函数。在输入空间被折叠到其自身时，第二个网络的效果得到了复制。接着，我们证明了这种浅层网络组合实际上是具有两个隐藏层的深层网络的一种特例。我们解释了每一层中的 ReLU 函数如何在多个位置剪切输入函数，并在输出函数中创建更多的“关节”。我们引入了超参数的概念，对于我们目前讨论的网络而言，它包括了隐藏层的数量和每层中隐藏单元的数量。最后，我们对浅层和深层网络进行了比较。]]></description><category></category></item><item><title><![CDATA[深度学习基础-- 浅层神经网络]]></title><link>https://blog.youkuaiyun.com/wang6562009/article/details/141674549</link><guid>https://blog.youkuaiyun.com/wang6562009/article/details/141674549</guid><author>wang6562009</author><pubDate>Thu, 29 Aug 2024 11:48:53 +0800</pubDate><description><![CDATA[第三章 浅层神经网络
第二章我们学习了使用一维线性回归的监督学习方法，但这种模型只能表示出输入与输出之间简单的线性关系。在这一章里，我们将接触到浅层神经网络。这种网络可以表达分段线性函数，并且能力强大到足以近似任何复杂度的多维输入和输出之间的关系。
3.1 神经网络示例
浅层神经网络是带有参数 ϕ\phiϕ 的函数 y=f[x,ϕ]y = f[x, \phi]y=f[x,ϕ]，它将多变量输入 xxx 映射成多变量输出 yyy。关于浅层神经网络的全面定义将在第3.4节中给出。首先，我们通过一个示例网络 f[x]]></description><category></category></item><item><title><![CDATA[深度学习基础--监督学习]]></title><link>https://blog.youkuaiyun.com/wang6562009/article/details/141674335</link><guid>https://blog.youkuaiyun.com/wang6562009/article/details/141674335</guid><author>wang6562009</author><pubDate>Thu, 29 Aug 2024 11:34:11 +0800</pubDate><description><![CDATA[在监督学习中，我们的目标是建立一个模型，这个模型能够接收输入 x 并给出预测结果 y。简单来说，我们假设输入 x 和输出 y 都是预先定义且大小固定的向量，并且这些向量中的元素排列顺序始终一致。举个例子，如普锐斯汽车的例子，输入 x 总是先包含汽车的年龄，然后是行驶里程，按照这个顺序。这种数据被称为结构化或表格数据（structured or tabular data）。yfx(2.1)yfx2.1当我们根据输入 x 来计算预测结果 y 时，这个过程称为推理（inference）。]]></description><category></category></item><item><title><![CDATA[计算机视觉基础 2. 滤波器]]></title><link>https://blog.youkuaiyun.com/wang6562009/article/details/141640619</link><guid>https://blog.youkuaiyun.com/wang6562009/article/details/141640619</guid><author>wang6562009</author><pubDate>Wed, 28 Aug 2024 15:52:30 +0800</pubDate><description><![CDATA[模糊滤波器是低通滤波器。它们从图像中去除高空间频率内容，只留下低频空间分量。结果是图像失去了细节，看起来很模糊。图像模糊在计算机图形学和计算机视觉中有许多应用。它可用于降低噪声（如图17.1所示），揭示不同尺度下的图像结构，或用于对图像进行上采样和下采样。Blur是通过计算输入像素值的小邻域上的局部平均值来实现的。这可以通过卷积来实现。然而，有非线性方法可以去除图像细节，如各向异性扩散[385]和双边滤波[376]。当我们想在去除噪声的同时保留一些图像细节（如轮廓）时，这些非线性模糊技术非常有用。]]></description><category></category></item><item><title><![CDATA[计算机视觉基础. 1 学习导论]]></title><link>https://blog.youkuaiyun.com/wang6562009/article/details/141632999</link><guid>https://blog.youkuaiyun.com/wang6562009/article/details/141632999</guid><author>wang6562009</author><pubDate>Wed, 28 Aug 2024 11:54:45 +0800</pubDate><description><![CDATA[学习是一种非常通用和强大的解决问题的方法。它将数据转化为算法。在这个大数据时代，学习往往是首选方法。它是几乎所有现代计算机视觉系统的主要组成部分。]]></description><category></category></item><item><title><![CDATA[Attention Modules Improve Image-Level Anomaly Detection for Industrial Inspection（翻译）]]></title><link>https://blog.youkuaiyun.com/wang6562009/article/details/141423779</link><guid>https://blog.youkuaiyun.com/wang6562009/article/details/141423779</guid><author>wang6562009</author><pubDate>Fri, 23 Aug 2024 11:45:14 +0800</pubDate><description><![CDATA[在（半）自动化的视觉工业检测中，基于学习的方法评估视觉缺陷，包括深度神经网络，使得在高分辨率图像上的小至像素大小的缺陷模式得以处理。这些通常很少出现的缺陷模式的出现解释了对标记数据集的普遍需求。为了缓解这一问题并推进无监督视觉检测的最新技术，这项工作提出了一个基于DifferNet的解决方案，增强了注意力模块：AttentDifferNet。它在三个工业检测的视觉异常检测数据集上提高了图像级检测和分类能力：InsPLAD-fault、MVTec AD和半导体晶圆。]]></description><category></category></item><item><title><![CDATA[Stable Diffusion WebUI安装ControlNet 遇到的问题]]></title><link>https://blog.youkuaiyun.com/wang6562009/article/details/141194514</link><guid>https://blog.youkuaiyun.com/wang6562009/article/details/141194514</guid><author>wang6562009</author><pubDate>Wed, 14 Aug 2024 16:36:48 +0800</pubDate><description><![CDATA[2.第二个问题是一直Installing ,虽然下载下来了，但还是安装不上，卡住了。排查代码发现，原来是有库没安装，但它自己又下载不下来，所以卡住了。最近研究Stable Diffusion ，在安装ControlNet遇到了几个问题，总算解决了。是需要下载这个库，后面还有几个也都要下载，手动下载，然后使用pip 安装，就行了。1.第一个是连不上github,可以使用国内的这个。]]></description><category></category></item><item><title><![CDATA[SimpleITK C++版在windows 下编译]]></title><link>https://blog.youkuaiyun.com/wang6562009/article/details/141030554</link><guid>https://blog.youkuaiyun.com/wang6562009/article/details/141030554</guid><author>wang6562009</author><pubDate>Thu, 08 Aug 2024 17:09:11 +0800</pubDate><description><![CDATA[本文提供了simpleITK的编译方法，希望能帮助到有需要的同学。]]></description><category></category></item><item><title><![CDATA[简单阐述一下BP的过程]]></title><link>https://blog.youkuaiyun.com/wang6562009/article/details/140951389</link><guid>https://blog.youkuaiyun.com/wang6562009/article/details/140951389</guid><author>wang6562009</author><pubDate>Tue, 06 Aug 2024 11:45:10 +0800</pubDate><description><![CDATA[BP(Back Propogation)算法是一种最有效的学习方法，主要特点是信号前向传递，而误差后向传播，通过不断调节网络权重值，使得网络的最终输出与期望输出尽可能接近，以达到训练的目的。前向过程中通过与正确标签计算损失，反向传递损失，更新参数，优化至最后的参数。的值了，整个问题就转变成了下面的优化问题了，也就是我们需要求函数的最小值。是表示的学习率，通常不会很大，都是0.01以下的值，用来控制更新的步长。的值就是我们需要更新的目标，但是我们只有一些。是一个随机初始化的权重，的值，最终逼近真实效果。]]></description><category></category></item></channel></rss>