- 博客(96)
- 收藏
- 关注
RSS订阅原创 STM32入门教程，第12课（下），旋转编码器计次
这时还没有问题，但当中断结束之后，需要继续原来的显示，这时候就出问题了，因为硬件的显示位置被挪到其他地方，所以再回来的时候继续显示的内容就会跟着跑到其他地方去，这就会造成问题。最后再给大家提几个中断编程的建议，第一个就是在这个中断函数里，最好不要执行耗时过长的代码，中断函数要简短快速，别刚进中段就执行一个Delay多少毫秒这样的代码，因为中断是处理突发的事情，如果你为了处理一个突发的事情，待在中断里不出来了，那主程序就会受到严重的阻塞。比如你正转的时候，由于A相先出现下降沿，所以你刚开始动，就进中断了。
2026-08-28 12:51:56
236
原创 STM32入门教程，第12课（上），对射式红外传感器计次
那对于这些标志位，有的比较紧急，在置标志位后会触发中断。我们的芯片用的是MD中等密度的，所以只需要展开这个MD的条件编译即可，其他的就不用看了，那在这个表里，找到EXTI15_10_IRQn，STM32的EXTI10到EXTI15 都是合并到了这个通道里。然后在main函数里先改一下这个OLED_ShowString，让它在一行一列显示一个Count:，在主循环里，我们循环调用OLED_ShowNum，在一行七列显示CountSensor_Get，返回值长度为5，这样就是显示计次的数据了。
2026-08-28 12:50:01
295
原创 【Python零基础入门】第11篇：Python元组：不可变序列的使用场景
Python零基础入门第11篇！深入讲解Python元组（tuple）：元组创建、不可变特性、元组解包、与列表的区别、命名元组namedtuple。详细对比元组和列表的使用场景，包含5个实战案例和6道课后练习及详细答案，帮助你掌握不可变序列的用法！
2026-06-04 12:33:49
345
原创 【Python零基础入门】第10篇：Python列表方法与应用实例
Python零基础入门第10篇！深入讲解Python列表方法：sort排序、reverse反转、index查找、count统计。详细讲解列表推导式、map/filter函数式编程、enumerate和zip实用技巧。包含7个实战案例和6道课后练习及详细答案，帮助你成为列表操作高手！
2026-06-04 12:33:08
337
原创 【Python零基础入门】第9篇：Python列表详解：创建、访问与修改
Python零基础入门第9篇！全面讲解Python列表（list）：列表创建、索引访问、切片操作、增删改查、列表遍历、列表复制、嵌套列表。包含4个实战案例和6道课后练习及详细答案，帮助你掌握Python最重要的数据结构！
2026-06-03 17:38:24
352
原创 【Python零基础入门】第8篇：Python布尔类型与空值：True、False和None
Python零基础入门第8篇！深入讲解Python布尔类型（True/False）、比较运算符、布尔运算（and/or/not）、真值测试机制、bool()类型转换、空值None的用法。包含4个实战案例和6道课后练习及详细答案，帮助你掌握条件判断的基础知识！
2026-06-03 17:37:18
394
原创 人工智能【第55篇】大模型推理优化：vLLM与推理加速技术
KV Cache优化：MQA/GQA减少显存，量化压缩：解决内存碎片，提升利用率连续批处理：动态调度，最大化GPU利用：IO感知的注意力计算投机采样：小模型起草，大模型验证。
2026-06-01 21:19:42
1175
原创 人工智能【第54篇】RLHF实战：基于人类反馈的强化学习
RLHF价值：对齐人类偏好，提升模型有用性和安全性三阶段流程：奖励建模 → PPO训练 → 评估迭代奖励模型：基于Bradley-Terry模型，学习人类偏好PPO算法：KL惩罚防止偏离，裁剪保证稳定性替代方案：DPO等方法简化流程，降低训练难度。
2026-05-31 00:15:55
219
原创 人工智能【第53篇】大模型微调实战：LoRA与QLoRA技术详解
LoRA核心：低秩分解减少训练参数，保持预训练知识QLoRA创新：NF4量化+双量化+分页优化器，大幅降低显存实践建议：从r=16开始，逐步调整；监控验证集指标防过拟合部署优化：合并权重消除推理开销；多适配器灵活切换。
2026-05-30 22:52:42
263
原创 人工智能【第52篇】RAG系统实战：检索增强生成技术详解
传统LLM的局限知识截止：模型训练后无法获取新知识幻觉问题：生成看似合理但错误的内容无法溯源：不知道答案来自哪里领域知识不足：专业领域表现差RAG的优势实时获取最新知识减少幻觉，提高准确性可追溯信息来源支持私有/专业领域知识传统LLM RAG系统↓ ↓用户提问 → LLM生成答案 用户提问 → 检索相关知识 → LLM基于知识生成答案↓ ↓可能过时/错误 基于最新准确信息RAG价值：解决LLM知识截止、幻觉问题，实现实时知识增强文档处理。
2026-05-30 22:51:41
257
原创 人工智能【第51篇】AI Agent实战：构建智能体系统
本文深入解析了AIAgent的架构设计与实现方法。AIAgent作为新一代智能系统，具备规划、记忆、工具调用等核心能力，能够自主完成复杂任务。文章详细介绍了ReAct框架（思考-行动-观察循环）的工作原理，并提供了从基础Agent类到完整系统的代码实现，包括短期/长期记忆系统、任务分解规划器和自我反思机制。通过实战项目展示了如何构建个人AI助手和多Agent协作系统，为开发者提供了从理论到实践的完整指导。文章还规划了Agent技术的进阶学习路径，为构建更复杂的智能系统奠定了基础。
2026-05-29 14:07:34
208
原创 人工智能【第50篇】生成式AI前沿：扩散模型与多模态生成
本文系统介绍了扩散模型和多模态生成技术的核心原理与实践应用。首先解析了扩散模型的基本原理，包括前向扩散和逆向去噪过程，详细阐述了DDPM算法的训练与采样流程，并提供了PyTorch实现代码。其次，重点讲解了UNet架构及其在扩散模型中的应用，以及条件扩散模型的实现方法。在多模态学习部分，深入探讨了CLIP模型的原理及其在文本-图像关联中的应用，并展示了Stable Diffusion等先进模型的实际应用案例。文章最后总结了扩散模型的核心要点和学习路径，为读者提供了从理论到实践的完整指导。
2026-05-29 14:06:51
196
原创 人工智能【第49篇】时序数据分析：时间序列预测与异常检测
时间序列数据分析技术综述 本文系统介绍了时间序列数据分析的核心技术和方法。首先阐述了时间序列的基本概念、组成要素和数据类型，包括趋势、季节性和噪声等成分。然后详细讲解了预处理技术，如缺失值处理、平稳性检验和差分运算。在预测方法方面，涵盖了统计模型（ARIMA、SARIMA、Prophet）、机器学习（特征工程+XGBoost）和深度学习方法（LSTM、Seq2Seq、Transformer）。异常检测部分介绍了统计方法和深度学习方法的应用。
2026-05-28 17:15:05
355
原创 人工智能【第48篇】图神经网络入门：处理非结构化数据的利器
本文深入解析了图神经网络（GNN）的原理与应用。GNN是处理社交网络、分子结构等图结构数据的强大工具，克服了传统CNN/RNN处理非规则数据的局限性。文章详细介绍了图数据基础、消息传递范式、GCN/GAT/GraphSAGE等经典模型，并提供了节点分类和链接预测的完整实战代码。GNN在社交网络分析、推荐系统、生物信息学等领域有广泛应用。学习路径从基础图论到经典模型实现，再到进阶技术，为读者提供了系统的GNN学习指南。
2026-05-28 17:13:12
313
原创 人工智能【第47篇】深度学习优化：模型压缩与加速技术
本文系统介绍了深度学习模型压缩与加速技术，包括知识蒸馏、模型剪枝、量化和高效架构设计等方法。随着模型规模爆炸式增长（如GPT-4达万亿参数），这些技术能在保持精度的同时显著减小模型体积和提升推理速度。文章详细解析了各类技术的原理、PyTorch实现代码及效果对比，如知识蒸馏通过软标签传递知识、剪枝移除不重要权重、INT8量化实现4倍体积减小等，并提供了技术选择指南和优化资源推荐，为在资源受限设备上部署大模型提供了实用解决方案。
2026-05-27 22:50:25
440
原创 人工智能【第46篇】AI系统的模型监控与运维：MLOps实战指南
《MLOps实战指南》系统介绍了机器学习系统全生命周期管理的核心方法论。文章首先对比了传统软件与机器学习系统的本质差异，提出MLOps成熟度模型（手动流程→自动化训练→自动化部署→全自动化）。随后详细解析了MLOps核心组件，包括实验管理（MLflow）、模型部署策略（实时/批量/边缘）、监控告警体系（性能指标与数据漂移检测）。通过完整的代码示例展示了Flask API部署、PSI指数计算等关键技术实现，并构建了端到端的MLOps Pipeline。
2026-05-27 22:49:48
286
原创 人工智能【第45篇】AI安全与对抗攻击：保护你的AI系统
本文深入探讨了AI安全领域的核心问题与解决方案。主要内容包括：1）AI安全威胁分析，涵盖对抗攻击（FGSM、PGD等）、数据投毒、模型窃取等攻击方式；2）对抗样本原理与防御策略，重点介绍了对抗训练和输入预处理方法；3）实战演示MNIST分类器的攻防对抗，对比了标准模型与防御模型的性能差异；4）AI安全最佳实践，提供开发阶段的安全清单和推荐工具。文章强调在AI广泛应用背景下，构建鲁棒性模型的重要性，为开发者提供了全面的安全防护思路和技术实现方案。
2026-05-26 12:56:41
341
原创 人工智能【第44篇】联邦学习入门：隐私保护的分布式AI
联邦学习：数据隐私保护下的分布式AI新范式 联邦学习是一种革命性的机器学习方法，它通过"数据不动模型动"的理念，在保护数据隐私的前提下实现多方协作训练。本文系统介绍了联邦学习的核心原理、算法实现和应用场景。 主要内容包括： 联邦学习的产生背景：解决医疗、金融等领域的数据孤岛和隐私困境 基础算法FedAvg的实现原理和代码示例 进阶算法如FedProx处理数据异构性问题 隐私保护技术如差分隐私的应用 完整实战案例。
2026-05-26 12:55:48
492
原创 人工智能【第43篇】模型可解释性入门：让AI决策透明化
本文全面探讨了可解释性AI（XAI）的原理与实践，重点分析了机器学习模型在高风险领域应用时面临的"黑盒"问题。文章系统介绍了可解释性的四个层次（从完全黑盒到完全透明），并详细对比了多种解释方法：内在可解释模型（线性回归、决策树）、事后解释方法（LIME、SHAP）以及神经网络特定技术（Saliency Maps、Grad-CAM）。通过医疗诊断、金融风控等实际案例，展示了可解释性在建立AI系统信任、调试模型和满足合规要求方面的重要性。
2026-05-25 09:48:13
365
原创 人工智能【第42篇】AutoML入门：自动化机器学习全流程
AutoML（自动化机器学习）通过自动化特征工程、模型选择和超参数优化等复杂流程，大幅降低机器学习应用门槛。文章系统介绍了AutoML的核心组件，包括超参数优化（贝叶斯优化、进化算法）、自动特征工程（Featuretools、TPOT）和自动模型选择（集成学习），并对比了Auto-sklearn、FLAML等主流工具。通过客户流失预测案例展示了完整AutoML项目流程，同时分析了当前挑战（计算资源、可解释性）和未来发展方向（更高效算法、更广泛自动化）。
2026-05-25 09:47:12
1877
原创 人工智能【第41篇】神经架构搜索NAS入门：自动设计神经网络
神经架构搜索(NAS)是一种自动化设计神经网络的方法，旨在超越人工设计的网络性能。文章首先分析了手工设计网络存在经验依赖、试错成本高等问题，然后系统介绍了NAS的核心要素：搜索空间（宏搜索/微搜索）、搜索策略（强化学习/进化算法/梯度优化）以及高效实现方法（权重共享/路径二值化等）。重点讲解了DARTS算法的实现原理和代码示例，包括混合操作、搜索单元和双层优化训练过程。最后对比了不同NAS方法的优缺点，并展望了AutoML的发展趋势。
2026-05-23 23:50:31
469
原创 人工智能【第40篇】终身学习入门：让AI持续进化
本文探讨了终身学习（Continual Learning）的核心挑战与方法。传统神经网络面临灾难性遗忘问题——学习新任务时会覆盖旧任务知识。文章分析了遗忘机制，介绍了四大类解决方案：正则化方法（如EWC通过保护重要参数）、回放方法（如经验回放存储旧样本）、动态架构和参数隔离。通过MNIST增量学习实验，展示了不同方法的性能差异，并提出了平均准确率、遗忘率等评估指标。终身学习是实现通用人工智能的关键技术，能应用于推荐系统、自动驾驶等持续进化场景。文章为系列第40篇，下篇将介绍神经架构搜索技术。
2026-05-23 23:50:00
375
原创 人工智能【第39篇】元学习入门：让AI学会如何学习
本文介绍了元学习（Meta-Learning）的概念与方法，旨在解决传统深度学习在小样本场景下的局限性。文章首先分析了传统深度学习需要大量数据的缺点，提出元学习"学习如何学习"的核心思想。重点讲解了小样本学习的问题设定和三类主流方法：基于度量学习（如Prototypical Networks）、基于优化（如MAML）和基于模型结构的方法。通过Omniglot数据集上的实战案例，展示了如何实现5-way 5-shot分类任务。
2026-05-21 14:58:54
401
原创 人工智能【第38篇】模仿学习入门：让AI向专家学习
本文介绍了模仿学习（Imitation Learning）的原理与应用，重点对比了行为克隆（BC）和DAgger两种方法。模仿学习通过专家示范数据训练智能体，避免了强化学习中试错探索的高成本和风险。行为克隆简单直接但存在复合误差问题，而DAgger通过交互式专家标注解决了状态分布偏移问题。文章提供了完整的CartPole环境实现代码，实验结果显示DAgger性能显著优于行为克隆（平均奖励478.9 vs 150.5）。最后讨论了模仿学习与强化学习的结合方式，包括预训练微调和RLHF（人类反馈强化学习）流程。
2026-05-21 14:58:30
469
原创 人工智能【第37篇】模型预测控制MPC：AI的预测与规划能力
本文介绍了模型预测控制（MPC）的原理与实现。MPC利用系统动力学模型预测未来状态，通过滚动时域优化求解最优控制序列，相比强化学习具有样本效率高、安全性强、可解释性好等优势。文章详细讲解了线性MPC的数学形式、QP问题构建方法，并提供了双积分器和倒立摆系统的完整实现代码。MPC特别适合具有明确模型且需要安全约束的场景，如机器人控制、自动驾驶等。最后探讨了MPC与强化学习的互补性，指出两者结合是未来重要方向。文章为读者提供了从理论到实践的完整MPC学习路径。
2026-05-20 23:22:30
409
原创 人工智能【第36篇】多智能体强化学习入门：多个AI的协作与竞争
本文介绍了多智能体强化学习(MARL)的核心概念与算法。首先分析了单智能体RL的局限性，指出MARL适用于自动驾驶、机器人协作等需要多智能体交互的场景。文章详细阐述了MARL的三大核心概念：随机博弈、纳什均衡和学习范式（独立学习、联合学习和CTDE），并重点讲解了IQL、MADDPG和QMIX三种经典算法及其实现。通过一个捕食者-猎物环境的实战项目，展示了多智能体协作训练过程。最后讨论了MARL面临的可扩展性、通信学习等挑战，以及在前沿领域的应用案例。
2026-05-20 23:21:57
489
原创 人工智能【第35篇】PPO算法详解：近端策略优化实战
PPO（Proximal Policy Optimization）是一种先进的强化学习算法，通过限制策略更新幅度解决传统策略梯度方法训练不稳定的问题。文章首先分析了传统策略梯度方法（如REINFORCE和A2C）存在的步长敏感、样本效率低等缺陷，然后介绍了PPO的核心创新——Clip机制，该机制通过裁剪策略比率来保证稳定训练。文章详细阐述了PPO的数学原理，包括策略比率、Clipped Surrogate Objective等核心概念，并提供了完整的PyTorch实现代码。
2026-05-18 13:04:48
371
原创 人工智能【第34篇】Actor-Critic算法详解：A2C与A3C实战
本文深入解析了Actor-Critic强化学习框架，重点介绍了A2C和A3C算法。文章首先对比了基于价值和基于策略方法的局限性，指出Actor-Critic通过结合两者优势，既能处理连续动作空间，又能降低策略梯度方差。核心内容包括：1）A2C算法原理，包括优势函数计算和网络架构实现；2）A3C的异步并行训练机制；3）Pendulum连续控制任务的完整实现方案。文章还总结了从A2C到PPO、SAC的演进路径，并提供了实用的调参建议。该框架已成为现代强化学习的核心，广泛应用于机器人控制、游戏AI和大语言模型训练
2026-05-18 13:04:15
1581
原创 人工智能【第33篇】强化学习入门：让AI学会做决策
强化学习入门指南：从理论到实践 本文系统介绍了强化学习的核心概念与应用。强化学习通过智能体与环境的交互学习最优策略，与监督学习不同，它依赖延迟奖励而非即时标签反馈。文章详细解析了Q-Learning、DQN等经典算法，并通过CartPole游戏案例演示了智能体训练过程。深度强化学习部分重点讲解了DQN网络结构和经验回放机制，同时对比了价值学习与策略梯度方法的差异。实战环节提供完整代码实现，展示如何用PyTorch构建DQN智能体解决平衡杆问题。最后，文章展望了RLHF等前沿方向，并建议分阶段学习路径：从MD
2026-05-17 15:19:37
478
原创 人工智能【第32篇】GAN实战进阶：图像风格迁移与超分辨率重建
本文介绍了两种生成对抗网络(GAN)的创新应用：CycleGAN实现图像风格迁移和SRGAN实现超分辨率重建。CycleGAN通过双生成器架构和循环一致性约束，无需配对数据即可完成图像风格转换；SRGAN则结合感知损失和残差学习，从低分辨率图像重建高清细节。文章详细解析了两种模型的网络结构、损失函数和实现代码，并比较了它们的应用场景和技术特点。尽管扩散模型兴起，GAN在实时生成、特定任务和小数据场景仍具优势。作者建议从基础GAN入手，理解原理并耐心调参，同时预告下一篇将介绍强化学习技术。
2026-05-17 14:58:44
485
1
原创 人工智能【第31篇】生成对抗网络GAN入门：AI的创造力之源
2014年，Ian Goodfellow等人在论文《Generative Adversarial Nets》中提出了GAN，这是深度学习领域最具革命性的创新之一。核心思想：通过两个神经网络的对抗训练，让生成器学会创造逼真的数据。类比理解生成器（Generator）= 假币制造者，试图制造逼真的假币判别器（Discriminator）= 警察，试图识别真假货币两者不断对抗，最终假币制造者技术越来越高超，警察也越来越难分辨对抗训练：生成器和判别器相互博弈，共同进步损失函数。
2026-05-16 16:04:07
660
原创 人工智能【第30篇】AI学习路径总结与职业规划指南
本文总结了30篇AI系列文章的学习路径，涵盖从零基础到前沿技术的完整知识体系。内容分为七个阶段：入门基础、数据科学、机器学习、深度学习、大模型、伦理实践和前沿展望。文章提供了详细的学习路线图、细分方向选择指南（如NLP、CV、AI Agent）、职业发展路径（初级到专家）以及求职建议（简历撰写、面试准备）。同时推荐了持续学习资源和常见误区提醒，强调实践与终身学习的重要性。全文约565,000字，为AI学习者提供全面的职业规划指导。
2026-05-16 15:25:25
651
原创 人工智能【第29篇】AI前沿技术展望：多模态学习、Agent与AGI
多模态学习是指AI系统能够同时处理和理解多种类型的数据（文本、图像、音频、视频等），并实现跨模态的信息融合与推理。AI Agent是指能够感知环境、自主决策、执行任务的AI系统。能力传统AIAI Agent交互方式单次输入输出多轮交互工具使用无调用API、使用工具记忆能力无状态维护长期记忆规划能力无分解任务、制定计划自主学习预训练后固定从反馈中学习具身智能强调智能体通过物理身体与真实环境的交互来学习和进化。对比维度传统AI具身智能输入数字数据物理感知输出。
2026-05-15 23:29:10
547
原创 人工智能【第28篇】AI项目实战：从零构建智能文本分类系统
本文详细介绍了构建新闻文本分类系统的完整流程。项目基于BERT预训练模型，使用PyTorch框架实现，涵盖数据预处理、模型训练、评估和FastAPI服务部署等环节。系统能够将新闻自动分类为科技、体育、财经、娱乐和健康5个类别，准确率达95.2%。文章提供了清晰的代码实现和项目架构设计，包括Docker容器化部署方案，可作为NLP项目开发的实用参考。
2026-05-15 12:37:48
206
原创 人工智能【第27篇】AI伦理与安全：负责任的AI开发
AI伦理与安全：负责任发展的关键挑战 随着AI技术快速发展，其伦理和安全问题日益凸显。本文系统探讨了AI应用中的核心伦理议题：算法偏见可能导致系统性歧视，公平性指标和缓解方法成为必要；可解释AI(XAI)通过LIME、SHAP等方法提升决策透明度；隐私保护技术如同态加密和联邦学习应对数据泄露风险；对抗攻击等安全威胁需要针对性防御。文章强调负责任的AI开发需遵循人本、公平、透明等原则，结合技术方案与治理框架，并通过正反案例说明伦理实践的重要性。未来AI发展需要法规完善、技术标准化和行业自律的多方协同。
2026-05-14 20:39:59
505
原创 人工智能【第26篇】大模型应用实战：Prompt工程与微调技巧
本文深入探讨了Prompt工程和微调技术在大语言模型应用中的关键作用。Prompt工程通过优化输入提示引导模型输出，包含指令、上下文、格式等要素，介绍了Zero-shot、Few-shot和思维链等技巧。微调部分分析了LoRA等高效方法，对比了不同微调策略的优缺点。文章提供了HuggingFace实现LoRA的代码示例和Prompt模板设计方法，并总结了清晰指令、提供上下文等最佳实践原则。最后指出Prompt工程应优先于微调，建议从基础Prompt逐步进阶到完整项目实战的学习路径。
2026-05-14 20:39:06
408
原创 人工智能【第25篇】GPT模型详解：生成式预训练的语言模型
本文系统介绍了GPT系列生成式预训练语言模型的发展历程与技术原理。从GPT-1到GPT-4，OpenAI通过不断扩展模型规模（从1.17亿到万亿参数）和优化架构，实现了强大的文本生成能力。文章详细解析了GPT的单向Transformer解码器架构、自回归语言建模方法，以及涌现出的上下文学习、思维链推理等能力。同时对比了GPT与BERT在架构和应用上的差异，并提供了HuggingFace代码实现示例。GPT系列通过大规模预训练和微调策略，在聊天机器人、代码生成等场景展现出卓越性能，ChatGPT的成功更验证了
2026-05-13 17:30:48
603
原创 人工智能【第24篇】BERT模型详解：预训练语言模型的里程碑
BERT是Google于2018年推出的革命性预训练语言模型，基于Transformer架构，通过双向编码器实现上下文理解。其核心创新包括掩码语言模型(MLM)和下一句预测(NSP)两项预训练任务，支持迁移学习范式。相比传统模型，BERT在11项NLP任务上取得突破性进展，参数量达1.1亿/3.4亿（Base/Large）。后续衍生出RoBERTa、ALBERT等优化版本，应用涵盖文本分类、问答系统等场景。通过HuggingFace等工具库可快速实现模型调用，当前仍是NLP领域的重要基础模型。
2026-05-13 17:30:04
438
原创 人工智能【第23篇】Transformer模型详解：Attention Is All You Need
《Transformer架构详解：现代NLP的基石》摘要：本文系统介绍了Transformer架构，这一2017年提出的革命性模型彻底改变了NLP领域。文章首先对比了传统RNN的局限性与Transformer的并行计算、长距离建模等优势，详细解析了其Encoder-Decoder结构及核心组件（自注意力、多头注意力等）。通过PyTorch实现示例展示了关键技术，并探讨了BERT、GPT等衍生模型的特点与应用。作为现代大语言模型的基础，Transformer凭借纯注意力机制成为NLP发展的里程碑，为后续预训练
2026-05-12 23:04:23
413
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人