<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[wuli_xin的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/wuli_xin</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; wuli_xin]]></copyright><item><title><![CDATA[Claude Code 无法连接到 Anthropic 服务]]></title><link>https://blog.youkuaiyun.com/wuli_xin/article/details/158006617</link><guid>https://blog.youkuaiyun.com/wuli_xin/article/details/158006617</guid><author>wuli_xin</author><pubDate>Thu, 12 Feb 2026 13:54:14 +0800</pubDate><description><![CDATA[Anthropic 不支持你当前公网 IP 所在地区。]]></description><category></category></item><item><title><![CDATA[绘制3D图]]></title><link>https://blog.youkuaiyun.com/wuli_xin/article/details/143690925</link><guid>https://blog.youkuaiyun.com/wuli_xin/article/details/143690925</guid><author>wuli_xin</author><pubDate>Mon, 11 Nov 2024 17:25:54 +0800</pubDate><description><![CDATA[Python 代码示例，使用 matplotlib 和 numpy 库来绘制类似的图。一个 3D 函数的表面图，其中包含向量场。]]></description><category></category></item><item><title><![CDATA[【问题】ImportError: libGL.so.1: cannot open shared object file: No such file or directory]]></title><link>https://blog.youkuaiyun.com/wuli_xin/article/details/141846640</link><guid>https://blog.youkuaiyun.com/wuli_xin/article/details/141846640</guid><author>wuli_xin</author><pubDate>Tue, 03 Sep 2024 09:06:05 +0800</pubDate><description><![CDATA[通常需要安装缺失的依赖项 libGL。ImportError: libGL.so.1: 无法打开共享对象文件：没有这样的文件或目录。]]></description><category></category></item><item><title><![CDATA[Transformer构架的优劣及常见问题]]></title><link>https://blog.youkuaiyun.com/wuli_xin/article/details/140284474</link><guid>https://blog.youkuaiyun.com/wuli_xin/article/details/140284474</guid><author>wuli_xin</author><pubDate>Tue, 09 Jul 2024 08:22:58 +0800</pubDate><description><![CDATA[例如，FasterTransformer在4.0版本时引入了并行解码过程，通过张量并行以及流水并行的方式，即将计算拆分到多张GPU卡上进行，使得多张GPU协同工作，从而大幅提升了推理速度。在时间序列分析领域，Transformer模型也取得了显著的进展。在自注意力机制中，每个词都会与序列中的所有其他词进行比较，计算出一个注意力权重，这些权重决定了每个词对其他词的重要性。此外，Transformer还可以通过张量模型并行的方式，将网络层的输入、参数与运算分到不同的卡上，进一步提高计算效率。]]></description><category></category></item><item><title><![CDATA[Mac 使用ChatGPT客户端]]></title><link>https://blog.youkuaiyun.com/wuli_xin/article/details/139320867</link><guid>https://blog.youkuaiyun.com/wuli_xin/article/details/139320867</guid><author>wuli_xin</author><pubDate>Thu, 30 May 2024 12:37:38 +0800</pubDate><description><![CDATA[【代码】Mac 使用ChatGPT客户端。]]></description><category></category></item><item><title><![CDATA[计算机视觉 论文投稿到接收：不可不知的关键环节]]></title><link>https://blog.youkuaiyun.com/wuli_xin/article/details/137535659</link><guid>https://blog.youkuaiyun.com/wuli_xin/article/details/137535659</guid><author>wuli_xin</author><pubDate>Tue, 09 Apr 2024 09:06:16 +0800</pubDate><description><![CDATA[施柏鑫智源青年科学家、北大计算机系数字媒体研究所研究员。]]></description><category></category></item><item><title><![CDATA[【机器学习】什么是机器学习？]]></title><link>https://blog.youkuaiyun.com/wuli_xin/article/details/136655054</link><guid>https://blog.youkuaiyun.com/wuli_xin/article/details/136655054</guid><author>wuli_xin</author><pubDate>Tue, 12 Mar 2024 16:00:56 +0800</pubDate><description><![CDATA[机器学习正变得越来越重要，它正在帮助我们解决一些最棘手的问题，从提高工作效率到改善人类生活质量。随着技术的进步，我们期待看到更多革命性的机器学习应用诞生。]]></description><category></category></item><item><title><![CDATA[【FastChat】用于训练、服务和评估大型语言模型的开放平台]]></title><link>https://blog.youkuaiyun.com/wuli_xin/article/details/136453306</link><guid>https://blog.youkuaiyun.com/wuli_xin/article/details/136453306</guid><author>wuli_xin</author><pubDate>Mon, 04 Mar 2024 15:31:39 +0800</pubDate><description><![CDATA[🚀 根据 GPT-4 的评估，Vicuna 达到了 ChatGPT/Bard 90%* 的质量，同时显着优于其他基线。用于训练、服务和评估大型语言模型的开放平台。发布 Vicuna 和 Chatbot Arena 的存储库。Chatbot Arena 从并列的 LLM 比赛中收集了超过 20 万个人投票，编制了。FastChat 是一个开放平台，用于训练、服务和评估基于大型语言模型的聊天机器人。隆重推出 Vicuna，一款令人印象深刻的开源聊天机器人 GPT-4！FastChat 为。]]></description><category></category></item><item><title><![CDATA[OpenAI Sora 文生视频申请]]></title><link>https://blog.youkuaiyun.com/wuli_xin/article/details/136207913</link><guid>https://blog.youkuaiyun.com/wuli_xin/article/details/136207913</guid><author>wuli_xin</author><pubDate>Wed, 21 Feb 2024 12:50:25 +0800</pubDate><description><![CDATA[快去申请，不知道什么时候会关闭，早就是优势。]]></description><category></category></item><item><title><![CDATA[ACM MM 2024论文投稿模板]]></title><link>https://blog.youkuaiyun.com/wuli_xin/article/details/136058248</link><guid>https://blog.youkuaiyun.com/wuli_xin/article/details/136058248</guid><author>wuli_xin</author><pubDate>Tue, 06 Feb 2024 16:55:05 +0800</pubDate><description><![CDATA[Overleaf 平台上的模板都是单栏的，给的Word版本是双栏的，建议使用第一种方式。图片中红色框出的是模板里自带的，官网没有对此的明确说明，但大家是默认删除。进行修改，如图为原始生成的PDF。会议一般都是双盲审。这个注释打开，并修改为自己注册的号码。的DOI信息记得摘要截止提交后修改。此时就是基础匿名版本，如下图所示。删除2，在tex添加以下语句。祝新的一年，多发paper，点，添加以下代码，即可删除。基本投稿的模板就准备好了。]]></description><category></category></item><item><title><![CDATA[【免费】Kimi Chat提高生产效率]]></title><link>https://blog.youkuaiyun.com/wuli_xin/article/details/135748816</link><guid>https://blog.youkuaiyun.com/wuli_xin/article/details/135748816</guid><author>wuli_xin</author><pubDate>Mon, 22 Jan 2024 15:18:51 +0800</pubDate><description><![CDATA[可以上传PDF、Excel、Word等格式文件，问问题、联网搜索，主要是。阅读论文示例，节约时间，方便整理综述。可以下载APP和小程序。]]></description><category></category></item><item><title><![CDATA[COCO数据集下载]]></title><link>https://blog.youkuaiyun.com/wuli_xin/article/details/135664599</link><guid>https://blog.youkuaiyun.com/wuli_xin/article/details/135664599</guid><author>wuli_xin</author><pubDate>Thu, 18 Jan 2024 08:58:02 +0800</pubDate><description><![CDATA[COCO（Common Objects in Context）数据集是一个广泛用于计算机视觉任务的大型图像数据集。它是由微软研究（Microsoft Research）创建的，旨在促进计算机视觉领域的研究和发展。COCO数据集主要用于目标检测、分割和图像标注等任务，并提供了大量标注的图像。COCO数据集包含超过80个不同类别的对象，涵盖了常见的物体，如人、动物、交通工具、食物等。COCO数据集包含超过百万张图像，这些图像来自于各种场景和背景，使其具有广泛的视觉多样性。]]></description><category></category></item><item><title><![CDATA[微信小程序开发资源汇总]]></title><link>https://blog.youkuaiyun.com/wuli_xin/article/details/135617967</link><guid>https://blog.youkuaiyun.com/wuli_xin/article/details/135617967</guid><author>wuli_xin</author><pubDate>Tue, 16 Jan 2024 10:21:38 +0800</pubDate><description><![CDATA[本文收集了微信小程序开发过程中会使用到的资料、问题以及第三方组件库。本文不是一篇关于如何学习微信小程序的入门指南，也非参考手册，只是一些资料的整理。]]></description><category></category></item><item><title><![CDATA[医疗知识图谱问答机器人架构图]]></title><link>https://blog.youkuaiyun.com/wuli_xin/article/details/135617849</link><guid>https://blog.youkuaiyun.com/wuli_xin/article/details/135617849</guid><author>wuli_xin</author><pubDate>Tue, 16 Jan 2024 10:17:28 +0800</pubDate><description><![CDATA[医疗知识图谱问答机器人架构


]]></description><category></category></item><item><title><![CDATA[【问题】URL时HTTPS报错误]]></title><link>https://blog.youkuaiyun.com/wuli_xin/article/details/135568466</link><guid>https://blog.youkuaiyun.com/wuli_xin/article/details/135568466</guid><author>wuli_xin</author><pubDate>Sat, 13 Jan 2024 12:46:24 +0800</pubDate><description><![CDATA[由于 Python 环境没有正确配置来识别和验证 SSL 证书。这种情况常见于尝试使用 urllib 访问 HTTPS 网站。全局取消 SSL 证书验证可能不太安全，但是能快速解决问题。介意的小伙伴，误用此方法。]]></description><category></category></item><item><title><![CDATA[VS Code 远程连接云机器训练配置]]></title><link>https://blog.youkuaiyun.com/wuli_xin/article/details/135336174</link><guid>https://blog.youkuaiyun.com/wuli_xin/article/details/135336174</guid><author>wuli_xin</author><pubDate>Tue, 02 Jan 2024 13:10:32 +0800</pubDate><description><![CDATA[VS Code 远程连接云机器]]></description><category></category></item><item><title><![CDATA[优快云质量分查询]]></title><link>https://blog.youkuaiyun.com/wuli_xin/article/details/135334126</link><guid>https://blog.youkuaiyun.com/wuli_xin/article/details/135334126</guid><author>wuli_xin</author><pubDate>Tue, 02 Jan 2024 10:07:19 +0800</pubDate><description><![CDATA[才知道有质量评分，可是创作中心有没有质量分数，也可能是我没找到。]]></description><category></category></item><item><title><![CDATA[【论文实验结果可视化】常见的可视化例子及代码]]></title><link>https://blog.youkuaiyun.com/wuli_xin/article/details/135333162</link><guid>https://blog.youkuaiyun.com/wuli_xin/article/details/135333162</guid><author>wuli_xin</author><pubDate>Tue, 02 Jan 2024 09:38:11 +0800</pubDate><description><![CDATA[可视化示例及代码]]></description><category></category></item><item><title><![CDATA[用OpenDataLab下载PASCAL VOC 2007等公开数据集]]></title><link>https://blog.youkuaiyun.com/wuli_xin/article/details/135293364</link><guid>https://blog.youkuaiyun.com/wuli_xin/article/details/135293364</guid><author>wuli_xin</author><pubDate>Fri, 29 Dec 2023 16:27:26 +0800</pubDate><description><![CDATA[这个挑战的目标是从现实场景中的许多视觉对象类别中识别对象（即不是预先分割的对象）。它基本上是一个监督学习问题，因为它提供了一组标记图像的训练集。已选择的 20 个对象类别是： 人：人 动物：鸟、猫、牛、狗、马、羊 交通工具：飞机、自行车、船、公共汽车、汽车、摩托车、火车 室内：瓶子、椅子、餐桌、盆栽、沙发、电视/显示器 将有两个主要比赛和两个较小规模的“品酒师”比赛。内容：提供的训练数据由一组图像组成；每个图像都有一个注释文件，为图像中存在的 20 个类别之一中的每个对象提供一个边界框和对象类别标签。]]></description><category></category></item><item><title><![CDATA[多标签分类中常用指标和可视化例子]]></title><link>https://blog.youkuaiyun.com/wuli_xin/article/details/135169420</link><guid>https://blog.youkuaiyun.com/wuli_xin/article/details/135169420</guid><author>wuli_xin</author><pubDate>Sat, 23 Dec 2023 15:37:41 +0800</pubDate><description><![CDATA[如果你的数据集中某些标签的样本数远多于其他标签，使用微观指标可能更合适。其中，TP（True Positives）是正确预测的正样本数，FP（False Positives）是错误预测的正样本数。对于多标签分类，通常对每个标签计算精确度，然后取平均值。对于多标签分类，这通常是一个较为严格的指标，因为要求每个实例的所有标签都预测正确。宏观指标是对每个标签分别计算指标值，然后取所有标签指标值的平均。对于多标签分类，可以计算宏观（平均每个标签的F1分数）或微观F1分数（在所有标签上累积TP、FP、FN后计算）。]]></description><category></category></item></channel></rss>