<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Bin 的专栏]]></title><description><![CDATA[让更多人了解“机器学习”]]></description><link>https://blog.youkuaiyun.com/xbinworld</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; xbinworld]]></copyright><item><title><![CDATA[在github上公开一个论文idea：DelfNet - Deep Self-Organizing Neural Network]]></title><link>https://blog.youkuaiyun.com/xbinworld/article/details/159056197</link><guid>https://blog.youkuaiyun.com/xbinworld/article/details/159056197</guid><author>xbinworld</author><pubDate>Sun, 15 Mar 2026 00:18:35 +0800</pubDate><description><![CDATA[本文介绍了开源项目DelfNet，这是一个探索深度自组织神经网络架构的研究。项目针对当前DNN存在的训练效率低、结构深度冗余、缺乏时间维度建模等问题，提出通过簇级结构和Delta Weight增量机制实现参数联动更新。该方案保持参数量不变，同时可能实现参数压缩和在线生成，缓解带宽瓶颈。欢迎合作者共同推进模型实现、训练优化等研究方向，并计划分阶段验证参数约束、稀疏压缩等假设。项目完全开源，欢迎讨论和实验验证，注明出处即可。]]></description><category></category></item><item><title><![CDATA[Claude code使用Tips记录]]></title><link>https://blog.youkuaiyun.com/xbinworld/article/details/158584224</link><guid>https://blog.youkuaiyun.com/xbinworld/article/details/158584224</guid><author>xbinworld</author><pubDate>Mon, 02 Mar 2026 23:50:19 +0800</pubDate><description><![CDATA[方式1：启动时用 claude --dangerously-skip-permissions。git config --global user.email “邮箱”git config --global user.name “姓名”]]></description><category></category></item><item><title><![CDATA[我用的coding plan邀请码汇总：智谱GLM、阿里云百炼、TRAE]]></title><link>https://blog.youkuaiyun.com/xbinworld/article/details/158391675</link><guid>https://blog.youkuaiyun.com/xbinworld/article/details/158391675</guid><author>xbinworld</author><pubDate>Wed, 25 Feb 2026 20:10:59 +0800</pubDate><description><![CDATA[以下是我自己用的coding plan，用下面的链接进入购买，直接享折扣。]]></description><category></category></item><item><title><![CDATA[量子计算机技术（第二节，到底什么是量子）]]></title><link>https://blog.youkuaiyun.com/xbinworld/article/details/149154343</link><guid>https://blog.youkuaiyun.com/xbinworld/article/details/149154343</guid><author>xbinworld</author><pubDate>Sun, 06 Jul 2025 23:04:33 +0800</pubDate><description><![CDATA[量子是微观世界能量传递的最小单位，其概念包含两种科学解释：一是离散的能量单位（如电子伏特eV），可通过能级跃迁观测（如氢原子释放特定频率电磁波）；二是微观物质的运转机理，涉及量子力学核心理论（普朗克常数、不确定性原理等）。量子状态离散性（如0/1态）为量子计算提供了物理基础，光电效应等实验印证了能量的量子化特性。本节强调量子理论的发展脉络（普朗克→爱因斯坦→玻尔）及其对现代科技（如量子计算机）的支撑作用。]]></description><category></category></item><item><title><![CDATA[RL 基础 （CH3，动态规划）]]></title><link>https://blog.youkuaiyun.com/xbinworld/article/details/148826892</link><guid>https://blog.youkuaiyun.com/xbinworld/article/details/148826892</guid><author>xbinworld</author><pubDate>Sun, 22 Jun 2025 18:08:39 +0800</pubDate><description><![CDATA[其中提到可以用于action-value function，我们回顾一下ch2中学到的Bellman Optimality Equation for Q∗ ，和上面的Value Iteration对比下，就也在等式右边加上max就好了，one-step lookahead，看下k时刻我下后继节点的最优情况，然后作为k+1时候我的value。3.5 异步动态规划 Asynchronous DP这一部分在课程的最后，本篇暂时跳过了，备份一下，以后如果需要用到再回来学习。]]></description><category></category></item><item><title><![CDATA[RL 基础 （CH2，马尔可夫决策过程）]]></title><link>https://blog.youkuaiyun.com/xbinworld/article/details/148352176</link><guid>https://blog.youkuaiyun.com/xbinworld/article/details/148352176</guid><author>xbinworld</author><pubDate>Sat, 31 May 2025 16:14:03 +0800</pubDate><description><![CDATA[第二，我们并不能建立完美的模拟环境的模型，我们对未来的评估不一定是准确的，我们不一定完全信任模型，因为这种不确定性，所以我们对未来的评估增加一个折扣。所以我们把状态转移概率乘它未来的状态的价值，再加上它的即时奖励（immediate reward），就会得到它当前状态的价值。如图 2.4 所示，马尔可夫奖励过程依旧是状态转移，其奖励函数可以定义为：智能体进入第一个状态 s1​ 的时候会得到 5 的奖励，进入第七个状态 s7​ 的时候会得到 10 的奖励，进入其他状态都没有奖励。其中，Gt​ 是之前定义的。]]></description><category></category></item><item><title><![CDATA[Policy Gradient,Reinforce,PPO,GAE,]]></title><link>https://blog.youkuaiyun.com/xbinworld/article/details/147704991</link><guid>https://blog.youkuaiyun.com/xbinworld/article/details/147704991</guid><author>xbinworld</author><pubDate>Mon, 05 May 2025 00:59:39 +0800</pubDate><description><![CDATA[正在补充…]]></description><category></category></item><item><title><![CDATA[深度学习/机器学习入门基础数学知识整理（九）：离散和连续概率分布的KL散度]]></title><link>https://blog.youkuaiyun.com/xbinworld/article/details/147688516</link><guid>https://blog.youkuaiyun.com/xbinworld/article/details/147688516</guid><author>xbinworld</author><pubDate>Sat, 03 May 2025 23:12:17 +0800</pubDate><description><![CDATA[摘抄自：https://hanj.cs.illinois.edu/cs412/bk3/KL-divergence.pdf。仅作自学备忘，不做技术分享和其他用途。]]></description><category></category></item><item><title><![CDATA[深度学习方法（二十一）：常用权重初始化方法Xavier，He initialization的推导]]></title><link>https://blog.youkuaiyun.com/xbinworld/article/details/107890916</link><guid>https://blog.youkuaiyun.com/xbinworld/article/details/107890916</guid><author>xbinworld</author><pubDate>Sun, 09 Aug 2020 18:01:02 +0800</pubDate><description><![CDATA[文章目录交叉熵目标函数更陡峭Xavier initialization [1][4]He initialization [2][3]He init 考虑ReLU函数He init 考虑Leaky ReLU函数结束语参考资料
交叉熵目标函数更陡峭
在论文[1]中给了一个图示，一定程度上说明了为什么Cross Entropy用的很多，效果很好。图中上面的曲面表示的是交叉熵代价函数，下面的曲面表示的是二次代价函数，W1和W2分别表示层与层之间的连接权值。
)

在1986年 Rumelhart 已经发现：logi]]></description><category></category></item><item><title><![CDATA[Python基础（二）：Numpy函数介绍：Meshgrid，mgrid，append等]]></title><link>https://blog.youkuaiyun.com/xbinworld/article/details/107451926</link><guid>https://blog.youkuaiyun.com/xbinworld/article/details/107451926</guid><author>xbinworld</author><pubDate>Sun, 19 Jul 2020 22:10:51 +0800</pubDate><description><![CDATA[文章目录meshgrid函数mgrid函数参考资料
meshgrid函数
meshgrid函数通常使用在数据的矢量化上。它适用于生成网格型数据，可以接受两个一维数组生成两个二维矩阵，对应两个数组中所有的(x,y)对。
meshgrid的作用是：根据传入的两个一维数组参数生成两个数组元素的列表。如果第一个参数是xarray，维度是xdimesion，第二个参数是yarray，维度是ydimesion。那么生成的第一个二维数组是以xarray为行，共ydimesion行的向量；而第二个二维数组是以yarray的]]></description><category></category></item><item><title><![CDATA[今天开始学Convex Optimization：第3章(part2) Optimization basics]]></title><link>https://blog.youkuaiyun.com/xbinworld/article/details/106456523</link><guid>https://blog.youkuaiyun.com/xbinworld/article/details/106456523</guid><author>xbinworld</author><pubDate>Sun, 31 May 2020 21:36:18 +0800</pubDate><description><![CDATA[文章目录重写约束条件部分优化：消除等式约束：引入Slack变量：例子： SVM的hinge loss form凸函数的一阶最优条件（First-order optimality conditions)例子：二次优化参考资料
本章来自Ryan Tibshirani的Convex Optimization: Fall 2019课程的Convexity II: Optimization basics小节。
先看一个比较容易理解的概念：最优解组成的集合是一个convex set
如果强凸的函数f，最优解是唯一的：
]]></description><category></category></item><item><title><![CDATA[今天开始学Convex Optimization：第3章 Convex Sets and Convex functions]]></title><link>https://blog.youkuaiyun.com/xbinworld/article/details/105150918</link><guid>https://blog.youkuaiyun.com/xbinworld/article/details/105150918</guid><author>xbinworld</author><pubDate>Sun, 05 Apr 2020 22:58:11 +0800</pubDate><description><![CDATA[第3章 Convex Sets and Convex functions]]></description><category></category></item><item><title><![CDATA[入门神经网络优化算法（六）：二阶优化算法K-FAC]]></title><link>https://blog.youkuaiyun.com/xbinworld/article/details/105184601</link><guid>https://blog.youkuaiyun.com/xbinworld/article/details/105184601</guid><author>xbinworld</author><pubDate>Sun, 29 Mar 2020 22:27:55 +0800</pubDate><description><![CDATA[上一篇介绍了二阶优化算法Natural Gradient Descent（自然梯度算法），虽然可以避免计算Hessian，但是依然在计算代价上极高，对于大型的神经网络参数规模依然不可能直接计算。本篇继续介绍自然梯度算法后续的一个近似计算方法K-FAC]]></description><category></category></item><item><title><![CDATA[深度学习方法（二十）：Hinton组最新无监督学习方法SimCLR介绍，以及Momentum Contrastive(MoCo)]]></title><link>https://blog.youkuaiyun.com/xbinworld/article/details/104999395</link><guid>https://blog.youkuaiyun.com/xbinworld/article/details/104999395</guid><author>xbinworld</author><pubDate>Sat, 21 Mar 2020 21:13:41 +0800</pubDate><description><![CDATA[本篇文章记录一下最近发表的两个比较类似的无监督representation learning工作：
 - SimCLR——Hinton组的工作，第一作者Ting Chen
 - MoCo v2——He Kaiming组的工作，第一作者Xinlei Chen]]></description><category></category></item><item><title><![CDATA[深度学习方法（十九）：一文理解Contrastive Loss，Triplet Loss，Focal Loss]]></title><link>https://blog.youkuaiyun.com/xbinworld/article/details/104723588</link><guid>https://blog.youkuaiyun.com/xbinworld/article/details/104723588</guid><author>xbinworld</author><pubDate>Sun, 08 Mar 2020 21:21:53 +0800</pubDate><description><![CDATA[我们平时ML任务的时候，用的最多的是cross entropy loss或者MSE loss。需要有一个明确的目标，比如一个具体的数值或者是一个具体的分类类别。但是ranking loss实际上是一种metric learning,他们学习的相对距离，相关关系，而对具体数值不是很关心。ranking loss 有非常多的叫法，但是他们的公式实际上非常一致的。大概有两类，一类是输入pair 对，另外一种是输入三元组结构。]]></description><category></category></item><item><title><![CDATA[三十分钟理解：矩阵Cholesky分解，及其在求解线性方程组、矩阵逆的应用]]></title><link>https://blog.youkuaiyun.com/xbinworld/article/details/104663481</link><guid>https://blog.youkuaiyun.com/xbinworld/article/details/104663481</guid><author>xbinworld</author><pubDate>Wed, 04 Mar 2020 23:59:38 +0800</pubDate><description><![CDATA[写一篇关于Cholesky分解的文章，作为学习笔记，尽量一文看懂矩阵Cholesky分解，以及用Cholesky分解来求解对称正定线性方程组，以及求“对称正定矩阵”的逆的应用。]]></description><category></category></item><item><title><![CDATA[入门神经网络优化算法（五）：一文看懂二阶优化算法Natural Gradient Descent（Fisher Information）]]></title><link>https://blog.youkuaiyun.com/xbinworld/article/details/104591706</link><guid>https://blog.youkuaiyun.com/xbinworld/article/details/104591706</guid><author>xbinworld</author><pubDate>Tue, 03 Mar 2020 00:51:11 +0800</pubDate><description><![CDATA[二阶优化算法Natural Gradient Descent，是从分布空间推导最速梯度下降方向的方法，和牛顿方法有非常紧密的联系。Fisher Information Matrix往往可以用来代替牛顿法的Hessian矩阵计算。下面详细道来。]]></description><category></category></item><item><title><![CDATA[今天开始学Convex Optimization：第2章 背景数学知识简述]]></title><link>https://blog.youkuaiyun.com/xbinworld/article/details/104435497</link><guid>https://blog.youkuaiyun.com/xbinworld/article/details/104435497</guid><author>xbinworld</author><pubDate>Sat, 22 Feb 2020 23:45:53 +0800</pubDate><description><![CDATA[主要参考是[1]和[2]的内容。特别是[2]，比较简明又全面的介绍了需要的数学背景知识。主要需要数学分析（主要是实分析，Real analysis）, 微积分（calculus）, 以及线性代数（linear algebra）的最基础数学背景知识。]]></description><category></category></item><item><title><![CDATA[Adobe PDF Reader XI 闪退解决办法，用了N年的PDF软件又可以继续用了！]]></title><link>https://blog.youkuaiyun.com/xbinworld/article/details/104446362</link><guid>https://blog.youkuaiyun.com/xbinworld/article/details/104446362</guid><author>xbinworld</author><pubDate>Sat, 22 Feb 2020 17:22:54 +0800</pubDate><description><![CDATA[最近很烦人的一个情况是用了好多年的Adobe Reader一直闪退，打开一分钟就闪退。我是Windows10系统，都是在360软甲管家上下载的，然后看了一下评论，发现大家都是这样。我的解决方案分享给大家。]]></description><category></category></item><item><title><![CDATA[Python基础（一）：Python切片，浅拷贝、深拷贝和赋值，排序，Reduce函数]]></title><link>https://blog.youkuaiyun.com/xbinworld/article/details/104203829</link><guid>https://blog.youkuaiyun.com/xbinworld/article/details/104203829</guid><author>xbinworld</author><pubDate>Thu, 20 Feb 2020 21:40:38 +0800</pubDate><description><![CDATA[整理一下Python常用操作，包括Python切片操作、拷贝、排序、Numpy基础等，会持续更新，主要是自己mark用。]]></description><category></category></item></channel></rss>