<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[zw_van的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/zw_van</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; zw_van]]></copyright><item><title><![CDATA[多模态大模型-基础概念]]></title><link>https://blog.youkuaiyun.com/zw_van/article/details/160122201</link><guid>https://blog.youkuaiyun.com/zw_van/article/details/160122201</guid><author>zw_van</author><pubDate>Mon, 13 Apr 2026 21:37:36 +0800</pubDate><description><![CDATA[多模态大模型是一种能同时处理文本、图像、语音、视频等多种数据的人工智能模型。其核心是将不同模态数据映射到统一的共享向量空间，使模型能够跨模态理解和推理。相比传统视觉编码器，这种共享空间能保留更丰富的细节信息。对于视频数据，模型采用3D向量嵌入方式，保留了时间序列信息，无需通过关键帧推测动作状态。多模态模型的输入和输出都支持跨模态交互，实现&quot;任意到任意&quot;的生成能力，为AI应用提供了更强大的多模态理解与创造可能。]]></description><category></category></item><item><title><![CDATA[SVM支持向量机python实现]]></title><link>https://blog.youkuaiyun.com/zw_van/article/details/143083504</link><guid>https://blog.youkuaiyun.com/zw_van/article/details/143083504</guid><author>zw_van</author><pubDate>Sat, 19 Oct 2024 21:09:10 +0800</pubDate><description><![CDATA[**形式**：\( K(x, y) = \sum_{i=1}^d \exp(-\sigma (x_i - y_i)^2) + \kappa \sum_{i < j} \exp(-\sigma (x_i - y_i)^2 - \sigma (x_j - y_j)^2) \)，其中 \(\sigma\) 和 \(\kappa\) 是参数。- **形式**：\( K(x, y) = \tanh(\alpha x^T y + c) \)，其中 \(\alpha\) 和 \(c\) 是参数。]]></description><category></category></item><item><title><![CDATA[子集 宏观+微观 python 思路]]></title><link>https://blog.youkuaiyun.com/zw_van/article/details/142031396</link><guid>https://blog.youkuaiyun.com/zw_van/article/details/142031396</guid><author>zw_van</author><pubDate>Sun, 08 Sep 2024 19:16:41 +0800</pubDate><description><![CDATA[现在写微观，微观就是，写递归函数，自从nums原始数组开始传递的时候，这个传递的逻辑是什么？怎怎么递，什么时候归（回溯）如果不对当前的路径进行保存，那么在回溯（即撤销选择）之后，当前路径的信息就会丢失，因为它会被新的选择覆盖。self.backtracking() #不知道回溯的传参是啥，先空着，，等下面回溯函数写好了再回头写。self.backtracking() #不知道回溯的传参是啥，先空着，，等下面回溯函数写好了再回头写。这样写不对，要传具体的参数就一起传递，保持一致，不然报错！]]></description><category></category></item><item><title><![CDATA[全排列 python 宏观+微观 思路]]></title><link>https://blog.youkuaiyun.com/zw_van/article/details/142001267</link><guid>https://blog.youkuaiyun.com/zw_van/article/details/142001267</guid><author>zw_van</author><pubDate>Sat, 07 Sep 2024 20:28:39 +0800</pubDate><description><![CDATA[传参：首先传self,因为是class solution下的，还有nums原始的数字是什么，是否已经使用used，收集单个结果的path(想象一下，每条树的路径就是一个子集结果)，还有最后的大的结果result。现在，我们把最原始的nums已经拆成3个了，并且加入了子集path，并且通过used标记了这个数字我们有没有遍历到，这时候，可以开始下一层的遍历逻辑了。到这里就结束了，这两个操作共同保证了算法能够正确地回溯到之前的状态，并尝试不同的元素组合，直到找到所有可能的排列。注意，这里开始有趣了。]]></description><category></category></item><item><title><![CDATA[从二叉树看类,对象和面向对象编程]]></title><link>https://blog.youkuaiyun.com/zw_van/article/details/141957727</link><guid>https://blog.youkuaiyun.com/zw_van/article/details/141957727</guid><author>zw_van</author><pubDate>Fri, 06 Sep 2024 13:46:00 +0800</pubDate><description><![CDATA[实际上，递归函数里面的root就是类的活体，本来这个类就是一个节点的类里面有三个属性，root就是类的活体，是root赋予类生命，让root能在递归函数里面成为能够动态执行函数的节点，如果没有root，类就是死的，只是一个设计图，所以可以任意调用类里面的属性。之所以叫做，面向对象编程，是因为对象是用在函数里面用来执行任务的，但是这个对象需要有一些属性或者本身就应该有的行为，所以需要提前在类里面定义这个对象的属性或者行为。类型的对象，这个对象可以是树中的任何一个节点，而不仅仅是根节点。当你在递归函数内部写。]]></description><category></category></item><item><title><![CDATA[递归递归先递后归二叉树与递归(回溯)]]></title><link>https://blog.youkuaiyun.com/zw_van/article/details/141957029</link><guid>https://blog.youkuaiyun.com/zw_van/article/details/141957029</guid><author>zw_van</author><pubDate>Fri, 06 Sep 2024 13:14:51 +0800</pubDate><description><![CDATA[浅谈个人对二叉树递归理解三句话总结分而治之先递后归归即是回溯二叉树是一个大的树有左子树和右子树，我要对整个二叉树做后序遍历，宏观上看，就是把整个二叉树按照左右根的顺序遍历一遍，放进一个列表。但是二叉树有左有右，每个二叉树又看成是分裂成很多很多个小的二叉树，刚刚说了，宏观上，我是左右根的顺序遍历。好，现在来到左边，左边也是一个独立的二叉树，也是要左右根的顺序遍历的，好，那就从头到尾，尾巴就是叶子结点，终止条件就是root当前节点是空的说明没了就停了。]]></description><category></category></item><item><title><![CDATA[【Opencv】模糊]]></title><link>https://blog.youkuaiyun.com/zw_van/article/details/140783781</link><guid>https://blog.youkuaiyun.com/zw_van/article/details/140783781</guid><author>zw_van</author><pubDate>Mon, 29 Jul 2024 23:54:12 +0800</pubDate><description><![CDATA[img_blur = cv2.blur(img,(k_size,k_size)) #窗口是正方形，也可以是不同的值，就是选择窗口大小。k_size = 7 #窗口大小，数字越大，模糊越强。]]></description><category></category></item><item><title><![CDATA[【Opencv】色彩空间 color space]]></title><link>https://blog.youkuaiyun.com/zw_van/article/details/140783074</link><guid>https://blog.youkuaiyun.com/zw_van/article/details/140783074</guid><author>zw_van</author><pubDate>Mon, 29 Jul 2024 23:15:54 +0800</pubDate><description><![CDATA[import osimport cv2img = cv2.imread(os.path.join('.','dog.jpg'))cv2.imshow('img',img)cv2.waitKey(0)img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)cv2.imshow('img_rgb',img_rgb)cv2.waitKey(0)img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)cv2.imshow('img_gray]]></description><category></category></item><item><title><![CDATA[【OpenCv】裁剪]]></title><link>https://blog.youkuaiyun.com/zw_van/article/details/140782196</link><guid>https://blog.youkuaiyun.com/zw_van/article/details/140782196</guid><author>zw_van</author><pubDate>Mon, 29 Jul 2024 22:29:53 +0800</pubDate><description><![CDATA[cropped_img = img[320:640, 420:840] #指定裁剪的高，和宽。# 320:640是指定高。# 420:840是指定宽。]]></description><category></category></item><item><title><![CDATA[【Opencv】调整大小resize]]></title><link>https://blog.youkuaiyun.com/zw_van/article/details/140727447</link><guid>https://blog.youkuaiyun.com/zw_van/article/details/140727447</guid><author>zw_van</author><pubDate>Sat, 27 Jul 2024 00:48:26 +0800</pubDate><description><![CDATA[【代码】【Opencv】调整大小resize。]]></description><category></category></item><item><title><![CDATA[【算法刷题】【力扣】| 最长回文子串|]]></title><link>https://blog.youkuaiyun.com/zw_van/article/details/140648499</link><guid>https://blog.youkuaiyun.com/zw_van/article/details/140648499</guid><author>zw_van</author><pubDate>Tue, 23 Jul 2024 23:10:18 +0800</pubDate><description><![CDATA[这段代码利用了中心扩展的方法，通过遍历字符串和从每个可能的中心向两边扩展来找到最长的回文子串。这一行代码是在检查当前找到的回文子串的长度是否大于之前记录的最长回文子串长度。在这个过程中，程序会不断地向两边扩展，直到不能形成回文串为止（即。表示当前扩展出来的回文子串的长度。，就说明找到了一个更长的回文子串，因此需要更新。"aba" 同样是符合题意的答案。]]></description><category></category></item><item><title><![CDATA[将半自动化标签绘制在原图上]]></title><link>https://blog.youkuaiyun.com/zw_van/article/details/140621495</link><guid>https://blog.youkuaiyun.com/zw_van/article/details/140621495</guid><author>zw_van</author><pubDate>Mon, 22 Jul 2024 23:02:01 +0800</pubDate><description><![CDATA[用yolov8的推理，做了半自动化标签处理。yolo的标签格式是：标签 + 每个顶点的坐标比如：第一个数字0是类别，后面是每个顶点的坐标，(x,y)这样的。而且可能是多行的所以，要把标签画在原图上，看看打的对不对。画标签到原图上.py。]]></description><category></category></item><item><title><![CDATA[YOLOV8-【Autodl | ipynb】跑语义分割训练自己数据集]]></title><link>https://blog.youkuaiyun.com/zw_van/article/details/140391607</link><guid>https://blog.youkuaiyun.com/zw_van/article/details/140391607</guid><author>zw_van</author><pubDate>Sat, 13 Jul 2024 00:59:46 +0800</pubDate><description><![CDATA[1、在相应的（就是有数据的）文件夹下载yolov8包。]]></description><category></category></item><item><title><![CDATA[YOLOV8-【Autodl | 命令行方式】跑语义分割训练自己数据集]]></title><link>https://blog.youkuaiyun.com/zw_van/article/details/140390364</link><guid>https://blog.youkuaiyun.com/zw_van/article/details/140390364</guid><author>zw_van</author><pubDate>Sat, 13 Jul 2024 00:54:31 +0800</pubDate><description><![CDATA[如果在云服务器跑yolov8，总结起来就是：1、首先，要在本地准备好格式化的数据集，data，到时候用xftp7直接传到云服务器2、在云服务器，要新建两个东西；第一个是，下载ultrlytics包的虚拟环境第二个是，存放实例化数据的文件夹，放data和配置文件3、进入云服务器，的虚拟环境，下载ultrlytics包进入新建的文件夹，传输data和mydata.yaml4、在正确的虚拟环境，及正确的文件夹下（缺一不可），开始跑训练~/ptyolov8以上两个的区别是，第一个是直接把。]]></description><category></category></item><item><title><![CDATA[【算法】Merge Sort 合并排序]]></title><link>https://blog.youkuaiyun.com/zw_van/article/details/140061298</link><guid>https://blog.youkuaiyun.com/zw_van/article/details/140061298</guid><author>zw_van</author><pubDate>Sat, 29 Jun 2024 14:03:24 +0800</pubDate><description><![CDATA[递归地将问题分解为多个子问题，直到它们变得简单易解将解决方案组合起来，解决原有问题。]]></description><category></category></item><item><title><![CDATA[【数据集划分——针对于原先图片已经整理好类别】训练集|验证集|测试集]]></title><link>https://blog.youkuaiyun.com/zw_van/article/details/140027030</link><guid>https://blog.youkuaiyun.com/zw_van/article/details/140027030</guid><author>zw_van</author><pubDate>Fri, 28 Jun 2024 00:09:42 +0800</pubDate><description><![CDATA[【代码】【数据集划分——针对于原先图片已经整理好类别】训练集|验证集|测试集。]]></description><category></category></item><item><title><![CDATA[【数据科学】学习资源汇总（不定时更新）]]></title><link>https://blog.youkuaiyun.com/zw_van/article/details/140027167</link><guid>https://blog.youkuaiyun.com/zw_van/article/details/140027167</guid><author>zw_van</author><pubDate>Thu, 27 Jun 2024 23:29:31 +0800</pubDate><description><![CDATA[好书推荐：BooksPDF/数据科学/Python数据科学手册.pdf at master · zhixingchou/BooksPDF · GitHub]]></description><category></category></item><item><title><![CDATA[【公开数据集获取】]]></title><link>https://blog.youkuaiyun.com/zw_van/article/details/140026665</link><guid>https://blog.youkuaiyun.com/zw_van/article/details/140026665</guid><author>zw_van</author><pubDate>Thu, 27 Jun 2024 23:05:33 +0800</pubDate><description><![CDATA[Open Images Dataset https://www.youtube.com/watch?v=dLSFX6Jq-F0]]></description><category></category></item><item><title><![CDATA[【图像分类】Yolov8 完整教程 |分类 |计算机视觉]]></title><link>https://blog.youkuaiyun.com/zw_van/article/details/140022154</link><guid>https://blog.youkuaiyun.com/zw_van/article/details/140022154</guid><author>zw_van</author><pubDate>Thu, 27 Jun 2024 23:03:13 +0800</pubDate><description><![CDATA[yolo classify train data='绝对路径' model=yolov8n-cls.pt epochs=1 imgsz=64。data="数据集的的绝对路径",这里是放所有图片的那个总文件夹，就是train/val/test上面一级的，然后注意一定是绝对路径。results = model.train(data="数据集的的绝对路径", epochs=1, imgsz=64)数字不好看，我们用每个epoch的loss值画一个图像，可以直观的看。其中我们重点关注，loss和accuracy。]]></description><category></category></item><item><title><![CDATA[【数据科学】12小时学完数据科学(入门)---三]]></title><link>https://blog.youkuaiyun.com/zw_van/article/details/140000864</link><guid>https://blog.youkuaiyun.com/zw_van/article/details/140000864</guid><author>zw_van</author><pubDate>Wed, 26 Jun 2024 23:23:30 +0800</pubDate><description><![CDATA[]]></description><category></category></item></channel></rss>