当前位置：首页 > news >正文

机器学习，我们主要学习什么？

news 来源：原创 2025/9/18 19:25:56

机器学习的发展历程

机器学习的发展历程，大致分为以下几个阶段：

1. 起源与早期探索（20世纪40年代-60年代）

1949年：Hebb提出了基于神经心理学的学习机制，开启了机器学习的先河
1950年代：机器学习的起源与人工智能的探索紧密相连。例如，1956年，达特茅斯会议标志着人工智能的诞生，机器学习作为其重要分支也开始受到关注
1960年代：出现了早期的机器学习算法，如1967年诞生的K最近邻算法（KNN），至今仍在无监督学习领域广泛应用。

2. 知识工程与符号学习时期（20世纪70年代-80年代）

1970年代：人工智能进入知识工程期，这一阶段的机器学习主要集中在符号学习和逻辑推理上
1980年代：机器学习逐渐成为一个独立的学科领域。1980年，第一届机器学习研讨会在美国卡内基梅隆大学举行，同年《策略分析与信息系统》杂志连出三期关于机器学习的专辑。此外，1986年反向传播算法（BP算法）的诞生，为神经网络的发展奠定了基础。

3. 浅层学习与算法多样化（20世纪90年代）

1990年代：机器学习进入算法多样化的阶段，出现了多种经典算法，如1995年诞生的支持向量机（SVM）和AdaBoost，这些算法至今仍在许多领域广泛应用。

4. 深度学习的崛起（21世纪初-2010年代）

2006年：深度学习的兴起标志着机器学习进入新的阶段。Hinton等人提出了深度信念网络，开启了深度学习的浪潮。
2010年代：深度学习在图像识别、语音识别等领域取得了突破性进展，卷积神经网络（CNN）和循环神经网络（RNN）等架构被广泛应用。

5. 现代机器学习与应用拓展（2010年代-至今）

2010年代末-2020年代：机器学习在多个领域取得广泛应用，如自动驾驶、医疗影像分析、自然语言处理等。同时，新的技术和方法不断涌现，如强化学习、迁移学习、自监督学习等。
未来趋势：机器学习将继续朝着更强大的模型、多模态学习、少样本学习等方向发展，同时也会更加注重模型的可解释性和效率。

机器学习涉及的基本术语

机器学习是一个复杂的领域，涉及许多专业术语。以下是一些必须了解的核心术语，按照不同的分类进行介绍：

1. 基础概念类

机器学习（Machine Learning, ML）：一种人工智能技术，通过算法使计算机系统能够从数据中学习并做出预测或决策，而无需进行明确的编程。
训练（Training）：使用数据（训练数据集）来调整模型参数的过程。
测试（Testing）：使用未见过的数据（测试数据集）来评估模型性能的过程。
特征（Feature）：用于描述数据的输入变量，例如在图像识别中，像素值可以是特征。
标签（Label）：目标变量，即模型需要预测的输出值，例如在分类任务中，类别标签。
模型（Model）：通过学习数据得到的数学结构，用于对新数据进行预测或决策。
泛化能力（Generalization）：模型对未见过的新数据的预测能力。

2. 数据相关术语

数据集（Dataset）：用于训练和测试模型的数据集合。
训练集（Training Set）：用于训练模型的数据。
验证集（Validation Set）：用于调整模型超参数和评估模型性能的数据。
测试集（Test Set）：用于最终评估模型性能的数据，模型在训练过程中未见过。
数据预处理（Data Preprocessing）：在训练模型之前对数据进行清洗、归一化、标准化等处理。
特征工程（Feature Engineering）：通过选择、转换或创建特征来提高模型性能的过程。
过拟合（Overfitting）：模型在训练数据上表现很好，但在新数据上表现很差的现象。
欠拟合（Underfitting）：模型对训练数据的拟合不足，无法捕捉数据中的规律。

3. 算法与模型相关术语

监督学习（Supervised Learning）：使用带标签的数据训练模型，目标是预测输出标签。
无监督学习（Unsupervised Learning）：使用无标签的数据训练模型，目标是发现数据中的结构或模式。
半监督学习（Semi-Supervised Learning）：结合少量带标签数据和大量无标签数据进行训练。
强化学习（Reinforcement Learning）：通过与环境交互并获得奖励来学习最优策略。
回归（Regression）：预测连续数值输出的任务。
分类（Classification）：预测离散类别标签的任务。
聚类（Clustering）：将数据划分为多个组或簇，使得同一簇内的数据相似度高，不同簇内的数据相似度低。
降维（Dimensionality Reduction）：减少特征数量，同时保留数据的主要信息，如主成分分析（PCA）。
集成学习（Ensemble Learning）：通过组合多个模型来提高预测性能，如随机森林、Boosting。

4. 性能评估相关术语

准确率（Accuracy）：模型预测正确的样本数占总样本数的比例。
精确率（Precision）：被预测为正的样本中实际为正的比例。
召回率（Recall）：所有正样本中被正确预测为正的比例。
F1分数（F1 Score）：精确率和召回率的调和平均值，用于综合评估模型性能。
混淆矩阵（Confusion Matrix）：用于评估分类模型性能的矩阵，包含真正例、假正例、真负例和假负例。
均方误差（MSE）：回归任务中预测值与真实值之间差异的平方和的平均值。
AUC-ROC曲线（Area Under the ROC Curve）：用于评估二分类模型性能的曲线，AUC值越高，模型性能越好。
交叉验证（Cross-Validation）：一种评估模型性能的方法，将数据集划分为多个子集，轮流作为验证集和训练集。

5. 深度学习相关术语

神经网络（Neural Network）：模仿生物神经元结构的计算模型，由多个层组成。
深度学习（Deep Learning）：使用多层神经网络进行学习的方法，强调模型的深度。
卷积神经网络（CNN）：一种常用于图像处理的神经网络架构，通过卷积层提取局部特征。
循环神经网络（RNN）：一种用于处理序列数据的神经网络架构，具有记忆功能。
长短期记忆网络（LSTM）：一种改进的RNN架构，用于解决梯度消失问题。
激活函数（Activation Function）：用于引入非线性因素的函数，如ReLU、Sigmoid等。
反向传播（Backpropagation）：通过计算损失函数的梯度来更新神经网络参数的算法。
梯度下降（Gradient Descent）：一种优化算法，用于最小化损失函数。
学习率（Learning Rate）：控制模型参数更新步长的超参数。

6. 其他重要术语

超参数（Hyperparameter）：模型训练之前需要手动设置的参数，如学习率、迭代次数等。
参数（Parameter）：模型在训练过程中自动学习的内部变量，如神经网络的权重和偏置。
损失函数（Loss Function）：衡量模型预测值与真实值之间差异的函数，用于优化模型。
正则化（Regularization）：用于防止过拟合的技术，如L1正则化和L2正则化。
迁移学习（Transfer Learning）：将一个模型在某个任务上学到的知识应用到另一个相关任务上的方法。
自监督学习（Self-Supervised Learning）：一种无监督学习方法，通过自动生成标签来训练模型。
强化学习中的奖励（Reward）：环境对智能体行为的反馈，用于指导智能体学习最优策略。

机器学习，我们主要学习什么?

学习机器学习，我们到底要学什么？

1. 数学基础

机器学习依赖于数学理论，因此具备扎实的数学基础是必要的。以下是关键的数学领域：

1.1 线性代数

向量和矩阵运算：理解向量、矩阵的加法、乘法、转置等操作，因为这些是处理数据和模型参数的基础。
特征值与特征向量：在主成分分析（PCA）和某些优化问题中非常重要。
线性变换：理解数据在不同空间中的表示和转换。

1.2 概率论与统计学

概率分布：如高斯分布、伯努利分布等，用于描述数据的随机性。
贝叶斯定理：在贝叶斯方法和一些机器学习算法中非常重要。
统计推断：包括假设检验、置信区间等，用于评估模型的可靠性和性能。
期望、方差和协方差：用于描述数据的分布和相关性。

1.3 微积分

导数和梯度：用于优化算法，如梯度下降。
偏导数和雅可比矩阵：在多变量优化中非常重要。
泰勒展开：用于近似复杂函数，如在神经网络的激活函数中。

2. 编程与工具

机器学习需要通过编程实现算法和模型，因此掌握编程语言和相关工具是必不可少的。

2.1 编程语言

Python：目前最主流的机器学习编程语言，具有丰富的库和框架支持，如NumPy、Pandas、Scikit-learn、TensorFlow、PyTorch等。
R：在统计分析和数据科学领域广泛应用。
其他语言：如Java、C++等，虽然在机器学习中不如Python常用，但在某些场景下也有应用。

2.2 数据处理工具

NumPy：用于高效处理数组和矩阵运算。
Pandas：用于数据清洗、预处理和分析。
Matplotlib、Seaborn：用于数据可视化，帮助理解数据分布和模型性能。
Jupyter Notebook：一个交互式编程环境，方便实验和展示代码。

2.3 机器学习框架

Scikit-learn：一个功能强大的机器学习库，提供了丰富的算法和工具，适合初学者。
TensorFlow：由Google开发的深度学习框架，支持大规模分布式训练和复杂模型构建。
PyTorch：由Facebook开发的深度学习框架，以动态计算图和易用性著称，适合研究和开发。
Keras：一个高级神经网络API，可以运行在TensorFlow、Caffe等后端之上。

3. 机器学习的核心概念与算法

机器学习的学习重点是理解核心概念和掌握经典算法。

3.1 核心概念

监督学习、无监督学习、半监督学习和强化学习：理解不同学习范式的应用场景和方法。
特征工程：如何选择、提取和转换特征，以提高模型性能。
模型评估与选择：如何使用交叉验证、性能指标（如准确率、召回率、F1分数、MSE等）来评估模型。
过拟合与欠拟合：理解模型的泛化能力，以及如何通过正则化、交叉验证等方法避免过拟合。

3.2 经典算法

线性回归和逻辑回归：最基础的预测模型，用于回归和二分类任务。
决策树和随机森林：基于树的模型，易于理解和解释，适合分类和回归任务。
支持向量机（SVM）：一种强大的分类算法，适用于高维数据。
K最近邻（KNN）：一种简单的分类和回归算法，基于相似度计算。
K均值聚类（K-Means）：一种常用的无监督学习算法，用于数据聚类。
主成分分析（PCA）：一种降维技术，用于减少特征数量并保留数据的主要信息。
神经网络与深度学习：包括卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）等，用于处理图像、语音、文本等复杂数据。

4. 深度学习

深度学习是机器学习的一个重要分支，近年来取得了巨大的进展，因此也是学习的重点之一。

4.1 神经网络基础

感知机：最简单的神经网络模型，用于理解神经元的基本工作原理。
多层感知机（MLP）：包含隐藏层的神经网络，用于处理非线性问题。
激活函数：如ReLU、Sigmoid、Tanh等，用于引入非线性因素。
损失函数：如均方误差（MSE）、交叉熵损失等，用于衡量模型的预测误差。
优化算法：如梯度下降、随机梯度下降（SGD）、Adam等，用于调整模型参数。

4.2 深度学习架构

卷积神经网络（CNN）：用于图像处理，通过卷积层和池化层提取图像特征。
循环神经网络（RNN）和长短期记忆网络（LSTM）：用于序列数据处理，如自然语言处理和时间序列分析。
Transformer架构：基于自注意力机制的模型，广泛应用于自然语言处理，如BERT、GPT等。
生成对抗网络（GAN）：由生成器和判别器组成，用于生成新的数据样本，如图像生成。

5. 实践与应用

机器学习的学习不仅仅是理论知识，更重要的是通过实践来巩固和应用所学内容。

5.1 数据预处理

数据清洗：处理缺失值、异常值和重复值。
数据标准化和归一化：将数据转换到统一的尺度，提高模型性能。
特征选择与降维：减少特征数量，提高模型效率和可解释性。

5.2 模型训练与调优

超参数调整：使用网格搜索、随机搜索或贝叶斯优化等方法调整超参数。
模型集成：通过组合多个模型（如Bagging、Boosting）来提高性能。
模型部署：将训练好的模型部署到实际应用中，如使用Flask、Django等框架搭建API。

5.3 项目实践

参加竞赛：如Kaggle竞赛，通过解决实际问题来提升技能。
开源项目贡献：参与开源项目，学习先进的技术和架构。
个人项目：从数据收集、预处理、模型训练到结果评估，完整地实现一个机器学习项目。

6. 领域知识与前沿技术

机器学习在许多领域都有应用，因此了解相关领域的知识和前沿技术也很重要。

6.1 应用领域

计算机视觉：图像识别、目标检测、图像分割等。
自然语言处理（NLP）：文本分类、情感分析、机器翻译、问答系统等。
语音识别：语音转文字、语音命令识别等。
推荐系统：基于用户行为和偏好进行个性化推荐。
医疗、金融、交通等：机器学习在这些领域的应用也越来越广泛。

6.2 前沿技术

强化学习：用于智能体与环境交互的学习方法，如AlphaGo。
迁移学习：将预训练模型迁移到新任务上，减少训练成本。
自监督学习：无需人工标注数据的学习方法，提高模型的泛化能力。
可解释性AI（XAI）：研究如何让机器学习模型的决策过程更加透明和可解释。

学习机器学习需要掌握数学基础、编程技能、核心概念与算法、深度学习技术，并通过实践项目来巩固知识。此外，了解应用领域的知识和前沿技术可以帮助你更好地将机器学习应用于实际问题。

机器学习，我们主要学习什么？

机器学习的发展历程机器学习的发展历程，大致分为以下几个阶段： 1. 起源与早期探索（20世纪40年代-60年代） 1949年：Hebb提出了基于神经心理学的学习机制，开启了机器学习的先河1950年代：机器学习的…...

编程日记 2025/9/18 19:25:56

React 高阶组件的优缺点

React 高阶组件的优缺点优点 1. 代码复用性高公共逻辑封装：当多个组件需要实现相同的功能或逻辑时，高阶组件可以将这些逻辑封装起来，避免代码重复。例如，多个组件都需要在挂载时进行数据获取操作，就可以创建一个数…...

编程日记 2025/9/15 5:52:30

算法1-4 数楼梯

题目描述楼梯有 N 阶，上楼可以一步上一阶，也可以一步上二阶。编一个程序，计算共有多少种不同的走法。输入格式一个数字，楼梯数。输出格式输出走的方式总数。输入输出样例输入 #1 4 输出 #1 5 说明/提示对于…...

编程日记 2025/9/15 5:52:29

我的世界1.20.1forge开发教程（6）——自定义燃料，熔炼规则、配方

配方篇在Minecraft中，配方代码是用于定义合成配方的一种数据格式。在开发者的角度，配方代码通常以JSON格式编写，包含了合成所需的原料、合成产物以及合成方式等信息。在1.12版本之前，开发者需要通过修改游戏的源代码来添加自定义配方。这通常需要对游戏的Java代码进行修…...

编程日记 2025/9/15 5:52:27

01 1个路由器+两个子网

前言这是最近一个朋友的 ensp 相关的问题, 这里来大致了解一下 ensp, 计算机网络拓扑相关基础知识这里一系列文章, 主要是参照了这位博主的 ensp 专栏这里我只是做了一个记录, 自己实际操作了一遍, 增强了一些自己的理解当然这里仅仅是一个简单的示例, 实际场景…...

编程日记 2025/9/15 4:54:06

buu-[OGeek2019]babyrop-好久不见41

打开 /dev/urandom 设备文件，读取4个字节到 buf 中。将 buf 传递给 sub_804871F() 函数，该函数似乎对输入进行某种处理并返回一个值 v2。最后，将 v2 传递给 sub_80487D0() 函数。这个函数首先将 a1 转换为字符串 s。然后从标准输入读…...

编程日记 2025/9/17 2:03:06

PV和UV的区别

文章目录 1. UV（Unique Visitor / 独立访客）：多少人来过2. PV（Page View / 页面浏览量）：访问了多少次3. 对比 UV 和 PV4. 示例场景5. 扩展指标 UV 侧重用户规模，反映“多少人来过”。PV 侧重访问…...

编程日记 2025/9/15 4:54:03

DeepSeek掘金——调用DeepSeek API接口实现智能数据挖掘与分析

调用DeepSeek API接口：实现智能数据挖掘与分析在当今数据驱动的时代，企业和开发者越来越依赖高效的数据挖掘与分析工具来获取有价值的洞察。DeepSeek作为一款先进的智能数据挖掘平台，提供了强大的API接口，帮助用户轻松集成其功能到自己的应用中。本文将详细介绍如何调用D…...

编程日记 2025/9/15 4:54:01

JavaScript变量的作用域介绍

JavaScript变量的作用域介绍 JavaScript 变量的作用域决定了变量在代码中的可访问性。 var 是 JavaScript 中最早用于声明变量的关键字，它函数作用域或全局作用域。 let 关键字，具有块级作用域、全局作用域。 const关键字，具有块级作用域…...

编程日记 2025/9/15 4:53:59

ollama如何安全卸载，解决Ollama unins000.msg is missing

春节后在本地电脑安装了Ollama的客户端，每次开机自启，影响开机速度，而且本地的模型不如联网的回答效果好，果断选择了卸载，但是今天卸载发现提示下方的错误。根据此文章可以解决当前的问题。根据此文章可以解决当前的…...

编程日记 2025/9/14 8:57:32

2.5GE 超千兆SFP光模块型号（常用光模块收发光功率范围）

SFP 2.5GE超千兆光模，参考表格： 型号类型工作波长 (nm)发光功率 (dBm)光功率灵敏度 (dBm)传输距离 (m)SFP-25G-SR多模光纤850-10.0 to -3.0-18.0300 (OM3) / 400 (OM4)SFP-25G-LR单模光纤1310-5.0 to 1.0-24.010,000SFP-25G-ER单模光纤1550-1.0 to 4.0…...

编程日记 2025/9/15 4:53:56

Ubuntu24.04安装不同版本的pip

目录 1.安装pip 2. 为不同的Python版本安装pip 3. 安装python库 1.安装pip 一般情况下，Ubuntu系统默认提供Python 3，但可能没有安装pip。可以通过以下命令安装pip sudo apt update sudo apt install python3-pip 安装完成后，可以通过以下…...

编程日记 2025/9/14 18:06:32

fastadmin实现海报批量生成、邮件批量发送

记录一个海报批量生成、邮件批量发送功能开发，业务场景如下： 国外客户做观展预登记，工作人员通过后台，批量给这些观众生成入场证件并发送到观众登记的邮箱，以方便观众入场时快速进场。证件信息包含入场二维码、姓名&a…...

编程日记 2025/9/15 4:53:53

拆解微软CEO纳德拉战略蓝图：AI、量子计算、游戏革命如何改写未来规则！

2025年2月19日知名博主Dwarkesh Patel对话微软CEO萨蒂亚纳德拉在最新访谈释放重磅信号：AI将掀起工业革命级增长，量子计算突破引爆材料科学革命，游戏引擎进化为世界模拟器。整个视频梳理出几大核心观点，揭示科技巨头的未来十年…...

编程日记 2025/9/14 20:40:53

深度学习（2)-深度学习关键网络架构

关键网络架构深度学习有4种类型的网络架构：密集连接网络、卷积神经网络、循环神经网络和Transformer。每种类型的模型都是针对特定的输入模式，网络架构包含了关于数据结构的假设，即模型搜索的假设空间。某种架构能否解决某个问题&#xff0…...

编程日记 2025/9/15 4:53:49

MyBatis中的日志和映射器说明

1.MyBatis中的日志 1.1 什么是日志在我们编写应用的时候，有一些信息需要及时查看，查看的时候有时需要输出到控制台，有时需要输出到文件。MyBatis也需要日志，一般情况下，使用log4j进行日志管理。 1.2 在MyBatis中…...

编程日记 2025/9/15 4:53:48

pip下载速度变快可以用清华镜像源

pip下载速度变快可以用清华镜像源 https://pypi.tuna.tsinghua.edu.cn/simplepip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple参考清华镜像源地址（国内下载python包必备地址）_清华源镜像地址-CSDN博客...

编程日记 2025/9/15 4:53:46

骶骨神经

骶骨肿瘤手术后遗症是什么_39健康网_癌症 [健康之路]匠心仁术（七） 勇闯禁区骶骨肿瘤切除术...

编程日记 2025/8/16 18:16:06

LeetCode刷题---二分查找---441

排列硬币 441. 排列硬币 - 力扣（LeetCode） 题目你总共有 n 枚硬币，并计划将它们按阶梯状排列。对于一个由 k 行组成的阶梯，其第 i 行必须正好有 i 枚硬币。阶梯的最后一行可能是不完整的。给你一个数字 n ，计算…...

编程日记 2025/9/11 13:42:42

DeepSeek 提示词：定义、作用、分类与设计原则

🧑 博主简介：CSDN博客专家，历代文学网（PC端可以访问：https://literature.sinhy.com/#/?__c1000，移动端可微信小程序搜索“历代文学”）总架构师，15年工作经验，精通Java编…...

编程日记 2025/9/15 20:04:26

最短路的方案数+打印路径

这个题目整合了我们最短路用到的很多技能如何统计最短路径的方案数呢，这就需要我们另外开一个全局数组如何打印路径呢，还是开一个全局的数组，记录前一个是啥就行简单的来说，要增加啥新的功能，直接多开全局变量就行…...

编程日记 2025/9/12 0:18:19

Python爬虫系列教程之第十三篇：构建高可用爬虫系统 —— 混合架构与自动化监控

大家好，欢迎继续关注本系列爬虫教程！随着爬虫项目规模的不断扩大和业务需求的提升，单一技术方案往往难以满足实际应用中对高可用性、稳定性和自动化监控的要求。如何构建一个既能应对多种反爬策略，又能在异常情况下自动恢复、实时…...

编程日记 2025/9/14 1:48:34

Python学习心得浅拷贝与深拷贝

一、变量的赋值、浅拷贝以及深拷贝的定义： 1.变量的赋值：只是形成两个变量，实际上还是指向同一个对象 2.浅拷贝：拷贝时，对象包含的子对象内容不拷贝，因此，源对象与拷贝对象会引用同一个子对象…...

编程日记 2025/9/14 20:06:09

cs106x-lecture13(Autumn 2017)-SPL实现

打卡cs106x(Autumn 2017)-lecture13 (以下皆使用SPL实现，非STL库，后续课程结束会使用STL实现) 1、v1v2p1p2 The following code C uses pointers and produces two lines of output. What is the output? int v1 10; int v2 25; int* p1 &v1…...

编程日记 2025/9/16 14:35:18

3D模型在线转换工具：轻松实现3DM转OBJ

3D模型在线转换是一款功能强大的在线工具，支持多种3D模型格式的在线预览和互转。无论是工业设计、建筑设计，还是数字艺术领域，这款工具都能满足您的需求。 3DM与OBJ格式简介 3DM格式：3DM是一种广泛应用于三维建模的文件格式&…...

编程日记 2025/9/16 14:35:17

AI IDE 新势力 Trae 功能深度解析：Builder与Chat模式的应用场景与市场竞争力分析

文章目录一、前言二、简介2.1 Trae 的背景与定位三、Trae 核心功能3.1 Builder模式介绍3.2 Chat模式介绍四、Trae 实际应用案例4.1 Trae 安装与配置4.1.1 Trae 安装与配置4.1.2 Trae 设置 4.2 实战案例分享4.2.1 Trae Builder模式：从0到1生成对接 DeepSeek 的聊天…...

编程日记 2025/9/16 14:35:15

天锐蓝盾终端安全管理系统：办公U盘拷贝使用管控限制

天锐蓝盾终端安全管理系统以终端安全为基石，深度融合安全、管理与维护三大要素，通过对桌面终端系统的精准把控，助力企业用户构筑起更为安全、稳固且可靠的网络运行环境。它实现了管理的标准化，有效破解终端安全管理难题&#xf…...

编程日记 2025/9/16 4:49:18

ADCP处理软件CODAS安装 (conda方法安装)

夏威夷大学出品的ADCP处理软件，我主要用来查看船载ADCP流速数据。 1. 先安装conda(miniconda就可以)，这里不再赘述，安装完可以添加conda库和取消登录自动激活conda conda config --add channels conda-forge # 添加库 conda config --set a…...

编程日记 2025/9/17 18:32:04

JUC并发—9.并发安全集合三

大纲 1.并发安全的数组列表CopyOnWriteArrayList 2.并发安全的链表队列ConcurrentLinkedQueue 3.并发编程中的阻塞队列概述 4.JUC的各种阻塞队列介绍 5.LinkedBlockingQueue的具体实现原理 6.基于两个队列实现的集群同步机制 1.并发安全的数组列表CopyOnWriteArrayList …...

编程日记 2025/9/16 14:35:09

后端Java Stream数据流的使用=＞代替for循环

API讲解对比示例代码对比 for循环遍历 package cn.ryanfan.platformback.service.impl;import cn.ryanfan.platformback.entity.Algorithm; import cn.ryanfan.platformback.entity.AlgorithmCategory; import cn.ryanfan.platformback.entity.DTO.AlgorithmInfoDTO; im…...

编程日记 2025/9/16 14:35:08

强化学习-GAE方法

2016-ICLR-HIGH-DIMENSIONAL CONTINUOUS CONTROL USING GENERALIZED ADVANTAGE ESTIMATION 解决问题强化学习的目标为最大化策略的预期总回报，其中一个主要困难为行为对reward的影响存在一个长时间的延迟（credit assignment problem）。价…...

编程日记 2025/9/16 14:35:06

51c大模型~合集71

我自己的原文哦~ https://blog.51cto.com/whaosoft/12260659 #大模型推理加速技术的学习路线 EfficientQAT 可以在 41 小时内在单个 A100-80GB GPU 上完成对 2-bit Llama-2-70B 模型的量化感知训练。与全精度模型相比，精度仅下降了不到 3%（69.48 v…...

编程日记 2025/9/16 7:38:35

PyTorch-基础(CUDA、Dataset、transforms、卷积神经网络、VGG16)

PyTorch-基础环境准备 CUDA Toolkit安装（核显跳过此步骤） CUDA Toolkit是NVIDIA的开发工具，里面提供了各种工具、如编译器、调试器和库首先通过NVIDIA控制面板查看本机显卡驱动对应的CUDA版本，如何去下载对应版本的Toolkit工…...

编程日记 2025/9/16 14:35:01

Linux（centos）系统安装部署MySQL8.0数据库(GLIBC版本)

安装前检查服务器glibc版本，下载对应版本包 rpm -qa | grep glibc mysql安装包及依赖包已整理好，下载地址：https://pan.quark.cn/s/3137acc814c0，下载即可安装一、下载MySQL mysql安装包及依赖包已整理好，下载地址…...

编程日记 2025/9/16 5:10:29

Transformer解析——（四）Decoder

本系列已完结，全部文章地址为： Transformer解析——（一）概述-CSDN博客 Transformer解析——（二）Attention注意力机制-CSDN博客 Transformer解析——（三）Encoder-CSDN博客 Transforme…...

编程日记 2025/9/16 14:34:57

TypeScript 中 type 和 interface 深度对比分析

一、核心概念对比特性interfacetype本质声明式类型契约（面向对象范式）类型别名（函数式编程思维）可扩展性支持声明合并（多次声明自动合并）不可合并基础类型支持只能描述对象/函数类型可描述任意类型&#…...

编程日记 2025/9/16 14:34:56

unplugin-vue-components，unplugin-auto-import，借用ai去学习

好的，我现在需要帮助用户理解他们提供的这段Vite配置代码。用户之前已经询问过关于ElementPlusResolver的导入问题，现在他们展示了在vite.config.ts中使用该解析器的具体配置。我需要逐步分析这段代码，并解释每个部分的作用。首先&#xff…...

编程日记 2025/9/16 0:56:48

Nginx学习笔记：常用命令端口占用报错解决Nginx核心配置文件解读

Nginx 1. 基础命令1.1 重新加载systemd配置1.2 停止Nginx服务1.3 启动Nginx服务1.4 重启Nginx服务1.5 查看Nginx服务状态1.6 测试配置和重载Nginx 2. 额外命令2.1 启用开机自启2.2 禁用开机自启2.3 强制关闭所有Nginx进程 3. Nginx端口占用解决方案3.1 查找占用端口8090的进程3…...

编程日记 2025/9/16 14:34:52

C++ ——继承

体现的是代码复用的思想 1、子类继承父类，子类就拥有了父类的特性（成员方法和成员属性） 2、已存在的类被称为“基类”或者“父类”或者“超类”；新创建的类被称为“派生类”或者“子类” 注意： （1&#…...

编程日记 2025/9/16 14:34:49

正则表达式常用记录

1. 定义正则表达式，又称规则表达式,（Regular Expression，在代码中常简写为regex、regexp或RE），它是一种文本模式，同时也是计算机科学的一个概念，其中包括普通字符（例如&#xff0c…...

编程日记 2025/9/16 14:34:47

redis的应用,缓存,分布式锁

1.应用 1.1可以用作缓存作用：提交数据的查询效率，减少对数据库的访问频率什么数据适合放入缓存 1.查询频率高，修改频率低 2.对安全系数比较低如何实现 Service public class DeptServer {Autowiredprivate DeptMapper deptMapper;Auto…...

编程日记 2025/9/16 14:34:46

qt5实现表盘的旋转效果，通过提升QLabel类

因为工作需要，需要实现温度的表盘展示效果实现思路： 通过提示声QLabel控价类，实现报盘的旋转和展示效果 1. 编写一个QLabel的类MyQLabel,实现两个方法 1. void paintEvent(QPaintEvent *event); //重绘函数 2. void valueChanged(int va…...

编程日记 2025/9/16 14:34:44

Flutter项目中设置安卓启动页

AndroidManifest.xml 设置 android:theme“style/LaunchTheme” <applicationandroid:label"string/app_name"android:name"${applicationName}"android:icon"mipmap/ic_launcher"android:roundIcon"mipmap/ic_launcher"android:t…...

编程日记 2025/9/16 14:34:43

人工智能之目标追踪DeepSort源码解读(yolov5目标检测,代价矩阵,余弦相似度,马氏距离,匹配与预测更新)

要想做好目标追踪,须做好目标检测,所以这里就是基于yolov5检测基础上进行DeepSort,叫它为Yolov5_DeepSort。整体思路是先检测再追踪,基于检测结果进行预测与匹配。一.参数与演示这里用到的是coco预训练人的数据集： 二.针对检测结果初始化track 对每一帧数据都输出…...

编程日记 2025/9/16 14:34:41

C语言之枚举类型

目录前言一、enum（枚举总结前言在C语言中，枚举类型是一种用户自定义的数据类型，用于定义一组具名的常量集合。枚举类型可以提高代码的可读性和可维护性，同时也能够帮助程序员避免使用魔法数字。通过枚举类型，我们…...

编程日记 2025/9/16 14:34:39

【Python爬虫(12)】正则表达式：Python爬虫的进阶利刃

【Python爬虫】专栏简介：本专栏是 Python 爬虫领域的集大成之作，共 100 章节。从 Python 基础语法、爬虫入门知识讲起，深入探讨反爬虫、多线程、分布式等进阶技术。以大量实例为支撑，覆盖网页、图片、音频等各类数据爬取&#xff…...

编程日记 2025/9/16 12:00:53

复习dddddddd

1. 思路：用队列先进先出的特性 #include <iostream> #include <vector> #include <stack> #include <cstdio> #include <algorithm> #include <cstring> #include <climits> #include <cstdlib> #include <cma…...

编程日记 2025/9/15 13:26:17

【3.5JavaScript】JavaScript字符串对象

文章目录 1.获取字符串长度2.大小写转换3.获取某一个字符4.截取字符串5.替换字符串6.分割字符串7.检索字符串位置8.例题：统计某一个字符的个数在 JavaScript 中，对象是非常重要的知识点。对象分为两种：一种是 ”自定义对象“，另…...

编程日记 2025/9/14 16:02:37