卿云阁_个人页

2026年06月

• 06.07 09:33:06
  发表了文章 2026-06-07 09:33:06

  PyTorch深度学习实战 |手算​​U-net

  本文详细解析了U-Net网络架构及其在医学图像分割中的应用。重点对比了U-Net与FCN的核心区别：U-Net采用特征拼接(Concat)保留所有层级信息，而FCN使用特征相加(Add)进行融合。文章深入剖析了U-Net的编码器-瓶颈-解码器结构，解释了其独特的裁剪拼接机制和Overlap-tile策略，并提供了完整的PyTorch实现代码。现代U-Net通过SamePadding实现了输入输出尺寸一致，显著提升了分割精度。文章还探讨了弹性形变数据增强和带空间权重的损失函数设计，为医学图像分析提供了实用解决
• 06.07 09:30:51
  发表了文章 2026-06-07 09:30:51

  PyTorch深度学习实战 |语义分割基础知识

  《PyTorch语义分割实战解析》摘要：本文深入探讨语义分割中的标签处理技术，对比P模式与L模式的本质区别。P模式通过调色板实现人机双重视觉效果，底层存储类别索引（0,1,2等），表面呈现彩色可视化效果。针对边缘模糊问题，提出使用255作为忽略标签（IgnoreLabel）的解决方案。文章系统梳理7大评价指标：从基础的像素准确率(PA)到综合性的mIoU和mF1，特别强调mIoU作为核心指标的重要性，其平衡各类别的特性使其成为模型性能评估的黄金标准。通过技术原理与实战经验的结合，为深度学习从业者提供了语义分
• 06.07 09:28:57
  发表了文章 2026-06-07 09:28:57

  PyTorch深度学习实战 |手算​​FCN全卷积神经网络

  本文介绍了FCN-8s语义分割网络的实现细节。首先解释了语义分割的概念及其与图像分类的区别，重点分析了FCN网络结构中的全卷积化、上采样和跳跃连接三个关键技术。全卷积化将传统CNN的全连接层改为卷积层，实现像素级分类；上采样通过双线性插值恢复特征图尺寸；跳跃连接则融合高低层特征以提升细节表现。文章详细推导了损失函数的计算过程，并提供了完整的PyTorch实现代码，包括双线性插值权重初始化、VGG16骨干网络和FCN-8s主体结构。最后通过测试验证了模型能正确输出与输入尺寸匹配的预测结果。
• 06.07 09:26:04
  发表了文章 2026-06-07 09:26:04

  PyTorch深度学习实战 |常见层 layer结构的实现和代码实战

  本文介绍了PyTorch中常见的7种神经网络层结构及其输入输出逻辑。通过代码示例演示了全连接层(nn.Linear)、卷积层(nn.Conv2d)、LSTM层、GCN图卷积层和Transformer层的使用方法，重点讲解了各层的输入输出维度变换规则。文章以一张海绵宝宝图片为例，详细展示了图像数据的预处理流程，包括使用PIL和OpenCV两种方法读取图片并转换为PyTorch张量的过程。通过"代码+实战"的方式帮助读者理解神经网络层如何对特征进行维度变换，最终实现从原始输入到目标输出的映射
• 06.07 09:23:25
  发表了文章 2026-06-07 09:23:25

  PyTorch深度学习实战 |从深度学习入门到项目化的任务（以Alexnet网络花分类任务为例）

  本文介绍了PyTorch深度学习实战中的项目化开发方法。作者指出实际项目与玩具数据集的不同之处，强调需要考虑数据标准化、模型保存和实验追踪等工程问题。文章详细讲解了项目化文件结构，包括configs、models、utils等模块的划分，并提供了关键工具函数的实现，如YAML配置加载、模型检查点保存/加载、评估指标计算等。通过一个AlexNet训练示例，展示了如何将模型训练、验证和预测逻辑分离，构建完整的工程闭环。文章强调深度学习实战中80%时间在处理工程问题，只有20%在模型架构上，帮助读者从学习阶段过渡
• 06.07 09:21:26
  发表了文章 2026-06-07 09:21:26

  PyTorch深度学习实战 |Alexnet网络花分类任务项目版本

  本文介绍了基于PyTorch的花卉分类实战项目，包含完整的项目架构和代码实现。项目采用AlexNet网络结构，通过YAML配置文件管理参数，实现了模块化开发。文章详细讲解了数据集处理（5类花卉）、模型训练（包含早停机制和学习率调度）、验证评估和预测功能。项目采用YOLOv5风格的目录结构，包含configs、models、utils等模块，支持命令行参数配置。实验结果显示该架构比简单实现准确率提升4%，最终预测功能可输出top-k分类结果及置信度。完整代码已开源，适合深度学习初学者进阶学习。
• 06.07 09:18:41
  发表了文章 2026-06-07 09:18:41

  PyTorch深度学习实战 |基于Alexnet网络预训练模型完成训练花分类任务实战

  本文介绍了使用AlexNet模型进行花卉图像分类的实战过程。首先讲解了数据集的准备方法，包括5类花卉数据（雏菊、蒲公英等）的8:2训练集/验证集划分。详细解析了AlexNet的网络结构（5个卷积层+3个全连接层）及其创新点，如ReLU激活函数和Dropout正则化。提供了完整的PyTorch实现代码，包括模型定义、数据增强和训练流程。实验结果表明，50轮训练后验证集准确率可达80%。文章还介绍了使用预训练模型进行迁移学习的方法，通过修改分类器层并微调参数，可以显著提升训练效率和分类效果。整个项目从数据准备到
• 06.07 09:15:58
  发表了文章 2026-06-07 09:15:58

  PyTorch深度学习实战 |手算GCN (图神经网络)模型

  本文介绍了使用PyTorch实现图神经网络(GNN)处理分子结构数据的实战方法。主要内容包括：1) GNN的基本原理，通过节点特征矩阵和邻接矩阵处理图结构数据；2) 分子图的表示方式，将SMILES字符串转换为PyTorch Geometric图对象；3) 图卷积运算过程，包括特征变换和邻接特征聚合；4) 代码实现示例，构建包含GCN层和全局池化的模型，对乙醇分子进行特征提取和分类预测。文章通过具体案例展示了GNN在化学领域的应用，为读者提供了从理论到实践的完整指导。
• 06.07 09:14:12
  发表了文章 2026-06-07 09:14:12

  PyTorch深度学习实战 |损失函数

  本文介绍了PyTorch深度学习中四种核心损失函数及其应用场景。交叉熵损失(CrossEntropyLoss)适用于多分类任务，二进制交叉熵损失(BCELoss)专用于二分类问题，KL散度损失(KLDivLoss)用于衡量概率分布差异（如VAE模型），均方误差(MSELoss)则是回归任务的基础损失函数。通过具体代码示例（如图像分类、广告点击预测、房价预测等），文章展示了每种损失函数的PyTorch实现方式，并比较了不同损失函数的适用场景和计算特点，帮助读者根据任务需求选择合适的损失函数。
• 06.07 09:11:32
  发表了文章 2026-06-07 09:11:32

  PyTorch深度学习实战 |基于ViT(Vision Transformer)网络花分类任务

  本文介绍了基于PyTorch的ViT（Vision Transformer）模型在花卉分类任务中的实战应用。主要内容包括： 数据集准备：使用包含5类花卉（雏菊、蒲公英、玫瑰、向日葵、郁金香）的数据集，按8:2比例划分为训练集和验证集。 模型架构：实现了一个精简版ViT模型，包含Patch Embedding、CLS Token、位置嵌入和Transformer编码器等核心组件。 训练流程：详细展示了数据加载、模型训练、验证及测试的完整代码实现，包括损失函数、优化器和学习率调度等配置。 辅助功能：提供了设备选
• 06.07 09:08:40
  发表了文章 2026-06-07 09:08:40

  PyTorch深度学习实战 |手动计算 Transformer和完整的代码实现

  本文介绍了基于PyTorch实现Transformer模型的完整过程。主要内容包括：1）Transformer架构的核心组件实现，如多头注意力机制、位置前馈网络、位置编码等；2）模型构建步骤，包括词嵌入层、编码器/解码器块和输出层的实现；3）完整的训练流程，包含数据处理、损失计算和参数优化；4）评估方法验证模型性能。文章通过代码示例详细展示了如何从零开始构建Transformer，并应用于机器翻译任务，同时对模型各层的输入输出维度进行了说明。该实现可作为深度学习实践者学习Transformer架构的实用指南
• 06.07 09:05:54
  发表了文章 2026-06-07 09:05:54

  PyTorch深度学习实战 |层归一化层和FeedForward

  本文介绍了PyTorch深度学习中Add&Norm层和FeedForward层的实现原理。Add&Norm层由残差连接(Add)和层归一化(Norm)组成，能加速模型收敛并稳定训练。层归一化会对神经网络每层的输出进行归一化处理，文中详细展示了其计算方法和PyTorch实现代码。FeedForward层是一个两层的全连接网络，通过线性变换提取更深层次特征。文章还分析了Transformer模型中使用层归一化的原因，并提供了完整的代码实现，包括参数初始化和前向传播过程。
• 06.07 09:04:02
  发表了文章 2026-06-07 09:04:02

  PyTorch深度学习实战 |多头注意力机制

  摘要：本文详细介绍了Transformer中的多头自注意力机制，从整体结构到实现细节，包括四部分内容：(1)多头自注意力的基本架构；(2)内部计算流程解析；(3)注意力计算公式详解；(4)代码实现。重点阐述了多头并行的计算方式、缩放点积注意力的计算步骤（QK转置、缩放、softmax和加权求和），以及残差连接和层归一化的作用。通过"Are you OK?"示例展示了输入张量如何经过8个64维注意力头处理后拼接成512维输出。文章最后提供了完整的PyTorch实现代码，并附测试用例验证模型
• 06.07 09:00:32
  发表了文章 2026-06-07 09:00:32

  PyTorch深度学习实战 |词嵌入和位置编码

  本文介绍了PyTorch中词嵌入(Embedding)和位置编码(Positional Encoding)的实现与应用。词嵌入通过Word2Vec、GloVe等技术将单词转换为连续向量，其中使用nn.Embedding层加载预训练词向量，并展示如何可视化词向量间的语义关系(如"king-man≈queen-woman")。位置编码部分详细解释了如何通过正弦/余弦函数为词向量添加位置信息，包含公式推导和代码实现(PositionalEncoding类)。文章提供了完整的PyTorch代码示
• 06.07 08:58:11
  发表了文章 2026-06-07 08:58:11

  PyTorch深度学习实战 | Transformer模型初识

  本文介绍了Transformer模型在机器翻译任务中的工作原理。主要内容包括：1）模型分为编码器（处理英文输入）和解码器（生成中文输出）两部分；2）推理时采用自回归模式，逐步生成翻译结果；3）训练时使用教师强制模式，始终以真实标签指导模型学习。文章详细阐述了编码器-解码器结构的工作流程，包括词嵌入、多头注意力机制等核心组件，以及如何通过残差连接和层标准化优化模型性能。最后解释了编码器和解码器三个关键计算步骤的张量维度变化过程。
• 06.07 08:56:02
  发表了文章 2026-06-07 08:56:02

  PyTorch深度学习实战 | 标准化和归一化

  本文介绍了数据预处理中的标准化和归一化方法，包括计算过程、特性对比及实际应用。以波士顿房价数据集为例，展示了原始数据、标准化和归一化后的模型效果差异。同时讲解了深度学习中常用的层归一化(LN)和批量归一化(BN)技术，分别适用于文本和图像处理任务，并给出了PyTorch实现示例。LN通过调整词向量分布缓解梯度消失等问题，而BN则对图像各通道单独处理。两种技术都能提升模型训练效果，但适用场景不同。
• 06.07 08:53:33
  发表了文章 2026-06-07 08:53:33

  PyTorch深度学习实战 | 基于LSTM的时间序列预测任务

  本文介绍了使用LSTM模型预测印度德里市平均温度的两个项目。项目1对温度数据进行归一化处理，采用滑动窗口法构建监督学习样本，设计5层LSTM网络结构，并详细说明了模型训练过程及评估方法。项目2在数据处理上增加了标准化和周期性特征，改进了网络架构，引入了学习率调整和早停机制优化训练过程。两个项目均通过可视化对比预测值和真实值，验证了LSTM模型在时间序列预测中的有效性。文章从数据处理、模型构建到训练优化，完整呈现了温度预测的实现流程，为时序预测任务提供了实用参考。
• 06.07 08:50:22
  发表了文章 2026-06-07 08:50:22

  手算循环神经网络（RNN）和LSTM

  本文介绍了循环神经网络(RNN)和长短期记忆网络(LSTM)的原理与PyTorch实现。主要内容包括： RNN基础：解释RNN处理序列数据的机制，展示输入/隐藏层维度关系，并通过"不好看"情感分析示例演示数据预处理和前向传播过程。 PyTorch实现：详细构建SimpleRNN类，包含RNN层和全连接层，实现正向传播、损失计算和参数更新完整流程。 LSTM原理：对比RNN的不足，说明LSTM通过输入门、遗忘门和输出门解决长序列梯度消失问题。 LSTM实践：修改RNN代码为SimpleLS
• 06.07 08:47:06
  发表了文章 2026-06-07 08:47:06

  PyTorch深度学习实战 | 基于神经网络的水质分类

  代码实现# 定义模型x = x.view(x.size(0), -1) # 展平成 (batch_size, 3072)x = self.fc3(x) # 输出return xprint("--- network.py 测试结果 ---")print(f"模型输出尺寸 (Batch, Classes): {output.shape}")语言描述步骤操作 / 组件输入数据形状输出数据形状核心作用1输入数据 (x)原始图像数据（B 为batch_size2展平 (Flatten)
• 06.07 08:44:20
  发表了文章 2026-06-07 08:44:20

  手算神经网络

  本文介绍了使用2×3×1神经网络实现房价预测的全过程。首先通过手动计算演示了单个样本的前向传播和反向传播，包括权重初始化和梯度更新。随后使用PyTorch实现了完整的神经网络模型，包含数据准备、网络结构定义、损失函数计算和优化器设置。在训练过程中记录了损失值变化，并可视化展示训练效果。最后提供了一个挖空版本的代码框架，帮助读者逐步完成神经网络的关键实现步骤，包括导入包、定义网络框架、数据准备、训练循环和结果可视化等模块。通过这个完整的项目实践，读者可以掌握神经网络从理论到实现的全流程。
• 06.07 08:40:44
  发表了文章 2026-06-07 08:40:44

  图解人工智能的数学基础（最优化）

  本文深入解析人工智能中最优化问题的核心：通过最小化损失函数来训练模型。涵盖回归（MSE）与分类（交叉熵）任务的典型损失函数，详解梯度下降原理及BGD、SGD、Mini-batch等算法差异，并介绍Momentum、Adam等现代优化技巧，辅以PyTorch代码实现。
• 06.02 14:30:49
  发表了文章 2026-06-02 14:30:49

  图解入门Numpy

  NumPy 是一个运行速度非常快的数学库，主要用于数组计算。NumPy中最核心的数据结构是ND array，表示N维数组。数组中的数据类型要统一大规模的数学运算时，运行速度快提供了很多数据运算的函数比如平均值和标准差等等深度学习中为啥经常用到numpy?轻松处理大数据深度学习的模型通常需要处理非常大的数据，比如图像、音频、文本等。这些数据通常会用数组或矩阵表示。NumPy让这些数据的处理变得很简单，因为它提供了一个叫做“ndarray”的数组，能够快速存储和操作这些数据。
• 06.02 14:26:31
  发表了文章 2026-06-02 14:26:31

  图解入门Matplotlib

  可视化是在整个数据挖掘的关键辅助工具，可以清晰的理解数据，从而调整我们的分析方法。
• 06.02 14:23:58
  发表了文章 2026-06-02 14:23:58

  图解入门Pytorch

  什么是PyTorch？PyTorch 就像是深度学习的“工具箱”： 就像你做饭需要锅、铲子、刀和菜一样，做深度学习就需要工具。而 PyTorch 就是那个专门为做深度学习准备的“工具箱”。它提供了很多现成的工具和操作，让你做人工智能的研究或开发变得更简单、快捷。优点：能跑在 GPU 上，速度超级快： 训练深度学习模型很耗计算力，PyTorch 能自动使用你的显卡（GPU）来加速计算。如果你有 GPU，PyTorch 可以帮你大大提高训练速度，不需要你去做特别复杂的设置。自动求导帮你“自己学”
• 06.02 14:18:18
  发表了文章 2026-06-02 14:18:18

  图解强化学习 |手算马尔可夫随机过程

  本节系统讲解马尔可夫过程（MP）、马尔可夫决策过程（MDP）与马尔可夫奖励过程（MRP）三大核心模型，涵盖马尔可夫性、状态空间、转移矩阵、策略、奖励函数、价值函数及贝尔曼方程，并介绍强化学习的有/无模型、值/策/Actor-Critic及on/off-policy等分类体系。（239字）
• 06.01 15:59:40
  发表了文章 2026-06-01 15:59:40

  图解强化学习｜手算基于模型的动态规划 (DP)

  动态规划（DP）是强化学习中基于完整环境模型（状态转移与奖励函数已知）求解最优策略的有模型方法，核心依赖贝尔曼方程。典型算法包括策略迭代（交替执行策略评估与贪心改进）和价值迭代（直接迭代优化最优值函数），适用于状态空间有限的马尔可夫决策过程。

2026年05月

• 05.31 15:00:36
  发表了文章 2026-05-31 15:00:36

  图解强化学习｜手算无模型学习：蒙特卡罗与时序差分

  这篇博客介绍了强化学习在21点游戏中的应用，重点讲解了蒙特卡罗和时序差分两种无模型算法。游戏规则方面，详细说明了21点的观测状态、动作空间（要牌/停牌）、胜负判定和奖励机制。算法部分，蒙特卡罗方法通过完整对局后反向更新价值函数，而时序差分则采用单步更新策略，结合即时奖励和下一状态估值进行动态调整。文章通过具体示例展示了两种算法的计算流程，包括回报累加、Q值更新和策略优化过程，适合强化学习初学者理解基础概念。
• 05.30 21:28:29
  发表了文章 2026-05-30 21:28:29

  人工智能|YOLOv8实战

  本内容为安全帽检测实战项目，基于YOLOv8模型，涵盖Kaggle数据获取、自定义yaml配置、模型训练（yolo_train.py）与测试（yolo_test.py），并提供服务器（FastAPI+Docker）、边缘（Jetson+TensorRT）及国产嵌入式（RK3588+RKNN）三类部署方案，支持工业场景实时智能识别。（239字）
• 05.30 21:25:30
  发表了文章 2026-05-30 21:25:30

  人工智能|YOLOv5必须了解的知识

  本文详解YOLOv5网络结构（Input/Backbone/Neck/Head）及train.py核心实现：包括模型加载（预训练权重适配）、yaml配置解析、数据集读取与增强、标签格式说明、多尺度特征融合机制，以及推理阶段预处理、NMS过滤与结果可视化全流程。
• 05.30 21:20:39
  发表了文章 2026-05-30 21:20:39

  PyTorch深度学习实战 |SegNet

  CamVid_11是面向自动驾驶的语义分割数据集，含700+张精准标注图像，划分为训练/验证/测试集。涵盖道路、车辆、行人等11类场景目标（含背景共12类），支持SegNet等模型训练与评估。
• 05.30 21:17:20
  发表了文章 2026-05-30 21:17:20

  人工智能|大白话Meshed-Memory Transformer

  M2Transformer是一种图像描述生成模型，由三部分构成：骨干编码器（Faster R-CNN）提取区域特征；记忆增强编码器（Transformer）对特征进行语义细化；网格解码器（Transformer）将增强特征转化为自然语言描述。结构清晰、层次分明，兼顾准确性与可解释性。（239字）
• 05.30 21:14:44
  发表了文章 2026-05-30 21:14:44

  人工智能|大白话DETR 模型

  DETR（检测变换器）是首个端到端目标检测模型，摒弃锚框与NMS后处理。它以CNN提取特征，经Transformer编码器-解码器处理，配合100个可学习目标查询（OQ），通过二分图匹配实现预测框与真实框的一对一最优分配，直接输出类别与坐标。（239字）
• 05.30 21:11:24
  发表了文章 2026-05-30 21:11:24

  人工智能|大白话GPT

  GPT-1是首个基于Transformer解码器的生成式预训练模型，采用自回归方式逐词生成文本：以起始，依上下文预测下一词，循环直至。其核心为12层Decoder-only架构，通过掩码自注意力实现单向语言建模，并支持分类、蕴含等下游任务微调。（239字）
• 05.30 21:08:36
  发表了文章 2026-05-30 21:08:36

  人工智能|大白话YOLOv3,YOLOv4

  YOLOv3采用全卷积+残差连接+多尺度融合架构，含Darknet-53骨干网、FPN颈部与三尺度检测头，支持任意32倍数输入（如416×416），输出13×13、26×26、52×52特征图，兼顾大中小目标检测。
• 05.30 21:05:42
  发表了文章 2026-05-30 21:05:42

  人工智能|大白话YOLOv2

  YOLOv2采用轻量高效的Darknet-19骨干网络（仅19层卷积），全用1×1和3×3小卷积核，配BatchNorm与LeakyReLU；引入Anchor Boxes、Passthrough层融合多尺度特征，并支持多尺寸输入，显著提升精度与小目标检测能力。（238字）
• 05.30 21:02:58
  发表了文章 2026-05-30 21:02:58

  人工智能|手算Swin Transformer模型

  Swin Transformer是一种高效视觉Transformer，通过移位窗口注意力（Shifted Window）替代全局自注意力，结合分层下采样与局部窗口计算，显著降低计算复杂度，同时保持强大建模能力。其核心包括Patch划分、线性嵌入、W-MSA/SW-MSA交替模块及Patch Merging，构成多尺度特征金字塔，已成为目标检测、分割等任务的主流骨干网络。（239字）
• 05.30 20:58:38
  发表了文章 2026-05-30 20:58:38

  人工智能 |手算CLIP模型

  本文详解CLIP模型原理：突破传统CNN需重新训练的局限，通过4亿图文对联合训练文本与图像编码器，实现零样本迁移。利用对比学习对齐多模态特征，支持图文检索、零样本分类等应用，让AI像人一样理解未见过的概念。（239字）
• 05.30 20:53:46
  发表了文章 2026-05-30 20:53:46

  人工智能|BERT的简单介绍

  BERT（2018年谷歌提出）是基于Transformer编码器的双向预训练语言模型，通过掩码语言建模（MLM）和下一句预测（NSP）任务学习深度上下文语义，在文本分类、问答、NER等理解型任务中表现卓越。
• 05.30 20:50:58
  发表了文章 2026-05-30 20:50:58

  人工智能|YOLOv1的损失函数和非极大值抑制

  YOLOv1将图像划分为7×7网格，每格预测2个边界框（共98个），含中心点、宽高、置信度及20类概率。损失函数由坐标（加权5）、置信度（含/不含物体分权重）和分类三部分构成，均采用带平衡系数的均方误差，并以IoU为核心匹配与评估依据。（239字）
• 05.30 20:48:31
  发表了文章 2026-05-30 20:48:31

  人工智能|YOLOv1的简单介绍

  YOLOv1将输入图像划分为7×7网格，每个网格单元预测2个边界框（BBOX）及对应置信度，并输出20类概率。通过中心点归属、相对坐标偏移与归一化，实现端到端实时目标检测。（239字）
• 05.30 13:14:46
  发表了文章 2026-05-30 13:14:46

  图解强化学习 |手算DQN

  摘要：本文系统介绍了深度Q网络（DQN）算法及其改进方案。DQN通过神经网络替代Q表解决高维状态问题，采用经验回放和目标网络提升稳定性，但仍存在Q值高估等局限性。文章详细解析了DQN网络结构（4维输入→2维动作Q值输出）、基于时序差分的更新流程（含经验回放采样与双网络协同机制），并通过矩阵示例演示MSELoss计算过程。进一步探讨两种改进算法：DoubleDQN通过解耦动作选择与价值评估缓解过估计问题；DuelingDQN则创新性地拆分状态价值V与动作优势A分支，提升学习效率。二者均保持DQN基础框架，分别
• 05.29 16:54:34
  发表了文章 2026-05-29 16:54:34

  PyTorch深度学习实战 |手算​​自编码Autoencoder

  自编码器是一种无监督神经网络，通过编码器将数据压缩为低维潜在表示，再由解码器重建原始输入。其核心价值在于自动提取关键特征、实现降维与数据去噪，广泛应用于图像重建、特征学习和可视化分析等领域。
• 05.29 16:52:02
  发表了文章 2026-05-29 16:52:02

  PyTorch深度学习实战 |手算​​变分自编码器（VAE）

  本文详解变分自编码器（VAE）原理：指出传统自编码器因潜在空间无序而无法生成新图像；VAE通过引入概率建模，用高斯分布近似后验，并结合重构损失与KL散度优化，使潜在空间连续可采样，从而实现可控图像生成。含公式推导、重参数化技巧及完整代码实现。（239字）
• 05.29 16:49:36
  发表了文章 2026-05-29 16:49:36

  PyTorch深度学习实战 | 手算卷积网络（Resnet-18)

  ResNet-18是解决深层网络梯度消失与退化问题的经典模型，核心在于残差连接（Shortcut）：让输入X直接跳跃传递，与卷积学习的残差F(X)相加（F(X)+X），实现恒等映射。其含4个stage、18层可训练层，每个BasicBlock由两个3×3卷积+BN+ReLU构成，并通过1×1卷积适配尺寸/通道差异，显著提升深层网络训练稳定性与性能。（239字）
• 05.29 16:45:36
  发表了文章 2026-05-29 16:45:36

  PyTorch深度学习实战 | 手算生成对抗网络GAN

  GAN（生成对抗网络）是一种深度学习模型，由生成器与判别器构成对抗训练框架：生成器学习伪造逼真数据，判别器则努力区分真假。二者博弈迭代，最终生成器可产出以假乱真的高质量样本，广泛应用于图像生成、数据增强等领域。
• 05.29 16:35:38
  发表了文章 2026-05-29 16:35:38

  PyTorch深度学习实战 |手算ViT(Vision Transformer)模型

  ViT将图像分块为Patch，经卷积嵌入成Token序列，加入CLS Token和位置编码后输入Transformer Encoder。其核心是让简单分类头依赖Encoder提炼的强特征，凸显Transformer的全局特征提取能力，奠定多模态大模型基础。（239字）
• 05.29 16:31:09
  发表了文章 2026-05-29 16:31:09

  图解强化学习 |手算Sarsa算法

  SARSA是一种基于价值的在线无模型强化学习算法，通过Q表存储状态-动作价值，采用ε-贪心策略与时序差分更新（TD），始终依据真实执行动作而非最优动作进行学习。其训练保守稳定、安全性高，但探索性较弱，且在大状态动作空间下易出现Q表爆炸问题。（239字）
• 05.29 16:28:51
  发表了文章 2026-05-29 16:28:51

  图解强化学习 |手算Q-learning

  Q-learning是一种基于价值的离线无模型强化学习算法，通过Q表存储状态-动作价值，利用时序差分和ε-贪心策略迭代更新，实现最优策略学习；但对连续动作适应性差，大规模状态空间易致Q表爆炸。（239字）
• 05.27 13:10:40
  发表了文章 2026-05-27 13:10:40

  图解强化学习 |手算MADDPG

  MADDPG是一种多智能体强化学习算法，采用“集中式训练、分布式执行”框架：各智能体拥有独立Actor网络（基于局部观测输出连续动作），共享一个Critic网络（利用全局状态与联合动作评估Q值）。通过双网络结构（主网+目标网）和软更新机制，提升训练稳定性，有效缓解多智能体环境的非平稳性问题。（239字）
• 05.26 21:09:26
  发表了文章 2026-05-26 21:09:26

  图解人工智能的数学基础（高数）

  本文系统讲解微积分核心概念：数列与递推、极限（含无穷小/大）、导数（含中值定理、泰勒公式）、积分（不定/定/变上限/反常）及微分方程，并延伸至多元函数、偏导数、链式法则与二重积分，结合Sigmoid函数、药物衰减等实例及SymPy代码演示，突出其在AI与工程中的应用基础。