式516-CSDN博客

式516

码龄5年

10,471

总访问量
30

原创
1

粉丝
71

关注

IP 属地：浙江省

加入CSDN时间： 2021-03-14

查看详细资料

个人成就

获得168次点赞
内容获得0次评论
获得150次收藏
博客总排名55,480名
原力等级

原力等级

3

原力分

67

本月获得

171

TA关注的专栏 1

TA关注的收藏夹 0

TA关注的社区 2

TA参与的活动 0

兴趣领域设置

Python

ipython

创作活动更多

AI 镜像开发实战征文活动

随着人工智能技术的飞速发展，AI 镜像开发逐渐成为技术领域的热点之一。Stable Diffusion 3.5 FP8 作为强大的文生图模型，为开发者提供了更高效的图像生成解决方案。为了推动 AI 镜像开发技术的交流与创新，我们特此发起本次征文活动，诚邀广大开发者分享在 Stable Diffusion 3.5 FP8 文生图方向的实战经验和创新应用本次征文活动鼓励开发者围绕 Stable Diffusion 3.5 FP8 文生图方向，分享以下方面的内容： 1. 技术实践与优化 - Stable Diffusion 3.5 FP8 模型架构解析与优化技巧 - 文生图生成效果的提升方法与技巧 - 模型部署与加速策略，例如使用 Hugging Face、Diffusers 等工具 - 针对特定场景（例如二次元、写实风）的模型微调与定制化开发 2. 应用场景探索 - Stable Diffusion 3.5 FP8 在不同领域的应用案例分享，例如游戏设计、广告创意、艺术创作等 - 利用 Stable Diffusion 3.5 FP8 实现图像编辑、图像修复、图像增强等功能的探索 - 结合其他 AI 技术（例如 NLP、语音识别）构建更强大的应用 3. 创新应用与思考 - 基于 Stable Diffusion 3.5 FP8 的创新应用场景设计 - AI 镜像开发的未来发展方向的思考与展望 - 对 AI 镜像开发伦理、安全等问题的探讨

28人参与去参加

更多

python编程实战（四）

遍历时，只要碰到边界，那么（dx，dy）=（dy,-dx），如（0,1）->(1,0)。注意这里y对应的是矩阵中的列，所以（0，1）表示的方向是右。题目实际上是要求按某个方向遍历矩阵中所有元素，这个方向在遇到边界时将顺时针旋转九十度，这个方向可以用向量（dx,dy）表示。如果右上角的元素不是目标元素，那么如果大于目标元素，更新列数，向左边的列寻找；由于矩阵的特性，所以右边的元素一定大于左边的元素，下边的元素一定大于上边的元素；将矩阵原地旋转九十度，可以先将矩阵转置，再把偶数列对应的元素互换。

博文更新于 16 小时前 ·

线性代数（九）线性相关性、基与维数

推广到m*n的情况，如果矩阵有n列，rank=r，则矩阵的零空间的维度等于方程Ax=0的自由变量的个数、基础解系的个数n-r。反之，如果矩阵的零空间中不仅仅存在零向量，这意味着可以通过线性组合将其列向量组合成零向量，也即这些向量线性相关。空间的一组基，基向量的个数就是张成的空间的维度，一个空间内可以有很多组基，但每组基所包含的向量的个数一定是相等的，为N。显然，矩阵的列空间的维度和零空间的维度具有对称关系，列空间的维度为rank，而零空间的维度为n-rank。，容易看出，该矩阵的列空间的一组基为。

博文更新于前天 22:39 ·

大模型学习基础（六）强化学习（Reinforcement Learning，RL）初步1.3

而G1’表示的是在状态s1采取动作a1之后再执行一系列动作以后得到的reward的累计值，G1’的值是有随机性的，因为actor在执行a1后的动作并不一定是固定的，所以用G1’-V（s1）实际上是用动作的平均优势值对单个动作的优势值进行了标准化，从而衡量单个动作的好坏。由于actor并没有进行完所有的action，所以G1和G2的具体值都是不知道的，但我们知道G1和G2之间是有关系的，G1=nG2+r1，所以G1-nG2=r1，所以V（s1）-nV（s2）应该近似于r1。训练critic的方式有两种。

博文更新于前天 11:57 ·

线性代数（八）非齐次方程组的解的结构

如b的维度必然等于m，而线性无关的列向量数目为m，因此m个线性无关的列向量必然可以找到组合出m维的b的方法)。列满秩意味着所有列都是主列，不存在自由元，此时零空间只有零向量，则方程组的解只有特解，且特解仅有一个；进一步探讨方程组有解的条件，由之前的知识可知，b向量必须是A的列向量空间的子空间，方程组才有解；两组齐次方程组的基础解系加上一个非齐次方程组的特解，构成非齐次方程组的所有解（这里有一个有趣的问题，为什么非齐次方程组的解只需要一个特解呢？如果m=n,即m=r=n，系数矩阵A可逆，矩阵必然有唯一解。

博文更新于 2025.12.17 ·

大模型学习基础（六）强化学习（Reinforcement Learning，RL）初步1.2

上述例子中，actor每和environment互动一次，产生一组{s，a}，然后再计算价值函数A，接着计算出损失函数，更新actor的参数；这意味着actor每次用来的训练的数据都是它自己产生的。另外一个问题是，如果简单的用r来作为A的数值，会有一个问题，就是只有在做固定的action时A才会增加，这会导致actor只会选择固定的action，实际上的RL对A的定义有多种方法。可能存在一种情况，即所有的action对应的A都是大于零的，这样actor将会认为所有的action都是好的，这显然不对；

博文更新于 2025.12.17 ·

python编程实战（三）

除nums[i]元素之外的元素乘积可以分为两部分，nums[i]之前的元素的乘积和nums[i]之后的元素的乘积；将数组num正向遍历一遍之后，可以再反向遍历一遍，然后用一个数组先存储前元素乘积，再存储后元素乘积。原地哈希算法，我们希望在位置i上的值是i+1，如在位置0上的位置是1，这样可以起到高效的排序效果；使用双循环遍历矩阵每个元素，如果某个元素为0，将其对应的行、列通过布尔值打上标记；的矩阵，如果一个元素为 0 ，则将其所在行和列的所有元素都设为 0。，请你找出其中没有出现的最小的正整数。

博文更新于 2025.12.17 ·

线性代数（七）主变量与特解

其中I为二阶单位阵，F为自由列，不难注意到，F中的相反数构成了主元的解（课程中把这样形式的矩阵加做行最简矩阵，但国内的教材定义行最简矩阵并不要求把主列放在相邻的位置）。，对系数矩阵初等行变换时要同时对右侧的零向量进行变换，这等价于用一个结果为0的方程减去另一个结果为0的方程，显然结果仍然为0，那么解同样属于0空间。，I为r阶，R为n阶，则矩阵R表示有r个主元、r个主列、n-r个自由元、自由列。重新设定自由元的值，x2=0，x4=1，容易求出x1=2，x3=-2。，显然这个解可以张成一个子空间，即。

博文更新于 2025.12.16 ·

python编程实战（二）

任意一个连续子数组，都是以nums中的某个元素num[i]结尾，用dp[i]表示以nums[i]元素结尾的数组。如果dp[i-1]>0，会让nums[i]变大；反之如果是负数只会让nums[i]变小，不如从nums[i]重新开始。dp[i]可以通过递归思想来表示，即dp[i]=dp[i-1]+nums[i]（i>1）；然后分割为[6,5][4,3,2,1]分别翻转，得到[5,6,1,2,3,4]，即所要求的结果。如[1,2,3,4,5,6]向右轮转2个位置，可以先把数组翻转：[6,5,4,3,2,1]

博文更新于 2025.12.15 ·

线性代数（六）列空间和零空间

显然我们可以给定x，来组合出b，这样是一定有解的，这等价于说当b向量是A中列向量的线性组合时，方程有解；2.P和L的交集，能构成子空间吗？P空间和L空间的交集上的向量进行线性组合，结果一定还在这个交集上。显然不能，因为P空间内的向量和L空间内的向量进行线性组合，结果未必都在P和L上。，方程左侧可以看成对三个列向量进行任意线性组合，显然这种线性组合无法囊括整个思维空间，因此该方程并不是总有解。空间的子空间，该子空间实际上是一条直线，且该空间满足对向量的数乘封闭和加法封闭。空间的子空间，称之为A的列向量空间。

博文更新于 2025.12.14 ·

大模型学习基础（五）强化学习（Reinforcement Learning，RL）初步

前面的文章简单介绍过，传统的监督学习所使用的数据集是（特征，标签），有“标签”即明确的知晓正确的输出应该是什么。而实际的情况是，环境的状态S是由多个Si构成的，每训练一组S-a即训练一个多分类问题，把这些问题的损失函数（交叉熵）加在一起，即可训练出在不同的状态下应该使用什么动作。模型在选择一个动作之后，这个动作实际是对Environment发生，相应的Environment会给模型一个回馈Reward，然后再给模型一个新的Observation，模型继续选择新的动作，循环此过程。

博文更新于 2025.12.13 ·

线性代数（五）向量空间与子空间

第一象限中的所有坐标都是正坐标，对应的所有向量都是正向量，这些向量相互做加法得到的向量显然还是位于第一象限，所以第一象限是满足对向量加法封闭的；但是如果用0乘一个第一象限中的向量，得到的将是0向量，即原点，而我们已经定义原点不在第一象限上，所以第一象限不满足对于向量数乘封闭。显而易见，y=x上的所有点对应的向量满足对向量加法和数乘封闭，所以这条直线是可以构成子空间的。，这是一个三维向量空间，其内部的所有向量都是三维的；同样的，对于这个空间内部的向量，必须满足这些向量的所有线性组合全部位于。

博文更新于 2025.12.13 ·

线性代数（四）矩阵的LU分解

矩阵的LU分解的意义在于：直接对矩阵A进行高斯消元，计算次数会较为繁多，在矩阵为N阶并且有多组不同的b时，将其分解为LU形式，将会大大减小矩阵运算的时间复杂度。一个矩阵可以分解为下三角矩阵（L）乘上三角矩阵（U）（主对角线以下元素都是0）

博文更新于 2025.12.11 ·

python编程实战（一）

在该题目中，首先统计t中的每个字符出现的次数，然后遍历整个s，左、右指针从0开始，右指针逐个向右滑动。当窗口中的字符串中的字符数量与t中的字符串中的字符数量相等时，代表着找到了一个候选窗口，然后移动左指针收缩，此时窗口内的字符数量与t中不再相等，开始新的一轮寻找。Counter（）函数，输入一个字符串，可以自动生产哈希表，键为字符，值为字符出现次数。最小覆盖子串 "BANC" 包含来自字符串 t 的 'A'、'B' 和 'C'。中的每一个字符（包括重复字符）。，返回 s 中的最短窗口子串，使得该子串包含。

博文更新于 2025.12.11 ·

大模型学习基础（四） Transformer架构下

首先将begin向量作为Mask Self-attention层的输入，得到第一个输出向量，计算该向量的q向量，利用self-attention中的k、v向量生成机制计算出Encoder每个输出向量的k、v向量，将其组合产生输出向量，通过全链接神经网络，最终得到一个输出词；将这个输出词作为新的输入交给Mask Self-attention层，计算和之前的所有输入向量的相关度继续得到新的输出，然后继续和Encoder的输出进行self-attention操作，然后循环此操作。，在第一个输出向量中，

博文更新于 2025.12.10 ·

线性代数（三）矩阵乘法扩展与若尔当-高斯消元

矩阵A、B，其可做乘法的前提是矩阵A的列数等于矩阵B的行数。在此条件下，矩阵乘法有5种等价形式。

博文更新于 2025.12.09 ·

大模型学习基础（三） Transformer架构上

输入inputs，对其进行嵌入（嵌入操作，简单理解即把输入文本转化成向量，以便计算机进行处理操作），再加上位置编码，进行Multi-Head Attention（多头自注意力）操作，进行残差链接和归一化操作，通过神经网络，再进行一次残差链接和归一化，得到输出。得到a+b后，还要对其进行归一化操作：先对a+b向量求矩阵、标准差，然后对每个向量中的每个元素进行归一化操作。归一化操作之后，将归一化结果经过全连接神经网络，再进行一次残差链接处理，然后再进行一次归一化操作，最终得到一个block的输出。

博文更新于 2025.12.08 ·

线性代数（二）高斯消元法与矩阵乘

我们可以看出，逆矩阵在进行乘法作用时可以抵消其原矩阵的效果，但并不是所有矩阵都有可逆矩阵，即并非所有矩阵操作都是可以抵消的。，稍微有一些线性代数基础的朋友都知道，对矩阵消元可以利用行变换来操作，对于矩阵A来说，可以使第二行减去3倍的第一行，得到。最右边的矩阵的第一列可以看成0倍的第一列加1倍的第二列，第二列可以看成零倍的第二列加1倍的第一列，那么不难想到，，左边的矩阵通过乘矩阵C，来进行相应的列变换，得到右边的矩阵，矩阵C该是什么样子呢？很简单，把对应的行操作抵消就好，可以给T左乘矩阵。

博文更新于 2025.12.08 ·

大模型学习基础（三） self-attention机制

一般情况下的神经网络学习模式，某个输出向量y的分量y1其仅仅取决于输入向量x的分量x1，而在NLP场景下，这显然并不合适。显然，对于机器来说，第一个单词saw和第二个单词saw的输入特征向量是完全一样的，因此机器处理这两个单词之后的输出也是一致的；到这里已经不难看出了，我们有了每个分量和其他分量之间的相关性概率，又有了每个分量所含的信息，显然只要把信息和概率做乘法再累加，输出的新分量就是结合了上下文之后的输出，q向量表示当前分量的需求，k向量表示其他分量的特征，其中，向量的其他分量的结合上下文的输出结果。

博文更新于 2025.12.07 ·

线性代数（一）矩阵的意义

但是如果矩阵A是奇异矩阵，比如三个列向量处于同一个平面，显然这三个向量无论怎么组合都只能组合出在该平面上的向量，而绝对无法表示笛卡尔系中的所有向量，此时对于某些b，不存在对应的x（或只有两个列向量处于同一个平面，那么也会有某些平面的向量无法被线性组合出来）。从行向量的角度审视，显然方程一、二对应平面直角坐标系的两条直线，而两条直线的交点，对应的就是方程组的解，由于这是两个二元一次方程组，显然解只有一个，并且对应图中的交点，不难求出，该点坐标是：(1,2)。显然，当且仅当在x=1，y=2时，该组合成立。

博文更新于 2025.12.06 ·

深度学习TensorFlow架构学习（五）卷积1.1 卷积运算与感受野

在上述例子中，用3*3卷积核进行两次操作和用5*5卷积核进行一次操作得到的都是1*1的像素点，换言之经过两种卷积核运算之后该像素点的感受野都为5，那么这两种卷积运算的提取能力其实是一样的，即进行一次5*5卷积核卷积运算和进行两次3*3卷积核卷积运算对于5*5的特征图的提取能力是相同的。如输入特征图为RGB三色空间图，通道数为3，那么对应的卷积核通道也应该是3。如果对这个3*3的输出特征图继续用同样的卷积核进行同样的操作，将输出一个1*1的像素点，该点对应的原始特征图的大小为5*5，则该像素点的感受野为5。

博文更新于 2025.12.04 ·