本次任务主要是了解模型在训练集或测试集上损失较大时的几大原因，了解改进的方向一、模型偏差   模型过于简单，未知参数函数的所有可能性的集合太小，让损失变低的函数不在模型可以描述的范围内；或者是模型的灵活性不够。这个时候重新设计一个模型，给模型更大的灵活性，将

FreeRtos实时系统:基础知识一.任务调度简介1.抢占式调度2.时间片调度二.任务状态1.FreeRtos中任务存在4种状态2.任务状态列表一.任务调度简介调度器就是使用相关的调度算法来决定当前需要执行的哪个任务FeeeRtos一共支持三种任务调度方式:抢占式调度:主要针对优

3.7批量归一化批量归一化的核心思想在于把误差函数图像的“山铲平”，在某些误差表面上不同参数方向的变化率可能差别很大，此时在损失函数上找到临界点会比较困难比如对一个简单的线性函数\(y=\sigma(w_1\timesx_1+w_2\timesx_2+b)\)来说，我们考虑对于参数\(w_1,w_2\)来说，

引入在简单了解到机器学习的过程，以及模型函数的优化升级之后，我们需要根据一些方法论，解决模型实践过程中会遇到的问题，学会分析模型数据，按照正确的路径优化模型，减少测试误差（TestingLoss）。实践方法论整体框架下图是实践方法论的整体框架，下文会根据逻辑顺序一一介绍。step

在上一章介绍完机器学习模型后，我们接着讨论模型中可能存在的一些问题。首先我们需要明确一件事，就是Kaggle上的测试结果不好，可能有多个原因。第一，如果模型在运行训练模型时，所产生的损失就很大，那么有可能是模型偏差(modelbias)或优化(optimization)问题。第二，如果模型在运行训

 核心学习目标：通过《深度学习详解》和李宏毅老师21年的机器学习课程视频，入门机器学习，并尝试学习深度学习，展开代码实践（选修）。该书保留了李宏毅老师公开课中大量生动有趣的例子，帮助读者从生活化的角度理解深度学习的概念、建模过程和核心算法细节，包括卷积神经网络、Transform

第二章实践方法论2.1模型偏差模型过于简单导致未拟合重新设计模型增加特征2.2优化问题梯度下降优化的不够，没找到最优参数针在海里，大海捞针，但是方法不给力建议：先使用简单的线性模型或者是SVR测试一下，一般这些模型不会优化不到位训练数据损失突然不再降低或者

目录 实践方法论1.模型偏差模型偏差的示例说明代码解释2.优化问题优化问题的基本组成部分优化算法梯度下降算法示例 3.过拟合4.交叉验证5.不匹配 实践方法论    深度学习的实践是一种系统化的过程，它涉及从数据收集与预处理开始，通过构建合适的神经网络

目录一、机器学习框架&实践攻略1.总览2.训练误差较大时：    1.模型偏差    2. 优化问题3.训练误差较小时：    1.测试误差较小：    2.测试误差较大：            1.过拟合    2.不匹配一、机器学习框架&实

一、批量化归一    当误差表面崎岖不平，就意味着它比较难以训练，而利用批量化归一将崎岖的误差表面“铲平”则是其中的方法之一。如果是固定学习率，可能很难得到好的结果，因此才需要自适应的学习率。        当输入的特征，每一个维度的值，它的范围差距很大的时候，我

一、任务调度调度器就是使用相关的调度算法来决定当前需要执行的哪个任务FreeRTOS一共支持三种任务调度方式：抢占式调度主要是针对优先级不同的任务，每个任务都有一个优先级，优先级高的任务可以抢占优先级低的任务。时间片调度主要针对优先级相同的任务，当多个任务的优先

认识ComfyUICpmfyUI主要用于让生成和调整AI图像的过程变得更加直观和容易。它允许用户通过图形界面来控制文本到图像的生成过程中的各种参数。ComfyUI核心及图片生成流程ComfyUI核心模块由模型加载器、提示词管理器、采样器、解码器。本小节内容来自魔搭社区，具体内容可点

ComfyUI简介ComfyUI是一个基于节点工作流稳定扩散算法的图形界面，它通过将稳定扩散的流程巧妙分解成各个节点，成功实现了工作流的精准定制和可靠复现。基本概念节点工作流：ComfyUI的核心是基于节点式的工作流程，这种设计允许用户将复杂的稳定扩散过程分解为多个可独立操作的节点，通

目录Task3一、ComfyUI1、初识ComfyUI(1)什么是ComfyUI(2)核心模块(3)生成流程(4)优势2、速通安装ComfyUI(1)下载脚本代码文件(2)进入ComfyUI的安装文件(3)一键执行安装程序(4)进入预览界面3、浅尝ComfyUI工作流(1)不带Lora的工作流样例(2)带Lora的工作流样例4

part1：工具初探一ComfyUI应用场景探索初识ComfyUI什么是ComfyUIGUI是"GraphicalUserInterface"（图形用户界面）的缩写。简单来说，GUI就是你在电脑屏幕上看到的那种有图标、按钮和菜单的交互方式。 ComfyUI是GUI的一种，是基于节点工作的用户界面，主要用于操作图像的生

工具初探一ComfyUI应用场景探索ComfyUI剖析视频：1万字系统剖析ComfyUI|StableDiffusion：GUI全盘点  ComfyUI应用场景视频：ComfyUI应用场景探索官方Github链接：GitHub-ComfyUI官方应用的示例：ComfyUIExamples 工作流分享网站：ComfyWorkflows在魔搭使用ComfyUI：在魔搭

RTOS概念‌‌‌‌‌‌RTOS全称是RealTimeOperatingSystem，中文名就是实时操作系统，提供了任务调度、内存管理、中断处理等功能。‌1.任务调度：裸机编程需要手动调度任务，而RTOS提供自动的任务调度器。2.硬件管理：裸机编程需要开发者手动管理硬件资源，RTOS提供了

Transformer架构Transformer是一种用于自然语言处理（NLP）和其他序列到序列（sequence-to-sequence）任务的深度学习模型架构，它在2017年由Vaswani等人首次提出。Transformer架构引入了自注意力机制（self-attentionmechanism），这是一个关键的创新，使其在处理序列数据时表现出色。以下是Tran

Task3：进阶上分方向讨论特征工程详细解析特征工程是机器学习预处理过程的核心部分，关注从原始数据中提取和构建新特征以优化模型的表现。其核心目的在于通过精心选择和创新性构建特征，从而让模型更有效地解析数据并准确预测目标变量。时间序列特征构造详解时间序列数据的特征构造

写在前面本次博客主要是2024年第三期的第三次任务，涉及了大模型微调等相关内容。经过先前的两次任务，我们已经学会了如何去调用大模型，但是对于如何提升大模型，我们可能只能靠更加精准的提问，这种靠更加精准的提问来获得更好的效果的方式我们称为提示词工程（promptengineering）关

机器学习lgm上分思路    1、引入新特征（1）对于Task2特征的再刻画        GC含量是siRNA效率中的一个重要且基本的参数，可以作为模型预测的特征。这是因为低GC含量会导致非特异性和较弱的结合，而高GC含量可能会阻碍siRNA双链在解旋酶和RISC复合体作用下的解旋。

概要:如何进行时间序列的进阶特征提取与分析如何构建深度学习方案一.时序特征的详细介绍 1.日期变量：时间序列数据通常包含日期或时间信息。这可以细分为不同的时间尺度，如年、月、周、日、小时、分钟等。在特征提取时，可以将这些日期变量转换为数值型特征，以便于模型

    这一期学习进阶的特征提取与分析，构建深度学习方案，拿下更高分数，冲冲冲。项目链接：‌​​‬​‍​​​‌​‬‬⁠​​⁠​⁠​​​​⁠​​‍​​‍​​‌⁠‬​⁠​⁠‍‌​‌​​‍​Task3：尝试使用深度学习方案-飞书云文档(feishu.cn)    前两期介绍了

`#include<stdio.h>include<stdlib.h>intmain(){intX,n;srand(time(0));X=rand()%31+1;printf("猜猜2024年5月哪一天会是你的luckyday\n");printf("开始喽，你有三次机会，猜吧（1~31）

`#include<stdlib.h>include<stdio.h>intmain(){charans1,ans2;//用于保存用户输入的答案printf("每次课前认真预习、课后及时复习了没?(输入y或Y表示有，输入n或N表示没有):");ans1=getchar();//从键盘输入一个字符，赋值给ans1getchar();//思考这里为什么