<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[haodehaode378的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/haodehaode378</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; haodehaode378]]></copyright><item><title><![CDATA[我做了一个论文阅读提速工具 AI Paper Coach]]></title><link>https://blog.csdn.net/haodehaode378/article/details/160192199</link><guid>https://blog.csdn.net/haodehaode378/article/details/160192199</guid><author>haodehaode378</author><pubDate>Wed, 15 Apr 2026 21:34:03 +0800</pubDate><description><![CDATA[如果你是学生、研究生、或经常读论文的同学，欢迎拿你的论文来压测。如果你有正在读的论文，也欢迎直接丢给我，我可以拿来做回归测试。最近我把一个会长期维护的项目整理出来了，名字是。目标很直接，把论文阅读从零散笔记变成结构化流程。你提的 bug/建议，我会优先排进下一版。如果你想试用，直接从仓库开始。]]></description><category></category></item><item><title><![CDATA[《线性代数》期末复习知识总结-上]]></title><link>https://blog.csdn.net/haodehaode378/article/details/155892441</link><guid>https://blog.csdn.net/haodehaode378/article/details/155892441</guid><author>haodehaode378</author><pubDate>Sun, 14 Dec 2025 15:58:15 +0800</pubDate><description><![CDATA[​a11​a21​​a12​a22​​​=a11​a22​−a12​a21​

（2）三阶行列式

注意：每个元素都是不同行不同列。
定义式：∣a11a12a13a21a22a23a31a32a33∣=a11a22a33+a12a23a31+a13a21a32−a13a22a31−a12a21a33−a11a23a32\begin{vmatrix}a_{11}&a_{12}&a_{13}\\a_{21}&a_{22}&a_{23}\\a_{31}&a_{32}&a_{33}\end{vmatrix}=a_{]]></description><category></category></item><item><title><![CDATA[《线性代数》期末复习知识总结-下]]></title><link>https://blog.csdn.net/haodehaode378/article/details/155892454</link><guid>https://blog.csdn.net/haodehaode378/article/details/155892454</guid><author>haodehaode378</author><pubDate>Sun, 14 Dec 2025 15:57:08 +0800</pubDate><description><![CDATA[⎨⎧​a11​x1​+a12​x2​+⋯+a1n​xn​=0a21​x1​+a22​x2​+⋯+a2n​xn​=0⋮am1​x1​+am2​x2​+⋯+amn​xn​=0​
矩阵形式：Ax=0Ax=0Ax=0（AAA 为 m×nm\times nm×n 系数矩阵，x=(x1,⋯ ,xn)Tx=(x_1,\cdots,x_n)^Tx=(x1​,⋯,xn​)T 为未知数向量）。
向量形式：x1α1+x2α2+⋯+xnαn=0x_1\alpha_1+x_2\alpha_2+\cdots+x_n\alpha_n=0]]></description><category></category></item><item><title><![CDATA[数据结构网课核心代码整理]]></title><link>https://blog.csdn.net/haodehaode378/article/details/155892386</link><guid>https://blog.csdn.net/haodehaode378/article/details/155892386</guid><author>haodehaode378</author><pubDate>Sat, 13 Dec 2025 20:45:47 +0800</pubDate><description><![CDATA[注：以下代码基于 C 语言实现，通用数据类型  统一定义为 （实际应用中可根据需求修改），涉及的队列、栈等辅助结构均补充完整基础操作。]]></description><category></category></item><item><title><![CDATA[数据结构知识点总结]]></title><link>https://blog.csdn.net/haodehaode378/article/details/155892361</link><guid>https://blog.csdn.net/haodehaode378/article/details/155892361</guid><author>haodehaode378</author><pubDate>Sat, 13 Dec 2025 20:44:04 +0800</pubDate><description><![CDATA[本文围绕“数据结构基础-线性结构-树形结构-图形结构-查找-排序”的逻辑展开。]]></description><category></category></item><item><title><![CDATA[SpeakerLM 技术全解：端到端 SDR 大模型的架构设计与工程落地]]></title><link>https://blog.csdn.net/haodehaode378/article/details/155534306</link><guid>https://blog.csdn.net/haodehaode378/article/details/155534306</guid><author>haodehaode378</author><pubDate>Wed, 03 Dec 2025 16:01:16 +0800</pubDate><description><![CDATA[SpeakerLM最大的贡献在于它把“声纹识别”变成了一种“阅读理解”任务——LLM 看着声纹 Embedding 的提示，听着音频，结合上下文逻辑来判断是谁在说话。复现路线图下载和ERes2NetV2预训练模型。准备。构建包含的数据集。编写 Projector 网络（简单的 MLP+CNN 即可）。按照1/3 概率混合策略进行微调训练。博主注：目前 SpeakerLM 的官方代码尚未完全开源，但在 ModelScope 的3D-Speaker和仓库中可以找到其核心组件的实现。]]></description><category></category></item></channel></rss>