<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[litble的成(tui)长(fei)史]]></title><description><![CDATA[苟...苟活者在淡红的血色中，会依稀看见微茫的希望]]></description><link>https://blog.csdn.net/litble</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; litble]]></copyright><item><title><![CDATA[如何速成LLM以伪装成一个AI研究者（8）——Scaling Law，从两阶段训练到mid-train]]></title><link>https://blog.csdn.net/litble/article/details/161118823</link><guid>https://blog.csdn.net/litble/article/details/161118823</guid><author>litble</author><pubDate>Sat, 25 Jul 2026 15:43:11 +0800</pubDate><description><![CDATA[Scaling Law 是 LLM 预训练中最重要的经验规律之一——它描述了模型性能与计算量（C）参数量（N）数据量（D）之间的量化关系。它是一种纯粹的经验公式，并不是基于理论推导、拥有明确理论依据的，而是对预训练中的一些现象的观察和总结。它为“该用多大模型、喂多少数据”提供了方向性指导。]]></description><category></category></item><item><title><![CDATA[如何速成LLM以伪装成一个AI研究者（7）——面试八股【持续更新中】]]></title><link>https://blog.csdn.net/litble/article/details/161196573</link><guid>https://blog.csdn.net/litble/article/details/161196573</guid><author>litble</author><pubDate>Tue, 21 Jul 2026 12:43:11 +0800</pubDate><description><![CDATA[免责声明：作者也是伪装的，有错漏属于正常现象，欢迎评论指正。]]></description><category></category></item><item><title><![CDATA[如何速成LLM以伪装成一个AI研究者（6）——LoRA，Adapter，P-tuning，量化，QLoRA]]></title><link>https://blog.csdn.net/litble/article/details/161093622</link><guid>https://blog.csdn.net/litble/article/details/161093622</guid><author>litble</author><pubDate>Sun, 31 May 2026 22:34:30 +0800</pubDate><description><![CDATA[LoRA通过低秩分解将微调参数量降低2~3个数量级，同时在多数任务上达到与全量微调相近的性能。结合QLoRA的4-bit量化，甚至可以在单张消费级显卡上微调数十B参数的模型。掌握秩的选择、缩放因子调参、多适配器合并等实践细节，能帮助你更高效地利用LoRA解决实际问题。]]></description><category></category></item><item><title><![CDATA[如何速成LLM以伪装成一个AI研究者（5）——显存估算，显卡选择]]></title><link>https://blog.csdn.net/litble/article/details/160994920</link><guid>https://blog.csdn.net/litble/article/details/160994920</guid><author>litble</author><pubDate>Fri, 15 May 2026 01:15:25 +0800</pubDate><description><![CDATA[免责声明：作者也是伪装的，有错漏属于正常现象，欢迎评论指正。]]></description><category></category></item><item><title><![CDATA[如何速成LLM以伪装成一个AI研究者（4）——PPO，GRPO，DAPO，GSPO]]></title><link>https://blog.csdn.net/litble/article/details/160627816</link><guid>https://blog.csdn.net/litble/article/details/160627816</guid><author>litble</author><pubDate>Tue, 05 May 2026 19:08:56 +0800</pubDate><description><![CDATA[如何速成LLM以伪装成一个AI研究者（1）——循环，卷积，编解码器，注意力，Transformer
如何速成LLM以伪装成一个AI研究者（2）——Pre-LN，KV-Cache优化，MoE
如何速成LLM以伪装成一个AI研究者（3）——预训练，监督微调，强化学习RLHF/DPOPPO，全程 Proximal Policy Optimization（近端策略优化），是OpenAI在2017年提出的算法：Proximal Policy Optimization AlgorithmsPPO是在传统强化学习的脉络上]]></description><category></category></item><item><title><![CDATA[如何速成LLM以伪装成一个AI研究者（3）——预训练，监督微调，强化学习RLHF/DPO]]></title><link>https://blog.csdn.net/litble/article/details/160448088</link><guid>https://blog.csdn.net/litble/article/details/160448088</guid><author>litble</author><pubDate>Wed, 29 Apr 2026 15:05:42 +0800</pubDate><description><![CDATA[免责声明：作者也是伪装的，有错漏属于正常现象，欢迎评论指正。]]></description><category></category></item><item><title><![CDATA[如何速成LLM以伪装成一个AI研究者（2）——Pre-LN，KV-Cache优化，MoE]]></title><link>https://blog.csdn.net/litble/article/details/160369047</link><guid>https://blog.csdn.net/litble/article/details/160369047</guid><author>litble</author><pubDate>Thu, 23 Apr 2026 18:21:07 +0800</pubDate><description><![CDATA[本文通过DeepSeek-V2的技术报告，探讨了现代LLM架构和传统Transformer的区别。下一期还是没想好写什么，不过应该会开始涉及训练相关。]]></description><category></category></item><item><title><![CDATA[如何速成LLM以伪装成一个AI研究者（1）——循环，卷积，编解码器，注意力机制，Transformer]]></title><link>https://blog.csdn.net/litble/article/details/160317385</link><guid>https://blog.csdn.net/litble/article/details/160317385</guid><author>litble</author><pubDate>Mon, 20 Apr 2026 18:36:59 +0800</pubDate><description><![CDATA[本文跟随经典论文梳理了seq2seq问题，以及LLM架构的理论基础。下一章（还没想好写什么）可能会讨论一些偏实践的问题。]]></description><category></category></item><item><title><![CDATA[图神经网络（GNN）入门笔记（2）——从谱域理解图卷积，ChebNet和GCN实现]]></title><link>https://blog.csdn.net/litble/article/details/143601804</link><guid>https://blog.csdn.net/litble/article/details/143601804</guid><author>litble</author><pubDate>Fri, 08 Nov 2024 17:28:15 +0800</pubDate><description><![CDATA[与谱域图卷积（Spectral Domain Graph Convolution）对应的是空间域（Spatial Domain）图卷积。本节学习的谱域图卷积指的是通过频率来理解卷积的方法。]]></description><category></category></item><item><title><![CDATA[图神经网络（GNN）入门笔记（1）——图信号处理与图傅里叶变换]]></title><link>https://blog.csdn.net/litble/article/details/143582919</link><guid>https://blog.csdn.net/litble/article/details/143582919</guid><author>litble</author><pubDate>Thu, 07 Nov 2024 17:11:29 +0800</pubDate><description><![CDATA[从信号处理基本理论，到图信号处理知识，关于图卷积神经网络本质的学习笔记。]]></description><category></category></item><item><title><![CDATA[【踩坑】使用CenterNet训练自己的数据时的环境配置与踩坑]]></title><link>https://blog.csdn.net/litble/article/details/137090983</link><guid>https://blog.csdn.net/litble/article/details/137090983</guid><author>litble</author><pubDate>Thu, 28 Mar 2024 21:46:59 +0800</pubDate><description><![CDATA[使用CenterNet目标检测算法训练自己的数据，环境配置的一些问题]]></description><category></category></item><item><title><![CDATA[【踩坑】在linux服务器上配置mysql并开放3306端口]]></title><link>https://blog.csdn.net/litble/article/details/127049181</link><guid>https://blog.csdn.net/litble/article/details/127049181</guid><author>litble</author><pubDate>Mon, 26 Sep 2022 11:08:01 +0800</pubDate><description><![CDATA[踩坑向开放服务器mysql并让本机能远程连接。]]></description><category></category></item><item><title><![CDATA[【数学】平摊分析与动态表问题]]></title><link>https://blog.csdn.net/litble/article/details/124073281</link><guid>https://blog.csdn.net/litble/article/details/124073281</guid><author>litble</author><pubDate>Sun, 10 Apr 2022 10:55:20 +0800</pubDate><description><![CDATA[平摊分析与动态表问题]]></description><category></category></item><item><title><![CDATA[【数学】整数线性规划问题与对偶单纯形法]]></title><link>https://blog.csdn.net/litble/article/details/123939020</link><guid>https://blog.csdn.net/litble/article/details/123939020</guid><author>litble</author><pubDate>Sun, 03 Apr 2022 17:48:06 +0800</pubDate><description><![CDATA[整数线性规划问题与对偶单纯形法]]></description><category></category></item><item><title><![CDATA[【数学】线性规划问题与不单纯的单纯形]]></title><link>https://blog.csdn.net/litble/article/details/123928948</link><guid>https://blog.csdn.net/litble/article/details/123928948</guid><author>litble</author><pubDate>Sun, 03 Apr 2022 10:01:35 +0800</pubDate><description><![CDATA[讨论线性规划问题，以及求解线性规划问题的单纯形算法的入门，略过了比较繁琐的数学计算。]]></description><category></category></item><item><title><![CDATA[【Unity】Unity实现2D平台游戏带跳跃的自动寻路功能]]></title><link>https://blog.csdn.net/litble/article/details/120645246</link><guid>https://blog.csdn.net/litble/article/details/120645246</guid><author>litble</author><pubDate>Fri, 08 Oct 2021 11:34:43 +0800</pubDate><description><![CDATA[复活之后发的第一篇博客！
本期我们来讨论2D平台游戏带跳跃的自动寻路功能！]]></description><category></category></item><item><title><![CDATA[litble的留言板]]></title><link>https://blog.csdn.net/litble/article/details/79888273</link><guid>https://blog.csdn.net/litble/article/details/79888273</guid><author>litble</author><pubDate>Fri, 08 Oct 2021 09:01:51 +0800</pubDate><description><![CDATA[这是一块可爱的留言板，欢迎给可爱的litble留言。]]></description><category></category></item><item><title><![CDATA[NOI2019 退役记落幕记]]></title><link>https://blog.csdn.net/litble/article/details/97135056</link><guid>https://blog.csdn.net/litble/article/details/97135056</guid><author>litble</author><pubDate>Wed, 24 Jul 2019 16:34:17 +0800</pubDate><description><![CDATA[刚刚考完NOI，忙着打游戏，就一直咕了，本来计划着一天通一个章节，五天就能通关，结果才通了三个章节，就突然莫名其妙收到通知开学时间提前了，变成了明天。

既然已经正式成为了一名高三生，我觉得我还是要清理一下还咕咕咕着的事情，比如说写这篇游记。
Not all stories can end on a happy note
NOI前去广二培训，然后就是天天被广二神仙吊打，怀疑人生，怀疑自己，哦哦哦哦...]]></description><category></category></item><item><title><![CDATA[洛谷P5210/loj2570 [ZJOI2017]线段树 处理广义线段树的一类方法]]></title><link>https://blog.csdn.net/litble/article/details/93746964</link><guid>https://blog.csdn.net/litble/article/details/93746964</guid><author>litble</author><pubDate>Wed, 26 Jun 2019 15:55:18 +0800</pubDate><description><![CDATA[题目分析
处理广义线段树的一类套路方法。
首先，定义原来的线段树为原树，并且将其改造一下，使得它能够管理的区间为[0,n+1][0,n+1][0,n+1]。
定义左偏树（跟一种可并堆重名了2333）为一棵将原树上，所有是左儿子的点提取出来，构成的一棵树，每个点的父亲，是代表在其左边，与其代表区间相邻的区间，且深度比它浅的节点。画出来是这样的：

定义右偏树为提取右儿子们，与在它右边深度比它浅的第一...]]></description><category></category></item><item><title><![CDATA[codeforces 917D Stranger Trees 矩阵树定理+拉格朗日插值]]></title><link>https://blog.csdn.net/litble/article/details/88849804</link><guid>https://blog.csdn.net/litble/article/details/88849804</guid><author>litble</author><pubDate>Wed, 19 Jun 2019 18:51:38 +0800</pubDate><description><![CDATA[题目分析
把原树连成完全图，在原树中的边边权为xxx，否则为111。假设一棵生成树的权值是该生成树中所有边的权值之积，若我们将所有生成树权值相加，那么xkx^kxk的系数就是含有kkk条原树边的树的个数。
现在我们假设边权代表这条边有多少重边，那么总生成树个数就是原来定义的生成树权值之和。总生成树个树可以用矩阵树定理求。
设x=1,2,3...nx=1,2,3...nx=1,2,3...n，代入后...]]></description><category></category></item></channel></rss>