<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>可视化技术 on 办公AI智能小助手</title>
    <link>https://blog.qife122.com/tags/%E5%8F%AF%E8%A7%86%E5%8C%96%E6%8A%80%E6%9C%AF/</link>
    <description>Recent content in 可视化技术 on 办公AI智能小助手</description>
    <generator>Hugo</generator>
    <language>zh-cn</language>
    <copyright>qife</copyright>
    <lastBuildDate>Wed, 17 Sep 2025 13:54:33 +0800</lastBuildDate>
    <atom:link href="https://blog.qife122.com/tags/%E5%8F%AF%E8%A7%86%E5%8C%96%E6%8A%80%E6%9C%AF/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>时序数据可视化TiVy算法实现高效模式提取</title>
      <link>https://blog.qife122.com/p/%E6%97%B6%E5%BA%8F%E6%95%B0%E6%8D%AE%E5%8F%AF%E8%A7%86%E5%8C%96tivy%E7%AE%97%E6%B3%95%E5%AE%9E%E7%8E%B0%E9%AB%98%E6%95%88%E6%A8%A1%E5%BC%8F%E6%8F%90%E5%8F%96/</link>
      <pubDate>Wed, 17 Sep 2025 13:54:33 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E6%97%B6%E5%BA%8F%E6%95%B0%E6%8D%AE%E5%8F%AF%E8%A7%86%E5%8C%96tivy%E7%AE%97%E6%B3%95%E5%AE%9E%E7%8E%B0%E9%AB%98%E6%95%88%E6%A8%A1%E5%BC%8F%E6%8F%90%E5%8F%96/</guid>
      <description>&lt;h1 id=&#34;tivy面向可扩展可视化的时间序列视觉摘要方法&#34;&gt;TiVy：面向可扩展可视化的时间序列视觉摘要方法&lt;/h1&gt;&#xA;&lt;p&gt;可视化多时间序列时，可扩展性与视觉清晰度之间存在根本性权衡。时间序列捕获了许多大规模现实世界过程的行为，从股市趋势到城市活动。用户通常通过将时间序列可视化为折线图，并置或叠加多个时间序列进行比较，以识别趋势和模式。然而，现有表示方法在可扩展性方面存在困难：当覆盖长时间跨度时，会导致过多小倍数或重叠线条造成的视觉混乱。&lt;/p&gt;</description>
    </item>
    <item>
      <title>神经网络手写生成实验与技术探索</title>
      <link>https://blog.qife122.com/p/%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E6%89%8B%E5%86%99%E7%94%9F%E6%88%90%E5%AE%9E%E9%AA%8C%E4%B8%8E%E6%8A%80%E6%9C%AF%E6%8E%A2%E7%B4%A2/</link>
      <pubDate>Tue, 09 Sep 2025 00:18:03 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E6%89%8B%E5%86%99%E7%94%9F%E6%88%90%E5%AE%9E%E9%AA%8C%E4%B8%8E%E6%8A%80%E6%9C%AF%E6%8E%A2%E7%B4%A2/</guid>
      <description>&lt;h1 id=&#34;神经网络手写生成实验与技术探索&#34;&gt;神经网络手写生成实验与技术探索&lt;/h1&gt;&#xA;&lt;h2 id=&#34;模型输出观察&#34;&gt;模型输出观察&lt;/h2&gt;&#xA;&lt;p&gt;第一个实验是最直观的：当需要评估模型学习效果时，通常要求其进行任务演示。因此，让手写生成模型进行书写并观察其表现。&lt;/p&gt;&#xA;&lt;p&gt;虽然大部分输出为无意义字符，但许多结果令人信服，甚至出现类似真实单词的序列。值得注意的是，单个样本中的书写风格保持相对一致，这是因为采用的LSTM架构具有记忆先前笔画的机制，能够记住书写特征（如弧度或急转）以及前序字母信息。&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
