训练深度学习模型时，我们每天都在用 SGD、Momentum、Adam、AdamW，但很少有人能说清它们之间的数学关系：为什么动量能加速收敛？为什么 Adam 要维护两个矩估计？偏差修正那一项到底在修什么？AdamW 与 Adam 的区别真的只是"先做权重衰减"吗？本文从凸优化的收敛性分析出发，建立梯度下降的理论基线，然后逐步推导动量法、Nesterov 加速、Adagrad、RMSProp、Adam 与 AdamW，把优化器的演进理解为"逐步修补梯度估计的偏差与尺度缺陷"，并给出每个关键公式的严格推导与收敛性说明。
LangChain学习日志: LangGraph
尝试使用LangGraph。
LangChain学习日志: Agent
尝试使用LangChain的Agents功能。
LangChain学习日志: RAG
尝试使用LangChain来实现RAG（检索增强生成）功能。
论文精读 DyGLIP: A Dynamic Graph Model with Link Prediction forAccurate Multi-Camera Multiple Object Tracking
论文精读 DyGLIP: A Dynamic Graph Model with Link Prediction forAccurate Multi-Camera Multiple Object Tracking
基于Cesium的三维视锥绘制与画面模拟
基于Cesium的三维视锥绘制与画面模拟
从0开始学JAVA 4 JAVA线程方法汇总
万字长文梳理JAVA线程方法的基础应用
ReID 度量学习浅析
行人重识别（ReID）的核心任务是学一个特征空间：同一行人的不同图像特征距离近，不同行人的特征距离远。上一篇文章梳理了 MTMCT 方向的度量学习整体脉络，本文深入损失函数的数学本质：从 Softmax 与 Triplet 的对比出发，推导 Triplet Loss 的边界与难样本挖掘，再介绍 Circle Loss 的柔性目标设计，最后讨论它们在 ReID 特征学习中的实际取舍。
MTMCT方向的度量学习梳理
MTMCT方向的度量学习梳理。
实验室安全检测系统2
花了一个下午的时间修改了一下项目结构，简单记录一下