<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[2201_75852821的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/2201_75852821</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; 2201_75852821]]></copyright><item><title><![CDATA[python学习打卡day59]]></title><link>https://blog.youkuaiyun.com/2201_75852821/article/details/149095182</link><guid>https://blog.youkuaiyun.com/2201_75852821/article/details/149095182</guid><author>2201_75852821</author><pubDate>Thu, 03 Jul 2025 21:48:07 +0800</pubDate><description><![CDATA[机器学习模型：通过滑动窗口实现，往往需要借助arima等作为特征提取器来捕捉线性部分（趋势、季节性），再利用自己的优势捕捉非线性的残差。模型结果的检验可视化（昨天说的是摘要表怎么看，今天是对这个内容可视化）X了，可以自己借助AI尝试尝试，相信大家已经有这个能力了。深度学习模型：独特的设计天然为时序数据而生。多变量数据的理解：内生变量和外部变量。（单向因果）、VAR（考虑双向依赖）DAY 59 经典时序预测模型3。由于篇幅问题，无法实战。]]></description><category></category></item><item><title><![CDATA[python学习打卡day58]]></title><link>https://blog.youkuaiyun.com/2201_75852821/article/details/149022235</link><guid>https://blog.youkuaiyun.com/2201_75852821/article/details/149022235</guid><author>2201_75852821</author><pubDate>Mon, 30 Jun 2025 14:47:51 +0800</pubDate><description><![CDATA[DAY 58 经典时序预测模型2知识点回顾：时序建模的流程时序任务经典单变量数据集ARIMA（p，d，q）模型实战SARIMA摘要图的理解处理不平稳的2种差分n阶差分---处理趋势季节性差分---处理季节性建立一个ARIMA模型，通常遵循以下步骤：1. 数据可视化：观察原始时间序列图，判断是否存在趋势或季节性。2. 平稳性检验：- 对原始序列进行ADF检验。- 如果p值 > 0.05，说明序列非平稳，需要进行差分。]]></description><category></category></item><item><title><![CDATA[python学习打卡day57]]></title><link>https://blog.youkuaiyun.com/2201_75852821/article/details/148979941</link><guid>https://blog.youkuaiyun.com/2201_75852821/article/details/148979941</guid><author>2201_75852821</author><pubDate>Sat, 28 Jun 2025 20:05:58 +0800</pubDate><description><![CDATA[DAY 57经典时序模型1知识点回顾序列数据的处理：处理非平稳性：n阶差分处理季节性：季节性差分自回归性无需处理模型的选择AR(p) 自回归模型：当前值受到过去p个值的影响MA(q) 移动平均模型：当前值收到短期冲击的影响，且冲击影响随时间衰减ARMA(p,q) 自回归滑动平均模型：同时存在自回归和冲击影响作业：检索下经典的时序单变量数据集有哪些，选择一个尝试观察其性质。数据集选择的是经典的国际航空公司乘客数据集。]]></description><category></category></item><item><title><![CDATA[python学习打卡day56]]></title><link>https://blog.youkuaiyun.com/2201_75852821/article/details/148851985</link><guid>https://blog.youkuaiyun.com/2201_75852821/article/details/148851985</guid><author>2201_75852821</author><pubDate>Mon, 23 Jun 2025 19:19:48 +0800</pubDate><description><![CDATA[-- 开始检验白噪声属性 --- 1. 序列的均值: 9.0969 (结论: 均值偏离0较远。) 2. 序列的方差: 55.5327 (结论: 方差偏离1较远。) 3. 检验自相关性 (使用ACF图): - ACF图展示了序列与它过去值之间的相关性。- 对于白噪声，只有lag=0时相关性为1，其他所有lag的相关性都应在蓝色置信区间内（统计上不显著）。记忆口诀：p越小，落在置信区间外，越拒绝原假设。DAY 56 时序数据的检验。偏自相关性检验：PACF检验。自相关性检验：ACF检验和。]]></description><category></category></item><item><title><![CDATA[python学习打卡day55]]></title><link>https://blog.youkuaiyun.com/2201_75852821/article/details/148824621</link><guid>https://blog.youkuaiyun.com/2201_75852821/article/details/148824621</guid><author>2201_75852821</author><pubDate>Sun, 22 Jun 2025 11:08:44 +0800</pubDate><description><![CDATA[手动构造类似的数据集（如cosx数据），观察不同的机器学习模型的差异。经典机器学习在序列任务上的劣势；使用lightgbm同样效果非常差。DAY 55 序列预测任务介绍。序列数据的处理：滑动窗口。多输入多输出任务的思路。]]></description><category></category></item><item><title><![CDATA[python学习打卡day54]]></title><link>https://blog.youkuaiyun.com/2201_75852821/article/details/148686326</link><guid>https://blog.youkuaiyun.com/2201_75852821/article/details/148686326</guid><author>2201_75852821</author><pubDate>Mon, 16 Jun 2025 13:29:20 +0800</pubDate><description><![CDATA[原始inception+CBMA+残差机制的准确率可以达到79.93%特征融合方法阶段性总结：逐元素相加、逐元素相乘、concat通道数增加等。原始inception+CBMA的准确率可以达到81.41%感受野与卷积核变体：深入理解不同模块和类的设计初衷。对inception网络在cifar10上观察精度。原始inception的准确率可以达到82.00%消融实验：引入残差机制和cbam模块分别进行消融。inception模块和网络。Inception网络。原始inception。]]></description><category></category></item><item><title><![CDATA[python学习打卡day53]]></title><link>https://blog.youkuaiyun.com/2201_75852821/article/details/148649155</link><guid>https://blog.youkuaiyun.com/2201_75852821/article/details/148649155</guid><author>2201_75852821</author><pubDate>Sat, 14 Jun 2025 12:51:07 +0800</pubDate><description><![CDATA[对于心脏病数据集，对于病人这个不平衡的样本用GAN来学习并生成病人样本，观察不用GAN和用GAN的F1分数差异。nn.sequential容器：适合于按顺序运算的情况，简化前向传播写法。对于gan的损失函数的理解，建议去找找视频看看，如果只是用，没必要学。leakyReLU介绍：避免relu的神经元失活现象。使用GAN数据增强后F1分数: 0.8955。对抗生成网络的思想：关注损失从何而来。原始F1分数: 0.8438。]]></description><category></category></item><item><title><![CDATA[python学习打卡day52]]></title><link>https://blog.youkuaiyun.com/2201_75852821/article/details/148638632</link><guid>https://blog.youkuaiyun.com/2201_75852821/article/details/148638632</guid><author>2201_75852821</author><pubDate>Fri, 13 Jun 2025 23:13:59 +0800</pubDate><description><![CDATA[day41的简单CNN最后的结果，今天要做的是使用调参指南中的方法进一步提高精度。作业：对于day'41的简单cnn，看看是否可以借助调参指南进一步提高精度。最终测试准确率: 87.04%DAY 52 神经网络调参指南。各部分参数的调整心得。]]></description><category></category></item><item><title><![CDATA[python学习打卡day51]]></title><link>https://blog.youkuaiyun.com/2201_75852821/article/details/148604880</link><guid>https://blog.youkuaiyun.com/2201_75852821/article/details/148604880</guid><author>2201_75852821</author><pubDate>Thu, 12 Jun 2025 14:24:16 +0800</pubDate><description><![CDATA[定义通道注意力"""通道注意力机制初始化参数:in_channels: 输入特征图的通道数ratio: 降维比例，用于减少参数量，默认为16"""# 全局平均池化，将每个通道的特征图压缩为1x1，保留通道间的平均值信息# 全局最大池化，将每个通道的特征图压缩为1x1，保留通道间的最显著特征# 共享全连接层，用于学习通道间的关系# 先降维（除以ratio），再通过ReLU激活，最后升维回原始通道数。]]></description><category></category></item><item><title><![CDATA[python学习打卡day50]]></title><link>https://blog.youkuaiyun.com/2201_75852821/article/details/148592200</link><guid>https://blog.youkuaiyun.com/2201_75852821/article/details/148592200</guid><author>2201_75852821</author><pubDate>Wed, 11 Jun 2025 22:40:35 +0800</pubDate><description><![CDATA[加载预训练VGG16# 提取特征部分# 修改首层卷积以适应32x32输入（CIFAR10）# 在每个最大池化层后添加CBAM模块# 分类部分nn.Linear(512 * 1 * 1, 4096), # 因为输入尺寸为32x32，经过多次下采样后变为1x1# 第一组卷积 + 池化 + CBAMx = self.features[:5](x) # 到第一个MaxPool2d# 第二组卷积 + 池化 + CBAM。]]></description><category></category></item><item><title><![CDATA[python学习打卡day49]]></title><link>https://blog.youkuaiyun.com/2201_75852821/article/details/148544715</link><guid>https://blog.youkuaiyun.com/2201_75852821/article/details/148544715</guid><author>2201_75852821</author><pubDate>Tue, 10 Jun 2025 13:38:36 +0800</pubDate><description><![CDATA[DAY 49 CBAM注意力知识点回顾：通道注意力模块复习空间注意力模块CBAM的定义最近临近毕业，事情有点多。如果有之前的基础的话，今天的难度相对较低。后面说完几种模块提取特征的组合方式后，会提供整理的开源模块的文件。现在大家已近可以去读这类文章了，应该已经可以无压力看懂三四区的很多这类文章。作业：尝试对今天的模型检查参数数目，并用tensorboard查看训练过程1.通道注意力模块。]]></description><category></category></item><item><title><![CDATA[python学习打卡day48]]></title><link>https://blog.youkuaiyun.com/2201_75852821/article/details/148537282</link><guid>https://blog.youkuaiyun.com/2201_75852821/article/details/148537282</guid><author>2201_75852821</author><pubDate>Mon, 09 Jun 2025 16:22:42 +0800</pubDate><description><![CDATA[ps：numpy运算也有类似的广播机制，基本一致自己多借助ai举几个例子帮助自己理解即可随机张量的生成在深度学习中经常需要随机生成一些张量，比如权重的初始化，或者计算输入纬度经过模块后输出的维度，都可以用一个随机函数来实现需要的张量格式，而无需像之前一样必须加载一张真实的图片。随机函数的种类很多，我们了解其中一种即可，毕竟目的主要就是生成，对分布要求不重要。]]></description><category></category></item><item><title><![CDATA[python学习打卡day47]]></title><link>https://blog.youkuaiyun.com/2201_75852821/article/details/148495531</link><guid>https://blog.youkuaiyun.com/2201_75852821/article/details/148495531</guid><author>2201_75852821</author><pubDate>Sat, 07 Jun 2025 15:06:38 +0800</pubDate><description><![CDATA[昨天代码中注意力热图的部分顺移至今天。作业：对比不同卷积层热图可视化的结果。DAY 47 注意力热图可视化。]]></description><category></category></item><item><title><![CDATA[python学习打卡day46]]></title><link>https://blog.youkuaiyun.com/2201_75852821/article/details/148479590</link><guid>https://blog.youkuaiyun.com/2201_75852821/article/details/148479590</guid><author>2201_75852821</author><pubDate>Fri, 06 Jun 2025 17:52:56 +0800</pubDate><description><![CDATA[不同CNN层的特征图：不同通道的特征图。提升不是很明显，50轮后略有些提升。为了保证收敛方便对比性能，今日。通道注意力后的特征图和热力图。DAY 46 通道注意力。]]></description><category></category></item><item><title><![CDATA[python学习打卡day45]]></title><link>https://blog.youkuaiyun.com/2201_75852821/article/details/148466076</link><guid>https://blog.youkuaiyun.com/2201_75852821/article/details/148466076</guid><author>2201_75852821</author><pubDate>Fri, 06 Jun 2025 13:02:38 +0800</pubDate><description><![CDATA[实际上对目前的ai而言，你只需要先完成最简单的demo，然后让他给你加上tensorboard需要打印的部分即可。---核心是弄懂tensorboard可以打印什么信息，以及如何看可视化后的结果，把ai当成记忆大师用到的时候通过它来调取对应的代码即可。tensorboard的代码还有有一定的记忆量，实际上深度学习的经典代码都是类似于八股文，看多了就习惯了，难度远远小于考研数学等需要思考的内容。tensorboard和torch版本存在一定的不兼容性，如果报错请新建环境尝试。]]></description><category></category></item><item><title><![CDATA[python学习打卡day44]]></title><link>https://blog.youkuaiyun.com/2201_75852821/article/details/148424442</link><guid>https://blog.youkuaiyun.com/2201_75852821/article/details/148424442</guid><author>2201_75852821</author><pubDate>Wed, 04 Jun 2025 14:05:35 +0800</pubDate><description><![CDATA[DAY 44 预训练模型知识点回顾：预训练的概念常见的分类预训练模型图像预训练模型的发展史预训练的策略预训练代码实战：resnet18作业：尝试在cifar10对比如下其他的预训练模型，观察差异，尽可能和他人选择的不同尝试通过ctrl进入resnet的内部，观察残差究竟是什么1.数据预处理2.定义ResNet50模型3.冻结/解冻模型层的函数。]]></description><category></category></item><item><title><![CDATA[python学习打卡day43]]></title><link>https://blog.youkuaiyun.com/2201_75852821/article/details/148410596</link><guid>https://blog.youkuaiyun.com/2201_75852821/article/details/148410596</guid><author>2201_75852821</author><pubDate>Tue, 03 Jun 2025 23:02:34 +0800</pubDate><description><![CDATA[数据集使用猫狗数据集，训练集中包含猫图像4000张、狗图像4005张。测试集包含猫图像1012张，狗图像1013张。以下是数据集的下载地址。kaggle找到一个图像数据集，用cnn网络进行训练并且用grad-cam做可视化。我这里对数据集文件路径做了改变。1.数据集加载与数据预处理。3. Grad-CAM实现。]]></description><category></category></item><item><title><![CDATA[python学习打卡day42]]></title><link>https://blog.youkuaiyun.com/2201_75852821/article/details/148369347</link><guid>https://blog.youkuaiyun.com/2201_75852821/article/details/148369347</guid><author>2201_75852821</author><pubDate>Sun, 01 Jun 2025 19:21:14 +0800</pubDate><description><![CDATA[其中回调函数作为参数传入，所以在定义的时候一般用callback来命名，在 PyTorch 的 Hook API 中，回调参数通常命名为 hook。张量钩子有两种： - `register_hook`：用于监听张量的梯度 - `register_full_backward_hook`：用于在完整的反向传播过程中监听张量的梯度（PyTorch 1.4+）Grad-CAM 的核心思想是：通过反向传播得到的梯度信息，来衡量每个特征图对目标类别的重要性。反向钩子与前向钩子类似，但它是在反向传播过程中被调用的。]]></description><category></category></item><item><title><![CDATA[python学习打开day41]]></title><link>https://blog.youkuaiyun.com/2201_75852821/article/details/148356548</link><guid>https://blog.youkuaiyun.com/2201_75852821/article/details/148356548</guid><author>2201_75852821</author><pubDate>Sat, 31 May 2025 23:48:26 +0800</pubDate><description><![CDATA[4. 定义CNN模型的定义（替代原MLP）super(CNN, self).__init__() # 继承父类初始化# ---------------------- 第一个卷积块 ----------------------# 卷积层1：输入3通道（RGB），输出32个特征图，卷积核3x3，边缘填充1像素in_channels=3, # 输入通道数（图像的RGB通道）out_channels=32, # 输出通道数（生成32个新特征图）]]></description><category></category></item><item><title><![CDATA[python学习打卡day40]]></title><link>https://blog.youkuaiyun.com/2201_75852821/article/details/148349248</link><guid>https://blog.youkuaiyun.com/2201_75852821/article/details/148349248</guid><author>2201_75852821</author><pubDate>Sat, 31 May 2025 09:46:56 +0800</pubDate><description><![CDATA[仔细学习下测试和训练代码的逻辑，这是基础，这个代码框架后续会一直沿用，后续的重点慢慢就是转向模型定义阶段了。dropout操作：训练阶段随机丢弃神经元，测试阶段eval模式关闭dropout。1.彩色和灰度图片测试和训练的规范写法：封装在函数中。展平操作：除第一个维度batchsize外全部展平。彩色和灰度图片测试和训练的规范写法：封装在函数中。训练和测试的规范写法。]]></description><category></category></item></channel></rss>