- 博客(47)
- 收藏
- 关注
RSS订阅原创 使用Word2Vec实现中文文本分类
本文为内部文章原作者：K同学啊本次将加入Word2vec使用PyTorch实现中文文本分类，Word2Vec 则是其中的一种词嵌入方法，是一种模型，由Tomas Mikolov及其团队于2013年提出。Word2Vec通过学习大量文本数据，将每个单词表示为一个连续的向量，这些向量可以捕捉单词之间的语义和句法关系。
2025-06-13 21:27:12
878
原创 Pytorch中文文本分类
定义一个名为 的函数，接收两个参数：：文本数据（通常是句子或单词序列）：对应的标签（分类任务中的目标值）for x, y in zip(texts, labels):：将 和 按元素配对，返回一个迭代器，每次迭代返回 的组合。例如，如果 ，，那么 会生成 和 。yield x, y 使这个函数变成一个 生成器（generator），每次迭代返回 对，而不是一次性返回所有数据。这种方式适合大数据集，因为它不会一次性加载所有数据到内存，而是按需生成。 定义一个生成器函数 ，接收一个数据迭代
2025-05-23 21:46:28
1340
原创 One-hot编码案例
自然语言处理(NLP)入门，绕不开的第一个概念就是词向量。什么是词向量，这个东西又是做什么用的呢?文字对于计算机来说就仅仅只是一个个符号，计算机无法理解其中含义，更无法处理。因此，NLP第-步就是:将文本数字化。NLP中最早期的文本数字化方法，就是将文本转换为字典序列。如:“阿”是新华字典中第1个单词所以它的字典序列就是 1。比较直观的文本数字化方法是采用上面提到的字典序列。例如，对于一个有三个类别的问题，可以用1、2和3分别表示这三个类别。
2025-04-18 18:36:49
653
原创 CFResNet鸟类识别：原网络基础上改进算法
本文为为🔗365天深度学习训练营内部文章原作者：K同学啊先放一张ResNet50模型的鸟类识别结果图。
2025-04-03 17:42:02
860
原创 DCGAN：人脸图像生成
生成器# 1.初始化权重# 自定义权重初始化函数，作用于netG和netD# 获取当前层的类名# 如果类名中包含’Conv‘，即当前层是卷积层= -1:# 使用正态分布初始化权重数据，均值为0，标准差为0.02# 如果类名中包含’BatchNorm‘，即当前层为批归一化层= -1:# 使用正态分布初始化权重数据，均值为1，标准差为0.02# 使用常数初始化偏置项数据，值为0# 2.定义生成器# 输入为z,经过一个转置卷积层。
2025-03-07 16:49:38
938
原创 生成对抗网络入门：Mnist手写数字生成
import os# 创建文件夹os.makedirs('./images/',exist_ok=True) # 记录训练过程的图片效果os.makedirs('./save/',exist_ok=True) # 训练完成时模型保存的位置os.makedirs('./datasets/mnist',exist_ok=True) # 下载数据集存放的位置# 超参数配置n_epochs = 50 # 这个参数决定了模型训练的总轮数。轮数越多，模型有更多机会学习数据中的模式，但也可能导致过拟合。
2025-02-13 22:22:41
1032
原创 RNN心脏病预测-Pytorch版本
2.定义训练函数# 训练循环size = len(dataloader.dataset) # 训练集的大小，一共60000张图片num_batches = len(dataloader) # 批次数目，1875（60000/32）train_loss, train_acc = 0, 0 # 初始化训练损失和正确率for X, y in dataloader: # 获取图片及其标签# 计算预测误差pred = model(X) # 网络输出。
2025-01-09 13:12:27
1026
1
原创 InceptionV1实现猴痘病识别案例
最后Inception Module基本由1*1卷积，3*3卷积，5*5卷积，3*3最大池化四个基本单元组成。为了改善计算量大的问题，使用了1*1的卷积核实现降维操作，以此来减小网络的参数量与计算量。Inception Module是Inception V1的核心组成单元，提出了。1*1卷积核的作用：降低输入特征图的通道数，减小网络的参数量与计算量。
2024-12-29 20:59:23
268
原创 ResNext-50模型进行图像识别
的概念，ResNeXt-50 能够在网络深度不增加的情况下显著提升模型的能力，同时保持训练的高效性和泛化能力。它适用于各种计算机视觉任务，尤其是在需要高效和准确的图像分类任务中表现出色。相比于传统的深层网络（如 ResNet 和 VGG）有明显的优势，特别是在计算效率和模型性能之间找到了较好的平衡。
2024-12-20 16:51:08
207
原创 深度学习案例：Bird识别之普通CNN与ResNet50对比
ResNet50的网络深度达50层，相较于普通CNN，能够学习到更为复杂和抽象的图像特征。通过深层的网络结构，ResNet能够提取多层次的特征，从低级的边缘、纹理到高级的形状和物体类别特征。这使得ResNet在图像分类任务中能够表现出更高的准确性，尤其是在处理复杂图像或大规模数据集时（例如ImageNet数据集）。传统的普通CNN在训练时往往需要更长的时间来收敛，尤其是在网络较深时容易陷入局部最优解。而ResNet通过残差连接的引入，减少了训练过程中的优化难度，并能更快速地收敛。
2024-11-22 18:33:37
673
原创 RNN深度学习案例：LSTM火灾温度预测
(5939, 24) (5939, 1)(5000, 8, 3) (939, 8, 3)Model: "sequential_1"_________________________________________________________________ Layer (type) Output Shape Param # =====================================
2024-11-15 18:39:31
1078
原创 RNN天气预测
本文为为内部文章原作者：K同学啊与上篇一样，依然是二维数据结构。利用早停法，绘制准确率和loss图Epoch 1/10Epoch 2/10Epoch 3/10Epoch 4/10Epoch 5/10Epoch 6/10Epoch 7/10Epoch 8/10Epoch 9/10。
2024-11-08 17:59:51
1128
原创 LSTM预测：糖尿病的发生情况
卡号 性别 年龄 高密度脂蛋白胆固醇 低密度脂蛋白胆固醇 极低密度脂蛋白胆固醇 甘油三酯 总胆固醇 脉搏 舒张压 0 18054421 0 38 1.25 2.99 1.07 0.64 5.31 83 83 \1 18054422 0 31 1.15 1.99 0.84 0.50 3.98 85 63 2 18054423 0 27 1.29
2024-10-18 21:33:57
1270
1
原创 RNN心脏病预测
1. 模型输入要求RNN 输入格式：许多深度学习模型，尤其是 RNN 和 LSTM，需要输入数据的形状为三维：(样本数, 时间步数, 特征数)。这使得模型能够处理序列数据并学习时间依赖关系。2. 数据原始形状在标准化后，X_train 和 X_test 的形状是 (样本数, 特征数)。例如，如果 X_train 有 100 个样本和 10 个特征，则其形状为 (100, 10)。3. 重塑的目的。
2024-10-11 21:18:16
1017
原创 数据增强方法
这是大家可以自由发挥的一个地方# 随机改变图像对比度如何将自定义增强函数应用到我们数据上呢在数据预处理的步骤中嵌套数据增强的函数即可# 归一化图像# 应用增强函数# 随机改变图像对比度。
2024-09-13 20:12:43
868
原创 Tenserflow实现深度学习案例3：天气识别
1.tensorflow比torch在语法上更简单，构建模型的语法更为固定，训练的语法更为简洁2.数据处理上联系密切，仅有语法不同。
2024-07-26 21:56:34
852
原创 Tensorflow深度学习案例2：cifar10彩色图片识别
与上文手写数字识别架构、逻辑、思路、语句近似相同导入内置数据集，归一化数据拆分训练集，构建模型训练并评估。
2024-07-19 21:34:29
430
原创 Tenserflow深度学习案例1：mnist手写数字识别
MNIST手写数字数据集来源于是美国国家标准与技术研究所，是著名的公开数据集之一。（下载后需解压）。我们一般会采用这行代码直接调用，这样就比较简单MNIST手写数字数据集中包含了70000张图片，其中60000张为训练数据，10000为测试数据，70000张图片均是28*28，数据集样本如下：如果我们把每一张图片中的像素转换为向量，则得到长度为28*28=784的向量。因此我们可以把训练集看成是一个的张量，第一个维度表示图片的索引，第二个维度表示每张图片中的像素点。而图片里的每个像素点的值介于0-1。
2024-07-12 23:24:26
919
原创 Pytorch深度学习10：车牌号识别
- **🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/pgg8O9Hv8fiLBc8xbFm4HQ) 中的学习记录博客**>- **🍖 原作者：[K同学啊 | 接辅导、项目定制](https://mtyjkh.blog.youkuaiyun.com/)*在之前的案例中，我们多是使用函数直接导入已经分类好的数据集形成Dataset，然后使用DataLoader加载Dataset，本文讲分析无法分类的数据集，应当如何处理。本文数据集为车牌号数据集。
2024-06-28 23:18:31
1261
原创 Pytorch深度学习案例9：Yolov5-backbone模块实现
- **🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/0dvHCaOoFnW8SCp3JpzKxg) 中的学习记录博客**>- **🍖 原作者：[K同学啊](https://mtyjkh.blog.youkuaiyun.com/)**
2024-06-21 21:30:31
911
原创 Pytorch实现深度学习案例8：Yolov5-c3实现
CSPDarknet53 模型YOLOv5 使用的主干网络是 CSPDarknet53，它是一个改进的 Darknet53 模型。CSPDarknet53 模型通过使用 CSP（Cross Stage Partial）连接来减少参数量并提高模型的效率和性能。C3 模块的作用C3 模块是 CSPDarknet53 模型中的第三个阶段（C3 Stage），负责在输入的特征图中执行一系列卷积操作，以便从输入图像中提取更高级别的特征。
2024-06-14 20:44:13
1164
原创 Pytorch实现深度学习案例7：咖啡豆识别
1.对相同结构的不同数据集，掌握如何调用和手写vgg16函数进行深度学习分析2.准确率高达98%3 初步掌握了vgg16的网络原理和结构。
2024-06-07 16:16:50
858
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人