2301_78625160的博客

原创 YOLOv4（二）

Bag of Specials（BOS）” 是 YOLOv4 的关键技术方向之一，特点是仅增加少量推理时的计算成本，却能显著提升模型精度。它整合了近年 CV 领域的多种优秀技术，比如注意力机制、特征金字塔优化、网络结构改进等，相当于通过一篇 YOLOv4 的研究，就能了解多类前沿技术的应用。

原创 YOLOv4（一）

原创 YOLOv3

在 COCO 数据集的 mAP-50（平均精度）和推理时间上，YOLOv3 表现均衡。以不同输入尺寸为例，YOLOv3-320 推理时间 22ms、mAP-50 为 51.5；YOLOv3-608 推理时间 51ms、mAP-50 达 57.9，在速度和精度间取得较好平衡。

原创 YOLOV1和YOLOV2

S）13。

原创 分类任务（三）

原创 分类项目（二）

原创 分类项目（一）

原创 目标检测（一）

简单说就是 “认出图片里的物体，还找到它们在哪儿”，要同时完成 “定位置” 和 “辨类别” 两个任务，还会面临物体种类数量多、大小不一、被遮挡或有噪声干扰等难题。

原创 深度学习项目（一）图像分布项目

原创 PyTorch 数据处理工具箱

咱们在做深度学习时，得先把数据处理好才能用，PyTorch 专门给了一套 “工具箱” 来干这个，主要包括utils.data这些部分，各自有不同的用处，一起配合就能把数据弄得符合模型训练的要求。

原创 图像分类项目

简单说，就是把不同的图像分到对应的类别标签里，尽量让分错的情况最少。

原创 自制网络结构

【代码】自制网络结构。

原创 PyTorch 神经网络工具箱：一篇超易懂总结

遇到现成积木不够用？自己造！普通残差块：把输入直接 “绕到” 输出端，和加工后的结果相加，让模型更容易学。下采样残差块：如果输入和输出 “形状不匹配”（比如通道数不一样），就加个 1×1 的卷积层 “调整形状”，再和输出相加。把这两种块组合起来，就能拼出 ResNet18 这样的 “大模型”，专门解决深层网络 “学不会” 的问题～PyTorch 搭建神经网络，本质就是 “用 nn.Module/nn.functional 造零件，用各种容器拼模型，再通过‘训练六步曲’让模型学会干活”。

原创 卷积神经网络（CNN）趣味总结：从 “笨办法” 到图像识别大神

更高效地提取特征，更聪明地减少参数。它靠 “懂图像的规律（平移不变、局部性）”，用 “卷积 + 池化” 的组合拳，解决了传统模型的 “笨办法”，最终成了图像识别、目标检测等领域的 “顶流技术”。现在手机拍照的 “美颜识别”、快递的 “单号扫描”、自动驾驶的 “路况识别”，背后都有 CNN 的身影～

原创 多层感知机：神经网络入门小课堂

从单个感知机（只能画直线），到多层感知机（靠隐藏层和激活函数画曲线），本质是让 AI 从 “处理简单问题” 进化到 “搞定复杂任务”。训练时只要避开欠拟合、过拟合，调对超参数，“神经军团” 就能越来越强～

原创 线性回归与 Softmax 回归总结

梯度下降靠 “反梯度方向” 更新参数，是基础操作；小批量随机梯度下降是深度学习的 “默认选手”，又快又实用；调好学率和批量大小，模型训练能少走很多弯路～线性回归是 “数值预测小能手”，靠公式和梯度下降算准连续值；Softmax 回归是 “分类贴标专家”，用 Softmax 运算把置信度变概率，轻松给事物分类别。两者都是深度学习的 “地基模型”，学好它们，就能解锁更复杂的 AI 技能啦！

原创 深度学习入门 PPT 趣味总结

由 “计算机科学之父” 图灵提出：让测试者通过问答，判断对方是人还是机器。从一个 “啥也不会”（随机初始化参数）的模型开始，拿数据练手，调整参数让它表现更好，反复练，直到它 “达标”数据没有 “答案”（标签），机器自己找规律，比如把相似的东西归为一类（聚类），或者简化数据（主成分分析）机器像 “游戏玩家”，在环境中做动作，根据得到的 “奖励”（比如完成任务给 “加分”）调整策略，不断进步。深度学习是机器学习的 “进阶版”（模型是复杂神经网络），这些年搞出了好多 “大新闻”：。想搞深度学习相关工作。

原创 支持向量机（SVM）趣味总结：机器界的 “最佳分界线画家”

SVM 就是个 “追求极致的分界线画家”：靠少数 “哨兵”（支持向量）定位置，用 “数学套路” 找最稳的线，遇到噪音就 “放宽标准”（软间隔），遇到绕圈数据就 “升维变形”（核变换）—— 最终画出一条又宽又稳的分界线，把不同类样本分得明明白白！

原创 朴素贝叶斯知识大揭秘

公式一算就明白：先算穿长裤的总人数，再用女生穿长裤的人数除以它，最后发现总人数其实没用，直接简化出核心公式 ——假设单词之间没关系（这就是 “朴素” 的关键 —— 特征独立），只需统计垃圾邮件里这些单词出现的频率，再结合 “垃圾邮件在所有邮件里的比例”，就能算出这封邮件是垃圾邮件的概率。：偏爱 “0 和 1 的二值数据”，比如文本里某个单词 “出现（1）” 或 “没出现（0）”。如果说第一份是 “理论课”，这份就是 “工具课”，教咱根据数据类型选对 “贝叶斯工具”，还带 Python 代码，直接能上手！

原创 线性回归算法预测

核心定义：线性回归是通过属性的线性组合进行预测的线性模型，其核心目标是找到一条直线、一个平面或更高维的超平面，使预测值与真实值之间的误差最小化。例如，在房屋价格预测中，可拟合出如f(x)=W0​+W1​x（其中x为房屋大小，f(x)为价格）的直线。一般形式对于由d个属性描述的示例x=(x1​;x2​;⋯;xd​)，线性模型试图学得的预测函数为f(x)=w1​x1​+w2​x2​+⋯+wd​xd​+b。向量形式可写成f(x)=wTx+b，其中w为权重向量，b为偏置项。

原创 机器学习两大门派：聚类与集成算法大揭秘

想象你手里有一堆没贴标签的水果，聚类就是让长得像的水果自动凑成一堆 —— 这就是无监督学习的魅力，不用提前告诉机器 “这是苹果”，它自己就能发现规律。就像考试时问多个学霸比问一个学霸更靠谱，集成学习让多个 “弱学习器” 组队，一起解决问题，效果往往比单个 “强学习器” 更好。CH 值越大越好：值大说明小团体内部很团结（类内紧密），小团体之间离得远（类间分散）。

原创 机器学习数据预处理大揭秘！

标准化：最大最小值标准化：数据标准化：绝对值最大标准化：带离群值数据集标准化：使用分位数信息变换特征：使用幂变换执行到正态分布的映射：正则化：将分类特征转换为分类数：将分类特征转换为分：多标签二值化：独热编码：将连续数据离散化：特征二值化：自定义特征处理函数：创建多项式特征：弥补缺失值。

原创 决策树小课堂：从 “猜答案” 到 “防翻车” 的机器学习指南

它用 “信息增益” 选划分属性，增益越大，划分后数据 “纯度” 越高。但有个小毛病：喜欢选选项多的属性（比如 “编号” 这种万能答案），容易跑偏～为了修正 ID3 的偏爱，它提出 “信息增益率”= 信息增益 ÷ 自身熵，让每个属性公平竞争，再也不怕话痨属性霸场啦！基尼指数越小，数据越纯（随机抽两个样本，类别不同的概率越低）。splitter：选 “best”（全量找最优）还是 “random”（随机找）切分点。α 越小：树越复杂，精准度高，但可能想太多就像给树修枝，既要好看又要结果多～

原创 机器学习（三）：决策树的奇妙冒险

今天咱们要聊聊机器学习里超有趣的 “决策树”，它就像一棵会做选择的智慧树，能帮我们解决分类和回归问题哦～

原创 机器学习（二）

这里的 “距离” 可以用欧式距离（就像两点间直线距离），也可以用曼哈顿距离（像出租车绕街区走的距离）。而且 K 值很关键，比如 K=3 时可能判成一种类型，K=5 时又可能变啦！咱们还用 KNN 给鸢尾花分了类。鸢尾花有 4 个特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度。通过这些特征，KNN 就能分辨出它是山鸢尾、变色鸢尾还是维吉尼亚鸢尾。用 Python 的 sklearn 库实现超方便：加载数据、划分训练集和测试集、选 K=5 用欧式距离训练模型，最后还能算出准确率，看看模型学得怎么样～

原创 机器学习(一）

机器学习是让计算机处理特定任务的技术，它以大量经验数据为基础，通过分析这些数据找到规律，再用评判标准衡量任务完成情况，最终让计算机把任务完成得更好。比如 2016 年阿尔法围棋战胜李世石，就是机器学习的典型成果。

原创 电商双11美妆数据分析实例子(2)

在销量的时间分布上，双 11 当天销量出现大幅下降。因此，商家应将营销重点放在双 11 前夕，通过吸引消费者提前消费提升销量，而非仅聚焦于双 11 当天；在店铺表现方面，客单价较低的店铺，其总销量和销售额普遍超过客单价更高的店铺，这表明价格实惠是消费者购物时的首要考量因素。男士专用商品里，护肤品销量最高，化妆品类则以唇膏为主，且妮维雅在男士专用市场中占据较大份额。从评论与订单的关联来看，相宜本草 “平均每单对应评论数” 这一指标过高，是评论数量最多的悦诗风吟的 4 倍，存在刷单等异常情况的可能性。

原创 电商双11美妆数据分析实例子

3.数据分析及可视化。

原创 爬虫 + 数据分析大冒险：揭秘中国大学排名的小秘密

还能把数据做成饼图，像切披萨一样展示各星级学校的占比，1 星学校占比 31.7%，妥妥的 “大块头”～数据到手后发现小问题 ——“总分” 列有空缺！别慌，pandas 出手相救：可以直接删掉有空值的行，也能用 “暂无分数信息” 填空，还能算个平均分或中位数来补位，就像给数据打补丁一样神奇～首先，咱们的任务是从高三网爬取大学数据，包括学校名称、总分、全国排名、星级排名和办学层级，然后把这些宝贝数据存成 CSV 文件。今天咱们来一场超有趣的 “数据探险”，用爬虫和数据分析解锁中国大学排名的奥秘！

原创 Matplotlib 进阶玩法：图像处理大揭秘

sns.barplot(x='Category',y='Value',data=df)# 使用seaborn绘制柱状图，x轴为Category列，y轴为Value列，数据来源为df。data={'Category':['A','B','C'],'Value':[3,7,5]}# 创建一个字典数据，包含Category和Value两列。sns.lineplot(x='X',y='Y',data=df)# 使用seaborn绘制线图，x轴为X列，y轴为Y列，数据来源为df。画完好看的图像想保存？

原创 Matplotlib 绘图入门大闯关：从安装到花式可视化

线型选择：实线'-'、破折线'--'、点划线'-.'、虚线':'，用linestyle或简写ls设置颜色随心换：红色'r'、绿色'g'、蓝色'b'，还有青'c'、品红'm'等，用color或c设置粗细调节linewidth（简写 lw）来控制，数值越大线越粗。

原创 【无标题】

原创 Pandas 小课堂：数据处理神器入门

想象一下，你有一堆乱糟糟的数据像散落的积木，Pandas 就是能帮你把积木搭成漂亮城堡的魔法工具！它是 Python 的一个超好用类库，能搞定数据分析、处理和可视化，特点是跑起来快、用起来简单，还自带贴心的数据结构。，就像给空座位做标记。相当于一整张 Excel 表，既有行索引又有列索引，每列能装不同类型的数据。就像表格里的一列数据，有自己的 "座位号"（索引）和 "乘客"（数据）。别慌，Pandas 有妙招！想找表格里的特定数据？

原创 NumPy

哪怕一个是 3×3 的二维数组，一个是 1×3 的一维数组，NumPy 也能自动 “广播” 让它们完美运算，就像给小数组 “复制粘贴” 成匹配的形状。函数能把两个字符串数组 “粘” 在一起，比如把 ['hello', 'hi'] 和 [' 小明 ', ' 小红 '] 变成 ['hello 小明 ', 'hi 小红 ']。能擦掉字符串头尾的指定字符，比如把 “aabcda” 的首尾 “a” 擦掉变成 “bcd”。函数能按行、按列排序，甚至能给带字段的数组按 “姓名” 或 “年龄” 排序。

原创 【无标题】

核心主角是 "Ndarray"（N 维数组），就像个整齐的收纳盒，装的都是同类型数据，用 0 开始的下标就能找到它们。6.arange()：生成等差数列，比如 1 到 11 步长 2，就得到 [1,3,5,7,9]2.empty()：搞个没初始化的 "空盒子"，里面是随机数（像没擦干净的黑板）3.zeros()/ones()：全 0 或全 1 的数组，强迫症福音。1.rand()/random()：搞点 [0,1) 之间的随机数。5.eye()：对角线是 1，其他是 0，像个规规矩矩的方阵。

原创 MySQL数据库基础(二）

原创 MySQL 数据库基础

包含数据定义语言（DDL，如 CREATE、ALTER 等）、数据操纵语言（DML，如 INSERT、UPDATE 等）、数据查询语言（DQL，如 SELECT）、数据控制语言（DCL，如 GRANT 等），并给出了常见命令示例。区分了关系型数据库（如 MySQL、Oracle 等，用表格存储，靠 SQL 管理）和 NoSQL 数据库（如 Redis、MongoDB 等，非关系模型，更灵活）。：讲解了 CREATE（创建库、表等）、ALTER（添加、修改列等）、DROP（删除表、库等）的具体用法。

原创 静态网页爬取模块-Xpath

就像我们逛网站，有的需要登录后才能看更多内容，这时候 “会话设置” 就派上用场了，它能记住我们的登录信息，不用反复输密码。还有，有些网站可能有安全证书，“SSL 证书验证” 能控制是否检查这个证书，不想检查就可以关掉。另外，要是频繁访问一个网站被限制了，“代理设置” 就像找个中间人帮忙访问，能解决这个问题。它有很多规则，比如从根节点开始找，或者不管位置找所有符合条件的元素，还能通过属性、文本内容来筛选。配合 lxml 库的 etree 模块，就能很方便地解析网页，提取我们需要的信息。

原创 JavaScript 开发基础

历史与关系：由 Netscape 开发，曾用名 LiveScript，与 Java 无实际关系，名字相似是市场营销策略。与 HTML、CSS 的关系：HTML 构建页面骨架，CSS 装饰页面，JavaScript 实现动态页面效果，是在前端浏览器执行的脚本语言。语言特点：基于对象、弱类型、解释执行、简单性、动态性、平台无关性、安全性。帮助文档：可参考 w3school 在线教程（w3school 在线教程）及离线文档。

原创 静态网页爬取-数据储存模式