- 博客(52)
- 收藏
- 关注
RSS订阅原创 Uet++项目
本文介绍了基于PyTorch的细胞分割项目实现方案。项目使用DSB2018-96数据集（670张96x96像素细胞图像），任务是将像素二分类为细胞或背景。数据处理包括OpenCV/Pillow读取、通道转换和归一化，训练集还进行了翻转、色调调整等数据增强。模型采用VGG架构配合反卷积模块，使用Adam优化器和IoU损失函数。整个流程封装了数据加载、模型训练、验证和权值保存功能，通过函数管理超参数提高可调性。
2025-11-03 16:19:06
265
原创 U-Net网络
U-Net以“编码-解码＋跳跃连接”的极简结构实现小目标高精度分割，U-Net++在此基础上用稠密跨层拼接与多阶段深度监督进一步强化特征融合、加速收敛并支持剪枝，核心技巧始终围绕“把各级细节和语义全部拼起来”这一思想展开。
2025-10-31 15:04:51
435
原创 图像分割10.29
本文系统介绍了图像分割的基础概念、主要类型和应用场景。重点解析了三种核心分割类型：语义分割（像素级分类）、实例分割（区分独立对象）和全景分割（综合处理前景实例与背景区域）。概述了VOC、COCO和Cityscapes三大主流数据集的特点。详细阐述了关键技术反卷积模块的实现原理及其与卷积的数学转置关系，并通过编码器-解码器架构说明模型工作原理。最后介绍了使用mAP和mIOU等指标评估分割效果的方法。
2025-10-29 13:47:19
882
原创 yolov5代码
本文介绍了YOLOv5模型的核心技术细节与架构设计。关键技术包括：优化函数（SGD）与BatchSize累加更新策略、学习率衰减机制、MAP评估指标计算、下采样操作原理等。项目采用模块化设计，分离训练(train.py)、推理(detect.py)和测试(test.py)功能，模型通过YAML文件定义。数据处理支持多种数据源和增强技术，并采用缓存加速。系统提供YAML配置数据集和超参数，runs目录管理实验结果。工具函数库涵盖通用功能和模型操作，包含自定义数据集示例和预训练权重管理。整体展示了目标检测系统的
2025-10-28 16:25:04
417
原创 yolov5
YOLOv5模型解析与优化实践：文章解析了YOLOv5的核心组件，包括模型结构（CSP/SKT）、配置文件（YAML）和代码实现（common.py/yolo.py/train.py）。强调通过ONNX转换实现可视化，并详细介绍了模型优化策略：修改配置文件、对比准确率、形成论文流程。文章将YOLOv5比作乐高系统：基础模块（积木）、网络组装（图纸）和训练流程（工厂），为模型优化提供了清晰框架。
2025-10-27 16:52:34
428
原创 YOLOV5
详细介绍了深度学习项目中的目录结构、核心文件、关键技术要点、YOLOv4与YOLOv5的关系、马赛克数据增强技术以及训练代码的分析。它强调了开发者需要具备的编程基础和良好的工作习惯，以及对开源代码和现有模型的合理利用。通过这些内容可以更好地理解和应用深度学习项目，特别是在目标检测领域。
2025-10-23 17:21:42
248
原创 YOLOV4
YOLOv4通过创新优化实现了速度与精度的平衡，核心创新包括：数据增强采用马赛克拼接和DropBlock提升鲁棒性；损失函数从IoU演进至更精准的CIoU；网络结构引入SPP模块和CSPNet优化特征提取；注意力机制CBAM/SAM模块增强目标定位。相比YOLOv3，在减少参数量的同时提升精度，并保持单GPU可训练的低门槛优势，通过双向往复融合和Mish激活函数进一步优化特征传递效率。
2025-10-21 16:29:03
649
原创 YOLOV3-YOLOV4
YOLOv3通过多尺度特征图、特征融合和残差连接等技术，显著提升了对不同大小目标的检测能力，特别是小目标检测。YOLOv4在保持高速度的同时优化了准确率，采用马赛克数据增强、DropBlock等技术增强鲁棒性，并通过GIOU、DIoU等改进损失函数提高预测精度。两代算法均通过技术创新，在目标检测的精度和效率上取得了重要突破。
2025-10-17 16:51:08
550
原创 yolov1-yolov2
YOLO系列目标检测算法创新演进：从YOLOv1到YOLOv2的技术突破。YOLOv1首创one-stage检测方法，将检测转为回归问题实现高速推理，但存在多目标识别和小物体检测的局限。YOLOv2通过批量归一化、分辨率策略优化、网络结构调整等创新，显著提升性能4%mAP。关键改进包括引入自适应AnchorBox机制、优化偏移量计算、采用分层特征融合策略，有效解决了小目标检测和训练稳定性问题。这些技术突破使YOLOv2在保持高速的同时大幅提升检测精度，为实时目标检测提供了更优解决方案。
2025-10-16 13:56:52
712
原创 目标检测项目
今天，我们对目标检测项目进行了总结。我们明确了目标检测的评估标准，包括核心概念、关键指标和综合指标。我们回顾了目标检测的发展历程与技术流派，从传统的两阶段方法到现代的一阶段方法。最后，我们介绍了后处理技术NMS，这是一种关键的筛选机制，确保了检测结果的准确性和可靠性！
2025-10-15 13:53:24
344
原创 深度学习（四）
本文系统介绍了卷积神经网络项目的完整流程与优化策略。主要内容包括：1）CIFAR-10数据集的预处理与网络构建训练流程；2）通过全局平均池化、集成学习和VGG迁移等策略优化模型；3）分析batch_size对训练效率的影响机制；4）解析VGG网络结构与准确率计算方法。项目创新性地提出YOLO-ResNet协同方案解决特定场景分类问题，同时指出数据集质量是当前主要瓶颈。研究实现了效率与精度的平衡，为后续优化数据质量和任务特定架构设计提供了明确方向。
2025-10-14 13:56:19
633
原创 深度学习（三）
本文回顾了深度学习项目全流程，包括数据准备（开源数据集处理）、模型构建（网络结构设计）、训练评估（准确率等指标）和优化策略（简化模型、集成方法）。重点解析了关键技术：可解释性要求、主流深度学习框架（PyTorch/TensorFlow）、数据预处理方法（标准化）和数据集加载机制。详细讲解了模型架构组件（全连接层、ReLU等）、超参数配置（学习率动态调整策略）及训练评估逻辑（前向/反向传播、准确率计算）。最后强调论文需包含损失函数变化曲线等可视化对比图表，以直观展示模型性能。
2025-10-13 16:41:45
841
原创 深度学习任务（二）
本文概述了深度学习模型从数据预处理到评估优化的完整流程。数据需进行反归一化处理，网络采用18层卷积和2层全连接的架构。训练过程包含正向传播和反向传播优化，测试阶段通过置信度选择预测结果。模型整体准确率66%，但存在类别差异（猫类45%，车类82%）。重点解析了全局平均池化技术，其能整合信息并减少参数，应置于网络深层使用。最后强调优化网络结构比盲目扩增数据更重要，需根据任务特性和模型表现进行针对性调整。
2025-09-27 14:00:49
655
原创 深度学习任务
这篇技术文章介绍了基于猫狗识别数据集的深度学习实践。主要内容包括：1）特殊格式数据集的处理方法，数据加载与增强流程；2）卷积神经网络架构设计，包含卷积层、池化层和全连接层的构建；3）GPU加速计算的硬件依赖；4）模型训练过程详解，涉及超参数设置、优化器选择和损失函数应用；5）模型评估与测试方法。文章特别强调了轻量级网络的优势，以及训练过程中损失值波动的正常性，为计算机视觉任务提供了完整的实现方案和技术要点。
2025-09-26 19:32:22
444
原创 图像分类项目
看 TP FP TN FN；ACC 总对率，P 查准 R 查全，F1 折中。图像分类：把图打标签，Softmax 给概率。多类用 K×K 矩阵，对角越粗越好。数据少：搬预训练 + 数据增强。难度三级：猫狗→鸟种→人脸。
2025-09-25 15:43:38
750
原创 pytorch数据处理
本文详细介绍了PyTorch数据处理工具箱的主要功能和使用方法。通过data模块，我们可以高效地加载和处理数据集；transforms模块提供了丰富的数据增强和预处理操作，有助于提升模型的性能和泛化能力；作为强大的可视化工具，能够帮助我们监控和分析训练过程，从而更好地优化模型。
2025-09-24 14:05:05
1823
原创 pytorch工具箱（二）
这篇文章系统介绍了神经网络的核心概念与实践应用。主要内容包括：1)神经网络三大组件（层、模型、损失函数和优化器）及训练机制（正向/反向传播）；2)NN.Model与NN.Functional的功能区分；3)基于MNIST任务的MLP模型构建与超参数设置技巧；4)参数共享和继承机制的应用；5)模型容器的三种实现方式及其复用价值；6)激活函数（如ReLU）的重要作用；7)残差块的两种设计方法及其在深度网络中的优势；8)完整训练流程解析。文章通过理论说明结合实践案例，全面阐述了神经网络的关键技术要点。
2025-09-23 15:52:00
478
原创 pytorch神经网络工具箱
本文介绍了神经网络的发展历程与核心概念。首先分析了多层感知机(MLP)的局限性，引出卷积神经网络(CNN)在保留空间结构方面的优势。重点阐述了典型CNN模型的演进：从LeNet、AlexNet到VGG系列，再到突破深度限制的ResNet，以及目标检测领域的R-CNN和YOLO系列。文章详细解析了神经网络三大核心组件（层、模型、损失函数）及其工作流程（正向传播、反向传播、参数优化），并区分了参数与超参数的概念。最后对比了PyTorch中nn.Module和nn.functional两种构建工具的特点与适用场景
2025-09-22 16:29:22
595
原创 卷积神经网络（一）
卷积神经网络（CNN）解决了多层感知机（MLP）处理图像时丢失空间信息、参数量大的问题。其核心机制包括：局部感受野和参数共享减少计算量，填充/步长控制输出尺寸，多通道结构增强特征提取，池化层降维。经典模型LeNet-5到AlexNet的发展展示了网络深度增加、使用ReLU/Dropout等技术提升性能的过程。CNN通过分层学习（从边缘到语义）实现表征学习，配合数据增强等技术，奠定了计算机视觉的基础。其视觉分层理论与人类认知过程相似，支持风格迁移等创新应用。
2025-09-19 16:47:31
1239
原创 多层感知机
本文系统介绍了感知机与神经网络的基础原理。从感知机模拟逻辑门（与、或、非）的能力出发，指出其无法解决异或问题的局限性，从而引出多层感知机（MLP）和激活函数（Sigmoid、Tanh、ReLU）的必要性。详细阐述了神经网络的正向传播、反向传播训练机制，以及训练集、验证集和测试集的划分原则。重点分析了过拟合与欠拟合现象，探讨了模型复杂度与数据特征的匹配关系，为理解神经网络工作原理提供了系统框架。
2025-09-18 16:08:30
543
原创 深度学习（二）
本文介绍了线性回归和Softmax回归的基本概念及其应用。线性回归通过特征加权求和预测连续值，但只能处理线性问题；激活函数的引入使模型能处理非线性关系。Softmax回归用于多分类任务，将输出转换为概率分布。文章还讲解了梯度下降优化算法（包括SGD和小批量SGD）及其超参数设置（如批量大小和学习率），以及不同损失函数（L2、L1、交叉熵等）的选择。最后，通过实例说明了Softmax运算如何实现多分类，并介绍了全连接层和独热编码等基本概念。
2025-09-17 16:35:05
994
原创 深度学习（一）
摘要：人工智能学习任务类型包括多标签、序列问题、无监督学习等，其中强化学习通过环境交互优化策略。深度学习经历了从1940年代神经网络萌芽到2005年后爆发式发展，重要里程碑包括2012年谷歌大脑识别猫、2016年AlphaGo等。代表性模型如ResNet、Transformer推动了技术进步。PyTorch因简洁API成为主流框架。此外，虚拟人华志斌展示了AI在艺术创作中的应用。
2025-09-16 15:22:54
918
原创 支持向量机
SVM核心原理摘要：超平面是N维空间的N-1维分界面，支持向量决定其位置。通过间隔最大化原则增强泛化能力，分类决策函数W^TX+b=0配合符号统一约束条件。优化过程采用拉格朗日乘子法转化对偶问题，极大极小值转换简化求解。引入松弛因子和C参数调节分类严格度，低维不可分时通过核函数映射至高维空间实现分离。核心目标为找到抗扰动最优超平面，最大化间隔并由支持向量确定关键边界。
2025-08-26 15:14:44
598
原创 朴素贝叶斯
贝叶斯公式及其应用：从基础理论到实践案例 摘要：本文系统介绍了贝叶斯公式的起源、推导过程及实际应用。通过学校性别比例和穿衣案例，详细阐释了贝叶斯公式的核心思想与数学推导。重点探讨了贝叶斯方法在拼写纠正、垃圾邮件分类等场景中的应用，分析了朴素贝叶斯模型的三种类型（多项式、高斯、伯努利）及其适用场景。同时指出了自然语言处理中面临的稀疏矩阵挑战，并简要说明了模型参数设置和代码实现要点。
2025-08-25 17:12:01
612
原创 线性回归8.21
线性回归用于回归任务，输出连续值，通过最小化误差平方和寻找最佳拟合直线；逻辑回归用于分类任务，输出离散值。两者核心区别在于应用场景和输出类型。线性回归模型由权重和偏置组成，通过最小二乘法训练，评估指标包括SSE、MSE和R²。多元线性回归扩展至多特征空间，需注意数据预处理和异常值处理。实际应用中，特征归一化可消除极端值影响，sklearn库提供了便捷的实现方式。
2025-08-22 12:15:47
743
原创 kmeans聚类
集成算法：把许多“弱专家”按不同策略（Bagging/Boosting/Stacking）组合起来，得到远超单个模型的强预测力。K-Means：没有标签也能把数据按“谁离谁更近”自动分成 K 堆，简单、快，但 K 值和簇形状是硬伤。
2025-08-21 12:23:45
1098
原创 数据预处理
本文介绍了数据预处理的关键步骤：缺失值处理（检测、删除/填充）、数据标准化（Min-Max标准化和Z值标准化）以及特征编码（One-Hot编码、序号编码和二值化）。重点讲解了Scikit-learn库中SimpleImputer、StandardScaler等工具的使用方法，强调fit-transform流程和reshape(-1,1)的形状调整技巧。通过清洗（缺失值处理）、缩放（标准化）和编码（特征转换）的三步预处理流程，可有效提升机器学习模型的性能。文中还演示了数据切分、二值化阈值设置等具体操作示例。
2025-08-20 14:46:36
504
原创 决策树8.19
决策树算法比较与实现分析：本文系统介绍了ID3、C4.5和CART三种决策树算法，重点对比了它们的分裂标准（信息增益、信息增益率和基尼系数）及适用场景。通过泰坦尼克号数据集预测实例，详细阐述了数据预处理、模型训练与评估全过程，包括缺失值处理、离散特征转换及网格搜索调参。实验结果显示最优模型准确率达82%，但存在过拟合现象。文章强调决策树需通过剪枝策略（预剪枝和后剪枝）平衡模型复杂度，并指出特征工程对模型性能的关键影响，为决策树应用提供了实践指导。
2025-08-19 13:49:31
677
原创 8.18决策树
决策树是一种用于分类和回归的树形模型，通过特征选择和节点分割进行决策。其核心在于利用信息增益选择最优特征作为节点，以熵来衡量分类纯度。训练时递归选择信息增益最大的特征构建树，测试时遍历树得到结果。文中以"是否打球"为例，演示了如何计算初始熵、条件熵和信息增益，并强调加权计算的重要性。课堂练习通过"浮出水面"和"脚蹼"特征进一步巩固了特征选择方法。决策树通过层层特征选择，逐步降低不确定性，最终实现有效分类。
2025-08-18 16:24:30
1087
原创 KNN 算法
摘要： KNN算法通过计算新数据与训练集的最近邻距离进行分类（K表示邻居数量）。核心步骤包括：距离计算（欧式/曼哈顿距离）、排序取前K个邻居、多数表决分类。关键点：K值需合理选择（通常<20），特征需标准化。以鸢尾花数据集为例，代码实现包括数据划分、模型训练（KNeighborsClassifier）及评估（准确率、预测）。注意事项：KNN适用于分类/回归，测试集不可参与训练。
2025-08-15 14:38:56
385
原创 机器学习概述（一）
机器学习是通过分析数据优化任务效果的技术，广泛应用于图像识别、医疗诊断等领域。核心概念包括数据集、特征向量、监督/无监督学习等。模型需平衡欠拟合（模型简单）和过拟合（模型复杂），可通过交叉验证等方法评估。评估指标如查准率、查全率等帮助判断模型性能。奥卡姆剃刀原理指出应选择简单有效的模型。本文系统介绍了机器学习的基础知识、常见问题及解决方案，为入门者提供了全面的学习框架。
2025-08-14 16:17:40
1030
原创 数据分析—双十一
首先识别数据中各列的数据类型，并计算统计量，包括标准差、最小值、最大值、四分位数等，为后续分析提供基础数据支持。检测到数据中共有86条重复记录，将其删除后重置行索引，数据量从27598条减少至27512条，确保数据的唯一性。发现“销售数量”和“评论数量”两列存在缺失值。经过分析后，决定用零填充这些空值，以保证数据的完整性。
2025-08-12 16:35:09
2156
原创 实践811
该程序实现了从网页抓取赤峰市月度气象数据并进行分析处理的功能。主要包含三个核心函数：get_html()通过requests库获取网页内容，parse_table()使用BeautifulSoup和正则表达式提取气温等表格数据，save_csv()将数据存储为CSV文件。程序还提供了数据处理功能，包括删除含零行、替换空值（均值/中位数）以及生成多种可视化图表（柱状图、饼图等）来展示空气质量指数。整个流程实现了从数据采集、清洗到分析可视化的完整闭环。
2025-08-11 18:15:18
595
原创 matplotlib seaborn
Matplotlib是Python中功能强大的绘图库，广泛应用于数据可视化。它支持多种图表类型，包括散点图、柱形图、饼图、直方图等，并提供了丰富的自定义选项，如标记样式、线条样式、颜色设置等。通过subplot()可以实现多图绘制，满足复杂图表的需求。此外，Matplotlib还提供了图像处理功能，如imshow()imsave()和imread()，方便用户操作和处理图像数据。Seaborn是一个基于Matplotlib的Python数据可视化库，专注于绘制统计图形。
2025-08-08 18:32:49
761
原创 Matplotlib
Matplotlib是Python的一个绘图库，它允许用户轻松地将数据图形化，并支持多种输出格式。它可以用于绘制各种静态、动态和交互式的图表，如散点图、柱状图等。
2025-08-07 17:01:16
662
原创 numpy pandas
本文介绍了NumPy和Pandas两个Python数据分析库的核心功能。NumPy部分主要讲解统计函数(std,var)、排序搜索函数(sort,argsort,argmax,where)的使用方法，包括数组排序、条件查询等操作示例。Pandas部分重点介绍了Series和DataFrame两种数据结构及其创建方式，并演示了数据查询(loc)、文件读取(read_csv)、数据预览(head/info)以及缺失值处理(isnull/dropna)等常用数据操作技巧。文中通过具体代码示例展示了各功能模块的实际
2025-08-05 17:53:17
163
原创 Numpy（数组操作，函数）
本文介绍了NumPy库中常用的数组操作和函数方法。数组操作部分包括数组连接(concatenate)、堆叠(stack)、水平/垂直拼接(hstack/vstack)、分割(split/hsplit/vsplit)、大小调整(resize)、元素增删(append/insert/delete)和去重(unique)等功能。函数部分涵盖字符串处理(连接、分割、大小写转换等)、数学运算(三角函数、取整、幂运算等)和统计功能(极值、百分位数、平均值等)。这些方法为NumPy数组处理提供了全面的操作支持，适用于各种
2025-08-04 16:30:51
323
原创 数据科学与计算numpy
这些练习涵盖了NumPy的基本操作，包括数组的创建、索引、切片、属性访问以及一些常见的数组操作。通过这些练习，可以快速掌握NumPy的基本用法，为更复杂的科学计算打下基础。NumPy是一个开源的Python科学计算库，主要用于数组和矩阵的操作，能够简化代码编写，减少循环语句的使用。N维数组，用于存放同类型元素的多维数组，以0为下标起始。创建一个长度为10的数组，值为0到1之间，不包含首尾。创建一个长度为10的0数组，第5个值为1。创建一个四边为1，中间为0的二维数组。：创建指定值填充的数组。
2025-07-31 18:56:29
614
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