- 博客(51)
- 收藏
- 关注
RSS订阅原创 1103图像分割
本文介绍了基于DSB2018数据集的图像分割任务，该任务要求对细胞图像进行像素级二分类。采用结合VGG和U-Net的网络结构，使用交叉熵损失函数，并采用模块化设计便于参数调整。数据预处理包括OpenCV读取、路径拼接、通道转换和归一化处理，训练阶段应用旋转、翻转和色彩调整等增强方法，而测试验证阶段则保持数据原始性以确保评估准确性。该方案实现了从图像读取到模型训练的全流程规范化处理。
2025-11-03 16:34:59
141
原创 10.29-图像分割
本文概述了图像分割技术及其应用场景，包括人像抠图和医学图像分析等。详细介绍了三种分割技术：语义分割（标记同类物体）、实例分割（区分同类不同个体）和全景分割（整合前景实例与背景分类）。列举了VOC、StreetScenes和COCO三大公共数据集，并说明评估指标采用mAP和mIoU。重点解析了反卷积模块的作用原理，即通过零填充和转置卷积恢复特征图尺寸。最后阐述了神经网络中编码器（特征提取）与解码器（尺寸还原）的协同工作机制。
2025-10-29 16:50:43
239
原创 10.27-yolov5代码
YOLOv5源码架构通过多项创新设计实现高效目标检测：1)采用Focus模块实现分块拼接优化计算效率；2)使用Hardswish激活函数提升移动端性能；3)创新BottleneckCSP模块优化梯度流和特征复用；4)改进PAN结构增强多尺度检测能力。源码特点包括模块化设计、配置驱动架构、集成混合精度训练等工程优化，在推理速度、内存占用和检测精度间取得平衡，为工业应用提供高效解决方案。
2025-10-29 09:03:38
304
原创 10.23-yolov5
YOLOv5是Ultralytics公司2020年推出的目标检测算法，相比YOLOv4在易用性和精度上有显著提升。其核心创新包括自适应锚框计算、灵活的模型缩放、改进的数据增强策略和CSPDarknet骨干网络优化。在工程实现方面，YOLOv5采用PyTorch框架，提供从训练到部署的完整工具链支持，包括自动混合精度训练和多种格式的模型导出。该算法在COCO数据集上展现出优异的精度-速度平衡，并建立了完整的开源生态体系，大幅降低了目标检测技术的应用门槛。
2025-10-29 08:50:27
812
原创 10.21-yolov4
YOLOv4是目标检测领域的重要算法，在保持YOLO系列高速特性的同时显著提升精度。其创新点在于采用BagofFreebies和BagofSpecials两大策略，前者通过数据增强、正则化和损失函数改进仅增加训练成本；后者引入SPPNet、CSPNet等模块略微增加推理代价。关键技术包括CIoU损失函数、DIoU-NMS改进和Mish激活函数应用。该算法最大特点是"单GPU友好"设计理念，仅需单块GPU即可完成训练，大幅降低设备门槛，并通过详尽的消融实验验证了各模块的有效性，被誉为&qu
2025-10-29 08:47:15
936
原创 10.20-yolov4
YOLOv4通过继承YOLO系列速度与准确率的优势，并创新性融合多项技术实现性能突破。在数据层面采用马赛克增强、DropBlock和标签平滑等方法提升模型鲁棒性；在网络设计方面，从IOU演进到CIoU损失函数，通过引入中心点距离和长宽比信息，使定位更加精确。这些改进使YOLOv4在保持单GPU训练优势的同时，显著提升了检测性能。
2025-10-29 08:44:27
209
原创 YOLOv3 核心知识点解析
YOLOv3是目标检测领域的重要算法，其核心创新包括：1）采用全卷积网络架构结合多尺度特征图（13×13、26×26、52×52）实现不同尺寸目标的检测；2）引入特征金字塔网络（FPN）进行多尺度特征融合；3）使用残差连接解决深度网络梯度消失问题；4）改进分类机制，采用多标签分类器替代softmax。这些改进使YOLOv3在小目标检测、检测速度与精度平衡等方面表现突出，成为工业应用广泛采用的算法。其网络设计充分体现了视觉分层理论，通过不同层级特征图分别处理大、中、小目标，并采用9种先验框适应各类目标检测需求
2025-10-17 18:12:24
1047
原创 YOLO v1,YOLOv2
YOLOv2算法在YOLOv1基础上进行了多项改进：引入批量归一化提升收敛性，采用多分辨率训练策略增强泛化能力，优化网络结构减少参数量。通过K-means聚类自动生成Anchor Box，改进边界框定位机制。采用特征融合策略结合浅层与深层特征，有效提升小目标检测能力。相比YOLOv1，YOLOv2在检测精度（mAP）和运行效率上均有显著提升，同时解决了重叠物体检测、小物体识别等关键问题，使模型更具实用价值。
2025-10-16 18:27:26
461
原创 A1015
目标检测的核心评估指标包括IOU、TP/FP/FN等，通过PR曲线计算AP和MAP来衡量模型性能。技术发展从滑动窗口演变为两阶段（如R-CNN）和单阶段（如YOLO）算法。NMS用于消除重复预测框，保留最优结果。这些标准和方法共同构成了目标检测系统的评估与优化框架。
2025-10-16 09:49:27
346
原创 A1014
本文摘要：会议重点讨论了神经网络模型训练中batch_size参数的影响及VGG模型构建原理。主要结论包括：1)batch_size只影响训练时间，不改变实际处理样本总量，除非超出设备处理能力；2)VGG模型通过配置文件构建，包含卷积层、池化层等模块；3)训练流程包括前向传播、损失计算和参数更新。会议布置了编程作业，要求在88%基础准确率上探索优化方法。
2025-10-15 11:29:21
205
原创 A1013
本文概述了深度学习项目的标准流程与关键要点。项目流程包括数据预处理、模型构建、训练与评估，强调数据集质量的重要性及优化方法。模型优化策略涉及降低复杂度与模型集成。关键技术涵盖多维度评估指标、主流深度学习框架的使用、以及数据预处理规范。详细说明了模型定义、超参数设置、动态学习率调整等训练细节，以及基于准确率的模型选择方法。最后阐述了验证环节的评估流程，强调在验证集上全面测试模型性能的重要性。
2025-10-13 17:55:42
245
原创 卷积运算和优化器
本文介绍了深度学习模型的关键技术要点：1）网络结构采用18层卷积层和2个全连接层，通过softmax函数实现分类决策；2）训练过程包括前向传播、交叉熵损失计算和SGD反向传播；3）重点解析了全局平均池化技术，说明其通过将特征图压缩为一维向量来替代传统全连接层，显著减少参数量；4）详细阐述了卷积层工作原理，包括3D卷积核的多通道处理机制，并强调GPU在加速计算中的优势。文章系统性地总结了深度学习模型构建、训练和优化的核心技术细节。
2025-09-27 15:55:40
178
原创 深度学习o
本文介绍了神经网络模型的原理与实现。首先讲解了包含输入层、展平层、三个全连接层和softmax输出层的经典网络架构，重点说明了各层神经元数量的设计原则，并解释了ResNet残差模块解决梯度消失问题的作用。其次概述了基于PyTorch框架的实现流程，包括网络定义、前向/反向传播机制，以及使用CUDA和cuDNN进行GPU加速的方法。最后回顾了从输入到输出的正向传播路径，并说明如何通过损失函数计算和正向传播获取最终预测结果。
2025-09-26 19:31:51
208
原创 深度学习-图像分类
本文总结了机器学习分类任务中的关键评估指标与方法。混淆矩阵可视化分类结果，包含TP/FP/TN/FN四种情况。常用指标包括精确率、准确率、召回率和F1-Score（前两者的调和平均）。P-R曲线和ROC曲线分别用于评估模型性能，后者对样本不均衡更稳健。对于多分类问题，使用k×k混淆矩阵。针对样本不足问题，可采用迁移学习（预训练模型）和数据增强（有监督的几何/亮度变换，或无监督的GAN生成）等方法。网络深度和宽度是模型结构的重要参数。
2025-09-25 17:52:02
347
原创 深度学习中的关键工具与数据处理方法
PyTorch深度学习框架的核心组件与工具包括：DataLoader和Dataset用于数据批量处理；Tensor与Numpy数组的性能差异及必要转换；torchvision工具套件（含模型、数据集、预处理等功能）；图像数据处理方法；以及TensorBoard的可视化应用（监控训练过程、展示图像数据、计算图等）。特别强调数据预处理记录的重要性及Numpy转Tensor的必要性。
2025-09-24 18:12:45
621
原创 神经网络工具箱
本文总结了PyTorch中构建神经网络的主要方法：1）继承nn.Module基类实现灵活定制；2）使用nn.Sequential三种方式构建顺序结构；3）结合继承与模型容器（Sequential/ModuleList/ModuleDict）平衡灵活性与组织性。重点介绍了残差网络结构，包括基本残差块和带降维的变体，以及它们在ResNet18中的应用。最后概述了六步训练流程，并对比了nn.Module和nn.functional在参数管理、状态控制和代码复用等方面的特性差异。全文系统梳理了PyTorch模型构建
2025-09-23 15:15:43
397
原创 pytorch工具箱
摘要：本文系统介绍了卷积神经网络（CNN）的核心结构与演进历程。主要内容包括：1）基础模块（卷积层、全连接层、激活函数）；2）经典模型发展（LeNet→AlexNet→VGG→ResNet→YOLO）；3）关键技术解析（全连接层原理、梯度下降、Dropout机制）；4）模型构建方法（nn.Module与nn.functional的区别应用）；5）关键概念（权重/偏置、通道数等）。重点阐述了从精确性到实时性兼顾的技术演进趋势，以及ResNet残差连接、Dropout等创新设计对深度学习发展的推动作用。
2025-09-22 16:28:57
396
原创 卷积神经网络
CNN基础概念与两大核心原则：平移不变性和局部性，通过卷积层、填充、步幅和池化层等组件实现特征提取。经典架构演进从LeNet到AlexNet再到VGG，逐渐加深网络并改进激活函数、池化方式等。CNN理论基础包括表示学习的层次化特征提取、视觉分层理论，并解决了全连接层处理图像时的参数量过大问题，通过参数共享和池化降维保留空间结构并提升效率。
2025-09-19 16:05:15
318
原创 人工智能基础：从感知机到神经网络核心知识整合
本文介绍了感知机与多层感知机(MLP)的基本原理和特性。感知机作为神经网络的基础模型，由输入、权重、偏置和阶跃激活函数组成，能解决线性可分问题但无法处理异或问题。MLP通过引入隐藏层和非线性激活函数(如Sigmoid、Tanh、ReLU)解决了这一局限。文章还阐述了神经网络的训练机制，包括前向传播、反向传播和梯度下降优化，并讨论了模型评估中的训练误差与泛化误差概念，以及欠拟合和过拟合问题及其解决方法，如正则化和Dropout技术。
2025-09-18 16:25:24
2137
原创 神经网络与深度学习基础：从线性回归到分类模型
主题第一次会议第二次会议线性回归 → 神经网络Softmax回归回归问题（预测连续值）分类问题（预测离散类别）引入激活函数解决线性不可分问题引入独热编码和交叉熵损失解决分类问题梯度下降法 → 小批量随机梯度下降（SGD）小批量随机梯度下降（SGD）损失函数（MSE）、学习率、Batch Size损失函数（交叉熵）、独热编码、全连接层。
2025-09-17 12:10:41
1941
原创 深度学习核心导论：从理论到工业实践
本文系统梳理了人工智能领域核心内容：1）深度学习岗位技能要求，包括应用工程师和算法工程师的专业能力；2）工业文明发展历程与AI定义；3）AI/机器学习在智能家居、医疗等场景的应用；4）机器学习原理（四大组件、训练流程等）；5）主要学习类型（监督/无监督/强化学习）；6）深度学习发展历程与成功案例；7）PyTorch框架优势及课程选择依据；8）图灵测试原理。内容涵盖AI技术体系、发展脉络及实践应用。
2025-09-16 15:06:55
297
原创 支持向量机（第二十九节课内容总结）
这篇摘要介绍了支持向量机(SVM)的基本原理和数学推导。主要内容包括：超平面和支持向量的定义与作用，通过最大化间隔来提高模型鲁棒性的优化目标，分类约束条件的设计，以及使用拉格朗日乘子法将对偶问题的求解过程。文中还总结了推导中的关键技巧，如误差处理、计算简化、等价转换和求导优化等。这些数学方法共同构成了SVM的理论基础，使其能够高效地找到最优分类边界。
2025-08-26 19:28:06
316
原创 朴素贝叶斯（第二十八节课内容总结）
贝叶斯公式及其应用摘要 贝叶斯公式由托马斯·贝叶斯提出，用于解决逆向概率问题，即通过观察结果推断事件概率。其核心公式为P(A|B)=P(B|A)·P(A)/P(B)。在机器学习中，朴素贝叶斯算法广泛应用于： 拼写纠正：结合编辑距离与词频计算候选词概率 垃圾邮件分类：基于单词条件独立性假设，计算邮件垃圾概率 文本分类：处理稀疏矩阵特征 朴素贝叶斯分为三种类型： 多项式型：处理离散特征（如词频） 高斯型：处理连续特征 伯努利型：处理二元特征 关键参数包括平滑系数alpha和先验概率设置，通过fit/predic
2025-08-25 18:19:35
819
原创 第二十七节课内容总结
线性回归与逻辑回归有本质区别：前者用于连续值预测（回归），后者用于分类任务。线性回归模型通过最小二乘法优化参数，使预测误差最小化，评估指标包括SSE、MSE和R²。数据预处理（如处理离群点）对模型性能至关重要，异常值会影响参数估计的准确性。模型训练过程涉及数学求导优化，体现了参数估计的核心思想。
2025-08-22 18:39:52
393
原创 集成算法+ K-means算法（第二十六课内容总结）
文章摘要： 聚类是无监督学习的核心方法，K-means通过迭代优化聚类中心实现数据分组，但K值选择依赖CH等评估指标。该算法简单高效，但对复杂结构处理能力有限。集成学习通过组合多个模型提升性能，包括Bagging（如随机森林）和Boosting（如XGBoost）两类，能显著提高泛化能力、鲁棒性和预测精度。两者分别适用于无监督和有监督任务，是机器学习的重要技术。
2025-08-21 16:40:51
732
原创 （第二十五节课内容总结）
有序变量表示存在顺序关系的类别（如学历），需转换为数值（1,2,3）保留顺序关系。常见编码方法包括：One-Hot编码（类别转二进制向量）、序号编码（保留大小关系）、目标标签编码（连续编号）和二值化编码（离散化）。数据标准化方法有Z-score标准化、最大最小值标准化等。特征处理还包括离散化、多项式特征生成和缺失值填补。需根据数据特点选择合适方法，确保模型正确处理数据。
2025-08-20 18:06:57
702
原创 决策树-基尼系数（第二十四节课内容总结）
摘要：课程重点讲解决策树算法，涵盖熵与基尼系数的计算差异（基尼系数避免极端概率的数值不稳定）、连续值离散化方法及过拟合应对策略（预减与后剪枝）。通过泰坦尼克号案例，演示特征选择（剔除姓名等高稀疏特征）、参数调优（网格搜索确定最优深度6、信息增益标准）及模型评估（交叉验证准确率82.3%），揭示训练/测试集准确率曲线分离的过拟合现象。核心结论：基尼系数更适合处理稀疏数据，连续特征二值化可提升模型鲁棒性，α参数平衡剪枝强度与精度。
2025-08-19 17:53:24
1117
原创 决策树-信息增益（第二十三节课内容总结）
摘要：决策树是一种通过根节点到叶子节点的结构进行分类或回归的模型。熵用于衡量数据集的不确定性，计算公式为H(D)=-∑p_i log p_i。信息增益IG(D,A)=H(D)-H(D|A)用于选择最优分割属性，其中条件熵H(D|A)计算属性A各取值子集的加权熵。这些指标共同指导决策树构建，实现有效的数据划分。
2025-08-18 16:40:11
741
原创 knn算法（第二十二课内容总结）
摘要：K最近邻(KNN)是一种基于实例的惰性学习算法，通过计算待分类样本与训练数据的距离，选取K个最近邻进行投票决策。算法核心包括距离度量（欧式/曼哈顿距离）、K值选择（通常取奇数）和特征标准化预处理。实现步骤涵盖数据准备、模型训练（sklearn库）和性能评估（准确率等指标）。虽然实现简单且支持增量学习，但存在计算复杂度高、对噪声敏感等局限。实际应用中需进行参数调优（网格搜索）、特征降维（PCA）和算法加速（KD-Tree）。典型应用包括鸢尾花分类和推荐系统。
2025-08-15 17:24:14
522
原创 第二十一节课内容总结
本文概述了机器学习的基本概念和方法。主要内容包括：1）数据集相关术语，如样本、特征、属性空间等；2）学习分类，包括监督学习（分类/回归）、无监督学习和集成学习；3）误差评估指标，如错误率、精度、损失函数等；4）模型拟合问题，分析了欠拟合和过拟合的成因及处理方法；5）数据集划分方法，如留出法和交叉验证法；6）性能评估指标，包括混淆矩阵、查准率、查全率和P-R图等。这些概念为理解和应用机器学习技术提供了基础框架。
2025-08-14 19:33:15
500
原创 数据分析基本内容（第二十节课内容总结）
本文介绍了pandas数据分析中的常用操作：数据加载(pd.read_csv)、查看(df.head/info/shape)、统计描述(df.describe)、去重(drop_duplicates)和索引重置(reset_index)。重点讲解了缺失值处理技巧，包括检测(isnull)和填充(fillna)。在数据分组(groupby)和可视化方面，详细说明了饼图(plt.pie)和柱状图(plt.bar)的绘制方法，特别是百分比标签(pctdistance)和排序方式(ascending)的参数设置。这
2025-08-12 16:57:00
585
原创 自制网页并爬取，处理异常值（第十九节课内容总结）
本文介绍了呼和浩特市2024年8月至2025年7月的气象数据分析方法。首先通过HTML表格展示每月高温、低温、空气质量等7项指标数据，然后演示了四种处理异常值的方法：删除空行、填充默认值、均值填充和中位数填充。最后使用Python的Matplotlib和Seaborn库绘制了五种可视化图表：散点图（温度变化）、折线图（风速能见度）、核密度图（高温分布）、热力图（降雨量）以及直方图（温度/降雨分布）。所有图表均采用中文标注，并解决了中文显示问题。文章提供了完整的数据处理与可视化代码示例，适合气象数据分析参考。
2025-08-11 17:38:26
675
原创 SEABORN库函数（第十八节课内容总结）
摘要：本文介绍了Seaborn库中23种常用数据可视化方法，包括残差图(residplot)、箱线图(boxenplot)、蜂群图(swarmplot)等单变量图表，以及双变量联合图(jointplot)、多变量关系图(pairplot)等。同时展示了线性回归模型图表(lmplot)、聚类热力图(clustermap)等高级图表，并包含风格设置(set_style)、调色板管理(light_palette)等可视化定制技巧。这些方法通过Python代码示例演示，涵盖了从基础统计分析到复杂数据关系的可视化需求
2025-08-08 18:45:00
379
原创 Matplotlib绘图（第十七节课内容总结）
本文介绍了Matplotlib库的基本绘图功能，包括plot()函数的使用方法及其参数说明。内容涵盖折线图、散点图、柱形图、饼图、直方图等多种图表类型的绘制方式，详细说明了标记样式(marker)、线型(linestyle)、颜色设置等关键参数。同时介绍了图表标题、坐标轴标签的添加方法，以及网格线(grid)和多图(subplot)的实现。最后讲解了图像处理相关功能，包括imshow()显示图像、imread()读取图像和imsave()保存图像的操作方法。通过代码示例演示了各绘图函数的实际应用。
2025-08-07 18:46:39
1174
原创 pandas其他不常用函数（第十六节课内容总结）
本文介绍了Pandas库中12个常用DataFrame操作方法：1)从剪贴板读写数据；2)数值分段pd.cut；3)随机抽样sample；4)数据排名rank；5)链式新增列assign；6)按数量/比例抽样；7)列表展开explode；8)条件替换mask；9)绝对值计算abs；10)矩阵乘法dot；11)索引重置reset_index；12)分组转换transform和条件替换where。这些方法涵盖了数据读取、转换、计算和预处理等常见操作，是数据分析的基础工具。
2025-08-06 18:15:24
580
原创 Pandas库相关内容（第十五节课内容总结）
摘要：Pandas主要数据结构包括Series（一维数组）和DataFrame（二维表格），支持多种数据创建方式（列表、字典、ndarray等）。数据查询使用loc()方法，支持读取多种文件格式（CSV、Excel等）。数据清洗处理缺失值常用isnull()检测、dropna()删除和fillna()填充，并提供均值/中位数计算等统计方法。Numpy示例展示了数组沿轴计算最大值/最小值的操作，axis=0按列计算，axis=1按行计算。（149字）
2025-08-05 17:36:41
353
原创 数据科学与计算（第十四节课内容总结）
对两个数组的逐个字符串元素进行连接。：返回按元素多重连接后的字符串。：居中字符串。：将字符串第一个字母转换为大写。：将字符串的每个单词的第一个字母转换为大写。：数组元素转换为小写。：数组元素转换为大写。：指定分隔符对字符串进行分割，并返回数组列表。：返回元素中的行列表，以换行符分割。：移除元素开头或者结尾处的特定字符。：通过指定分隔符来连接数组中的元素。：使用新字符串替换字符串中的所有子字符串。：数组元素依次调用str.encode。：数组元素依次调用str.decode。
2025-08-04 16:30:39
725
原创 数据科学与计算（第十三节课内容总结）
NumPy数组操作主要包含广播、迭代和数组变形三大功能。广播机制允许不同形状数组的运算，通过自动扩展维度实现计算。迭代操作支持行优先(C)或列优先(F)顺序遍历数组元素。数组变形包括形状修改(reshape/flatten/ravel)、转置(transpose/T)、轴操作(rollaxis/swapaxes)、连接(concatenate/stack)和分割(split)等操作，其中rollaxis函数通过改变轴顺序实现数组重组。这些操作为数组处理提供了灵活的数据变换能力，是科学计算的基础工具。
2025-08-01 14:25:43
626
原创 数据科学与计算（第十二节课内容总结）
本文介绍了NumPy中创建Ndarray数组的多种方法及数组属性。创建方法包括：array()创建常规数组，empty()创建未初始化数组，zeros()/ones()创建全零/全一数组，full()创建填充数组，eye()创建单位矩阵，arange()/linspace()创建数值序列数组，以及random模块生成随机数数组。数组属性包括维度(ndim)、形状(shape)、元素总数(size)和数据类型(dtype)。最后提供了7个课堂练习，涵盖对角矩阵创建、数组索引操作、多维数组处理等实用技巧，展示了
2025-07-31 19:14:17
604
原创 数据存储pymysql（第十节课内容总结）
connect对象cursor()：使用该连接创建并返回游标。commit()：提交当前事务。rollback()：回滚当前事务。close()：关闭连接。cursor对象：执行一个数据库的查询命令。fetchone()：取得结果集的下一行。：获取结果集的下几行。fetchall()：获取结果集中的所有行。rowcount()：返回数据条数或影响行数。close()：关闭游标对象。
2025-07-29 18:17:52
450
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