- 博客(56)
- 收藏
- 关注
RSS订阅原创 wsl和服务器的CUDA 下载
在WSL2中安装NVIDIA驱动与CUDA Toolkit：首先检查/usr/lib/wsl/lib/是否存在以确认驱动安装；若无，需安装驱动并添加路径至环境变量。随后下载对应版本的CUDA Toolkit离线包（如cuda_12.1.0_530.30.02_linux.run），通过chmod +x赋予执行权限，使用--toolkit --silent --override --installpath=/usr/local/soft/cuda-12.1静默安装。最后将CUDA路径加入PATH和LD_LIB
2026-11-07 10:15:16
212
原创 yolo模型前端部署+公网穿透
我们训练好 YOLO 模型之后，常用 Flask 搭建 Web 服务：Flask 作为后端，加载 YOLO 权重，提供推理接口；同时写简单前端页面，支持上传图片、展示检测结果。默认情况下，Flask 服务启动在只能本机浏览器访问；就算改成，也仅仅是同一个局域网内的设备可以访问，外网（别的手机、别的地方电脑）访问不到。想要让互联网上其他人直接打开浏览器访问你的 YOLO 检测网页，有两种主流方案：把 YOLO 模型、Flask 项目全部放到云服务器上跑（对云服务器配置要求高，GPU 贵）本地电脑跑。
2026-11-07 10:01:31
243
原创 卷积神经网络之VGG
VGG16（2014）由牛津大学提出，以“堆叠3×3小卷积核”为核心设计，通过多层非线性增强特征表达，实现71.59%的ImageNet Top-1准确率。其16层结构（13卷积+3全连接）虽参数量大（约1.38亿），但架构规整，至今广泛用于目标检测、风格迁移等任务。VGG19为加深版本，性能略优。局限在于全连接层冗余、训练慢、内存高，改进方案如VGG16-BN引入BatchNorm提升收敛与精度。当前仍推荐使用预训练模型进行微调，尤其在边缘部署中仅保留特征提取部分。
2026-11-03 14:30:33
347
原创 目标检测框架之R-CNN,Fast R-CNN,Faster R-CNN
2014年，R-CNN提出两阶段检测范式，通过Selective Search生成候选框，结合AlexNet提取特征，使用SVM分类与边界框回归，将PASCAL VOC mAP提升至53.3%。随后Fast R-CNN引入整图共享卷积、RoI Pooling与多任务联合训练，实现端到端优化；Faster R-CNN进一步以RPN替代Selective Search，构建完全端到端框架，大幅提升速度与精度。后续结合ResNet与FPN，形成“Faster R-CNN+ResNet+FPN”经典架构。
2026-11-02 21:01:33
253
原创 计算机视觉基础 第16章｜EigenFace，FisherFace，LBPH传统人脸识别算法
本章系统讲解人脸检测与识别技术。基于OpenCV的Haar级联分类器实现多尺度人脸定位，输出矩形框但不识别人脸身份；通过detectMultiScale接口配置参数可优化检测效果。随后介绍EigenFace、FisherFace与LBPH三大传统人脸识别算法：前者依赖统一尺寸与光照稳定，后者鲁棒性强、无需严格尺寸约束，其中LBPH因抗干扰能力强成为工程首选。实战中需统一图像灰度化、构建样本集并训练模型，预测返回标签与置信度（距离越小匹配越准）。强调路径正确性、尺寸一致性及置信度非概率特性，指出传统方法在遮挡
2026-10-16 10:41:17
284
原创 自然语言处理基础 04｜长短期记忆网络 LSTM
LSTM通过引入细胞状态与三组门控机制（遗忘门、输入门、输出门），有效缓解RNN的梯度消失问题，显著提升长序列信息保留能力。相比基础RNN和GRU，LSTM以更高计算开销为代价，实现更精细的记忆控制，适用于远距离依赖强的任务；但其串行计算特性导致训练慢、参数量大。在长文本建模中表现更优，而短序列或资源受限场景下，GRU更具性价比。
2026-10-15 19:25:51
317
原创 自然语言处理基础 03｜门控循环单元 GRU
GRU通过引入重置门和更新门，有效缓解RNN的梯度消失问题，提升长序列建模能力。其结构在保持参数共享、支持变长输入的基础上，实现对记忆的可控更新，兼具高效性与稳定性。相比LSTM更轻量，广泛应用于工业场景。尽管仍存在串行计算、极长序列信息衰减等局限，但整体性能显著优于基础RNN。
2026-10-15 15:23:05
372
原创 自然语言处理基础 02｜循环神经网络 RNN
本文介绍循环神经网络（RNN）作为处理序列数据的核心模型。序列数据如文本、语音等具有时序依赖性，传统模型（如MLP、CNN）难以捕捉语序与上下文。RNN通过隐藏状态实现记忆功能，逐词读取并动态更新上下文信息，支持变长序列输入，参数共享且结构简洁。其核心思想是将整句语义压缩至最后一个隐藏状态，再由后续网络（如MLP）完成分类或预测。尽管RNN能有效建模序列依赖，但仍存在梯度消失、长距离依赖困难、训练串行慢等局限，为LSTM、GRU等改进模型奠定基础。
2026-10-09 20:56:31
325
原创 动手学深度学习 07|Resnet网络与迁移学习
本文系统阐述了ResNet解决深层卷积神经网络退化问题的核心机制。针对传统CNN因深度增加导致的梯度消失与网络退化，ResNet引入残差连接，使网络学习残差映射而非完整映射，有效缓解梯度消失并实现恒等映射。其BasicBlock与Bottleneck结构支持高效训练，配合全局平均池化与预训练权重，成为迁移学习首选骨干网络。通过冻结骨干微调策略，可在小样本数据上实现高性能分类，广泛应用于图像识别任务。
2026-10-08 20:53:19
509
1
原创 动手学深度学习 06|学习率调整
本文系统讲解学习率在模型训练中的核心作用，从梯度更新原理出发，对比SGD与Adam优化器特性，阐明学习率过大或过小的负面影响。重点介绍PyTorch中四大类学习率调度策略：有序调整（StepLR、MultiStepLR、ExponentialLR、CosineAnnealingLR）、自适应调整（ReduceLROnPlateau）及自定义调整（LambdaLR），并通过实战代码演示其使用方法。结合早停机制，实现高效收敛与防止过拟合，提升模型泛化能力。
2026-10-08 19:25:30
306
原创 自然语言处理基础 01|语言转换与Word2Vec
本文从one-hot编码的局限性出发，引出词嵌入（Embedding）思想，通过PyTorch实现Word2Vec-CBOW模型，以“上下文预测中心词”为核心，完成从文本预处理、数据构建到模型训练与词向量提取的全流程演示。实验表明，低维稠密向量能有效捕捉语义关联，实现自然语言的数字化表征。
2026-09-17 10:52:44
159
原创 动手学深度学习 05 | 模型保存与最优模型筛选
本文详解深度学习中最优模型的保存策略，介绍两种主流方式：仅保存参数（state_dict）与保存完整模型（torch.jit.script），并结合手写数字识别实战演示训练过程中自动捕获最高测试准确率的模型。通过对比其优缺点，说明参数文件更轻量灵活，完整模型便于部署。代码实现训练时动态保存最佳模型，并展示加载与推理全流程，强调推理阶段需禁用梯度、启用评估模式，确保预测稳定可靠。
2026-09-15 15:31:16
185
原创 动手学深度学习 04 | Dataset 和 DataLoader、数据增强
本文介绍了如何从零构建自定义图像数据集的完整流程：通过os.walk遍历文件夹生成路径标签文件，自定义Dataset类实现图片与标签读取，结合transforms进行数据增强以提升模型泛化能力，利用DataLoader批量加载并送入GPU训练。基于CNN模型完成训练与测试，最终实现单张图片推理预测。该流程适用于各类图像分类项目，是深度学习工程实践的核心范式。
2026-09-11 14:42:16
194
原创 动手学深度学习 03 | 卷积神经网络实现手写数字识别
本文针对多层感知机（MLP）在图像识别中丢失空间信息、缺乏平移不变性的缺陷，引入卷积神经网络（CNN）实现手写数字识别。通过卷积层提取局部特征，池化层降维去冗余，结合全连接层分类，有效保留图像二维结构，提升模型精度。实验表明，该CNN模型测试准确率达99.41%，显著优于MLP，验证了CNN在图像任务中的优越性。
2026-09-10 10:17:06
419
原创 计算机视觉基础第15章｜DNN实现图像风格迁移
本文基于OpenCV DNN模块加载预训练梵高星空模型，完成图像风格迁移。流程包括读取缩放图片、生成blob张量、前向推理及维度转换归一化后处理，最终输出油画效果图，无需本地训练。
2026-09-02 20:12:48
494
原创 计算机视觉基础 第14章｜Lucas-Kanade金字塔光流法跟踪
本文介绍了基于稀疏金字塔Lucas-Kanade光流的视频特征点跟踪方法：用Shi-Tomasi角点检测提取初始特征，通过calcOpticalFlowPyrLK逐帧匹配，绘制轨迹并叠加显示。实验表明该方法能有效跟踪稳定角点，但对遮挡、剧烈运动易丢失。
2026-09-02 15:52:11
337
原创 计算机视觉基础 第13章 |背景建模与运动目标检测
本文基于MOG2高斯混合背景减除算法实现视频运动目标检测。通过形态学开运算去除掩码噪声，利用轮廓周长筛选有效目标并绘制矩形框。实验表明该方法能稳定框选运动物体，适配常规监控场景，但需后处理优化以应对光照突变等干扰。
2026-09-02 15:09:00
284
原创 动手学深度学习 02 | 手写数字识别
本文基于PyTorch完整实现MNIST手写数字识别实战，系统走通深度学习标准流程：数据加载与预处理、三层全连接网络搭建、交叉熵损失、SGD优化，以及训练测试核心步骤。最终基础模型测试准确率达94%左右，验证了工程流程的有效性，为后续调优与结构改进奠定基础。
2026-09-01 20:48:19
453
1
原创 动手学深度学习 01 | 核心组件与完整训练流程
在系统学习完机器学习相关内容后，我们正式迈入人工智能更深层次的领域——深度学习。作为机器学习的重要延伸与进阶方向，深度学习突破了传统机器学习的能力上限，能够自主学习复杂数据特征，在图像、语音、自然语言处理等诸多领域展现出超强能力。今天我们就从零开始，彻底搞懂深度学习的基础定义、核心组件与完整运行流程。想要理解深度学习，首先要理清人工智能、机器学习、深度学习三者的层级关系，这是入门的核心前提。三者属于层层包含的从属关系：人工智能是最宽泛的概念，是所有模拟人类智能技术的统称；
2026-08-28 21:30:54
622
4
原创 计算机视觉基础 第 12 章 |图像拼接实验：基于SIFT特征与单应矩阵的全景图像融合
上一章学习了图像局部特征检测，能够提取图像关键点，获取关键点位置、纹理等特征信息。本章将结合特征检测透视变换完成图像拼接实战，把不同角度拍摄的两张图像融合为一张全景图像。
2026-08-26 19:41:07
364
原创 计算机视觉基础 第 11 章| 特征检测与特征匹配
摘要： 本文介绍了图像局部特征提取与匹配技术，重点讲解Harris角点检测和SIFT关键点提取方法。Harris角点通过灰度变化识别特征点（API：cv2.cornerHarris），但缺乏尺度不变性；SIFT则能提取具有旋转、缩放鲁棒性的关键点及128维描述子（API：cv2.SIFT_create）。基于SIFT和FLANN匹配器（快速近似最近邻搜索），实现指纹匹配实战：通过K近邻匹配（knnMatch）和比值测试筛选优质匹配点，以匹配点数量阈值判定身份（如>500点通过）。案例展示了局部特征在目
2026-08-23 20:59:40
336
原创 计算机视觉基础 第 10 章｜图像直方图与直方图均衡化
本章主要学习图像直方图的相关知识与实操应用，涵盖直方图基础概念、图像直方图绘制、掩码局部灰度统计以及直方图均衡化图像增强技术，结合代码实战完成图像灰度分析与图像增强任务。人眼观察图像只能获得主观视觉感受，无法精准判断图像的明暗分布、对比度强弱，而直方图可以将图像视觉特征数据化、量化，为图像处理提供客观依据。为直观掌握图像直方图的绘制方法，本节以手机灰度图像为测试样本，分别通过两种方式绘制图像直方图，实现图像灰度分布的可视化统计。图像增强技术，重新分布图像灰度像素，提升图像对比度、亮度，改善图像视觉效果。
2026-08-21 20:38:15
451
原创 Python 办公自动化从入门到入土｜11 函数的使用
函数写完之后，再学习默认参数、不定长多参数、lambda 匿名函数，以及模块导入，是写大型自动化脚本必备。简短一次性函数，不需要 def，适合给 sorted、filter 做回调，办公数据处理高频。实战价值：写工具脚本，自己调试可以运行测试代码，别人导入模块不会跑测试。位置参数 → *args → 默认参数 → **kwargs。只能写一行表达式，自带 return，不能写多行代码。调用时，实参按顺序依次匹配形参，顺序不能乱。批量处理手机号，过滤空值，清洗号码。先定义，后调用，顺序不能颠倒。
2026-08-20 21:02:51
323
原创 Python 办公自动化从入门到入土｜10 数据容器之集合
本文介绍了Python中集合(set)的基本用法和特性。集合是一种无序且元素唯一的数据容器，常用于去重和集合运算。文章详细讲解了集合的创建方法（使用{}或set()）、元素增删操作（add/update/remove/discard等）以及四种集合运算（交集&、并集|、差集-、对称差集^）。同时对比了列表、元组、字典等其他容器类型的区别，并提供了集合推导式和实际应用案例（如客户数据分析）。特别提醒：空集合必须用set()创建，{}表示空字典；集合无序且不支持索引访问；列表和字典不可作为集合元素。
2026-08-19 16:11:23
325
原创 计算机视觉基础 第 9 章|实战：银行卡号识别
本文介绍了一个基于OpenCV的银行卡号识别实战项目。项目通过模板匹配算法，结合图像预处理、轮廓检测等技术，实现了银行卡号的自动识别。主要流程包括：1) 构建0-9数字模板库；2) 银行卡图像预处理（灰度转换、顶帽运算、闭运算等）；3) 轮廓检测与筛选定位卡号区域；4) 分割单个数字与模板匹配识别；5) 整合输出完整卡号。文中详细讲解了每个步骤的实现方法，包括轮廓排序、形态学处理、模板匹配等关键技术点，并提供了完整的Python代码实现。该项目综合运用了图像处理、轮廓分析和模板匹配等计算机视觉技术，可作为相
2026-08-19 15:48:13
527
原创 速通机器学习 14｜TF-IDF 文本特征提取
本文介绍了TF-IDF在中文文本处理中的应用。TF-IDF通过词频(TF)和逆文档频率(IDF)的乘积衡量词语重要性，能有效突出文档关键词并过滤通用词。文章详细解析了TF-IDF计算原理，并以3篇文档为例演示了具体计算过程。同时展示了使用sklearn的TfidfVectorizer实现中文文本向量化的完整流程：包括jieba分词、停用词过滤、TF-IDF转换等步骤。最后总结了TF-IDF的优缺点：计算简单高效但无法捕捉语义信息，适用于文本分类、聚类等基础NLP任务。该方法是传统机器学习处理文本的重要特征提
2026-08-12 19:23:17
471
原创 Python 办公自动化从入门到入土｜09 数据容器之字典
本文介绍了Python字典(dict)的核心用法，特别针对办公自动化场景。主要内容包括：1.字典基础语法与特性（键值对结构、键不可变等）；2.字典操作：取值（推荐get方法）、增删改查；3.常用方法（keys/values/items）及遍历技巧；4.字典嵌套处理复杂数据（如Excel表格行）；5.字典推导式快速生成字典；6.与列表的对比及适用场景。重点强调了字典在处理键值映射数据（如Excel、JSON）时的优势，并提供了办公自动化中的实用案例。
2026-08-11 21:09:41
300
原创 速通机器学习 13｜jieba 结巴分词库基础使用
摘要： jieba是Python生态高效的中文分词工具，支持四种分词模式：精确模式（默认，无冗余）、全模式（全候选词）、搜索引擎模式（长词细切分）及直接返回列表的lcut()。通过加载自定义词典（专业术语）和动态增删词汇优化分词效果，结合词性标注（如名词、英文筛选）和停用词过滤（剔除无意义词），完成文本预处理。典型应用包括关键词提取、文本分类等NLP任务，适合机器学习建模前的数据清洗。完整代码示例涵盖分词、词性过滤、关键词提取全流程，是中文文本分析的核心工具。
2026-08-11 20:26:50
393
原创 速通机器学习12｜DBSCAN密度聚类
本文对比分析了K-Means和DBSCAN两种聚类算法。K-Means适用于球状数据集但存在需手动指定K值、无法处理不规则簇和噪声等缺陷。DBSCAN作为密度聚类算法，通过邻域半径ε和密度阈值MinPts自动划分簇，能识别任意形状簇并分离噪声点。文章详细阐述了DBSCAN的核心概念（核心对象、边界点等）和实现流程，通过Sklearn代码演示了参数调优过程，最终指出DBSCAN在无需预设K值、适应复杂数据分布和抗噪方面的优势，是处理不规则数据集的优选算法。
2026-08-10 19:47:36
268
原创 计算机视觉基础｜第 6 章 形态学操作（膨胀、腐蚀、开闭、梯度、顶帽黑帽）
摘要 本章系统介绍了OpenCV中的形态学图像处理技术，重点讲解二值图像处理的核心概念与操作。主要内容包括：1）结构元（卷积核）的生成与作用；2）基础运算（腐蚀、膨胀）的原理与应用场景；3）开运算（去外部噪点）与闭运算（填内部孔洞）的组合操作；4）梯度运算提取轮廓，以及顶帽/黑帽运算检测微小特征（亮点/孔洞）。通过代码示例演示了各算子的实现方法，并对比了不同操作的效果差异。强调形态学处理需结合二值化、合理选择核大小和迭代次数，适用于去噪、缺陷检测、轮廓提取等任务。
2026-08-10 08:47:02
387
原创 计算机视觉基础｜第5章 视频读取与播放
本文摘要：本章主要介绍使用OpenCV处理视频的基础知识。视频由连续静态帧图像组成，OpenCV通过VideoCapture对象读取视频或摄像头数据。重点讲解了视频读取流程：创建VideoCapture对象、逐帧读取(ret/frame返回值)、处理帧图像、按键控制退出及资源释放。还演示了如何调用摄像头(参数设为0)和进行实时帧处理。关键注意事项包括：检查视频是否成功打开、及时释放资源、合理设置waitKey参数等。通过本章学习，读者可掌握OpenCV视频处理的核心方法，包括本地视频读取和摄像头调用技术。
2026-08-09 19:10:55
540
原创 计算机视觉基础｜第 4 章 图像几何变换（缩放、平移、旋转、镜像、仿射变换）
摘要： 本章讲解图像几何变换，涵盖缩放、翻转、平移、旋转及仿射变换，核心是通过矩阵运算改变像素坐标。关键内容包括： 缩放：cv2.resize()支持尺寸或比例缩放，注意dsize=(w,h)与shape顺序相反，推荐双线性插值（放大）和INTER_AREA（缩小）。 翻转：cv2.flip()实现上下/左右镜像，常用于数据增强。 平移与旋转：基于变换矩阵M，通过warpAffine执行，旋转需指定中心点和角度，注意边角裁剪问题。 仿射变换：利用getAffineTransform()由3组对应点求解M，保
2026-08-09 19:09:43
304
原创 计算机视觉基础｜第 6 章 轮廓检测、轮廓特征与轮廓近似
本文介绍了OpenCV中轮廓检测的核心技术与应用方法。主要内容包括：1）轮廓与边缘的区别，强调轮廓是闭合边界点集合；2）核心API cv2.findContours()和cv2.drawContours()的使用方法；3）轮廓特征计算（面积、周长、外接矩形等）；4）轮廓近似技术及其形状识别应用。通过标准处理流水线（二值化→查找轮廓→特征计算）可实现物体检测、形状分类等计算机视觉任务，适用于工业检测、目标计数等场景。文章提供了完整的Python代码示例，涵盖轮廓检测全流程。
2026-08-08 11:15:40
721
原创 速通机器学习 11｜ K-Means 聚类
【摘要】K-Means是一种经典无监督聚类算法，通过样本特征相似度自动分组，区别于有监督学习的分类任务。其核心流程包括：指定簇数K、计算欧式距离、迭代更新簇质心以最小化SSE损失。优化方法推荐K-Means++初始化，并采用肘部法则和轮廓系数（范围-1到1，越接近1效果越好）确定最优K值。实战中需先标准化数据，通过双评估指标选择K，最终输出聚类结果。算法适合球状分布的中小规模数据集，需注意初始化随机性和数据预处理。
2026-08-08 09:01:36
313
原创 计算机视觉基础｜第 3 章 色彩空间转换（BGR / RGB / GRAY / HSV）
上一章我们掌握了图像的读取、显示与像素修改基础操作。本章聚焦图像色彩空间转换，详解OpenCV常用的BGR、RGB、GRAY、HSV四大色彩空间，重点解决图片偏色、颜色筛选失效等新手高频问题，搭配实战案例落地知识点。色彩空间是图像颜色的数字化编码规则，不同色彩空间的像素数值逻辑不同，适配不同的图像处理任务。BGR：OpenCV默认图像格式，通道顺序为蓝、绿、红RGB：通用显示格式，Matplotlib、网页、图片预览通用，通道顺序为红、绿、蓝GRAY（灰度）
2026-08-07 08:54:26
341
原创 速通机器学习 10｜支持向量机 SVM
本文系统介绍了支持向量机(SVM)的原理与应用。SVM是一种判别式分类算法，核心思想是通过寻找最优分隔超平面最大化类别间隔。文章详细阐述了硬间隔与软间隔SVM的区别、核函数的作用及选择策略，重点分析了高斯RBF核等常用核函数特性。通过Python实战案例，演示了SVM参数调优流程，包括特征标准化、网格搜索和交叉验证。最后总结了SVM的优势(小样本高维数据表现优异)与局限(不适合海量数据)，并指出其适用场景。全文兼顾理论推导与实践指导，为SVM的应用提供了全面参考。
2026-08-07 08:53:00
487
原创 计算机视觉基础｜第8章 图像边缘检测
本文系统介绍了边缘检测的核心概念与算法实现。主要内容包括：边缘检测理论基础（像素梯度突变）、前置高斯滤波的必要性，以及Sobel、Scharr、Laplacian和Canny四种经典算子的原理对比与OpenCV实现。重点剖析了Canny算法的四步流程（降噪、梯度计算、非极大值抑制、双阈值筛选），并总结了各算子的适用场景：Sobel抗噪性好但边缘较粗，Scharr对弱边缘敏感但易受噪声干扰，Laplacian能检测双向边缘但噪声敏感，Canny综合效果最优。最后指出常见误区，如梯度取绝对值、参数调优等注意事项
2026-08-06 08:52:29
500
原创 计算机视觉基础｜第7章 图像滤波处理（图像降噪）
【摘要】本章系统讲解了图像滤波技术，重点涵盖四种核心算法：均值滤波（简单平均）、方框滤波（可选归一化）、高斯滤波（加权平均）和中值滤波（取中位数）。通过卷积核滑动计算实现噪声消除，其中高斯滤波（保留边缘）和中值滤波（专治椒盐噪声）最具实用价值。关键点包括：卷积核必须为奇数尺寸，尺寸越大降噪效果越强但细节丢失越多；针对不同噪声类型（高斯/椒盐）需选择适配算法。实验部分通过Python+OpenCV代码演示了各算法的实际效果对比，并强调工程中高斯滤波的通用性优势。
2026-08-06 08:51:58
539
原创 计算机视觉基础｜第2章 OpenCV图像基础操作（读写、窗口、像素操作）
本章彻底打通了计算机视觉最底层的图像操作逻辑，是后续所有图像处理、特征检测、目标识别的基础。掌握 imread、imshow、imwrite 三大基础操作学会判空、路径避坑、窗口控制理解 shape 顺序：(高度, 宽度, 通道)能够手动读取、修改像素，真正理解图像数字化原理。
2026-08-05 10:37:42
351
原创 计算机视觉基础｜第1章 走进计算机视觉
人类通过眼睛接收画面，大脑识别画面里的物体、位置、颜色；计算机视觉（Computer Vision，CV）就是让机器拥有 “看懂图片、视频” 的能力。简单讲：给计算机一张图片，让计算机输出对这张图的理解。输入：图片 / 视频（一堆数字像素矩阵）输出：物体是什么、物体在哪、图片描述、是否异常等信息。人类看到一张猫的照片：大脑直接认出这是猫。计算机看到同一张照片：只拿到一大串数字，计算机视觉算法负责从数字里解析出 “这是猫”。
2026-08-05 09:19:02
295
OpenCV 快速图像风格迁移预训练权重包
2026-09-02
英文垃圾邮件数据集spambase
2026-08-04
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人