- 博客(17)
- 收藏
- 关注
RSS订阅原创 python字符串、正则表达式
本文介绍了Python中正则表达式和re模块的使用方法。主要内容包括：re模块的match()、search()、findall()、sub()和split()函数的功能及示例；字符串处理相关选择题解析；以及三个实际案例：车牌归属地识别、字符串出现次数统计和商品信息格式化输出。文中通过代码示例演示了如何利用正则表达式和字符串操作解决实际问题，并附有相关函数的总结对比图表。文章适合Python初学者学习正则表达式和字符串处理的基本操作。
2025-10-10 00:11:16
331
原创 C++中位运算
C++常用位运算符包括：与(&)、或(|)、异或(^)、取反(~)、左移(<<)和右移(>>)。这些运算符直接对二进制位进行操作，适用于底层编程和算法优化。例如，&运算两数位都为1时结果为1，<<左移相当于乘以2，>>右移相当于除以2。这些运算在数据处理、标志位操作等方面有重要应用。
2025-09-29 20:58:41
161
原创 学习笔记-多分类问题
本文介绍了多分类问题的Softmax解决方案及其在MNIST数据集上的应用。首先讲解Softmax函数如何将线性层输出转化为概率分布，并通过示例演示计算过程。在损失函数部分，详细说明了交叉熵损失的计算方法及其优势。随后展示了PyTorch中实现Softmax分类的代码示例，包括数据预处理、模型构建、损失函数和优化器设置等关键步骤。最后以MNIST手写数字识别为例，构建了一个五层全连接神经网络，并给出了完整的训练流程。
2025-08-15 18:22:31
956
原创 python学习笔记（二）序列操作
本文介绍了Python中序列和列表的基本操作。序列包括索引、切片、相加相乘等操作，列表则涵盖创建、遍历、增删改查等功能。其中详细讲解了正向/反向索引、切片语法、列表的append/insert/remove等方法，以及排序操作（sort()和sorted()）。通过大量代码示例，展示了如何对字符串和列表进行索引访问、切片操作、元素添加删除、排序等常见处理，并配有直观的运行结果截图，帮助读者快速掌握Python序列和列表的核心用法。
2025-08-14 10:08:49
738
原创 学习笔记-Dataset and DataLoader
本文介绍了深度学习中Epoch、Batch-Size和Iterations等基本概念，详细讲解了PyTorch中Dataset和DataLoader的使用方法。主要内容包括：1) 定义Epoch为完整遍历训练集一轮的过程，Batch-Size为每次训练的样本数，Iterations为每个Epoch内的批次训练次数；2) 通过继承Dataset类自定义数据集，需实现__init__、__getitem__和__len__方法；3) 使用DataLoader进行批量数据加载，可设置shuffle参数打乱数据顺序
2025-08-13 16:35:03
310
原创 python学习笔记（一）基础知识
本文介绍了Python编程基础中的核心概念。主要内容包括：1）程序设计语言的分类，区分编译型（静态语言）和解释型（脚本语言）；2）基本输入输出函数print和input的使用；3）Python的数据类型（整数、浮点数、字符串、布尔值）及其转换；4）运算符（算术、赋值、比较）的使用规则和优先级。此外还涉及标识符命名规范、保留字、中文编码声明等基础语法知识。文章通过代码示例详细演示了各种数据类型和运算符的实际应用，为Python初学者提供了全面的入门指导。
2025-08-12 17:20:35
810
原创 学习笔记-处理多维特征的输入
本文介绍了基于多维特征的糖尿病病情预测模型构建方法。首先通过结构化数据建立8维特征输入与1维输出的分类问题，采用多层神经网络实现降维处理（8→6→4→1）。模型使用Sigmoid激活函数和BCELoss损失函数，通过SGD优化器进行训练。文章详细展示了PyTorch实现代码，包括数据读取、模型构建（含3层线性层）、训练过程等完整流程，并探讨了其他激活函数的应用可能。该模型通过特征降维和并行计算有效提升了分类性能，为结构化数据的分类问题提供了解决方案。
2025-08-12 11:23:46
309
原创 学习笔记-Logistic回归
本文介绍了机器学习中的回归与分类任务，重点分析了两者的区别与应用。回归任务预测连续值（如房价），使用线性回归等算法，评价指标包括MSE、RMSE；分类任务预测离散类别（如图像分类），采用逻辑回归、决策树等方法，通过准确率、F1分数等评估。文章详细讲解了逻辑回归模型，包括Sigmoid函数、交叉熵损失函数（BCE Loss）及PyTorch实现代码，并通过可视化展示了模型预测的概率分布。最后通过MNIST数据集示例，演示了分类任务的实际应用。
2025-08-11 16:24:30
866
原创 学习笔记-用pytorch实现线性回归
本文介绍了使用PyTorch实现线性回归的完整流程。主要包括四个步骤：1)准备训练数据；2)设计继承自nn.Module的线性模型；3)构造MSE损失函数和SGD优化器；4)训练循环（前馈、反馈、更新）。通过100次迭代优化后，模型能准确预测y=2x的线性关系（w≈2,b≈0），测试输入4.0时输出接近8.0。整个过程展示了PyTorch自动求导和参数优化的核心机制。
2025-08-10 22:19:32
300
原创 学习笔记-反向传播
本文介绍了神经网络中的反向传播算法及其应用。反向传播通过计算图实现梯度传播，配合优化方法更新参数以降低损失函数。文章详细讲解了计算图的概念、链式求导过程、Tensor数据类型及其在自动求导中的作用，并通过线性模型和二次模型两个代码示例展示了反向传播的具体实现。在训练过程中，前向传播计算预测结果，反向传播计算梯度并更新参数，循环迭代直至模型收敛。反向传播是神经网络训练的核心算法，能够有效计算复杂模型的参数梯度，为深度学习提供了重要支撑。
2025-08-09 11:04:04
923
原创 学习笔记-梯度下降算法
本文介绍了梯度下降算法及其常见优化器。梯度下降通过计算目标函数的梯度来更新参数，优化模型性能。主要内容包括：1）梯度下降原理，通过迭代更新参数最小化损失函数；2）常见优化算法：批量梯度下降（全局梯度但计算量大）、随机梯度下降（高效但波动大）、小批量梯度下降（折中方案）；3）高级优化器如带动量的梯度下降（平滑更新方向）和Adam（自适应学习率）。这些方法在深度学习中有广泛应用，各有优缺点，需根据具体场景选择合适的优化策略。
2025-08-08 18:02:29
840
原创 学习笔记-线性模型
本文介绍了线性模型的基本概念与实现方法。主要内容包括：1）模型训练的四个步骤（数据集准备、模型构建、训练和测试）；2）监督学习的定义与目标；3）过拟合问题及验证集的作用；4）线性回归模型的数学表达、MSE损失函数和训练流程；5）通过Python代码实现简单线性回归的完整示例及可视化。文章还讲解了训练集、验证集和测试集的区别，交叉验证方法（特别是K折交叉验证），以及模型参数与超参数的本质差异。最后通过3D可视化展示了权重和偏置对损失函数的影响。
2025-08-07 16:06:34
641
原创 FPN与PAN
FPN（特征金字塔网络）通过自顶向下路径和横向连接，将高层语义信息融合到低层特征中，提升多尺度目标检测能力。PAN（路径聚合网络）在FPN基础上增加自底向上路径，采用拼接方式进行特征融合，强化低层细节信息向高层的传递。两者的核心区别在于：FPN是单向语义补充，侧重解决语义不一致问题；PAN是双向信息聚合，通过保留更多细节提升小目标检测精度。PAN的计算量略大，但在高精度检测任务中表现更优。
2025-07-17 15:30:29
1581
原创 论文阅读笔记-POSTER V2: A simpler and stronger facial expression recognition network
哈喽，大家好，本文我将来带大家阅读一篇论文《POSTER V2: A simpler and stronger facial expression recognition network》，我将会分为两大部分来完成介绍。分别为论文代码复现和论文内容介绍，本篇我将详细介绍论文内容。我们先简单介绍一下论文相关内容：课题：POSTER V2: A simpler and stronger facial expression recognition network领域：计算机视觉——面部表情识别（FER）
2025-07-15 18:57:36
560
原创 论文阅读笔记-POSTER: A Pyramid Cross-Fusion Transformer Network for Facial Expression Recognition
本文介绍了CVPR顶会论文《POSTER: A Pyramid Cross-Fusion Transformer Network for Facial Expression Recognition》的核心内容。该研究针对面部表情识别（FER）中的三大挑战——类间相似性、类内差异性和尺度敏感性，提出了一种金字塔交叉融合Transformer网络（POSTER）。通过双流架构（图像流和地标流）提取特征，设计交叉融合Transformer结构实现两种特征的深度协作（图像特征借助地标的显著区域先验，地标特征获得图像
2025-06-29 20:05:22
1263
1
原创 python 3.9 解决“ImportError: cannot import name ‘Image‘ from ‘PIL‘ (unknown location)”问题
踩雷记录，仅供参考。
2025-06-24 20:49:49
685
原创 利用qemu编译并运行Linux内核
本文将介绍如何利用 qemu 编译并运行 Linux 内核，旨在搭建一个基于 qemu 的 Linux 内核运行环境，实现内核的编译、运行及调试等功能。具体来说，包括以下内容：1、成功编译 ARM Linux 内核，生成可在 qemu 中运行的内核镜像；2、通过 qemu 模拟不同的开发平台（基于 Cortex - A9 的 Versatile Express 开发平台和 ARMv8 架构的平台），并确保内核在模拟环境中稳定运行；
2025-06-16 21:18:02
2296
1
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