- 博客(30)
- 收藏
- 关注
RSS订阅原创 一天吃透大模型 API：从零到一掌握 6 种核心 Prompt 与调用技巧
API 调用解决了怎么通网的问题。JSON 与格式限制解决了大模型怎么和你的代码配合的问题。Few-Shot 和 CoT解决了大模型“不够聪明”的问题。Prompt 模板解决了工程化复用的问题。System 和参数调试解决了定制化角色的问题。下一步，我准备把这些技巧结合起来，用 Flask 写一个真正的 Web 服务，让大模型的能力变成真正的产品！
2026-11-13 20:30:07
192
原创 YOLO系列学习笔记：从YOLOv1到YOLOv3的演进之路
最近花了几天时间系统学习了YOLO（You Only Look Once）系列的三个经典版本：YOLOv1、YOLOv2、YOLOv3。作为目标检测领域里程碑式的工作，YOLO系列以其"端到端、速度快"的特点深受工业界喜爱。这篇博客记录一下我的学习心得，梳理三个版本的核心思想和改进点，希望能帮到同样在学习的同学。维度YOLOv1YOLOv2YOLOv3主干网络类GoogLeNetDarknet-19Darknet-53预测方式直接回归AnchorAnchor + 多尺度网格划分。
2026-10-15 21:04:05
184
原创 NLP: Word2Vec(CBOW 模型)
最近在学习 NLP 的过程中，接触到了 Word2Vec 这个经典的词向量训练方法。Word2Vec 是 Google 在 2013 年提出的，它能把单词映射到一个低维稠密的向量空间中，使得语义相近的词在向量空间中距离也相近。：用上下文词预测中心词Skip-gram：用中心词预测上下文词。embeds = self.embeddings(inputs).mean(dim=0) # 对上下文词向量求平均：把离散的词索引映射为稠密向量，这是我们要学习的核心参数。
2026-09-15 19:55:48
241
原创 基于 dlib 的人脸识别：从检测到表情识别
最近在学习人脸识别相关的知识，用到了 dlib 这个强大的库。dlib 是一个现代化的 C++ 工具包，同时提供了 Python 接口，在 face detection、face landmark 等任务上效果非常好，而且 API 非常简洁。下面是我练习的几个 demo，从最基础的人脸检测，到 68 个关键点定位，再到轮廓绘制和表情识别，逐步深入。人脸检测一行搞定图片和视频检测。关键点定位输出 68 个关键点，覆盖五官轮廓。轮廓绘制：用凸包和连线把眼睛、嘴巴、眉毛、鼻子可视化。表情识别。
2026-09-14 19:47:09
129
原创 PyTorch ：Dataset 数据预处理、数据增强与模型保存
部分作用__init__读取 txt，把图片路径和标签分别存入两个 list__len__返回样本总数，DataLoader 需要它来算 batch 数按索引取一张图 + 标签，图做 transform，标签转 tensorDataset 数据预处理：从目录结构生成标注文件，自定义 Dataset 类实现和__len__，再交给 DataLoader 批量加载。数据增强：训练集使用随机增强提升泛化能力，验证/测试集只做标准化预处理，保证评估稳定。模型保存：掌握state_dict。
2026-09-10 19:43:49
223
1
原创 OpenCV（十一）人脸识别三大算法LBPH、EigenFace、FisherFace
继昨天学习了人脸检测（Haar级联分类器）之后，今天进一步深入人脸识别领域。与“检测”不同，“识别”是要判断这个人是谁，而不是仅仅找到人脸的位置。LBPH（局部二值模式直方图）EigenFace（特征脸）FisherFace（费舍尔脸）本文将逐一解析这三个算法的使用方法和核心区别，并附上完整可运行的代码。对比维度LBPHEigenFaceFisherFace核心原理局部二值模式 + 直方图PCA主成分分析LDA线性判别分析训练速度较快快中等识别速度快快快阈值可调。
2026-09-09 16:30:02
181
原创 OpenCV（十）：人脸检测与微笑识别
今天学习了 OpenCV 中的人脸检测和微笑识别功能，通过两个小案例，掌握了 Haar 级联分类器的使用方法。一个是针对静态图片的人脸检测，另一个是调用摄像头进行实时人脸+微笑检测。本文将对这两个案例进行详细解析，并记录学习过程中的关键知识点。知识点说明Haar 级联分类器基于 Haar 特征的机器学习方法，速度快，适合实时检测核心检测函数，返回目标位置矩形ROI 裁剪通过数组切片提取感兴趣区域级联检测策略先粗后细（先检测人脸，再检测微笑），提高效率和准确率视频流处理。
2026-09-09 16:17:18
560
原创 MySQL：DML、DDL与TCL精讲
DML（数据操作语言）DDL（数据定义语言）和TCL（事务控制语言）。本文将从实战角度出发，系统讲解这三类语言的语法、用法及注意事项，适合初学者快速入门，也适合有经验的开发者作为参考手册。数据定义语言（Data Definition Language）用于定义和管理数据库和表的结构。对比项DMLDDLTCL全称作用操作数据（增删改）定义结构（库、表）管理事务核心命令是否自动提交是（默认）是（隐式提交）需手动控制可否回滚配合 TCL 可回滚不可回滚核心就是回滚与提交DML。
2026-09-04 20:39:06
216
原创 深度学习调参：提升NeuralNetwork准确率（MNIST）
今天在学习 PyTorch 实现 MNIST 手写数字识别时，发现一个有趣的现象：同样的网络结构，仅仅改变几个超参数，准确率就从 75% 飙升到了 97%！这让我深刻体会到：调参不是玄学，而是有规律可循的科学。本文将详细记录我如何通过调整激活函数、优化器、学习率、训练轮次这四个关键因素，一步步提升模型性能。改动项改动前改动后准确率提升激活函数SigmoidReLU85% → 90%+优化器SGDAdam学习率0.010.001收敛更稳定训练轮次5 epochs。
2026-09-03 20:12:32
236
原创 深度学习入门实战：手写数字识别（PyTorch + CNN）
我们构建一个三层卷积网络，结构如下：在动手写代码之前，先补充一个贯穿本节的关键概念——池化层（Pooling Layer）。池化层通常紧跟在卷积层之后，作用是对特征图进行下采样（降维），它本身没有需要学习的参数。降低计算量：把特征图的宽高缩小（例如 28×28 → 14×14），后续层的参数量和计算量随之大幅减少。提取主要特征、增强鲁棒性：在局部区域内只保留最显著的信息，让网络对微小的平移、旋转不那么敏感，从而缓解过拟合。最常用的是最大池化（MaxPooling）
2026-09-03 20:00:24
447
原创 MySQL 分页查询与联合查询
将多条查询语句的结果合并成一个结果集。知识点核心要点分页查询LIMIT [offset,] size，offset 从 0 开始分页公式联合查询UNION 默认去重，UNION ALL 不去重使用场景多表无直接关联但查询信息一致时用 UNION。
2026-09-02 19:59:55
219
原创 MySQL 子查询
子查询（Subquery）是指出现在其他 SQL 语句中的 SELECT 语句，也称为内查询或嵌套查询。简单来说，就是一个查询语句嵌套在另一个查询语句内部，内部的查询结果作为外部查询的条件或数据源。
2026-09-02 19:13:14
380
原创 OpenCV (九)：视频处理实战——背景建模 · 光流估计 · 摄像头OCR · 风格迁移
OpenCV 是一个功能极其强大的计算机视觉库，除了基础的图像处理操作外，它还提供了许多高级功能，包括视频分析、运动跟踪、目标检测和深度学习推理。背景建模（运动目标检测）光流估计（运动轨迹跟踪）摄像头实时文档 OCR 检测（透视矫正 + 二值化）深度学习风格迁移（图像艺术化）案例核心技术典型应用背景建模MOG2 高斯混合模型运动目标检测、安防监控光流估计Lucas-Kanade 稀疏光流运动轨迹跟踪、视频稳像摄像头 OCR透视变换 + Otsu 二值化文档扫描、票据识别。
2026-08-30 19:49:51
162
原创 PyTorch入门实战：手写数字识别（MNIST）
集合样本数图片尺寸标签范围训练集60,00028×28 灰度0 ~ 9测试集10,00028×28 灰度0 ~ 9每张图片是一个像素值在 [0,1] 之间的张量，原始数据来自美国国家标准与技术研究所（NIST）。x = torch.sigmoid(x) # 激活函数return x输入层(784) → 隐藏层1(128) → 隐藏层2(256) → 输出层(10)输出层无激活函数，因为 CrossEntropyLoss 内部会做 Softmax。
2026-08-28 20:49:15
196
原创 OpenCV（八) ：图像处理实战——图像拼接、答题卡识别与扇子提取
最近在学习 OpenCV 图像处理，利用之前积累的知识，今天成功实现了三个实用功能：图像拼接、答题卡识别以及扇子区域提取。本文将记录实现过程、关键代码和踩坑点，希望对同样在学习 OpenCV 的同学有所帮助。问题解决方案cv2.SIFT 找不到安装 opencv-contrib-python，或使用 cv2.ORB_create() 替代findContours 返回值变化。
2026-08-25 20:10:27
428
原创 机器学习8：矿物种类检测——数据预处理
在机器学习项目中，数据预处理往往占据整个工作流70%以上的时间。一个高质量的数据集是模型成功的基础，而数据预处理正是构建这个基础的关键环节。本文以一个矿物种类分类任务为例，完整展示从原始数据到可用于建模的标准数据集的全流程，涵盖数据清洗、缺失值处理、标签编码、数据标准化、类别不平衡处理等核心步骤。数据清洗：删除异常类别、处理非数值数据缺失值处理：分组填充优于全局填充，因为不同类别的特征分布可能不同数据泄露防范测试集使用训练集的统计量（均值/中位数/众数）进行填充。
2026-08-23 20:58:15
197
原创 OpenCV(七):角点检测与指纹识别
角点是图像中梯度变化剧烈的点，通常位于两条边缘的交界处。角点检测在图像匹配、目标跟踪、三维重建等领域有广泛应用。知识点关键要点Harris角点对图像梯度变化敏感，适合快速角点检测SIFT特征尺度不变、旋转不变，适合复杂场景匹配FLANN匹配快速近似最近邻搜索，大幅提升匹配效率通过最近/次近距离比值筛选，有效过滤误匹配阈值设计验证阈值（500）、识别阈值（200）需根据实际场景调优学习体会通过今天的学习，我深刻体会到特征提取在计算机视觉中的核心地位。
2026-08-23 20:49:46
482
原创 OpenCV（六）：透视变换与图像旋转
透视变换和图像旋转。透视变换常用于文档矫正、车牌校正等场景，而图像旋转则是图像预处理中的基础操作。我们将从原理到实践，提供完整的代码示例。知识点核心内容关键函数透视变换，实现文档矫正轮廓检测，提取文档边缘四个顶点图像缩放自定义resize函数，保持比例缩放图像图像旋转np.rot90和cv2.rotate两种方式np.rot90()
2026-08-21 19:53:02
144
原创 OpenCV（五）：高斯金字塔与直方图应用
本文记录了我学习 OpenCV 过程中关于高斯金字塔的上下采样以及直方图相关操作的知识点与代码实践。这些内容是图像多尺度分析和统计特征提取的基础，在图像缩放、融合、增强等场景中应用广泛。操作效果pyrDown图像尺寸减半，分辨率降低pyrUp图像尺寸加倍，但细节模糊拉普拉斯残差 L0、L1记录丢失的高频信息，可用于重建calcHist获得图像灰度分布曲线掩码直方图只统计感兴趣区域的灰度分布提升对比度，改善图像视觉效果。
2026-08-21 19:22:06
421
原创 机器学习7：词向量转换与文本分类
在自然语言处理（NLP）中，词向量是将文本转换为数值型数据的重要手段，也是后续进行文本分类、情感分析等任务的基础。今天我们将通过两个案例，系统地学习词向量转换的原理及实际应用，并在此基础上完成一个基于朴素贝叶斯的评论情感分类任务。本文适合刚接触 NLP 的读者，内容包含代码详解、思路梳理和扩展思考，希望能帮你快速上手。计算机无法直接理解文本，我们需要将文本转化为数字向量。词向量就是将文本中的词语映射为数值特征的一种表示方式。最基础的方法是词袋模型（Bag of Words），统计每个词在文档中出现的次数。
2026-08-11 19:33:25
320
原创 机器学习6：DBSCAN聚类与TF-IDF文本向量化
今天的机器学习课程主要围绕两个经典算法展开：DBSCAN聚类算法和TF-IDF文本向量化。DBSCAN作为一种基于密度的聚类方法，能够自动发现任意形状的簇并识别噪声点；而TF-IDF则是文本挖掘中最基础的特征提取方式，用于衡量词语在文档中的重要性。本文将结合三个实战案例，详细讲解这两个算法的原理、代码实现和应用场景。算法应用场景核心优势注意事项DBSCAN客户分群、异常检测、地理信息聚类无需预设簇数、可识别噪声eps和min_samples需调参TF-IDF搜索引擎、关键词提取、文本分类。
2026-08-10 20:36:35
520
原创 OpenCV基础入门4：轮廓检测与模板匹配
轮廓可以简单理解为连续的点组成的曲线，这些点具有相同的颜色或灰度值。在计算机视觉中，轮廓是形状分析和物体检测与识别的关键基础。通过轮廓分析，我们可以识别物体的形状、计算其面积和周长，并进行进一步的图像处理。轮廓检测基础：理解轮廓概念，掌握的使用方法轮廓特征分析：计算面积、周长，筛选轮廓，绘制外接矩形和最小外接圆轮廓近似：使用进行多边形拟合实战案例：花朵轮廓检测与近似处理模板匹配：在图像中寻找与模板相似区域实时物体追踪：基于CSRT追踪器实现实时目标跟踪。
2026-08-07 19:20:19
747
原创 机器学习5：贝叶斯、SVC与K-Means
在机器学习的学习过程中，我接触了三种非常经典且实用的算法——朴素贝叶斯（Naive Bayes）、支持向量机（SVC）和K-Means聚类。本文将结合三个实际案例，展示如何用Python实现这些算法，并分享一些调参与可视化的经验。其中SVC案例来自一个非常贴近生活的场景——智能寝室分配：根据学生的生活习惯、性格特点等多维数据，自动匹配最适合住在一起的室友组合。K-Means是一种无监督学习算法，通过迭代将数据划分为K个簇，使得簇内样本的相似度尽可能高，簇间样本的相似度尽可能低。随机选择K个初始质心。
2026-08-06 20:45:48
256
原创 OpenCV基础入门3：图像形态学与边缘监测
去噪与分离：使用腐蚀操作连接与填充：使用膨胀操作平滑轮廓：使用开运算填补孔洞：使用闭运算边缘提取：使用梯度运算细节增强：使用顶帽或黑帽运算。
2026-08-04 19:43:28
472
原创 机器学习4：决策树与随机森林算法
决策树是一种树形结构的监督学习算法，它通过一系列 if-else 决策规则对数据进行划分，最终在叶节点给出预测结果。分类树：叶节点输出类别标签回归树：叶节点输出连续数值随机森林是集成学习的代表算法，它通过构建多棵决策树并综合它们的投票结果（分类）或平均值（回归）来提高预测性能。对比维度决策树随机森林解释性★★★★★ 非常强★★★☆☆ 一般过拟合风险较高较低训练速度RRాలు预测精度一般较高特征重要性支持支持适用场景需要解释性的小型项目追求精度的大中型项目。
2026-08-03 20:20:53
456
原创 OpenCV基础入门2：边界填充、图像运算、阈值处理与噪声消除
知识点关键函数应用场景边界填充卷积前边缘扩展图像加法亮度调整、图像叠加加权融合透明度混合、图像融合阈值分割二值化、目标提取椒盐噪声自定义函数模拟噪声干扰中值滤波椒盐噪声去除均值/高斯滤波高斯噪声平滑。
2026-08-02 19:32:43
240
原创 OpenCV 基础入门1：图像读取、处理与视频操作
今天系统学习了OpenCV的基础操作，从图像读取、通道分离、ROI裁剪到视频帧处理，最后完成了一个综合练习。本文将完整记录学习过程，并附上全部代码，方便大家参考。
2026-07-31 19:40:28
211
原创 机器学习3:交叉验证、下采样、过采样（银行贷款案例）
今天系统学习了逻辑回归在金融风控中的实战应用数据集类别不平衡 + 模型评估不准。绝大多数用户正常还款（负样本/多数类）极少数用户违约坏账（正样本/少数类）如果直接训练模型，逻辑回归会“摆烂”，直接预测全部为不违约，准确率很高、但是完全没有业务价值。下采样：对多数样本做减法过采样（SMOTE）：对少数样本做加法交叉验证：稳定评估模型、选择最优参数银行贷款预测是典型的不平衡二分类问题，直接建模只会追求高准确率，毫无业务意义。下采样通过删减多数样本平衡数据，过采样 SMOTE通过合成少数样本优化模型。
2026-07-30 20:27:17
222
原创 机器学习1：KNN算法
对未知样本，计算其与所有训练样本的距离，选取距离最近的 K 个样本，通过。KNN（K-Nearest Neighbors）即K近邻算法，是。预测速度慢：惰性学习，每次预测都要遍历全部样本。K值：超参数，K过小易过拟合，K过大易欠拟合。无参数训练、对异常值不敏感，小数据集效果优秀。距离度量：默认欧式距离，适用于连续数值特征。投票规则：近邻样本多数标签即为预测结果子。投票机制，确定未知样本的分类结果。原理简单、通俗易懂，无复杂迭代训练。多分类、二分类场景均适用，通用性强。K值需要人工调优，无固定最优值。
2026-07-27 20:47:19
258
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