桂林的闪电-优快云博客

原创 Week 10: YOLO目标检测基础、边框回归、损失函数与PyTorch实战周报

原始YOLOv1无锚框设计，网络直接拟合边框坐标，对大小差异大、异形目标拟合效果极差。每个网格配置多组不同尺寸锚框，为网络提供固定形状先验，网络仅需学习微小偏移与缩放参数，无需从零拟合边框，大幅降低训练难度，显著提升小目标、大目标、狭长目标的检测精度与收敛速度。本周完成深度学习从图像分类到目标检测的关键进阶，系统吃透YOLO一阶段实时检测的全部基础核心知识点，涵盖网络结构设计、训练样本策略、损失函数优化、推理后处理全流程，同时配套完整可运行的PyTorch实操代码，实现理论与代码落地双向掌握。

2026-09-27 20:03:44 285

原创 Week 9：注意力机制、轻量化卷积网络与模型压缩加速实战周报

结合前期ResNet残差网络、迁移学习、正则优化、训练调优知识，搭建起“数据预处理—高精度骨干网络训练—注意力特征增强—轻量化结构改造—模型剪枝量化压缩—端侧部署推理”的全流程深度学习视觉工程体系，彻底解决了传统深度学习模型精度与速度无法兼顾的痛点，实现模型训练高精度、部署轻量化的双向优化。通过本周学习，彻底补齐了传统深度模型参数量冗余、推理速度慢、无法端侧部署的短板，实现了高精度模型训练与轻量化模型部署的双向能力闭环，同时配套完整可运行的PyTorch代码，做到理论理解与实操落地同步掌握。

2026-07-19 20:16:48 366

原创 Week 8：经典卷积神经网络演进、残差网络原理与迁移学习实战周报

本周彻底打通深度学习计算机视觉完整链路，将前序数据预处理、标准化、参数初始化、正则化、优化器、偏差方差平衡、集成学习与本周CNN经典网络、残差机制、迁移学习完全串联。本周系统学习四代经典卷积神经网络、残差学习原理与迁移学习核心内容，重难点突出、知识体系连贯完整，同时配套完整可运行PyTorch代码，实现理论推导、网络分析与工程实操深度结合，深度学习综合能力持续提升。网络结构轻巧，专为手写灰度图像识别设计，首次实现局部感受野、权值共享、下采样三大核心机制，极大降低了全连接网络的参数量，提升图像特征提取能力。

2026-07-12 22:41:56 253

原创 Week 7：卷积神经网络原理、核心结构

本周学习补齐了深度学习从通用模型优化到计算机视觉专项落地的关键环节，解决了传统全连接网络处理图像数据参数量大、特征冗余、泛化能力弱等痛点，完整掌握卷积网络的底层逻辑与工程搭建方法，全面提升视觉深度学习的理论分析与项目落地能力。本周学习重点聚焦计算机视觉底层基础，不仅吃透了卷积、池化、特征学习的核心理论，更通过完整的PyTorch项目实操，将正则化、早停策略、交叉验证等优化手段落地到视觉任务中，彻底完善了深度学习从理论、通用模型到专项视觉模型的知识体系，工程实战能力得到进一步强化。

2026-07-05 18:11:32 367

原创 Week 6：深度学习偏差方差权衡、早停正则、交叉验证与集成学习

本周学习完美承接前五周神经网络、梯度优化、正则化、初始化、数据预处理内容，补齐了深度模型“训练-调优-评估-增强”的最后短板，彻底摆脱单一模型训练的局限性，具备复杂深度模型优化与集成落地能力。，该方法是深度学习工程训练中性价比最高、使用最广泛的防过拟合手段。本周在网络初始化、Dropout正则化、数据集预处理的基础上，集中攻克偏差方差分析、早停优化、交叉验证与多类集成学习三大模块内容，知识点密集、体系完整，同时配套全套可运行Python实操代码，理论与工程实践结合紧密，深度学习研究深度显著提升。

2026-06-29 01:44:37 388

原创 Week 5：深度神经网络初始化、深度学习数据集处理与模型泛化

整套体系可以系统性解决深度网络训练中的各类问题：初始化不当导致的梯度消失、数据分布不均导致的收敛缓慢、模型复杂度过高导致的过拟合、参数更新不均衡导致的训练震荡、超参不合理导致的局部最优问题，真正实现从“会搭网络”到“会训网络、会调网络、会优化网络”的能力升级。数据标准化是深度学习模型训练的前置必要步骤，不可省略。相较于前几周的梯度优化、正则化学习，本周内容更偏向模型训练底层稳定性与泛化能力的根源优化，从参数初始化、数据分布、网络结构正则化三个维度，彻底解决深层网络难训练、易崩、易过拟合、收敛慢的核心痛点。

2026-06-21 21:07:47 360

原创 Week 4：深度学习训练优化、正则化与梯度优化器

本周承接第三周神经网络基础内容，聚焦深度学习训练优化核心，系统学习正则化、小批量训练与主流自适应优化器，结合数学公式吃透深度网络调优的底层逻辑，有效解决了深层模型训练的各类实战难点，知识体系连贯且实用性强，顺利完成机器学习向深度学习进阶的过渡学习。在上周全连接神经网络与正反传播理论的基础上，本周重点学习深度神经网络的训练优化与调优方法，主要解决深层模型拟合异常、梯度不稳定、收敛效率低、泛化能力差等实战问题，系统梳理模型拟合机制、正则化约束、批量训练与进阶优化器的核心原理。为正则化超参数，用于控制惩罚强度。

2026-06-14 20:56:39 431

原创 Week 3：分类任务、逻辑回归与深度学习

在学习中了解到，当下主流的分类算法可以分为概率生成模型和判别模型两大类型，两种模型的思考角度与实现方式各不相同，也是本周重点钻研的内容。在此基础上开启深度学习基础内容的学习，认识全连接神经网络的组成与工作方式，掌握前向传播、反向传播的运行逻辑，理解常用激活函数的作用，同时分析深度网络训练过程中存在的难点问题。在损失计算环节，分类任务不再使用回归任务中的均方误差。回归任务主要用来预测连续的数值结果，而分类任务的目标是把样本划分到对应的离散类别中，日常所见的内容判别、类别筛选等场景，都属于分类问题的应用范畴。

2026-06-07 11:36:11 384

原创 Week 2：机器学习核心基础算法与模型泛化能力优化

同时，结合泰勒一阶展开公式，我推导证明了负梯度方向是局部最优下降方向，也明确了梯度下降的局限性，在高原区域、鞍点、局部最优解等场景下，算法容易出现梯度停滞、收敛失效的问题。同时，我梳理出标准化的误差诊断流程，通过对比模型在训练集和测试集的误差差异，能够快速判断模型存在欠拟合、过拟合问题，并匹配对应的优化解决方案，形成了完整的问题排查与优化思路。5. 整合理论公式、底层原理与实践应用，夯实机器学习的数学基础，养成规范的算法学习与模型优化思维，切实补齐机器学习的数学与算法基础，夯实自身的算法理解与建模能力。

2026-05-31 20:20:51 387

原创 Week 1：机器学习入门与核心框架

人工智能是让机器模拟人类智能的宽泛目标，机器学习是实现人工智能的主流技术路径，而深度学习是机器学习的一个分支，它通过多层神经网络自动学习数据特征，是目前解决复杂任务最有效的方法。1.明确了人工智能、机器学习、深度学习的层级关系，建立了机器学习的整体认知框架，理解了三者 “目标 - 方法 - 分支” 的包含关系。理解了早期基于人工规则的 AI ，与基于数据学习的机器学习的本质差异，以及深度学习作为非线性模型的发展背景。4.梳理了机器学习的常见任务分类，能区分回归、分类、结构化学习的输出形式与典型应用场景。

2026-05-24 21:30:53 55

2401_88039874的博客