- 博客(45)
- 收藏
- 关注
RSS订阅原创 YOLO-V5
该文件聚焦于 YOLOv5 模型的整体架构设计，是模型的 “骨架” 定义。检测头（Detect 类）：实现模型的输出层，负责将多尺度特征图转换为检测结果（边界框坐标、置信度、类别概率），通过网格坐标和锚点机制计算目标的绝对位置。整体模型（Model 类）：通过解析 yaml 配置文件动态构建网络，整合骨干网络（backbone）和检测头（head），支持模型初始化、前向传播（含数据增强模式）、权重初始化、层融合（加速推理）等核心功能。模型解析（parse_model 函数）
2025-10-27 15:37:35
611
原创 YOLO-V5
YOLOv5 是由 Ultralytics 公司于 2020 年发布的单阶段目标检测算法，尽管名称中包含 “v5”，但它并非 YOLO 系列原作者 Joseph Redmon 团队的续作（原系列停留在 YOLOv3，YOLOv4 由其他团队提出）。YOLOv5 凭借 “速度快、精度高、易部署” 的特点，成为工业界和学术界广泛使用的目标检测工具，支持实时推理和跨平台部署。YOLOv5 网络分为。
2025-10-22 13:40:54
546
原创 YOLO-v4
YOLOv4 的核心价值在于 **“平衡与亲民”**：既通过 BOF 和 BOS 策略实现精度与速度的平衡，又通过单 GPU 训练降低落地门槛，同时覆盖数据、网络、损失函数等全链路优化，是目标检测领域 “实用性极强” 的模型。
2025-10-20 14:58:17
865
原创 YOLOv3 技术总结
YOLOv3 作为 YOLO 系列的重要版本，核心优势在于优化网络结构以提升小目标检测能力，同时平衡检测精度与速度，融合了多种经典技术方案。
2025-10-17 16:14:06
407
原创 YOLOv1 与 YOLOv2 核心技术总结
本总结围绕 YOLO 系列的前两个关键版本展开，系统梳理了 YOLOv1 的开创性设计与局限，以及 YOLOv2 针对痛点的优化方案，清晰呈现了从 “快速基础” 到 “更快更强” 的技术演进逻辑。
2025-10-16 15:25:13
433
原创 深度学习模型构建、训练与集成
这些技术覆盖了深度学习从 “数据处理→模型设计→训练优化→集成提升” 的全流程，体现了现代深度学习任务的核心实践思路。），将模型与数据迁移到 GPU 上，利用硬件加速深度学习计算，提升训练与推理速度。自动判断是否存在 GPU（
2025-10-16 15:19:42
449
原创 PyTorch 中模型测试与全局平均池化的应用总结
在深度学习模型的训练与评估流程中，和 ** 网络结构优化（如全局平均池化的应用）** 是关键环节。
2025-09-28 10:44:52
393
原创 深度学习图像训练
_init__该代码是 PyTorch 计算机视觉任务的 “入门模板”，涵盖了数据处理标准化、CNN 模型设计、梯度下降训练、泛化能力验证的全流程，核心逻辑可迁移到其他图像分类任务（如 MNIST、Fashion-MNIST）。理解代码中的每个知识点 —— 从transforms的预处理逻辑，到forward的特征流动，再到backward的梯度传播 —— 是掌握深度学习与计算机视觉的关键基础，也是后续学习更复杂模型（如 ResNet、YOLO）的重要铺垫。
2025-09-26 15:39:48
642
原创 深度学习视角下的图像分类技术体系总结
图像分类的本质是让计算机 “看懂” 图像内容，并根据预设类别完成归类，核心诉求是降低分类误差。随着应用场景对分类精度要求的提升，图像分类任务逐渐形成了从基础到高阶的三层境界，不同境界对应不同的任务难度与特征提取需求。混淆矩阵是所有评估指标的计算依据，其核心是通过 “真实类别” 与 “预测类别” 的交叉计数，展示模型分类结果的准确性。TP（True Positive，真正例）：将正类样本正确预测为正类的数量（如将 “患病样本” 正确判为 “患病”）；FP（False Positive，假正例）
2025-09-25 15:12:43
717
原创 PyTorch 神经网络工具箱核心内容
为适配复杂任务（如图像分类中的深层网络梯度消失问题），文档介绍了 “自定义网络模块” 的方法，以残差块（Residual Block）和 ResNet18 为例，展示了从基础模块到经典网络的构建过程。
2025-09-23 15:54:27
1724
原创 pytorch神经网络工具箱
1nn.Xxx继承于nn.Module,nn.Xxx需要先实例化并传入数据，然后以调用函数的方式调用实例化的对象并传入输入数据，可以与nn.Sequential结合使用，而nn.functional.xxx无法与nn.Sequential结合使用。3dropout操作在训练和测试阶段是有区别的，使用nn.Xxx方式定义dropout，调用model.eval()后自动实现状态的转换，使用nn.functional.xxx则没有这个功能。损失函数：参加学习的目标函数，通过最小化损失函数来学习各种参数。
2025-09-22 14:07:21
332
原创 卷积神经网络（CNN）核心知识总结
奠定基础，首次实现 “卷积 - 池化 - 全连接” 的架构，解决手写数字识别问题；：突破瓶颈，通过 “更大规模、ReLU、丢弃法” 实现范式转变，适配大规模彩色图像数据集（ImageNet）；VGG（2014）：深化架构，通过 “重复 VGG 块、小卷积核堆叠” 实现网络深度扩展，进一步提升特征提取能力。网络更深、特征提取更高效、参数利用更合理，为后续 ResNet（解决深层梯度消失）、GoogLeNet（引入 Inception 模块）等更先进架构奠定了基础，持续推动计算机视觉技术的突破。
2025-09-19 13:45:44
872
原创 多层感知机
通过 “感知机局限→MLP 结构→激活函数→训练优化” 的逻辑链，构建了多层感知机的完整知识框架。突破线性局限：通过 “隐藏层 + 激活函数”，首次实现对非线性数据的拟合，是从 “浅层学习” 迈向 “深度学习” 的关键一步；奠定深度学习基础：MLP 的 “层级结构”“前向 / 反向传播”“激活函数设计” 等核心思想，完全适用于后续复杂模型（如 CNN 的卷积层可视为特殊的隐藏层，Transformer 的注意力机制仍依赖反向传播优化）；明确模型优化逻辑。
2025-09-18 14:21:29
821
原创 线性回归和softmax回归
交叉熵原本是信息论中 “衡量两个概率分布差异” 的指标，其公式为 H(p,y)=−∑i=1kpilog(yi)。在 Softmax 回归中，由于真实标签是 one-hot 向量（仅第 c 类 pc=1，其余为 0），交叉熵损失可简化为 L=−log(yc)—— 即 “仅惩罚预测类别（c 类）的概率对数”：若模型预测正确类别概率高（如 yc=0.9），损失小（−log(0.9)≈0.1）；
2025-09-17 14:22:41
625
原创 深度学习基础
明确了 AI 的两个核心维度：从 “能力” 层面，是通过人工方法在计算机上实现的 “类人智能”，即机器具备感知、推理、学习等类似人类的认知能力；从 “学科” 层面，是研究模拟、延伸与扩展人类智能的理论、方法、技术及应用系统的技术科学，涵盖算法设计、模型构建、系统落地等全链条。同时特别指出，“计算器” 仅能执行预设逻辑，无自主学习能力，不属于人工智能范畴，帮助初学者厘清概念边界。
2025-09-16 14:11:52
663
原创 支持向量机（SVM）算法知识总结
若样本空间为二维（如平面上的点），超平面是一维直线；若样本空间为三维（如空间中的点），超平面是二维平面；推广到n 维样本空间，超平面是n-1 维子空间。超平面的数学表达式为：wTx+b=0其中，w 是超平面的法向量（决定超平面的方向），b 是偏置项（决定超平面在空间中的位置），x 是样本向量。约束条件：对于所有支持向量（距离超平面最近的样本），需满足 yi(wTΦ(Xi)+b)≥1。
2025-08-26 14:15:09
551
原创 朴素贝叶斯算法知识总结
朴素贝叶斯算法的优势在于计算高效、对小样本友好、可解释性强，尤其适合处理高维稀疏数据（如文本）；但局限性也较明显，其 “特征独立” 假设在现实场景中常不成立，可能导致分类偏差。在实际应用中，需根据特征数据类型（离散 / 连续 / 二值）选择合适的模型（多项式 / 高斯 / 伯努利），并通过拉普拉斯平滑（alpha 参数）解决 “零概率” 问题，进一步提升模型稳定性。
2025-08-26 14:01:20
374
原创 聚类算法与集成算法总结
k 均值算法是无监督聚类的经典方法，通过距离度量和迭代优化实现样本分组，适用于探索数据内在结构；集成算法则是监督学习中提升模型性能的重要手段，通过 Bagging、Boosting、Stacking 等策略结合多个基模型，兼顾稳定性与准确性。两者分别在无监督与监督学习场景中发挥关键作用，且均有成熟的工具（如sklearn库）支持实现。
2025-08-21 15:18:53
524
原创 机器学习中的数据预处理
根据阈值将数据分为两类（0 或 1），适用于需要简化特征的场景。例如，将年龄以 30 为阈值二值化：年龄 > 30 为 1，否则为 0。将数据调整为统一规格（无量纲化），避免方差过大的特征主导模型，常用方法包括线性转换（中心化、缩放）和非线性转换。）等，可根据数据类型和业务需求选择适用工具。
2025-08-21 15:12:35
365
原创 决策树算法总结
决策树以其直观易懂、可解释性强的特点，成为机器学习中的基础模型。ID3、C4.5、CART 三大算法分别通过信息增益、信息增益率、基尼指数解决属性选择问题；连续值离散化和剪枝策略则进一步提升了模型的适用性和泛化能力。在实际应用中，需根据数据特点选择合适的算法和参数，以构建高效、稳健的决策树模型。
2025-08-19 18:39:55
721
原创 机械学习决策树
计算出每个特征列的熵值再和标签列的进行比较，减少的差值最大的为第一个节点进行选择。而后续的节点选择按照差值进行比较由大到小。决策树：从根节点开始一步步走到叶子节点（决策）所有的数据最终都会落到叶子节点，既可以做分类也可以做回归。是要通过一种衡量标准，来计算通过不同特征进行分支选择后的分类情况，找出最好的那个当成根节点，以此类推。训练阶段：从给定的训练集构造出来一棵树（从根节点开始选择特征，如何进行特征切分）当p=0或p=1时，h（p）=0，随机变量完全没有不确定性。熵的不确定性越大，得到的熵值也就越大。
2025-08-18 14:25:22
502
原创 机器学习及sklearn库
分类、回归、聚类：如KNN、SVM、随机森林等算法。数据预处理：标准化（）、编码（模型评估：交叉验证（）、指标计算（工具链集成：与numpypandas无缝配合，支持流水线（Pipeline）操作。统一API设计（fitpredicttransform开源且文档完善，适合快速实现算法原型。本次使用anaconda进行，使用python也可以结果会有不同。sklearn内置了鸢尾花数据集（load_iris），可直接加载。
2025-08-15 14:06:41
363
原创 机器学习基础
机器学习可以处理某个特定的任务，以大量的经验为基础，对任务完成的好坏给与一定的评判标准。通过分析经验数据，使任务完成的更好。1.数据集：数据记录的一个集合。2.样本：数据集中每条记录是关于一个事件或对象的描述。3.特征属性：反应事情或对象在某方面的表现或性质。4.属性空间：属性张成的空间5.训练集：机器学习中勇于训练模型的数据集合。6.测试集：机器学习中勇于测试模型的数据集合7.监督学习：利用一组已知类别的样本调整分类器的参数，使其达到所要求的性能的过程。
2025-08-14 15:39:56
355
原创 数据分析基础
数据分析是指通过收集、清洗、处理和可视化数据，从中提取有价值的信息以支持决策的过程。数据分析广泛应用于金融、医疗、市场营销、科学研究等领域，能够帮助组织和个人更好地理解数据背后的模式和趋势。
2025-08-13 10:04:10
409
原创 爬虫与数据分析结合应用
使用爬虫技术从淘宝网上爬取美妆销售的数据，并使用python中的matplotlib,seaborn等库进行具体数据分析，包括销售额，每个品牌的总销售额，具体商品的销售额，男性专属的销售额。因代码禁止转发，文章中只显示一部分。
2025-08-12 16:56:03
198
原创 numpy
NumPy 是 Python 中用于科学计算的基础库，提供了高性能的多维数组对象ndarray以及大量数学运算函数。以下是一些核心函数及其用途和示例。
2025-08-06 14:14:50
164
原创 pandas
pandas 是一个开源的 Python 数据分析和操作库，广泛用于数据处理、清洗和分析任务。它提供了高性能、易用的数据结构和数据分析工具，特别适合处理结构化数据。pandas 的核心数据结构是DataFrame和Series，能够高效地处理表格数据和时间序列数据。
2025-08-06 14:12:22
240
原创 numpy
numpy提供基础的数学运算函数，如sincosexplog等。这些函数支持向量化操作，能够直接作用于数组。等函数支持逐元素运算。广播机制允许不同形状的数组进行运算。
2025-08-04 16:07:33
177
原创 数据解析neautifulsoup
beautifulsoup提供一些简单的、[ython式的函数来处理导航。自动将输入文档转换为unicode编码，输出文档转换为utf-8编码，为用户灵活的提供不同的解析策略或强劲的。通过解析文档为用户提供需要抓取的数据。bs4通过基本元素来提取元素内容。
2025-07-30 13:01:13
371
原创 mysql数据库基础
(4) 计算对象不同，HAVINC是用于组的计算，WHERE则计算指定字段的每条记(5)总结：表里没有这个字段的时候（你自造的字段)必需用HAVING。(3)作用对象不同，WHERE只作用于表，而HAVING作用于GROUD RY子句的分结果，如果不存在GROUP BY子句，则作用于WHERE子句的搜索结果，如果WHER 子句也不存在，则直接作用于表。3若有group by子句，则对应2中生成的结果表按指定字段进行分组，生成一份新的结果表。ps:select后面的字段，必须是group by后出现的字段。
2025-07-25 16:02:03
218
原创 MYSQL数据库基础
是一种非关系型数据库，繁殖非关系型的数据库。nosql数据库的出现是为了解决大规模数据集和高并发访问的需求。使用表格来存储数据，并通过SQL或者其他特定于系统的数据库查询语言来管理这些数据。按照数据结构来组织、存储和管理数据的仓库。NoSQL数据库通常包括以下几种类型。是一种操纵和管理数据库的大型软件。常见的rdbms数据库。
2025-07-25 15:47:46
123
原创 静态网页爬取模块
可以定义网页节点为id class或其他属性，节点之间的层次关系在网页中用开发者工具通过xpath css选择器来定位一个或者多个节点。用xpath css选择器来提取某个节点在进行调用，即可提取想要的内容。lxml是一种简单且效率高的第三方网页解析库。可以在xml文档中查找信息的语言。使用lxml可以完成以下任务。python提供了多种解析库，常用的如下。1requests库高级用法。3起点中文网原创风云榜爬取。2酷狗音乐华语新歌榜爬取。2xpath的基本用法。
2025-07-23 18:35:08
207
原创 javascript开发基础
number数值型 string字串符 object对象性 function函数型 boolean逻辑型 undefined表示未定义。javascript与java没有任何关系，只是名字都带有java。<script>标签中写的内容就是javascript语言。根据<script>位置的不同，执行顺序也不同。<script>标签的src属性。javascript的语言特点。javascript的历史。1.基于对象的编程语言。3.解释执行的脚本语言。
2025-07-22 15:10:55
108
原创 HTML开发基础
html文件的标题html文件的主体内容开始。</head>html文件的头部结束。段落标记 <br>换行标记。</html>html文件结束。<html>html文件开始。基本语<p>...
2025-07-21 14:56:04
244
原创 HTML的简单介绍
HTML（HyperText Markup Language）是一种用于创建网页的标准标记语言。它通过标签（tags）定义网页的结构和内容，如文本、图像、链接等。HTML 文档由浏览器解析并渲染为用户可见的网页。
2025-07-18 14:05:59
482
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