- 博客(6)
- 收藏
- 关注
原创 Unet的改进网络及应用场景举例
利用 ViT 的自注意力机制,能有效捕捉图像中的全局语义信息(如器官的整体形态),同时通过 U-Net 的解码器保留细节信息(如病变的边缘纹理)简单来说就是结合 CNN 的局部细节建模能力与 Transformer 的全局长距离依赖捕捉能力,解决传统 U-Net 对大尺度图像全局信息建模不足的问题。结合 Transformer 的全局建模能力与 U-Net 的多尺度特征表达能力,解决了传统 U-Net 对长距离依赖建模不足的问题,在大尺度医学图像(如胸部 CT)分割中表现出色。
2025-11-18 17:02:19
1162
原创 深度学习知识总结
深度学习是机器学习的一个分支,通过构建多层神经网络(深度神经网络)来学习数据的多层次特征表示,实现从原始数据到高级语义的自动提取,适用于图像、文本、语音等复杂数据的分析与处理。深度学习是机器学习的一个分支,通过构建多层神经网络(深度神经网络)来学习数据的多层次特征表示,实现从原始数据到高级语义的自动提取,适用于图像、文本、语音等复杂数据的分析与处理。
2025-10-24 15:24:45
852
原创 RNN实现情感分类
RNN(循环神经网络)在情感分析中是一种常用的深度学习方法,尤其适用于处理文本这类序列数据(如句子、评论等),核心是通过捕捉文本中的上下文依赖关系,判断文本所蕴含的情感倾向(如积极、消极、中性,或更细分的情感强度)。RNN 用于情感分析的优势文本是典型的序列数据(单词按顺序排列),每个单词的含义依赖于上下文(如 “这个东西不错,但价格太贵了” 中,“不错” 的积极含义被 “但” 后的内容转折)。RNN 的循环结构使其能够记住历史信息。
2025-10-23 10:57:49
661
原创 有关“加载预训练词向量”模块的代码和关键步骤
存储:优先用.txt.csv处理简单文本,用.json处理带额外信息的文本,用.pickle.hdf5处理大规模预处理后的文本。表示:从 One-Hot 的高维稀疏,转向词嵌入 / 句子嵌入的低维稠密,后者是当前深度学习处理文本的主流方式。词汇表(vocab:建立 “单词→索引” 的映射,方便模型将文本转为数字序列。词嵌入(embeddings:存储每个单词的 100 维向量,模型通过 “索引→向量” 获取单词的数值表示。特殊符号:添加<unk>(处理未见过的单词)和<pad>
2025-10-17 17:03:39
648
原创 决策树基础知识详解
决策树(Decision Tree)是一种,它通过构建一棵树状结构,对数据进行一系列的 “如果… 那么…” 判断,最终输出分类结果或回归预测值。其核心优势在于,是理解更复杂集成模型(如随机森林、梯度提升树)的基石。
2025-09-25 11:05:44
952
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
RSS订阅