- 博客(15)
- 收藏
- 关注
RSS订阅原创 YOLO-V3：更智能的目标检测革新
YOLO-V3通过多尺度特征融合、优化的先验框设计以及灵活的分类策略，显著提升了目标检测的精度与鲁棒性。特征融合：深层特征（捕捉全局信息）与浅层特征（保留细节）相结合，使模型既能识别整体轮廓，又能抓取局部特征。针对性设计：例如，52×52的小尺度特征图匹配(10×13)、(16×30)等小框，专注检测微小目标。三层特征图：通过13×13、26×26、52×52三种不同尺度的特征图，分别检测大、中、小物体。全卷积架构：摒弃池化与全连接层，仅用卷积操作实现下采样（通过步长为2的卷积），保留更多空间信息。
2025-03-13 17:19:53
336
原创 学习 感悟
PyTorch提供了强大的数据处理工具，如`Dataset`和`DataLoader`，使得数据的加载和预处理更加高效和灵活。Bagging（如随机森林）和Boosting（如AdaBoost）是两种主要的集成方法，它们分别通过并行训练和加权训练来提高模型的泛化能力。- `torchvision.transforms`模块提供了丰富的图像预处理方法，如缩放、裁剪、旋转等，这些操作可以方便地通过`Compose`进行组合，类似于神经网络的层结构。- 线性回归是机器学习中最基础的模型之一，用于预测连续值。
2025-03-10 19:33:40
275
原创 使用PyTorch构建和训练神经网络：手写数字识别实例
输入层接收28x28的图像数据，经过两个隐藏层后，输出层使用Softmax函数生成10个类别的概率分布。我们通过多个epoch来迭代训练模型，并在每个epoch结束后在测试集上评估模型的性能。训练过程中，我们记录了训练和测试的损失及准确率，以便后续分析。通过这个实例，我们不仅学会了如何使用PyTorch构建和训练神经网络，还对手写数字识别任务有了更深入的理解。最后，我们可以通过绘制损失和准确率曲线来可视化模型的训练过程。这有助于我们了解模型的学习效果，并判断是否存在过拟合或欠拟合的问题。
2025-03-06 15:40:37
428
原创 集成算法指南：从理论到代码实践
*集成算法**就是这个思想：**综合多个模型的判断，得到比单个模型更准确的结果**。- **核心思想**：将不同模型（如SVM、随机森林、神经网络）的预测结果作为输入，再训练一个“元模型”进行最终预测。- **代表算法**：AdaBoost（如：第一次分类错误的样本，第二次训练时权重增加）。- **核心思想**：从弱模型开始，逐步调整数据权重，让后续模型更关注之前分错的样本。- **核心思想**：训练多个同类模型，各自独立学习，最终投票或取平均。- **优势**：灵活性高，适合复杂任务。
2025-03-05 17:41:38
886
原创 轻量化卷积神经网络：全局平均池化与高效训练
本文基于PyTorch构建了一个轻量化CNN模型，结合全局平均池化与参数优化策略，在减少计算量的同时保持了较高的分类性能。全局平均池化与轻量化设计显著提升了模型的参数效率，结合适当的优化策略，可在少量计算资源下实现快速训练。与传统CNN不同，此处采用**全局平均池化层**将每个通道的特征图直接降维至1x1，替代传统的全连接层，大幅减少参数量。最终通过全连接层输出10维分类结果。2. **第二层**：36个5x5卷积核进一步抽象特征，输出12x12x36，再次池化后得到6x6x36的特征图。
2025-03-04 16:32:51
402
原创 深度学习实战：构建卷积神经网络进行图像分类
尽管未涉及具体代码，但理解这些原理后，读者可快速迁移到其他框架（如TensorFlow）或更复杂的任务中。通过定期输出损失值（如每2000个批次），可以实时监控模型的学习状态，及时调整超参数。本文将以一个实际的图像分类任务为例，解析如何从零开始构建并训练一个高效的CNN模型，同时探讨设计中的关键技术与优化思路。为避免维度计算错误，需精确对齐卷积输出的尺寸与全连接层的输入维度——这是保证模型正常运行的关键细节。1. 初级特征提取：第一层卷积使用较大的5×5卷积核，捕捉图像中的边缘、纹理等基础特征。
2025-03-03 20:21:55
863
原创 图像分类技术及其应用
图像分类是计算机视觉领域中的一个重要任务，旨在将不同的图像划分到不同的类别标签中，以实现最小的分类误差。通过理解图像分类的不同层次、评估指标以及解决样本量不足的方法，我们可以更好地设计和优化图像分类模型，从而提高其在实际应用中的性能。1. 通用的多类别图像分类：这是最常见的图像分类任务，目标是将图像划分到多个预定义的类别中。- 网络的深度：网络的深度指的是模型中卷积层和全连接层的数量。曲线与坐标轴围成的面积越大，模型的性能越好。- 网络的宽度：网络的宽度指的是每个网络层的通道数。
2025-03-03 19:51:23
304
原创 神经网络工具箱与数据处理工具箱
nn.Module 和 nn.functional 作为构建网络的重要工具，在使用方式、参数管理和 dropout 操作等方面存在差异，用户需依据需求合理选用。构建模型的方法多样，继承 nn.Module 基类、使用 nn.Sequential 按层序构建，以及借助模型容器封装构建，为开发者提供了灵活选择。transforms 模块为 PIL Image 和 Tensor 对象提供了丰富的操作方法， Compose 函数方便将多个操作组合，实现复杂的数据预处理与增强。
2025-02-27 14:49:25
221
原创 PyTorch数据处理工具箱：高效数据加载与可视化
torchvision.transforms`提供了丰富的图像预处理操作，如缩放、裁剪、归一化等。此外，`ImageFolder`工具可以自动加载目录中的图像数据，特别适合处理分类任务。通过实现`__len__`和`__getitem__`方法，我们可以轻松地加载单个样本。而`DataLoader`则进一步扩展了这一功能，支持批量加载数据、多线程加速和数据打乱，极大地提高了数据加载的效率。通过`SummaryWriter`，我们可以记录损失值、图像数据等信息，并在浏览器中实时查看训练进度和模型表现。
2025-02-26 19:44:16
248
原创 从零开始安装PyTorch：一篇让深度学习触手可及的指南
查看显卡是否支持 CUDA：[NVIDIA CUDA 兼容列表](https://developer.nvidia.com/cuda-gpus)。确认 PyTorch 与 CUDA 版本匹配：参考 [PyTorch 官方版本对照表](https://pytorch.org/get-started/previous-versions/)。- 下载地址：[Miniconda 官网](https://docs.conda.io/en/latest/miniconda.html)。为什么需要虚拟环境**？
2025-02-26 19:39:29
580
原创 PyTorch神经网络工具箱：从基础到实战
二者区别明显，nn.Module写法是nn.Xxx，需先实例化传入参数，可与nn.Sequential结合，还能自动管理参数；nn.functional.xxx则需手动定义和传入weight、bias参数，且无法与nn.Sequential搭配，在dropout操作的状态转换上也不如nn.Module。比如定义一个包含全连接层和批归一化层的模型，就能清晰看到各层的参数设置。PyTorch神经网络工具箱功能强大，掌握这些基础知识和实战技巧，大家在深度学习的道路上就能迈出坚实的步伐，创造出更优秀的模型。
2025-02-25 17:07:13
273
原创 图像识别技术与卷积神经网络的发展
例如，在处理一张3600万像素的RGB图像时，使用100个神经元的单隐含层MLP会导致模型参数高达36亿个，这远远超过了实际需求。这种高参数量不仅增加了计算复杂度，还容易导致过拟合。这些网络架构的演变不仅提升了模型的性能，还为后续研究提供了宝贵的经验。未来，随着计算能力的提升和新算法的出现，卷积神经网络将继续在图像识别和其他领域发挥重要作用。LeNet-5由两个卷积层和三个全连接层组成，每个卷积层使用5×5的卷积核和sigmoid激活函数。卷积神经网络通过引入卷积层和池化层，有效地解决了全连接层的局限性。
2025-02-24 16:06:04
332
原创 探索图像识别技术：从全连接层到卷积神经网络的演进
以猫狗分类任务为例，用普通相机采集的RGB图片有3600万个像素，若使用含100个神经元单隐含层的MLP进行分类，模型参数多达36亿个，这不仅计算量巨大，还远超过实际样本数量，容易导致过拟合。AlexNet在2012年赢得ImageNet竞赛，它比LeNet更深更大，引入了丢弃法、ReLU激活函数和最大池化法，有效防止过拟合、减缓梯度消失，推动了计算机视觉从浅层网络向深层网络的转变。最大池化选取池化窗口内的最大值，平均池化则计算窗口内的平均值，它们都能在保留关键特征的同时减少数据量，降低计算复杂度。
2025-02-24 16:05:20
347
原创 走进图像识别技术：线性回归、Softmax回归与神经网络优化
梯度法应运而生，梯度代表函数值下降最快的方向，虽然它不能保证直接指向最小值，但沿着梯度方向前进，能最大程度减小函数值。它的输出层神经元数量依据类别数量确定，通过Softmax运算，把原始输出转化为符合概率分布的形式，即每个输出值非负且总和为1，代表预测为各类别的置信度。无论是线性回归的简单实用，还是Softmax回归在分类中的精准高效，以及神经网络优化算法的不断迭代，都为图像识别技术的进步奠定了坚实基础。希望大家通过这篇博客，对图像识别技术的算法原理有更清晰的认识，在相关领域探索中更上一层楼。
2025-02-19 16:35:37
197
原创 走进图像识别技术的奇妙世界：从理论到应用
我们先回顾下人类工业文明的演变历程，从18世纪末的机械化时代，到19世纪末的电气化时代，再到20世纪50年代中期的信息化时代，如今我们已迈入人工智能时代。在目标检测和分割、人脸合成、机器翻译、图像描述、自然语言文本合成等领域，深度学习也取得了令人瞩目的成绩，谷歌大脑团队的神经网络能识别猫、微软的ResNet在图像识别准确度上超越人类、alphaGo战胜围棋高手等，都是深度学习的经典案例。在科技飞速发展的今天，人工智能无疑是最耀眼的领域之一，而图像识别技术作为其中的关键一环，正深刻地改变着我们的生活。
2025-02-19 16:34:10
694
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