<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[DLearner的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/DLearner</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; DLearner]]></copyright><item><title><![CDATA[第J7周：对于ResNeXt-50算法的思考]]></title><link>https://blog.youkuaiyun.com/DLearner/article/details/145639455</link><guid>https://blog.youkuaiyun.com/DLearner/article/details/145639455</guid><author>DLearner</author><pubDate>Fri, 14 Feb 2025 18:17:55 +0800</pubDate><description><![CDATA[在深度学习框架（如TensorFlow/Keras）中，张量操作（如加法）要求输入张量的形状（shape）必须一致。如果形状不一致，通常会报错。时，快捷连接直接使用输入张量 x，而主路径的输出张量可能与输入张量的通道数不一致。这段代码定义了一个残差单元（Residual Block），是深度学习中常见的结构，通常用于构建残差网络（ResNet）。”语句时，通道数不一致的，为什么不会报错呢？通过这种方式，可以确保在任何情况下，快捷连接的通道数与主路径输出的通道数一致，从而避免潜在的错误。]]></description><category></category></item><item><title><![CDATA[第J6周：ResNeXt-50实战解析]]></title><link>https://blog.youkuaiyun.com/DLearner/article/details/145337648</link><guid>https://blog.youkuaiyun.com/DLearner/article/details/145337648</guid><author>DLearner</author><pubDate>Fri, 24 Jan 2025 11:10:46 +0800</pubDate><description><![CDATA[ResNeXt 是由何凯明团队在 2017 年提出的一种新型图像分类网络，是 ResNet 的升级版。其核心思想是引入了 cardinality（基数） 的概念，即通过增加转换集合的大小来提升网络性能，而不是单纯地增加网络深度或宽度。]]></description><category></category></item><item><title><![CDATA[第J5周：Dense+SE-Net实战]]></title><link>https://blog.youkuaiyun.com/DLearner/article/details/145208026</link><guid>https://blog.youkuaiyun.com/DLearner/article/details/145208026</guid><author>DLearner</author><pubDate>Fri, 17 Jan 2025 15:29:00 +0800</pubDate><description><![CDATA[此外，DenseNet的这种连接方式还减少了网络参数的数量，使得模型在保持高性能的同时，具有更高的计算效率和更小的内存占用，这对于实际应用中的模型部署具有重要意义。SE模块作为一种轻量级的注意力机制，其核心思想是通过学习通道间的权重关系，对特征图的通道进行加权，从而增强重要特征的表达，抑制不重要特征的影响。在DenseNet的每个DenseBlock之后添加SE模块，需要确保SE模块的输入和输出特征图的尺寸和通道数与DenseBlock相匹配，这涉及到对特征图尺寸和通道数的精确计算和调整。]]></description><category></category></item><item><title><![CDATA[第J4周：ResNet与DenseNet结合探索]]></title><link>https://blog.youkuaiyun.com/DLearner/article/details/144931288</link><guid>https://blog.youkuaiyun.com/DLearner/article/details/144931288</guid><author>DLearner</author><pubDate>Sat, 04 Jan 2025 17:08:44 +0800</pubDate><description><![CDATA[【代码】第J4周：ResNet与DenseNet结合探索。]]></description><category></category></item><item><title><![CDATA[第J3周：DenseNet 算法实战与解析]]></title><link>https://blog.youkuaiyun.com/DLearner/article/details/144911796</link><guid>https://blog.youkuaiyun.com/DLearner/article/details/144911796</guid><author>DLearner</author><pubDate>Fri, 03 Jan 2025 16:54:26 +0800</pubDate><description><![CDATA[DenseNet的核心思想： 在每一层，都从前N层接收特征图（feature maps），并将自己的输出作为后续N层的输入。这种连接方式使得每一层都可以直接访问前面所有层的特征，从而增强了特征传递，减少了参数数量。DenseNet由多个Dense Block组成，每个Dense Block内部包含多个卷积层，每个卷积层的输出会直接连接到后续所有层的输入。在每个Dense Block之后，通常会有一个Transition Layer，用于降低特征图的维度和空间大小，以便控制参数数量和计算复杂度。]]></description><category></category></item><item><title><![CDATA[第J2周：ResNet50V2 算法实战与解析]]></title><link>https://blog.youkuaiyun.com/DLearner/article/details/144752001</link><guid>https://blog.youkuaiyun.com/DLearner/article/details/144752001</guid><author>DLearner</author><pubDate>Thu, 26 Dec 2024 20:48:54 +0800</pubDate><description><![CDATA[ResNet50V2是何恺明等人在ResNet基础上提出的改进版本，主要改进点在于残差结构和激活函数的使用。ResNetV2结构与原始ResNet结构的主要差别在于，原始ResNet结构先进行卷积操作，然后进行BN和激活函数计算，最后执行加法操作后再进行ReLU计算；而ResNetV2结构则是先进行BN和激活函数计算后卷积，把加法操作后的ReLU计算放到了残差结构内部。v2：采用 “BN层 -> ReLU -> 卷积层” 的顺序（预激活设计）v1：采用 “卷积层 -> BN层 -> ReLU” 的顺序。]]></description><category></category></item><item><title><![CDATA[第J1周：ResNet-50算法实战与解析]]></title><link>https://blog.youkuaiyun.com/DLearner/article/details/144612615</link><guid>https://blog.youkuaiyun.com/DLearner/article/details/144612615</guid><author>DLearner</author><pubDate>Fri, 20 Dec 2024 17:14:53 +0800</pubDate><description><![CDATA[ResNet的核心思想是引入“残差学习”，即网络的每个层学习的是输入与输出之间的残差（差异），而不是直接学习输出。在Convolutional Block中，由于输入和输出的维度可能不同，因此需要一个额外的1x1卷积层来调整shortcut connection的维度，以便可以将输入添加到输出上。在残差块中，如果输入和输出的维度相同，输入可以直接通过捷径连接添加到输出上，即 F(x)+x 这种结构使得网络即使在增加深度时也能保持性能不会下降，解决了退化问题。]]></description><category></category></item><item><title><![CDATA[第P10周：Pytorch实现车牌识别]]></title><link>https://blog.youkuaiyun.com/DLearner/article/details/144455942</link><guid>https://blog.youkuaiyun.com/DLearner/article/details/144455942</guid><author>DLearner</author><pubDate>Fri, 13 Dec 2024 22:02:34 +0800</pubDate><description><![CDATA[【代码】第P10周：Pytorch实现车牌识别。]]></description><category></category></item><item><title><![CDATA[第P9周：YOLOv5-Backbone模块实现]]></title><link>https://blog.youkuaiyun.com/DLearner/article/details/144261883</link><guid>https://blog.youkuaiyun.com/DLearner/article/details/144261883</guid><author>DLearner</author><pubDate>Fri, 06 Dec 2024 11:19:09 +0800</pubDate><description><![CDATA[【代码】第P9周：YOLOv5-Backbone模块实现。]]></description><category></category></item><item><title><![CDATA[第P8周：YOLOv5-C3模块实现]]></title><link>https://blog.youkuaiyun.com/DLearner/article/details/143987276</link><guid>https://blog.youkuaiyun.com/DLearner/article/details/143987276</guid><author>DLearner</author><pubDate>Mon, 25 Nov 2024 09:54:03 +0800</pubDate><description><![CDATA[【代码】第P8周：YOLOv5-C3模块实现。]]></description><category></category></item><item><title><![CDATA[第P7周：马铃薯病害识别（VGG-16复现）]]></title><link>https://blog.youkuaiyun.com/DLearner/article/details/143979443</link><guid>https://blog.youkuaiyun.com/DLearner/article/details/143979443</guid><author>DLearner</author><pubDate>Fri, 22 Nov 2024 18:04:34 +0800</pubDate><description><![CDATA[是由牛津大学视觉几何组（Visual Geometry Group）提出的一种深度卷积神经网络架构，用于图像分类和对象识别任务。● 13个卷积层（Convolutional Layer），分别用blockX_convX表示；● 3个全连接层（Fully connected Layer），用classifier表示；在2014年被提出，是VGG系列中的一种。VGG-16之所以备受关注，是因为它在。图像识别竞赛中取得了很好的成绩，展示了其在大规模图像识别任务中的有效性。● 5个池化层（Pool layer）。]]></description><category></category></item><item><title><![CDATA[第P6周：VGG-16算法-Pytorch实现人脸识别]]></title><link>https://blog.youkuaiyun.com/DLearner/article/details/143571898</link><guid>https://blog.youkuaiyun.com/DLearner/article/details/143571898</guid><author>DLearner</author><pubDate>Fri, 15 Nov 2024 14:36:49 +0800</pubDate><description><![CDATA[是由牛津大学视觉几何组（Visual Geometry Group）提出的一种深度卷积神经网络架构，用于图像分类和对象识别任务。● 13个卷积层（Convolutional Layer），分别用blockX_convX表示；● 3个全连接层（Fully connected Layer），用classifier表示；在2014年被提出，是VGG系列中的一种。VGG-16之所以备受关注，是因为它在。图像识别竞赛中取得了很好的成绩，展示了其在大规模图像识别任务中的有效性。测试集准确率达到60%]]></description><category></category></item><item><title><![CDATA[第P5周：Pytorch实现运动鞋识别]]></title><link>https://blog.youkuaiyun.com/DLearner/article/details/143225915</link><guid>https://blog.youkuaiyun.com/DLearner/article/details/143225915</guid><author>DLearner</author><pubDate>Sat, 02 Nov 2024 15:48:09 +0800</pubDate><description><![CDATA[调整代码使测试集accuracy到达84%。调整代码使测试集accuracy到达86%。保存训练过程中的最佳模型权重。调整优化器为Adam。]]></description><category></category></item><item><title><![CDATA[第P4周：猴痘病识别]]></title><link>https://blog.youkuaiyun.com/DLearner/article/details/143433821</link><guid>https://blog.youkuaiyun.com/DLearner/article/details/143433821</guid><author>DLearner</author><pubDate>Fri, 01 Nov 2024 18:14:57 +0800</pubDate><description><![CDATA[卷积神经网络（CNN）是一种深度学习模型，广泛应用于图像识别、分类和分割等任务。]]></description><category></category></item><item><title><![CDATA[第P3周：Pytorch实现天气识别]]></title><link>https://blog.youkuaiyun.com/DLearner/article/details/142919066</link><guid>https://blog.youkuaiyun.com/DLearner/article/details/142919066</guid><author>DLearner</author><pubDate>Fri, 25 Oct 2024 13:30:28 +0800</pubDate><description><![CDATA[它允许你以小批次的方式迭代你的数据集，这对于训练神经网络和其他机器学习任务非常有用。层的行为与训练时不同，以反映模型在实际部署时的预期行为。这对于获得准确的性能指标至关重要。表示训练集大小，通过将总体数据长度的80%转换为整数得到；层则不会丢弃任何神经元，即它们会保持所有连接的激活状态。层，这意味着它们会计算并更新均值和方差的估计值；时，模型中的所有层都会知道模型处于训练模式。表示测试集大小，是总体数据长度减去训练集大小。库中的函数，对数据集中的图片进行预处理。文件夹下的文件夹名称，即数据集的分类。]]></description><category></category></item><item><title><![CDATA[第P2周：CIFAR10彩色图片识别]]></title><link>https://blog.youkuaiyun.com/DLearner/article/details/142877574</link><guid>https://blog.youkuaiyun.com/DLearner/article/details/142877574</guid><author>DLearner</author><pubDate>Mon, 14 Oct 2024 15:03:20 +0800</pubDate><description><![CDATA[特征数需要根据卷积层和池化层之后的输出特征图大小来确定。可以简化数据的批量处理，使得数据能够以批次的形式被神经网络处理，这是训练深度学习模型的标准做法。这个模型首先通过三个卷积层和池化层来提取图像的特征，然后将特征图展平，并通过两层全连接层进行分类。层的行为与训练时不同，以反映模型在实际部署时的预期行为。这对于获得准确的性能指标至关重要。层则不会丢弃任何神经元，即它们会保持所有连接的激活状态。开始时将数据随机打乱，这有助于模型学习时的泛化能力。时，模型中的所有层都会知道模型处于训练模式。]]></description><category></category></item><item><title><![CDATA[第P1周：Pytorch实现mnist手写数字识别]]></title><link>https://blog.youkuaiyun.com/DLearner/article/details/142630762</link><guid>https://blog.youkuaiyun.com/DLearner/article/details/142630762</guid><author>DLearner</author><pubDate>Sun, 29 Sep 2024 11:57:44 +0800</pubDate><description><![CDATA[将其转换为浮点数，这样就可以进行求和操作，得到正确预测的数量。最后，将正确预测的数量除以数据集的总大小，得到平均准确率。将其转换为浮点数，这样就可以进行求和操作，得到正确预测的数量。最后，将正确预测的数量除以数据集的总大小，得到平均准确率。首先通过两个卷积层和池化层来提取图像的特征，然后将特征图展平，并通过两层全连接层进行分类。计算的是预测类别是否与真实类别一致，结果是一个布尔类型的Tensor，当预测正确时为。计算的是预测类别是否与真实类别一致，结果是一个布尔类型的Tensor，当预测正确时为。]]></description><category></category></item></channel></rss>