<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[FanfanPyt的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/FanfanPyt</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; FanfanPyt]]></copyright><item><title><![CDATA[Python打卡训练营学习记录Day50]]></title><link>https://blog.youkuaiyun.com/FanfanPyt/article/details/148567777</link><guid>https://blog.youkuaiyun.com/FanfanPyt/article/details/148567777</guid><author>FanfanPyt</author><pubDate>Tue, 10 Jun 2025 20:41:33 +0800</pubDate><description><![CDATA[CBAM（卷积注意力模块）可以增强特征表达能力，将其应用于 VGG16 时，可以放置在每个卷积组之后。残差块结构为：3×3 卷积 → BatchNorm → ReLU → 3×3 卷积 → BatchNorm → 残差连接 → ReLU。初始卷积层：7×7 卷积，64 通道，步长 2，随后 BatchNorm 和 ReLU。阶段 2：解冻更多层，使用差异化学习率（底层小学习率，高层大学习率），微调中间层特征。阶段 3：解冻所有层，使用低学习率全局微调，进一步优化模型。VGG16+CBAM 微调策略。]]></description><category></category></item><item><title><![CDATA[Python打卡训练营学习记录Day49]]></title><link>https://blog.youkuaiyun.com/FanfanPyt/article/details/148544565</link><guid>https://blog.youkuaiyun.com/FanfanPyt/article/details/148544565</guid><author>FanfanPyt</author><pubDate>Mon, 09 Jun 2025 22:44:30 +0800</pubDate><description><![CDATA[尝试对今天的模型检查参数数目，并用tensorboard查看训练过程。]]></description><category></category></item><item><title><![CDATA[Python打卡训练营学习记录Day48]]></title><link>https://blog.youkuaiyun.com/FanfanPyt/article/details/148518694</link><guid>https://blog.youkuaiyun.com/FanfanPyt/article/details/148518694</guid><author>FanfanPyt</author><pubDate>Sun, 08 Jun 2025 21:15:56 +0800</pubDate><description><![CDATA[自己多借助ai举几个例子帮助自己理解即可。]]></description><category></category></item><item><title><![CDATA[Python打卡训练营学习记录Day47]]></title><link>https://blog.youkuaiyun.com/FanfanPyt/article/details/148500699</link><guid>https://blog.youkuaiyun.com/FanfanPyt/article/details/148500699</guid><author>FanfanPyt</author><pubDate>Sat, 07 Jun 2025 21:04:51 +0800</pubDate><description><![CDATA[展示了模型（厨师）在处理图像（食材）时关注的重点区域，帮助理解模型的决策依据。：就像在餐厅中，用热成像仪显示顾客对不同区域的关注度，颜色越亮表示关注度越高。：每个卷积层输出的特征图就像厨师在每一步处理后的食材状态，包含不同的特征信息。：类似于厨师在烹饪过程中不同的处理步骤，每一步都会提取不同的特征。昨天代码中注意力热图的部分顺移至今天。作业：对比不同卷积层热图可视化的结果。]]></description><category></category></item><item><title><![CDATA[Python打卡训练营学习记录Day46]]></title><link>https://blog.youkuaiyun.com/FanfanPyt/article/details/148483483</link><guid>https://blog.youkuaiyun.com/FanfanPyt/article/details/148483483</guid><author>FanfanPyt</author><pubDate>Fri, 06 Jun 2025 22:42:09 +0800</pubDate><description><![CDATA[一、CNN特征图可视化实现。二、通道注意力模块示例。]]></description><category></category></item><item><title><![CDATA[Python打卡训练营学习记录Day45]]></title><link>https://blog.youkuaiyun.com/FanfanPyt/article/details/148459698</link><guid>https://blog.youkuaiyun.com/FanfanPyt/article/details/148459698</guid><author>FanfanPyt</author><pubDate>Thu, 05 Jun 2025 22:01:11 +0800</pubDate><description><![CDATA[2016-2018 年新增了更多可视化功能，图像 / 音频可视化：可以直接看训练数据里的图片、听音频（比如在图像分类任务中，查看输入的图片是否正确）。你可以用它直观看到训练过程中的数据变化（比如损失值、准确率）、模型结构、数据分布等，不用盯着一堆枯燥的数字看，对新手非常友好。TensorBoard 的核心原理就是在训练过程中，把训练过程中的数据（比如损失、准确率、图片等）先记录到日志文件里，再通过工具把这些日志文件可视化成图表，这样就不用自己手动打印数据或者用其他工具画图。]]></description><category></category></item><item><title><![CDATA[Python打卡训练营学习记录Day44]]></title><link>https://blog.youkuaiyun.com/FanfanPyt/article/details/148436095</link><guid>https://blog.youkuaiyun.com/FanfanPyt/article/details/148436095</guid><author>FanfanPyt</author><pubDate>Wed, 04 Jun 2025 22:36:31 +0800</pubDate><description><![CDATA[作业尝试在cifar10对比如下其他的预训练模型观察差异尽可能和他人选择的不同尝试通过ctrl进入resnet的内部观察残差究竟是什么1.数据预处理2.定义ResNet50模型3.冻结/解冻模型层的函数。]]></description><category></category></item><item><title><![CDATA[Python打卡训练营学习记录Day43]]></title><link>https://blog.youkuaiyun.com/FanfanPyt/article/details/148389194</link><guid>https://blog.youkuaiyun.com/FanfanPyt/article/details/148389194</guid><author>FanfanPyt</author><pubDate>Tue, 03 Jun 2025 00:19:38 +0800</pubDate><description><![CDATA[作业：kaggle找到一个图像数据集，用cnn网络进行训练并且用grad-cam做可视化进阶：并拆分成多个文件从谷歌图片中拍摄的 10 种不同类别的动物图片。]]></description><category></category></item><item><title><![CDATA[Python打卡训练营学习记录Day42]]></title><link>https://blog.youkuaiyun.com/FanfanPyt/article/details/148370032</link><guid>https://blog.youkuaiyun.com/FanfanPyt/article/details/148370032</guid><author>FanfanPyt</author><pubDate>Sun, 01 Jun 2025 20:30:05 +0800</pubDate><description><![CDATA[DAY。]]></description><category></category></item><item><title><![CDATA[Python打卡训练营学习记录Day41]]></title><link>https://blog.youkuaiyun.com/FanfanPyt/article/details/148355563</link><guid>https://blog.youkuaiyun.com/FanfanPyt/article/details/148355563</guid><author>FanfanPyt</author><pubDate>Sat, 31 May 2025 20:42:59 +0800</pubDate><description><![CDATA[Flatten -> Dense (with Dropout，可选) -> Dense (Output)1. 输入 → 卷积层 → Batch归一化层（可选） → 池化层 → 激活函数 → 下一层。尝试手动修改下不同的调度器和CNN的结构，观察训练的差异。batch归一化：调整一个批次的分布，常用与图像数据。特征图：只有卷积操作输出的才叫特征图。调度器：直接修改基础学习率。卷积神经网络定义的写法。]]></description><category></category></item><item><title><![CDATA[Python打卡训练营学习记录Day40]]></title><link>https://blog.youkuaiyun.com/FanfanPyt/article/details/148345921</link><guid>https://blog.youkuaiyun.com/FanfanPyt/article/details/148345921</guid><author>FanfanPyt</author><pubDate>Fri, 30 May 2025 22:38:28 +0800</pubDate><description><![CDATA[仔细学习下测试和训练代码的逻辑，这是基础，这个代码框架后续会一直沿用，后续的重点慢慢就是转向模型定义阶段了。]]></description><category></category></item><item><title><![CDATA[Python打卡训练营学习记录Day38]]></title><link>https://blog.youkuaiyun.com/FanfanPyt/article/details/148318930</link><guid>https://blog.youkuaiyun.com/FanfanPyt/article/details/148318930</guid><author>FanfanPyt</author><pubDate>Thu, 29 May 2025 22:13:33 +0800</pubDate><description><![CDATA[【代码】Python打卡训练营学习记录Day38。]]></description><category></category></item><item><title><![CDATA[Python打卡训练营学习记录Day38]]></title><link>https://blog.youkuaiyun.com/FanfanPyt/article/details/148265817</link><guid>https://blog.youkuaiyun.com/FanfanPyt/article/details/148265817</guid><author>FanfanPyt</author><pubDate>Tue, 27 May 2025 23:51:23 +0800</pubDate><description><![CDATA[类的__getitem__和__len__本质是python的特殊方法）]]></description><category></category></item><item><title><![CDATA[【无标题】]]></title><link>https://blog.youkuaiyun.com/FanfanPyt/article/details/148240400</link><guid>https://blog.youkuaiyun.com/FanfanPyt/article/details/148240400</guid><author>FanfanPyt</author><pubDate>Mon, 26 May 2025 21:56:46 +0800</pubDate><description><![CDATA[过拟合就像是餐厅的厨师过于迎合某一群顾客的口味（训练集），导致其他顾客（测试集）对菜品不太满意。在训练模型时，如果验证集的性能在若干个训练周期内没有提升，就提前停止训练，避免模型在训练集上过拟合，同时节省训练资源。：但新顾客（测试集）可能对这些过于迎合常客口味的菜品不太满意，所以新顾客满意度（测试集指标）没有同步提高甚至下降。如果连续几次顾客对菜品的满意度没有提升，甚至有所下降，厨师就会停止进一步调整这道菜品，转而尝试其他改进方法。就像不仅保存了厨师的烹饪手法和调料配方，还记录了菜品的详细制作步骤和菜谱。]]></description><category></category></item><item><title><![CDATA[Python打卡训练营学习记录Day36]]></title><link>https://blog.youkuaiyun.com/FanfanPyt/article/details/148215592</link><guid>https://blog.youkuaiyun.com/FanfanPyt/article/details/148215592</guid><author>FanfanPyt</author><pubDate>Sun, 25 May 2025 22:59:11 +0800</pubDate><description><![CDATA[仔细回顾一下神经网络到目前的内容，没跟上进度的同学补一下进度。]]></description><category></category></item><item><title><![CDATA[Python打卡训练营学习记录Day35]]></title><link>https://blog.youkuaiyun.com/FanfanPyt/article/details/148196513</link><guid>https://blog.youkuaiyun.com/FanfanPyt/article/details/148196513</guid><author>FanfanPyt</author><pubDate>Sat, 24 May 2025 21:47:35 +0800</pubDate><description><![CDATA[作业：调整模型定义时的超参数，对比下效果。]]></description><category></category></item><item><title><![CDATA[Python打卡训练营学习记录Day34]]></title><link>https://blog.youkuaiyun.com/FanfanPyt/article/details/148177853</link><guid>https://blog.youkuaiyun.com/FanfanPyt/article/details/148177853</guid><author>FanfanPyt</author><pubDate>Fri, 23 May 2025 23:37:04 +0800</pubDate><description><![CDATA[上述是在cpu的情况下训练，（即使安装了cuda，但是没有使用cuda），我们借这个机会简单介绍下cpu的性能差异。# 这是Windows专用的库，Linux和MacOS不支持，其他系统自行询问大模型# 我想查看一下CPU的型号和核心数import wmiprint(f"CPU 型号: {processor.Name}")print(f"核心数: {processor.NumberOfCores}")]]></description><category></category></item><item><title><![CDATA[Python打卡训练营学习记录Day33]]></title><link>https://blog.youkuaiyun.com/FanfanPyt/article/details/148152392</link><guid>https://blog.youkuaiyun.com/FanfanPyt/article/details/148152392</guid><author>FanfanPyt</author><pubDate>Fri, 23 May 2025 02:58:21 +0800</pubDate><description><![CDATA[定义一个简单的全连接神经网络模型，包含一个输入层、一个隐藏层和一个输出层。定义层数+定义前向传播顺序class MLP(nn.Module): # 定义一个多层感知机（MLP）模型，继承父类nn.Moduledef __init__(self): # 初始化函数super(MLP, self).__init__() # 调用父类的初始化函数# 前三行是八股文，后面的是自定义的self.fc1 = nn.Linear(4, 10) # 输入层到隐藏层。]]></description><category></category></item><item><title><![CDATA[Python打卡训练营学习记录Day32]]></title><link>https://blog.youkuaiyun.com/FanfanPyt/article/details/148125652</link><guid>https://blog.youkuaiyun.com/FanfanPyt/article/details/148125652</guid><author>FanfanPyt</author><pubDate>Wed, 21 May 2025 22:33:14 +0800</pubDate><description><![CDATA[作业：参考pdpbox官方文档中的其他类，绘制相应的图，任选即可。2.官方文档的阅读和使用：要求安装的包和文档为同一个版本。1.官方文档的检索方式：github和官网。4.绘图的理解：对底层库的调用。普通方法所需要的参数。]]></description><category></category></item><item><title><![CDATA[Python打卡训练营学习记录Day31]]></title><link>https://blog.youkuaiyun.com/FanfanPyt/article/details/148099821</link><guid>https://blog.youkuaiyun.com/FanfanPyt/article/details/148099821</guid><author>FanfanPyt</author><pubDate>Tue, 20 May 2025 22:15:15 +0800</pubDate><description><![CDATA[尝试针对之前的心脏病项目ipynb，将他按照今天的示例项目整理成规范的形式，思考下哪些部分可以未来复用。]]></description><category></category></item></channel></rss>