- 博客(78)
- 收藏
- 关注
RSS订阅原创 深度学习【三】卷积神经网络CNN
本文介绍了卷积神经网络(CNN)的基本原理和应用，重点讲解了CNN的核心组件（卷积层、池化层、全连接层）及其工作原理。然后实现了基于CNN花朵识别的项目和讲解，列举了多种模型。
2026-02-10 20:52:02
779
原创 PyTorch【二】神经网络构建
本文介绍了PyTorch中神经网络搭建的核心内容。首先讲解了动态计算图的概念和关键API，包括梯度跟踪和自动求导机制。然后详细介绍了nn.Module的使用方法，展示了两种构建神经网络的方式：快速原型(nn.Sequential)和继承nn.Module类。接着通过温度转换器的实例，演示了完整的训练循环实现过程，包括损失函数、优化器和学习率设置。
2026-02-10 13:52:39
504
原创 课程实战【二】图像处理
本文介绍了图像分类与高阶应用的深度学习实现。在图像分类部分，展示了数据增广技术（随机翻转、旋转等）以及VGG-16在CIFAR-10数据集上的分类实践。在高阶应用部分，详细阐述了图像超分辨率技术（EDSR、WDSR和SRGAN模型）、颜色识别LSTM网络以及基于注意力机制的图像描述生成方法。所有实验均提供TensorFlow和PyTorch双框架实现，涵盖从数据处理、模型构建到训练评估的完整流程。代码和预训练模型将通过网盘公开，便于复现实验结果。
2026-02-07 12:04:01
560
原创 深度学习【二】神经网络的学习过程
本文介绍了神经网络的基本原理和训练方法。神经网络通过从数据中自动学习最优权重参数来实现预测功能，无需人工设置特征量。重点讨论了损失函数（如均方误差和交叉熵误差）的作用，以及如何通过数值微分和梯度下降法优化参数。文中详细说明了随机梯度下降(SGD)的训练流程，包括前向传播、损失计算、反向传播和参数更新。此外，还提供了完整的代码实现，包括神经网络模型定义、训练脚本和预测脚本，展示了手写数字识别的具体应用。训练过程中会记录损失和准确率变化，并通过可视化评估模型性能。最终训练好的模型参数可以保存供后续使用。
2026-01-25 14:10:59
1280
原创 课程实战【一】监督学习
本文为第二章监督学习进行数据分类与回归相关实验部分的内容，第一章为相关环境配置说明，就不再赘述。文章将在线资源转换为静态离线资源加载。后续第四第五章过程中无法使用TensorFlow进行GPU加速，前面的学习过程中将在讲解完成后使用Pytorch框架进行重构。文章相关代码绑定文章已上传。
2026-01-24 11:42:36
991
原创 AJAX 基础学习笔记
本文介绍了AJAX技术的基本概念和使用方法。AJAX是一种异步通信技术，通过XMLHttpRequest或fetch API实现不刷新页面更新网页内容。重点讲解了axios库的使用方式，包括URL组成、查询参数传递、请求方法（GET/POST/PUT/DELETE/PATCH）以及错误处理。通过多个实际案例演示了如何获取省份、城市数据，以及表单提交等常见操作。还介绍了接口文档的作用和form-serialize插件的使用。文章内容实用，包含完整代码示例，适合前端开发者学习AJAX基础应用。
2026-01-23 12:05:56
363
原创 深度学习【一】神经网络
本文介绍了人工神经网络的基本原理及其在手写数字识别中的应用。主要内容包括： 神经网络基础：模仿生物神经元结构，通过输入层、隐藏层和输出层构建计算模型，利用激活函数引入非线性特性。 常用激活函数：详细分析了Sigmoid、Tanh、ReLU和Softmax等激活函数的特点及适用场景，并提供了Python实现代码。
2026-01-23 08:11:52
1216
原创 机器学习【六】readom forest
随机森林通过集成多棵差异化的决策树（每棵树仅使用随机数据和特征子集），降低模型方差，提升预测稳定性。其核心优势在于：抗过拟合能力强（Bagging+特征随机性）；自动处理缺失值、类别特征及高维数据；内置OOB误差评估（免交叉验证）和特征重要性分析。数学本质是降低树间相关性ρ以逼近方差为0的理想状态。
2025-08-04 23:54:34
855
原创 NLP概述
自然语言处理（NLP）是人工智能的重要分支，旨在让计算机理解、处理和生成人类语言。其发展经历了规则方法、统计学习和深度学习三个阶段。本文介绍了NLP的基本概念、应用场景（如机器翻译、情感分析等）以及文本表示方法的演变：从简单的One-Hot编码、考虑词频权重的TF-IDF，到捕捉词序的N-gram模型，再到能够表达语义关系的分布式表示（如Word2Vec）。最后列举了PyTorch、HuggingFace等常用工具框架。这些技术共同构成了现代NLP系统的基础。
2025-08-04 14:25:25
1169
原创 Spring 学习笔记
本文系统介绍了Spring和SpringBoot框架的核心概念与应用。首先阐述了框架的定义与价值，通过建筑类比说明框架能提高开发效率；其次详细解析了Spring框架的IoC容器、AOP等核心机制，以及从XML配置到注解驱动的演进过程；然后重点讲解了SpringBoot的自动配置特性；最后深入探讨了AOP的实现原理，包括静态代理、JDK动态代理和CGLIB代理三种模式的对比。全文通过丰富代码示例展示了Spring技术的实际应用，为Java开发者提供了从基础到进阶的系统学习路径，帮助理解现代企业级应用开发的核心
2025-08-04 00:02:05
971
原创 机器学习【五】decision_making tree
决策树是一种通过树形结构进行数据分类或回归的直观算法，其核心是通过层级决策路径模拟规则推理。主要算法包括：ID3算法基于信息熵和信息增益选择划分属性；C4.5算法改进ID3，引入增益率和剪枝技术解决多值特征偏差；CART算法采用二叉树结构，支持分类（基尼系数）与回归（方差）任务。信用卡欺诈检测案例实践展示了全流程应用：通过SMOTE处理样本不平衡，转换时间特征及标准化数值完成数据预处理；利用网格搜索优化模型参数，可视化特征重要性与树结构；设置动态阈值平衡误报与漏报率，最终部署为实时检测系统并定期更新模型。
2025-08-02 19:54:51
755
原创 机器学习【四】Bayes
核心公式后验概率 = (似然 × 先验) / 证据👉 例：高烧似流感(似然90%)，但流感基础概率仅0.1%，实际患病概率仅1.77%朴素贝叶斯精髓⚡️ 强假设：特征相互独立（虽简化却高效）⚡️ 分类公式：预测类别 = argmax[ 类别先验 × Π(特征概率) ]⚡️ 连续特征：用高斯分布计算概率密度平滑救星🔥 拉普拉斯平滑：新概率 = (出现次数 + 1) / (总样本数 + 特征类型数)消除零概率炸弹，如"Viagra"
2025-08-02 00:34:03
727
原创 机器学习【三】SVM
本文系统介绍了支持向量机(SVM)的理论与实践。理论部分首先区分了线性可分与不可分问题，阐述了SVM通过寻找最优超平面实现分类的核心思想，包括支持向量、间隔最大化等关键概念。详细讲解了硬间隔与软间隔SVM的数学原理，以及核函数(线性核、多项式核、RBF核)在非线性问题中的应用。实践部分通过Python代码演示了SVM在不同场景下的应用：线性可分数据分类、参数C的调节效果、非线性数据分类中核函数的选择比较，并以信用卡欺诈检测为例，展示了网格搜索调参和模型评估的完整流程。最后总结了SVM在小样本、高维数据中的优
2025-08-01 08:53:51
800
原创 机器学习【二】KNN
KNN算法是一种基于实例的惰性学习算法，其核心思想是通过"多数投票"机制进行分类决策。算法流程包括数据准备（需归一化处理）、距离计算（常用欧氏距离）、选择K值（通过交叉验证确定）和决策规则（分类用投票，回归取平均）。KNN具有简单直观、无需训练等优点，但也存在预测速度慢、高维效果差等缺点。实际应用中需注意K值选择、样本不平衡等问题，可通过距离加权、自适应K值等方法优化。文中以鸢尾花分类为例展示了KNN的实现过程，并通过可视化展示了不同K值对决策边界的影响。
2025-07-31 01:02:16
1244
1
原创 机器学习【一】线性模型
本文系统介绍了机器学习中的线性模型及其应用。主要内容包括：1）线性回归的基本原理、数学表达式和优化方法；2）分类与回归任务的区别；3）正则化方法（L1/LASSO回归和L2/岭回归）的理论与实现；4）逻辑回归的原理及其在分类问题中的应用；5）多项式回归的非线性扩展。通过Python代码示例展示了各模型的实际应用，包括加利福尼亚房价预测案例，比较了不同模型的性能表现。文章强调线性模型在机器学习中的基础性地位，以及正则化在防止过拟合和特征选择中的重要作用。
2025-07-30 00:56:30
1100
原创 PyTorch【一】数据类型和使用
PyTorch学习笔记：Tensor数据类型与FashionMNIST图像分类实践 摘要： 本文系统介绍了PyTorch的核心数据类型Tensor及其应用。Tensor作为多维矩阵数据容器，支持0-4维数据结构（标量到批量图像），并提供了多种数值类型（float32/int64等）。通过积木类比阐述了Tensor的维度概念，展示了创建、变形、随机生成等基础操作。重点演示了FashionMNIST数据集分类任务实战：构建包含两个全连接层的神经网络(QYNN)，使用交叉熵损失和SGD优化器进行训练。
2025-07-29 18:01:34
1066
原创 Vue 框架 学习笔记
本文总结了Vue框架的核心知识点，包括：1. 基础概念：渐进式框架、两种使用方式、Vue实例创建流程、模板语法和响应式特性。2. 常用指令：详细介绍了v-html、v-show/v-if、v-for、v-on、v-bind、v-model等10个指令的功能和用法。3. 组件开发：组件结构、注册方式（全局/局部）、数据传递（Props）、组件通信（自定义事件/插槽）、生命周期钩子和动态组件。4. 进阶特性：计算属性、侦听器、依赖注入和异步组件。5. 工程化应用：项目结构、应用实例创建和公共资源管理。文
2025-07-27 15:02:28
1085
原创 绘图库 Matplotlib Search
本文简单介绍绘图库、图形嵌套、刻度调整及图片保存等操作。对于Seaborn，则介绍了其高级封装特性，详细说明了各类图表（分布图、关系图、分类图、热力图等）的核心参数及适用场景，并提供了丰富的示例代码。通过学习，读者可以掌握使用这两个库进行数据分析可视化的基本技能，包括创建折线图、柱状图、散点图、饼图等常见图表，以及如何设置图表风格和调色板。
2025-07-25 19:56:02
1135
原创 动态规划学习
在进行算法题练习和一些题目中发现关于动态规划的内容较多，觉得有必要系统的学习和练习一下。于是参照bilbilUP主英雄哪里出来的动态规划50题和LeetKoke网站进行学习和练习
2025-02-02 16:56:13
1242
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人