- 博客(54)
- 资源 (2)
- 问答 (2)
- 收藏
- 关注
RSS订阅原创 G1学习打卡
GAN的核心思想GAN由**生成器（Generator）和判别器（Discriminator）**组成：生成器：输入随机噪声（如100维高斯分布），输出伪造图像（如28x28的MNIST手写数字）。判别器：输入真实图像或生成图像，输出一个概率值（0~1），判断图像是否为真。对抗过程：生成器试图欺骗判别器，判别器则努力识破生成器的伪造，两者在对抗中共同提升。关键实现细节(1) 模型架构生成器：使用全连接层逐步提升维度（100 → 128 → 256 → 512 → 1024 → 784）
2025-04-08 23:58:30
633
原创 N3-5学习打卡
学习了torchtext.data.utils.get_tokenizer()等分词相关函数了解到词嵌入层的作用是将离散的单词表示（通常为整数索引）映射为固定大小的连续向量。这些向量捕捉了单词之间的语义关系，并作为网络的输入。初始化词嵌入层的权重，可以使得模型在训练开始时具有一定的随机性，有助于避免梯度消失或梯度爆炸等问题torchtext.data.functional.to_map_style_dataset 函数的作用是将一个迭代式的数据集（转换为映射式的数据集。
2025-03-28 00:06:41
328
原创 N1学习打卡笔记
One-Hot编码在NLP中的作用总结：基础词表示将离散型特征（单词、标签等）转换为二进制向量例："apple"的one-hot编码可能为[0,0,1,0,…,0]，维度等于词表大小核心功能消除语义歧义：确保每个词有唯一数值标识兼容传统模型：适配SVM、逻辑回归等无法直接处理文本的算法稀疏性控制：虽会产生高维稀疏矩阵，但可配合TF-IDF等加权策略使用典型应用场景词袋模型（Bag-of-Words）的基础构建文本分类任务的输入特征表示。
2025-03-11 00:08:06
986
原创 Y3学习打卡
熟悉了YOLOv5s模型的配置信息将YOLOv5s模型中第4层和第6层的C3模块重复次数减少，具体影响分析如下：1. 修改内容对比原始配置原来的第4层：[-1, 6, C3, [256]]原来的第6层：[-1, 9, C3, [512]]修改后配置修改后的第4层：[-1, 3, C3, [256]]修改后的第6层：[-1, 6, C3, [512]]2. 对模型性能的影响(1) 模型参数量与计算量参数量（Parameters）
2025-03-04 00:00:00
935
原创 Y1打卡学习笔记
学习了如何使用YOLOv5进行图像检测和视频目标检测YOLOv5 的工作原理单阶段检测：YOLOv5 是一种单阶段目标检测器。与两阶段的检测器（如 R-CNN 系列）不同，YOLOv5 在单个网络中同时完成目标的定位和分类，大大提高了目标检测的速度。骨干网络（Backbone）：YOLOv5 使用了一个高效的骨干网络来提取图像特征。具体来说，它采用了 CSPDarknet53（Cross Stage Partial Network）作为主要的特征提取网络。
2025-01-23 19:25:03
233
原创 R6学习打卡
训练循环size = len(dataloader.dataset) # 训练集的大小num_batches = len(dataloader) # 批次数目, (size/batch_size，向上取整)train_loss, train_acc = 0, 0 # 初始化训练损失和正确率for X, y in dataloader: # 获取图片及其标签# 计算预测误差pred = model(X) # 网络输出。
2025-01-22 23:05:58
1013
原创 R5天气识别学习笔记
RNN及其变体在序列数据处理中的应用RNNRNN（Recurrent Neural Network，循环神经网络）是一类专门处理序列数据的神经网络模型。与传统的前馈网络（如全连接网络MLP、卷积网络CNN等）不同，RNN能够在序列的时间步之间传递信息，具备“记忆”先前输入的能力。这种特性使得RNN在处理依赖于上下文或时间顺序的任务时非常有效，例如自然语言处理（NLP）、时间序列预测和语音识别等。
2025-01-16 23:34:29
910
原创 R4-LSTM学习笔记
LSTM 的核心思想是通过门控机制来控制信息的流动。遗忘门（Forget Gate）决定哪些信息需要从细胞状态中丢弃。其中是 Sigmoid 激活函数，是权重矩阵，是偏置项，是前一时间步的隐藏状态，是当前时间步的输入。输入门（Input Gate）决定哪些新信息需要添加到细胞状态中。输出门（Output Gate）决定当前细胞状态的哪些部分将输出。
2025-01-09 22:40:05
891
原创 R1-3学习打卡
RNN 的核心思想是通过引入循环结构来捕捉序列数据中的时间依赖性。RNN 的每个隐藏层单元不仅接收当前时间步的输入，还接收前一时间步隐藏层的状态作为输入。sts_tst是ttt时刻的隐藏状态。它是网络的“记忆”。sts_tststfUxtWst−1stfUxtWst−1函数fff通常是诸如tanhtanhtanh或者ReLUReLUReLU的非线性函数。
2025-01-01 23:23:38
648
原创 J9学习打卡笔记
Inception v3 的核心思想是使用Inception模块，在同一层中并行使用不同大小的卷积核（如 1x1、3x3、5x5），以捕捉不同尺度的特征。通过模块化设计，网络可以在不同层次上提取多尺度的特征，从而提高模型的泛化能力Inception v3 将输入尺寸增大到 299 * 299，优点如下：捕捉更多细节：较大的输入尺寸可以保留更多的图像细节，尤其是在高分辨率图像上。更深的特征提取：较大的输入尺寸允许卷积层在更大的感受野内提取特征，从而提高模型的表达能力。
2024-12-26 22:58:21
1055
原创 J8学习打卡笔记
主要特点和创新点(Inception模块)其设计理念是，在同一层网络中使用多种不同尺寸的卷积核（如1x1, 3x3, 5x5等）和池化层，然后将它们的输出拼接在一起。这种设计允许网络在同一空间维度上捕获多尺度特征，从而提高了网络的表达能力。1x1卷积核的使用不仅减少了计算量，还起到了降维的作用，帮助减少模型的参数数量和计算复杂度。辅助分类器：Inception v1在网络的中间层添加了两个辅助分类器。
2024-12-18 23:35:15
416
原创 J7学习打卡笔记
不报错可能是通道数已经匹配实际上采用本人代码时，修改conv_shortcut=False确实出现了错误,报错显示张量形状不匹配。
2024-12-05 23:12:10
453
原创 J6学习打卡
ResNeXt-50特点分组卷积（Grouped Convolutions）：ResNeXt 引入了分组卷积的概念，将输入特征图分成多个组（group），每个组独立进行卷积操作，然后将结果拼接起来。2. 残差连接（Residual Connections）：与 ResNet 类似，ResNeXt 也使用了残差连接，允许信息在网络中直接跳过某些层，从而缓解梯度消失问题，并使得训练更深的网络变得可行。
2024-11-28 22:40:49
708
原创 J5学习笔记打卡
DenseNet 通过密集连接增强了特征的复用和梯度流动，减少参数数量，提高了计算效率。SE-Net 通过学习通道间的相互依赖性来增强网络的表示能力，使得网络能够更好地关注重要的特征。DenseNet + SE-Net 结合了两者的优势，能够在复用特征的同时增强通道注意力的学习，从而进一步提升网络的性能。
2024-11-18 21:25:13
399
原创 J4学习打卡
学习了ResNet与DenseNet结合网络->DPN网络DPN网络的核心是双路径块（Dual Path Block），其结构如下：输入：输入特征图被分为两部分。分组卷积：一部分特征图通过分组卷积进行处理，类似于ResNeXt中的操作。密集连接：另一部分特征图通过密集连接进行处理，类似于DenseNet中的操作。特征融合：两部分特征图通过特定的融合方式（如相加或拼接）进行融合，形成最终的输出特征图。
2024-11-06 23:51:12
294
原创 J3学习打卡
完成了torch到tensorflow的代码转换，但是tensorflow运行显示loss较大，模型运行效果较差DenseNet采用了密集连接（Dense Connection），每一层的输入是前面所有层的输出的拼接（concatenation），而不是求和。这种设计使得每一层都能直接访问前面所有层的特征图，从而增强了特征的重用，并且减少了梯度消失问题。
2024-10-30 22:59:29
230
原创 J2学习打卡
V2对比原V1区别：预激活残差单元（Pre-activation Residual Units）：ResNet（V1）：在每个残差块中，卷积层在批归一化（Batch Normalization）和 ReLU 之前。ResNetV2：批归一化和 ReLU 激活在卷积操作之前。这被称为“预激活”结构，这样做有助于梯度流动，使得信息更容易传播，有助于更深的网络训练。
2024-10-24 21:37:02
429
原创 L5打卡学习笔记
本质上就是把输入向量的几个特征值做分类后按照影响因子排序后，作为逐层分类标准，影响因子大的排前面，例如花萼-length的影响最大的化 那么第一次就按这个参数分类，以此类推。
2024-09-26 23:10:26
451
原创 L2打卡学习笔记
sklearn.impute.SimpleImputer 是 Scikit-learn 库中的一个类，用于处理数据集中缺失值的插补。它通过替换缺失值为统计值（例如均值、中位数或众数）或指定的常数来处理缺失数据。
2024-09-05 09:20:48
1061
原创 T9打卡学习笔记
K.set_value TensorFlow 2.16中已被弃用 可通过tf.keras.optimizers.schedules.ExponentialDecay设置动态学习率K.get_value TensorFlow 2.16中已被弃用 可通过current_lr = optimizer.learning_rate.numpy()获取当前学习率。
2024-08-07 22:31:43
1186
原创 T8打卡学习笔记
遇到问题 ‘Adam’ object has no attribute ‘lr’ 将优化器调整为SGD并删除了动态学习率后成功运行,但是模型准确度较低只有50%后续使用 optimizer=Adam(learning_rate=0.001) 后模型准确度也未明显提升预测有误。
2024-08-01 23:36:38
1038
原创 T4打卡 学习笔记
使用了新版本的tensorflow,layers.Rescaling(1./255, input_shape=(img_height, img_width, 3))方法与旧版本调用有所不同，尝试了将归一化注释，结果显示收敛精度显著降低。
2024-06-28 13:46:34
877
原创 T3 笔记
将对应的内容 layers.experimental.preprocessing.Rescaling 删除后运行成功，Rescaling 层用于将输入图像的像素值从 [0, 255] 归一化到 [0, 1]，可以用如下操作代替归一化。
2024-06-21 11:48:05
1013
原创 P10学习笔记
批量归一化批量归一化有助于稳定和加速训练过程。这是因为它减少了内层协变量转移（internal covariate shift），使得每一层的输入分布更稳定。批量归一化也有轻微的正则化效果，可以减少过拟合。层次化卷积结构该模型使用了多个卷积层，这有助于逐步提取输入图像中的特征。使用了两个2x2的最大池化层，这有助于减少特征图的尺寸，从而减少计算量和参数量。ReLU激活函数ReLU激活函数在卷积层之后使用，有助于引入非线性，从而使模型能够学习复杂的模式。可扩展性。
2024-05-24 11:47:54
640
原创 P8学习笔记
跨阶段特征融合：C3 模块利用 CSP 结构将特征图分为两部分，一部分直接通过，而另一部分则通过一系列卷积层。最后，这两部分在深度上合并。这种结构可以减少计算量，同时保持或提高网络性能。瓶颈设计：在卷积层中，C3 模块通常使用瓶颈设计（即先降维、再升维），这有助于减少参数数量和计算成本，同时仍然可以学习到有效的特征表示。残差连接：C3 模块中的卷积层经常会包含残差连接，这有助于信息在网络中的传播并减少梯度消失的问题，特别是在深层网络中。
2024-05-09 21:34:42
438
1
IDEA复制粘贴其他类时会自带包名
2022-01-04
Pycharm 中运行代码窗口只能输入字符不能删减粘贴
2021-03-09
TA创建的收藏夹 TA关注的收藏夹
TA关注的人