<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Meraki____的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Meraki____</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Meraki____]]></copyright><item><title><![CDATA[实战PyTorch VGG-16人脸识别：从17%调优至60%+准确率]]></title><link>https://blog.youkuaiyun.com/Meraki____/article/details/149101624</link><guid>https://blog.youkuaiyun.com/Meraki____/article/details/149101624</guid><author>Meraki____</author><pubDate>Thu, 03 Jul 2025 21:19:38 +0800</pubDate><description><![CDATA[本文介绍了基于VGG-16模型的深度学习训练过程。首先设置了GPU环境并导入数据，通过数据增强和标准化处理构建训练/测试数据集。然后调用预训练的VGG-16模型进行微调：冻结大部分参数、解冻最后5层卷积模块，并在分类器中添加BatchNorm和更高Dropout率的全连接层。接着定义了训练和测试函数，采用AdamW优化器和学习率衰减策略。最后展示了模型结构摘要，为后续图像分类任务训练做好准备。整个流程涵盖了数据预处理、模型改造、训练配置等关键步骤。]]></description><category></category></item><item><title><![CDATA[PyTorch实战：运动鞋识别中的动态学习率技巧]]></title><link>https://blog.youkuaiyun.com/Meraki____/article/details/148961744</link><guid>https://blog.youkuaiyun.com/Meraki____/article/details/148961744</guid><author>Meraki____</author><pubDate>Fri, 27 Jun 2025 23:43:32 +0800</pubDate><description><![CDATA[本文记录了深度学习训练营中运动鞋品牌识别项目的关键实现步骤。首先通过数据预处理构建训练集（含随机翻转和颜色抖动的数据增强）和测试集，使用ImageFolder加载并按32的批量划分。接着构建了6层CNN网络，包含两个卷积块（各含卷积层、BN和ReLU）和池化层，最后接Dropout和全连接层。特别强调了动态学习率的重要性，它能有效提升模型收敛速度30%-50%，帮助突破局部最优解，对细粒度分类任务尤为关键。代码展示了从数据目录结构读取到模型构建的完整流程，包括关键的数据加载器对比表格和CNN网络结构细节。]]></description><category></category></item><item><title><![CDATA[PyTorch实战：调优猴痘病识别模型，攻克88%测试准确率并实现本地图片预测]]></title><link>https://blog.youkuaiyun.com/Meraki____/article/details/148795437</link><guid>https://blog.youkuaiyun.com/Meraki____/article/details/148795437</guid><author>Meraki____</author><pubDate>Fri, 20 Jun 2025 22:05:58 +0800</pubDate><description><![CDATA[本文记录了一个深度学习训练营项目，目标是通过调整网络结构和优化超参数，将猴痘病识别模型的准确率提升至88%以上。文章重点介绍了采用Batch Normalization (BN)层的CNN网络构建，BN层有助于加速训练、提升模型稳定性。模型训练使用了交叉熵损失函数和SGD优化器，并详细展示了训练与测试函数的设计。最终模型将通过独立测试集验证泛化性能，并演示如何加载最优模型参数进行本地图片预测。由于与之前文章内容相似，数据预处理部分进行了省略。]]></description><category></category></item><item><title><![CDATA[​​从理论到实践：深入理解二分类交叉熵损失函数 (Binary Cross-Entropy Loss)​​]]></title><link>https://blog.youkuaiyun.com/Meraki____/article/details/148605172</link><guid>https://blog.youkuaiyun.com/Meraki____/article/details/148605172</guid><author>Meraki____</author><pubDate>Mon, 16 Jun 2025 20:54:33 +0800</pubDate><description><![CDATA[深度学习中的损失函数是模型优化的核心导航仪，交叉熵损失因其在分类任务中的卓越表现成为关键工具。本文从优化问题本质出发，探讨了回归任务中SSE/MSE的局限性，重点解析了二分类交叉熵损失的推导过程。通过极大似然估计视角，展示了如何从概率建模出发构建对数损失函数，其精妙之处在于对概率边界的敏感性——当预测值接近决策边界时自动放大误差。文章还对比了不同预测概率与真实标签的关系，阐明了交叉熵损失衡量信息损失的机制，为理解分类模型优化提供了理论基础。]]></description><category></category></item><item><title><![CDATA[零基础实战：用自定义天气图片数据打造专属识别模型 (附本地预测)——深度学习入门（3）]]></title><link>https://blog.youkuaiyun.com/Meraki____/article/details/148446835</link><guid>https://blog.youkuaiyun.com/Meraki____/article/details/148446835</guid><author>Meraki____</author><pubDate>Thu, 05 Jun 2025 18:02:55 +0800</pubDate><description><![CDATA[本文介绍了使用自定义天气数据集训练CNN模型的完整流程。首先讲解了环境搭建和PyTorch安装，重点说明了如何收集整理天气图片数据（如晴天、雨天等类别）。通过代码演示了数据预处理步骤，包括统一图像尺寸、标准化处理和数据增强。文章详细展示了如何划分训练集/测试集，并构建数据加载器。最后强调了模型训练完成后，可以用于识别本地新图片的实际应用价值。全文以实践为导向，帮助读者掌握从数据准备到模型部署的关键技能。]]></description><category></category></item><item><title><![CDATA[【保姆级教程】PyTorch实战CIFAR-10：从零构建CNN，手撕卷积/池化计算！——深度学习入门（2）]]></title><link>https://blog.youkuaiyun.com/Meraki____/article/details/148401625</link><guid>https://blog.youkuaiyun.com/Meraki____/article/details/148401625</guid><author>Meraki____</author><pubDate>Tue, 03 Jun 2025 18:11:49 +0800</pubDate><description><![CDATA[本文介绍了使用CNN进行CIFAR-10彩色图像分类的完整流程。首先通过PyTorch搭建环境并加载数据，对CIFAR-10数据集进行预处理和可视化。文章重点讲解了CNN网络的设计思路，包括卷积层、池化层和全连接层的结构与作用。代码实现了一个三层卷积网络，每层包含卷积、ReLU激活和最大池化操作。通过推导计算过程，帮助读者深入理解CNN的特征提取机制。该网络最终通过全连接层输出10分类结果，为彩色图像识别任务提供了实践方案。]]></description><category></category></item><item><title><![CDATA[手把手教你用CNN实现MNIST手写数字识别——深度学习入门（1）]]></title><link>https://blog.youkuaiyun.com/Meraki____/article/details/148259126</link><guid>https://blog.youkuaiyun.com/Meraki____/article/details/148259126</guid><author>Meraki____</author><pubDate>Wed, 28 May 2025 17:53:41 +0800</pubDate><description><![CDATA[本文介绍了一个基于PyTorch的MNIST手写数字识别实战项目。主要内容包括：1. 选用MNIST数据集的原因分析，包括数据质量高、特征复杂度适中等优势；2. 环境配置与GPU加速设置；3. 数据预处理详解，对比Tensor转换、PIL图像和NumPy数组三种格式差异；4. 数据加载器(DataLoader)的配置与优化技巧。项目通过可视化分析和代码实践，帮助深度学习新手掌握图像分类任务的基本流程和方法论，为后续复杂任务打下基础。]]></description><category></category></item></channel></rss>