- 博客(47)
- 收藏
- 关注
RSS订阅原创 深入浅出 U-net 系列算法：结构、升级与应用解析
结构传承性强：从 U-net 到 U-net++、U-net+++，始终围绕 “特征有效利用” 核心，逐步优化特征融合方式，保持架构简洁性的同时提升性能。实用性突出：不仅适用于医学影像分割，还可迁移至自然场景语义分割、遥感图像分割等多个领域，适配性强。易拓展优化：深度监督、特征拼接等设计可灵活迁移至其他视觉任务，为算法改进提供思路。U-net 系列算法以其简洁的设计和强大的性能，成为语义分割领域的经典标杆。无论是入门学习还是实际项目应用，掌握该系列算法的核心思想都极具价值。
2025-10-31 16:19:34
383
原创 深度学习之图像分割：从基础概念到核心技术全解析
图像分割本质是像素级的细粒度分类任务—— 通过算法预测目标物体的轮廓，将图像中不同语义的像素划分到对应类别中。与图像分类（仅判断图像整体类别）、目标检测（仅定位目标边界框）不同，图像分割直接对每个像素的归属做出判断，实现 “哪里是什么” 的精准分析。例如，在一张包含行人与车辆的街景图中，图像分割会将 “行人像素”“车辆像素”“路面像素”“天空像素” 分别标注为不同类别，输出一张与原图尺寸一致的 “语义掩膜”，直观呈现各目标的像素级分布。物体（Things）：指可数的前景目标。
2025-10-29 14:00:40
777
原创 YOLOv5
高效结构：如 Bottleneck（残差瓶颈结构，减少参数并保留特征）、BottleneckCSP（跨阶段部分网络，增强特征融合）、SPP（空间金字塔池化，融合多尺度上下文信息）、Focus（将宽高信息聚焦到通道维度，实现下采样）等。整体模型（Model 类）：通过解析 yaml 配置文件动态构建网络，整合骨干网络（backbone）和检测头（head），支持模型初始化、前向传播（含数据增强模式）、权重初始化、层融合（加速推理）等核心功能。1. 模型结构核心定义。3. 工程化训练流程。
2025-10-27 16:05:44
351
原创 YLOLv4
结果显示，YOLOv4 在 FPS（帧率，代表速度）和精度的平衡上表现突出，既能满足实时检测需求（real-time），又在精度指标上超越多数同类模型，例如在 FPS 处于 30-90 区间时，精度显著高于 YOLOv3 和部分 EfficientDet 型号，完美契合其 “速度与精度兼顾” 的定位。例如，原本非黑即白的标签（如 “猫 = 1，狗 = 0”）会被调整为 “猫 = 0.95，狗 = 0.05”，让模型不再依赖绝对标签，学会 “留有余地”。若中心点距离近，才按规则降低其置信度。
2025-10-22 16:21:27
449
原创 YOLOv4 深度解析：单 GPU 可训的目标检测性能王者
YOLOv4 的核心价值在于 “融合创新 + 工程友好”：它将当时主流的目标检测技术（数据增强、注意力、损失函数等）整合优化，同时通过单 GPU 训练和低推理代价设计，让技术落地更简单。实时视频监控：快速识别画面中的人、车、异常物体，FPS 满足实时传输需求。自动驾驶感知：在车载硬件上高效检测行人、交通标志、障碍物，兼顾精度与响应速度。工业质检：检测生产线上的小尺寸缺陷（如零件划痕），Mosaic 增强和 PAN 结构提升小目标识别率。
2025-10-20 16:14:58
955
原创 YOLOv3 深度解析：网络架构、核心改进与目标检测实践
YOLOv3 通过多尺度特征融合、残差连接、Logistic 分类等改进，解决了前代版本小目标检测弱、精度不足的问题，同时保持了 YOLO 系列实时性的核心优势。实时视频监控：快速识别画面中的人、车、物体等目标；自动驾驶感知：实时检测路况中的行人、车辆、交通标志；工业质检：识别生产线上的产品缺陷（如小尺寸瑕疵）；移动端检测：轻量化版本（如 YOLOv3-tiny）可部署在手机等移动设备上。
2025-10-20 16:11:59
879
原创 YOLOv3 详解：核心改进、网络架构与目标检测实践
YOLOv3 通过多尺度特征融合、残差连接、9 种先验框和 logistic 分类等改进，解决了前代版本的核心痛点，成为目标检测领域的经典模型。尽管后续 YOLO 系列不断更新，但 YOLOv3 的设计思路（如多尺度检测、特征融合）仍被广泛借鉴，是入门目标检测的必学模型。如果你需要进一步实践，可从 “基于 PyTorch/TensorFlow 实现 YOLOv3” 入手，结合本文的理论细节，深入理解网络每一层的作用。
2025-10-17 17:54:05
853
原创 YOLO-V1 与 YOLO-V2 技术详解：从经典到优化的目标检测演进
YOLO-V1 开创了 one-stage 目标检测的先河，以 “快” 为核心，适合对实时性要求极高、精度要求较低的场景（如简单视频监控）；YOLO-V2 通过多维度优化，实现了 “速度与精度的平衡”，成为工业界应用最广泛的目标检测模型之一，可用于自动驾驶、智能安防、工业质检等场景。后续 YOLO 系列（V3-V8）在 V2 的基础上进一步优化，但 V1 与 V2 的核心设计思想（端到端回归、先验框适配、多尺度适应）仍是理解 YOLO 技术演进的关键。要不要我帮你整理一份。
2025-10-16 17:24:29
796
原创 基于 PyTorch 的 CIFAR-10 图像分类实践
本文基于 PyTorch 完成了 CIFAR-10 数据集的图像分类任务，涵盖了数据准备与预处理、卷积神经网络模型构建、模型训练和测试等关键步骤。通过实践，我们对图像分类的流程和卷积神经网络的工作原理有了更深入的理解。在实际应用中，还可以根据具体需求对模型和训练策略进行优化，以获得更好的分类效果。
2025-09-26 17:00:23
869
原创 PyTorch数据处理工具箱全解析：从数据加载到可视化
日常使用中，非图像数据用Dataset+DataLoader，图像数据加torchvision，训练时用TensorBoard监控，高效又省心。提供裁剪（RandomCrop）、翻转（RandomHorizontalFlip）、格式转换（ToTensor）、标准化（Normalize）等操作，用Compose组合成流程，一步完成预处理。需实现__init__（初始化数据/标签）、__getitem__（按索引取单个样本并转Tensor）、__len__（返回样本总数），统一各类数据的读取接口。
2025-09-24 19:49:44
402
原创 PyTorch 神经网络构建方法总结
PyTorch 提供了从简单到复杂的多种网络构建方式，选择合适的方法可以显著提高代码的可读性和可维护性。无论是快速原型设计还是复杂架构实现，PyTorch 都提供了简洁而强大的工具支持。
2025-09-23 15:57:03
507
原创 PyTorch 神经网络工具箱全面解析
PyTorch 作为当前最流行的深度学习框架之一，凭借其动态计算图特性和简洁的 API 设计，成为科研人员和工程师的首选工具。它提供了一套完整的神经网络工具箱，使构建、训练和部署深度学习模型变得简单高效。PyTorch 提供了从简单到复杂的多种网络构建方式，掌握这些方法将使你能够灵活应对各种深度学习任务。无论是快速原型设计还是复杂模型开发，PyTorch 都能提供强大的支持。
2025-09-22 15:50:33
432
1
原创 卷积神经网络从入门到经典模型详解
表示学习：如果有一种算法可以自动地学习出有效的特征，并提高最终机器学习模型的性能，那么这种学习就可以叫作表示学习。而人类视觉系统天生就擅长识别空间模式，CNN 正是模拟这种机制的产物。浅层学习：不涉及特征学习，其特征主要靠人工经验或特征转换方法来抽取。3.步幅是每次滑动核窗口时的行/列的步长，可以成倍的减少输出形状。学习标征通常需要从底层特征开始，经过多步非线性转换才能得到。2.填充在输入周围添加额外的行/列，增加输出的高度和宽度。卷积核滑动时的步长，可成倍减少输出尺寸，降低计算量。
2025-09-19 15:39:02
314
原创 线性回归与 Softmax 回归：深度学习入门核心模型解析
梯度指向函数值增加最快的方向，因此其反方向是函数值减小最快的方向，这为寻找损失最小值提供了 “方向指引”。离函数最小值点越远，梯度的绝对值越大，意味着在远离最优解时，参数调整的 “步幅” 可更大；靠近最优解时，步幅会自动减小，避免越过最优解。模型定位：线性回归是回归任务的基础模型，输出连续值；Softmax 回归是多分类任务的入门模型，通过 Softmax 运算输出概率分布，本质是单层全连接神经网络。优化核心：两者均依赖梯度下降法（及小批量随机梯度下降变种）寻找最优参数，关键超参数为批量大小。
2025-09-17 16:27:58
654
原创 深度学习入门：从概念、应用到技术实践全解析
在人工智能飞速发展的今天，深度学习已成为推动技术革新的核心力量，广泛应用于图像识别、语音交互、自动驾驶等多个领域。本文将基于深度学习预备知识 PPT 内容，从工业文明演变视角切入，系统梳理深度学习的核心概念、关键技术、典型应用及学习路径，为入门者提供全面的知识框架。
2025-09-16 17:43:05
807
原创 支持向量机（SVM）从理论到实践：一篇读懂经典分类算法
二维空间（平面）的超平面是直线；三维空间的超平面是平面；更高维空间的超平面则是抽象的 n-1 维子结构。其数学方程为：wTx+b=0wT是超平面的法向量（决定超平面的方向）；b 是超平面的截距（决定超平面的位置）；x是样本在 n 维空间中的特征向量。两类样本中，离超平面最近的点到超平面距离的两倍。正例标签 (yi = +1)；负例标签 (yi = -1)。优点泛化能力强：基于 Margin 最大化，对过拟合有天然抑制；
2025-08-26 13:12:04
806
原创 文吃透朴素贝叶斯：从原理到实战
朴素贝叶斯算法是机器学习中 “简单但强大” 的代表，其核心是贝叶斯公式与特征独立性假设的结合。本文从理论（正向 / 逆向概率、贝叶斯公式）到实践（三种模型、手写数字识别），完整覆盖了朴素贝叶斯的关键知识点。根据特征类型选择合适的模型（离散用多项式 / 伯努利，连续用高斯），并理解 “先验概率” 和 “似然概率” 对最终结果的影响。在实际应用中，可将其作为 baseline 模型，与复杂模型（如随机森林、深度学习）的结果对比，快速验证数据规律。希望本文能帮助你彻底理解朴素贝叶斯，并灵活应用于实际项目中！
2025-08-25 19:02:12
486
原创 机器学习之线性回归：原理、实现与实践
线性回归的本质是通过属性的线性组合构建预测函数，找到一条直线（二维）、平面（三维）或更高维的超平面，使该模型对数据的拟合效果最优（即预测误差最小）。对于m个训练样本，模型的预测值为，真实值为y_i。均方误差（MSE）定义为：E(w,b) = (1/m) * Σ（从i=1到m）[y_i - f(x_i)]²最小二乘法的目标是找到w*和b*，使E(w,b)最小化，即：线性回归是机器学习的 “入门基石”，其核心思想（最小化误差）和数学推导（最小二乘法）贯穿于多种复杂模型中。
2025-08-22 13:59:56
1042
原创 集成算法和kmeans
集成学习通过构建并结合多个学习器（基分类器/回归器）来完成学习任务，旨在通过集体决策提升模型性能，类似于“多个专家的综合判断优于单个专家”。第二阶段：使用第一阶段输出训练元模型（meta-model）进行最终预测。难点：评估聚类质量、确定最佳簇数（K值）、处理非球形簇。特点：串行训练，后续模型聚焦于前一轮分错的样本。无监督学习：没有标签，依靠数据内在结构进行分组。特点：堆叠多种不同类型的基模型，分阶段训练。聚类目标：将相似样本划分到同一组（簇）。特点：并行训练多个基学习器，彼此独立。
2025-08-21 19:10:44
428
原创 机器学习数据预处理全流程：从缺失值处理到特征编码
查缺失：用isnull()识别空值，指定缺失值标记；补 / 删空值：小数据量用填充（均值 / 中位数 / 众数），大数据量用删除；标准化：用 MinMaxScaler/StandardScaler 消除量纲；编特征：名义变量用独热编码，有序变量用序号编码；二值化：按需简化连续特征。掌握以上步骤，可应对 80% 以上的机器学习数据预处理场景。实际项目中需结合数据特点灵活选择方案，后续可进一步学习特征选择、数据降维等进阶内容。
2025-08-20 18:10:47
1566
原创 机器学习入门：决策树原理
决策树的核心是 “通过熵衡量不确定性，用信息增益选择最优特征”，其优势在于结构直观、易解释，无需复杂的数据预处理。本文通过理论 + 实例的方式，从基础概念到实战构造完整覆盖，希望能帮助初学者快速入门。后续可进一步学习 C4.5（信息增益比）、CART（基尼系数）等进阶特征切分方法，优化决策树性能。
2025-08-18 15:45:33
333
原创 基于 Scikit - learn 的机器学习实践：鸢尾花分类与波士顿房价回归分析
鸢尾花数据集是一类多重变量分析的数据集，包含 150 个样本，对应 3 种鸢尾花品种（setosa、versicolor、virginica ），每个样本有 4 个特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度。波士顿房价数据集包含 506 个样本，13 个特征，目标是预测波士顿地区房屋的 median value（中位数），属于回归任务。特征涉及犯罪率、住宅用地比例、交通便利性等多个方面。
2025-08-15 16:40:50
696
原创 机器学习入门：从概念到实践的核心知识梳理
简单来说，机器学习是让计算机 “从经验中学习” 的技术。基于经验：通过大量历史数据（经验）训练模型；明确标准：定义任务完成的评判指标（如 “预测准确率”）；持续优化：通过分析数据，让模型不断提升任务表现。机器学习是一门 “从数据中学习规律” 的学科，其核心是通过数据训练模型，并用科学的方法评估和优化模型。从基础术语到评估指标，从监督学习到集成学习，掌握这些核心知识，就能为深入学习打下坚实基础。
2025-08-14 16:19:28
888
原创 从 Web 开发到数据科学：全栈基础技术总结
本文涵盖 Web 前端、爬虫、数据库、数据科学工具的核心知识，是入门全栈技术的基础。实际应用中，需结合具体场景灵活组合这些技术：如需构建数据展示平台，可通过爬虫获取数据，经 Pandas 分析后，用 MySQL 存储，最后用 Web 技术呈现；如需做数据分析，可直接用 Pandas 处理本地数据，再用可视化工具生成图表。掌握这些技术，能为后续深入学习人工智能、大数据等领域打下坚实基础。
2025-08-13 17:04:40
903
原创 电商双 11 美妆数据分析：从数据清洗到市场洞察
在电商行业中，双 11 作为年度重要促销节点，美妆品类的销售数据蕴含着丰富的市场规律。本文基于淘宝双 11 美妆商品数据（27598 条记录），通过数据清洗、特征工程与可视化分析，挖掘消费者行为与品牌表现的关键 insights，为电商运营提供决策参考。idtitlepricesale_count店名。
2025-08-12 16:58:22
1012
原创 爬虫与数据分析实战
在数据科学领域，爬虫技术用于获取数据源，数据分析技术用于挖掘数据价值，二者结合能产生强大的业务驱动力。本文以 “中国大学排名” 为案例，完整展示从网页爬取数据到数据清洗、再到可视化分析的全流程，适合数据分析入门者参考学习。
2025-08-11 19:02:33
867
原创 Seaborn 数据可视化库：入门与进阶指南
在数据科学与数据分析的领域中，数据可视化占据着举足轻重的地位。它是将复杂数据转化为直观、易懂图形的桥梁，助力数据分析师、科学家以及开发者洞察数据背后的规律与趋势。Seaborn 作为 Python 生态系统中一款卓越的数据可视化库，备受从业者青睐。Seaborn 构建于 Matplotlib 之上，为数据可视化带来了更为高级、简洁的 API，同时具备美观的默认样式，尤其擅长统计数据的可视化呈现。
2025-08-08 17:15:25
1208
原创 Matplotlib 入门到实战：从零开始学 Python 数据可视化
在数据科学与计算领域，数据可视化是理解数据、呈现结论的重要手段。Matplotlib 作为 Python 生态中最经典的绘图库，凭借其强大的功能和灵活的定制能力，成为数据从业者的必备工具。Matplotlib 支持绘制各类静态、动态及交互式图表，包括折线图、散点图、柱状图、饼图等，且能输出多种格式的图像文件。无论是简单的数据展示还是复杂的学术图表绘制，Matplotlib 都能满足需求。
2025-08-07 15:52:31
745
原创 Pandas 入门到实践：数据处理全攻略
在数据科学与计算领域，Pandas 是一款不可或缺的强大工具。它作为开源的 Python 类库，专为数据分析、数据处理和数据可视化而生，凭借高性能、易用的数据结构和分析工具，受到了广大开发者和数据分析师的青睐。本文将从 Pandas 的安装导入开始，逐步深入其核心数据结构、数据查询、读取、丢失数据处理等内容，并结合实例进行讲解，助你快速掌握 Pandas 的使用。
2025-08-06 19:37:18
643
原创 详解 Pandas：从入门到实战的数据分析利器
在数据科学与数据分析领域，Pandas 无疑是最受欢迎的 Python 库之一。作为一个开源项目，Pandas 提供了高性能、易用的数据结构和数据分析工具，让数据处理变得高效而简单。高性能：基于 NumPy 构建，底层采用 C 语言实现，处理大规模数据时效率出众灵活的数据结构：专为表格数据设计的 Series 和 DataFrame，完美适配各类结构化数据丰富的分析工具：内置大量数据清洗、转换、聚合函数，满足日常分析需求无论是数据清洗、转换、聚合还是简单的统计分析，Pandas 都能成为你得力的助手。
2025-08-05 18:53:45
320
原创 NumPy 常用函数全解析：从字符串操作到统计分析
NumPy 是 Python 数据科学领域不可或缺的库，它提供了大量高效的数组操作和数学计算函数。本文基于《数据科学与计算》相关内容，整理了 NumPy 中常用的字符串函数、数学函数、算数函数和统计函数，适合初学者快速上手。
2025-08-04 16:54:07
420
原创 NumPy 广播机制简介
比如，有数组 A 形状为 (2, 3, 4)，数组 B 形状为 (2, 1, 4)。例如，数组 A 形状为 (2, 1, 3)，数组 B 形状为 (2, 4, 3)，在第二维上，A 的大小为 1，B 的大小为 4，因此 A 的第二维会被扩展为 4，最终两者形状都变为 (2, 4, 3)，进而进行元素级运算。例如，一个形状为 (3,) 的一维数组与一个形状为 (2, 3, 4) 的三维数组运算时，一维数组会被 “视为” 形状为 (1, 1, 3) 的三维数组，这样两个数组的维度就一致了，均为三维。
2025-08-01 15:03:24
822
原创 NumPy 入门教程：从基础到实战操作
NumPy 作为 Python 的开源科学计算库，提供了强大的 N 维数组对象（Ndarray），能够直接对数组和矩阵进行操作，大幅减少循环语句的使用，配合丰富的数学函数，让数据处理代码更简洁、运行更高效。NumPy 作为数据科学的基础库，其核心的 Ndarray 对象为高效数值计算提供了支撑。它是 NumPy 高效处理数据的基础，相比 Python 原生列表，具有内存占用低、运算速度快的优势。：创建指定形状和数据类型的数组，元素值为内存中的随机值（未初始化）。：创建指定形状的数组，所有元素初始化为 0。
2025-07-31 18:50:58
651
原创 快速掌握 BeautifulSoup：爬虫数据解析入门
简单说，BeautifulSoup 是一个 Python 库，能把复杂的 HTML/XML 文档转换成易于操作的结构，让我们像 "挑拣商品" 一样提取需要的数据。它的优点很突出：自动处理编码问题，不用纠结 UTF-8 和 Unicode支持多种解析方式，灵活应对不同网页语法简单，Python 新手也能快速上手BeautifulSoup 不是 Python 标准库，需手动安装。目前最新版本为 4.x（简称 bs4）
2025-07-30 18:19:30
1361
原创 利用 PyMySQL 实现爬虫数据存储到 MySQL 数据库的完整指南
关系型数据库基于关系模式，通过二维表存储数据，每列是一个字段，每行是一条记录。SQLite：轻量级嵌入式数据库MySQL：开源关系型数据库管理系统Oracle：功能强大的商业数据库SQL Server：微软推出的关系型数据库DB2：IBM 开发的大型数据库系统在 Python 爬虫开发中，MySQL 因开源免费、性能稳定等特点被广泛应用Python 标准库不直接支持 MySQL 操作，需借助第三方库。Python 2 中常用 MySQLDB 库，而 Python 3 中则主要使用。
2025-07-29 18:56:22
338
原创 MySQL 子查询与嵌套查询详解
子查询是 MySQL 中灵活且强大的查询工具，通过嵌套查询可以实现复杂的筛选逻辑。掌握子查询的分类（单行 / 多行）、操作符（INANYALLEXISTS）及使用场景，能显著提升数据库查询能力。在实际开发中，需结合业务需求选择合适的子查询类型，并注意性能优化，避免不必要的资源消耗。
2025-07-28 17:15:31
434
原创 MySQL 数据库基础核心知识点详解
本文详细介绍了 MySQL 数据库的基础操作和核心知识点，包括数据操纵、查询、多表合并、连接查询以及子查询等。INSERT INTO 表名 (属性名1, 属性名2) VALUES (‘值1’,’值2’),…UPDATE 表名 SET 属性名1 = 值1,属性名2 =值2, ... （WHERE 条件）;MySQL 中主要的数据操纵语句包括 INSERT、UPDATE 和 DELETE，分别用于插入、更新和删除数据。Count (*) 统计表中的总行数，只要有一列数据不为空就计 1 次，使用较多。
2025-07-25 18:38:23
392
原创 MySQL 数据库基础入门
数据库（DataBase）是 “按照数据结构来组织、存储和管理数据的仓库”，本质上是一个长期存储在计算机内的、有组织的、可共享的大量数据集合。数据控制语言（DCL, ）：用于定义数据库的安全性和完整性约束，如授权用户访问数据库的权限等。文档数据库：如MongoDB，以文档为单位存储数据，文档可以是JSON等格式，支持复杂的查询操作。数据操纵语言（DML）：用于对数据库中的数据进行操作，如插入、更新、删除数据等。键值数据库：如Redis，通过键值对来存储数据，查询速度快，但无法进行复杂的查询操作。
2025-07-24 16:21:53
568
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人