<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[XYX_888的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/XYX_888</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; XYX_888]]></copyright><item><title><![CDATA[Pytorch框架07-网络模型训练流程(CPU训练/GPU训练/模型检验)]]></title><link>https://blog.youkuaiyun.com/XYX_888/article/details/145898871</link><guid>https://blog.youkuaiyun.com/XYX_888/article/details/145898871</guid><author>XYX_888</author><pubDate>Thu, 27 Feb 2025 11:15:50 +0800</pubDate><description><![CDATA[在训练神经网络时，我们需要定义损失函数和优化器。损失函数用于衡量模型预测与实际标签之间的误差，而优化器则用于更新模型参数，以最小化损失函数。对于分类任务，常用的损失函数是，它能够处理多分类问题。我们使用 SGD（随机梯度下降）作为优化器。# 定义损失函数# 定义优化器这里设置了学习率为 0.01，您可以根据需要调整它。]]></description><category></category></item><item><title><![CDATA[Pytorch框架06-现有网络模型（修改/使用/保存/加载）]]></title><link>https://blog.youkuaiyun.com/XYX_888/article/details/145889001</link><guid>https://blog.youkuaiyun.com/XYX_888/article/details/145889001</guid><author>XYX_888</author><pubDate>Wed, 26 Feb 2025 21:24:30 +0800</pubDate><description><![CDATA[VGG16 网络模型的名字中的 “16” 表示该网络包含 16 层权重（包括卷积层和全连接层）。PyTorch 提供了多个预训练的网络模型，涵盖了广泛的计算机视觉任务，如图像分类、目标检测、语义分割等。随着 Transformer 在自然语言处理（NLP）中的成功，越来越多的 Transformer 网络架构也被应用于计算机视觉任务。在 PyTorch 中，保存模型的方式有两种：保存整个模型（包括结构和参数）和仅保存模型的参数（PyTorch 提供了目标检测的预训练模型，适用于检测图像中的物体。]]></description><category></category></item><item><title><![CDATA[Pytorch框架05-反向传播与优化器]]></title><link>https://blog.youkuaiyun.com/XYX_888/article/details/145834820</link><guid>https://blog.youkuaiyun.com/XYX_888/article/details/145834820</guid><author>XYX_888</author><pubDate>Mon, 24 Feb 2025 18:14:57 +0800</pubDate><description><![CDATA[PyTorch 中的优化器是用来更新模型参数，以最小化损失函数的工具。在训练深度学习模型时，优化器会根据损失函数计算出的梯度来调整模型的权重，优化模型的表现。是一种用于训练神经网络的算法，它通过计算梯度并根据梯度调整网络中的权重，从而使得模型能够学习到最佳参数，以最小化损失函数。反向传播是深度学习中最常用的优化方法之一。Adam 是基于梯度的一阶和二阶矩估计的优化器，它计算每个参数的自适应学习率，在许多任务中表现优秀。这是最基本的优化方法，按比例调整参数，使用单个样本或批量样本来更新模型参数。]]></description><category></category></item><item><title><![CDATA[Pytorch框架04-损失函数(L1Loss()/MSELoss()/CrossEntropyLoss())]]></title><link>https://blog.youkuaiyun.com/XYX_888/article/details/145833595</link><guid>https://blog.youkuaiyun.com/XYX_888/article/details/145833595</guid><author>XYX_888</author><pubDate>Mon, 24 Feb 2025 17:26:43 +0800</pubDate><description><![CDATA[不同类型的任务（如回归问题、分类问题）需要使用不同的损失函数。损失函数的设计影响模型训练的效果和收敛速度。例如，回归问题通常使用均方误差（MSE），分类问题则常使用交叉熵损失。通过选择合适的损失函数，能够提高算法的表现和训练效率。机器学习算法（如梯度下降）通过计算损失函数的梯度，调整模型参数，使得损失函数值最小化。损失函数通过量化模型预测与真实结果的偏差，为模型的好坏提供客观标准。如果损失值较小，则表明模型的预测较为准确。损失函数（Loss Function）是用于衡量模型预测值与真实值之间差距的函数。]]></description><category></category></item><item><title><![CDATA[Pytorch框架03-网络的搭建(nn.Module/卷积层/池化层/非线性激活/线性层/CIFAR-10分类模型搭建)]]></title><link>https://blog.youkuaiyun.com/XYX_888/article/details/145799870</link><guid>https://blog.youkuaiyun.com/XYX_888/article/details/145799870</guid><author>XYX_888</author><pubDate>Sat, 22 Feb 2025 19:54:43 +0800</pubDate><description><![CDATA[CIFAR-10 是一个广泛使用的计算机视觉数据集，包含 10 个类别的 60,000 张彩色图像。它的主要作用是对输入数据进行线性变换，通过一组权重和偏置来生成输出。神经网络中的非线性激活函数用于引入非线性因素，从而使得神经网络能够学习和表示复杂的模式和关系。没有非线性激活函数，神经网络即使拥有多个层，也只会表现为一个简单的线性变换，无法解决复杂的任务。线性层对输入进行线性变换，即通过矩阵乘法和加法运算将输入映射到一个新的空间。通过训练过程中的权重更新，网络能够学习到如何将输入数据映射到合适的输出空间。]]></description><category></category></item><item><title><![CDATA[Pytorch框架02（PyTorch 数据处理板块/Dataset和DataLoader数据加载/Transforms/TensorBoard）]]></title><link>https://blog.youkuaiyun.com/XYX_888/article/details/145700512</link><guid>https://blog.youkuaiyun.com/XYX_888/article/details/145700512</guid><author>XYX_888</author><pubDate>Tue, 18 Feb 2025 10:55:01 +0800</pubDate><description><![CDATA[Dataset类是 PyTorch 用于封装数据的基础类，通常通过继承：返回数据集的大小（即样本的数量）。：根据索引idx返回数据集中的某一项数据，通常返回(数据, 标签)。MyDatasetDataLoader是 PyTorch 中用于批量加载数据的工具，能够自动将Dataset中的数据分批，并支持多线程加载，极大提高了训练效率。DataLoaderbatch_size：每个批次加载多少数据。shuffle：是否在每个 epoch 结束时打乱数据集，通常用于训练数据。：用于加载数据的子进程数量。]]></description><category></category></item><item><title><![CDATA[Pytorch框架01（张量及其基本使用方法）]]></title><link>https://blog.youkuaiyun.com/XYX_888/article/details/145700188</link><guid>https://blog.youkuaiyun.com/XYX_888/article/details/145700188</guid><author>XYX_888</author><pubDate>Tue, 18 Feb 2025 10:45:12 +0800</pubDate><description><![CDATA[PyTorch是一个开源的深度学习框架，由Facebook的AI研究团队（FAIR）开发。它广泛应用于机器学习和人工智能的研究和应用中。]]></description><category></category></item><item><title><![CDATA[Matplotlib基础02-常用图像绘制（折线图/散点图/柱状图/直方图/饼图/箱线图/热图/极坐标图/雷达图/填充图）]]></title><link>https://blog.youkuaiyun.com/XYX_888/article/details/145482625</link><guid>https://blog.youkuaiyun.com/XYX_888/article/details/145482625</guid><author>XYX_888</author><pubDate>Thu, 06 Feb 2025 21:53:38 +0800</pubDate><description><![CDATA[要绘制簇型柱状图，您需要将两组数据在相同类别下进行并排显示，而不是重叠在一起。折线图是最常见的图形之一，适用于展示数据随时间或其他变量变化的趋势。填充图展示数据之间的区域，常用于展示函数曲线下方的面积。的位置，并通过调整宽度来使柱状图并排显示。箱线图用于展示数据的分布情况，特别是异常值和中位数。柱状图适用于显示不同类别数据的比较。热图适用于展示二维数据的强度或密度。散点图用于显示两个变量之间的关系。饼图适用于展示各部分占整体的比例。极坐标图用于展示极坐标系下的数据。直方图用于展示数据的分布情况。]]></description><category></category></item><item><title><![CDATA[Matplotlib基础01（ 基本绘图函数/多图布局/图形嵌套/绘图属性）]]></title><link>https://blog.youkuaiyun.com/XYX_888/article/details/145482605</link><guid>https://blog.youkuaiyun.com/XYX_888/article/details/145482605</guid><author>XYX_888</author><pubDate>Thu, 06 Feb 2025 21:51:08 +0800</pubDate><description><![CDATA[Matplotlib是一个用于绘制静态、动态和交互式图表的Python库，广泛应用于数据可视化领域。它是Python中最常用的绘图库之一，提供了多种功能，可以生成高质量的图表。Matplotlib是数据分析、机器学习等领域数据可视化的重要工具，广泛应用于科研、教学、报告等多种场景。plt.xlim()和plt.ylim()或plt.axis(）设置坐标的范围。]]></description><category></category></item><item><title><![CDATA[Pandas基础08（分箱操作/时间序列/画图）]]></title><link>https://blog.youkuaiyun.com/XYX_888/article/details/145430733</link><guid>https://blog.youkuaiyun.com/XYX_888/article/details/145430733</guid><author>XYX_888</author><pubDate>Mon, 03 Feb 2025 16:01:40 +0800</pubDate><description><![CDATA[是一种数据预处理方法，用于将连续型变量的数值范围分割成若干个区间或“箱”（bins），将数据按照这些区间进行分类，从而转换为离散型变量。这种方法常用于将数据的变化范围缩小，使其更加适合某些分析或模型算法的处理，或通过减少异常值的影响来提高模型的稳定性。例如，将数据范围从0到100分为5个区间，每个区间的宽度为20。向下采样：将数据从高频率的时间序列转变为低频率，比如从小时数据转换为日数据。向上采样：将数据从低频率的时间序列转换为高频率，比如从日数据转换为小时数据。通过plot()函数绘制折线图。]]></description><category></category></item><item><title><![CDATA[Pandas基础07（Csv/Excel/Mysql数据的存储与读取）]]></title><link>https://blog.youkuaiyun.com/XYX_888/article/details/145410766</link><guid>https://blog.youkuaiyun.com/XYX_888/article/details/145410766</guid><author>XYX_888</author><pubDate>Sat, 01 Feb 2025 10:18:05 +0800</pubDate><description><![CDATA[在数据科学和机器学习的流程中，数据的加载与存储是非常重要的一环。Pandas是Python中用于数据处理的强大库，它提供了多种方式来加载和保存数据，支持不同的数据格式，如CSV、Excel以及数据库（例如MySQL）。CSV（逗号分隔值）是最常见的数据存储格式之一，Pandas提供了简便的API来将数据存储为CSV文件以及从CSV文件加载数据。Excel文件是另一种常见的数据存储格式，Pandas提供了很方便的方法来处理Excel文件。方法可以读取CSV文件并将其转换为DataFrame。]]></description><category></category></item><item><title><![CDATA[Pandas基础06（异常值的检测与过滤/抽样/常用聚合函数/数据聚合）]]></title><link>https://blog.youkuaiyun.com/XYX_888/article/details/145404148</link><guid>https://blog.youkuaiyun.com/XYX_888/article/details/145404148</guid><author>XYX_888</author><pubDate>Fri, 31 Jan 2025 10:47:30 +0800</pubDate><description><![CDATA[本文将介绍如何利用 Pandas 中的一些常见函数，检测、处理和过滤数据中的异常值，同时对数据进行基本的处理和探索。通过这些信息，我们可以初步识别数据中的异常值。标准差较大的列可能存在更多的异常值，因为数据点的波动幅度较大。函数可以根据某列的值对数据进行排序，帮助我们识别最大或最小值，从而找到异常值。如果某一列的标准差非常大，且数据的分布范围较广，则可能存在一些离群点或异常值。函数来计算每列数据的标准差，并作为识别异常值的一个辅助指标。通过排序，我们可以快速发现某列的极端值，进而识别可能的异常值。]]></description><category></category></item><item><title><![CDATA[Pandas基础05（数据的映射/replace()、rename()、map()、apply() 和 transform()）]]></title><link>https://blog.youkuaiyun.com/XYX_888/article/details/145378143</link><guid>https://blog.youkuaiyun.com/XYX_888/article/details/145378143</guid><author>XYX_888</author><pubDate>Mon, 27 Jan 2025 10:48:07 +0800</pubDate><description><![CDATA[本文将介绍几个常用的映射函数，并展示它们在实际数据处理中的应用。函数在 Pandas 中非常常用，用于替换 DataFrame 或 Series 中的指定值。这个方法特别适用于对 DataFrame 或 Series 中的数值进行批量替换。使得我们能够轻松地重命名 DataFrame 的行索引和列索引，帮助我们使数据集更符合业务需求。的方法，它非常适合处理某一列数据的映射操作。可以处理数据框中的每一列或每一行，执行复杂的操作。函数，这些都是非常常见的用于数据映射的操作。在这个示例中，我们通过自定义的。]]></description><category></category></item><item><title><![CDATA[Pandas基础04（缺失值处理/重复数据处理）]]></title><link>https://blog.youkuaiyun.com/XYX_888/article/details/145370967</link><guid>https://blog.youkuaiyun.com/XYX_888/article/details/145370967</guid><author>XYX_888</author><pubDate>Sun, 26 Jan 2025 19:18:30 +0800</pubDate><description><![CDATA[缺失值是指数据集中缺少的数值，它通常以None或np.nan表示。None：是 Python 中的空对象，类型为object，通常不参与计算，计算时可能会耗时较长。np.nan：是 Pandas 中表示缺失数据的标准值，类型为float，可以参与计算，但会导致结果为空。]]></description><category></category></item><item><title><![CDATA[Pandas基础03（数据的合并操作/concat()/append()/merge()）]]></title><link>https://blog.youkuaiyun.com/XYX_888/article/details/145366911</link><guid>https://blog.youkuaiyun.com/XYX_888/article/details/145366911</guid><author>XYX_888</author><pubDate>Sun, 26 Jan 2025 11:23:47 +0800</pubDate><description><![CDATA[区别：merge与concat的区别在于，merge需要依据某一共同的行或列来进行合并使用pd.merge0合并时，会自动根据两者相同column名称的那一列，作为key来进行合并。进行一对一、一对多、多对多等合并操作，还可以灵活地指定合并的列、使用不同的连接方式（如内连接、外连接），以及处理列名冲突等问题。）进行合并，即水平合并。一对多合并是指一个键值在一个 DataFrame 中是唯一的，而在另一个 DataFrame 中出现多次。在多对多合并的场景中，两个 DataFrame 中的键都会出现多次，]]></description><category></category></item><item><title><![CDATA[Pandas基础02（DataFrame创建/索引/切片/属性/方法/层次化索引）]]></title><link>https://blog.youkuaiyun.com/XYX_888/article/details/145357796</link><guid>https://blog.youkuaiyun.com/XYX_888/article/details/145357796</guid><author>XYX_888</author><pubDate>Sat, 25 Jan 2025 18:33:34 +0800</pubDate><description><![CDATA[DataFrame以字典的键作为每一【列】的名称，以字典的值（一个数组）作为每一列。同Series一样，若传入的列与字典的键不匹配，则相应的值为NaN。Pandas 的层次化索引（Hierarchical Indexing）允许在一个 DataFrame 或 Series 中使用多个索引级别。索引堆叠通常指的是对 DataFrame 或 Series 的 层次化索引（MultiIndex） 进行堆叠和展开操作。这种操作可以将数据的索引层级转换，或是将数据的多个层级组合成一个新的层级。（1）索引：先列后行。]]></description><category></category></item><item><title><![CDATA[Pandas基础01（Series创建/索引/切片/属性/方法/运算）]]></title><link>https://blog.youkuaiyun.com/XYX_888/article/details/145357787</link><guid>https://blog.youkuaiyun.com/XYX_888/article/details/145357787</guid><author>XYX_888</author><pubDate>Sat, 25 Jan 2025 18:32:27 +0800</pubDate><description><![CDATA[是一个功能强大的数据分析和操作库，主要用于处理和分析表格型数据（例如：CSV、Excel、SQL数据库等）。它建立在 NumPy 基础上，提供了许多便捷的数据结构，主要是。是一种类似于一维数组的对象，它包含了一组数据（可以是整数、浮点数等）以及与之相关的标签（索引）。Series由一组数据（values）和数据的索引标签（index）构成。看作一个带有索引的一维数组。，用于处理和分析数据。]]></description><category></category></item><item><title><![CDATA[Numpy基础02（Numpy对数组的基本操作）]]></title><link>https://blog.youkuaiyun.com/XYX_888/article/details/145328520</link><guid>https://blog.youkuaiyun.com/XYX_888/article/details/145328520</guid><author>XYX_888</author><pubDate>Thu, 23 Jan 2025 19:45:33 +0800</pubDate><description><![CDATA[矩阵可以与标量相乘或相除，这将导致矩阵中每个元素与标量进行运算。只有在矩阵是方阵并且行列式不为零时，矩阵才有逆矩阵。矩阵的特征值和特征向量是线性代数中的重要概念，可以使用。np.sort()：不改变原数组，而是返回一个新的数组。的数组无法广播，因为在第一个维度上它们的大小不匹配。来计算，行列式是判断矩阵是否可逆的重要标志。矩阵的逆是一个常见的操作，它可以通过。属性来实现，它将矩阵的行和列交换。的数组进行运算，后者会被视为。的数组进行运算，较小的数组。矩阵的行列式可以通过。，直到它们的形状匹配。]]></description><category></category></item><item><title><![CDATA[Numpy基础01（Jupyter基本用法/Ndarray创建与基本操作）]]></title><link>https://blog.youkuaiyun.com/XYX_888/article/details/145270445</link><guid>https://blog.youkuaiyun.com/XYX_888/article/details/145270445</guid><author>XYX_888</author><pubDate>Mon, 20 Jan 2025 22:09:46 +0800</pubDate><description><![CDATA[可用来存储和处理大型矩阵，比Python自身的嵌套列表结构要高效的多，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库，包括数学、逻辑、形状操作、排序、选择、输入输出、离散傅立叶变换、基本线性代数，基本统计运算和随机模拟等。IPython 是一个增强型的 Python 交互式解释器，提供了自动补全、命令历史、魔法命令等功能。IPython 还支持远程访问、包管理和插件扩展，是一个功能强大且灵活的开发工具。：适合对运行时间短的程序求其平均运行时间。：适合对运行时间长的程序进行统计。]]></description><category></category></item><item><title><![CDATA[Python基础07（文件的操作与异常的处理）]]></title><link>https://blog.youkuaiyun.com/XYX_888/article/details/145245600</link><guid>https://blog.youkuaiyun.com/XYX_888/article/details/145245600</guid><author>XYX_888</author><pubDate>Sun, 19 Jan 2025 18:20:33 +0800</pubDate><description><![CDATA[第一个参数：file表示文件的路径第二个参数：mode表示打开文件的模式默认的模式为r（r表示读w表示写a表示追加文本）第三个参数：encoding表示编码格式**返回值：**打开后的文件对象close()函数用于关闭文件，释放资源。]]></description><category></category></item></channel></rss>