- 博客(53)
- 收藏
- 关注
RSS订阅原创 基于 UNet 和 NestedUNet 架构的图像分割任务
该项目模块化程度高，便于扩展（如添加新模型、损失函数或数据集），适合作为图像分割任务的基础框架进行二次开发。项目旨在实现图像分割任务（如医学影像或通用场景分割），通过深度学习模型对输入图像进行像素级分类，输出对应类别的分割掩码，并通过量化指标（如 IoU、Dice 系数）评估模型性能。项目旨在实现图像分割任务（如医学影像或通用场景分割），通过深度学习模型对输入图像进行像素级分类，输出对应类别的分割掩码，并通过量化指标（如 IoU、Dice 系数）评估模型性能。
2025-11-03 16:56:18
691
原创 U-net 系列算法总结
U-net 系列算法的迭代逻辑清晰，均围绕 “优化特征利用” 展开：从 U-net 的 “基础特征拼接”，到 U-net++ 的 “全面特征融合 + 深度监督 + 易剪枝”，再到 U-net+++ 的 “精细层级特征整合”，整体朝着 “更高精度、更灵活部署” 的方向发展，其中 U-net 和 U-net++ 是目前工业界（尤其是医学领域）的主流选择，兼顾性能与实用性。
2025-10-31 14:24:36
341
原创 模型架构组件
表格复制特性描述Focus 模块通过切片操作将 W+H 信息压缩到 C 维度，减少计算量，但不提升精度。CSP 结构在 BottleneckCSP 中引入跨阶段连接，增强梯度流动，提升训练稳定性。PAN 结构特征金字塔网络，融合多尺度特征，提升小目标检测能力。使用预定义 anchor 框，Detect 层负责预测偏移量和尺度。支持自动 anchor 排序与校验，确保 anchor 与 stride 匹配。ONNX 支持提供转换脚本，支持导出 ONNX 模型，便于部署与可视化（如 Netron）。
2025-10-27 15:18:57
395
原创 计算机视觉任务
一个用于计算机视觉任务（尤其是目标检测）的数据加载与处理模块，主要功能是加载图像、视频、摄像头流等数据，并进行预处理和数据增强，以支持模型的训练、测试和推理。
2025-10-24 15:58:02
385
原创 YOLOv4 知识点总结
核心定位：YOLOv4 聚焦目标检测的最优速度与精度（Optimal Speed and Accuracy of Object Detection），虽作者变更，但延续了 YOLO 系列的核心设计思路。性能表现：从对比图可见，YOLOv4 在 FPS（速度，基于 V100 显卡）和精度指标上，优于 YOLOv3、EfficientDet（部分版本）、ASFF 等模型，兼顾实时性与检测效果。
2025-10-20 13:25:55
557
原创 YOLOv3 核心知识点总结
对比同期模型（如 SSD、R-FCN），YOLOv3 在相同精度下推理速度更快，在相同速度下精度更高，成为当时目标检测领域 “速度 - 精度平衡” 的代表性模型。每个尺度的输出均为 3D 张量，包含网格单元、目标框（坐标、置信度）与类别概率等信息，实现对全尺寸目标的覆盖。
2025-10-17 11:14:41
481
原创 YOLO-V1 与 YOLO-V2
YOLO-V1 是经典的 one-stage 目标检测方法，核心是将检测问题转化为回归问题，仅用一个 CNN 网络即可完成检测，能实现视频实时检测，应用广泛。YOLO-V2 在 V1 基础上进行多项改进，实现了 “更快、更强” 的检测效果，VOC2007 数据集上的 mAP 从 63.4 提升至 78.6。
2025-10-16 15:29:40
430
原创 基于 CIFAR10 数据集的卷积神经网络（CNN）模型训练与集成学习
基础 CNN 模型CNNNetNetLeNet，结构相近，由卷积层（Conv2d池化层（MaxPool2d、* 全连接层（Linear）* 组成，通过 ReLU 激活引入非线性，属于轻量型 CNN。VGG 模型VGG（支持 VGG16/VGG19），通过配置字典cfg定义 “卷积块 + 池化层” 的重复结构，利用方法自动生成层序列，最终接全连接层完成分类，属于深度化 CNN。
2025-10-15 11:49:16
596
原创 使用 PyTorch 实现 MNIST 手写数字识别
整个过程完整覆盖 “数据处理 - 模型构建 - 训练评估 - 结果可视化” 的深度学习核心环节，既展示了 PyTorch 在神经网络开发中的便捷性，也通过 MNIST 实例直观呈现了 “神经网络如何学习手写数字特征并完成分类” 的过程。从损失曲线与测试准确率可验证：模型有效学习了数据模式，实现了手写数字的准确识别。四、代码示例。
2025-10-13 15:41:37
741
原创 示例代码总结
代码：这份代码基于 PyTorch 框架，完整实现了CIFAR10 图像分类任务的深度学习流程，涵盖模块导入、模型定义、数据加载、训练循环与模型结构分析等核心环节，具体总结如下：导入、（神经网络核心）、（优化器）、（数据集与图像变换）等工具库，并设置超参数：批量大小（）、学习率（）、训练轮数（）等，为后续流程提供基础配置。定义多个 CNN 模型（如、、等），均继承，通过以下方式搭建网络：不同模型在网络深度、卷积核参数（大小、通道数）、池化方式、特征维度变换等方面存在差异，体现了多样化的 CNN 结构设计思路
2025-09-28 14:14:27
649
原创 PyTorch 数据处理工具箱与可视化工具总结
PyTorch 数据处理工具箱核心目标是高效加载、预处理、批量处理数据，解决自定义数据集与标准图像数据集的处理问题，主要包含utils.data（基础数据加载）和（图像专用处理）两大模块。Dataset是抽象类，需自定义子类并强制重写 3 个方法，作用是将原始数据（如 numpy 数组、文件）封装为 PyTorch 可识别的样本格式（Tensor）。数据处理流程Dataset（定义数据）→DataLoader（批量加载），图像数据额外用transforms（预处理）+（多目录读取）。关键工具定位。
2025-09-24 13:56:09
776
原创 PyTorch 神经网络工具箱核心知识点总结
输入数据经 “层→模型” 得到预测值，损失函数计算预测误差，优化器根据误差梯度更新模型参数，形成闭环训练。，二者功能互补但使用场景不同。
2025-09-22 16:57:16
392
1
原创 卷积神经网络（CNN）核心知识点总结
架构年份核心特点关键改进LeNet1995首个实用 CNN，适配小尺寸灰度图（28×28）卷积 + 池化的组合，奠定 CNN 结构基础AlexNet2012更深更大，适配大尺寸彩色图（3×224×224），CV 范式转变ReLU 激活、Dropout、最大池化、数据增强。
2025-09-19 14:52:21
820
原创 感知机与多层感知机核心知识点总结
由美国学者 Frank Rosenblatt 于 1957 年提出，是神经网络的基础单元，用于实现简单的二分类任务。激活函数h(x)用于将神经元输入信号的总和（如a=w1x1+w2x2+b）转换为输出信号，核心作用是引入非线性，使 MLP 能解决线性不可分问题。问题表现核心成因欠拟合训练误差高，模型未学好训练样本的一般性质模型复杂度过低（如用单层感知机解决异或问题）过拟合训练误差低，但泛化误差高，将训练样本特有噪声当作一般规律模型复杂度过高（如参数过多）、训练数据不足。
2025-09-18 15:28:32
947
原创 线性回归与 Softmax 回归核心知识点总结
模型定位：线性回归是连续值预测的基础模型（单层神经网络），Softmax 回归是多类分类的基础模型（单层全连接神经网络）。优化核心：梯度下降（尤其是小批量随机梯度下降）是模型训练的核心算法，需合理选择学习率和批量大小两个关键超参数。损失函数匹配：回归任务常用平方损失 / L1 损失，分类任务（Softmax 回归）必用交叉熵损失。Softmax 关键作用：通过指数运算和归一化，将原始输出转换为概率分布，解决多类分类的置信度解释问题。
2025-09-17 11:47:39
853
原创 深度学习核心知识总结
人工智能：用人工方法在机器（计算机）上实现的智能，即让机器具备类似人类的智能。人工智能学科：研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的技术科学。由 Meta AI（Facebook）人工智能研究小组开发，基于 Lua 编写的 Torch 库的 Python 实现。特点：API 设计简洁、优雅、易懂，在学术界和工业界应用广泛，是众多课程及项目的首选深度学习框架。
2025-09-17 09:34:00
956
原创 支持向量机核心知识总结
支持向量机以 “最大化间隔” 为核心优化目标，通过硬间隔（线性可分）、软间隔（应对噪声）、核变换（应对非线性）三大策略，适配不同数据场景；求解过程依赖拉格朗日乘子法与对偶问题转化，最终仅通过支持向量即可确定超平面，具备模型简洁、泛化能力强的优势，是分类任务中的经典且高效算法。
2025-08-26 17:59:37
896
原创 朴素贝叶斯算法总结
对于给定观测数据 D（如文本、邮件等）和可能的类别 h（如不同类别标签、垃圾邮件 / 正常邮件等），计算后验概率 P (h|D) 时，根据贝叶斯公式可得：P (h|D)=[P (h)×P (D|h)]/P (D)。由于 P (D) 对于不同 h 是常数，比较不同 h 的后验概率时可忽略，因此只需计算 P (h)×P (D|h)，即 “先验概率 × 条件概率” 来判断类别。”，即假设样本的各个特征之间相互独立，互不影响。这一假设简化了计算，使得在处理多特征问题时，无需考虑特征间的复杂关联。
2025-08-25 19:05:53
1656
原创 线性回归总结
本质：通过属性的线性组合进行预测的线性模型，目标是找到合适的直线、平面或更高维的超平面，使预测值与真实值的误差最小化。一般形式：对于由 d 个属性描述的示例x=(x1;x2;⋅⋅⋅;xd)，函数为f(x)=w1x1+w2x2+...+wdxd+b。向量形式：f(x)=wTx+b。核心方法：最小二乘法，基于均方误差最小化进行模型求解，即找到一条直线，使所有样本到直线的欧氏距离之和最小。
2025-08-22 17:42:26
372
原创 集成算法知识点总结
核心思想：对于复杂任务，综合多个专家的判断往往比单个专家的判断更优。定义：通过构建并结合多个学习器（个体学习器）来完成学习任务。结构：由多个个体学习器和一个结合模块组成，通过结合模块整合个体学习器的输出得到最终结果。结合策略简单平均法：对个体学习器的输出取平均值。加权平均法：为不同个体学习器分配权重，加权求和得到结果（权重非负且总和为 1）。投票法：“少数服从多数”，根据个体学习器的投票结果确定最终输出。
2025-08-21 16:31:44
379
原创 数据预处理
（均值为 0，方差为 1），避免方差过大的特征主导目标函数。众数填补（most_frequent）：检测数据中的空值（NaN）。常用填充方式：固定值、均值（常数填补（constant）中位数填补（median）：删除包含空值的行或列。（0=行，1=列）、（非空值最小数量）、：用指定值填充空值。均值填补（mean）
2025-08-20 18:29:08
436
原创 决策树总结
核心思想：通过递归选择最优特征切分数据，构建树形模型。难点：如何选择特征切分点？——使用信息增益等衡量标准。优点：模型直观，易于理解和解释；适用于分类和回归任务。缺点：容易过拟合，需通过剪枝等方法优化。
2025-08-18 14:43:51
486
原创 K最近邻算法（KNN）
K最近邻算法（K-Nearest Neighbor, KNN）是一种基于实例的监督学习算法，用于分类和回归。其核心思想是“物以类聚”，即每个样本的分类可以由其最接近的K个邻居的多数类别决定。
2025-08-15 15:46:36
455
原创 机器学习入门
机器学习是通过数据驱动的方法优化任务性能的技术，核心包括数据集的构建、模型训练与评估。监督学习和无监督学习适用于不同场景，模型需平衡欠拟合与过拟合。评估方法（如交叉验证）和性能指标（如查准率）是验证模型效果的关键。最终，模型选择应遵循简单有效原则，结合实际需求。
2025-08-14 14:21:20
432
原创 电商双11美妆数据分析
2.1 重复值处理直接删除重复值。2.2 缺失值处理通过上面观察数据发现sale_count,comment_count 存在缺失值,先观察存在缺失值的行的基本情况存在的缺失值很可能意味着售出的数量为0或者评论的数量为0，所以我们用0来填补缺失值。2.3 数据挖掘寻找新的特征给出各个关键词的分类类别由title新生成两列类别。
2025-08-12 16:08:46
237
原创 爬虫与数据分析相结合案例总结
plt.pie([8, 16, ...], labels=["8星", "7星", ...], autopct="%.1f%%")plt.rcParams["font.sans-serif"] = ["SimHei"] # 解决Matplotlib中文乱码。plt.bar(["8星", "7星", ...], [8, 16, ...])df.dropna(subset=["总分"], inplace=True)df["总分"].fillna("暂无分数", inplace=True)
2025-08-11 16:15:26
371
原创 Seaborn 知识总结
可视化分布（箱线图、小提琴图）、相关性（热图）。）适配不同输出场景（论文/演讲）。参数：自定义颜色调色板（如。：移除顶部/右侧边框线。：快速发现变量关系（如。
2025-08-08 15:32:03
287
原创 Matplotlib 知识点总结
自动生成x轴（0-N-1）当x未指定时。示例：绘制两点连线、多点不规则线等。可设置显示范围（major/minor）和方向（both/x/y）标记大小、颜色（内外边框）可绘制点、线和组合图形。通过操作numpy数组可调整亮度、裁剪、修改颜色通道。支持灰度图、彩色图、热力图、矩阵等1。支持多组数据和Pandas集成。可设置点大小、颜色和多组数据。：水平柱形图展示不同平台价格。用于在单窗口中创建多个子图。可自定义颜色、宽度等属性。：读取图像为numpy数组。：饼图显示球类运动喜好分布。
2025-08-07 18:53:52
425
原创 Pandas 重要知识点总结
1.已知考试成绩占总成绩的60％，而平时的成绩占总成绩的40％，那么请你们帮忙算一算各位同学各个科目的最终成绩。df['总成绩'] = df['考试成绩'] * 0.6 + df['平时成绩'] * 0.4。：二维表格型数据结构，含行索引和列索引，每列可不同数据类型。df.fillna(df.mean()) # 用列均值填充。2.计算每个同学的平均分以及每个科目的平均分。3.计算每个同学的最高分以及每个科目的最高分。：结合权重计算、多维度统计（如学生成绩分析）。：一维带标签数组，类似表格中的一列。
2025-08-05 19:34:49
738
原创 NumPy 重要知识点总结
结合统计函数和算术运算解决实际问题（如成绩分析）。：计算学生成绩的加权总分、平均分、最高分及及格率。：计算指定百分位的值（如中位数=50%分位）。：居中字符串并用空格填充至指定宽度。：处理字符串编码（如 UTF-8）。：计算角度的三角函数值（弧度制）。：涵盖基础运算、三角函数、舍入等。：逐个连接两个数组的字符串元素。：返回排序后的索引（间接排序）。：最大值与最小值的差（极差）。：返回最大值/最小值的索引。：高效操作数组中的文本数据。：移除首尾空格或指定字符。：对数组排序（默认升序）。
2025-08-05 17:54:10
809
原创 NumPy 数组操作核心知识点总结
NumPy 是数据科学与计算的基础工具，支持高维数组和矩阵计算，其核心操作涵盖数组形状调整、维度处理、元素操作等。
2025-08-01 14:42:25
494
原创 NumPy 重要知识点总结
NumPy 是一个开源的 Python 科学计算库，能够直接对数组和矩阵进行操作，可省略很多循环语句，且包含众多数学函数，能简化代码编写工作。
2025-07-31 15:29:16
867
原创 BeautifulSoup 数据解析总结
提供简单的 Python 式函数，用于处理导航、搜索、修改分析树等操作。作为数据解析工具箱，能通过解析文档为用户提取所需抓取的数据，实现过程简单方便。自动完成编码转换，将输入文档转为 Unicode 编码，输出文档转为 utf-8 编码，无需用户手动处理编码问题。为用户灵活提供不同的解析策略，部分解析器还能提供强劲的速度。
2025-07-30 17:17:35
963
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