<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[cr123study的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/cr123study</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; cr123study]]></copyright><item><title><![CDATA[Day54]]></title><link>https://blog.youkuaiyun.com/cr123study/article/details/148659687</link><guid>https://blog.youkuaiyun.com/cr123study/article/details/148659687</guid><author>cr123study</author><pubDate>Sat, 14 Jun 2025 22:47:26 +0800</pubDate><description><![CDATA[作业：对于心脏病数据集，对于病人这个不平衡的样本用GAN来学习并生成病人样本，观察不用GAN和用GAN的F1分数差异。如果你学有余力，对于gan的损失函数的理解，建议去找找视频看看，如果只是用，没必要学。nn.sequential容器：适合于按顺序运算的情况，简化前向传播写法。leakyReLU介绍：避免relu的神经元失活现象。对抗生成网络的思想：关注损失从何而来。]]></description><category></category></item><item><title><![CDATA[Day53]]></title><link>https://blog.youkuaiyun.com/cr123study/article/details/148643088</link><guid>https://blog.youkuaiyun.com/cr123study/article/details/148643088</guid><author>cr123study</author><pubDate>Fri, 13 Jun 2025 23:10:00 +0800</pubDate><description><![CDATA[作业：对于心脏病数据集，对于病人这个不平衡的样本用GAN来学习并生成病人样本，观察不用GAN和用GAN的F1分数差异。如果你学有余力，对于gan的损失函数的理解，建议去找找视频看看，如果只是用，没必要学。nn.sequential容器：适合于按顺序运算的情况，简化前向传播写法。leakyReLU介绍：避免relu的神经元失活现象。对抗生成网络的思想：关注损失从何而来。]]></description><category></category></item><item><title><![CDATA[Day52]]></title><link>https://blog.youkuaiyun.com/cr123study/article/details/148620545</link><guid>https://blog.youkuaiyun.com/cr123study/article/details/148620545</guid><author>cr123study</author><pubDate>Thu, 12 Jun 2025 23:03:16 +0800</pubDate><description><![CDATA[作业：对于day'41的简单cnn，看看是否可以借助调参指南进一步提高精度。]]></description><category></category></item><item><title><![CDATA[Day51]]></title><link>https://blog.youkuaiyun.com/cr123study/article/details/148596131</link><guid>https://blog.youkuaiyun.com/cr123study/article/details/148596131</guid><author>cr123study</author><pubDate>Wed, 11 Jun 2025 23:01:35 +0800</pubDate><description><![CDATA[作业：day43的时候我们安排大家对自己找的数据集用简单cnn训练，现在可以尝试下借助这几天的知识来实现精度的进一步提高。kaggl的一个图像数据集；数据集地址：Lung Nodule Malignancy 肺结核良恶性判断。三层卷积CNN做到的精度63%，现在需要实现提高。]]></description><category></category></item><item><title><![CDATA[Day50]]></title><link>https://blog.youkuaiyun.com/cr123study/article/details/148570508</link><guid>https://blog.youkuaiyun.com/cr123study/article/details/148570508</guid><author>cr123study</author><pubDate>Tue, 10 Jun 2025 23:45:19 +0800</pubDate><description><![CDATA[今天时间紧，来不及了。]]></description><category></category></item><item><title><![CDATA[Day49]]></title><link>https://blog.youkuaiyun.com/cr123study/article/details/148545033</link><guid>https://blog.youkuaiyun.com/cr123study/article/details/148545033</guid><author>cr123study</author><pubDate>Mon, 09 Jun 2025 23:14:12 +0800</pubDate><description><![CDATA[它先通过通道注意力模块评估特征通道的重要性，再通过空间注意力模块评估特征图中每个空间位置的重要性，从而更全面地提升特征表达能力。空间注意力模块类似于餐厅的“区域关注系统”，通过评估图像的空间位置（如同餐厅中的不同区域），动态调整每个位置的权重，从而突出重要的区域并抑制不重要的区域。通道注意力模块类似于餐厅的“食材评估系统”，通过评估每个食材（特征通道）的重要性，动态调整其权重，从而突出重要的特征并抑制不重要的特征。作业：尝试对今天的模型检查参数数目，并用tensorboard查看训练过程。]]></description><category></category></item><item><title><![CDATA[Day48]]></title><link>https://blog.youkuaiyun.com/cr123study/article/details/148520456</link><guid>https://blog.youkuaiyun.com/cr123study/article/details/148520456</guid><author>cr123study</author><pubDate>Sun, 08 Jun 2025 23:31:15 +0800</pubDate><description><![CDATA[1、随机张量的生成：torch.randn函数torch.randn 是 PyTorch 里用于生成随机数张量的函数。它所生成的随机数遵循标准正态分布，也就是均值为 0，标准差为 1 的分布。在神经网络的训练中，这个函数十分常用，像初始化权重的时候就会用到。通俗来讲，你可以把 torch.randn 想象成一个 “随机数生成器”，它能按照你的要求创建指定大小的张量，并且张量里的每个数都是从标准正态分布中随机抽取的。2、卷积和池化的计算公式（可以不掌握，会自动计算的）卷积的计算。]]></description><category></category></item><item><title><![CDATA[Day47]]></title><link>https://blog.youkuaiyun.com/cr123study/article/details/148502475</link><guid>https://blog.youkuaiyun.com/cr123study/article/details/148502475</guid><author>cr123study</author><pubDate>Sat, 07 Jun 2025 23:35:30 +0800</pubDate><description><![CDATA[昨天代码中注意力热图的部分顺移至今天。作业：对比不同卷积层热图可视化的结果。]]></description><category></category></item><item><title><![CDATA[Day46]]></title><link>https://blog.youkuaiyun.com/cr123study/article/details/148483898</link><guid>https://blog.youkuaiyun.com/cr123study/article/details/148483898</guid><author>cr123study</author><pubDate>Fri, 06 Jun 2025 23:14:51 +0800</pubDate><description><![CDATA[【代码】Day46。]]></description><category></category></item><item><title><![CDATA[Day45]]></title><link>https://blog.youkuaiyun.com/cr123study/article/details/148461277</link><guid>https://blog.youkuaiyun.com/cr123study/article/details/148461277</guid><author>cr123study</author><pubDate>Thu, 05 Jun 2025 23:52:34 +0800</pubDate><description><![CDATA[—核心是弄懂tensorboard可以打印什么信息，以及如何看可视化后的结果，把ai当成记忆大师用到的时候通过它来调取对应的代码即可。之前在神经网络训练中，为了帮助自己理解，借用了很多的组件，比如训练进度条、可视化的loss下降曲线、权重分布图，运行结束后还可以查看单张图的推理效果。tensorboard的代码还有有一定的记忆量，实际上深度学习的经典代码都是类似于八股文，看多了就习惯了，难度远远小于考研数学等需要思考的内容。tensorboard这个库，集成了以上所有可视化工具。]]></description><category></category></item><item><title><![CDATA[Day42]]></title><link>https://blog.youkuaiyun.com/cr123study/article/details/148372369</link><guid>https://blog.youkuaiyun.com/cr123study/article/details/148372369</guid><author>cr123study</author><pubDate>Sun, 01 Jun 2025 23:53:10 +0800</pubDate><description><![CDATA[模块钩子：就像是在餐厅的出菜口安装监控摄像头，每当有菜出来（前向传播结束）或订单完成（反向传播结束），钩子函数就会被触发，可以记录或修改菜品（特征图或梯度）。定义：lambda函数就像是厨房中的“快速调味料”，可以快速定义简单的匿名函数，不需要像普通函数那样写完整的def语句，特别适合简单的操作。张量钩子：类似于在食材上贴标签，当食材被使用（张量被访问或修改）时，钩子函数会被触发，可以记录或修改食材的状态（张量的值或梯度）。计算权重：根据记录的梯度计算每个特征图的权重，表示该特征图对最终分类结果的重要性。]]></description><category></category></item><item><title><![CDATA[Day41]]></title><link>https://blog.youkuaiyun.com/cr123study/article/details/148357554</link><guid>https://blog.youkuaiyun.com/cr123study/article/details/148357554</guid><author>cr123study</author><pubDate>Sat, 31 May 2025 23:42:05 +0800</pubDate><description><![CDATA[Flatten -> Dense (with Dropout，可选) -> Dense (Output)1. 输入 → 卷积层 → Batch归一化层（可选） → 池化层 → 激活函数 → 下一层。作业：尝试手动修改下不同的调度器和CNN的结构，观察训练的差异。batch归一化：调整一个批次的分布，常用与图像数据。特征图：只有卷积操作输出的才叫特征图。调度器：直接修改基础学习率。卷积神经网络定义的写法。]]></description><category></category></item><item><title><![CDATA[Day40]]></title><link>https://blog.youkuaiyun.com/cr123study/article/details/148340996</link><guid>https://blog.youkuaiyun.com/cr123study/article/details/148340996</guid><author>cr123study</author><pubDate>Fri, 30 May 2025 16:42:15 +0800</pubDate><description><![CDATA[这个模型结构是一个简单的全连接神经网络，用于处理输入大小为 28×28（即 784 个特征）的数据，通常用于 MNIST 手写数字识别任务。作业：仔细学习下测试和训练代码的逻辑，这是基础，这个代码框架后续会一直沿用，后续的重点慢慢就是转向模型定义阶段了。dropout操作：训练阶段随机丢弃神经元，测试阶段eval模式关闭dropout。展平操作：除第一个维度batchsize外全部展平。彩色和灰度图片测试和训练的规范写法：封装在函数中。DAY 40 训练和测试的规范写法。]]></description><category></category></item><item><title><![CDATA[Day39]]></title><link>https://blog.youkuaiyun.com/cr123study/article/details/148319765</link><guid>https://blog.youkuaiyun.com/cr123study/article/details/148319765</guid><author>cr123study</author><pubDate>Thu, 29 May 2025 23:13:17 +0800</pubDate><description><![CDATA[【代码】Day39。]]></description><category></category></item><item><title><![CDATA[Day38]]></title><link>https://blog.youkuaiyun.com/cr123study/article/details/148293913</link><guid>https://blog.youkuaiyun.com/cr123study/article/details/148293913</guid><author>cr123study</author><pubDate>Wed, 28 May 2025 23:39:48 +0800</pubDate><description><![CDATA[100个类别又分为20个超类（如"鱼"超类包含"鲑鱼"、"鲨鱼"等子类）- 类别包括：飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船、卡车。- 每个类别有6000张图像（5000训练+1000测试）- 包含100个细粒度类别的6万张32x32彩色图像。- 每个类别有600张图像（500训练+100测试）了解下CIFAR数据集，尝试获取其中一张图片。- 包含10个类别的6万张32x32彩色图像。- 图像分类任务基准测试。- 深度学习模型性能评估。- 计算机视觉算法研究。]]></description><category></category></item><item><title><![CDATA[Day38]]></title><link>https://blog.youkuaiyun.com/cr123study/article/details/148264807</link><guid>https://blog.youkuaiyun.com/cr123study/article/details/148264807</guid><author>cr123study</author><pubDate>Tue, 27 May 2025 20:50:56 +0800</pubDate><description><![CDATA[Dataset类的__getitem__和__len__方法（本质是python的特殊方法）作业：了解下cifar数据集，尝试获取其中一张图片。Dataset和Dataloader类。minist手写数据集的了解。Dataloader类。]]></description><category></category></item><item><title><![CDATA[Day37]]></title><link>https://blog.youkuaiyun.com/cr123study/article/details/148241354</link><guid>https://blog.youkuaiyun.com/cr123study/article/details/148241354</guid><author>cr123study</author><pubDate>Mon, 26 May 2025 22:54:24 +0800</pubDate><description><![CDATA[对信贷数据集训练后保存权重，加载权重后继续训练50轮，并采取早停策略。]]></description><category></category></item><item><title><![CDATA[Day36]]></title><link>https://blog.youkuaiyun.com/cr123study/article/details/148215370</link><guid>https://blog.youkuaiyun.com/cr123study/article/details/148215370</guid><author>cr123study</author><pubDate>Sun, 25 May 2025 22:40:34 +0800</pubDate><description><![CDATA[【代码】Day36。]]></description><category></category></item><item><title><![CDATA[Day35]]></title><link>https://blog.youkuaiyun.com/cr123study/article/details/148197057</link><guid>https://blog.youkuaiyun.com/cr123study/article/details/148197057</guid><author>cr123study</author><pubDate>Sat, 24 May 2025 22:19:22 +0800</pubDate><description><![CDATA[【代码】Day35。]]></description><category></category></item><item><title><![CDATA[Day34]]></title><link>https://blog.youkuaiyun.com/cr123study/article/details/148176186</link><guid>https://blog.youkuaiyun.com/cr123study/article/details/148176186</guid><author>cr123study</author><pubDate>Fri, 23 May 2025 21:07:46 +0800</pubDate><description><![CDATA[【代码】Day34。]]></description><category></category></item></channel></rss>