- 博客(55)
- 资源 (15)
- 收藏
- 关注
RSS订阅原创 第1天：跑通YOLOV5
本文介绍了使用YOLOv5进行目标检测的实践过程。作者首先从GitHub下载YOLOv5源码并安装依赖，解决了部分包版本问题。随后分别测试了图片和视频检测功能：使用detect.py脚本成功检测测试图片中的目标，并实现了对视频的逐帧检测处理。实验结果表明，视频检测本质上是将1590帧图像（53秒30fps）逐帧处理后再合并。整个过程展示了YOLOv5在图像和视频目标检测中的实际应用。
2025-07-29 12:10:00
177
原创 第9天：阿兹海默病预测
本文基于365天深度学习训练营项目，使用PyTorch框架构建阿兹海默病分类模型。研究分析了包含2149例患者（64.6%正常，35.4%阿兹海默病）的临床数据，通过数据可视化展示了年龄、MMSE评分等关键特征的分布规律。采用标准化预处理后，将数据划分为训练集和测试集，并构建了包含3个全连接层的神经网络模型。实验结果表明，该模型能有效区分正常与阿兹海默病患者，为临床诊断提供辅助决策支持。完整代码实现了数据加载、特征分析、模型训练和评估的全流程。
2025-07-25 11:36:55
406
原创 第8天：LSTM模型预测糖尿病（优化）
本文介绍了基于LSTM神经网络的糖尿病预测模型的实现过程。作者使用Python 3.10和PyCharm环境，搭建了包含数据预处理、模型训练和评估的完整流程。数据部分采用标准化处理和异常值检测，LSTM模型配置了128维隐藏层和30%的dropout率以防止过拟合。训练过程使用交叉验证和早停机制，并将模型保存为文件。代码还包含日志记录和可视化功能，便于分析模型性能。该项目是365天深度学习训练营的学习成果，完整代码见原文链接。 （注：摘要控制在150字以内，重点突出了技术实现的关键点）
2025-07-14 12:33:59
397
原创 第7天：使用LSTM模型预测糖尿病
本文介绍了基于PyTorch的糖尿病预测深度学习模型开发过程，主要包含以下内容： 环境配置：使用Python 3.10、PyCharm和PyTorch框架搭建开发环境，并配置了图形显示参数。 数据预处理： 加载糖尿病数据集(dia.xls)并进行探索性分析 可视化13个临床特征分布情况 划分训练集和测试集(比例8:2) 模型实现： 构建神经网络模型(输入层13个特征、隐藏层200个神经元、输出层2分类) 配置超参数(批量大小64、学习率1e-4、训练30轮) 使用GPU加速训练 数据处理类：封装了数据加载、
2025-07-03 13:14:50
237
原创 没苦硬吃-在多邻国上学习日语200天后，我用AI开发了一个日语学习APP
因最近几年工作原因，经常出差日本 ，于是就有了学习日语的打算，经朋友推荐下载了多邻国APP进行学习，这个APP总体上非常的好用，我在学习了200+天后，发现读音没问题，但是看到日文中的“汉字”却不会发音（有可能我学习的进度太慢，还没学习到），我就想有没有丰富的日语词汇可以查询和学习，强化记忆的。刚好最近在研究AI编程，于是大约一周时间，边摸索边开发，终于第一版出来了。（本APP纯为学习而用，不打算上架，估计有不少bug，有兴趣的可以在文末下载玩玩，也欢迎交流）## 📱 应用简介。
2025-07-02 19:55:26
1067
原创 第6天：预测天气
本文记录了365天深度学习训练营中关于天气预测任务的实践过程。首先通过Python 3.10和PyCharm环境对澳大利亚天气数据进行预处理，包括转换日期格式、特征工程和缺失值处理（采用随机填充和均值/众数填充策略）。随后构建了包含24个特征的数据集，使用LabelEncoder处理类别变量，并通过热力图和统计图表进行数据分析。分析发现今日降雨对明日降雨概率的影响约为46-53%。最终构建的特征矩阵将用于后续的深度学习模型训练，目标是预测次日是否降雨。完整代码和可视化结果展示了数据科学项目的典型工作流程。
2025-06-26 14:29:08
321
原创 第5天：LSTM预测火灾温度
本文介绍了使用LSTM模型预测火灾温度的深度学习实践。主要步骤包括：1) 环境配置（Python 3.10/PyCharm/PyTorch）；2) 数据预处理，采用MinMaxScaler归一化和滑动窗口划分数据集；3) 构建双层LSTM网络，包含320个隐藏单元和全连接输出层；4) 实现训练和测试流程，包含损失计算和优化器更新。实验结果表明，该模型能够有效处理火灾温度预测任务。该方法来自365天深度学习训练营的学习记录，为时间序列预测提供了实践参考。
2025-06-19 19:39:24
233
原创 第2天：认识LSTM
本文介绍了LSTM（长短期记忆网络）的核心原理与实现。LSTM通过遗忘门、输入门和输出门三个关键组件有效解决了传统RNN的梯度消失问题，能够处理长序列数据。文章详细解析了LSTM的门控机制和工作流程，并提供了基于PyTorch的LSTM网络实现代码，包括参数设置和前向传播过程。最后列举了LSTM在自然语言处理、时间序列预测等领域的典型应用。该内容来自365天深度学习训练营的学习记录，使用Python 3.10和PyCharm环境开发。
2025-06-05 12:43:09
1081
原创 第1天：认识RNN及RNN初步实验（预测下一个数字）
循环神经网络（RNN）是一种专门处理序列数据的神经网络，其核心特点是具有"记忆"功能，能够保留历史信息用于当前计算。RNN通过循环连接和共享权重机制，有效处理自然语言、时间序列等数据。相较于传统前馈神经网络，RNN能捕捉序列的时序特征和上下文依赖关系。然而标准RNN存在梯度消失和长程依赖问题，因此发展出LSTM和GRU等改进结构。本文还通过Python代码展示了RNN的简单实现，包括数据准备、模型定义和训练过程。RNN及其变体在机器翻译、语音识别等序列任务中具有广泛应用。
2025-06-02 11:27:52
1137
原创 第J9周：Inception v3算法实战与解析
本文介绍了基于Inception V3模型的天气识别实现，属于365天深度学习训练营的学习项目。Inception V3是Google提出的高效CNN架构，通过卷积分解、并行模块和批归一化等技术优化计算效率和精度。文章详细解析了Inception V3的核心创新点，包括模块化设计、非对称卷积分解、辅助分类器等，并提供了使用PyTorch实现的具体代码框架，包含三种Inception模块的定义。该项目目标是利用该模型对天气图像进行分类识别，展示了深度学习在计算机视觉领域的实际应用。
2025-05-28 12:07:18
922
原创 第J8周：Inception v1算法实战与解析
文章主要介绍了1×1卷积运算的原理及其在Inception v1模型中的应用，并展示了如何利用该模型进行猴痘病识别。1×1卷积通过降低通道数来减少计算量，同时保持空间维度不变，适用于特征重组和模型压缩。文章详细解释了1×1卷积的数学原理，并通过代码实现了Inception v1模型，包括其多个分支结构和卷积层的组合。最终，模型通过全连接层进行分类，适用于图像识别任务。
2025-05-21 03:19:37
1003
原创 第J7周：ResNeXt解析
本文是365天深度学习训练营中的学习记录博客，作者为K同学。文章详细介绍了如何使用Python 3.10和TensorFlow框架实现深度学习模型，特别是ResNeXt残差网络的构建。具体步骤包括环境配置、GPU内存设置、中文字体支持、分组卷积块的实现以及ResNeXt残差块的构建。代码中使用了TensorFlow的Keras API，涵盖了卷积层、批归一化、激活函数、残差连接等关键操作。通过堆叠多个残差块，构建了一个完整的深度学习模型，并提供了详细的代码实现和注释。
2025-05-09 13:51:07
607
原创 第J2周：ResNet50V2算法实现02（Tensorflow优化版）
使用tensorflow实现ResNetV50V2的网络结构。本次根据第一层的细节手动硬编码，没有任何的优化，只为了更好的理解细节。是根据网络结构一行一行写出来的。
2025-03-17 12:31:57
415
原创 第J2周：ResNet50V2算法实现01（Tensorflow硬编码版）
使用tensorflow实现ResNetV50V2的网络结构。本次根据第一层的细节手动硬编码，没有任何的优化，只为了更好的理解细节。结果不是很理想，网络结构应该还有瑕疵。后续优化代码解决拟合问题。
2025-03-12 23:04:28
518
原创 第P7周-Pytorch实现马铃薯病害识别（VGG16复现）
马铃薯病害数据集，该数据集包含表现出各种疾病的马铃薯植物的高分辨率图像，包括和。它旨在帮助开发和测试图像识别模型，以实现准确的疾病检测和分类，从而促进农业诊断的进步。语言环境编 译 器:PyCharm框 架:Pytorch。
2025-01-26 12:43:57
1681
2
原创 第P5周-Pytorch实现运动鞋品牌识别
本次学习对于构建CNN网络中的 nn.BatchNorm2d(）做了初步的了解，nn.BatchNorm2d(）进行数据的归一化处理，这使得数据在进行Relu之前不会因为数据过大而导致网络性能的不稳定，BatchNorm2d()函数数学原理如下：BatchNorm2d()内部的参数如下：1.num_features：一般输入参数为batch_sizeheight*width，即为其中特征的数量2.eps：分母中添加的一个值，目的是为了计算的稳定性，默认为：1e-5。
2025-01-08 18:36:00
419
原创 第P3周：Pytorch实现天气识别
语言环境：Python 3.10编 译 器: PyCharm框 架: Pytorch 2.5.12. 模型代码3. 预测真实图片：pred.py准确率80%.下载一个大数据集训练一下，数据如下：
2024-12-17 17:27:33
477
原创 第P2周：Pytorch实现CIFAR10彩色图片识别
batch_size=16,epochs=50:有第20轮左右的时候，验证集的确认性基本就没有再提高了。比较漂亮了，再调整batch_size=16和epochs=20,提高了近6个百分点。输出：CUDA is available, will use GPU。可以看到训练集和测试集的差距有点大，不太理想。
2024-12-13 00:17:36
707
2
原创 第P1周：Pytorch实现mnist手写数字识别
# 第一步：设置硬件设备，有GPU就使用GPU，没有就使用GPU device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') print(device)
2024-12-06 14:24:31
1464
原创 第T8周：Tensorflow实现猫狗识别(1)
# 归一化处理 train_ds = train_ds.map(preprocess_image, num_parallel_calls=AUTOTUNE) val_ds = val_ds.map(preprocess_image, num_parallel_calls=AUTOTUNE) # cache() ----将数据集缓存到内存当中 加速运行 # shuffle() ----打乱数据 # prefetch() ----预取数据，加速运行 train_ds = train
2024-11-19 10:32:10
761
原创 第T7周：Tensorflow实现咖啡豆识别
VGG-16的网络 有13个卷积层（被5个max-pooling层分割）和3个全连接层（FC），所有卷积层过滤器的大小都是3X3，步长为1，进行padding。5个max-pooling层分别在第2、4、7、10，13卷积层后面。每次进行池化（max-pooling)后，特征图的长宽都缩小一半，但是channel都翻倍了，一直到512。最后三个全连接层大小分别是4096，4096， 1000,我们使用的是咖啡豆识别，根据数据集的类别数量修改最后的分类数量（即从1000改成len(class_names))
2024-11-15 12:55:27
599
原创 第T6周：Tensorflow实现好莱坞明星识别
实际预测会发现结果有很大概率会出错的。其次看模型评估，其实训练的结果是比较差的， val_accuracy最好只有40%左右。如何提高准确率，还需要研究，后续出实践总结。
2024-11-01 18:23:41
304
原创 第T5周：Tensorflow实现运动鞋品牌识别
tf.keras.layers.Dropout( rate, noise_shape=None, seed=None, **kwargs** )使用是防止过拟合，提高模型的泛化能力。过拟合：模型在训练数据中表现优秀，但在测试数据或者新数据中表现糟糕的情况。泛化：就是指模型对于未见过的数据上的表现能力参数：**rate**: 0-1之间的小数，让神经元以一定的概率rate停止工作，提高模型的活化能力。**noise_shape**:这是一个1维整数张量，表示将与输入进行乘法运算的二值dropout
2024-10-19 17:30:53
583
原创 第T4周：TensorFlow实现猴痘识别
1. 数据集的格式可以有多种，可以是numpy数组，文本数据，CSV数据，文件数据等；2. 数据集加速配置，如何更好的利用CPU时间3. 保存模型的要素，结构、权重、配置。仅保存权重并不是模型本身。
2024-10-12 11:30:00
1107
原创 02：图像的基本操作
图像的基本操作。https://docs.opencv.org/4.10.0/dc/d4d/tutorial_py_table_of_contents_gui.html
2024-10-08 16:26:05
175
原创 第T3周：TensorFlow构建CNN网络模型实现天气识别
1.如何检测GPU并使用GPU进行大模型训练与预测2.与之前不一样的数据集的加载与处理方式3.不同的损失函数，池化层函数，学习率和准确率之间有什么关系？需要继续了解4.怎么解决过拟合的问题呢，后续学习研究。5.学习数据增加的方式方法6.每次模型训练完，进行真实图片的预测，应该模型能够保存后直接调用才对，不可能每次使用都需要重新训练一遍。学习模型的保存与加载使用。
2024-10-05 12:30:00
1096
Windows Live Installer
2007-11-16
BOINC.EXE
2007-10-27
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人