- 博客(27)
- 收藏
- 关注
RSS订阅原创 第P28：阿尔茨海默病诊断（优化特征选择版）
适用于基于预定义重要性阈值快速简化模型的场景。RFE：适用于需要直接控制最终特征数量且愿意接受更高计算成本的场景。
2025-07-11 20:36:17
613
原创 P27：RNN实现阿尔茨海默病诊断
在这个实例中，我们定义了训练函数和测试函数，分别用于计算模型在训练集和测试集上的损失和准确率，并更新模型参数。此外，我们还学习了如何使用数据加载器来批量加载数据，以及如何在训练过程中记录和输出模型的训练进度和指标，这些技巧对于监控和调整模型的训练过程非常有帮助。最后，我们在其他代码中加载了之前保存的模型，并使用它对新的数据进行预测。在这个实例中，我们使用 pandas 读取 CSV 格式的阿尔茨海默病数据，并进行了一些简单的预处理操作，比如删除第一列和最后一列，以及将特征数据标准化为标准正态分布。
2025-06-27 19:35:02
751
原创 P25：LSTM实现糖尿病探索与预测
通过这个糖尿病预测案例，我们学习了LSTM网络的基本原理和PyTorch框架的使用方法。从数据预处理到模型训练，再到结果评估，每一步都蕴含着重要的机器学习知识。希望读者能够举一反三，将这些技术应用到其他领域的问题解决中。在实际应用中，不断尝试和优化是提高模型性能的关键。记住，深度学习不仅需要理论知识，更需要大量的实践和耐心调试。
2025-06-13 19:52:55
718
原创 P23：实现天气预测
知识点：Pandas读取CSV文件的核心方法：将字符串转换为日期时间对象dt访问器：提取日期特征（年、月、日）drop()：删除不必要的列（Date）数据处理意义：原始数据通常包含冗余信息和需要转换的格式，预处理是建模的基础。
2025-05-30 15:15:54
1029
原创 P21-RNN-心脏病预测
循环神经网络（Recurrent Neural Network，简称 RNN）是一类以序列数据为输入，在序列的演进方向进行递归且所有节点（循环单元）按链式连接的递归神经网络。：RNN 能够处理长度可变的序列数据，这使得它在自然语言处理、时间序列预测、语音识别等任务中表现出色，因为这些任务中的数据通常具有序列性和时间依赖性。：在整个序列中，RNN 的参数（权重矩阵和偏置向量）是共享的，这不仅减少了模型的参数量，还使得模型能够对不同位置的输入进行统一的处理和学习。
2025-05-16 14:35:51
703
原创 P20：Inception v3算法实战与解析
Inception v3是Google团队在2015年提出的第三代Inception模型，属于卷积神经网络（CNN）的经典架构之一，主要用于图像分类任务。它在Inception v1（即GoogLeNet）的基础上进行了多项优化，显著提升了模型性能和计算效率。
2025-05-02 19:08:58
1282
原创 P19:Inception v1算法实战与解析
这种结构在一个层中并行使用多个不同大小的卷积核（1×1、3×3、5×5）以及池化操作，目的是同时提取不同尺度的特征。Inception V1 的主要特点是在一个网络中同时使用不同大小的卷积核（1x1、3x3、5x5）和池化操作来提取多尺度特征。通过对比可以看出，第二种方式在保持输出特征图大小不变的情况下，参数数量显著减少，计算量也更小，这是由于1×1卷积有效地降低了通道数。1×1卷积核大小：1×1×128。5×5卷积核大小：5×5×32。卷积核大小：5×5×128。填充大小（1×1卷积）：0。
2025-04-25 20:09:41
1172
原创 第18周：对于ResNeXt-50算法的思考
但问题在于，当conv_shortcut=False时，通常意味着输入的通道数和输出的通道数一致，所以不需要用1x1卷积调整。那如果输入x的通道数原本是filters2，而经过第一层1x1卷积后变成filters，再分组卷积可能还是filters，然后最后一层1x1转成filters2，这样最终x的通道数是filters2，而shortcut是输入的x，假设输入x的通道数也是filters2，那么它们的通道数一致，Add操作没问题。时，输入张量的通道数需要与残差单元的输出通道数一致。
2025-04-18 22:32:35
847
原创 P16周：DenseNet+SE-Net实战_猴痘病毒
在DenseNet中插入SE模块是一种低成本、高收益的改进策略，通过通道注意力机制增强模型的特征选择能力，尤其适合需要高精度但对计算资源不敏感的场景。实际应用中需根据任务需求权衡计算开销和性能提升，并通过消融实验确定最佳插入位置和参数配置。
2025-03-28 19:28:20
1074
原创 P14：DenseNet算法_实现乳腺癌识别
查看使用的是GPU还是CPU二、导入数据三、搭建模型查看参数量以及其他指标四、创建训练函数五、创建测试函数六、主函数调用保存最佳模型查看Loss与Accuracy图通过这个实例的学习，我对DenseNet算法在乳腺癌识别任务中的应用有了更深入的理解。深度学习在医学图像分析领域有着巨大的潜力，通过合理的模型设计和训练策略，我们可以更高效地解决实际问题。未来，我将继续探索更先进的算法和技术，提高在类似任务中的表现。
2025-03-07 20:33:27
308
原创 P13:DenseNet算法实战与解析
定义：在DenseNet中，密集链接指的是网络中的每一层都与其他所有层直接连接。具体来说，第(l)层的输入不仅包括上一层(l-1)的输出，还包括前面所有层(1,2,\cdots,l-2)的输出。这种连接方式打破了传统卷积神经网络中层层递进的连接模式，使得信息能够在网络中更高效地流动。作用机制缓解梯度消失问题：在传统的深度神经网络中，随着网络深度的增加，梯度在反向传播过程中容易出现消失或爆炸的情况，导致训练困难。
2025-02-28 20:46:16
1122
原创 P12周：ResnetV2
定义残差块else:else:return x])return xif preact:else:else:return x。
2025-02-21 19:53:54
1252
原创 第P10周：Pytorch实现车牌识别
"""nn.Conv2d()函数：第一个参数（in_channels）是输入的channel数量第二个参数（out_channels）是输出的channel数量第三个参数（kernel_size）是卷积核大小第四个参数（stride）是步长，默认为1第五个参数（padding）是填充大小，默认为0"""# 最终reshapereturn x# 定义Reshape层modellr=1e-4,# 计算准确率。
2025-01-24 21:44:32
1157
原创 第P9周：YOLOv5-Backbone模块实现
returnp概述YOLOv5的Backbone（骨干网络）模块是YOLOv5架构中的关键部分。它的主要作用是提取图像的特征，为后续的目标检测任务提供丰富的语义信息。具体网络结构及功能CSPNet（CrossStagePartialNetwork）结构YOLOv5-Backbone部分采用了CSPNet结构。CSPNet的核心思想是通过跨阶段的局部连接，减少计算量的同时增强网络的学习能力。
2025-01-17 17:58:13
1088
原创 第P6周：马铃薯病害识别（VGG-16复现）
VGG-16（Visual Geometry Group-16）是由牛津大学视觉几何组（Visual Geometry Group）提出的一种深度卷积神经网络架构，用于图像分类和对象识别任务。VGG-16在2014年被提出，是VGG系列中的一种。VGG-16之所以备受关注，是因为它在ImageNet图像识别竞赛中取得了很好的成绩，展示了其在大规模图像识别任务中的有效性。深度：VGG-16由16个卷积层和3个全连接层组成，因此具有相对较深的网络结构。这种深度有助于网络学习到更加抽象和复杂的特征。
2024-12-27 16:56:35
691
原创 第P5周：Pytorch实现运动鞋识别_学习率变化
按需调整学习率（MultiStepLR）：按设定的间隔调整学习率，适合后期调试使用，观察loss曲线，为每个实验定制学习率调整时机。学习率自适应：可以使用自适应的学习率调整方法，根据模型的表现动态地调整学习率。指数衰减：学习率按指数函数进行衰减，例如每个epoch或一定的步数后，将学习率乘以一个小于1的指数因子。学习率衰减：随着训练的进行，可以逐渐降低学习率，使网络收敛。AdaGrad：根据参数的梯度历史信息来调整学习率，对于稀疏梯度的参数，学习率会相应地增大。
2024-12-13 20:36:48
1017
1
原创 第P4周：猴痘病识别
经过本周的学习，主要掌握了如何保存训练好的模型和参数，得到的结果可以不用像上周一样每次要执行预测的图片还要把上面的代码重新运行一下了。
2024-12-06 21:25:28
438
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