gs1we1的博客

关于项目的基本介绍。本项目实现的是对猫科动物的划分，划分的物种有猫、狗、野生三种分类，属于小颗粒度分类大颗粒度分类：以物种作为分类，比如飞机、青蛙、狗、猫、马、鹿等。实体颗粒度分类：具体到具体的人，比如指纹识别、人脸识别等具体的个体，具体的实体​ 本项目旨在使用卷积神经网络（CNN）进行图像分类任务。我们将使用 LeNet5（衍生） 模型来训练一个可以区分猫、狗和野生动物的分类器。项目中包括了数据预处理、模型训练、测试、验证以及单张图片推理等功能。问题。

通过之前的课程，了解并学习了MobileNetV1和MobileNetV2的相关内容和网络节点，这一章节学习MobileNetV3的相关内容，在现在比较流行一些边缘终端上，以MobileNetV3为识别网络或者为骨干网络是比较常用的，下图是MobileNetV2和MobileNet3的比较图，横坐标是在在谷歌自己做的Pixel 1手机上的延迟，纵坐标是准确率，可以看出，在相同延时下，MobileNet V3准确率更高。

传统的卷积神经网络参数量大，导致预测时算力大，对于手机、嵌入式等设备来讲是不行的，例如VGG16大概有490M，ResNet的152层模型有644M，这种是不能在移动端部署的时候不但慢还暂用空间，就无法满足手机、人脸识别打卡机等。2017年，Google提出的移动端高效率模型MobileNet：相比VGG16，分类准确率下降了0.9%，但是模型参数仅仅是VGG16的1/32到1/33。

​ 深层网络有个梯度消失问题：模型变深时，其错误率反而会提升，该问题非过拟合引起，主要是因为梯度消失而导致参数难以学习和更新。

卷积核的尺寸等于1的特例，来自《Network in Network》。

​ VGG的亮点在于它通过堆叠多个卷积层，以小的卷积核和池化层的方式来增加网络深度，从而实现高精度的图像识别。这种方法可以有效地捕获图像中的高级特征，并通过不断拟合训练数据来提高识别准确率。

论文地址：https://arxiv.org/abs/1404.5997。

模块的思想nn.Conv2d(stride=1,padding=0,# 业务逻辑的实现# 通过这个i我们可以拿到ModuleList中的对应的卷积层# 拿到3输入通道 s[N, (i, (i + 3)%6), H, W] 4:0---->[4,5,0]# 针对5去1的处理# 先变成5个# 再去掉中间的# 使用卷积层对数据进行卷积操作# 拼接到总的输出通道# 网络层nn.Conv2d(),# 自适应的做到14 * 14# C3# S4：自适应池化# C5# 输出层。

通过上述表格，我们可以清楚地看到 GoogLeNet 的前几层是如何逐步处理输入图像的。每个卷积层和池化层都有明确的参数设置，确保了网络能够有效地提取特征并减少计算量。特别是 Inception 模块的设计，通过引入不同大小的卷积核和池化操作，使得网络能够在多个尺度上捕捉图像特征，同时利用1x1卷积核进行降维，减少了参数数量，提高了计算效率。

​ 在训练深层神经网络时，由于模型参数较多，在数据量不足时很容易过拟合。而正则化技术主要就是用于防止过拟合，提升模型的泛化能力()和鲁棒性（

​ 梯度下降算法通过不断更新参数来最小化损失函数，是反向传播算法中计算权重调整的基础。在实际应用中，根据数据的规模和计算资源的情况，选择合适的梯度下降方式（批量、随机、小批量）及其变种（如动量法、Adam等）可以显著提高模型训练的效率和效果。​ Adam是目前最为流行的优化算法之一，因其稳定性和高效性，广泛应用于各种深度学习模型的训练中。Adam结合了动量法和RMSProp的优点，能够在不同情况下自适应调整学习率，并提供快速且稳定的收敛表现。

网络参数初始化return x网络结构：定义了一个包含两个全连接层的简单神经网络。前向传播：计算输入数据通过网络的输出。损失计算：计算输出与目标之间的均方误差损失。反向传播：计算损失函数关于每个参数的梯度。参数更新：使用优化器更新网络参数。

当输出层使用softmax多分类时，使用交叉熵损失函数；当输出层使用sigmoid二分类时，使用二分类交叉熵损失函数， 比如在逻辑回归中使用；当功能为线性回归时，使用smooth L1损失函数或均方差损失-L2 loss；

在使用Torch构建网络模型时，每个网络层的参数都有默认的初始化方法，同时还可以通过以上方法来对网络参数进行初始化。

我们来整一个小小的案例，帮助加深对知识点的理解~

自动微分模块torch.autograd负责自动计算张量操作的梯度，具有自动求导功能。自动微分模块是构成神经网络训练的必要模块，可以实现网络权重参数的更新，使得反向传播算法的实现变得简单而高效。

逻辑回归(Logistic Regression)是机器学习中的一种分类模型，，虽然名字中带有回归，但是它与回归之间有一定的联系。由于算法的简单和高效，在实际中应用非常广泛。逻辑回归一般用于二分类问题,比如:是好瓜还是坏瓜健康还是不健康可以托付终身还是不可以。

十 集成学习方法之随机森林机器学习中有一种大类叫集成学习（Ensemble Learning），集成学习的基本思想就是将多个分类器组合，从而实现一个预测效果更好的集成分类器。集成算法可以说从一方面验证了中国的一句老话：三个臭皮匠，赛过诸葛亮。集成算法大致可以分为：Bagging，Boosting 和 Stacking 三大类型。（1）每次有放回地从训练集中取出 n 个训练样本，组成新的训练集；（2）利用新的训练集，训练得到M个子模型；（3）对于分类问题，采用投票的方法，得票最多子模型的分类类别为最终

假设现在我们有一个数据集，它由两类数据组成，数据分布如下图所示：也就是说，我们会选择高概率对应的类别。这就是贝叶斯决策理论的核心思想，即选择具有最高概率的决策。已经了解了贝叶斯决策理论的核心思想，那么接下来，就是学习如何计算p1和p2概率。

获取数据、数据处理、特征工程后，就可以交给预估器进行机器学习，流程和常用API如下。1.实例化预估器(估计器)对象(estimator)， 预估器对象很多,都是estimator的子类（1）用于分类的预估器sklearn.neighbors.KNeighborsClassifier k-近邻sklearn.naive_bayes.MultinomialNB 贝叶斯sklearn.linear_model.LogisticRegressioon 逻辑回归。

特征工程:就是对特征进行相关的处理一般使用pandas来进行数据清洗和数据处理、使用sklearn来进行特征工程特征工程是将任意数据(如文本或图像)转换为可用于机器学习的数字特征,比如:字典特征提取(特征离散化)、文本特征提取、图像特征提取。特征工程步骤为：特征提取， 如果不是像dataframe那样的数据，要进行特征提取，比如字典特征提取，文本特征提取无量纲化(预处理)降维底方差过滤特征选择主成分分析-PCA降维。

Python语言机器学习工具Scikit-learn包括许多智能的机器学习算法的实现Scikit-learn文档完善，容易上手，丰富的API接口函数Scikit-learn官网：https://scikit-learn.org/stable/#Scikit-learn中文文档：https://scikitlearn.com.cn/scikit-learn中文社区数据量小，数据在sklearn库的本地，只要安装了sklearn，不用上网就可以获取数据量大，数据只能通过网络获取。

​ PySimpleGUI 是一个用于简化 GUI 编程的 Python 包，它封装了多种底层 GUI 框架（如 tkinter、Qt、WxPython 等），提供了简单易用的 API。PySimpleGUI 包含了大量的控件（也称为小部件或组件），这些控件可以帮助你快速构建用户界面。是一个用于连接 MySQL 数据库的纯 Python 实现。它允许 Python 程序与 MySQL 数据库进行交互，执行 SQL 查询，并处理结果集。1 准备工作：创建人脸表。

是一个非常流行的 Python 库，专门用于人脸识别任务。它基于 dlib 库和 HOG（Histogram of Oriented Gradients）特征以及深度学习模型，提供了简单易用的接口来进行人脸检测、面部特征点定位和人脸识别。库由 Adam Geitgey 开发，旨在简化人脸识别任务，使其更加容易上手。主要功能人脸检测检测图像中的人脸位置。支持使用 HOG 特征或 CNN（卷积神经网络）进行人脸检测。面部特征点定位检测人脸上的关键特征点（如眼睛、鼻子、嘴巴等）。人脸识别。

【代码】11.4OpenCV_图像预处理习题02。

在深度学习中，滤波器又称为卷积核，滤波的过程成为卷积。

【代码】10.31OpenCV_图像预处理习题。

​ 在计算机视觉和图像处理领域，图像预处理是一个重要的步骤，它能够提高后续处理（如特征提取、目标检测等）的准确性和效率。

print("状态码{}".format(response))"url": "你的地址",首先要爬取data和表头。

"url": "xxxxxxxxxxxxxxxx这里填地址",print("状态码{}".format(response))

MongoDB

redis

超详细 Hbase 知识体系思维导图

++ 意味着加一，不是加本身。单目运算符。判断一段字符串的单词数，设计一个数，当本身不是空格，下一个不是空格和结束符。one world二叉树中度为 0 的结点总是比度为 2 的结点多一。常用的黑盒测试方法和技术有：等价类划分法、边界值分析法、错误推测法和因果图。白盒测试方法有：逻辑覆盖测试（语句覆盖、路径覆盖、判断覆盖、条件覆盖）、基本路径测试。合法的标识符必须是：由字母下划线数字组成，且开头为字母或下划线。当程序对文件操作完成时，必须调用 fclose 函数文件。用 do

Python调用函数时可使用的正式参数类型： 必需参数 （位置参数）、关键字参数 （key=value）、默认参数 (key=default)、不定长参数(可变参数)、强制位置参数（组合传参） Tips：有兴趣的还可以了解一下什么是形参？什么是实参？不定长参数 *args **kwargs Python 在定义函数的过程中，当你可能需要一个函数能处理比当初声明时更多的参数。那么就会用到 *arg、**kwargs 称之为不定长参数，声明时不会命名； *ar...

在函数内部，可以调用其他函数。如果一个函数在内部调用自身本身，这个函数就是递归函数。举个例子，我们来计算阶乘n! = 1 x 2 x 3 x ... x n，用函数fact(n)表示，可以看出： 1 fact(n) = n! = 1 x 2 x 3 x ... x (n-1) x n = (n-1)! x n = fact(n-1) x n 所以，fact(n)可以表示为n x fact(n-1)，只有n=1时需要特殊处理。于是，fact(n)用递归的方式

Python递归函数详解 在函数内调用当前函数本身的函数就是递归函数 下面是一个递归函数的实例： 第一次接触递归函数的人，都会被它调用本身而搞得晕头转向，而且看上面的函数调用，得到的结果会是： 为什么会得出上面的结果呢？因为都把调用函数本身之后的代码给忘记了，就是else之后的python 代码。 实际此递归函数输出的是以下结果： 相信大家看到这里都有点蒙，小编也一样，我第一次看到这个递归...

最近在做递归一些相关的东西，发现递归入门很容易，但要具体了解其实现过程，比较难以理解，在这里将自己这几天的摸索记录一下，写知乎的主要目的是为了给自己做笔记，在做笔记的同时，帮助后来人少走弯路。今天简要的介绍下递归具体实现过程，后面我会加入具体一些递归算法(排序、二叉树等)的分析。一、引子要理解递归，首先要理解return，return有三层含义：1、返回值是什么；2、返回到调用该层函数体的位置；3、返回到上一级（上一层）。其次要理解print，print打印的是函数的返回值，如果一个函数没有返回值，

1. 递归① 递归算法将子问题变成与大问题形式相同，规模缩小的问题，形成递归。② 找到子问题与大问题之间关系，形成递归表达式。def fib(n): if n<1: print('wrong') else: if n == 1 or n == 2: return 1 else: return fib(n-1)+fib(n-2) # print(fib(..

class Vector: def __init__(self,a,b,c): #初始化方法 进行传参 self.x=a self.y=b self.z=c def plus(self,m,n): #定义向量的加法运算 self.x=m.x+n.x self.y=m.y+n.y self.z=m.z+n.z print((self....