算法与编程之美-优快云博客

原创把小写数字金额转为大写汉字金额

针对把小写数字金额转化为大写汉字金额问题，提出使用数组,字符串的拼接,charAT(),length()方法,再嵌套循环的方法，通过实验，证明该方法是有效的。清晰的描述本文待解决的问题是什么，是全文的重点所在，开发者在搜索文章的时候，如果问题与他契合，则会更有兴趣并完成全文的阅读。

2026-01-05 00:01:40 223

原创利用java解决评委评分问题

针对评分问题其主要困难在于数据的录入，以及方法的实现以及调用，数据的删除，最后在计算时还要注意将数组长度减2，在次过程中多次用到了for循环来解决数组中数据的修改和计算。此外文中方法可能不是最优解，后续还可以多加优化。在许多比赛中，都会由评委来为各位选手的表演评分，许多的评分规则都是取出一个最高分和去除一个最低分，然后取其他评委的总分之和除以人数，最后得到最终选手的分数。

2026-01-04 00:00:43 286

原创查找数组最小值，并将数组扩容成新数组

针对如何通过查找数组最小值，并将数组扩容成新数组，以及使用动态分布定义数组，通过实验证明该方法是有效的，所以以后需更加优秀的算法优化。随机产生10个从0-100之间的整数，并查找最小值；将该数组扩容成新数组，把最小值存在新数组的第一个位置。

2026-01-03 00:00:28 279

view()的原理就是把原来tensor中的数据进行排列，排成一行，然后根据所给的view()中的参数从一行中按顺序选择组成最终的tensor。因为卷积层为二维图像,全连接层为一维向量，所以我们使用Flatten()函数将多维的卷积层输出进行降维作为全连接层的输入，将卷积层过渡到全连接层。针对卷积层与全连接层的维度不同，整个卷积神经网络最后的结果不好输出的问题，我们提出采用Flatten对卷积层降维作为全连接层的输入，最后再输出的方法，通过以上实验，证明Flatten降维效果显著且有效。

2026-01-02 00:00:47 340

原创探索多个卷积层的卷积神经网络

随着卷积层数量的增加，模型的准确率逐渐提高，但训练时间和模型复杂度也随之增加。在实际应用中，应根据任务需求和数据特点来选择合适的卷积层数量，以获得最佳的模型性能。模型构建：构建多个卷积神经网络模型，分别具有1、2、3、4个卷积层，每个模型使用相同的卷积核大小、激活函数和池化层设置。结果分析：对比不同数量卷积层的模型在准确率、训练时间和模型复杂度方面的表现，分析卷积层数量对模型性能的影响。在模型复杂度方面，随着卷积层数量的增加，模型参数数量和计算量也相应增加，可能导致过拟合的风险提高。

2026-01-01 00:01:58 304

原创探索不同的损失函数对分类精度的影响.

不同的损失函数在不同的应用场景和问题中可能有不同的优势和劣势。平均绝对误差（Mean Absolute Error，MAE）：MAE计算的是模型预测值与实际值之间差异的绝对值的均值。它计算的是模型预测值与实际值之间差异的平方和的均值。针对不同的损失函数对分类精度的问题，提出用代码来实现来验证的方法，通过百度以及在csdn上查询资料了解到这两个问题后，证明该方法是有效的，通过在这个问题我们学习到了不同的损失函数对分类精度的区别。以下不同的损失函数对分类精度的影响主要取决于模型的特性和问题的性质。

2025-12-31 00:00:55 368

原创损失函数与分类精度的关系

在这次实践的学习中，不同的损失函数对分类精度产生的效果也不相同，损失函数评价预测值和真实值，我们通过不同的损失函数得到了明显的差异效果。3.対数失函数（Logarithmic Loss， LogLoss）：対数损失函数也是常用于分类问题的一种损失函数，它的计算方式是将预测值与真实值的对数差的平均值作为损失。损失函数是机器学习中非常重要的一个概念，它用于衡量模型预测结果与真实结果之间的差异，从而指导模型的训练。损失函数用来评价模型的预测值和真实值不一样的程度，损失函数越好，通常模型的性能越好。

2025-12-30 00:01:31 358

原创探索不同的损失函数对分类精度的影响

然而，对于房屋价格的分类任务，均方误差损失函数的效果可能不理想，因为它过分关注具体的数值预测，而不是分类决策是否准确。Hinge损失函数关注的是分类边界上的错误，而忽略了正确分类的样本，因此在某些场景下可能表现较好。Focal损失函数通过降低背景像素权重，给予前景像素更多的关注，从而提高前景像素的分类准确率。然而，相比于交叉熵损失函数，在分类任务中，均方误差损失函数的分类效果通常较差。这是因为均方误差对于分类任务并不是一个很好的衡量指标，它对于分类错误的惩罚过重，对于分类正确但概率不够自信的预测惩罚不足。

2025-12-29 00:01:08 413

原创深度学习模型效果评估指标precision, recall, f1-score及部分实现方法

针对计算平衡F分数f1-score的问题，提出从sk-learn中导入f1_score库来计算，通过查阅资料，发现该方法是有效的，本文中没有详细介绍精确率precision和召回率recall的计算方法，并且计算平衡F分数f1-score没用通过综合Precision与Recall的结果来得到，而是用第三方库。其数值为精确率和召回率的调和平均数，数学表达式为：f1-score = 2/ (1/P+1/R) = 2PR/P+R，f1-score常常作为最终测评的方法。

2025-12-28 00:00:43 206

原创 PyTorch中torch.flatten()函数的用法

针对torch.flatten()函数各个参数的含义是什么以及如何使用的问题，查看了函数本身的定义并搜索了函数参数的其他解释，通过随机产生一个四维数据和假设一个三维数据实例实验后，了解了利用torch.flatten()函数设置不同参数的具体用法，本文只描述了torch.flatten()函数，未来还可以更深入了解torch.nn.Flatten()函数、torch.Tensor.flatten()函数以及它们的区别等。2.start_dim为0，并且锁定结束维度为1时，前面的维度就会合并。

2025-12-27 00:02:25 247

原创探索卷积层输入输出的shape的计算公式

假设我们有一个卷积核，它的形状是 (kernel_height, kernel_width, in_channels, out_channels)，其中 kernel_height 和 kernel_width 是卷积核的高度和宽度，in_channels 是输入的通道数，out_channels 是输出的通道数。在卷积层中，输入数据的形状和输出的形状是可以通过卷积核的大小和步长来计算的。其中，输入形状、卷积核形状、填充和步幅都是超参数，需要在卷积层的定义中指定。探索卷积层输入输出的shape的计算公式。

2025-12-26 00:00:43 406

原创解决tensor的shape不为1,如何转移到CPU的问题

并且我们也可以通过pred.argmax(dim=1)，我们获取每个样本预测结果概率最高的类别的索引，得到一个一维张量 batch_predictions。使用 .sum().item()方法对布尔值张量进行求和，计算出预测正确的样本数量，并使用 .item() 方法将结果转换为 Python 标量类型，以方便获取具体的数值。最后，使用 .sum().item()方法对布尔值张量进行求和，计算出预测正确的样本数量，并使用 .item() 方法将结果转换为 Python 标量类型，以方便获取具体的数值。

2025-12-24 00:00:44 286

原创不同的优化器对分类精度的影响以及损失函数对分类精度的影响.

要选择合适的优化器和超参数，通常需要进行实验和交叉验证，以找到在特定任务和数据集上表现最佳的组合。此外，监控训练过程中的指标，如训练和验证精度，有助于了解优化器选择是否有效。最终，分类精度不仅受优化器的影响，还受模型架构、数据质量、数据预处理等因素的影响。2.探索不同的损失函数对分类精度的影响。

2025-12-23 00:00:44 417

原创深度学习任务中的多层卷积与全连接输出方法

一个简单的方法是在每个卷积层之后添加一个输出层，将卷积层的输出结果直接作为输出层的输入。未来的研究可以进一步探索如何选择和利用全连接层的输出结果，如何减少过拟合的影响，以及如何自动化地设置全连接层的输入和输出维度，以提高模型性能和效率。具体方法是将多个卷积层的输出结果经过flatten操作，转换为一维张量，然后依次通过多个全连接层进行进一步的特征提取和转换。多个卷积层连续输出方法和多个卷积层加上多个全连接层的输出方法都是针对深度学习任务中的问题提出的。# 最后得到多个卷积层和多个全连接层的输出结果。

2025-12-22 00:00:32 306

原创卷积层与池化层的输入输出的shape的计算公式

池化也是一种类似的卷积操作，只是池化层的所有参数都是超参数，是学习不到的。只提取了显著特征，而舍弃了不显著的信息，是的模型的参数减少了，从而一定程度上可以缓解过拟合的产生。激活函数Relu，在神经网络中的作用是：通过加权的输入进行非线性组合产生非线性决策边界简单的来说就是增加非线性作用。即输入图片大小为：input = Variable(torch.randn(1, 1, 28, 28)) 即28*28的单通道图片。卷积层与池化层的输入输出的shape的计算公式。P：填充值的大小 0默认值。

2025-12-20 00:01:18 756

原创 VGG网络、1x1卷积与卷积层参数和计算的探讨

VGG网络的特点包括：1.深度：VGG网络有多个卷积层和全连接层，总共包含16-19层卷积层，这在当时被认为是非常深的网络结构。2均一的卷积核大小：VGG网络使用3x3大小的卷积核，这种均一的卷积核大小有助于保持模型的简洁性.3.均一的步幅和填充：VGG网络在卷积层之间使用小的步幅和相同的填充，这也有助于保持模型的一致性。计算量取决于卷积核的大小，输入特征图的空间分辨率，输入通道数，输出通道数。对于一个卷积层，参数量取决于卷积核的大小，输入通道数，输出通道数，参数共享。卷积层参数量，计算量的计算方法。

2025-12-19 00:00:22 877

原创深度学习图像处理之VGG网络模型

VGG网络的原理是通过连续使用几个3x3的卷积核来代替较大卷积核（如7x7，5x5），这样可以在保证具有相同感知野的条件下，提升了网络的深度，在一定程度上提升了神经网络的效果。第一层卷积层：输入尺寸为[224, 224, 3]，输出尺寸为[_, 64, 7, 7]。第三层卷积层：输入尺寸为[128, 7, 7]，输出尺寸为[_, 256, 7, 7]。第二层卷积层：输入尺寸为[64, 7, 7]，输出尺寸为[_, 128, 7, 7]。第五层卷积层：输入尺寸为[512]，输出尺寸为[_, 512]。

2025-12-18 00:01:11 417

原创探究nn.Linear和nn.Conv2d的基本用法

PyTorch的nn.Linear（）是用于设置网络中的全连接层的，需要注意在二维图像处理的任务中，全连接层的输入与输出一般都设置为二维张量，形状通常为[batch_size, size]，不同于卷积层要求输入输出是四维张量。针对探究nn.Linear问题，其用于设置网络中的全连接层的，需要注意在二维图像处理的任务中，全连接层的输入与输出一般都设置为二维张量，其中参数in_features指的是输入的二维张量的大小，即输入的[batch_size, size]中的size。

2025-12-17 00:00:51 416

原创探索Transform的中不同参数的用法

compose=transforms.Compose([ transforms.Resize((224, 224)),transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) # 对图像进行Compose转换 image = Image.open('example.jpg')

2025-12-16 00:01:21 322

原创多个卷积层连续输出的方法

为了连续输出卷积层，我将第一个卷积层的输出作为了第二个卷积层的输入，需要注意的时第一个卷积层的out_channels要与第二层的in_channales相等，不然就无法进行。我在刚开始尝试的时候，把公式中的步幅+1一并作为分母，最后得到的结果一直与程序跑出来的结果不同，改正后计算结果与程序的结果终于相同了。本次我主要探索的就是卷积层连续输出方法，我也在网络上查询了方法，单座后的结果却是出乎意料的简单，只需要。如上述代码，我给的输入层数据为（3，24，24），得到的结果如下图。多个卷积层连续输出的方法。

2025-12-15 00:01:03 236

原创 Java方法的重载

在多个方法中实现相同的功能，将其重写为不同的方法，可提高程序的可重用性。就可以避免一个方法多次被调用时，它的同名方法又要重新做一次。由于在很多时候，我们所需要使用的方法不可能是只有一种类型的，因此我们可以通过重载来实现相同类型方法之间的互相调用。对于这个问题， Java语言的设计者是这样规定的：如果没有定义一个方法名为 static的类，那么 Java类应该有8个以上方法（或者方法名中至少包含4个数字）；其次，由于每个重写后的方法都不同，所以不会出现某个重写后的方法被覆盖或调用时不能正常返回结果等问题。

2025-12-14 00:00:28 606

原创机器学习测试模型的性能评估与探索

再比如以最近的新冠疫情为例，如果一个患病者（实际为正）经过试剂检测被预测为没有患病（预测为负），这样的假反例或者说假阴性产生的风险就非常大．。适用场景:当反例被错误的预测为正例（假正例）产生的代价很高的时候，适合用查准率，因为高查准率意味着低假正率/假阳性．比如在垃圾邮件检测中，假正例意味着非垃圾邮件（实际为负）被错误的预测为垃圾邮件（预测为正）．如果一个垃圾邮件监测系统的查准率不高导致很多非垃圾邮件被归到垃圾邮箱里去，那么邮箱用户可能会丢失或者漏看一些很重要的邮件．。F1是查准率和查全率的一个加权平均。

2025-12-12 00:00:29 355

原创 Python中字典

以上介绍了字典的部分内置方法及其功能，如popitem()、pop(key[,default])等涉及到键和值的返回删除。这些方法使得字典的操作更加灵活和高效。print(key) # 输出可能是 'a', 'b', 'c' 中的任意一个，取决于 Python 的实现和字典的插入顺序。print(my_dict) # 输出: {'b': 2, 'c': 3}（'d' 键从未存在，所以字典未改变）dict.get(key,default=None):返回指定键的值，如果值不在字典中返回default值。

2025-12-11 00:00:20 336

原创字符串定义

针对数据结构，以上介绍了字符串使用方法中常用的几种类型，也提供了相应的代码实例。其中还存在其他考虑不周的地方，如:字符串使用方法没有举例完全，对其阐述不够明确即文字阐述有点少，希望下次可以考虑更全面。字符串（String）在计算机科学中，是指一组用来表示文本的字符序列。title（）将字符串中第一个单词的首字母转换成大写字母。upper（）将字符串中的小写字母全部转换成大写字母。lower（）将字符串中的大写字母全部转换成小写字母。# rstrip , 去除末尾（右边）的空格。（1）字符串大小写转换。

2025-12-10 00:00:33 382

原创探索不同的损失函数和batch_size对分类精度的影响

此外，还可以考虑使用动态调整batch_size的方法，如学习率衰减（learning rate decay），随机采样（random sampling）等，以在不同的训练阶段使用不同的batch_size，获得更好的平衡。1. 损失函数的选择是重要的：不同的损失函数对分类任务的优化目标和模型的学习特性有不同的影响。损失函数的选择对分类精度有显著影响：不同的损失函数衡量模型预测值与真实标签差异的方式不同，因此对分类精度的影响也不同。合适的损失函数能够使模型更关注分类错误的样本，提高分类精度。

2025-12-09 00:00:55 363

原创用java计算BMI

最大的区别是，在java中想与用户交互的话事先需要导入Scanner类，所以写的时候也多了一些步骤。System.out.println("严重肥胖");System.out.print("请输入你的身高: ");System.out.print("请输入你的体重: ");System.out.println("过轻");System.out.println("正常");System.out.println("过重");System.out.println("肥胖");使用Scanner类用于获取信息。

2025-12-08 00:01:29 312

原创理解pytorch中的L2正则项

针对问题一：对于pytorch模型中存在的过拟合与欠拟合做出明确原因与产生的数据来源的算法做出明确标注，解释清楚了误差的组成成分。是在优化器中实现的，在代码中构建了两个优化器，一个优化器不带有正则化，一个优化器带有正则化。方差度量了同样大小的训练集的变动所导致的学习性能的变化，即刻画了数据扰动所造成的影响。偏差度量了学习算法的期望预测与真实结果的偏离程度，即刻画了学习算法本身的拟合能力。噪声则表达了在当前任务上任何学习算法所能达到的期望泛化误差。正则化策略的目的就是降低方差，减小过拟合的发生。

2025-12-05 00:00:20 330

原创 Python内置函数

针对内部使用函数问题，提出上述方法，通过实验，证明该方法是有效的，总之，Python内置函数是语言本身提供的基础函数，无需导入即可使用，而内部使用的函数是开发者根据需要编写的，用于实现特定功能的函数需要导入后才能使用。内部使用的函数是用户自定义的函数，这些函数是为自己项目的内部逻辑服务的，不打算被外部代码直接调用。如果是，那么自定义的函数使用了双下划线(_ _)就是内置函数了?本文的方法考虑不周，未言明内部使用函数的特点，仅仅粗略分析，未来可以继续探讨更详细的区别以及其他使用/导入内部函数的方法。

2025-12-04 00:01:39 303

原创 for循环与while循环的区别

for循环主要用来遍历可迭代对象，而while循环主要用来执行一段代码直到满足某个条件为止, 另外，for循环会在遍历完成后自动结束，而while循环需要手动跳出循环或满足某个条件后才能结束,在复杂的逻辑判断时，while循环比较好，没有复杂的逻辑判断时for循环比较好, for一般不会出现死循环，而while容易写成死循环。在python学习中一共涉及了两种循环方式，一种是‘for in ‘循环，一种是while循环，但是对于两种循环的用法和适用情况并不了解，所以我们对两种循环方式进行了探究。

2025-12-03 00:01:35 257

原创 Java接口回调

针对接口回调是如何运用的这一问题，我们先定义一个接口，然后在类中实现这个接口，在主函数中创建一个实现了这个接口的对象，并且调用它的方法。接口回调是指把某一接口的类创建的对象的引用赋值给该接口声明的接口变量中，那么该接口就可以调用被类实现的接口中的方法，当接口变量调用被类实现的接口中的方法，虎牙事故通知相应的对象调用接口的方法，这一过程称作对象功能的接口回调。Public void show(String s){//在使用接口的类中要显式表示public。//接口中的方法默认都是public。

2025-12-02 00:00:22 188

原创 Java求100到200的素数

针对求100-200之间素数的问题，提出for内外循环的方法，通过判断所求整数不能被除1和本身整数整除实验，证明该方法是有效的，本文的方法简单，比较直观，但是不是任何数都能求出素数。在之前的Python学习中也学习过如何求素数，今天将通过Java的方法来求素数。情况一: 除数m被被除数n除本身以外的数整除，break跳出内部for循环。通过实验、实践等证明提出的方法是有效的，是能够解决开头提出的问题。通过Java求100到200的素数有多少个素数，并打印出来。情况二：如果不相等，不输出n(m是素数)。

2025-12-01 00:01:03 254

原创 try-catch异常处理的运用

catch语句在try语句之后，用于捕捉异常，一个try语句可以有多个catch语句与之匹配。用catch语句捕捉异常时，若找不到相匹配的catch语句，将执行默认的异常处理。这种结构中可能引发异常的语句封装在try块中，而处理异常的相应语句封装在catch块中。在使用嵌套的ty块时，将先执行内部try块，如果没有遇到匹配的catch块，则将检查外部try块的catch块。catch程序块的参数不能设置成多个，一个catch只有一个参数。通过实验、实践等证明提出的方法是有效的，是能够解决开头提出的问题。

2025-11-30 00:00:47 341

原创 Java数组动态扩容

这次实验让我更深入地了解了Java中数组的操作，也提高了我对用户输入处理和循环逻辑设计的能力。通过这次实验，我对Java中数组的操作有了更深入的了解，也学会了如何处理用户输入以及如何设计循环逻辑来实现特定的功能。实现动态的给数组添加元素效果，实现对数组扩容，原始数组使用静态分配int[]arr={1,2,3},用户可以通过如下方法决定是否继续添加，添加成功，是否继续？第二步使用while循环，里面嵌套一个for循环给arr2赋arr的元素，后面给赋值你所添加的值，然后将添加元素后的数组依次打印出来。

2025-11-29 00:00:39 402

原创两种抛出异常的方式

throws处理异常，那就是我不想处理这个异常时，我可以把这个问题往外抛，谁调用我谁就来处理，就好像在工作中出现了一个问题，我可以选择将这个问题自行解决，也可以选择将这个问题丢给我的上级解决,当我的上级碰到问题时，也会面临同样的选择，要么他自己解决，那么他就将问题抛给更上级。针对java的两种抛出异常的方式，进行了上述实验，两种抛出异常的方式分别为直接抛出异常和间接抛出异常两种，经过实验我能更加熟练地运用，更加深入的了解到异常的抛出原理。d.throw是抛出了异常，执行throw则一定抛出了某种异常。

2025-11-28 00:01:09 444

学生成绩管理系统(Python版).7z

【调研】您在开发过程中是通过什么途径解决问题的

【调研】大家写技术博客的初衷是什么