- 博客(25)
- 收藏
- 关注
RSS订阅原创 深度学习训练camp-第R7周：糖尿病预测模型优化探索
self.attn = nn.Linear(hidden_dim, 1) # 输出为1个attention scoreattn_weights = torch.softmax(attn_weights, dim=1) # 时间维度归一化self.attn = Attention(hidden_dim=200) # 添加 Attention 层self.fc0 = nn.Linear(200, 2) # 输出维度根据你的任务设置为2类分类。
2025-04-02 10:25:40
403
原创 深度学习训练camp-第R6周：LSTM实现糖尿病探索与预测
代码输出：2、数据导入代码输出：代码输出：3、数据检查代码输出：代码输出：4、数据分布代码输出：">代码输出：定义模型代码输出：三、训练模型代码输出：四、数据可视化代码输出：可以看到准确度超过70%
2025-03-28 11:32:36
301
原创 深度学习训练camp：第J8周：Inception v1算法实战与解析
经典神经网络论文超详细解读（三）——GoogLeNetInceptionV1学习笔记（翻译＋精读+代码复现）在背景部分已经十分详细了。GoogLeNetInceptionV1的最大特点是其Inception模块，该模块通过并行的卷积和池化操作来提取多尺度特征。具体来说，Inception模块允许网络在同一层中使用不同大小的卷积核（如1x1、3x3和5x5），以及最大池化，从而增强了模型的表达能力和灵活性。
2025-01-20 11:59:02
692
原创 深度学习camp-第J7周：对于ResNeXt-50算法的思考
📌你需要解决的疑问：这个代码是否有错？对错与否都请给出你的思考📌打卡要求：请查找相关资料、逐步推理模型、详细写下你的思考过程代码如下如果conv_shortcut=False,那么执行“x=Add()…”语句时，通道数不一致的，为什么不会报错呢？
2025-01-13 14:01:36
579
原创 深度学习camp-第J3-1周：DenseNet算法 实现乳腺癌识别
今天将带大家探索一下深度学习在医学领域的应用，乳腺癌是女性最常见的癌症形式，浸润性导管癌 (IDC) 是最常见的乳腺癌形式。准确识别和分类乳腺癌亚型是一项重要的临床任务，利用深度学习方法识别可以有效节省时间并减少错误。我们的数据集是由多张以 40 倍扫描的乳腺癌 (BCa) 标本的完整载玻片图像组成。
2024-12-07 19:03:05
837
原创 深度学习camp-第J3周：DenseNet算法实战与解析
DenseNet（Densely Connected Convolutional Network）是一种深度神经网络架构，于2017年由Gao Huang等人提出。它是深度学习中经典的卷积神经网络模型之一，在图像分类、目标检测等领域表现优异。DenseNet通过高效的信息流传递和参数复用，实现了更高的性能和更少的参数量。
2024-12-02 11:01:56
1213
原创 深度学习训练camp-第J1周：ResNet-50算法实战与解析
🍨 本文为🔗365天深度学习训练营 中的学习记录博客🍖 原作者：K同学啊我的环境：我的环境语言环境：Python 3.12编译器：Jupyter Lab深度学习环境：Pytorch 2.4.1 Torchvision 0.19.1数据集：鸟类分类数据库（主要看代码，数据我就不展示了）一、导入数据1、设置GPUimport torchimport torch.nn as nnimport torchvisionfrom torchvision import trans
2024-11-16 17:15:14
1082
原创 深度学习365camp-第P3周：Pytorch实现天气识别
这段代码的整体流程是：加载一张本地图片，经过预处理后传入训练好的模型，使用模型进行分类预测，并将预测结果（类别名称）输出。这里我们完成了一次天气的识别，我们首先对数据集进行了划分训练集和测试集。随后使用了卷积神经网络完成了训练，准确率达到95%。最后我们完成了对自己的一张图片的预测。并且预测完全准确。
2024-09-23 14:40:01
1358
原创 深度学习第P1周：Pytorch实现mnist手写数字识别
我们主要实现了简单的CNN网络，并用于训练MNIST数据集，数据集的预处理较为简单，可以用内置的处理函数处理，但是真实的数据集可能处理起来较为费劲。代码整体阅读起来有一点困难，刚刚起步。一些细节方面没有能完全懂，希望能够慢慢读懂。
2024-09-08 15:42:39
1483
2
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