<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[lF1024的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/lF1024</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; lF1024]]></copyright><item><title><![CDATA[Day 40:训练和测试的规范写法]]></title><link>https://blog.youkuaiyun.com/lF1024/article/details/150564467</link><guid>https://blog.youkuaiyun.com/lF1024/article/details/150564467</guid><author>lF1024</author><pubDate>Wed, 20 Aug 2025 23:39:35 +0800</pubDate><description><![CDATA[摘要：本文介绍了使用PyTorch构建单通道图像分类模型的标准流程。首先规范设置MNIST数据集预处理，包括归一化和数据加载器封装。然后定义了一个包含两层全连接层的MLP模型，并详细展示了训练函数的模块化封装，包括损失计算、优化过程和测试评估。文章特别强调了代码结构的规范性和可复用性，通过分离训练、测试和绘图功能提升代码可维护性。最后运行示例显示该MLP在MNIST上可达96%+准确率，同时指出MLP模型在处理更复杂图像数据时的局限性。]]></description><category></category></item><item><title><![CDATA[Day 39： 图像数据与显存]]></title><link>https://blog.youkuaiyun.com/lF1024/article/details/150364176</link><guid>https://blog.youkuaiyun.com/lF1024/article/details/150364176</guid><author>lF1024</author><pubDate>Wed, 13 Aug 2025 23:51:26 +0800</pubDate><description><![CDATA[本文探讨了图像数据的本质特征与神经网络架构设计。图像数据采用三维结构（通道×高度×宽度），与表格数据不同，如MNIST（1×28×28）和CIFAR-10（3×32×32）。神经网络需通过展平操作适配图像输入，但全连接层参数随输入尺寸急剧增加。同时，显存管理至关重要，数据类型转换（如uint8到float32）会增加4倍存储，优化器选择和批次大小显著影响显存占用。理解这些特性对设计高效图像处理模型具有指导意义。]]></description><category></category></item><item><title><![CDATA[Day 38: Dataset类和DataLoader类]]></title><link>https://blog.youkuaiyun.com/lF1024/article/details/150300079</link><guid>https://blog.youkuaiyun.com/lF1024/article/details/150300079</guid><author>lF1024</author><pubDate>Tue, 12 Aug 2025 23:18:57 +0800</pubDate><description><![CDATA[PyTorch数据加载机制详解：Dataset与DataLoader核心解析 本文系统介绍了PyTorch处理大规模数据的关键组件。主要内容包括： 核心概念：Dataset类定义数据获取方式（__getitem__和__len__方法），DataLoader负责批量加载策略 实战演示MNIST数据集加载流程，涵盖数据预处理、可视化等环节 两类对比表格：从职责、方法、参数等维度区分Dataset和DataLoader 实用技巧：包括batch_size选择原则、预处理时机、内存优化方法等 文章通过代码示例和理]]></description><category></category></item><item><title><![CDATA[Day 37:早停策略和模型权重的保存]]></title><link>https://blog.youkuaiyun.com/lF1024/article/details/150231385</link><guid>https://blog.youkuaiyun.com/lF1024/article/details/150231385</guid><author>lF1024</author><pubDate>Mon, 11 Aug 2025 23:36:40 +0800</pubDate><description><![CDATA[摘要 本文介绍了机器学习中的过拟合现象及其解决方案。过拟合指模型过分拟合训练数据中的噪声和随机波动，导致泛化能力下降，通常由模型过于复杂、训练数据不足或质量不高引起。为解决这一问题，文章重点讲解了早停策略（Early Stopping）——通过在验证集性能不再提升时提前终止训练来防止过拟合。文中提供了基于PyTorch的代码实现，包括数据预处理、模型构建、训练过程和可视化分析，最终在测试集上评估模型准确率。实验结果表明该策略能有效避免过拟合，提高模型泛化能力。]]></description><category></category></item><item><title><![CDATA[Day 36: 复习]]></title><link>https://blog.youkuaiyun.com/lF1024/article/details/150119113</link><guid>https://blog.youkuaiyun.com/lF1024/article/details/150119113</guid><author>lF1024</author><pubDate>Sat, 09 Aug 2025 23:38:47 +0800</pubDate><description><![CDATA[本文系统介绍了Python机器学习开发的模块化设计思想与实践方法。首先分析了Python库的分层生态，强调按需掌握的学习原则；然后详细讲解了项目生命周期管理、目录结构设计哲学等工程化实践；接着深入探讨PyTorch框架的核心概念、神经网络构建模式和训练循环标准流程；通过性能优化案例揭示了CPU与GPU的辩证关系；最后总结了文档驱动学习、模型可视化和日志系统等工程化要素。全文贯穿分层思考和实验验证的方法论，为构建可维护的机器学习项目提供了系统性指导。]]></description><category></category></item><item><title><![CDATA[Day 35：模型可视化与推理]]></title><link>https://blog.youkuaiyun.com/lF1024/article/details/150080597</link><guid>https://blog.youkuaiyun.com/lF1024/article/details/150080597</guid><author>lF1024</author><pubDate>Fri, 08 Aug 2025 23:56:29 +0800</pubDate><description><![CDATA[本文介绍了使用PyTorch构建多层感知机（MLP）对鸢尾花数据集进行分类的实现过程。主要内容包括：数据加载与预处理（归一化、划分训练/测试集）；构建包含输入层（4个特征）、隐藏层（10个神经元）和输出层（3个类别）的MLP模型；使用交叉熵损失函数和SGD优化器进行20000轮训练；记录训练损失并可视化。特别展示了三种模型可视化方法：内置打印、torchsummary和torchinfo库，以及权重分布统计分析和直方图可视化。最后推荐使用logging+tqdm组合实现训练过程监控。代码完整实现了从数据准备]]></description><category></category></item><item><title><![CDATA[Day 34：GPU训练与类的call方法]]></title><link>https://blog.youkuaiyun.com/lF1024/article/details/150029686</link><guid>https://blog.youkuaiyun.com/lF1024/article/details/150029686</guid><author>lF1024</author><pubDate>Thu, 07 Aug 2025 23:27:21 +0800</pubDate><description><![CDATA[本文对比了CPU和GPU在训练小规模神经网络任务中的性能表现。实验显示，在鸢尾花数据集上，GPU训练时间（21.23秒）意外地比CPU（19.09秒）更慢。分析表明，这主要由频繁的GPU-CPU数据传输、核心启动开销和计算资源浪费导致。优化减少数据传输后，GPU性能提升至14.86秒。研究发现，GPU的性能优势仅在大规模并行计算（如处理大数据集、复杂网络）时才能真正体现，而小任务中各种固定开销会削弱其优势。文章还解析了PyTorch的模块调用机制。]]></description><category></category></item><item><title><![CDATA[Day 33: 动手实现一个简单的 MLP]]></title><link>https://blog.youkuaiyun.com/lF1024/article/details/149983746</link><guid>https://blog.youkuaiyun.com/lF1024/article/details/149983746</guid><author>lF1024</author><pubDate>Wed, 06 Aug 2025 23:18:31 +0800</pubDate><description><![CDATA[本文介绍了使用PyTorch构建简单神经网络处理鸢尾花分类任务的完整流程。首先检查CUDA可用性，然后加载并预处理鸢尾花数据集（包括归一化和张量转换）。定义了一个包含输入层（4个特征）、隐藏层（10个神经元）和输出层（3个类别）的全连接网络，使用交叉熵损失和SGD优化器。训练过程展示了损失随epoch下降的曲线，最终实现了较好的分类效果。文中提供了详细的代码实现，包括数据预处理、模型定义、训练过程和结果可视化等关键步骤。]]></description><category></category></item><item><title><![CDATA[Day 32：官方文档阅读]]></title><link>https://blog.youkuaiyun.com/lF1024/article/details/149948843</link><guid>https://blog.youkuaiyun.com/lF1024/article/details/149948843</guid><author>lF1024</author><pubDate>Tue, 05 Aug 2025 23:16:29 +0800</pubDate><description><![CDATA[本文介绍了PDPBox库的使用方法，重点讲解了如何通过官方文档检索和使用工具。主要内容包括：1)通过GitHub和官网获取文档；2)确保安装包与文档版本一致；3)关注类的实例化参数、方法参数和返回值；4)理解绘图功能对底层库的调用。以鸢尾花数据集为例，演示了使用PredictPlot类绘制特征分析图的过程，包括数据预处理、模型训练和可视化参数设置，最终生成交互式的目标特征分析图。作业要求参考PDPBox文档探索其他绘图类。]]></description><category></category></item><item><title><![CDATA[Day31:文件的规范拆分与写法]]></title><link>https://blog.youkuaiyun.com/lF1024/article/details/149916419</link><guid>https://blog.youkuaiyun.com/lF1024/article/details/149916419</guid><author>lF1024</author><pubDate>Mon, 04 Aug 2025 23:03:53 +0800</pubDate><description><![CDATA[本文介绍了机器学习项目的标准流程与文件组织规范。项目流程包括数据加载、探索、预处理、特征工程、模型训练、评估和预测七个阶段。文件组织建议采用模块化结构：核心代码按功能分置于src/data、src/models、src/utils目录；配置参数集中存储在config/目录；实验代码放在notebooks/或experiments/；产出物分类存放于data/、models/和reports/目录。文章强调应先按工作流程拆分代码，再逐步完善结构，通过模块化设计使项目更清晰可维护。这种组织方式既符合机器学习项目]]></description><category></category></item><item><title><![CDATA[Day 30：模块和库的导入]]></title><link>https://blog.youkuaiyun.com/lF1024/article/details/149888202</link><guid>https://blog.youkuaiyun.com/lF1024/article/details/149888202</guid><author>lF1024</author><pubDate>Sun, 03 Aug 2025 23:41:04 +0800</pubDate><description><![CDATA[模块（Module）本质：以.py结尾的单个文件，包含Python代码（函数、类、变量等）作用：将代码拆分到不同文件中，避免代码冗余，方便复用和维护包（Package）本质有层次的文件目录结构（即文件夹），用于组织多个模块和子包核心特征：包的根目录下必须包含一个文件（可以为空），用于标识该目录是一个包注意：在Python中，包就是库同目录：直接import 模块名子目录：需要文件，使用包路径导入跨目录：使用完整的包路径，如。]]></description><category></category></item><item><title><![CDATA[Day 29: 复习]]></title><link>https://blog.youkuaiyun.com/lF1024/article/details/149866422</link><guid>https://blog.youkuaiyun.com/lF1024/article/details/149866422</guid><author>lF1024</author><pubDate>Sun, 03 Aug 2025 00:00:28 +0800</pubDate><description><![CDATA[本文总结了Python类的基础知识与应用，包含4个核心部分：1)类定义作为对象模板；2)__init__初始化方法；3)实例方法的self参数使用；4)继承机制实现代码复用。通过圆类和长方形类的具体实现，展示了属性管理、条件判断和工厂模式的应用。重点强调了类设计中的命名规范、默认参数、方法重写和异常处理等关键概念，为面向对象编程提供了实用指导。]]></description><category></category></item><item><title><![CDATA[Day 28：类的定义和方法]]></title><link>https://blog.youkuaiyun.com/lF1024/article/details/149843607</link><guid>https://blog.youkuaiyun.com/lF1024/article/details/149843607</guid><author>lF1024</author><pubDate>Fri, 01 Aug 2025 23:47:17 +0800</pubDate><description><![CDATA[本文介绍了Python中类的定义和使用方法，主要包括以下内容： 类的基本定义和pass占位符的使用 __init__初始化方法及其作用 类中普通方法的定义和使用 类的继承特性（属性和方法的继承） 文章还提供了三个实践作业： Circle类：计算圆的面积和周长 Rectangle类：计算长方形面积和周长，判断是否为正方形 图形工厂函数：根据参数创建不同图形对象 这些内容涵盖了Python面向对象编程的基础知识，通过实例演示了如何定义类、创建对象、使用方法以及实现继承等核心概念。]]></description><category></category></item><item><title><![CDATA[Day 27: 函数专题2 -- 装饰器]]></title><link>https://blog.youkuaiyun.com/lF1024/article/details/149816268</link><guid>https://blog.youkuaiyun.com/lF1024/article/details/149816268</guid><author>lF1024</author><pubDate>Thu, 31 Jul 2025 23:31:39 +0800</pubDate><description><![CDATA[本文介绍了Python装饰器的核心概念与实践。装饰器是一种遵循&quot;开放封闭原则&quot;的高阶函数，允许在不修改原函数代码的情况下扩展功能。文章详细讲解了装饰器的基本语法结构、执行流程，强调了正确处理内部函数返回值的重要性。通过logger装饰器的实现示例，展示了如何在函数执行前后添加日志记录功能。进阶部分介绍了使用functools.wraps保持函数元信息，以及如何实现带参数的装饰器。关键要点包括：装饰器复用思想、标准写法规范（高阶函数+包装函数）和正确处理返回值。这些技术能帮助开发者编写更优]]></description><category></category></item><item><title><![CDATA[论文精读：Hallucination of Multimodal Large Language Model: A Survey]]></title><link>https://blog.youkuaiyun.com/lF1024/article/details/149816132</link><guid>https://blog.youkuaiyun.com/lF1024/article/details/149816132</guid><author>lF1024</author><pubDate>Thu, 31 Jul 2025 23:24:54 +0800</pubDate><description><![CDATA[本文综述了多模态大语言模型(MLLM)中的幻觉问题，将其定义为模型输出与视觉输入不一致或产生事实错误的现象。文章将幻觉分为物体、属性和关系三类，并分析了MLLM的架构与训练流程。重点探讨了数据、模型、训练和推理四个维度的幻觉成因及解决方案：数据层面提出了正负例均衡、因果数据和推理数据等改进方法；模型层面建议提升视觉编码器分辨率和改进模态对齐；训练层面引入了辅助监督和强化学习优化。最后指出当前评估基准和指标的不足，为未来研究方向提供了建议。该研究系统梳理了MLLM幻觉问题的关键因素与缓解策略。]]></description><category></category></item><item><title><![CDATA[Day 26 函数专题1：函数定义与参数]]></title><link>https://blog.youkuaiyun.com/lF1024/article/details/149788635</link><guid>https://blog.youkuaiyun.com/lF1024/article/details/149788635</guid><author>lF1024</author><pubDate>Wed, 30 Jul 2025 23:47:51 +0800</pubDate><description><![CDATA[本文总结了Python函数的核心知识点和实际应用。主要内容包括：1）函数定义与封装思想；2）局部变量与全局变量的作用域；3）三种参数类型（位置参数、默认参数、不定参数args/**kwargs）的使用方法；4）参数传递的顺序规范。通过三个编程作业实践了这些概念：计算圆面积（处理异常输入）、矩形面积计算（参数验证）以及任意数字平均值计算（使用args处理可变参数）。代码示例展示了参数处理、输入验证和异常捕获的实际应用，体现了函数的封装性和健壮性设计。]]></description><category></category></item><item><title><![CDATA[Day 25：异常处理]]></title><link>https://blog.youkuaiyun.com/lF1024/article/details/149757815</link><guid>https://blog.youkuaiyun.com/lF1024/article/details/149757815</guid><author>lF1024</author><pubDate>Tue, 29 Jul 2025 23:31:36 +0800</pubDate><description><![CDATA[本文介绍了Python异常处理机制及其应用。主要内容包括：1）常见异常类型（SyntaxError、NameError等）及其原因；2）错误信息的解读方法；3）try-except基本结构及多种异常捕获方式；4）try-except-else-finally完整结构及其在ML/DL项目中的应用（资源释放、模型保存等）；5）最佳实践建议（具体化异常类型、记录错误信息等）。文章强调异常处理能提高程序健壮性，特别是在AI项目中可确保资源正确释放和训练流程稳定。]]></description><category></category></item><item><title><![CDATA[Day 24：元组与os模块]]></title><link>https://blog.youkuaiyun.com/lF1024/article/details/149727675</link><guid>https://blog.youkuaiyun.com/lF1024/article/details/149727675</guid><author>lF1024</author><pubDate>Mon, 28 Jul 2025 23:06:02 +0800</pubDate><description><![CDATA[os模块是Python中处理文件系统操作的基础工具，在深度学习和大型项目开发中具有不可替代的作用。基础操作：目录获取、文件列举、路径拼接系统交互：环境变量管理、跨平台兼容性高级功能：目录树遍历、文件系统分析我们能够构建更加健壮、可维护的深度学习项目。优秀的项目管理始于良好的文件组织，而os模块正是实现这一目标的得力助手。无论是管理复杂的数据集、组织实验结果，还是自动化项目维护任务，熟练掌握os模块都将显著提升开发效率和项目质量。@浙大疏锦行。]]></description><category></category></item><item><title><![CDATA[Day 23: Pipeline]]></title><link>https://blog.youkuaiyun.com/lF1024/article/details/149696882</link><guid>https://blog.youkuaiyun.com/lF1024/article/details/149696882</guid><author>lF1024</author><pubDate>Sun, 27 Jul 2025 22:14:23 +0800</pubDate><description><![CDATA[pipeline在机器学习领域可以翻译为“管道”，也可以翻译为“流水线”，是机器学习中一个重要的概念。在机器学习中，通常会按照一定的顺序对数据进行预处理、特征提取、模型训练和模型评估等步骤，以实现机器学习模型的训练和评估。为了方便管理这些步骤，我们可以使用pipeline来构建一个完整的机器学习流水线。pipeline是一个用于组合多个估计器（estimator）的 estimator，它实现了一个流水线，其中每个估计器都按照一定的顺序执行。]]></description><category></category></item><item><title><![CDATA[Day 22: 复习]]></title><link>https://blog.youkuaiyun.com/lF1024/article/details/149673500</link><guid>https://blog.youkuaiyun.com/lF1024/article/details/149673500</guid><author>lF1024</author><pubDate>Sat, 26 Jul 2025 22:41:54 +0800</pubDate><description><![CDATA[本文系统总结了6天的机器学习数据处理与降维技术学习内容，构建了完整知识框架。从Numpy数组基础操作到聚类算法（K-Means、DBSCAN、层次聚类）及其评估指标，再到特征筛选方法（方差、相关性、Lasso等）和降维技术（PCA、t-SNE、LDA）。重点阐述了各种算法的原理、优缺点和适用场景，强调参数调优和结果评估的重要性。最后指出这些技术的协同应用价值，为处理实际数据问题提供了系统方法论。全文既包含理论基础，又注重实践指导，适合机器学习学习者系统回顾和查漏补缺。]]></description><category></category></item></channel></rss>