<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[linux_py的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/linux_py</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; linux_py]]></copyright><item><title><![CDATA[深度卷积神经网络简介]]></title><link>https://blog.youkuaiyun.com/linux_py/article/details/146926459</link><guid>https://blog.youkuaiyun.com/linux_py/article/details/146926459</guid><author>linux_py</author><pubDate>Wed, 02 Apr 2025 00:01:23 +0800</pubDate><description><![CDATA[图像分类（ImageNet）、目标检测（YOLO、Faster R-CNN）、语义分割（U-Net）。）是一种专门用于处理具有网格结构数据（如图像、视频、音频）的深度学习模型。：一个小型矩阵（如3×3、5×5），在输入数据上滑动，计算局部区域的加权和。视频分析（行为识别）、医学影像（肿瘤检测）、自然语言处理（文本分类）。：Dropout、数据增强（旋转/裁剪图像）、权重衰减（L2正则化）。风格迁移（如你之前提到的NST）、图像生成（GANs）。：无需人工设计特征（如SIFT、HOG）。]]></description><category></category></item><item><title><![CDATA[神经风格转移（Neural Style Transfer, NST）]]></title><link>https://blog.youkuaiyun.com/linux_py/article/details/146926035</link><guid>https://blog.youkuaiyun.com/linux_py/article/details/146926035</guid><author>linux_py</author><pubDate>Tue, 01 Apr 2025 23:31:57 +0800</pubDate><description><![CDATA[神经风格转移（Neural Style Transfer, NST）是一种基于深度学习的图像生成技术，旨在将一幅图像的风格（如纹理、色彩）与另一幅图像的内容相结合，创造出具有艺术效果的合成图像。：利用卷积神经网络（CNN）分别提取内容图像的结构信息和风格图像的纹理特征，通过优化过程生成兼具两者的新图像。总损失 = α × 内容损失 + β × 风格损失，通过梯度下降（如L-BFGS）调整生成图像像素值。：生成图像与内容图像在指定层特征图的均方误差（MSE）。：将照片转化为名画风格（如梵高、毕加索）。]]></description><category></category></item><item><title><![CDATA[3D CNN处理代码]]></title><link>https://blog.youkuaiyun.com/linux_py/article/details/146925425</link><guid>https://blog.youkuaiyun.com/linux_py/article/details/146925425</guid><author>linux_py</author><pubDate>Tue, 01 Apr 2025 23:02:41 +0800</pubDate><description><![CDATA[A[输入CT:64x64x64x1] --> B[Conv3D-32核] --> C[MaxPool3D] --> D[Conv3D-64核]CT/MRI等医学影像具有立体结构，3D卷积可识别如肿瘤体积、血管走向等三维特征，2D卷积会因切面处理丢失深度关联。：医学影像（如CT）需捕捉三维空间特征（如肿瘤的立体结构），2D卷积会丢失深度信息。：展平可能丢失空间信息，但此处因后续任务为分类（非生成任务），可接受。：CT扫描的三维体素（voxel）尺寸，代表深度、高度、宽度。]]></description><category></category></item><item><title><![CDATA[深度学习中的ML Strategy是什么？]]></title><link>https://blog.youkuaiyun.com/linux_py/article/details/146801411</link><guid>https://blog.youkuaiyun.com/linux_py/article/details/146801411</guid><author>linux_py</author><pubDate>Mon, 31 Mar 2025 10:06:35 +0800</pubDate><description><![CDATA[ML策略的本质是。]]></description><category></category></item><item><title><![CDATA[逻辑回归与决策树的区别]]></title><link>https://blog.youkuaiyun.com/linux_py/article/details/146767279</link><guid>https://blog.youkuaiyun.com/linux_py/article/details/146767279</guid><author>linux_py</author><pubDate>Sun, 30 Mar 2025 15:40:25 +0800</pubDate><description><![CDATA[实际应用中常将二者结合（如逻辑回归输入决策树的输出作为特征），或升级为集成模型（如GBDT+LR混合模型）。输出特征系数（权重），可直接解释为特征对结果的影响程度（如“收入每增加1万元，逾期概率上升5%”）。假设特征与目标呈线性关系（需通过Sigmoid函数映射），无法直接处理非线性问题（如环形数据分布）。通过特征分裂自动捕捉非线性关系（如“收入>5万且年龄<30岁”的复杂规则）。信息增益类方法（如ID3）倾向于选择取值多的特征（如“用户ID”）。特征与目标关系复杂，需捕捉非线性模式（如用户行为预测）。]]></description><category></category></item><item><title><![CDATA[决策树模型类型及计算方法]]></title><link>https://blog.youkuaiyun.com/linux_py/article/details/146764838</link><guid>https://blog.youkuaiyun.com/linux_py/article/details/146764838</guid><author>linux_py</author><pubDate>Sun, 30 Mar 2025 14:44:29 +0800</pubDate><description><![CDATA[适合分类任务，C4.5优化了连续特征处理。]]></description><category></category></item><item><title><![CDATA[在深度网络中，当批量梯度下降（Batch Gradient Descent）过程过于缓慢时，可以采用以下技术加速训练并帮助成本函数 J快速收敛到较小值]]></title><link>https://blog.youkuaiyun.com/linux_py/article/details/146718546</link><guid>https://blog.youkuaiyun.com/linux_py/article/details/146718546</guid><author>linux_py</author><pubDate>Sun, 30 Mar 2025 00:16:46 +0800</pubDate><description><![CDATA[使用FP16和FP32混合精度计算，减少显存占用，加速计算（需支持Tensor Core的GPU）。通过结合上述技术，可以显著加速深度网络的训练过程，并帮助成本函数 JJ 更快收敛到较小值。：对每层的输入进行归一化（均值为0，方差为1），缓解梯度消失/爆炸。：动态调整特征权重（如Transformer），加速信息传递。：引入“惯性”概念，累积历史梯度方向，抑制震荡，加速收敛。：随着训练逐步减小学习率，初期快速接近极值，后期精细调整。：允许使用更大的学习率，加速收敛，减少对参数初始化的依赖。]]></description><category></category></item><item><title><![CDATA[L1正则化与L2正则化的区别]]></title><link>https://blog.youkuaiyun.com/linux_py/article/details/146717838</link><guid>https://blog.youkuaiyun.com/linux_py/article/details/146717838</guid><author>linux_py</author><pubDate>Sat, 29 Mar 2025 23:40:14 +0800</pubDate><description><![CDATA[特征选择 + 稀疏性 → 高维数据、轻量化模型。]]></description><category></category></item><item><title><![CDATA[为什么要使用小批量梯度下降]]></title><link>https://blog.youkuaiyun.com/linux_py/article/details/146717808</link><guid>https://blog.youkuaiyun.com/linux_py/article/details/146717808</guid><author>linux_py</author><pubDate>Sat, 29 Mar 2025 23:35:37 +0800</pubDate><description><![CDATA[其批量大小的选择（介于1和m之间）既避免了极端情况（SGD的噪声过大和Batch GD的计算成本高），又通过折衷策略在收敛速度和泛化能力间取得最佳平衡。实际应用中，建议根据硬件条件和任务需求，选择2的幂次批量大小（如32、64），并通过实验调参优化。研究发现，较小的批量大小（如32 vs. 1024）往往能提升模型的测试集性能，因为噪声迫使模型探索更平坦的极小值区域（flat minima），而平坦极小值通常泛化能力更强。（如32~512），既降低单样本噪声的负面影响，又避免全量计算的高开销。]]></description><category></category></item><item><title><![CDATA[小批量梯度下降（Mini-batch Gradient Descent）中，若成本函数 J 的图像不总是下降（表现为震荡或偶尔上升），可能由以下原因导致]]></title><link>https://blog.youkuaiyun.com/linux_py/article/details/146717768</link><guid>https://blog.youkuaiyun.com/linux_py/article/details/146717768</guid><author>linux_py</author><pubDate>Sat, 29 Mar 2025 23:33:29 +0800</pubDate><description><![CDATA[尝试降低学习率或使用学习率衰减。]]></description><category></category></item><item><title><![CDATA[关于二分法的几种情况(chatgpt)]]></title><link>https://blog.youkuaiyun.com/linux_py/article/details/130545832</link><guid>https://blog.youkuaiyun.com/linux_py/article/details/130545832</guid><author>linux_py</author><pubDate>Sun, 07 May 2023 18:09:13 +0800</pubDate><description><![CDATA[在使用该模板时，需要保证函数具有单调性和有界性，即函数单调递增或单调递减，并且存在一个区间使得该区间内的。对于一个有序数组，找到最后一个小于或等于目标值的下标，如果目标值在数组中不存在，则返回插入位置。对于一个有序数组，找到第一个大于或等于目标值的下标，如果目标值在数组中不存在，则返回插入位置。对于一个满足单调性的函数，找到一个最小的 `x` 使得 `f(x) >= target`。对于一个单调递增或递减的有序数组，找到一个目标值的下标。对于一个旋转有序数组，找到一个目标值的下标。]]></description><category></category></item><item><title><![CDATA[绘制谢尔平斯基三角形(newbing)]]></title><link>https://blog.youkuaiyun.com/linux_py/article/details/129935461</link><guid>https://blog.youkuaiyun.com/linux_py/article/details/129935461</guid><author>linux_py</author><pubDate>Mon, 03 Apr 2023 17:49:33 +0800</pubDate><description><![CDATA[`sierpinski([points[0],getMid(points[0],points[1]),getMid(points[0],points[2])],degree-1,myTurtle)`：调用自身函数，传入新的参数，分别是最大三角形左上角顶点、左边中点、上边中点组成的列表、层级减一、和原来相同的Turtle对象。- `myPoints=[(-500,-250),(0,500),(500,-250)]`：定义一个列表，包含了最大三角形的三个顶点的坐标，赋值给变量`myPoints`。]]></description><category></category></item></channel></rss>