- 博客(7)
- 收藏
- 关注
RSS订阅原创 CNN与MLP处理向量输入的方法与适用场景探讨
对于深度学习，图像数据很好套模板，也好修改代码。但当输入是一个向量时，我们似乎感觉“卷积”不太好“卷”，那么什么时候用MLP学，什么时候用CNN卷呢？下面详细分析一下。1. 输入向量是否已经是特征？如果向量是原始数据（例如传感器时序信号、文本序列、音频波形等），CNN 可以自动学习其内部隐含的局部模式（如时间依赖、频率变化等）。如果向量是人工构造的特征（例如统计特征、PCA降维后的特征等），CNN 依然可以通过非线性组合挖掘更高层次的抽象特征，但此时可能不如全连接网络（Dense Layer）灵活。
2025-03-20 16:59:29
601
原创 迁移学习常见基础概念梳理
引用 Pan & Yang（2010）的定义，迁移学习旨在利用源领域（\(D_S\)）的知识辅助目标领域（\(D_T\)）的预测函数学习，前提是源与目标的特征空间（\(X_S \neq X_T\)）或分布（\(P_S(X) \neq P_T(X)\)）存在差异。从概率视角，领域是特征空间与分布的二元组（\(D = (X, P(X))\)），任务是标签空间与条件分布的二元组（\(T = \{Y, P(Y|X)\}\)）。
2025-03-17 18:06:37
611
原创 飞行器控制理论＜1＞
典型飞行控制系统采用三层级控制架构，由导引回路、外回路和内回路构成嵌套式控制结构。各回路通过时序耦合与功能分工实现飞行控制，其中内回路对应短时控制（毫秒级），外回路处理中时控制（秒级），导引回路负责轨迹级控制（分钟级）。
2025-03-07 12:38:47
402
原创 图像风格迁移核心程序框架
这一部分对参数进行定义，确定内容损失函数使用的卷积层、风格损失函数使用的卷积层、各卷积层的权重以及最优化的步数。content_layers = ['conv_4_2'] # 内容损失函数使用的卷积层style_layers = ['conv_1_1', 'conv_2_1', 'conv_3_1', 'conv_4_1', 'conv_5_1'] # 风格损失函数使用的卷积层content_weights = [1] # 内容损失函数的权重。
2025-03-05 16:55:11
290
原创 自定义图像风格迁移任务的损失函数——基于Pytorch
继承自 ，这是 PyTorch 中所有神经网络模块的基类。通过继承 ， 可以作为一个标准的 PyTorch 模块使用，并支持自动求导。 是类的构造函数，用于初始化模块。 是目标图像的特征表示（通常是从预训练的神经网络中提取的特征图）。 的作用是将 从计算图中分离出来，使其不参与梯度计算。这是因为在内容损失计算中，目标图像的特征是固定的，不需要更新。 保存了分离后的目标特征。 是 PyTorch 模块的核心方法，定义了模块的前向传播逻辑。 是输入图像的特征表示（通常是从神经网络中
2025-03-02 16:38:53
322
原创 Jupyter Notebook更换工作目录
如果希望改变工作路径，例如想让测试代码都放在 D:\Python 下，则可依次单击开始菜单——→Anaconda3(64-bit)→Anaconda Prompt (Anaconda3) 打开 Anaconda Prompt 命令提示符窗口，启动 Jupyter Notebook。在命令行中输入指定的路径，如 “CD D:\Python”，将当前目录变更到你期望的位置。然后输入 Jupyter Notebook，此时打开的 Jupyter Notebook 的当前工作路径，即你所期望的位置。
2025-02-24 10:44:48
236
原创 浅谈学术界的追随者与空心病
细品，如果你的导师并不牛逼，你怎么可能成为一个牛逼的追随者，一个牛逼的门生？如果有人说事实并不是如此，你就会觉得很恼怒，你就会开始争辩和抗争，那是自我价值寄托的问题，是面子问题。排除清北华五，各大高校都有各自的一套说辞，谁也压不倒谁，谁也不服谁，归根结底，是对世界的认识不客观，对同行的考察不全面，对形式上落后于人的胆怯。或许我们应该大胆一些，我们不是缺人才，而是人才太多，多到有的人才甚至输了世俗选拔而被埋没，多到人才甚至由于激烈的同僚竞争而忘记自己与生俱来的天赋无与伦比。
2023-10-06 00:02:35
42
1
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