<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[m0_74973397的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/m0_74973397</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; m0_74973397]]></copyright><item><title><![CDATA[yolo 学习笔记（一）]]></title><link>https://blog.youkuaiyun.com/m0_74973397/article/details/149836748</link><guid>https://blog.youkuaiyun.com/m0_74973397/article/details/149836748</guid><author>m0_74973397</author><pubDate>Fri, 01 Aug 2025 19:53:50 +0800</pubDate><description><![CDATA[检测物体到底是什么东西，确定该物体在哪个位置视觉处理的三大问题：1.目标种类和数量问题2.目标尺度问题3.环境干扰问题。]]></description><category></category></item><item><title><![CDATA[卷积知识扩展]]></title><link>https://blog.youkuaiyun.com/m0_74973397/article/details/149720236</link><guid>https://blog.youkuaiyun.com/m0_74973397/article/details/149720236</guid><author>m0_74973397</author><pubDate>Mon, 28 Jul 2025 17:27:41 +0800</pubDate><description><![CDATA[分为单通道和多通道。]]></description><category></category></item><item><title><![CDATA[自定义CNN模型]]></title><link>https://blog.youkuaiyun.com/m0_74973397/article/details/149545605</link><guid>https://blog.youkuaiyun.com/m0_74973397/article/details/149545605</guid><author>m0_74973397</author><pubDate>Tue, 22 Jul 2025 19:55:04 +0800</pubDate><description><![CDATA[定义简单的CNN模型# 这段继承了 PyTorch 的 nn.Module 类，定义了一个简单的卷积神经网络（CNN），用于边缘检测。# 手动设置卷积核权重（水平和垂直边缘检测）#sobel_x 是用于检测垂直边缘的 Sobel 卷积核（横向变化）[0, 0, 0],#sobel_y 是用于检测水平边缘的 Sobel 卷积核（纵向变化）# 组合两个卷积核# 应用边缘检测卷积# 分离水平和垂直特征# 计算边缘强度# 图像预处理# 打开图像并转换为灰度])]]></description><category></category></item><item><title><![CDATA[早期经典的卷积神经网络——LeNet]]></title><link>https://blog.youkuaiyun.com/m0_74973397/article/details/149545243</link><guid>https://blog.youkuaiyun.com/m0_74973397/article/details/149545243</guid><author>m0_74973397</author><pubDate>Tue, 22 Jul 2025 19:50:59 +0800</pubDate><description><![CDATA[如下图。]]></description><category></category></item><item><title><![CDATA[卷积神经网络]]></title><link>https://blog.youkuaiyun.com/m0_74973397/article/details/149512528</link><guid>https://blog.youkuaiyun.com/m0_74973397/article/details/149512528</guid><author>m0_74973397</author><pubDate>Mon, 21 Jul 2025 19:41:58 +0800</pubDate><description><![CDATA[然后将池化核在卷积得到的输出特征图中进行池化操作，需要注意的是，池化的过程中也有Padding方式以及步长的概念，与卷积不同的是，池化的步长往往等于池化核的大小。执行过程非常简单，把4×4的输入拆分成不同的区域，把这个区域用不同颜色来标记。对于2×2的输出，输出的每个元素都是其对应颜色区域中的最大元素值。卷积过程如下，每一个通道的像素值与对应的卷积核通道的数值进行卷积，因此每一个通道会对应一个输出卷积结果，三个卷积结果对应位置累加求和，得到最终的卷积结果（这里卷积输出结果通道只有1个，因为卷积核只有1个。]]></description><category></category></item><item><title><![CDATA[torch框架之torch的创建]]></title><link>https://blog.youkuaiyun.com/m0_74973397/article/details/149466358</link><guid>https://blog.youkuaiyun.com/m0_74973397/article/details/149466358</guid><author>m0_74973397</author><pubDate>Sat, 19 Jul 2025 17:12:30 +0800</pubDate><description><![CDATA[在torch中张量以“类”的形式封装起来，对张量的一些运算，处理的方法被封装在类中，官方文档：其中张量的概念：简单的理解，张量是一个多维数组，零维可以看作是标量，一维是多个标量堆叠的向量，二维是多个向量堆叠的矩阵，三维是多个矩阵堆叠的三阶张量，四维图像批次等等。]]></description><category></category></item><item><title><![CDATA[人工智能第七次笔记（python语句）是重点难点]]></title><link>https://blog.youkuaiyun.com/m0_74973397/article/details/146301239</link><guid>https://blog.youkuaiyun.com/m0_74973397/article/details/146301239</guid><author>m0_74973397</author><pubDate>Sun, 16 Mar 2025 22:15:59 +0800</pubDate><description><![CDATA[用于定义一个函数，包含def关键字：调用函数1.函数声明(定义)后 不调用就不会直接运行2.函数调用(函数名())一次就运行一次 调用100次就执行100次# 定义一个函数def fn1():name }!") greet("Alice") # 调用函数name }!") greet("Alice") # 调用函数def add(a,b):# 创建函数return a+b #函数内容x1=1x2=2print(add(x1,x2))# 调用函数 结果为3。]]></description><category></category></item><item><title><![CDATA[人工智能第六次笔记（python表达式）]]></title><link>https://blog.youkuaiyun.com/m0_74973397/article/details/146300385</link><guid>https://blog.youkuaiyun.com/m0_74973397/article/details/146300385</guid><author>m0_74973397</author><pubDate>Sun, 16 Mar 2025 20:47:47 +0800</pubDate><description><![CDATA[表达式（expression）是由一个或多个操作数和运算符组成的。简单来说，表达式可以是任何会产生一个值的代码片段。]]></description><category></category></item><item><title><![CDATA[人工智能第五次笔记（python运算符）]]></title><link>https://blog.youkuaiyun.com/m0_74973397/article/details/146268374</link><guid>https://blog.youkuaiyun.com/m0_74973397/article/details/146268374</guid><author>m0_74973397</author><pubDate>Fri, 14 Mar 2025 23:15:07 +0800</pubDate><description><![CDATA[功能：对于每一位，如果a和b的相应位不同（一个为1，另一个为0），则结果位为1，否则为0。功能：对于每一位，只要a和b中至少有一位是1，则结果位为1，否则为0。功能：对于每一位，如果a和b的相应位都是1，则结果位为1，否则为0。功能：对操作数a的每一个二进制位进行取反，即将1变为0，0变为1。优先返回假值对象, 如果x 为假值，返回x, 否则返回y。优先返回真值对象, 如果x 为真值，返回x, 否则返回y。A是一个表达式 B也是一个表达式。整个表达式A and B 的。A是一个表达式 B也是一个表达式。]]></description><category></category></item><item><title><![CDATA[人工智能第四次笔记（python字典，集合）]]></title><link>https://blog.youkuaiyun.com/m0_74973397/article/details/146213240</link><guid>https://blog.youkuaiyun.com/m0_74973397/article/details/146213240</guid><author>m0_74973397</author><pubDate>Thu, 13 Mar 2025 02:43:03 +0800</pubDate><description><![CDATA[字典是可变容器字典以键（key）-值（value）为一对的形式进行映射，键值对用冒号进行分割，键值对之间用逗号分割例如：d={key1:value1,key2:value2,key3:value3}字典的数据是无序的，与元组不同补：python3.7更新后变为有序字典的键只能用不可变类型，且不能重复字典的数据用键进行索引，不能用整数进行索引（与元组索引的区别）]]></description><category></category></item><item><title><![CDATA[人工智能第三次笔记（python列表，元组）]]></title><link>https://blog.youkuaiyun.com/m0_74973397/article/details/146189026</link><guid>https://blog.youkuaiyun.com/m0_74973397/article/details/146189026</guid><author>m0_74973397</author><pubDate>Tue, 11 Mar 2025 23:34:38 +0800</pubDate><description><![CDATA[列表是用方括号[]标注，逗号分隔的一组值。]]></description><category></category></item></channel></rss>