- 博客(15)
- 收藏
- 关注
RSS订阅原创 深入理解时间复杂度与空间复杂度
理解并掌握复杂度分析，不仅有助于优化代码，还能在面试中脱颖而出。：时间复杂度 O(2ⁿ)，空间复杂度 O(n)（递归栈）。使用额外存储空间来减少计算量，提高执行速度。在实际开发中，合理选择算法是提升性能的关键。，比线性搜索更快（O(1) vs. O(n)）。：减少存储，但可能增加计算量（如迭代代替递归）。：时间复杂度 O(n)，空间复杂度 O(n)。减少额外存储空间，但可能增加计算时间。，减少重复计算，例如斐波那契数列。：递归算法调用时占用的栈空间。衡量算法运行时间，越小越优。衡量算法存储消耗，越小越优。
2025-04-04 10:46:55
706
原创 使用 LangChain 和 DeepSeek 构建文案助手智能体
LangChain 是一个高度灵活的框架，允许开发者将大语言模型（如 GPT）与各种外部工具结合使用，构建功能丰富的智能体。LangChain 的核心原理是将多个功能组合成一个智能体，以便在复杂的任务中实现自动化。
2025-03-31 16:17:15
1278
原创 如何提高YOLO模型的检测精度：使用YOLO11n训练与优化技巧
通过优化数据、调整模型参数和改进训练策略，我们可以进一步提高其检测精度。目标：检测X光、CT、MRI图像中的病变区域，如肺结节、肿瘤等。应用：增强自动驾驶汽车的感知能力，避免碰撞，提高行车安全性。应用：智能安防系统，结合报警机制，实现异常检测和跟踪。关键点：需结合多模态医学数据，优化模型的检测阈值。目标：检测行人、车辆、红绿灯、交通标志等。目标：检测异常行为，如闯入、偷窃、打架等。应用：辅助医生诊断，提高疾病检测的准确率。目标：检测产品缺陷，如裂纹、划痕、不良品。应用：自动化生产线，提高质检效率和准确率。
2025-03-27 09:16:18
420
原创 深入理解循环神经网络（RNN）：原理、实现与挑战
即后续数据依赖于前面的输入信息。例如，翻译句子时，当前单词的含义通常取决于前面的单词。而传统的神经网络（如 CNN 和 MLP）由于。RNN 仍然适用于某些低计算资源场景（如实时语音识别）。但在现代 NLP 任务中，在自然语言处理（NLP）、语音识别、时间序列分析等任务中，数据通常具有。来存储和更新隐藏状态，使模型可以保留时间信息。（RNN 的时间展开示意图）控制隐藏状态，比 LSTM。，从而对序列数据进行处理。控制信息存储和更新，从而。，难以处理这类问题。RNN 的核心思想是。
2025-03-24 17:13:15
558
原创 MTCNN（三阶段人脸检测网络）解析：PNet、RNet 和 ONet(附代码)
逐步筛选候选人脸框，实现精准的人脸检测和关键点定位。是一种广泛应用的深度学习方法，因其。ONet 进一步优化人脸检测，并。，最终获得高精度的人脸检测结果。，帮助大家理解其工作原理。PNet 是一个轻量级的。（眼睛、鼻子、嘴巴等）。RNet 进一步筛选。
2025-03-14 16:18:22
438
原创 从 DeepSeek 到 GPT：如何为不同 AI 任务选择合适的计算资源？
等大模型的训练与推理对计算资源的需求越来越高。，运行小型 AI 任务（如 DeepSeek-7B 推理、ResNet-18 训练），或运行 Transformer 任务，建议。随着 AI 领域的飞速发展，从。），帮助你选择最适合的方案。，适用于大规模 AI 任务。，对比本地 GPU（如。（如阿里云、AWS）提供。，避免显存不足问题。
2025-03-12 11:31:44
788
原创 ResNet 经典网络详解：深度学习中的革命性突破（含代码）
如果你对 ResNet 还有更深入的兴趣，可以尝试 ResNet-50、ResNet-101 这些更深层次的变体，或者结合 Transformer、注意力机制等技术进行优化！在深度学习的发展历程中，ResNet（残差网络）是一个重要的突破。它成功解决了深层神经网络训练中的梯度消失问题，使得深度模型能够达到更好的性能。ResNet-18 是深度学习领域中最经典的网络之一，尤其在图像分类任务上表现优异。为例，详细解析其网络结构、关键技术，并探讨其实际应用。，避免梯度消失，并帮助网络学习更深层次的特征。
2025-03-10 10:58:20
1779
原创 LeNet-5：曾经统治计算机视觉的神经网络！
它的设计灵感来源于人类视觉系统，可以自动学习图像特征，而不需要手工设计特征提取方法（如 SIFT、HOG）。如果你想自己跑一下 LeNet-5，下面是 PyTorch 代码（仅需几行代码即可实现！但如果要处理更复杂的图像（如猫狗分类、ImageNet），建议使用。现代计算机视觉（CV）领域的许多神经网络，都能追溯到。：LeNet-5 结构简单，是最好的 CNN 入门模型！：CNN、自动特征提取、手写数字识别、奠基模型。的模型，被称为深度学习的“开山鼻祖”！，看看它是如何影响整个深度学习领域的！
2025-03-07 11:57:17
525
原创 如何用 PyTorch 轻松实现梯度下降
在数学中，梯度描述了一个多变量函数在某一点上变化最快的方向。对于单变量函数 f(x) 来说，其导数 f′(x) 就是函数的变化率；而对于多变量函数来说，其梯度定义为所有偏导数组成的向量：梯度的方向指示函数上升最快的方向，而梯度的反方向则指向函数下降最快的方向。梯度下降的核心思想：利用函数在当前点的梯度信息，沿着下降最快的方向更新参数，逐步找到局部最小值。数学基础：在单变量中，梯度即导数；在多变量中，梯度是所有偏导数组成的向量，指示函数上升最快的方向。PyTorch 实现：通过开启自动求导，通过。
2025-02-19 16:20:56
857
3
原创 PCA 点亮降维之路
是一种经典的线性降维技术，它通过寻找数据中方差最大的方向，将原始高维数据投影到一个低维子空间，尽可能保留数据的主要信息。因此，PCA 作为机器学习的基础知识，依然值得掌握，但在实际应用中，需要结合数据特性选择最合适的降维方法。PCA 作为一种经典的降维技术，仍然具有去噪、特征压缩和可视化等重要作用，在一些小规模数据集或计算资源有限的场景下仍然值得使用。，构造一组新的正交坐标系，使得降维后的数据仍能最大程度地保留原始信息。我们以一个高维数据集为例，使用 PCA 进行降维，并观察它对模型训练的影响。
2025-02-14 18:29:54
568
原创 如何正确处理类别特征？One-Hot 编码在二手车价格预测中的作用
由于大多数机器学习算法无法直接处理类别变量，因此我们需要将其转换为数值格式，而。总之，One-Hot 编码是处理类别变量的强大工具，在二手车价格预测任务中起到了至关重要的作用！：支持线性回归、决策树、随机森林、XGBoost、LightGBM 等。可能有 100 多个品牌），One-Hot 编码会产生大量额外的特征。的，无法直接输入到大多数回归模型或树模型中。：如果某个类别变量取值很多，每个样本可能大部分都是。，如果该样本属于某个类别，则对应的位置为。在二手车价格预测的任务中，我们需要处理。
2025-02-07 17:18:35
542
原创 机器学习中的回归与分类——如何选择合适的算法？
回归和分类是机器学习中的两大重要任务，它们在数据分析、预测建模和人工智能应用中扮演着关键角色。不同的算法适用于不同的数据集和任务需求，因此，在实践中需要结合数据特点和业务需求，选择合适的模型。它们在数据处理、应用场景和算法选择上各有不同，了解它们的区别可以帮助我们更好地选择合适的模型。本文将详细介绍回归和分类的概念、应用场景、常见算法及如何选择适合的算法。的任务，目标是将数据点归类到预定义的类别中，例如判断一封邮件是否是垃圾邮件，或识别一张图片中的对象。的任务，目标是找到输入特征与目标变量之间的关系。
2025-02-05 15:20:36
734
原创 机器学习算法路径
在学习机器学习前，应掌握以下基础知识：VotingBaggingStackingBoosting随机森林（Random Forest）XGBoost
2025-01-25 11:45:18
836
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