- 博客(77)
- 资源 (41)
- 收藏
- 关注
RSS订阅
原创 环境说明-针对我所有文章和代码资源等-requirement。
Python 3.6.5,如需配置显卡，所有项目都使用的是cuda10.1。
2022-05-26 16:50:15
2039
9
原创 python实现keras多模态（语音文字图像）情绪识别【文末源码】
【代码】python实现keras多模态（语音文字图像）情绪识别【文末源码】
2023-04-26 10:12:45
2406
1
原创 python实现AI写歌词GUI版本【文末源码】
界面中我们的布局是文本框、编辑框和按钮控件。程序的调用使用批处理文件调用以达到显示运行过程的效果。因为如果没有运行过程，难免会导致用户不清楚程序流程而强制运行容易导致卡死的情况。
2023-04-24 20:21:09
892
原创 python-Vision Transformer实现行为分类和模型类激活图CAM绘制【源码分享】
【代码】python-Vision Transformer实现行为分类和模型类激活图CAM绘制【源码分享】
2023-03-24 18:59:11
620
1
原创 python+Opencv毕设项目车道检测【源码分享】
（1）、环境概述：系统所使用的环境是python3.6.5，opencv3.14.8版本，windows10系统。编程工具使用的是pycharm专业版。所用到的python其他库有os，在这里用来寻找本地图片文件等操作；numpy库用来当对读取到的图片矩阵进行运算处理；pyqt5库用来创建GUI窗口程序等。（2）、功能模块划分：按照第二章所描述的，所划分的模块总的可以分为图像处理模式识别模块和GUI窗口程序两个部分。其中每个部分又可以分为好几个部分，具体已经在第二章有所阐述。
2023-03-17 09:38:53
898
原创 算法知识点-线性回归、岭回归
线性回归是假设数据是服从正态分布，通过均方误差来计算损失，其本质是最小二乘法。自变量和因变量满足线性关系假设；误差的方差为常数假设；数据服从正态分布假设；自变量相互独立假设；
2023-03-03 08:30:00
116
原创 算法知识点-逻辑回归
定义：假设数据服从伯努利分布，通过极大似然估计来预测数据，然后通过使用梯度下降算法来优化参数的算法。其对于多分类问题上使用交叉熵损失函数，本质是极大似然估计；二分类问题上使用sigmoid函数。
2023-03-03 08:00:00
82
原创 算法知识点-SVM
X作为原点到超平面上任意点的连线向量，它的模作为其点到面的距离。1、将求解参数问题转换为求解对偶问题，就是将求解W和B的问题转换为求解核函数和B的问题，这样通过新的目标函数拉格朗日函数可以更快求解；2、其次，原始求解问题复杂度与样本的维度有关，而引入了拉格朗日函数算法复杂度只与样本数量有关，即拉格朗日算子数。γ越小，则考虑全部样本点，难以捕捉超平面的形状；当模型低偏差，高方差的时候，模型过拟合，需要减小C值，因为C值的作用相当于时反正则项。当模型高偏差，低方差时，模型欠拟合，需要增大C值。
2023-03-02 08:30:00
132
原创 算法知识点-AdaBoost
因为在训练每个基分类器时，当某个样本易分辨错误，则增大其权重，这样下一次训练时，为了提高模型效果，就会把权重大的样本识别正确，这样即使每个分类器都可能分类错误，但是可以保证权重大的样本分类正确。首先初始化AdaBoost样本权重分布；然后查找到错误率最小的基分类器；接着计算所有基分类器的权重；然后更新每个样本权重；最后将每个基分类器组合构成强分类器。为什么AdaBoost可以快速收敛？简述AdaBoost权重更新方法？但是对于异常样本敏感。
2023-03-01 08:45:00
221
原创 算法知识点-GBDT
GBDT是以CART为基分类器的加法结构树模型，其每个基分类器的输入由上一个分类器的残差作为输入，通过不断减少残差达到训练的目的。其中残差由损失函数的负梯度在当前模型的值进行估算。对特征进行预排序，并存储为block结构，可以对特征进行重复利用，并利用多线程快速查找，加速查找特征。GBDT相对于逻辑回归具有树模型的优点，也就是抗噪声能力强，对异常点不敏感，鲁棒性强；通过计算当前特征的基尼指数与所有特征的比例作为权重。同时GBDT对于缺失值有很好的处理方法，而LR没有。中间节点保存特征分割的阈值；
2023-03-01 08:15:00
149
原创 算法知识点-Inception和瓶颈层
在模型最后阶段引入两个分类器，用来扩大差异，增加反向传播的网络信号，提供额外的正则化。1的卷积核降低特征图通道数，减少后续卷积计算量，避免计算瓶颈。使用1*1的卷积核减少通道数，避免计算瓶颈；使用不同尺寸的卷积核进行并行卷积堆积；1的卷积核进行维度裁剪；
2023-02-28 08:30:00
261
原创 算法知识点-AlexNet、VGG、ResNet简述
通过引入残差结构，使得原始的输出y变成y-x，构成残差结构residual mapping。这样当模型达到最佳时，residual mapping 会被Push为0，这样相当于模型学习的的是恒等映射，所以模型性能不会随着训练而下降。使用连续几个3*3的卷积核代替大卷积核；通过堆积小卷积核优于直接使用大卷积核，原因在于堆积小卷积核增加了模型的非线性表达能力，使得模型拟合能力增强。堆积小卷积核组合优于一个大卷积核；resnet中引入了BN，相当于自带噪声，具有正则化效果，无需引入droupout。
2023-02-28 08:15:00
616
原创 算法知识点-激活函数
sigmoid激活函数：1/(1+e^-z)。容易造成梯度消失，原因在于输入极大或者极小时，其导数趋近于0.relu激活函数：大于0时为本身，小于等于0为0。可以使得部分输出为0，形成网络稀疏性，有效缓解梯度消失。小于0时不为0.带参数为p。softmax:用于分类概率。tanh双正切函数：（e。
2023-02-27 08:30:00
148
原创 算法知识点-优化算法
Adagrad:自适应梯度下降，可以自适应调整学习率，每个参数拥有自己的学习率，对低频参数更新较大高频参数更新小。但是由于其分母为梯度平方的累加和，容易导致随着模型训练其越来越小。SGD随机梯度下降：每次训练对一个样本计算更新梯度，速度快，但是震动频繁，易局部最优。BGD批量梯度下降：对整个样本计算和更新梯度，速度缓慢，但是可以收敛到全局最优点。Adam：综合考虑了梯度的均值和梯度平方，使用了梯度的一阶和二阶导数信息一般更优。动量梯度下降：在SGD基础上，加上一定惯性值，缓解震荡程度。
2023-02-27 08:00:00
111
原创 算法知识点-感受野及其计算
计算：从前往后计算。r_in 和j_in初始为stride。r_in为上一次的r_out。定义：卷积神经网络每一层特征图像素对应于原图的区域大小。
2023-02-26 08:15:00
107
原创 算法知识点-神经网络归一化方法
BatchNorm:在Batch上对NHW进行归一化，常用于图像上，原因在于图像特征提取认为通道信息对于图像特征具有重要意义，所以需要保留通道信息，对每个Batch归一化。LayerNorm：在通道上对CHW进行归一化，常用于自然语言处理，认为文字本身含义与句子长短等信息无关，故在通道上归一化。归一化：对神经网络参数的标准化，使其参数分布更为均衡统一。可以有效的环境梯度消失和梯度爆炸问题。InstanceNorm：在像素上进行归一化，常用于风格迁移。GroupNorm：对通道进行分组，然后分组归一化。
2023-02-26 08:15:00
558
1
原创 算法知识点-池化
平均池化：计算每个patch均值传递给下一层。反向传播时将值分为n为传递给前一层，以保证其传递梯度和不变。最大池化：计算每个patch最大值传递给下一层。反向传播时直接将值传递给前一层，其余部分为0.下采样，减少参数量，可以防止过拟合加快计算速度。
2023-02-25 08:45:00
196
原创 算法知识点-神经网络初始化
3、BatchNorm归一化，其参数分布相对均匀，具有正则化效果。1、初始化为0或一个常数，容易导致每个神经元学到相同特征。2、随机初始化，随着网络层数加深，其激活函数输出趋近0；过小初始化和过大初始化易造成梯度消失和梯度爆炸。
2023-02-24 09:00:00
107
原创 算法知识点-神经网络预处理
3、PCA降维和百画（首先通过零均值，然后再通过协方差矩阵求得特征值特征向量，然后投影降维，求解其相关性）。Min-Max标准化（求取最大值和最小值每个样本与最小值之差除以最大最小差）；随机初始化、BatchNorm、layernorm等，加快网络拟合；零均值标准化（每个样本值减去均值）；
2023-02-24 08:15:00
116
原创 算法知识点-前向和反向传播
梯度下降算法需要有明确的求导，对于神经网络隐藏层不含有误差，需要反向传播算法传递误差，然后再通过梯度下降调参。首先计算最后一层预测值与真实值之间的误差，然后按照链式法则进行反向传递到上一层，得到误差更新权重。比如第l层某神经元误差=该神经元的梯度*与该神经元相连的第（l+1）层误差项权重和。按照激活函数加权重传递，f(Wx+b)
2023-02-23 08:00:00
94
原创 算法知识点-Epoch、Iteration区别
对BatchSize完成一次训练，包括一次前向和一次反向。对所有数据完成一次训练。每次训练的样本数量；
2023-02-22 08:15:00
236
原创 算法知识点-过拟合和欠拟合
增大样本数，数据增强等；使用droupout层随机神经元失活；使用Bagging随机思想；使用boosting集成学习。过拟合指的是模型在训练集上表现很好测试集表现差，模型方差大；欠拟合指的是模型在训练集和测试集表现都不佳，模型偏差大；
2023-02-22 08:00:00
137
原创 算法知识点-正则化
目标函数后面加上权重的绝对值，使得部分权重变为0，形成稀疏性矩阵，可以防止过拟合同时可以用来进行特征选择。目标函数后面加上权重的平方，使得权重不断减小，但始终不为0，使其权值分布均衡，防止过拟合。
2023-02-21 08:30:00
93
原创 算法知识点-神经网络各个评价指标
以TPR为纵坐标，FPR为横坐标绘制的曲线。其曲线越接近于左上角，表示模型效果越好。正确预测为正的样本占全部预测为正的样本的比例。P=TP/(TP+FP)正确预测为正的样本占实际全部为正的样本比例。R=TP/(TP+FN)正确预测为正的样本占实际全部为正样本比例。ＴＰ／（Ｔｐ＋ＦＮ）错误预测为正的样本站实际全部为负样本比例。FP/(TN+FP)精确率和召回率的调和平均值。ROC曲线的面积，为1表示完美分类器。正确预测的样本占全部样本的比例；
2023-02-21 08:15:00
775
原创 算法岗面试知识点-决策树
CART在生成子树时，选择一个特征作为切分点生成子树，其中特征选择的依据是基尼指数，选择基尼指数最小的特征用来作为切分点。ID3(基于信息增益)；C4.5(基于信息增益比)；CART(基于基尼指数)。boosting+决策树=adboost；gradient+决策树=GBDT；Bagging+决策树=随机森林；
2023-02-20 08:15:00
73
原创 算法岗面试知识点-bagging与boosting区别
2、Bagging各样本之间权重相等，属于均匀采用；而boosting各样本权重不相等，错误率越大的样本权重越大；1、Bagging是有放回的抽样，各数据集之间相互独立；boosting使用的是全局数据集，数据集不发生变换；3、Bagging各预测函数权重是相等的，而boosting每个弱分类器都有各自的权重；4、Bagging各预测函数是可以并行生成的，而boosting只能按顺序生成。
2023-02-19 08:30:00
488
原创 算法岗面试知识点-K-means聚类步骤
循环反复直至簇不发生变换或者到了最大迭代次数。随机选取或者按照固定规则选取k个点作为质心；计算每个点到质心之间的距离，形成k个簇；重新计算每个簇的质心；
2023-02-19 08:15:00
125
原创 算法岗面试知识点-KNN算法概述
KNN定义：通过计算测试样本与训练样本之间的距离，从小到大排序，选取前k个距离最小的样本，其类别频率最高的类别为输出结果。KNN是有监督分类学习算法，需要训练；K-means是无监督聚类算法，不需要训练。
2023-02-18 08:45:00
100
原创 判别式模型和生成式模型
生成式模型：高斯混合模型（GMM）；马尔科夫随机场（MRF）；隐马尔可夫模型（HMM）；线性判别分析（LDA）生成式模型：由数据学习联合概率分布，求解出其联合概率密度，然后再求出条件概率作为预测的模型。判别式模型：逻辑回归，SVM，随机森林、奇异值分解（SVD），PCA主成分分析等很多。判别式模型：直接对决策函数或者是条件概率进行建模；
2023-02-18 08:30:00
262
原创 Unet图像分割实战代码-以植物病虫害分割为例训练测试【源码分享】
【代码】Unet图像分割实战代码-以植物病虫害分割为例训练测试【源码分享】
2023-02-17 20:22:28
1409
1
原创 算法岗面试知识点-GBDT、AdaBoost、XGboost区别
Adaboost是以错分数据点来定位模型的不足；而GBDT是以梯度来定位模型的不足。GBDT使用CART回归决策树作为基分类器，而XGboost还支持线性分类器；XGBoost损失函数中加入了正则化，可以防止过拟合；XGboost使用了列抽样，随机选取样本。
2023-02-17 08:30:00
233
Python深度学习实现DIY专属个人表情包
2023-04-05
python机器学习项目-验证码识别源码分享
2023-04-04
python+Opencv毕设项目车道检测源码分享
2023-03-17
GCN图卷积实现人体行为识别-摔倒行为识别源码分享
2023-03-03
Unet图像分割实战代码-以植物病虫害分割为例训练测试源码分享
2023-02-17
目标检测+行人跟踪+行为识别等项目实战源码分享
2023-02-16
Python实现景区安防系统
2022-06-30
姿态分类训练代码-可以结合我上传的’安全监测‘使用，替换成自己训练的模型
2022-05-26
健身评分系统(见文章“Python搭建AI健身评分系统 ”)
2021-10-15
Openpose人体动作分类GUI二次检测版本
2021-09-07
安全监测、姿态纠正、健身评分源码.txt
2021-08-03
深度学习实现场景字符识别模型python源码
2021-07-21
深度学习高精度图像修复源代码
2021-07-21
python人脸照片转成3D模型（贴图）源码
2021-07-21
python制作智能桌宠（可自行添加很多功能）完整源码
2021-07-21
python轴承寿命预测（附带GUI界面）源码
2021-07-21
python实现照片图像去雾源代码
2021-07-21
python视频人物一键隐身源代码
2021-07-21
python不同设备间数据传输源代码
2021-07-21
python溺水行为识别-姿态识别源码
2021-07-21
python照片转成3D模型源代码
2021-07-21
爬虫-生成标准格式word源代码-python
2021-07-21
python城市空气质量CSV文件训练和预测.txt
2021-07-21
python智能车道检测系统源代码
2021-07-21
C语言-路径优化机器学习源代码
2021-07-21
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人