20250105-EcoEye：基于深度学习的植物病理图像数据分类——（已复现）

已于 2025-04-06 20:49:57 修改
阅读量80 收藏 1
点赞数 2
分类专栏： 静下心来读/译好文、论文 文章标签： 深度学习 人工智能
于 2025-01-05 14:51:03 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_45913057/article/details/144945691
版权
20241201-EcoEye Reproduction（论文复现）
……
01-05 318
import os # Python标准库中的一个模块,提供了许多与操作系统交互的功能,用于处理文件 import random import shutil import warnings import numpy as np import pandas as pd # 一个强大的 Python 数据分析库,提供了快速、灵活以及表达力强的数据结构,旨在使“关系”或“标签”数据的操作既简单又直观。是数据科学、金融、统计学和任何需要数据分析的领域中不可或缺的工具。 import seaborn ……
20241208-EcoEye：基于深度学习的植物病理图像数据集分类.7z
01-05
"20241208-EcoEye：基于深度学习的植物病理图像数据集分类"这一项目，即是对深度学习在植物病理图像分类中的应用进行了深入研究和开发。 该项目的核心是构建了一个包含多类植物病害图像的数据集，并通过深度学习...
基于深度学习的无人机轨迹预测
crasher123的博客
06-06 1492
随着无人机技术的不断发展，无人机在农业、物流、监控等领域的应用日益广泛。精准的轨迹预测不仅能够提高无人机飞行的效率和安全性，还能在应对复杂环境下的突发状况时做出迅速反应。因此，基于深度学习的无人机轨迹预测已成为当前研究和应用的热门方向。
RNN和CNN使用场景区别
mayaohao的博客
06-06 954
RNN（循环神经网络）和 CNN（卷积神经网络）是深度学习中两种核心架构，它们的使用场景主要取决于数据结构和任务需求。
NLP学习路线图（二十三）：长短期记忆网络（LSTM）
2501_91516851的博客
06-04 925
长短期记忆网络（LSTM）通过创新的门控机制解决了传统RNN的梯度消失问题。其核心是记忆单元和三个门（遗忘门、输入门、输出门），能够选择性保留长期依赖信息。相比RNN，LSTM的线性信息流使梯度有效传播，门控机制动态调节信息流动。LSTM在文本分类、序列标注、机器翻译等NLP任务中表现优异，并衍生出GRU、双向LSTM等变体。伪代码展示了LSTM单元的基本实现逻辑，包括门控计算和状态更新过程。
深度学习习题3
2301_78450837的博客
06-05 535
4.假设在训练时，你遇到这个问题。在几次迭代后，错误突然增加。您将数据描绘出来，找到了原始数据有点偏离，这可能是导致出现问题的地方。2.对于分类任务，我们不是将神经网络中的随机权重初始化，而是将所有权重设为零。如果要设计一个有2000个特征，100万数据的机器学习模型，如何有效的处理这样大数据训练（）Dropout只是在训练的时候丢弃神经元，但测试的时候神经元数量还是一样，所以时间不变。B.神经网络模型可以训练，但所有的神经元最终将识别同样的事情。A.增加参数的数量，因为网络不会卡在局部最小值处。
山东大学深度学习2025年期末考试
c335000的博客
06-05 377
1.反向传播2.激活函数3.梯度裁剪4.数据增强5.迁移学习6.过拟合7.word2Vec8.注意力机制。
深度学习在非线性场景中的核心应用领域及向量/张量数据处理案例，结合工业、金融等领域的实际落地场景分析
mayaohao的博客
06-05 839
‌非线性建模不可替代性‌工业缺陷形态、市场动态、生物信号等复杂模式无法用线性方程描述310‌高维张量处理优势‌图像/点云/频谱等天然高维数据需张量结构存储，深度学习可分层提取非线性特征1112‌激活函数的核心作用‌ReLU/ GELU 等函数赋予模型分层次拟合复杂决策边界的能力38例如晶圆检测中，单个像素缺陷需联合周围100×100区域非线性特征（如纹理渐变、边缘突变）才能准确判定，此时CNN的多层非线性激活远优于线性分类器1011。
PyTorch——优化器(9)
qq_56238664的博客
06-04 403
优化器根据梯度调整参数，以达到降低误差。
深度学习习题2
2301_78450837的博客
06-05 991
4.假设我们拥有一个已完成训练的、用来解决车辆检测问题的深度神经网络模型，训练所用的数据集由汽车和卡车的照片构成，而训练目标是检测出每种车辆的名称（车辆共有10种类型）。造成这一现象的可能原因是什么？A、第一隐藏层对应D，第二隐藏层对应C，第三隐藏层对应B，第四隐藏层对应A。B、第一隐藏层对应A，第二隐藏层对应C，第三隐藏层对应B，第四隐藏层对应D。C、第一隐藏层对应A，第二隐藏层对应B，第三隐藏层对应C，第四隐藏层对应D。D、第一隐藏层对应B，第二隐藏层对应D，第三隐藏层对应C，第四隐藏层对应A。
【学习笔记】深度学习-过拟合解决方案
weixin_44343355的博客
06-03 421
本文介绍了四种防止神经网络过拟合的方法。过拟合表现为训练集表现良好但验证测试集欠佳，常伴随大权重问题。1) L2正则化通过惩罚权重平方和限制参数过大；2) Dropout随机屏蔽神经元，强迫网络不依赖特定路径；3) 数据增强通过图像变换扩充数据集；4) 早停法在验证损失停止下降时终止训练。这些方法从不同角度提高模型泛化能力，其中Dropout和L2正则最常用，数据增强是本质解决方案但成本较高。
Matlab实现LSTM-SVM回归预测，作者：机器学习之心
机器学习之心的博客，关注并私信文章链接，获取对应文章源码和数据。
06-04 942
Matlab实现LSTM-SVM回归预测，作者：机器学习之心
第2天：认识LSTM
差点就差一点点的专栏
06-05 959
本文介绍了LSTM（长短期记忆网络）的核心原理与实现。LSTM通过遗忘门、输入门和输出门三个关键组件有效解决了传统RNN的梯度消失问题，能够处理长序列数据。文章详细解析了LSTM的门控机制和工作流程，并提供了基于PyTorch的LSTM网络实现代码，包括参数设置和前向传播过程。最后列举了LSTM在自然语言处理、时间序列预测等领域的典型应用。该内容来自365天深度学习训练营的学习记录，使用Python 3.10和PyCharm环境开发。
Python----循环神经网络（BiLSTM：双向长短时记忆网络）
weixin_64110589的博客
06-03 1353
LSTM（长短期记忆网络）是一种改进的循环神经网络，通过遗忘门、输入门和输出门控制信息流动，有效处理长序列数据，适用于时间序列预测和语音识别等任务。BiLSTM（双向长短期记忆网络）在LSTM基础上增加反向处理层，同时捕捉过去和未来的上下文信息，增强对全局上下文的理解，适用于自然语言处理任务如机器翻译和命名实体识别。BiLSTM通过前向和后向LSTM处理序列，最终结合两个方向的输出，计算成本较高但效果更优。LSTM和BiLSTM在方向性、计算复杂度和典型应用上有所不同，BiLSTM在捕捉上下文信息和处理长距
Python训练第四十三天
qq_62872072的博客
06-03 343
kaggle找到一个图像数据集，用cnn网络进行训练并且用grad-cam做可视化。进阶：并拆分成多个文件。DAY 43 复习日。
【深度学习】为什么2个3×3的卷积可以相当于一个5×5的卷积核？为什么3个3×3的卷积相当于一个7×7的卷积核，到底区别在哪里？我们该如何使用？
猫天意的博客
06-05 752
摘要： 本文对比了串联小卷积核与大卷积核在CNN中的性能差异。以640×640输入为例，分析2个3×3与1个5×5、3个3×3与1个7×7的卷积组合，发现小卷积核串联可保持相同感受野的同时显著减少参数量（28%-45%），并通过多层非线性激活增强特征表达能力。小卷积核堆叠在网络深度、硬件加速和正则化效果上更具优势，已成为现代CNN设计准则，尤其适合需要多层次特征提取的任务，而大卷积核仅建议在网络浅层使用。这种设计本质是通过空间域分解实现高效分层次特征提取。
以人类演示视频为提示，学习可泛化的机器人策略
yorkhunter的博客
06-05 1545
25年5月来自清华大学、上海姚期智研究院和星动纪元（RoboEra）公司的论文“Learning Generalizable Robot Policy with Human Demonstration Video as a Prompt”。 最近的机器人学习方法通​​常依赖于从通过遥操作收集的大量机器人数据集中进行模仿学习。当面对新任务时，此类方法通常需要收集一组新的遥操作数据并微调策略。此外，遥操作数据收集流程也很繁琐且昂贵。相反，人类只需观察他人操作即可高效地学习新任务。本文介绍一种两阶段框架，如图所
Attention Is All You Need：抛弃循环神经网络的时代来了！
m0_72427326的博客
06-04 967
《Attention Is All You Need》提出的Transformer模型彻底颠覆了传统NLP领域。该模型通过自注意力机制（Self-Attention）取代RNN的顺序计算，实现了并行处理和长距离依赖捕捉。其核心架构包含编码器和解码器，编码器将输入转化为向量并计算词间关系，解码器生成输出时防止信息泄露。Transformer的优势在于并行计算加速训练、多头注意力捕捉多种关系，以及强大的可扩展性。这一突破性成果催生了BERT、GPT等里程碑模型，成为现代AI的基础设施。论文用数学证明：让信息自由
深度学习中的负采样
2302_76774649的博客
06-04 476
是一种在训练（尤其是在输出类别很多时）中，用来的方法。
【GPT模型训练】第二课：张量与秩：从数学本质到深度学习的基础概念解析
最新发布
spark_dev的博客
06-08 162
在数学和物理学中，张量是一种多维数组，用于表示物理量或几何实体在不同坐标系下的变换关系。在机器学习和深度学习中，张量是数据的基本表示形式，类似于多维数组或矩阵的扩展。张量：多维数组，用于表示数据或物理量。张量的秩：张量的维度数，即需要多少个索引来定位元素。拼音：秩（zhì）。理解张量和秩的概念是学习深度学习和线性代数的基础！
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

陈晨辰熟稳重

让我看看是哪个靓仔支持了我！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值