- 博客(89)
- 问答 (1)
- 收藏
- 关注
RSS订阅原创 N2 打卡——构建词典
本文介绍了中文文本预处理流程：使用jieba分词（支持自定义词典）、正则表达式清除标点、过滤停用词；通过迭代器生成词汇表并数字化文本。核心包括构建词汇表（处理OOV词）、统一预处理流程（去标点→分词→去停用词→转索引），最终输出模型可处理的数字序列。适用于PyTorch等框架的文本输入预处理，强调内存效率（生成器）和可扩展性（自定义词典/停用词表）。
2025-08-14 23:34:49
497
原创 N1——one-hot编码
本文介绍了one-hot编码在深度学习中的应用，通过K同学的365天训练营教案展示了从中文文本到one-hot编码的完整流程。首先对文本进行分词处理，构建词汇表并建立单词索引，然后将文本转换为整数序列，最后生成one-hot编码。这种编码方式能有效避免模型误判类别间的顺序关系，确保每个类别在特征空间中都处于平等且独立的位置。文中还提供了详细的Python实现代码，包括分词、词汇表构建、序列转换和one-hot编码生成等关键步骤。
2025-08-03 19:42:50
427
原创 G9打卡——ACGAN
本文介绍了基于ACGAN（辅助分类器生成对抗网络）的MNIST手写数字生成实现。ACGAN在传统GAN基础上增加分类器模块，通过融合标签嵌入和潜在噪声实现条件生成。代码实现包含生成器和判别器网络架构，采用对抗损失和分类损失联合优化。模型通过上采样卷积生成32x32图像，并定期保存生成结果。相比传统GAN，ACGAN能生成更符合目标类别的图像，同时提升训练稳定性。该方法适用于可控图像生成、数据增强等场景，核心优势在于结合类别信息实现定向生成。
2025-07-30 16:42:03
829
原创 G7打卡——Semi-Supervised GAN
本文介绍了基于PyTorch实现的半监督生成对抗网络(Semi-Supervised GAN)训练过程。文章详细阐述了代码结构，包括配置参数、权重初始化、生成器和鉴别器模型定义、损失函数设置以及训练流程。该模型通过在传统GAN基础上增加一个"未知类别"，使鉴别器既能判别图像真伪又能进行分类，从而有效利用未标注数据提升性能。训练过程中交替优化生成器和鉴别器，定期保存生成图像样本，并输出训练指标。代码完整实现了SSGAN的核心思想，适用于MNIST等图像生成任务。
2025-07-21 20:13:44
845
原创 G6打卡——CycleGAN
本文介绍了CycleGAN的网络结构与损失函数。CycleGAN包含两个生成器（G:X→Y和F:Y→X）和两个判别器（D_X、D_Y），采用U-Net架构和PatchGAN结构。总损失函数由三部分组成：对抗损失（L_GAN）训练生成器和判别器；循环一致性损失（L_cycle）确保转换可逆；可选的身份映射损失（L_idt）保持颜色和结构不变。其中，对抗损失使用标准GAN损失函数，循环一致性采用L1损失，权重系数λ1、λ2、λ3控制各部分重要性。该框架实现了无监督的图像域转换。
2025-07-16 16:56:43
986
原创 G5打卡——Pix2Pix算法
Pix2Pix是一种基于条件生成对抗网络(cGAN)的图像翻译算法，其核心是通过生成器与判别器的对抗训练实现图像转换。生成器采用U-Net架构，包含编码器-解码器结构和跳跃连接，以保留图像细节；判别器使用PatchGAN评估局部区域的真实性。该算法结合对抗损失(LsGAN)和L1像素损失进行优化，典型应用包括语义图转照片、边缘图上色等任务。Pix2Pix的关键创新在于条件对抗训练机制和U-Net+PatchGAN的架构设计，有效提升了生成图像的质量和结构一致性。
2025-07-10 16:35:20
902
原创 G4打卡——生成手势图像 （可控制生成）
本文记录了条件生成对抗网络(CGAN)的实现过程。主要内容包括：1)数据准备和处理，使用ImageFolder加载图像数据并进行标准化；2)构建条件生成器和判别器模型，生成器通过嵌入层处理类别标签并与噪声向量结合生成图像，判别器则结合图像和标签信息判断真伪；3)训练过程采用二元交叉熵损失和Adam优化器，交替训练两个模型；4)分析训练曲线并可视化生成结果。实验结果表明，该CGAN模型能够有效生成与给定类别标签对应的图像。代码实现了每10个epoch保存模型权重和生成样本的功能，便于后续分析和使用。
2025-07-02 14:49:19
696
原创 G3打卡——CGAN生成手势图像
本文实现了一个基于PyTorch的条件生成对抗网络(CGAN)，用于生成指定类别的手势图像。模型包含生成器和判别器两部分：生成器通过嵌入标签信息与噪声向量结合，使用转置卷积生成128×128 RGB图像；判别器则结合图像和标签信息进行真伪分类。训练过程采用二元交叉熵损失和Adam优化器，经过100轮迭代后保存模型权重。实验结果表明，该CGAN能够有效生成不同类别的图像，并通过潜在空间插值展示了模型的连续性。相比传统GAN，CGAN通过引入标签条件信息实现了对生成图像类别的控制，在图像生成任务中具有更好的可控
2025-06-24 18:50:42
396
原创 G2打卡——人脸图像生成
本文介绍了基于PyTorch的GAN模型实现过程。首先设置超参数（随机种子、批次大小、图像尺寸等）并导入数据，使用ImageFolder加载图像数据集并进行预处理。接着定义了生成器(Generator)和判别器(Discriminator)网络结构，均采用多层卷积/转置卷积，并应用自定义权重初始化。在训练阶段，交替优化两个网络：判别器学习区分真实和生成图像，生成器则试图欺骗判别器。训练过程中记录了损失值并保存生成图像样本。最后可视化展示了训练曲线、生成图像动画对比以及最终的真实/生成图像对比结果，完整呈现了
2025-06-17 16:21:02
391
原创 G1周打卡——GAN入门
本文展示了基于MNIST数据集的GAN模型训练流程。主要内容包括：1）配置超参数（50个epoch、64的batch size等）；2）下载并预处理MNIST数据；3）构建判别器网络（含3层全连接和LeakyReLU激活）；4）训练过程（交替优化生成器和判别器，使用BCELoss和Adam优化器）；5）保存模型和训练样本。代码完整实现了GAN的基础训练框架，适合初学者理解GAN的工作原理，包含数据加载、网络构建、对抗训练等关键环节。通过生成的手写数字效果可直观评估模型性能。
2025-06-12 23:22:17
942
原创 Y2打卡——训练自己的数据集
本文介绍了使用YOLOv5进行目标检测训练的全流程。主要内容包括：数据准备：创建规范的目录结构存放图片和XML标注文件数据集划分：通过split_train_val.py脚本将数据随机划分为训练集（90%）、验证集和测试集生成标签文件：为YOLO模型准备所需的训练文件配置训练参数：创建ab.yaml文件定义路径、类别等信息启动模型训练：使用train.py脚本进行训练，并设置图像尺寸、批大小等参数 该流程涵盖了从数据准备到模型训练的关键步骤，是掌握目标检测技术的重要实践。
2025-06-06 00:17:03
675
原创 第Y1周打卡——调用官方权重进行检测
本文记录了YOLOv5深度学习训练实践过程，包括从GitHub下载源码、环境配置（解决依赖问题）、运行图片和视频识别任务。
2025-05-26 15:59:44
448
原创 R9打卡——RNN实现阿尔茨海默病诊断（优化特征选择版）
主要涉及阿尔茨海默病数据的分析与建模。首先，通过Pandas、NumPy等工具对数据进行预处理，包括缺失值检查、标签编码和数据可视化。接着，使用决策树和递归特征消除（RFE）方法进行特征选择，最终选取了20个关键特征。随后，构建了一个RNN模型，并通过DataLoader将数据分批处理。模型训练过程中，使用交叉熵损失函数和Adam优化器，训练了50个epoch，并记录了训练和测试的准确率与损失。最后，通过绘制准确率、损失曲线和混淆矩阵，对模型性能进行了评估和可视化。整个过程展示了从数据预处理到模型训练与评估
2025-05-19 15:07:15
830
原创 R8打卡——RNN实现阿尔兹海默症识别
本文记录了使用PyTorch框架进行阿尔茨海默病数据集分类任务的过程。首先，代码检查并设置GPU或CPU设备，加载并预处理数据，包括删除冗余列和标准化处理。接着，数据被划分为训练集和测试集，并使用DataLoader进行批次处理。随后，定义了一个基于RNN的神经网络模型，并编译训练模型，采用交叉熵损失和Adam优化器进行30个epoch的训练。训练过程中，记录并打印了每个epoch的训练和测试准确率及损失值。最后，通过Matplotlib绘制了准确率和损失的变化曲线，生成了混淆矩阵，并对测试数据进行了预测，
2025-05-13 10:54:27
376
原创 R7打卡——糖尿病预测模型优化探索
这段代码是一个完整的糖尿病预测模型训练流程，基于 PyTorch 框架使用 LSTM 神经网络模型进行二分类任务。环境与硬件准备（GPU检查）数据加载与预处理数据可视化分析（缺失值、相关性、箱线图等）数据集划分与标准化LSTM模型定义与训练模型评估与结果可视化train()
2025-05-05 16:27:34
651
原创 R6打卡——LSTM实现糖尿病预测
这段代码是一个完整的深度学习项目，使用 PyTorch 框架来训练一个基于 LSTM 的模型，用于糖尿病预测。1. 检查 GPU检查是否有可用的 GPU，优先使用 GPU 加速计算。如果没有 GPU，则使用 CPU。2. 查看数据return out定义了一个两层 LSTM 网络，输入维度为 13（特征数），隐藏层维度为 200。最后通过全连接层输出两个类别（糖尿病/非糖尿病）。5. 编译及训练模型......训练函数train：计算损失、反向传播、更新参数，并记录训练准确率和损失。
2025-04-28 09:46:01
1130
原创 R5打卡——天气预测
这段代码展示了一个完整的深度学习项目流程，用于预测澳大利亚某地是否会下雨。通过导入、清洗和预处理天气数据集，包括处理缺失值、类别编码和标准化等步骤，构建了一个全连接神经网络模型，并使用Adam优化器和早停机制进行训练，最后通过可视化训练及验证的准确率与损失曲线来评估模型性能。整个过程涵盖了从数据预处理到模型构建、训练和评估的关键环节。
2025-04-24 10:56:52
950
原创 R4打卡——tensorflow实现火灾预测
通过使用 TensorFlow 框架构建了一个基于 LSTM 的时间序列预测模型。任务是从给定的数据集中提取特征（Tem1, CO 1, Soot 1），并利用前8个时间段的数据预测第9个时间段的目标变量（Tem1）。整个流程包括数据预处理、模型构建、训练、评估和结果可视化等关键步骤。
2025-04-17 19:54:36
922
原创 R4打卡——pytorch实现LSTM预测火灾
通过实现一个基于LSTM（长短期记忆网络）的深度学习模型，对时间序列数据进行预测。具体任务是从给定的数据集中提取特征（, , ），并利用前8个时间段的数据预测第9个时间段的目标变量
2025-04-17 19:43:37
1263
原创 R3打卡——pytorch实现心脏病预测
1.环境配置与数据加载检查GPU可用性并设置训练设备使用Pandas加载心脏病数据集heart.csv数据集包含13个生理特征和1个目标变量（是否患病）样本总量：303条（示例数据未展示具体维度）2.数据预处理特征标准化：使用对特征列进行Z-score归一化数据集划分：训练集90%（约273条）测试集10%（约30条）数据张量化：将Numpy数组转换为PyTorch Tensor创建DataLoader：批量大小64未启用shuffle（可能影响训练效果）
2025-04-07 10:22:54
2439
原创 R3打卡——tensorflow实现RNN心脏病预测
1. RNN是什么？RNN是一种专门处理序列数据的神经网络。它的特点是能够利用“记忆”（隐藏状态）来捕捉序列中的时序信息。自然语言（句子中的单词顺序）时间序列数据（股票价格、传感器数据）语音信号（声音的先后顺序）传统神经网络（如CNN）假设输入是独立的，而RNN通过循环结构让当前时刻的输出依赖之前的输入，从而建模时间依赖关系。2. 核心思想：循环与记忆隐藏状态（Hidden State）：RNN的“记忆单元”，保存了历史信息。循环机制。
2025-04-07 10:15:13
646
原创 J9打卡——InceptionV3实现天气识别
1. 代码结构概览1. 硬件检测自动选择GPU（若可用），否则使用CPU核心代码：torch.cuda.is_available()判断CUDA状态2. 数据准备数据集结构：4类天气图片（clouds/sunrise/rain/shine）路径处理：pathlib.Path自动解析路径预处理流程：统一缩放至 224x224归一化到 [0,1]数据集划分：80%训练集 + 20%测试集批量大小：32，启用 `shuffle` 打乱顺序2. 模型架构。
2025-03-31 10:39:45
856
原创 J8打卡——InceptionV1实现猴痘识别
本项目基于PyTorch框架，实现了一个InceptionV1模型的训练与测试，用于图像分类任务。项目的主要流程包括数据准备、模型构建、训练与测试、结果可视化以及单张图片的预测。以下是项目的详细总结。本项目成功实现了一个基于InceptionV1的图像分类模型，并完成了从数据准备到模型训练、测试、可视化和预测的完整流程。通过本项目，深入理解了深度学习模型的构建与训练过程，并掌握了PyTorch框架的基本使用方法。未来可以在此基础上进一步优化模型，提升其在实际应用中的性能。
2025-03-22 18:49:20
928
原创 J7打卡——ResNeXt-50思考
不报错的核心原因：1. 首个块显式对齐通道数：通过`conv_shortcut=True`的1x1卷积，确保输入输出通道数一致。2. 后续块复用对齐后的通道数：输入和主路径输出均为`filters * 2`，无需额外调整。3. 参数传递一致性：同一`stack`中所有块的`filters`参数相同，保证通道数统一。这种设计既符合残差网络的基本思想（恒等映射），又通过首个块的显式调整避免了维度不匹配问题，是ResNet/ResNeXt系列的核心优化技巧。可以在时，打印x.shape和。
2025-03-17 16:16:13
709
原创 J6打卡——pytorch实现ResNeXt-50实现猴痘检测
在这次深度学习训练营的学习中，我通过实现ResNeXt-50模型的构建、训练和评估，深入理解了深度学习模型的构建流程和优化方法。
2025-03-10 23:02:40
703
原创 J5打卡——pytorch实现DenseNet+SE-Net猴痘分类
这段代码展示了如何使用PyTorch实现一个完整的图像分类任务，涵盖了从数据加载、模型定义、训练、测试到结果可视化的全流程。代码结构清晰，模块化设计使得各个部分的功能明确，便于扩展和修改。通过使用DenseNet和SE注意力机制，模型能够有效地提取图像特征并进行分类。
2025-03-02 16:04:43
879
原创 J4打卡—— ResNet 和 DenseNet结合实现鸟类分类
代码结构检查 GPU：检查是否有可用的 GPU，并将模型和数据加载到 GPU 上。查看数据：加载数据集并统计图片数量。划分数据集：将数据集划分为训练集和测试集，并创建数据加载器。创建模型：定义了一个结合ResNet和DenseNet的混合模型。编译及训练模型：定义了训练和测试函数，并进行了模型训练。结果可视化：绘制训练和测试的准确率和损失曲线。预测图片：对测试集中的图片进行预测，并可视化预测结果。
2025-02-23 13:38:30
760
原创 J3打卡——DenseNet模型实现鸟类分类
这些代码展示了如何使用TensorFlow和Keras构建、训练并评估一个基于DenseNet架构的图像分类模型。
2025-02-16 16:30:10
1072
原创 J2打卡——ResNet50V2实现鸟类识别
本次任务通过实现ResNetV2模型，完成了鸟类图片分类任务。从数据加载、模型构建、训练到结果可视化，完整地走了一遍深度学习项目的流程。通过调整模型结构和训练策略，进一步加深了对ResNet及其变种的理解。未来可以在此基础上探索更多的优化方法和应用场景。
2025-02-09 10:47:04
994
原创 P10打卡——pytorch实现车牌识别
这些代码展示了如何使用PyTorch构建并训练一个车牌识别模型。首先，通过检查GPU可用性来确定计算设备，确保模型训练可以在GPU上加速进行。接着，定义了一个数据集类。
2025-01-13 20:47:57
971
1
原创 P7——pytorch马铃薯病害识别
VGG-16（Visual Geometry Group-16）是由牛津大学视觉几何组（Visual Geometry Group）提出的一种深度卷积神经网络架构，用于图像分类和对象识别任务。VGG-16在2014年被提出，是VGG系列中的一种。VGG-16之所以备受关注，是因为它在ImageNet图像识别竞赛中取得了很好的成绩，展示了其在大规模图像识别任务中的有效性。
2024-12-25 22:48:29
876
1
原创 P6打卡—Pytorch实现人脸识别
VGG-16（Visual Geometry Group-16）是由牛津大学视觉几何组（Visual Geometry Group）提出的一种深度卷积神经网络架构，用于图像分类和对象识别任务。VGG-16在2014年被提出，是VGG系列中的一种。VGG-16之所以备受关注，是因为它在ImageNet图像识别竞赛中取得了很好的成绩，展示了其在大规模图像识别任务中的有效性。
2024-12-17 22:46:45
1160
原创 P5打卡-pytorch实现运动鞋分类
等间隔动态调整方法，每经过step_size个epoch，做一次学习率decay，以gamma值为缩小倍数。
2024-12-11 21:50:08
1055
原创 P1打卡-使用Pytorch实现mnist手写数字识别
更具体地说，损失函数loss是由模型的所有权重w经过一系列运算得到的，若某个w的requires_grads为True，则w的所有上层参数（后面层的权重w）的.grad_fn属性中就保存了对应的运算，然后在使用。函数会遍历模型的所有参数，通过内置方法截断反向传播的梯度流，再将每个参数的梯度值设为0，即上一次的梯度记录被清空。，所有的梯度就会自动运算，tensor的梯度将会累加到它的.grad属性里面去。后，会一层层的反向传播计算每个w的梯度值，并保存到该w的.grad属性中。PyTorch的反向传播(即。
2024-11-11 21:13:16
822
深度学习CNN回归优化
2024-08-25
LSTM时间序列 实验数据处理
2024-08-21
关于Scala编程的标点问题
2023-05-14
有关scala的除法
2023-05-16
Scala相关的rdd编程问题map用法
2023-05-15
关于石头剪刀布程序添加菜单并实现功能的问题
2021-07-17
TA创建的收藏夹 TA关注的收藏夹
TA关注的人