- 博客(78)
- 问答 (1)
- 收藏
- 关注
RSS订阅原创 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
403
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
769
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
323
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
584
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
1013
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
907
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
834
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
1136
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
2343
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
599
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
787
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
890
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
665
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
636
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
799
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
719
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
998
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
943
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
933
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
839
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
1134
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
1024
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
788
原创 T7——咖啡豆识别
VGG的结构非常简洁，整个网络都使用了同样大小的卷积核尺寸。权重值文件的大小为500多MB，不利于安装到嵌入式系统中。2)需要的存储容量大，不利于部署。1)训练时间过长，调参难度大。
2024-10-10 20:19:26
408
原创 T6打卡-好莱坞明星识别
为True时，会将y_pred转化为概率（用softmax）,否则不进行转换，通常情况下用True结果更稳定；：类型为tf.keras.losses.Reduction，对loss进行处理，默认是AUTO；相对应的损失函数，如果是one-hot编码，则使用。相对应的损失函数，如果是整数编码，则使用。相对应的损失函数，针对于二分类问题。
2024-10-03 19:35:10
530
原创 T5打卡-运动鞋识别
是 TensorFlow 中的一个学习率衰减策略，用于在训练神经网络时动态地降低学习率。学习率衰减是一种常用的技巧，可以帮助优化算法更有效地收敛到全局最小值，从而提高模型的性能。初始学习率大小。学习率衰减的步数。在经过 decay_steps 步后，学习率将按照指数函数衰减。例如，如果 decay_steps 设置为 10，则每10步衰减一次。学习率的衰减率。它决定了学习率如何衰减。通常，取值在 0 到 1 之间。一个布尔值，控制学习率的衰减方式。
2024-09-30 19:57:14
779
原创 T4—猴痘识别
当加速器正在执行第 N 个训练步时，CPU 正在准备第 N+1 步的数据。这样做不仅可以最大限度地缩短训练的单步用时（而不是总用时），而且可以缩短提取和转换数据所需的时间。CPU 正在准备数据时，加速器处于空闲状态。相反，当加速器正在训练模型时，CPU 处于空闲状态。因此，训练所用的时间是 CPU 预处理时间和加速器训练时间的总和。shuffle是防止数据过拟合的重要手段，然而不当的buffer size，会导致shuffle无意义。需要说明的是，这里的数据项item，并不只是单单一条真实数据，如果有。
2024-09-21 21:44:04
482
原创 T3打卡-天气识别
directory,seed=None,directory: 数据所在目录。如果标签是inferred（默认），则它应该包含子目录，每个目录包含一个类的图像。否则，将忽略目录结构。labels: inferred（标签从目录结构生成），或者是整数标签的列表/元组，其大小与目录中找到的图像文件的数量相同。标签应根据图像文件路径的字母顺序排序（通过Python中的os.walk(directory)获得）。
2024-09-18 10:55:40
1073
原创 T2打卡——彩色图片分类
池化层对提取到的特征信息进行降维，一方面使特征图变小，简化网络计算复杂度；另一方面进行特征压缩，提取主要特征，增加平移不变性，减少过拟合风险。但其实池化更多程度上是一种计算性能的一个妥协，强硬地压缩特征的同时也损失了一部分信息，所以现在的网络比较少用池化层或者使用优化后的如SoftPool。池化层包括最大池化层（MaxPooling）和平均池化层（AveragePooling），均值池化对背景保留更好，最大池化对纹理提取更好）。同卷积计算，池化层计算窗口内的平均值或者最大值。6.预测数据及模型评估。
2024-09-08 20:42:34
381
原创 T1打卡——mnist手写数字识别
池化层：是一种非线性形式的下采样。主要用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的鲁棒性。全连接层：在经过几个卷积和池化层之后，神经网络中的高级推理通过全连接层来完成。卷积层：通过卷积操作对输入图像进行降维和特征抽取。3.定义CNN网络模型。
2024-09-07 17:29:19
455
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
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Scala编程的标点问题
2023-05-14
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