- 博客(50)
- 收藏
- 关注
RSS订阅原创 Python打卡：Day50
所以很容易的想到之前第一次使用resnet的预训练策略：先冻结预训练层，然后训练其他层。之前的其它是全连接层（分类头），现在其它层还包含了每一个残差块中的cbam注意力层。预训练模型的结构和权重是固定的，如果修改其中的模型结构，是否会大幅影响其性能。其次是训练的时候如何训练才可以更好的避免破坏原有的特征提取器的参数。可以很明显的想到，如果是resnet18+cbam模块，那么大多数地方的代码都是可以复用的，模型定义部分需要重写。2. 采用什么样的预训练策略，能够更好的提高效率？
2025-07-11 12:00:00
266
原创 Python打卡：Day49
它的核心目标是通过学习的方式，自动获取特征图在通道和空间维度上的重要性，进而对特征图进行自适应调整，增强重要特征，抑制不重要特征，提升模型的特征表达能力和性能。这两个模块顺序连接，共同作用于输入的特征图。通道注意力（Channel Attention）：分析 “哪些通道的特征更关键”（如图像中的颜色、纹理通道）。空间注意力（Spatial Attention）：定位 “关键特征在图像中的具体位置”（如物体所在区域）。SE 通道注意力的局限：仅关注 “哪些通道重要”，未考虑 “重要信息在空间中的位置”。
2025-07-10 12:01:21
391
原创 Python打卡：Day48
在 PyTorch 中，torch.randn()是一个常用的随机张量生成函数，它可以创建一个由标准正态分布（均值为 0，标准差为 1）随机数填充的张量。- dtype：可选参数，指定张量的数据类型（如torch.float32、torch.int64等）。- size：必选参数，表示输出张量的形状（如(3, 4)表示 3 行 4 列的矩阵）。- requires_grad：可选参数，是否需要计算梯度（常用于训练模型时）。- device：可选参数，指定张量存储的设备（如'cpu'或'cuda'）。
2025-07-09 23:14:37
262
3原创 Python打卡：Day42
它通过计算特征图的梯度来生成类激活映射（Class Activation Mapping，简称 CAM ），直观地显示图像中哪些区域对模型的特定预测贡献最大。Grad-CAM 的核心思想是：通过反向传播得到的梯度信息，来衡量每个特征图对目标类别的重要性。1. 梯度信息：通过计算目标类别对特征图的梯度，得到每个特征图的重要性权重。3. 可视化：将激活映射叠加到原始图像上，高亮显示对预测最关键的区域。2. 特征加权：用这些权重对特征图进行加权求和，得到类激活映射。
2025-07-02 11:52:56
318
原创 Python打卡：Day40
self.layer2 = nn.Linear(128, 10) # 第二层：128个输入，10个输出（对应10个数字类别）transforms.Normalize((0.1307,), (0.3081,)) # MNIST数据集的均值和标准差。optimizer = optim.Adam(model.parameters(), lr=0.001) # Adam优化器。# summary(model, input_size=(1, 28, 28)) # 输入尺寸为MNIST图像尺寸。
2025-06-30 10:58:42
714
原创 Python打卡：Day38
Dataset类的__getitem__和__len__方法（本质是python的特殊方法）minist手写数据集的了解。Dataloader类。
2025-06-27 23:41:18
419
原创 Python打卡：Day34
类的call方法：为什么定义前向传播时可以直接写作self.fc1(x)GPU训练的方法：数据和模型移动到GPU device上。CPU性能的查看：看架构代际、核心数、线程数。GPU性能的查看：看显存、看级别、看架构代际。
2025-06-23 17:00:00
188
原创 Python打卡：Day33
optimizer.zero_grad() #梯度清零，因为PyTorch会累积梯度，所以每次迭代需要清零，梯度累计是那种小的bitchsize模拟大的bitchsize。if (epoch + 1) % 100 == 0: # range是从0开始，所以epoch+1是从当前epoch开始，每100个epoch打印一次。# outputs = model(X_train) # 常见写法隐式调用forward函数，其实是用了model类的__call__方法。
2025-06-22 20:22:51
877
原创 Python打卡：Day32
官方文档的阅读和使用：要求安装的包和文档为同一个版本。官方文档的检索方式：github和官网。绘图的理解：对底层库的调用。
2025-06-20 23:57:08
185
原创 Python打卡：Day30
导入库/模块的核心逻辑：找到根目录（python解释器的目录和终端的目录不一致）导入自定义库/模块的方式。导入官方库的三种手段。
2025-06-18 14:09:54
183
原创 Python打卡:Day28
print(f'周长: {circle.calculate_circumference():.2f}')print(f'面积: {circle.calculate_area():.2f}')print(f'半径: {circle.radius}')
2025-06-15 20:03:26
247
原创 Python打卡：Day25
preprocess_data.median_age = median_age # 记录中位数以便测试集使用。# 3. 新增Deck列（取Cabin首字母），缺失填'Unknown'# 4. 新增Cabin_Missing列（Cabin是否缺失）# 11. 删除PassengerId列（如果有，预测时用）# 2. 填充Embarked缺失值（用训练集众数填充）# 1. 填充Age缺失值（用训练集中位数填充）# 对测试数据的列补齐（训练集里有，测试集没的列补0）# === 训练XGBoost模型 ===
2025-06-14 22:53:49
561
原创 Python打卡：Day27
print(f"参数: args={args}, kwargs={kwargs}")print(f"参数: args={args}, kwargs={kwargs}")print(f"开始执行函数: {func.__name__}")print(f"函数 {func.__name__} 执行结束")print(f"开始执行函数: {func.__name__}")print(f"函数 {func.__name__} 执行结束")print(f"返回值: {result}")# 打印函数执行结束的日志。
2025-06-14 22:50:52
342
原创 Python打卡：Day26
print(f"半径为-1的圆面积: {radius_neg1}")print(f"半径为5的圆面积: {radius_5}")print(f"半径为0的圆面积: {radius_0}")return "半径不能为负数"# 测试半径为5、0、-1时的面积。
2025-06-13 17:21:01
271
原创 Python打卡:Day24
preprocess_data.median_age = median_age # 记录中位数以便测试集使用。# 3. 新增Deck列（取Cabin首字母），缺失填'Unknown'# 4. 新增Cabin_Missing列（Cabin是否缺失）# 11. 删除PassengerId列（如果有，预测时用）# 2. 填充Embarked缺失值（用训练集众数填充）# 1. 填充Age缺失值（用训练集中位数填充）# 对测试数据的列补齐（训练集里有，测试集没的列补0）# === 训练XGBoost模型 ===
2025-06-12 18:19:27
537
原创 Python打卡：day23
整理下全部逻辑的先后顺序，看看能不能制作出适合所有机器学习的通用pipeline。# 定义 ColumnTransformer。# 假设已经有了特征和标签，以及对应的特征列表。# 有序特征处理 Pipeline。# 标称特征处理 Pipeline。# 连续特征处理 Pipeline。# 定义完整的 Pipeline。# 划分训练集和测试集。
2025-06-11 11:29:55
865
原创 Python打卡：Day16
print("三维数组的第一个二维数组的第一行第二列元素:", arr3[0, 0, 1])print("二维数组的第一行第二列元素:", arr2[0, 1])print("随机整数数组:\n", rand_int_arr)print("一维数组的最后一个元素:", arr1[-1])print("一维数组的第一个元素:", arr1[0])print("随机数组:\n", rand_arr)print("二维数组:\n", arr2)print("一维数组:", arr1)# 访问一维数组的元素。
2025-06-04 13:26:24
370
原创 Python打卡：Day15
数据集地址：https://www.kaggle.com/c/house-prices-advanced-regression-techniques/data。尝试找到一个kaggle或者其他地方的结构化数据集，用之前的内容完成一个全新的项目，这样你也是独立完成了一个专属于自己的项目。房价预测（基于 Kaggle House Prices 数据集）
2025-06-03 16:34:48
182
原创 Python打卡：Day13
作业：从示例代码可以看到 效果没有变好，所以很多步骤都是理想是好的，但是现实并不一定可以变好。这个实验仍然有改进空间，如下。1. 我还没做smote+过采样+修改权重的组合策略，有可能一起做会变好。2. 我还没有调参，有可能调参后再取上述策略可能会变好。不平衡数据集的处理策略：过采样、修改权重、修改阈值。
2025-05-30 23:22:03
208
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