- 博客(18)
- 收藏
- 关注
RSS订阅原创 Flask入门基础1
自定义路由参数转换器也叫正则匹配路由参数，在 web 开发中，可能会出现限制用户访问规则的场景，而原本flask提供的数据类型限制无法满足更为复杂的需求，比如需要进行邮箱的匹配，那么这个时候就需要用到正则匹配，根据自己的规则去限定请求参数再进行访问（规范格式）导入转换器基类BaseConverter：在 Flask 中，所有的路由的匹配规则都是使用转换器对象进行记录自定义转换器：自定义类继承于转换器基类BaseConverter添加转换器到默认的转换器字典DEFAULT_CONVERTERS中。
2025-05-02 00:39:23
1119
原创 面向对象基础——继承
通过前面的案例，我们了解了面向对象的第一个特性——封装，即将属性和方法根据职责封装到一个抽象的类中本篇将为大家介绍面向对象的第二大特性——继承。
2025-04-25 01:59:06
1034
原创 面向对象案例练习
本篇是通过简单的案例来强化面向对象的基础，让大家更深刻地了解类和对象以及面向对象编程的特点，主要以两个现实中常见的事务抽象化进行类的封装。
2025-04-23 13:28:50
841
原创 面向对象基础篇1
面向对象是更大的封装，在一个类中封装多个方法，这样通过这个类创建出来的对象，就可以直接调用这些方法。首先我们先定义一个只包含方法的类。class 类名：def 方法1(self, 参数列表)：passdef 方法2(self, 参数列表)：pass在该类中，方法的定义和函数几乎是一样的，区别在于类中的方法第一个参数必须是self。
2025-04-22 11:21:57
1047
原创 7 卷积神经网络（CNN）
本篇介绍的是卷积神经网络，旨在了解卷积神经⽹络的构成、卷积的原理以及计算过程以及池化的作⽤和计算过程。对于上一篇提到的手写数字识别案例：假设我们处理一张1000x1000像素的图片，参数量如下：那么这么大量的数据处理起来是非常耗费资源的。图像在维度调整的过程中很难保留原有的特征，导致图像处理的准确率不高。假如有圆形是1，没有圆形是0，那么圆形的位置不同就会产生完全不同的数据表达。但是从图像的角度来看，图像的内容(本质)并没有发生变化，只是位置发生了变化。
2025-01-14 23:53:36
1635
1
原创 6 神经网络案例
本篇将会利用手写数据集MNIST，以神经网络为基础了解手写数字的识别的流程，所以本文旨在介绍流程，对准确率不做优化。该数据集包含60,000个⽤于训练的样本和10,000个⽤于测试的样本，图像是固定大小(28x28像素)，其值为0到255。
2024-12-29 12:50:30
454
原创 5 深度学习正则化
在设计机器学习算法时不仅要求在训练集上误差小，而且希望在新样本上的泛化能力强。许多机器学习算法都采用相关的策略来减小测试误差，这些策略被统称为正则化。因为神经网络的强大的表示能力经常遇到过拟合，所以需要使用不同形式的正则化策略。正则化通过对算法的修改来减少泛化误差，目前在深度学习中使用较多的策略有参数范数惩罚，提前终止，DropOut等，接下来我们对其进行详细的介绍。
2024-12-28 18:02:59
832
原创 4 深度学习的优化方法
梯度下降法简单来说就是一种寻找使损失函数最小化的方法。wijnewwijoid−η∂wij∂E其中，η是学习率，如果学习率太小，那么每次训练之后得到的效果都太小，增大训练的时间成本。如果，学习率太大，那就有可能直接跳过最优解，进入无限的训练中。解决的方法就是，学习率也需要随着训练的进行而变化。在上图中我们展示了一维和多维的损失函数，损失函数呈碗状。在训练过程中损失函数对权重的偏导数就是损失函数在该位置点的梯度。
2024-12-26 22:46:29
1878
原创 3 常见损失函数
在深度学习中，损失函数是用来衡量模型参数的质量的函数，衡量的方式是比较网络输出和真实输出的差异。例如在下列的神经网络中：对于输入的x1x2x3，用来衡量真实值y和输出值y之间差异的方法就是损失函数。损失函数在不同的文献中名称是不一样的，主要有以下几种命名方式：接下来，我们分别从分类任务和回归任务中来了解损失函数。
2024-12-03 16:28:10
779
原创 2 简单神经网络搭建
上一篇了解了神经网络基础知识后，我们来构建如下图所示的神经网络模型：tf.Keras中构建模有两种方式，一种是通过Sequential构建，一种是通过Model类构建。前者是按一定的顺序对层进行堆叠，而后者可以用来构建较复杂的网络模型。主要参数︰。
2024-11-28 11:07:34
485
原创 1 神经网络基础
人工神经网络（Artificial Neural Network，简写为ANN）也简称神经网络（NN），是一种模仿生物神经网络结构和功能的计算摸型。人脑可以看做是一个生物神经网络，由众多的神经元连接而成。各个神经元传递复杂的电信号，树突接收到输入信号，然后对信号进行处理，通过轴突输出信号。下图是生物神经元示意图：那怎么构建人工神经网络中的神经元呢？
2024-11-26 16:37:50
884
原创 深度学习笔记4（Keras简介）
Keras是一个用python编写的开源神经库，能够运行在TensorFlow，Micsrosoft， Toolkit,Theano或PlaidML之上，kerea是单独是深度学习框架，一些代码用到了Tnesorflow的API,但在TensorFlow1.9新增加了tf.kerea，为TensorFlow的代码提供了新的⻛格和设计模式，⼤⼤提升了TF代码的简洁性和复⽤性，官⽅也推荐使⽤tf.keras来进⾏模型设计和开发。
2024-11-20 18:24:11
997
原创 深度学习笔记3（TensorFlow框架基础——张量）
深度学习框架TensorFlow已经发布，就受到了广泛的关注，并在计算机视觉、音频处理、推荐系统和自然语言处理等场景下都被大面积推广使用。
2024-11-17 22:04:28
335
原创 深度学习笔记2（计算机视觉）
计算机视觉是指⽤摄像机和电脑及其他相关设备，对⽣物视觉的⼀种模拟。它的主要任务让计算机理解图片或者视频中的内容，就像⼈类和许多其他生物每天所做的那样。
2024-11-16 22:44:37
415
原创 机器学习基础（线性回归）
举一个简单例子，现有工资和年龄两个特征，预测银行会贷款多少？若果工资和年龄都会影响最终银行贷款的结果，那么它们各自有多大的影响？（参数）简单来说，假设X1X2就是我们的两个特征（年龄，工资），而Y是银行最终会借给我们多少钱。找到最合适的一条线（想象一个高维）来最好的拟合我们的数据点，就可以根据当前的工资和年龄预测出银行的贷款金额。那么Y和X1以及X2之间的关系该如何表示？既然Y受X1以及X2的影响，根据上图，不妨设Y=X1X2。
2024-11-13 17:23:29
865
原创 学习笔记1（深度学习基础）
深度学习是机器学习的一个分支，它模仿人脑的神经网络结构，通过多层次的网络（即“深度”）进行数据处理和特征提取。深度学习技术在语音识别、图像处理、自然语言处理和许多其他领域都有广泛的应用。
2024-11-07 20:00:33
264
2
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