- 博客(11)
- 收藏
- 关注
RSS订阅原创 经典卷积神经网络-LeNet-5-《Gradient-based learning applied to document recognition》
文章回顾了经典卷积神经网络的起源与发展，核心聚焦 LeNet-5 的提出背景、设计思想（局部感受野、权重共享、下采样）及其在字符识别中的应用，强调端到端学习、梯度下降与结构风险最小化等理论支撑，以及卷积网络在实现不变性与高效特征提取方面的优势，并给出 LeNet-5 的结构要点与 PyTorch 实现要点，通过数据准备、模型定义、训练流程与评估框架展示端到端训练的重要性，最终指出端到端学习缓解了传统手写识别的分割与特征设计难题，为后续深度学习系统奠定基础。
2025-08-13 09:59:45
1717
原创 MLP与BP神经网络的区别，多层感知机MLP遇上反向传播算法BP-pytorch代码实战
摘要：本文介绍了多层感知机（MLP）及其训练方法——反向传播算法（BP）。MLP是一种前馈神经网络，包含输入层、隐藏层和输出层，能处理非线性问题。BP算法通过前向传播计算输出，反向传播调整权重，利用梯度下降优化参数。文章还解释了非线性激活函数的作用，并提供了基于PyTorch的MNIST分类实战代码，展示了MLP的实现过程。实验通过3个epoch训练，最终在测试集上达到较高准确率。
2025-07-21 16:35:20
1054
原创 2025-Pytorch深度学习入门-GPU环境安装-Windows系统
PyTorch是由Meta开发的深度学习框架，以其动态计算图和易用性著称。主要特性包括：GPU加速的张量计算、自动微分系统、丰富的API和灵活的调试能力。广泛应用于CV、NLP等领域，支持CUDA加速和多GPU训练。安装可通过Anaconda创建虚拟环境，并验证GPU调用。与TensorFlow相比，PyTorch更适用于研究和快速原型开发。其生态系统包含torchvision等工具库，并有强大的社区支持。PyTorch的动态特性使其特别适合需要灵活性的深度学习任务。
2025-07-14 09:52:20
1001
原创 Bagging+Boosting+Stacking-集成学习
集成学习是一种通过组合多个模型提升预测性能的机器学习技术。主要方法包括：Bagging（如随机森林）通过并行训练多个模型并投票/平均结果来降低方差；Boosting（如AdaBoost、XGBoost）通过序列化训练并调整样本权重来降低偏差；Stacking则分层训练不同类型模型，用元学习器整合结果。代码示例展示了三种方法在sklearn中的实现，其中Bagging适用于高方差模型，Boosting优化弱学习器，Stacking可自由组合异构模型。这三种方法分别从不同角度提高模型性能，需根据具体场景选择。
2025-07-07 10:28:32
814
原创 PCA+t-SNE+UMAP 数据降维 潜在空间可视化
本文对比了三种常见降维方法：PCA、t-SNE和UMAP。PCA通过线性投影保留最大方差，计算快但无法处理非线性关系；t-SNE优化KL散度保持邻近关系，适合可视化但计算成本高；UMAP结合流形学习与拓扑学，保留更多结构且速度更快。案例显示，PCA在简单线性数据表现良好，t-SNE能处理非线性数据但较慢，UMAP在全局结构保持和速度上更优。代码实战演示了三种方法在数字数据集上的应用，UMAP综合表现最佳，但PCA和t-SNE仍各具适用场景。
2025-06-30 09:48:06
883
原创 TILDE-Q：让时间序列预测结果更真实的损失函数
本文提出了一种新的形状感知损失函数TILDE-Q，用于改进时间序列预测。针对现有MSE、MAE等损失函数难以捕捉时间序列形状动态的问题，TILDE-Q通过三个子损失函数分别处理幅度偏移、相位偏移和均匀放大不变性，同时考虑了时间序列的形状特征。实验表明，在电力、交通、天气等多个真实数据集上，使用TILDE-Q训练的模型在MAE、MSE、DTW等指标上均优于传统方法。该损失函数还提供了TensorFlow和PyTorch实现，具有实用价值。相比DTW类方法，TILDE-Q对噪声更鲁棒且计算效率更高。
2025-06-25 10:54:17
2053
原创 PPO深度强化学习算法学习笔记，从零实现强化学习核心组件
强化学习实现包含环境接口、策略网络、价值网络、经验收集和训练循环等模块。环境接口与OpenAI Gym交互，策略网络输出动作概率，价值网络评估状态价值。PPO算法通过截断策略优化更新，计算优势函数和目标值进行模型训练。主循环中代理与环境交互收集经验数据，通过多次迭代优化策略和价值网络。关键步骤包括：1)环境交互获取状态转移；2)计算TD目标和优势函数；3)使用剪裁比率更新策略；4)最小化价值损失。整个流程通过多轮训练逐步提升代理性能。
2025-06-24 11:43:51
794
原创 无监督聚类算法Kmeans+DBSCAN
本文介绍了两种流行的聚类算法：K-means和DBSCAN。K-means通过迭代计算样本与簇中心的距离进行划分，需要预先设定簇数K，适用于球形分布数据但可能受初始质心影响。DBSCAN基于密度发现任意形状的簇，通过epsilon和minPts参数识别核心点，能够处理噪声且不需预设簇数。文章包含算法原理、案例分析（客户分组场景）、优缺点比较，并提供了Python代码示例和可视化网站链接（https://www.naftaliharris.com/blog/visualizing-k-means-cluste
2025-06-23 14:51:31
694
原创 SVM支持向量机-低维空间的混乱，高维空间的秩序
摘要：支持向量机（SVM）是一种监督学习模型，通过寻找最优决策边界实现分类。核心原理包括线性可分情况下的最大间隔优化、线性不可分时的软间隔处理以及非线性分类的核技巧。本文通过牧场围栏的类比解释了支持向量和超平面概念，并分析了SVM的优缺点：适合小样本、高维数据，但对大规模数据和核函数选择敏感。最后展示了使用sklearn实现的线性可分和环形数据（通过RBF核映射到三维空间）的SVM分类案例，包括决策边界和间隔的可视化呈现。代码演示了从数据生成到模型训练及结果展示的全过程。
2025-06-16 16:22:04
632
原创 决策树和随机森林-回归及时序预测实战
决策树是一种通过递归划分数据实现分类或回归的监督学习算法，其核心在于特征选择、数据划分和递归构建。随机森林通过集成多棵决策树，结合Bagging和随机特征选择提升模型稳定性和准确性。时间序列预测可采用滑动窗口方法处理历史数据。Sklearn实践展示了随机森林回归的应用，包括数据预处理、模型训练、评估及可视化。决策树优点在于可解释性，缺点是不稳定性；随机森林通过多树集成有效缓解该问题，适用于分类和回归任务。
2025-06-14 21:27:55
2038
原创 朴素贝叶斯分类-表格数据分类实战
摘要：本文首先介绍了贝叶斯统计的核心概念，包括条件概率、先验概率和后验概率。通过掷骰子的例子解释了这些概率的区别与联系，并推导出贝叶斯定理的计算公式。随后，以一个性别判断的实际案例展示了朴素贝叶斯分类器的工作原理：通过身高、体重、鞋码等独立特征，计算后验概率进行类别判断。文章最后指出，朴素贝叶斯的"朴素"假设是指特征间的独立性假设，虽然现实中特征可能相关，但这种方法仍被广泛应用。文末提及该方法在Sklearn中实现表格数据分类的实战应用。
2025-06-14 20:38:29
736
Tensorflow2.1 GPU conda 环境，解压即用 无需配置
2025-07-09
100个微信小程序案例
2025-07-09
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人