- 博客(19)
- 收藏
- 关注
RSS订阅原创 解码 @staticmethod - 静态方法的妙用
在 Python 的面向对象编程中，方法通常与类的实例或类本身紧密绑定。然而，有时候我们需要一些独立的功能，它们与类的主题相关，却不依赖于实例或类的状态。这时，登场了。作为“Python 解码”系列的第二篇，我们将深入探讨这个内置装饰器，揭示它如何让方法摆脱束缚，成为类中的“自由侠”。你可能会好奇：静态方法和普通方法有什么区别？它在实际开发中能解决什么问题？通过本文，你将不仅理解的工作原理，还能掌握它的妙用场景。让我们一起解锁 Python 静态方法的秘密吧！在 Python 中，
2025-04-01 20:27:52
604
原创 解码 @property - 属性管理的艺术
Python 作为一门优雅而灵活的语言，总是能以简洁的方式解决复杂的问题。在面向对象编程中，属性管理是一个核心话题：如何既让类的使用者轻松访问数据，又保护内部实现细节不被随意篡改？如果你接触过 Java 或 C++，可能会想到 getter 和 setter 方法，但 Python 提供了一个更自然、更“Pythonic”的解决方案——@property装饰器。在这个“Python 解码”系列的开篇，我们将深入剖析@property，揭开它如何将方法伪装成属性、实现受控访问的神秘面纱。
2025-04-01 20:12:37
704
原创 从代码学习深度学习 - 稠密连接网络（DenseNet）PyTorch版
深度学习近年来在计算机视觉、自然语言处理等领域取得了显著的成功，而卷积神经网络（CNN）作为深度学习的核心模型之一，不断演化出各种改进架构。其中，稠密连接网络（DenseNet）因其独特的连接方式和高效的参数利用率而备受关注。本篇博客将通过一份基于 PyTorch 的 DenseNet 实现代码，带你从代码角度深入理解这一经典网络的构建与训练过程。我们将逐步分析代码的每个部分，并结合理论知识，帮助你在实践中掌握 DenseNet 的核心思想。
2025-03-31 20:57:46
924
原创 从代码学习深度学习 - 残差网络（ResNet）PyTorch版
深度学习近年来在计算机视觉、自然语言处理等领域取得了巨大成功，而残差网络（ResNet）作为一种经典的深度神经网络架构，因其解决了深层网络中的梯度消失问题而广受关注。ResNet通过引入“残差连接”（skip connection），使得网络可以直接学习输入和输出之间的差异，从而允许更深的网络结构。本篇博客将通过PyTorch实现一个ResNet模型，并结合代码和训练结果，带你一步步理解残差网络的原理与应用。我们将使用Fashion-MNIST数据集，通过PyTorch实现ResNet的训练过程，并展示其训
2025-03-30 16:18:22
1177
原创 从代码学习数值优化算法 - 拉格朗日对偶方法 Python 版
优化问题是数学、计算机科学和工程领域的基石。无论是设计高效的通信网络、训练机器学习模型，还是解决资源分配问题，我们常常需要在一个目标函数上寻找最优解，同时满足一系列约束条件。这些问题看似复杂，但通过适当的数学工具，可以转化为更易于求解的形式。拉格朗日对偶方法（Lagrangian Dual Method）正是这样一种经典而强大的工具，它通过将受约束的优化问题转化为无约束的对偶问题，为我们提供了一个全新的视角。拉格朗日对偶方法的魅力在于它的普适性和理论深度。在凸优化问题中，它不仅能简化计算，还能揭示目标函数与
2025-03-30 09:33:39
538
原创 从代码学习深度学习 - 含并行连结的网络（GoogLeNet）PyTorch版
深度学习近年来在计算机视觉、自然语言处理等领域取得了巨大成功，而卷积神经网络（CNN）作为其核心支柱之一，推动了许多突破性应用。GoogLeNet（Inception v1）是2014年ImageNet挑战赛（ILSVRC）的冠军模型，以其创新的Inception模块和高效设计脱颖而出。它不仅在性能上超越了当时的经典模型（如AlexNet和VGG），还在参数量和计算复杂度上实现了优化。
2025-03-29 14:32:05
1243
原创 从代码学习数值优化算法 - 分片McCormick放松方法Python版
在数值优化领域，非凸问题的求解常常令人望而却步，尤其是当我们遇到双线性项（如zx⋅yzx⋅y）时，问题的非凸性使得传统方法难以直接应对。McCormick 放松方法通过引入线性约束，将复杂的非凸问题转化为可求解的凸问题，为我们打开了一扇门。而分片 McCormick 放松（Piecewise McCormick Relaxation, PMR）作为其改进版本，通过将变量的定义域划分为多个子区间，进一步提升了近似精度。
2025-03-28 20:24:58
694
原创 如何手动下载并加载 Hugging Face 预训练模型的分词器
在某些情况下，你可能无法通过自动从 Hugging Face 下载预训练模型的分词器，例如网络受限或需要离线部署。这时，手动下载分词器文件并在本地加载是一个实用的解决方案。本文将介绍通用的手动下载和加载方法，并以 XLNet 分词器为例进行演示。通过上述通用方法，你可以手动下载并加载任何 Hugging Face 模型的分词器。无论是 BERT、RoBERTa 还是 XLNet，只需调整文件类型和路径即可。这种方法特别适合离线环境或需要自定义部署的场景。希望这篇指南能帮到你！如果有其他问题，欢迎留言讨论。
2025-03-28 14:28:40
774
原创 从代码学习深度学习 - 网络中的网络（NiN）PyTorch版
深度学习近年来在计算机视觉、自然语言处理等领域取得了巨大成功，而卷积神经网络（CNN）作为其核心技术之一，经历了从LeNet到AlexNet、VGG等经典模型的演进。在这些模型中，卷积层和全连接层的组合成为主流设计。然而，2014年提出的“网络中的网络”（Network in Network, NiN）模型打破了这一传统，通过引入1x1卷积和全局平均池化，显著减少了参数量并提升了模型性能。
2025-03-28 09:27:06
1353
原创 从代码学习深度学习 - 使用块的网络（VGG）PyTorch版
深度学习是近年来人工智能领域的重要突破，而卷积神经网络（CNN）作为其核心技术之一，在图像分类、目标检测等领域展现了强大的能力。VGG（Visual Geometry Group）网络是CNN中的经典模型之一，以其模块化的“块”设计和深层结构而闻名。本篇博客将通过PyTorch实现一个简化的VGG网络，并结合代码逐步解析其构建、训练和可视化过程，帮助读者从代码层面理解深度学习的基本原理和实践方法。我们将使用Fashion-MNIST数据集进行实验，展示如何从零开始搭建并训练一个VGG模型。
2025-03-27 20:22:28
1027
原创 从代码学习数值优化算法-McCormick包络方法python版
欢迎阅读本博客，我们将深入探讨McCormick包络方法，这是一种在数值优化领域中用于处理非凸问题的强大技术。McCormick包络方法特别适用于混合整数非线性规划（MINLP）问题，通过将其放松为凸问题（如线性规划，LP），显著降低了求解难度。本文将从理论基础入手，逐步介绍其在Python中的实现，结合提供的代码示例，帮助读者全面理解这一方法。定义：McCormick包络是一种用于双线性非线性规划问题的凸放松方法，广泛用于解决MINLP问题。目的。
2025-03-27 10:30:12
463
原创 从代码学习深度学习 - 卷积神经网络（AlexNet）PyTorch版
深度学习近年来在计算机视觉领域取得了巨大突破，而这一切的起点之一，便是2012年Alex Krizhevsky等人提出的AlexNet模型。AlexNet在ImageNet挑战赛（ILSVRC）中以显著优势获胜，标志着卷积神经网络（CNN）的复兴。本篇博客通过PyTorch实现AlexNet，提供完整代码和详细文字描述，帮助你从实践中掌握深度学习的核心概念。
2025-03-26 09:14:58
465
原创 从代码学习深度学习-卷积神经网络(LeNet) PyTorch版
卷积神经网络（Convolutional Neural Network, CNN）是深度学习领域的核心技术之一，尤其在图像处理任务中表现出色。LeNet 是由 Yann LeCun 等人于 1989 年提出的早期 CNN 模型，尽管结构简单，却为现代深度学习奠定了基础。本文将通过 PyTorch 实现 LeNet-5，并结合 Fashion-MNIST 数据集进行训练和评估，帮助读者从代码角度理解 CNN 的工作原理。本文将分步展示数据加载、模型定义、训练过程及可视化工具的实现，代码均配有详细注释。
2025-03-25 14:09:01
1095
原创 从代码学习深度学习-房价预测Kaggle实战(Pytorch版)
房价预测是机器学习中的经典问题，不仅在房地产市场分析中具有实际意义，也是数据科学爱好者喜爱的挑战题目（如 Kaggle 房价预测竞赛）。本文将详细展示如何使用 Python 和 PyTorch，从数据预处理到模型预测，构建一个简单的线性回归模型来预测房价。我们将以 Kaggle 的房价预测数据集为基础，逐步完成数据处理、模型训练、超参数调优和最终预测的全流程，并提供完整的代码实现。为了方便大家复现实验，我已将完整代码和数据集打包上传至网站链接。
2025-03-24 19:57:32
1062
原创 从代码学习数值优化算法-随机舍入算法python版
在计算机科学和运筹学中，许多优化问题（如 0-1 背包问题、集合覆盖问题等）属于 NP 难问题，直接求解最优解需要指数级时间，实际中往往不可行。为了在合理时间内找到一个“足够好”的解，近似算法应运而生。随机舍入（Randomized Rounding）是一种经典的近似算法技术，通过将复杂的整数规划问题松弛为线性规划问题，再利用随机化的方式将分数解转化为整数解。本文将详细介绍随机舍入算法的原理、步骤，并通过一个 0-1 背包问题的 Python 代码示例展示其应用。
2025-03-23 14:21:29
829
原创 从代码学习数值优化算法-分支定界算法python版
在现代科技和工程领域，优化问题无处不在。从物流调度中的路径规划，到通信网络中的资源分配，再到机器学习中的参数调优，优化问题都扮演着核心角色。优化问题通常可以分为线性规划（Linear Programming, LP）和非线性规划（Nonlinear Programming, NLP）两大类。线性规划问题因其目标函数和约束条件均为线性，通常可以通过经典的单纯形法或内点法高效求解。然而，当问题引入整数约束（例如，变量必须是整数）或目标函数和约束条件变为非线性时，求解难度会显著增加。
2025-03-23 11:21:42
882
原创 从代码学习深度学习-多层感知机(MLP)Pytorch版
在深度学习的入门学习中，多层感知机（MLP）是一个经典且基础的神经网络模型。通过 PyTorch，我们可以轻松实现 MLP 并将其应用于图像分类任务。本篇博客将展示如何使用 PyTorch 对 Fashion-MNIST 数据集进行分类，同时利用自定义的动态绘图工具实时展示训练过程中的损失和准确率变化。这不仅能帮助我们理解模型的训练过程，还能直观地观察模型性能的提升。以下代码基于 PyTorch，并参考了深度学习框架中的常用工具函数实现。我们将构建一个简单的 MLP 模型，包含输入层、隐藏层和输出层。
2025-03-23 10:09:41
1105
原创 从代码学习深度学习-Softmax回归Pytorch版
在机器学习和深度学习的实践中，Fashion-MNIST 数据集是一个经典的入门级基准数据集，常用于测试分类模型的性能。本篇博客将展示如何使用 PyTorch 框架，从数据加载到模型训练，完成一个简单的神经网络分类任务。我们将借助 PyTorch 的灵活性、Matplotlib 的绘图功能以及自定义工具类（如 Animator），实现一个直观且高效的训练流程。最终，我们将得到训练损失和准确率的动态曲线图，帮助我们理解模型的学习过程。
2025-03-22 20:48:30
1155
原创 从代码学习深度学习-线性回归Pytorch版
线性回归是机器学习的基础，也是深度学习的入门模型。它通过建立输入特征与输出标签之间的线性关系，帮助我们预测未知数据的结果。比如，给定房屋面积和房间数量，能否预测房价？这就是线性回归的典型应用。在深度学习框架中，PyTorch 以其灵活性和动态计算图受到广泛欢迎。本文将通过一个完整的 PyTorch 代码示例，带你从零实现线性回归，理解数据生成、模型训练和结果评估的全过程。博客将分为数据准备、模型定义、训练和结果分析几个部分，希望你能通过代码逐步掌握深度学习的基本思路！
2025-03-21 21:10:35
999
线性回归pytorch版本实现
2025-03-22
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人