<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[weixin_51520249的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/weixin_51520249</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; weixin_51520249]]></copyright><item><title><![CDATA[YOLOv5白皮书-第Y1周：调用官方权重进行检测]]></title><link>https://blog.youkuaiyun.com/weixin_51520249/article/details/145138978</link><guid>https://blog.youkuaiyun.com/weixin_51520249/article/details/145138978</guid><author>weixin_51520249</author><pubDate>Thu, 27 Feb 2025 21:57:00 +0800</pubDate><description><![CDATA[●整体安排跑通官方代码（一周）训练自己的数据集（一周）代码层面解析（待定）理论知识讲解（待定）●学习预期：可以独立进行代码优化实验。]]></description><category></category></item><item><title><![CDATA[第R8周：RNN实现阿尔茨海默病诊断（pytorch）]]></title><link>https://blog.youkuaiyun.com/weixin_51520249/article/details/145518816</link><guid>https://blog.youkuaiyun.com/weixin_51520249/article/details/145518816</guid><author>weixin_51520249</author><pubDate>Sat, 08 Feb 2025 17:02:02 +0800</pubDate><description><![CDATA[训练循环size = len(dataloader.dataset) # 训练集的大小num_batches = len(dataloader) # 批次数目, (size/batch_size，向上取整)train_loss, train_acc = 0, 0 # 初始化训练损失和正确率for X, y in dataloader: # 获取图片及其标签# 计算预测误差pred = model(X) # 网络输出。]]></description><category></category></item><item><title><![CDATA[第R7周：糖尿病预测模型优化探索]]></title><link>https://blog.youkuaiyun.com/weixin_51520249/article/details/145341962</link><guid>https://blog.youkuaiyun.com/weixin_51520249/article/details/145341962</guid><author>weixin_51520249</author><pubDate>Fri, 24 Jan 2025 15:48:14 +0800</pubDate><description><![CDATA[return outmodel# 训练循环size = len(dataloader.dataset) # 训练集的大小num_batches = len(dataloader) # 批次数目, (size/batch_size，向上取整)train_loss, train_acc = 0, 0 # 初始化训练损失和正确率for X, y in dataloader: # 获取图片及其标签# 计算预测误差pred = model(X) # 网络输出。]]></description><category></category></item><item><title><![CDATA[第R6周：LSTM实现糖尿病探索与预测]]></title><link>https://blog.youkuaiyun.com/weixin_51520249/article/details/144884865</link><guid>https://blog.youkuaiyun.com/weixin_51520249/article/details/144884865</guid><author>weixin_51520249</author><pubDate>Wed, 08 Jan 2025 19:36:17 +0800</pubDate><description><![CDATA[return outmodel# 训练循环size = len(dataloader.dataset) # 训练集的大小num_batches = len(dataloader) # 批次数目, (size/batch_size，向上取整)train_loss, train_acc = 0, 0 # 初始化训练损失和正确率for X, y in dataloader: # 获取图片及其标签# 计算预测误差pred = model(X) # 网络输出。]]></description><category></category></item><item><title><![CDATA[第R5周：天气预测]]></title><link>https://blog.youkuaiyun.com/weixin_51520249/article/details/144629997</link><guid>https://blog.youkuaiyun.com/weixin_51520249/article/details/144629997</guid><author>weixin_51520249</author><pubDate>Mon, 30 Dec 2024 20:22:08 +0800</pubDate><description><![CDATA[任务说明：该数据集提供了来自澳大利亚许多地点的大约 10 年的每日天气观测数据。你需要做的是根据这些数据对RainTomorrow进行一个预测，这次任务任务与以往的不同，我增加了探索式数据分析（EDA），希望这部分内容可以帮助到大家。]]></description><category></category></item><item><title><![CDATA[第R4周-LSTM-火灾温度预测]]></title><link>https://blog.youkuaiyun.com/weixin_51520249/article/details/144629635</link><guid>https://blog.youkuaiyun.com/weixin_51520249/article/details/144629635</guid><author>weixin_51520249</author><pubDate>Sat, 21 Dec 2024 13:03:07 +0800</pubDate><description><![CDATA[训练循环train_loss = 0 # 初始化训练损失和正确率# 计算预测误差pred = model(x) # 网络输出loss = loss_fn(pred, y) # 计算网络输出和真实值之间的差距# 反向传播opt.zero_grad() # grad属性归零loss.backward() # 反向传播opt.step() # 每一步自动更新# 记录losssize = len(dataloader.dataset) # 测试集的大小。]]></description><category></category></item><item><title><![CDATA[第R3周：RNN-心脏病预测]]></title><link>https://blog.youkuaiyun.com/weixin_51520249/article/details/144584563</link><guid>https://blog.youkuaiyun.com/weixin_51520249/article/details/144584563</guid><author>weixin_51520249</author><pubDate>Thu, 19 Dec 2024 14:18:29 +0800</pubDate><description><![CDATA[这段代码使用 TensorFlow 库构建了一个简单的基于循环神经网络（RNN）的模型，用于心脏病预测（从代码上下文推测用途，具体采用了较为简单的 SimpleRNN 层作为循环层来处理序列数据，并在此基础上搭建了后续的全连接层，最终输出一个介于 0 到 1 之间的值用于预测某种二分类结果（例如是否患有心脏病），0 和 1 分别对应不同类别（比如 0 表示未患病，1 表示患病）。]]></description><category></category></item><item><title><![CDATA[第J9周：Inception v3算法实战与解析]]></title><link>https://blog.youkuaiyun.com/weixin_51520249/article/details/144221901</link><guid>https://blog.youkuaiyun.com/weixin_51520249/article/details/144221901</guid><author>weixin_51520249</author><pubDate>Wed, 04 Dec 2024 10:02:42 +0800</pubDate><description><![CDATA[Inception v3模型的启发。]]></description><category></category></item><item><title><![CDATA[第J8周：Inception v1算法实战与解析]]></title><link>https://blog.youkuaiyun.com/weixin_51520249/article/details/144136164</link><guid>https://blog.youkuaiyun.com/weixin_51520249/article/details/144136164</guid><author>weixin_51520249</author><pubDate>Fri, 29 Nov 2024 14:38:32 +0800</pubDate><description><![CDATA[Inception v1（GoogleNet） 是 Google 于 2014 年提出的一种卷积神经网络架构，首次在 ImageNet 大规模视觉识别挑战赛（ILSVRC 2014）中获得了冠军。Inception v1 主要创新在于其 模块化设计 和 网络结构的优化，使得它在计算资源和模型性能之间取得了较好的平衡。Inception v1 的创新和特点1.1. 模块化设计（Inception模块）]]></description><category></category></item><item><title><![CDATA[第J7周：对于ResNeXt-50算法的思考]]></title><link>https://blog.youkuaiyun.com/weixin_51520249/article/details/143961460</link><guid>https://blog.youkuaiyun.com/weixin_51520249/article/details/143961460</guid><author>weixin_51520249</author><pubDate>Fri, 22 Nov 2024 09:45:16 +0800</pubDate><description><![CDATA[在构建 ResNeXt 模型时，conv_shortcut=False 会导致残差连接的输入 (x) 和残差分支输出 (shortcut) 的通道数不一致，从而引发形状不匹配错误。在修改代码时，我们通过以下方式解决了问题：确保形状一致性：当 conv_shortcut=False 时，将跳跃连接中的 shortcut 设置为输入 x，避免形状不匹配。关键点检查：在堆叠多个残差块（stack 函数）时，确保仅在第一个块中执行通道数调整操作，后续块使用 identity shortcut。]]></description><category></category></item><item><title><![CDATA[第J6周：ResNeXt-50实战解析]]></title><link>https://blog.youkuaiyun.com/weixin_51520249/article/details/143742130</link><guid>https://blog.youkuaiyun.com/weixin_51520249/article/details/143742130</guid><author>weixin_51520249</author><pubDate>Wed, 13 Nov 2024 14:28:35 +0800</pubDate><description><![CDATA[ResNeXt是有何凯明团队在2017年CVPR会议上提出来的新型图像分类网络。它是ResNet的升级版，在ResNet的基础上，引入了cardinality的概念，类似于ResNet。ResNeXt也有ResNeXt-50，ResNeXt-101版本。在ResNeXt的论文中，作者提出了当时普遍存在的一个问题，如果要提高模型的准确率，往往采取加深网络或者加宽网络的方法。虽然这种方法有效，但随之而来的，是网络设计的难度和计算开销的增加。为了一点精度的提升往往需要付出更大的代价，因此需要一个更好的策略，在不额]]></description><category></category></item><item><title><![CDATA[第J5周：DenseNet+SE-Net实战]]></title><link>https://blog.youkuaiyun.com/weixin_51520249/article/details/143586293</link><guid>https://blog.youkuaiyun.com/weixin_51520249/article/details/143586293</guid><author>weixin_51520249</author><pubDate>Thu, 07 Nov 2024 10:24:57 +0800</pubDate><description><![CDATA[🍨 本文为🔗365天深度学习训练营 中的学习记录博客
🍖 原作者：K同学啊
任务：
●1. 在DenseNet系列算法中插入SE-Net通道注意力机制，并完成猴痘病识别
●2. 改进思路是否可以迁移到其他地方呢
●3. 测试集accuracy到达89%（拔高，可选）


一、介绍
可参考论文《Squeeze-and-Excitation Networks》
SE-Net 是 ImageNet 2017（ImageNet 收官赛）的冠军模型，是由WMW团队发布。具有复杂度低，参数少和计算量小的优点。且SE]]></description><category></category></item><item><title><![CDATA[第J4周：ResNet与DenseNet结合探索]]></title><link>https://blog.youkuaiyun.com/weixin_51520249/article/details/143371896</link><guid>https://blog.youkuaiyun.com/weixin_51520249/article/details/143371896</guid><author>weixin_51520249</author><pubDate>Wed, 30 Oct 2024 18:52:32 +0800</pubDate><description><![CDATA[在级联结构中，可以将一个模型的输出作为另一个模型的输入。特征级融合通常是在 DenseNet 和 ResNet 的最后一层卷积之后，取各自的特征图，将它们拼接（concatenate）或相加，然后输入至一个全连接层进行最终分类。在这种方法中，DenseNet 和 ResNet 的分类输出独立进行预测，通过平均、加权平均或投票的方式得到最终分类结果。这种方法可行，但比较简单。并在J3周乳腺癌数据集上进行了测试，因为只更换了模型，训练的框架都是一样的，这里就没有重复放代码了。只在上方将模型的融合放在了上面。]]></description><category></category></item><item><title><![CDATA[第J3-1周：DenseNet算法 实现乳腺癌识别]]></title><link>https://blog.youkuaiyun.com/weixin_51520249/article/details/143226425</link><guid>https://blog.youkuaiyun.com/weixin_51520249/article/details/143226425</guid><author>weixin_51520249</author><pubDate>Fri, 25 Oct 2024 09:59:35 +0800</pubDate><description><![CDATA[break了解了dense net121网络的结构特点，相对于其他cnn网络架构    dense net21  可以做到特征复用的特点，即每一层的特征都会输送给下一层的每一层，充分利用了每一层网络提取到的特征结构。]]></description><category></category></item><item><title><![CDATA[第J2周：ResNet50V2算法实战与解析]]></title><link>https://blog.youkuaiyun.com/weixin_51520249/article/details/142999201</link><guid>https://blog.youkuaiyun.com/weixin_51520249/article/details/142999201</guid><author>weixin_51520249</author><pubDate>Thu, 17 Oct 2024 10:24:47 +0800</pubDate><description><![CDATA[在深度学习和特别是卷积神经网络（CNN）中，跳跃连接（Skip Connection）是一种连接网络中不同层的结构，它允许网络中的信号绕过一些层直接传递。这种结构在残差网络（ResNet）中被广泛使用，以解决深度网络训练中的退化问题。跳跃连接的作用缓解梯度消失问题：在深度网络中，梯度可能会随着网络层的增加而逐渐减小，导致网络难以训练。跳跃连接通过直接连接输入和输出，有助于梯度的反向传播，从而缓解梯度消失问题。提高训练速度：跳跃连接可以帮助网络更快地收敛，因为它减少了信息在网络中的传递路径。]]></description><category></category></item><item><title><![CDATA[第J1周：ResNet-50算法实战与解析]]></title><link>https://blog.youkuaiyun.com/weixin_51520249/article/details/142648209</link><guid>https://blog.youkuaiyun.com/weixin_51520249/article/details/142648209</guid><author>weixin_51520249</author><pubDate>Mon, 30 Sep 2024 09:43:32 +0800</pubDate><description><![CDATA[1.没有使用预训练权重   导致模型准确率并未提升。]]></description><category></category></item><item><title><![CDATA[第T11周：优化器对比实验]]></title><link>https://blog.youkuaiyun.com/weixin_51520249/article/details/142418908</link><guid>https://blog.youkuaiyun.com/weixin_51520249/article/details/142418908</guid><author>weixin_51520249</author><pubDate>Tue, 24 Sep 2024 18:52:35 +0800</pubDate><description><![CDATA[Adam优化器：收敛速度：Adam通常收敛较快，特别适合处理稀疏梯度和复杂模型。自适应学习率：它根据每个参数的历史梯度动态调整学习率，减少了对学习率调节的敏感性，使得用户无需过多手动调优。内存消耗：由于需要存储每个参数的均值和方差，Adam的内存消耗相对较大。适用性：广泛适用于各种任务，尤其是深度学习领域，表现出良好的性能。SGD（随机梯度下降）：收敛特点：SGD收敛速度通常较慢，尤其是在高维空间中。但它的随机性有助于跳出局部最优解，有时可以得到更好的全局性能。]]></description><category></category></item><item><title><![CDATA[第T10周：数据增强]]></title><link>https://blog.youkuaiyun.com/weixin_51520249/article/details/142265246</link><guid>https://blog.youkuaiyun.com/weixin_51520249/article/details/142265246</guid><author>weixin_51520249</author><pubDate>Sat, 14 Sep 2024 19:41:10 +0800</pubDate><description><![CDATA[这是大家可以自由发挥的一个地方# 随机改变图像对比度六、个人总结我们可以使用 tf.keras.layers.experimental.preprocessing.RandomFlip 与 tf.keras.layers.experimental.preprocessing.RandomRotation 进行数据增强tf.keras.layers.experimental.preprocessing.RandomFlip：水平和垂直随机翻转每个图像。]]></description><category></category></item><item><title><![CDATA[第T9周：猫狗识别2]]></title><link>https://blog.youkuaiyun.com/weixin_51520249/article/details/142174201</link><guid>https://blog.youkuaiyun.com/weixin_51520249/article/details/142174201</guid><author>weixin_51520249</author><pubDate>Thu, 12 Sep 2024 14:19:42 +0800</pubDate><description><![CDATA[在训练模型的时候  又出现了动态调整学习率的错误的原因。我把错误的  和正确的都放在了上面原因：在 TensorFlow 2.x 中，tf.keras.optimizers.Adam 的学习率设置和访问方式有所变化。K.set_value 用于获取和设置变量的值，但在 TensorFlow 2.x 中，优化器的学习率已经不再直接暴露为 lr 属性。要调整学习率，可以使用 tf.keras.optimizers.schedules 来创建一个学习率调度器，或者直接修改优化器的学习率属性。]]></description><category></category></item><item><title><![CDATA[第T8周：猫狗识别]]></title><link>https://blog.youkuaiyun.com/weixin_51520249/article/details/141958984</link><guid>https://blog.youkuaiyun.com/weixin_51520249/article/details/141958984</guid><author>weixin_51520249</author><pubDate>Fri, 06 Sep 2024 14:43:39 +0800</pubDate><description><![CDATA[● Image_batch是形状的张量（8, 224, 224, 3)。● prefetch() ：预取数据，加速运行，其详细介绍可以参考我前两篇文章，里面都有讲解。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（3x3）和最大池化尺寸（2x2）。● 优化器（optimizer）：决定模型如何根据其看到的数据和自身的损失函数进行更新。VGG-16包含了16个隐藏层（13个卷积层和3个全连接层），故称为VGG-16。● Label_batch是形状（8，）的张量，这些标签对应8张图片。]]></description><category></category></item></channel></rss>