- 博客(58)
- 收藏
- 关注
RSS订阅原创 60天python训练计划----day59
在之前的学习中，我们层层递进的介绍了时序模型的发展，从AR到MA到ARMA，再到ARIMA。本质就是把数据处理的操作和模型结合在一起了，实际上昨天提到的季节性差分也可以合并到模型中，让流程变得更加统一。季节性差分用S来表示，所以这个模型叫做SARIMA模型。
2025-07-05 22:51:24
1416
原创 60天python训练计划----day58
昨天我们掌握了AR, MA, 和 ARMA 模型，它们是处理平稳时间序列的利器。但现实世界的数据，比如股票价格、公司销售额，往往带有明显的趋势性或季节性，它们是不平稳的。今天，我们就来学习ARIMA模型，它正是为了解决这个问题而生的。差分是使数据平稳化的关键步骤。就是序列中每个点减去它前一个点的值。这通常可以消除数据中的线性趋势。对一阶差分后的结果再做一次差分。这可以消除数据中的曲线趋势（比如抛物线趋势）
2025-07-04 13:37:03
1140
原创 60天python训练计划----day57
DAY 57经典时序模型1知识点回顾序列数据的处理：处理非平稳性：n阶差分处理季节性：季节性差分自回归性无需处理模型的选择AR(p) 自回归模型：当前值受到过去p个值的影响MA(q) 移动平均模型：当前值收到短期冲击的影响，且冲击影响随时间衰减ARMA(p,q) 自回归滑动平均模型：同时存在自回归和冲击影响昨天说了数据的检验，需要做自相关性检验、平稳性检验、季节性检验。
2025-06-29 11:15:33
837
原创 60天python训练计划----day56
在时序预测中，这种要求会更加苛刻，你设想一下，你可以制造一个随机的序列，然后让模型来学习，这注定也是不可能实现的。也就是说 数据本身要具备可预测性。一个完全随机的序列（学术上称为“白噪声”）是不可预测的。它的未来值与过去值没有任何相关性。任何模型试图从中学习规律，最终都只会是徒劳。什么叫做白噪声呢？他需要满足以下条件：1. 均值为02. 方差恒定3. 自相关性为0（即过去的值对未来的值没有影响）# 中文显示设置。
2025-06-23 21:34:57
739
原创 60天python训练计划----day55
我们之前接触到的结构化数据，它本身不具备顺序，我们认为每个样本之间独立无关，样本之间即使调换顺序，仍然不影响模型的训练。但是日常中很多数据是存在先后关系的，而他们对应的任务是预测下一步的值，我们把这个任务称之为序列预测。举个例子，比如有过去30天的股票价格，我们希望预测第31天的价格。比如之前的单车预测，有前60天的单车需求数据，希望预测后面20天的销量。或者文本，人的语言是有顺序的，预测下一个单词是这也是序列预测任务。
2025-06-19 20:18:20
1137
原创 60天python训练计划----day54
Inception 网络，也被称为 GoogLeNet，是 Google 团队在 2014 年提出的经典卷积神经网络架构。它的核心设计理念是 “并行的多尺度融合”，通过在同一层网络中使用多个不同大小的卷积核（如 1x1、3x3、5x5）以及池化操作，从不同尺度提取图像特征，然后将这些特征进行融合，从而在不增加过多计算量的情况下，获得更丰富的特征表达。Inception 模块是 Inception 网络的基本组成单元。在同样的步长下，卷积核越小，下采样率越低，保留的图片像素越多；
2025-06-19 09:08:03
777
原创 60天python训练计划----day53
DAY 53对抗生成网络知识点回顾：对抗生成网络的思想：关注损失从何而来生成器、判别器nn.sequential容器：适合于按顺序运算的情况，简化前向传播写法leakyReLU介绍：避免relu的神经元失活现象。
2025-06-14 19:19:39
385
原创 60天python训练计划----day52
DAY 52 神经网络调参指南知识点回顾：随机种子内参的初始化神经网络调参指南参数的分类调参的顺序各部分参数的调整心得。
2025-06-14 16:05:52
797
原创 60天python训练计划----day51
day43的时候我们安排大家对自己找的数据集用简单cnn训练，现在可以尝试下借助这几天的知识来实现精度的进一步提高。DAY 51 复习日。
2025-06-12 22:05:54
143
原创 60天python训练计划----day49
cbam注意力之前我们介绍了se通道注意力，我们说所有的模块本质上只是对特征进一步提取，今天进一步介绍cbam注意力CBAM 是一种能够集成到任何卷积神经网络架构中的注意力模块。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。简单来说，它就像是给模型装上了 “智能眼镜”，让模型能够更精准地看到图像中关键的部分。
2025-06-09 22:37:53
346
原创 60天python训练计划----day 48
1. 尺寸变化：广播后的形状由各维度的最大值决定（示例 2 中最终形状为 (2, 2, 2)）。2. 值扩展：维度为 1 的张量通过复制扩展值（示例 1 中 b 从 [1, 2, 3] 扩展为三行相同的值）。3. 内存效率：扩展是逻辑上的，实际未复制数据，避免了内存浪费。
2025-06-09 13:07:28
1131
原创 60天python训练计划----day46 and day47
之前复试班强化部分的transformer框架那节课已经介绍过注意力机制的由来，本质从onehot-elmo-selfattention-encoder-bert这就是一条不断提取特征的路。各有各的特点，也可以说由弱到强。其中注意力机制是一种让模型学会「选择性关注重要信息」的特征提取器，就像人类视觉会自动忽略背景，聚焦于图片中的主体（如猫、汽车）。transformer中的叫做自注意力机制，他是一种自己学习自己的机制，他可以自动学习到图片中的主体，并忽略背景。
2025-06-07 21:52:34
1218
原创 60天python训练计划----day45
DAY 45 Tensorboard使用介绍知识点回顾：tensorboard的发展历史和原理tensorboard的常见操作tensorboard在cifar上的实战：MLP和CNN模型之前的内容中，我们在神经网络训练中，为了帮助自己理解，借用了很多的组件，比如训练进度条、可视化的loss下降曲线、权重分布图，运行结束后还可以查看单张图的推理效果。如果现在有一个交互工具可以很简单的通过按钮完成这些辅助功能那就好了。
2025-06-05 21:41:46
1545
原创 60天python训练计划----day44
上图的层数，代表该模型不同的版本resnet有resnet18、resnet50、resnet152；efficientnet有efficientnet-b0、efficientnet-b1、efficientnet-b2、efficientnet-b3、efficientnet-b4等。
2025-06-04 20:57:39
1104
原创 60天python训练计划----day43
kaggle找到一个图像数据集，用cnn网络进行训练并且用grad-cam做可视化。，该数据集分为六类，包含建筑、森林、冰川、山脉、海洋和街道。进阶：并拆分成多个文件。
2025-06-02 20:36:26
219
原创 60天python训练计划----day42
DAY 42 Grad-CAM与Hook函数知识点回顾回调函数lambda函数hook函数的模块钩子和张量钩子Grad-CAM的示例。
2025-06-02 14:14:06
751
原创 60天python计划----day41
DAY 41简单CNN知识回顾数据增强卷积神经网络定义的写法batch归一化：调整一个批次的分布，常用与图像数据特征图：只有卷积操作输出的才叫特征图调度器：直接修改基础学习率卷积操作常见流程如下：1. 输入 → 卷积层 → Batch归一化层（可选） → 池化层 → 激活函数 → 下一层Flatten -> Dense (with Dropout，可选) -> Dense (Output)
2025-06-01 21:30:59
701
原创 60天python训练计划----day40
DAY 40训练和测试的规范写法知识点回顾：彩色和灰度图片测试和训练的规范写法：封装在函数中展平操作：除第一个维度batchsize外全部展平dropout操作：训练阶段随机丢弃神经元，测试阶段eval模式关闭dropout。
2025-05-30 22:12:21
498
原创 60天python训练计划----day39
先继续之前的代码from torch.utils.data import DataLoader , Dataset # DataLoader 是 PyTorch 中用于加载数据的工具from torchvision import datasets, transforms # torchvision 是一个用于计算机视觉的库，datasets 和 transforms 是其中的模块# 设置随机种子，确保结果可复现# 1. 数据预处理，该写法非常类似于管道pipeline。
2025-05-29 18:35:16
715
原创 60天python训练计划----day38
知识点回顾：作业：了解下cifar数据集，尝试获取其中一张图片 在遇到大规模数据集时，显存常常无法一次性存储所有数据，所以需要使用分批训练的方法。为此，PyTorch提供了DataLoader类，该类可以自动将数据集切分为多个批次batch，并支持多线程加载数据。此外，还存在Dataset类，该类可以定义数据集的读取方式和预处理方式。1. DataLoader类：决定数据如何加载2. Dataset类：告诉程序去哪里找数据，如何读取单个样本，以及如何预处理。 为了引入这些概念，我
2025-05-27 21:48:18
634
原创 60天python训练计划----day37
DAY 37 早停策略和模型权重的保存知识点回顾：过拟合的判断：测试集和训练集同步打印指标模型的保存和加载仅保存权重保存权重和模型保存全部信息checkpoint，还包含训练状态早停策略训练集的loss在下降，但是有可能出现过拟合现象：模型过度学习了训练集的信息，导致在测试集上表现不理想。所以很自然的，我们想同步打印测试集的loss，以判断是否出现过拟合现象。实际上，打印测试集的loss和同步打印测试集的评估指标，是一个逻辑，但是打印loss可以体现在一个图中。
2025-05-27 16:52:25
832
原创 60天python训练计划----day36
对之前的信贷项目，利用神经网络训练下，尝试用到目前的知识点让代码更加规范和美观。仔细回顾一下神经网络到目前的内容，没跟上进度的同学补一下进度。：尝试进入nn.Module中，查看他的方法。探索性作业（随意完成）
2025-05-26 21:22:53
295
原创 60天python训练计划----day35
DAY 35 模型可视化与推理知识点回顾：三种不同的模型可视化方法：推荐torchinfo打印summary+权重分布可视化进度条功能：手动和自动写法，让打印结果更加美观推理的写法：评估模式作业：调整模型定义时的超参数，对比下效果。
2025-05-26 21:20:19
1095
原创 60天python训练计划----day34
DAY 34 GPU训练及类的call方法知识点回归：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GPU训练的方法：数据和模型移动到GPU device上类的call方法：为什么定义前向传播时可以直接写作self.fc1(x)作业复习今天的内容，在巩固下代码。思考下为什么会出现这个问题。1. 多任务处理：本地电脑在运行实验时，并非只运行该深度学习任务，可能还有其他后台程序（如系统更新、杀毒软件扫描等）在占用CPU、内存等资源。
2025-05-26 15:12:36
572
原创 60天python训练计划----day33
1. 分类任务中，若标签是整数（如 0/1/2 类别），需转为long类型（对应 PyTorch 的torch.long），否则交叉熵损失函数会报错。2. 回归任务中，标签需转为float类型（如torch.float32）。今日的代码，要做到能够手敲。这已经是最简单最基础的版本了。查看显卡信息的命令行命令（cmd中使用）DAY 33 MLP神经网络的训练。数据预处理（归一化、转换成张量）PyTorch和cuda的安装。继承nn.Module类。定义损失函数和优化器。
2025-05-25 15:56:53
143
原创 60天python训练计划----day 32
参考pdpbox官方文档中的其他类，绘制相应的图，任选即可。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。DAY 32 官方文档的阅读。绘图的理解：对底层库的调用。普通方法所需要的参数。
2025-05-23 22:23:10
222
原创 60天python训练计划----day31
DAY 31 文件的规范拆分和写法今日的示例代码包含2个部分notebook文件夹内的ipynb文件，介绍下今天的思路项目文件夹中其他部分：拆分后的信贷项目，学习下如何拆分的，未来你看到的很多大项目都是类似的拆分方法知识点回顾规范的文件命名规范的文件夹管理机器学习项目的拆分编码格式和类型注解作业：尝试针对之前的心脏病项目ipynb，将他按照今天的示例项目整理成规范的形式，思考下哪些部分可以未来复用。说明。
2025-05-22 15:13:02
1008
原创 60天python训练计划----day30
DAY 30 模块和库的导入知识点回顾：导入官方库的三种手段导入自定义库/模块的方式导入库/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）
2025-05-19 17:15:10
419
原创 60天python训练计划----day29
我们之前是用复用的思想来看装饰器的，换一个角度理解，当你想修改一个函数的时候，可以通过装饰器方法来修改而无需重新定义这个函数。复习类和函数的知识点，写下自己过去29天的学习心得，如对函数和类的理解，对python这门工具的理解等，未来再过几个专题部分我们即将开启深度学习部分。2. 在类定义外部定义方法，然后把方法赋值给类的属性---这是一种动态方法，常在装饰器中使用，可以再外部修改类的方法。可以的，类也有装饰器。类也有修饰器，他的逻辑类似：接收一个类，返回一个修改后的类。实际上，定义类的方法，有2类写法。
2025-05-19 16:25:32
332
原创 60天python训练计划----day28
calculate_perimeter()：计算周长（公式：2×(长+宽)）。创建一个工厂函数 create_shape(shape_type, *args)，根据类型创建不同图形对象：图形工厂（函数或类）calculate_circumference()：计算圆的周长（公式：2πr）。shape_type="rectangle"：创建长方形（参数：长、宽）。calculate_area()：计算圆的面积（公式：πr²）。calculate_area()：计算面积（公式：长×宽）。
2025-05-19 15:20:29
258
原创 60天python训练计划----day27
编写一个装饰器 logger，在函数执行前后打印日志信息（如函数名、参数、返回值）ps：第一期day27对应5月16日。DAY 27 函数专题2：装饰器。装饰器的思想：进一步复用。注意内部函数的返回值。
2025-05-18 15:35:31
246
原创 60天python训练计划----day26
编写一个名为 calculate_circle_area 的函数，该函数接收圆的半径 radius 作为参数，并返回圆的面积。编写一个名为 calculate_average 的函数，该函数可以接收任意数量的数字作为参数（引入可变位置参数 (*args)），并返回它们的平均值。编写一个名为 print_user_info 的函数，该函数接收一个必需的参数 user_id，以及任意数量的额外用户信息（作为关键字参数）。函数的参数类型：位置参数、默认参数、不定参数。user_id 是一个必需的位置参数。
2025-05-15 22:08:20
280
原创 60天python训练计划----day 25
DAY 25 异常处理知识点回顾：异常处理机制debug过程中的各类报错try-except机制try-except-else-finally机制在即将进入深度学习专题学习前，我们最后差缺补漏，把一些常见且重要的知识点给他们补上，加深对代码和流程的理解。作业：理解今日的内容即可，可以检查自己过去借助ai写的代码是否带有try-except机制，以后可以尝试采用这类写法增加代码健壮性。
2025-05-15 14:21:00
699
原创 60天python训练计划----day23
DAY 23 pipeline管道知识回顾:转化器和估计器的概念管道工程ColumnTransformer和Pipeline类作业：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。
2025-05-14 15:35:00
1108
原创 60天python训练计划----day20
对于任何矩阵（如结构化数据可以变为：样本*特征的矩阵，图像数据天然就是矩阵），均可做等价的奇异值SVD分解，对于分解后的矩阵，可以选取保留前K个奇异值及其对应的奇异向量，重构原始矩阵，可以通过计算Frobenius 范数相对误差来衡量原始矩阵和重构矩阵的差异。应用：结构化数据中，将原来的m个特征降维成k个新的特征，新特征是原始特征的线性组合，捕捉了数据的主要方差信息，降维后的数据可以直接用于机器学习模型（如分类、回归），通常能提高计算效率并减少过拟合风险。降噪：通常噪声对应较小的奇异值。
2025-05-12 15:40:21
219
原创 60天python训练计划----day19
它的核心逻辑是：计算每个特征与目标变量之间的相关系数（范围在-1到1之间，值越大表示正相关越强，值越小表示负相关越强，接近0表示几乎无关），然后根据相关系数的绝对值大小，选择与目标变量相关性较高的特征，剔除相关性较低的特征。1. 特征筛选：从n个特征中筛选出m个特征，比如方差筛选，剔除方差过小的特征；所以在面对高维特征的时候常常需要引入特征降维，我们之前课程中的项目的特征也就小几十个，不太需要做降维，对于某些特征较多的数据，如基因数据、微生物数据、传感器数据等，特征较多，所以会考虑特征降维。
2025-05-11 22:02:55
750
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