- 博客(10)
- 收藏
- 关注
RSS订阅原创 打卡第十周-pytorch识别车牌
在MyDataset中，读取图片和对应的标签文件，将标签字符串转换为索引序列。在MyDataset中，返回图像和对应的标签序列。定义字符集合（包括数字、字母和可能的中文字符）加载车牌数据集并完成车牌识别，
2025-10-17 11:19:33
1693
原创 打卡第九周-yolov5
通过 FPN+PAN 这个强大的“通信网络”，让这些特征“互通有无”，最终产生了“1+1>2”的效果。这为后续的Neck（FPN+PAN）提供了不同尺度的特征图，分别用于检测小、中、大物体。Backbone的作用不仅仅是提取特征，更是。
2025-10-03 13:54:13
788
原创 打卡第四周-猴痘病识别
1.大概了解了一些处理措施，比如过拟合的话就数据增强，正则化，dropout，全局池化减少特征数，调整学习率等等。其中，通过上一次和这一次发现学习率对模型的学习能力影响很大，动态学习率的设置也是门学问，不同情况不一样。（好吧，也是不明白，原本设置了动态学习率，模型的准确率一直卡在68-70左右，无论是继续添加层数调整网络的纵深还是权重衰减调整都作用不大，反而是固定学习率后上来了，可能是哪里没设计好）。注：注意windows和linux系统的区别，拆分路径的时候会不同。
2025-08-22 12:40:01
362
原创 打卡第三周-Pytorch实现天气识别
1.可能算是初步体会到了调参数的感觉。一开始看提升要求要达到95%，就想着说把卷积核调小一点，结果数据结果很差，测试准确率振荡的厉害，也存在严重的过拟合。好吧，以为是K老师的卷积核大小是特别合适的，又老老实实调回去了，结果发现结果还是一样的，好吧，那可能是硬件设备区别太大了，只好老实求助ai。2.后续调用模型识别本地图片也是自己重跑了一遍模型保存好了.pth文件，再让copilot写了一段识别程序就ok了。运行结果：（好吧，调整了很多参数，满心欢喜以为到95%了，结果又跑了一遍又回来了）
2025-08-06 12:02:24
399
原创 打卡第二周-CIFAR10彩色图片识别
例：假设有一个张量 `x` 的形状为 (2, 3, 4, 5)，执行 `torch.flatten(x, start_dim=1)` 会得到形状为 (2, 3*4*5) 即 (2, 60) 的二维张量。1.对整个流程更为熟悉，从导入库下载数据集，再加载数据集后表示出来，之后就是构建网络模型并打印，再编写训练和测试函数以返回准确率和损失值，最后正式训练并将结果可视化。（语言环境：Python3.9.23，编译器：jupyter notebook，深度学习环境：Pytorch）1.导入需要的库和选择设备。
2025-07-31 12:54:34
1618
原创 打卡第一周-MNIST识别
是Pytorch自带的一个数据加载器，结合了数据集和取样器，DataLoader`的主要功能是将一个`Dataset`对象（例如`torchvision.datasets`返回的对象）包装成一个可迭代对象，以便在训练循环中方便地访问数据。1.编写完整程序流程：引入库➡下载数据加载数据➡搭建网络➡编写训练和测试函数确定指标➡开始训练返回指标➡画图表示。2.CNN模型：输入➡卷积1➡激活➡池化1➡卷积2➡激活➡池化2➡展平➡连接1➡连接2。6. 开始设置超参数，训练和测试函数，计算loss和acc。
2025-07-21 21:21:49
552
1
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