<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[wingfish_的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/wingfish_</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; wingfish_]]></copyright><item><title><![CDATA[第6-7节.特征提取和无监督学习|自然语言处理与bert]]></title><link>https://blog.youkuaiyun.com/wingfish_/article/details/159827373</link><guid>https://blog.youkuaiyun.com/wingfish_/article/details/159827373</guid><author>wingfish_</author><pubDate>Tue, 14 Apr 2026 12:45:50 +0800</pubDate><description><![CDATA[模型提取特征由深度学习的模型来决定，比如提取小球的尺寸、形状、颜色等，作为不同的类别和标签#关注模型的训练，是要关注梯度从何而来，回归任务的梯度来源于预测值和真实值之间的差距，差距越大、LOSS就越大，梯度也越大；分类模型中，分类来源于2个分布的交叉熵损失，分布相差越多，交叉熵损失越大，梯度也越大。]]></description><category></category></item><item><title><![CDATA[第5节图像分类实战，半监督]]></title><link>https://blog.youkuaiyun.com/wingfish_/article/details/159688163</link><guid>https://blog.youkuaiyun.com/wingfish_/article/details/159688163</guid><author>wingfish_</author><pubDate>Thu, 02 Apr 2026 19:33:22 +0800</pubDate><description><![CDATA[使用PyTorch进行图像分类任务。主要内容包括：1) 安装cv2和timm库；2) 设置随机种子保证实验可重复性；3) 实现数据增强和迁移学习策略；4) 构建自定义数据集类和CNN模型；5) 训练验证流程设计，包含半监督学习机制。通过VGG预训练模型进行迁移学习，使用AdamW优化器和交叉熵损失函数，在food-1数据集上实现了图像分类任务。代码实现了数据加载、模型训练、验证及结果可视化功能，特别处理了半监督学习场景下的数据标注问题。实验记录了训练过程中的损失和准确率变化，并保存最佳]]></description><category></category></item><item><title><![CDATA[第4节.分类任务]]></title><link>https://blog.youkuaiyun.com/wingfish_/article/details/159617869</link><guid>https://blog.youkuaiyun.com/wingfish_/article/details/159617869</guid><author>wingfish_</author><pubDate>Mon, 30 Mar 2026 22:24:55 +0800</pubDate><description><![CDATA[机器学习中的分类问题与卷积神经网络（CNN）的核心概念。分类问题需通过独热编码输出类别概率分布，采用交叉熵损失衡量预测误差。重点解析了CNN的工作原理：卷积核通过局部特征提取生成新特征图，其尺寸受输入大小、padding和卷积核尺寸影响；通过池化（最大池化为主）实现降维；最终通过全连接层输出分类结果。还探讨了Softmax函数和交叉熵损失的应用，并指出训练需要大量标注数据（如MNIST、COCO等数据集）。最后简要提及CNN的发展历史，强调硬件进步对模型性能提升的关键作用。]]></description><category></category></item><item><title><![CDATA[第3节.回归实战]]></title><link>https://blog.youkuaiyun.com/wingfish_/article/details/159087965</link><guid>https://blog.youkuaiyun.com/wingfish_/article/details/159087965</guid><author>wingfish_</author><pubDate>Fri, 27 Mar 2026 18:59:29 +0800</pubDate><description><![CDATA[介绍了神经网络深度学习项目的基本框架，重点阐述了数据处理、模型构建、超参设置和训练流程四个核心环节。项目采用李宏毅老师的Kaggle数据集，包含2000多组90维特征数据，使用独热编码处理分类变量。训练过程强调合理划分训练集、验证集和测试集（8:2比例），并详细说明了batch训练的重要性。文章还提供了代码实现要点，包括必要的库导入、数据加载器使用和模型结构设计注意事项（维度匹配等）。通过epoch循环控制训练过程，旨在帮助初学者掌握深度学习项目的基本流程和关键环节。]]></description><category></category></item><item><title><![CDATA[第2节b.线性表示代码带写]]></title><link>https://blog.youkuaiyun.com/wingfish_/article/details/158350937</link><guid>https://blog.youkuaiyun.com/wingfish_/article/details/158350937</guid><author>wingfish_</author><pubDate>Sat, 14 Mar 2026 21:27:38 +0800</pubDate><description><![CDATA[一个使用PyTorch实现线性回归模型的完整流程。通过模拟恋爱次数与外貌、性格、财富、内涵4个因素的关系(y=wx+b)，首先生成500个带噪声的模拟数据。然后定义了数据加载函数，实现随机批量采样。核心部分包括：1)模型预测函数；2)MAE损失函数；3)SGD参数更新方法。整个过程展示了从数据生成、模型定义到训练准备的全套实现，为后续模型训练打下基础。调试方法也得到重点说明，包括断点设置和变量监控技巧。该示例为理解线性回归和PyTorch基础操作提供了实践参考。]]></description><category></category></item><item><title><![CDATA[第2节a. 最全够用的python基础语法（小白版）]]></title><link>https://blog.youkuaiyun.com/wingfish_/article/details/157658154</link><guid>https://blog.youkuaiyun.com/wingfish_/article/details/157658154</guid><author>wingfish_</author><pubDate>Fri, 13 Feb 2026 20:45:00 +0800</pubDate><description><![CDATA[一些适用于Python小白的基础语法，可以收藏作为自己的编程字典来查找。最全、够PyTorch用]]></description><category></category></item><item><title><![CDATA[00-Conda\PyTorch\PyCharm深度学习环境安装]]></title><link>https://blog.youkuaiyun.com/wingfish_/article/details/157874032</link><guid>https://blog.youkuaiyun.com/wingfish_/article/details/157874032</guid><author>wingfish_</author><pubDate>Sun, 08 Feb 2026 17:25:55 +0800</pubDate><description><![CDATA[面对不同的项目工程，我们需要不同的python、pytorch、sklearn的版本来搭配使用，也存在不同的模型在不同版本时期诞生和使用，如学习A模型用到了B版本的PyTorch。anaconda这个软件可以实现不同的环境配置之间的搭配，无需在电脑上同时安装多个版本的软件，即可实现不同版本环境的使用。#有时候配置环境会浪费我们一个周的时间，所以如果碰巧安装+环境配置好了，作为一个重要的基础步骤，必须记下来防止下次换电脑忘记了。（我当初自己配环境配了快一个星期！有需要的可以在这个链接里自取。]]></description><category></category></item><item><title><![CDATA[第1节多层神经网络]]></title><link>https://blog.youkuaiyun.com/wingfish_/article/details/157579916</link><guid>https://blog.youkuaiyun.com/wingfish_/article/details/157579916</guid><author>wingfish_</author><pubDate>Sun, 01 Feb 2026 21:39:14 +0800</pubDate><description><![CDATA[Fully Connected Network：全连接网络、又称多层感知机，上一层的结点每一个都和下一层的每一个结点都相连，即：每一个x和每一个r都行相连、每一个r和每一个z都相连。深度有几层（深度）？加深层数是多进行一个层的计算，但是单纯的线性的加深没有意义，就和人体的神经元一样，一根和多根没有实际效果上的区别。接收刺激有阈值范围，神经元也有自己的“激活”，叫激活函数。]]></description><category></category></item><item><title><![CDATA[第0节机器学习与深度学习]]></title><link>https://blog.youkuaiyun.com/wingfish_/article/details/157358753</link><guid>https://blog.youkuaiyun.com/wingfish_/article/details/157358753</guid><author>wingfish_</author><pubDate>Sun, 25 Jan 2026 22:41:25 +0800</pubDate><description><![CDATA[第0节课程笔记，机器学习与深度学习介绍
机器学习：让机器自己学会一种规则，具有数学上的可解释性，但是准确率不是百分之百，不够灵活

深度学习：设计一个很深的网络架构让机器自己学，像一个黑匣子、函数f，实践性的项目，可解释性比较差]]></description><category></category></item></channel></rss>