- 博客(34)
- 收藏
- 关注
RSS订阅
原创 《Python开发环境终极指南：从Conda环境配置到VSCode、PyCharm、Jupyter深度优化》
Jupyter Notebook允许用户在一个文档中结合代码、文字、数学公式和可视化图表，是教学、实验记录和可重复研究的理想工具。Jupyter Notebook是一种互动式的网页应用程序，让你在一个文档中写代码、运行代码、添加注释和插入图表。【菜单】---【设置】--【项目：你的项目目录】--【python解释器】--【添加解释器】--【添加本地解释器】不建议使用类似C:\Users\15740\\.conda\envs**这样的默认路径去创建虚拟环境。然后就可以创建python文件、写代码、运行即可~
2025-07-08 19:12:12
1945
1
原创 OpenCV图像基础
OpenCV图像处理基础摘要 OpenCV是一个开源的计算机视觉库，提供C++和Python接口，支持多种图像处理和机器学习算法。文章介绍了OpenCV的优势包括开源免费、跨平台、多语言支持和丰富的API。环境安装使用pip命令即可完成。图像以像素为基本单元，彩色图像采用BGR三通道存储，每个通道0-255取值。文章详细讲解了图像的读取(cv2.imread)、显示(cv2.imshow)、保存(cv2.imwrite)等基本操作，以及如何创建黑/白图像、图像切片裁剪和大小调整。最后介绍了图像绘制功能，包括
2025-11-19 15:09:50
960
原创 YOLOV1简介
YOLOv1是一种实时目标检测算法，将检测任务转化为回归问题，通过单次前向传播同时预测边界框和类别。它将输入图像划分为7×7网格，每个网格预测2个边界框（含位置、置信度）和20类概率，最终输出7×7×30张量。主要优势是速度快（45FPS）和全局上下文理解，但存在定位精度低、小目标检测差和召回率不足等问题。其损失函数通过平方根处理优化尺度不均衡，并采用NMS后处理。相比Fast R-CNN，YOLO更易出现定位错误（19%），但背景误检率更低（4.75%）。
2025-09-01 19:34:55
852
原创 YOLO发展史及其网络结构
YOLO是一种高效的单阶段目标检测算法，采用端到端设计实现实时检测。其网络结构包含三个核心模块：Backbone（特征提取）、Neck（多尺度特征融合）和Detection Head（边界框与类别预测）。从YOLOv1到最新版本，算法持续优化，主要改进包括Darknet骨干网络、特征金字塔结构（FPN/PAN）等。不同版本由多个团队开发，如Joseph Redmon（v1-v3）、Ultralytics（v5/v8）等，最新YOLO13于2025年由清华大学团队发布。该系列以速度快著称，广泛应用于实时目标检
2025-08-28 19:58:36
1010
原创 目标检测基础
本文系统介绍了目标检测（特别是YOLO算法）的关键概念与技术要点。主要内容包括：1）计算机视觉三大任务（分类、检测、分割）的区分；2）YOLO项目开发基础（环境配置、数据集标注规范）；3）目标检测核心指标（IoU、mAP、FPS等）的计算原理；4）两阶段与单阶段检测架构的对比；5）非极大值抑制等后处理技术。特别强调了模型评估时需平衡精度（mAP）与速度（FPS）的关系，并根据实际场景需求选择合适指标。文中还提供了labelimg标注工具安装、conda环境配置等实践指导，形成了一套从理论到实践的完整知识体系
2025-08-27 20:25:27
856
原创 CNN - 卷积层
卷积是 CNN 的核心操作，通过滑动卷积核提取局部特征，结合填充、步长控制特征图大小，利用多通道和多卷积核捕捉丰富特征，同时通过参数共享降低计算成本，是处理图像等空间数据的高效工具。
2025-08-14 19:20:56
1389
原创 《卷积神经网络（CNN）：解锁视觉与多模态任务的深度学习核心》
卷积神经网络（CNN）是深度学习处理网格状数据的核心模型，特别适用于计算机视觉任务。它通过卷积层（局部连接+权重共享）、池化层和全连接层的结构设计，有效解决了全连接网络处理图像时参数量爆炸和空间特征丢失的问题。CNN在图像分类、目标检测、医学影像分析等领域表现突出，并已拓展到文本、音频等其他模态。相比传统网络，CNN具有参数高效性和更强的空间特征提取能力，成为处理图像等结构化数据的首选深度学习框架。
2025-08-13 20:01:55
1000
2
原创 《Day3-PyTorch 自动微分入门：从计算图到梯度下降的实践指南》
PyTorch自动微分机制详解 PyTorch的自动微分模块torch.autograd是神经网络训练的核心组件，通过动态计算图实现高效的梯度计算和反向传播。该系统具有以下关键特性： 动态计算图构建：通过requires_grad属性标记需要计算梯度的张量，自动跟踪所有相关操作形成计算图，叶子节点保存梯度值。 梯度计算方式： 标量输出可直接backward() 向量输出需提供梯度张量或转换为标量 支持多变量同时求导 梯度控制机制： no_grad上下文管理避免不必要计算 梯度累加特性需手动清零（zero_g
2025-08-07 20:08:54
1083
原创 《Day2-PyTorch Tensor 从入门到实践：核心操作与避坑指南》
PyTorch张量(Tensor)使用指南摘要 本文系统介绍了PyTorch中张量的基本操作与特性，主要内容包括： 张量创建：详细对比torch.tensor（数据类型自动推断）与torch.Tensor（默认float32）的区别，介绍特殊张量创建方法（如线性张量torch.linspace、随机张量torch.randn） 核心属性：dtype（数据类型）、device（计算设备）、shape（维度信息）等关键属性 设备切换：通过to()、cuda()、cpu()等方法实现CPU/GPU间的张量迁移 数
2025-08-06 20:20:25
1175
原创 《Day1:AI 初探与 PyTorch 入门：深度学习.Torch框架基础》
本文介绍了人工智能基础知识和PyTorch深度学习框架。首先概述AI的定义、实现要素（数据、网络、算力）及产业生态。重点讲解PyTorch框架：它是由Facebook开发的Python深度学习框架，具有灵活高效、支持GPU加速等特点，提供自动微分等高级功能。文章对比了TensorFlow、Keras等其他主流框架，并指出PyTorch是经典的首选框架。通过本阶段学习可为后续模型训练打下基础。
2025-08-06 18:56:57
684
原创 PyTorch环境安装
PyTorch安装最佳实践摘要（150字） 强烈建议使用Anaconda创建Python 3.9虚拟环境安装PyTorch。GPU用户需确保CUDA/cuDNN版本与显卡驱动兼容：1) 通过nvidia-smi查看驱动版本；2) 选择匹配的PyTorch-CUDA组合（如CUDA 12.1对应torch 2.3.1）；3) 推荐conda在线安装或手动下载whl离线包。CPU用户直接从PyTorch官网获取CPU版本。安装后验证torch.cuda.is_available()，并同步安装对应版本的torc
2025-08-06 18:35:55
1438
原创 scikit-learn工具介绍
Scikit-learn是Python中流行的机器学习工具库，提供多种算法实现和丰富API接口。文档完善易上手，推荐使用conda安装（自动处理依赖）。包含内置数据集（如鸢尾花数据集）和现实世界数据集加载方法，支持本地CSV/Excel文件导入。通过train_test_split划分训练/测试集，掌握参数设置（test_size比例、random_state随机种子等）。从数据加载到预处理再到模型训练，Scikit-learn提供完整机器学习流程工具，适合初学者快速入门构建机器学习项目。
2025-08-05 19:35:39
778
原创 机器学习的介绍与定义
机器学习是让计算机从数据中学习规律并预测未来的技术，涵盖监督学习、无监督学习、半监督学习和强化学习等算法。其发展始于上世纪50年代，经历了多次起伏，2012年后深度学习成为研究热点。机器学习广泛应用于医疗、金融、NLP、计算机视觉等领域。学习路径包括：打好数学编程基础（线性代数、Python）、掌握核心算法原理、使用工具框架（如TensorFlow）、通过项目实践积累经验。典型开发流程分为数据收集、清洗、模型训练、评估和优化五个步骤。该领域持续快速发展，需保持学习和实践才能掌握。
2025-08-05 18:45:25
761
原创 OpenCV 图像变换全解析：从镜像翻转到仿射变换的实践指南
本文讲了 OpenCV 的两种图像变换。用cv.flip()能轻松实现图像的垂直、水平翻转。仿射变换里，通过矩阵设置，结合可完成旋转、平移、缩放和剪切。这些基础操作是图像处理的必备技能，多练就能熟练掌握。
2025-07-25 17:19:46
1181
原创 详解图像二值化处理：从基础阈值到自适应方法的全面解析
图像二值化是图像处理的关键技术，将灰度图转换为仅含0和255两种像素值的图像。本文介绍了三种主要方法：1）基础阈值法（THRESH_BINARY等）通过固定全局阈值实现简单二值化；2）OTSU法自动计算最优阈值，特别适合双峰分布图像；3）自适应二值化（ADAPTIVE_THRESH_MEAN_C等）通过局部动态阈值处理光照不均的情况。每种方法都有特定适用场景：基础法适合均匀光照图像，OTSU法适合前景背景区分明显的图像，自适应法则能更好地处理复杂光照条件下的图像。这些技术为OCR、边缘检测等后续处理提供了有
2025-07-24 18:15:15
819
原创 彩色转灰度的核心逻辑：三种经典方法及原理对比
灰度图作为单通道图像，通过将彩色图的 R、G、B 三通道信息合并为单一通道实现，其像素值范围通常为 0-255（8 位存储），包含从黑到白的多级灰度，区别于仅含黑白两色的黑白图像。最大值法：取每个像素 R、G、B 三通道中的最大值作为灰度值，操作简单但可能导致图像偏亮；平均值法：计算三通道值的算术平均值作为灰度值，能均衡保留亮度信息，但未考虑人眼对不同颜色的敏感度差异；加权均值法。
2025-07-23 19:38:15
840
原创 OpenCV-Python 色彩空间转换与图像混合技巧
本文介绍了OpenCV中的图像色彩空间转换与处理技术。主要内容包括：RGB/BGR颜色空间模型及其在OpenCV中的存储方式；OpenCV饱和加法与Numpy模运算加法的区别；使用cv.addWeighted()实现图像加权混合；HSV颜色空间的优势及其在图像处理中的应用；以及使用cv2.cvtColor()实现RGB到灰度图、HSV等色彩空间的转换。这些技术为图像色彩处理和分析提供了基础方法，其中HSV空间因其符合人类感知特性而在颜色识别中更具优势。
2025-07-23 19:15:15
873
原创 《OpenCV-Python 入门指南：从图像读写到基础绘制全解析》
本文介绍了OpenCV-Python在图像处理中的基础应用。主要内容包括：1）OpenCV环境安装及图像表示原理，说明像素与RGB通道的概念；2）图像存储方式，讲解NumPy数组在存储彩色/灰度图像时的维度差异；3）基本图像操作，涵盖窗体创建、图像读取/显示/保存方法；4）图像处理技术，演示创建黑白图像、切片裁剪和大小调整；5）图像绘制功能，包括直线、圆形、矩形绘制和文字添加；6）视频处理基础，展示视频流读取方法。通过代码示例详细说明了各项功能的参数设置和使用场景，为计算机视觉入门提供了实用指导。
2025-07-23 17:26:55
944
原创 Python 图片爬取入门：从手动下载到自动批量获取
本文以网页图片批量爬取为目标，从准备工作入手，介绍了 Python 及相关工具的安装配置，重点讲解如何用浏览器开发者工具分析网站结构，找到图片真实地址及请求规律。随后分步演示了用 requests 库发送请求、解析数据、提取图片地址并下载保存的过程，还提供了多页爬取、多关键词爬取及错误处理等优化方法，最后总结了爬虫核心逻辑与注意事项，帮助新手快速掌握用 Python 自动爬取网页图片的技能。
2025-07-20 23:16:52
2573
原创 Python 模块化编程全解析：模块、包与第三方库管理指南
学好模块和包，是从"写脚本"到"开发项目"的关键一步。下次写代码时，试试把常用功能拆成模块——你会发现代码变得清爽又好维护！
2025-07-18 20:03:39
1493
原创 《迭代器 VS 生成器：Python 惰性计算的两种实现方案详解》
迭代器：是一种 "工具"，能逐个返回数据，需要手动实现遍历逻辑（像自己做了个取零食的机器）。生成器：是特殊的迭代器，用更简单的语法实现（像买了个现成的自动取零食机，不用自己做）。# 自定义迭代器类return self # 迭代器返回自身else:raise StopIteration # 数据迭代结束# 使用自定义迭代器迭代器和生成器的核心思想都是"懒加载"——不提前准备所有数据，而是用的时候再生成。这种思想在处理大数据、流式数据时尤为重要，能帮你避免内存溢出，提高程序效率。
2025-07-17 18:31:44
1129
原创 《Python 类设计模式：属性分类（类属性 VS 实例属性）与方法类型（实例 / 类 / 静态）详解》
当用print()或str()输出对象时，会自动调用__str__，返回一个用户友好的字符串。# 自定义打印格式return f"我叫{self.name}，今年{self.age}岁"p = Person("小明", 18)print(p) # 输出：我叫小明，今年18岁（自动调用__str__）print(str(p)) # 输出：我叫小明，今年18岁（同样调用__str__）默认==比较对象的内存地址，用__eq__可自定义比较规则。self.id = id # 学号（唯一标识）
2025-07-16 19:55:52
1353
原创 《Python 装饰器设计模式：从零实现日志、缓存、权限校验等功能》详细解释
装饰器的核心价值 装饰器是Python中"代码复用"的神器——它让你可以把日志、权限、计时等通用功能抽离出来，像"插件"一样灵活地给函数"赋能"。学会装饰器后，你会发现代码变得更简洁、更易维护：核心业务逻辑和辅助功能分离，既方便扩展，又不破坏原有代码。下次看到`@`开头的语法，你就知道：这是给函数"戴装备"呢！
2025-07-15 19:15:02
1081
原创 《Python 函数调用：从传参小白到解包大师的进阶之路》-（函数的位置传参、关键词的传参及其可变性和解包操作）
简单场景用位置传参，简洁高效；参数较多或需明确意义时用关键词传参，提升可读性；参数数量不确定时用可变参数*args**kwargs），增强灵活性；参数存储在序列 / 字典中时用解包操作，简化代码；操作可变类型时，根据需求选择直接修改或复制后修改，避免意外副作用。掌握这些技巧，能让你在编写 Python 函数时更加得心应手，写出既简洁又健壮的代码！
2025-07-14 18:30:05
690
原创 Python 错误处理进阶：try-except-finally 与 raise 的深度应用
异常处理是 Python 中应对潜在错误的「安全网」—— 它能精准捕获代码运行时可能出现的意外（比如参数类型错误、除零运算等），并按照预设逻辑优雅处理，避免程序直接崩溃。尤其在函数设计中，恰当的异常处理能让函数更健壮：既可以向调用者清晰传递错误信息，也能确保函数在极端情况下仍保持可控的执行节奏。
2025-07-13 22:42:45
535
原创 Python 进阶：掌握 set 与 frozenset 的特性与使用场景
集合set和固定集合frozenset，set的元素值必须是不可变的，set中可以存储int、str、tuple等不可变类型，但**不能存储 list、dict 等。集合是可变的容器，固定集合是不可变的集合集合相当于只有键没有值的字典，当然你也可以理解为键和值相等集合内的数据都是唯一的，不可变的。
2025-07-12 18:31:59
479
原创 掌握这些Python内置函数，让你的代码更简洁高效（Python基础）
1. 逻辑判断与聚合：判断所有元素是否为真（短路逻辑）。示例→False。：计算元素总和（可指定初始值）。示例→11。2. 排序与反转：返回新的有序列表（稳定排序）。示例→[1, 2, 3]。：返回反向迭代器（不修改原对象）。示例→[3, 2, 1]。3. 类型检查与调用：检查对象是否可调用（如函数、类）。示例→True。4. 并行处理：将多个迭代器打包成元组迭代器。示例→。5. 动态执行：执行字符串表达式。示例→7。：执行字符串代码或代码对象。示例。
2025-07-12 18:13:55
874
原创 Python 编程提速：推导式家族（list/dict/set/tuple）深度精讲
Python 推导式通过简洁的语法提升了代码可读性和执行效率，尤其适合快速创建和转换数据结构。但注意不要过度使用，对于复杂逻辑（如多重嵌套或多步骤处理），普通循环可能更易理解。
2025-07-11 20:09:38
388
原创 Python 实战课：从 for/while 到 if/match-case，零基础掌握流程控制
学习时主要思考代码运行逻辑，要学会调试代码，锻炼自己的调试能力与找错能力。也可参考官方文档提升自己的阅读能力。
2025-07-11 19:17:19
691
原创 Python编程从入门到精通全指南
Python基础语法与数据类型摘要 Python是一种解释型高级编程语言，由Guido van Rossum于1991年发布。其特点包括简单易学、丰富的标准库和自动内存管理，但执行效率较低。基础语法强调行与缩进（代替大括号）、单行/多行注释（#和'''）以及变量命名规则（小写下划线式）。 核心数据类型： 基础类型：字符串（str，不可变）、数字（int/float/bool）、字节串（bytes）和None 容器类型： 列表（list）：可变有序序列，用[]定义 元组（tuple）：不可变有序序列，用()定
2025-07-10 13:30:54
797
原创 Python 复合类型精讲：列表、元组、字典与集合的深度入门
自定义类的实例如果没有在类中明确限制其属性，可以修改实例的属性值，因此对象实例也是可变的。
2025-07-09 20:29:08
752
原创 Python 入门必学：变量声明与字符串 / 数字类型详解
Python中的变量就是变量，它没有类型，我们所说的"类型"是变量指向的内存中对象的类型。我们可以使用type小函数用于获取一个变量或值的类型。
2025-07-09 18:15:45
798
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