- 博客(14)
- 收藏
- 关注
RSS订阅
1原创 OpenCV 图像阈值处理
本文介绍了OpenCV中的图像阈值处理方法，包括简单阈值、自适应阈值和Otsu算法等。通过代码示例展示了各类方法的实现过程，比较了不同阈值处理类型的差异，并提供了大津法与高斯滤波结合的优化方案。文章还探讨了多阈值处理的应用场景，最后总结了根据实际需求选择合适阈值处理方法的重要性。这些技术在图像分割任务中具有广泛应用价值。
2025-08-25 06:30:00
225
原创 OpenCV 图像算术运算
OpenCV提供了多种图像算术运算方法，包括加法、减法、乘法、除法和位运算。加法运算（cv2.add()）会进行饱和处理，加权混合（cv2.addWeighted()）可实现透明效果。减法用于检测图像差异，乘除法调节亮度对比度。位运算（AND/OR/NOT/XOR）常用于掩码操作，结合阈值化（cv2.threshold()）可实现更复杂的图像处理。这些基础运算组合使用，能完成图像增强、混合和检测等多种任务。
2025-08-24 07:00:00
325
原创 OpenCV 图像基本操作
OpenCV基础图像操作指南 OpenCV作为开源计算机视觉库，提供了丰富的图像处理功能。本文介绍了基本操作：读取/显示图像(cv2.imread/imshow)、获取属性(shape)、颜色空间转换(cv2.cvtColor)、尺寸调整(cv2.resize)、旋转(cv2.getRotationMatrix2D)、裁剪(数组切片)、保存(cv2.imwrite)、绘图(cv2.rectangle/circle/putText)以及图像处理(阈值、边缘检测、平滑滤波)等核心功能。这些基础操作为更复杂的计算
2025-08-24 06:30:00
389
原创 OpenCV 安装
本文介绍了OpenCV在不同操作系统上的安装方法。Windows用户可通过pip直接安装opencv-python或opencv-contrib-python，Linux用户使用apt命令安装，Mac用户通过Homebrew和pip组合安装。文章还提供了从源码编译的步骤，并包含读取图像、视频捕获、边缘检测和人脸检测等基础代码示例。最后针对常见安装问题给出了解决方案，帮助开发者快速完成OpenCV环境配置。
2025-08-23 10:00:00
587
原创 OpenCV 图像处理基础
本文介绍了OpenCV图像处理的基础操作，包括图像读取与显示、颜色空间转换(BGR转灰度/HSV)、图像滤波(高斯滤波和边缘检测)、几何变换(缩放/旋转)以及阈值化处理(二值化/自适应阈值)。通过具体代码示例展示了如何使用OpenCV的关键函数实现这些功能，为计算机视觉应用提供了基础技术支撑。
2025-08-23 06:45:00
1108
原创 PyTorch torch.optim 优化器模块
PyTorch的torch.optim模块提供了多种优化算法实现，包括SGD、Adam和RMSprop等。该模块支持基础优化器配置、参数组差异化学习率设置、学习率动态调度等核心功能，还能实现自定义优化器和梯度裁剪。通过代码示例展示了各种优化器的初始化方法、动量设置以及高级应用场景，强调合理选择优化器和参数调优对提升模型训练效率的重要性。
2025-08-22 07:45:00
525
原创 PyTorch 构建 Transformer 模型
本文介绍了基于PyTorch实现Transformer模型的关键组件。Transformer通过多头注意力机制、位置编码和层归一化等核心模块，实现了高效的序列建模能力。文章详细展示了多头注意力、位置编码和编码器层的代码实现，并提供了完整的Transformer模型结构示例。最后给出了模型训练的基本流程，包括优化器设置和损失计算。这些实现要点为自然语言处理任务提供了灵活可扩展的深度学习框架基础。
2025-08-22 06:15:00
462
原创 Transformer 模型
本文介绍了Transformer模型的PyTorch实现，包括核心模块和关键技术。给出了多头注意力机制(MultiHeadAttention)、位置编码(PositionalEncoding)和编码器层(EncoderLayer)的完整代码实现，并展示了Transformer模型的整体架构。同时提供了模型训练过程的代码示例，包括损失函数和优化器的设置。最后，总结了Transformer模型的关键数学表达式，包括自注意力计算、多头注意力拼接和位置编码的正弦函数实现。这些实现完整展示了Transformer的核
2025-08-21 09:45:00
730
原创 PyTorch 数据转换
本文介绍了PyTorch数据转换的核心方法和应用场景。主要内容包括：1）torchvision.transforms模块的基础使用，如图像张量转换、标准化处理；2）计算机视觉任务中的图像预处理流程（调整大小、裁剪、翻转等）；3）自定义转换操作的实现方法；4）文本数据的特殊处理技术；5）转换组合与数据集结合的最佳实践；6）性能优化技巧（多进程加载、GPU加速）。文章通过代码示例详细展示了从基础到高级的数据转换技术，涵盖计算机视觉和自然语言处理两大领域。
2025-08-21 09:00:00
312
原创 PyTorch 数据集
PyTorch提供了完善的数据集处理工具，核心包括Dataset和DataLoader类。开发者可自定义数据集类，实现数据加载逻辑，或通过torchvision直接加载常见CV数据集。DataLoader支持批量加载、多线程加速和自动打乱数据。此外，PyTorch还支持数据增强、多模态数据处理、分布式加载和流式读取等高级功能，并提供了可视化检查方法。这些工具为模型训练提供了灵活高效的数据处理方案。
2025-08-20 23:04:25
539
原创 PyTorch 循环神经网络（RNN）
PyTorch循环神经网络（RNN）教程摘要：本文介绍PyTorch中RNN的实现与应用，包括基础RNN、LSTM和GRU变体结构。通过正弦波预测和文本分类两个完整示例，演示了序列数据处理方法。文章还涵盖双向RNN、多层RNN实现技巧，以及学习率调度、梯度裁剪等优化策略，并详细讲解了变长序列的批处理技术（pack_padded_sequence）。所有代码示例均可直接运行，适合深度学习初学者快速掌握RNN在PyTorch中的实践应用。
2025-08-20 23:03:35
548
原创 PyTorch 卷积神经网络
本文介绍了PyTorch实现卷积神经网络(CNN)的基础知识和实践技巧。主要内容包括：1)构建简单的CNN模型结构；2)详解卷积层参数设置；3)池化层和批归一化的实现；4)ResNet残差块等现代架构；5)模型可视化工具；6)预训练模型使用；7)完整的训练流程；8)性能优化技巧如学习率调度、权重初始化和混合精度训练；9)1D/3D卷积、深度可分离卷积、空洞卷积等变体实现。文章提供了全面的PyTorch CNN实现代码示例，涵盖从基础到高级的各类技术要点。
2025-08-19 07:03:38
369
原创 PyTorch 线性回归
本文介绍了使用PyTorch实现线性回归模型的完整流程。内容包括：数据准备(生成带噪声的线性数据)、模型定义(nn.Linear和自定义参数两种方式)、训练过程(损失函数、优化器、训练循环)、模型评估与可视化。还介绍了高级技巧如学习率调度器、早停法、GPU加速、批量训练，以及模型保存与加载方法。最后展示了使用真实数据集(糖尿病数据)的示例，涵盖了从基础到进阶的PyTorch线性回归实现技术。
2025-08-19 07:01:20
191
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