- 博客(100)
- 收藏
- 关注
RSS订阅原创 深度学习之特征提取
SimSiam 是一种无监督学习的对比学习方法，通过对比正样本对和负样本来学习图像的特征表示。SimSiam 的核心思想是通过数据增强生成正样本对，通过对比学习框架训练模型，使得同一个图像的不同增强版本在特征空间中更接近，而不同图像的增强版本在特征空间中更远离。SimSiam 的优势在于其简单高效，适用于大规模无标签数据集，可以学习到高质量的特征表示，适用于多种下游任务。
2025-02-22 20:49:16
1550
原创 深度学习之图像分类（二）
微调和特征提取器是迁移学习中的两个关键步骤，它们利用预训练模型的知识来加速新任务的学习过程。微调：在新任务的数据集上继续训练预训练模型，调整最后几层以适应新任务的类别数。特征提取器：利用预训练模型的前面几层提取图像的高级特征，为新任务的分类器提供有用的输入。通过结合微调和特征提取器，迁移学习可以在减少训练数据需求的同时，提高新任务模型的性能和泛化能力。半监督学习是一种聪明的方法，它让模型通过学习少量的有标签数据和大量的无标签数据来提高自己的预测能力。
2025-02-22 16:55:38
1584
原创 深度学习之图像分类（一）
图像分类是指将输入的图像分配到一个或多个预定义的类别中的任务。简单来说，就是让计算机“看”一张图片，然后告诉用户这张图片属于什么类别。例如，判断一张图片是猫、狗还是汽车等。损失函数（Loss Function）是机器学习和深度学习中用于衡量模型预测值与真实值之间差异的函数。它的目的是通过优化模型的参数，使损失值最小化，从而提高模型的预测准确性。交叉熵损失（Cross-Entropy Loss）是深度学习中分类问题常用的损失函数，特别适用于多分类任务。
2025-02-19 21:21:05
1229
原创 深度学习之图像回归（二）
这篇文章主要是在图像回归（一）的基础上对该项目进行的优化。（一）主要是帮助迅速入门 理清一个深度学习项目的逻辑 这篇文章则主要注重在此基础上对于数据预处理和模型训练进行优化前者会通过涉及PCA主成分分析 特征选择 后者通过正则化。
2025-02-18 17:50:50
1712
原创 深度学习之图像回归（一）
图像回归任务主要是理解一个最简单的深度学习相关项目的结构，整体的思路，数据集的处理，模型的训练过程和优化处理。 因为深度学习的项目思路是差不多的，主要的区别是对于数据集的处理阶段，之后模型训练有一些小的差异。 现在以回归项目进行切入点来理解模型训练的流程。模型训练的目的是通过训练集进行模型训练 最终得到一个优化后的最佳的模型 帮我们完成对数据的预测 比如根据一个数据的多个描述维度 最终得到标签对应的预测值 整体步骤如下：准备数据（输入 x 和目标 y）。初始化模型参数。用模型预测输出 y^。计算损失值
2025-02-17 22:01:03
1425
原创 栈的详细实现
栈是一种特殊的线性表，只允许在固定的一端进行操作。该端叫做栈顶，相对的另一端叫做栈底。符合LIFO（后进先出）的规则关于栈顶的两个操作：压栈/入栈/进栈：在栈顶部插入数据出栈:栈顶删除，进行出数据区别于顺序表：顺序表能在任意位置进行插入和删除，但是栈只允许在一端，进行操作的一端叫做栈顶栈是线性结构，用顺序表和链表都可以。但是要符合LIFO的原则的话，如果采用单链表需要遍历，时间复杂度O(n),如果用顺序表时间复杂度O（1）。当然，链表采用特殊的方法的话，也可以做到O（1），但是为了简便，采用顺序表。
2023-09-19 18:13:30
241
原创 个人复盘和总结 2022——2023
从2022年开始接触编程到现在已经断断续续的有一年了。回顾这一年，感觉有进步也有做的不足的地方。好的是从一开始的什么都不会，到现在的至少对计算机有点了解，从C语言到c++到Linux系统编程再到Linux网络编程，MySQL数据库，多多少少都有学过一点并且有了一些自己的见解。学习的过程中也在不断总结，不断分享，在这个过程中，我的优快云文章不管是内容或者说是组织结构等方面都有了一些进步。
2023-04-26 11:58:35
656
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