- 博客(39)
- 收藏
- 关注
RSS订阅原创 基于 PyTorch 的 CIFAR-10 图像分类学习总结
在本次学习中，我通过 PyTorch 实现了一个基于 CNN 的 CIFAR-10 图像分类模型，完整掌握了从数据加载、模型构建到训练评估的全流程。以下是具体学习内容总结，包含关键代码实现：CIFAR-10图像分类完整代码V1创建时间：15:53。
2025-09-26 15:54:59
538
原创 图像分类项目学习总结
图像分类的本质是通过算法学习图像的视觉特征，建立 “图像 - 类别标签” 的映射关系，核心诉求是降低分类误差。任务划分：根据分类粒度选择合适的模型和数据策略（通用分类用基础模型，细粒度 / 实例级分类用深层模型 + 预训练）。指标选择：均衡场景用 Accuracy，注重可靠性用 Precision，注重覆盖度用 Recall，不均衡场景用 F1-Score 或 P-R 曲线。模型设计。
2025-09-26 10:35:12
517
原创 PyTorch 数据处理工具箱与可视化工具学习总结
Dataset是所有自定义数据集的基类，需重写__init__（初始化数据与标签）、（单样本读取与转换）、__len__（返回数据集总长度）三个方法，实现从原始数据到模型可输入格式的转换。python运行# 1. 初始化：加载数据与标签# 模拟2维向量数据集（5个样本，每个样本2个特征）# 对应标签（共3类：0、1、2）# 2. 单样本读取：根据索引返回样本与标签（必须重写）# numpy数组转换为Tensor（模型仅支持Tensor输入）
2025-09-24 14:18:28
266
原创 PyTorch 神经网络工具箱学习总结
优先使用nn.Module：构建包含可学习参数的层（如nn.Linearnn.Conv2d）、需要状态管理的模块（如nn.Dropout），或需通过容器组织的复杂模型。辅助使用：调用无参数的功能性操作（如F.relu），尤其在forward方法中进行简单张量变换时更便捷。对于复杂网络（如 ResNet），需自定义基础模块（如残差块），再组合成完整模型。以下以 ResNet 的核心组件 —— 残差块为例，说明自定义模块的实现方法。根据任务类型选择损失函数，结合优化器实现参数更新：python运行。
2025-09-23 14:52:02
660
原创 PyTorch 神经网络工具箱学习总结
本次学习围绕 PyTorch 神经网络工具箱展开，系统掌握了神经网络的核心构成、模型构建工具、多种建模方法、自定义网络模块以及模型训练流程等关键内容，形成了对 PyTorch 应用的完整认知框架。以下是具体总结：神经网络的正常运行依赖四大核心组件，各组件分工明确、协同工作，共同支撑模型的学习与预测过程：这四大组件形成了 "数据输入→层变换→模型预测→损失计算→参数优化" 的完整闭环，其关系可概括为：层构成模型，模型生成预测值，损失函数衡量预测偏差，优化器依据偏差优化模型参数。PyTorch 提供了和两大核心
2025-09-22 15:41:17
1160
2
原创 卷积神经网络（CNN）学习总结
CNN 通过局部感知、参数共享、分层特征提取LeNet-5 奠定基础框架，验证 CNN 可行性；AlexNet 引入关键技术，引爆深度学习革命；VGG 网络深化模块化设计，探索深度的价值。
2025-09-19 15:58:05
854
原创 多层感知机学习总结
感知机由美国学者 Frank Rosenblatt 于 1957 年提出，是神经网络的基础结构单元。其核心原理是基于输入信号、权重和偏差计算输出，本质是一种线性二分类模型。多层感知机是在单层感知机基础上引入隐藏层的神经网络结构，通过多层非线性变换实现对复杂数据的建模，是最简单的深度神经网络。多层感知机的核心价值：通过引入隐藏层和激活函数，突破单层感知机的线性局限，实现非线性建模；关键组件。
2025-09-18 15:49:42
808
原创 深度学习之线性回归与 Softmax 回归
模型定位：线性回归用于连续值预测，Softmax 回归用于多类分类，后者可视为针对分类任务优化的单层全连接神经网络。优化核心：梯度法是参数优化的基础，通过沿损失函数的负梯度方向更新参数实现误差最小化；小批量随机梯度下降是深度学习的默认优化算法。关键超参数：批量大小和学习率直接影响模型训练效率与收敛效果，需根据任务场景合理调优。损失函数选择：回归任务可选用平方损失、L1 损失等；分类任务优先使用交叉熵损失，配合 Softmax 运算实现概率输出与误差量化。
2025-09-17 16:17:24
1097
原创 深度学习预备知识学习总结
机械化时代（18 世纪末）：以瓦特发明蒸汽机为标志，开启工业设备发展的序幕。电气化时代（19 世纪末）：以爱迪生发明电灯为代表，推动电力在生产生活中的广泛应用。信息化时代（20 世纪 50 年代中期）：依托电子信息技术与自动化技术，实现信息的高效处理与传输。人工智能时代（21 世纪至今）：以智能系统为核心，推动机器模拟、延伸和扩展人类智能的技术发展。人工智能：通过人工方法在计算机上实现的智能，即让机器具备类人智能的技术。人工智能学科。
2025-09-16 18:28:58
496
原创 支持向量机（SVM）学习总结
SVM 的核心任务是在样本空间中找到一个划分超平面，将不同类别的样本完全分离。从数学角度看，超平面是 n 维空间到 n-1 维空间的映射子空间，由 n 维向量w（法向量，决定超平面方向）和实数b（截距，决定超平面位置）定义，其方程为：wTx+b=0二维空间中，超平面是直线（如Ax+By+C=0）；三维空间中，超平面是平面；更高维空间中，超平面虽无法直观可视化，但数学定义一致。SVM 核心逻辑。
2025-08-27 15:19:04
662
原创 朴素贝叶斯三大概率模型学习总结
模型选型逻辑：根据特征类型选择朴素贝叶斯模型是关键 —— 离散计数用多项式、连续值用高斯、二值特征用伯努利，避免 “错配” 导致的性能损失。高斯模型特点：无需手动处理连续特征的分布，实现简单、速度快，但对 “特征独立” 假设敏感（如手写数字中相邻像素存在相关性，会影响模型精度）。评估维度：除准确率外，需通过混淆矩阵、分类报告分析 “类别级” 性能，定位易混淆类别，为优化提供方向。
2025-08-25 18:17:48
682
原创 机器学习之集成算法学习
集成学习（ensemble learning）通过构建并结合多个个体学习器来完成学习任务，核心思想是 “集众家之长”—— 就像多个专家共同判断往往比单个专家更可靠。其关键在于如何生成多样化的个体学习器并设计有效的结合策略。随机森林适合处理高维数据，训练高效且结果稳定，是工业界常用的 “万能模型”；AdaBoost 专注于修正错误样本，适合处理非线性问题，但对噪声较敏感；Stacking 灵活性高，可融合多种模型的优势，但实现较复杂。
2025-08-21 15:44:55
1235
原创 机器学习之K 均值聚类算法
通过本次学习，我掌握了 K 均值算法的基本原理、实现步骤和代码应用，同时理解了其在处理不同数据集时的优势与局限性，为后续更复杂的聚类任务打下了基础。聚类是机器学习中的无监督学习问题，核心是将相似的数据样本分到同一组，难点在于聚类结果的评估和参数调优。
2025-08-21 15:30:19
399
原创 机器学习之数据预处理学习总结
数据预处理的核心目标是提升数据质量，使数据更适合模型输入。数值型数据常需标准化或归一化；分类特征需根据是否有序选择编码方式；缺失值和离群值需针对性处理，避免影响模型学习。掌握的模块和pandas的相关工具，能高效完成预处理流程，为后续模型训练奠定坚实基础。
2025-08-21 09:41:00
948
原创 决策树学习总结
通过本次学习，对决策树的主要算法、特殊情况处理、剪枝策略、代码实现参数及实践应用有了较为全面的认识，为后续进一步深入学习和应用决策树奠定了基础。今天的课堂练习，使用决策树对泰坦尼克号幸存者进行预测。
2025-08-19 15:11:46
582
原创 决策树学习总结
决策树是一种直观且实用的机器学习模型，其核心在于通过熵和信息增益来选择特征和进行切分，从而构建出能有效进行分类或回归的树模型。通过实际案例的练习，可以更好地理解和掌握决策树的构造过程。
2025-08-18 15:54:34
530
原创 机器学习之 KNN 算法学习总结
知识掌握：深入理解了 KNN 算法的原理和实现流程，掌握了欧式距离、曼哈顿距离等距离度量方法，学会了使用交叉验证选择最优 K 值，能够运用 sklearn 库实现基于 KNN 的分类任务。实践能力：通过电影分类和鸢尾花分类案例，提升了将理论知识应用于实际问题的能力，熟悉了数据集加载、划分、模型训练、评估和预测的完整流程。算法特点认知：认识到 KNN 算法是一种 “惰性学习” 算法，不需要预先训练模型，而是在预测时进行计算，其性能受 K 值和距离度量方式影响较大，在实际应用中需合理选择参数。
2025-08-15 14:30:09
1265
原创 机器学习内容总结
机器学习是通过处理特定任务，以大量经验数据为基础，依据一定的评判标准，分析数据并不断优化任务完成效果的过程。其核心逻辑是从经验中归纳规律，再运用规律对新问题进行预测，具体表现为利用历史数据训练模型，使模型能对未知的新数据做出预测。
2025-08-14 15:09:04
1242
原创 数据分析可视化学习总结（美妆2）
在本次数据分析学习中，我围绕商品销售数据展开了一系列分析与可视化操作，通过 Python 的 matplotlib、seaborn 等库实现了数据的筛选、分组统计及图表绘制，深入理解了数据可视化在业务分析中的应用价值。
2025-08-13 17:59:21
962
原创 数据分析学习总结之实例练习（双十一淘宝美妆）
本次通过对双十一淘宝美妆数据的分析实践，我系统掌握了数据处理与分析的完整流程，从数据初步认知到深度挖掘，再到可视化呈现与结论提炼，收获颇丰。
2025-08-12 17:06:48
1152
原创 爬虫与数据分析结合案例学习总结
今天的学习通过爬虫技术获取了中国大学排名数据，展示了从网页请求、数据解析到存储的完整爬虫流程；随后利用 pandas 进行数据预处理，解决了数据缺失问题；最后通过 matplotlib 绘制柱形图和饼图，直观呈现了不同星级学校的数量及占比分布。整个过程体现了爬虫技术在数据获取中的作用，以及数据分析与可视化在数据解读中的价值，为后续基于该数据的深入研究奠定了基础。
2025-08-11 19:19:04
1363
原创 Seaborn 学习总结
今天我学习的Seaborn 是一个建立在 Matplotlib 基础之上的 Python 数据可视化库，它专注于绘制各种统计图形，能让用户更轻松地呈现和理解数据。其设计目标是简化统计数据可视化过程，提供了高级接口和美观的默认主题，使用户通过少量代码就能实现复杂图形的绘制。
2025-08-08 15:47:45
763
原创 Matplotlib 学习总结
今天我学习了Matplotlib ，它是 Python 的绘图库，能轻松将数据图形化，提供多样化输出格式，可绘制静态、动态、交互式图表，如散点图、柱状图等。python运行plt.show()python运行plt.show()
2025-08-07 16:34:33
1284
原创 NumPy 常用函数学习总结（二）
NumPy 提供了一系列用于字符串操作的函数，可对数组中的字符串元素进行处理。，用于计算数组中角度的正弦、余弦、正切值（需先将角度转为弧度）。NumPy 包含多种数学函数，可对数组进行各类数学运算。：向下取整，返回小于或者等于指定表达式的最大整数。：向上取整，返回大于或者等于指定表达式的最小整数。返回输入数组的排序副本，可指定排序轴、排序算法等。用于对数组进行基本的算术运算。返回数组值从小到大的索引值。：返回指定数字的四舍五入值。用于对数组进行统计分析。用于对数组进行排序操作。
2025-08-06 19:22:40
368
原创 NumPy 常用函数学习总结（一）
NumPy 提供了丰富的字符串处理函数，可对字符串或字符串数组进行各种操作。NumPy 提供了丰富的数学运算函数，支持对数组进行批量计算。支持数组间的基本算术运算及特殊运算。：连接两个数组的逐个字符串元素。：返回按元素多重连接后的字符串。用于对数组元素进行统计分析。（需将角度转换为弧度）
2025-08-04 16:33:28
404
原创 NumPy 数组操作学习总结
使用 broadcast_to 函数将数组 a 广播到形状 (4, 4)bb = np.tile(b, (4, 1)) # 重复 b 的各个维度。# 创建一个形状为 (1, 1, 3, 4) 的四维数组。# 创建一个形状为 (2, 3, 4) 的三维数组。# 创建一个形状为 (2, 3, 4) 的三维数组。# 创建一个形状为 (1, 3, 3) 的三维数组。print('调用 ravel 函数之后：')# 创建一个形状为 (1, 4) 的二维数组。# 创建一个形状为 (2, 2) 的二维数组。
2025-08-01 18:28:11
656
原创 NumPy 学习总结
NumPy 是一个开源的 Python 科学计算库，能直接对数组和矩阵进行操作，可省略很多循环语句，其众多数学函数也让编写代码的工作轻松不少。
2025-07-31 17:45:50
1041
原创 BeautifulSoup 数据解析学习总结
BeautifulSoup 是一个用于处理导航、搜索、修改分析树等功能的工具箱，它提供简单、Python 式的函数，能方便地从文档中解析出需要抓取的数据。其具有自动处理编码的特性，会将输入文档转换为 Unicode 编码，输出文档转换为 utf-8 编码，无需开发者额外考虑编码问题。同时，它还为用户灵活地提供不同的解析策略或强劲的速度。若输出 “Hello”，则说明安装成功。解析器使用方法优点劣势Python 标准库Python 的内置标准库、执行速度适中、文档容错能力强。
2025-07-31 11:58:04
648
原创 MySQL 数据库基础学习总结
CREATE：用于创建数据库对象。CREATE DATABASE (IF NOT EXISTS) 库名;，例如。CREATE TABLE (IF NOT EXISTS) 表名(属性名 数据类型 约束);，例如。ALTER：修改数据库对象结构。ALTER TABLE 表名 ADD COLUMN 列名 数据类型;，如。ALTER TABLE 表名 MODIFY COLUMN 列名 数据类型;，如。ALTER TABLE 表名 CHANGE COLUMN 旧列名 新列名 数据类型;，如。
2025-07-28 17:07:09
821
原创 MySQL 数据库基础学习总结
SQL 是用于组织和访问数据库数据的标准语言，1974 年由 Boyce 和 Chamberlin 提出，具有功能丰富、简洁、灵活的特点。数据定义语言（DDL）：用于定义和修改数据库结构，命令有 CREATE、ALTER、DROP、TRUNCATE 等。数据操纵语言（DML）：对数据库数据进行操作，命令包括 INSERT、UPDATE、DELETE、CALL 等。数据查询语言（DQL）：用于检索数据，主要是 SELECT、WHERE 语句。数据控制语言（DCL）
2025-07-24 18:22:19
890
原创 Requests 库与 XPath 学习总结
在今天的习中，我学习了在爬虫应用开发中，Requests 库的高级用法和 XPath 解析是非常重要的技能。Requests 库能帮助我们与网页进行交互，而 XPath 则能精准提取所需信息，两者结合能高效完成数据爬取任务。
2025-07-24 09:25:59
855
原创 爬虫应用开发之静态网页爬取模块数据存储
网络爬虫在爬取数据时可能引发性能骚扰（增加服务器资源开销）、法律风险（数据产权问题）和隐私泄露（突破访问控制）等问题，因此需遵循 Robots 协议规范行为。爬取数据后需存储，主要学习了 TXT、CSV 文件存储及相关库的使用。
2025-07-22 16:56:58
792
原创 HTML学习和VSCoed下载
输入元素：包括文本域（text）、密码域（password）、单选按钮（radio）、复选框（checkbox）等，通过 <input> 标记实现，不同 type 对应不同功能；下载完成后，会得到一个.exe后缀的安装程序文件。- 基本结构：由 <html> （文件开始）、 <head> （头部，含标题等）、 <title> （标题内容）、 <body> （主体内容）构成。- 图片： <img> ，属性包括路径（src）、提示文字（title）、替代文本（alt）、宽高（width/height）等。
2025-07-18 16:55:59
468
原创 Requests库实现模拟登录
定义登录逻辑，向豆瓣移动端登录接口（ url ）发送POST请求，提交用户名（ name ）、密码（ password ）等参数（ parm ）。- 定义 headers （请求头），包含浏览器标识（ User-Agent ）和Cookie信息，模拟真实浏览器的请求环境，避免被网站识别为爬虫。- 使用 requests.session() 创建会话（ s ），自动保存登录状态（如Cookie），后续请求可复用该会话，保持登录状态。- 程序运行的起点，先调用 login() 函数执行登录，获取会话对象。
2025-07-18 16:26:02
391
原创 Requests库学习小结
练了表情包爬取和手机号查询案例，思路都是先找URL，再发请求，最后处理返回内容。感觉自己已经能上手简单的爬虫任务了，下次试试爬点更有意思的东西～status_code 看状态（200是成功）， text 拿内容， encoding 和 apparent_encoding 解决乱码问题。2.请求方法：GET（查数据）和POST（提交数据）最常用，用哪种得看网站要求，F12开发者工具能帮我们确认。今天学了Requests库，感觉打开了爬虫新世界的大门！1.通用代码框架必须掌握，加了异常处理才不容易翻车。
2025-07-17 17:53:37
227
原创 学习网络爬虫
这个代码中， requests.get 用于发起请求， raise_for_status 检查请求状态，apparent_encoding 处理编码， try - except 进行异常处理 ，从而实现了一个简单的静态网页爬取功能。1.HTTP基本原理：包含URI和URL（URL是资源地址）、超文本、HTTP和HTTPS（HTTPS更安全）、请求过程、请求方式（如GET、POST ）、响应（含状态码等）。3.增量式网络爬虫：对已下载网页增量更新，含爬行、排序等模块，使用统一更新法等策略更新页面。
2025-07-17 12:07:51
288
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