- 博客(60)
- 收藏
- 关注
RSS订阅原创 ns-3 中一个最核心、最基本的概念——分组
基本单元Packet是 ns-3 中数据通信的基本单元。核心机制：理解标签和字节的区别是关键。标签用于内部模拟（高效），字节用于真实交互和协议操作（必要）。生命周期：分组由Create<>()创建，并通过智能指针进行传递。当没有任何指针引用它时，它会自动被销毁。实践建议初学时，多使用Print()方法来观察你的分组，看看添加头部后它变成了什么样子。记住：在添加协议头之前，一定要先设置好所有字段（特别是载荷长度），然后再计算校验和（如果协议需要）。
2025-09-20 16:23:56
602
原创 新手的 NS3 Tutorial 极简指南--自学笔记1
这是个稍难的概念，但你可以简单理解：NS3 帮你自动管理内存。就像你拼完乐高，有个机器人助手帮你把不用的积木收回盒子里，防止家里（内存）堆得到处都是导致绊倒（内存泄漏）。（跟踪系统）来收集数据（比如每个数据包发送/接收的时间），并输出到文件，然后用其他工具（如 Python matplotlib, gnuplot）画成图表。拼一个复杂模型很麻烦，Helper 就像那种预拼好的小部件（比如一扇门、一个车轮），帮你快速搞定重复劳动。：它是你的“Hello, World”，彻底吃透它，理解每一行代码的作用。
2025-09-16 07:00:00
886
原创 python打卡 DAY 58 经典时序预测模型2
系数显著性：P>|z|应<0.05信息准则：AIC/BIC越小越好残差诊断Ljung-Box检验（p>0.05）Jarque-Bera检验（残差正态性）系数值范围AR系数应位于(-1,1)保证平稳MA系数应位于(-1,1)保证可逆。
2025-09-15 17:52:54
760
原创 python打卡 DAY 57 经典时序预测模型1
优先选择简单模型（如AR而非ARMA）：通过计算相邻观测值的差值使序列平稳。无需特殊处理，正是AR模型建模的基础。参数应统计显著（p<0.05）当前值仅与历史p个值线性相关。差分后方差反而增大说明过差分。通过PACF图识别AR阶数。可通过ADF统计量变化判断。复杂季节模式需用更高级模型。当前值受近期随机冲击影响。纯季节性考虑SARIMA。ACF和PACF都拖尾。：消除固定周期的波动。PACF在p阶后截尾。结合AR和MA的特性。
2025-07-10 07:00:00
1255
原创 python打卡 DAY56 时序数据的检验
定义：均值为0、方差恒定、无自相关的完全随机序列数学表达：$X_t \sim WN(0,\sigma^2)$，且$Cov(X_t,X_{t+k})=0$（当$k \neq 0$）平稳类型要求条件严格平稳任意时间段的联合概率分布不变弱平稳均值恒定、方差恒定、自协方差只与时间间隔有关（通常检验这种）平稳性检验（ADF检验）不平稳 → 差分/变换 → 重新检验白噪声检验是白噪声 → 无建模价值季节性检测（ACF/分解）存在季节性 → 引入季节差分或季节因子ARIMA定阶（ACF/PACF）
2025-07-09 07:45:00
910
原创 Python打卡 DAY 54 Inception网络及其思考
方法操作方式特点典型应用逐元素相加保持维度，信息融合ResNet残差连接逐元素相乘注意力式交互SE模块通道拼接增加通道维度Inception模块加权融合可学习权重BiFPN。
2025-07-07 07:30:00
1256
原创 python打卡 DAY 53 对抗生成网络
通常设为0.0002（Adam优化器的经典值）：使用梯度惩罚(GP)或谱归一化(SN)：判别器通常比生成器多训练1次。：添加多样性损失或改用WGAN。生成器损失：欺骗判别器的能力。：不宜过大，64-256之间。：尝试更深的网络或调整学习率。判别器损失：辨别真假的能力。：区分真实样本和生成样本。：两者相互博弈、共同提升。：试图生成逼真的假样本。：减少判别器更新频率。
2025-07-06 07:15:00
890
原创 python打卡 DAY 52 神经网络调参指南
不同层差异化设置（backbone小，分类头大）Dropout率：0.2-0.5（输入层可更高）一般设为2的幂次方（32, 64, 128等）添加Batch Normalization。添加适当的正则化(Dropout/L2)：使用学习率探测(LR Finder)控制参数初始化和数据顺序的随机性。太大可能影响泛化，太小训练不稳定。权重衰减：1e-4到1e-2。：在显存允许范围内尽可能大。：Dropout和权重衰减。：选择适合任务的网络骨架。设置随机种子保证可复现性。使用合适的参数初始化方法。
2025-07-05 07:15:00
1482
原创 Python打卡 DAY 51 复习实践：提升自定义数据集CNN模型性能
使用TensorBoard/PyTorch Lightning记录实验。可视化注意力热图分析CBAM效果。：使用ResNet等作为基础。增加/减少数据增强强度。调整Dropout比率。调整CBAM插入位置。
2025-07-04 07:15:00
725
原创 python打卡 DAY 50 预训练模型+CBAM模块
架构设计：CBAM应插入残差块之后或网络关键位置训练策略：采用分阶段、差异化学习率微调性能平衡：保持预训练特征的同时有效集成CBAM实践建议：从小学习率开始，逐步解冻网络层@浙大疏锦行。
2025-07-03 07:15:00
1261
原创 python打卡 DAY 49 CBAM注意力
通道注意力和空间注意力的串联组合执行顺序：通道注意力 → 空间注意力可插入到任何CNN架构中CBAM通过顺序应用通道注意力和空间注意力，实现了对特征图在通道和空间两个维度的自适应调整，是一种高效且通用的注意力机制模块，能够显著提升CNN模型在各种视觉任务中的表现。@浙大疏锦行。
2025-07-02 07:15:00
1149
原创 python打卡 DAY 48 随机函数与广播机制
随机张量生成是模型初始化和数据增强的基础广播机制使得张量运算更加灵活高效理解广播规则可以避免维度不匹配的错误@浙大疏锦行。
2025-07-01 07:00:00
420
原创 python打卡 DAY 47 注意力热图可视化
注意力热图(Attention Heatmap)是一种可视化技术，用于展示神经网络(特别是注意力机制)在处理输入数据时对不同部分的关注程度。注意力热图是理解深度学习模型内部工作机制的重要工具，特别是在基于注意力机制的模型中，它能直观展示模型关注的重点区域，有助于模型调试和解释。@浙大疏锦行。
2025-06-30 07:15:00
1013
原创 python打卡 DAY 45 Tensorboard使用介绍
└── hparams/ # 超参数搜索。# 将TensorBoard服务共享给团队。TensorBoard 服务监听日志目录。├── exp1/ # 实验1。├── exp2/ # 实验2。训练程序生成日志文件（非必要不记录高频率数据。浏览器访问可视化面板。对大型张量使用降采样。
2025-06-28 09:38:42
1064
原创 python打卡 DAY 44 预训练模型
核心优势迁移学习：将通用特征知识迁移到新任务数据效率：减少对标注数据量的需求性能提升：通常优于从零训练的模型# 匹配预训练模型的预处理preprocess = weights.transforms() # 自动获取正确的预处理# 应用到数据集。
2025-06-27 07:00:00
1419
原创 Python打卡 DAY 43 复习日 CNN训练与Grad-CAM可视化（模块化实现）
x = self.features(x) # 提取特征图。
2025-06-26 07:30:00
692
原创 python打卡 DAY 42 Grad-CAM与Hook函数
靠近分类层的3x3卷积效果最佳。：扩展支持batch维度计算。：结合不同深度的特征图。
2025-06-25 07:15:00
1130
原创 python打卡 DAY 41 简单CNN
目录一、数据增强技术1. 图像增强标准流程彩色图像增强方案2. 增强效果可视化二、卷积神经网络规范实现1. CNN标准结构定义2. 特征图可视化方法三、Batch Normalization详解1. BN层工作原理2. BN实现规范3. BN效果验证实验四、学习率调度器应用1. 常用调度器对比2. 调度器集成示例3. 自定义调度策略五、关键概念辨析1. 特征图(Feature Map)特性2. 网络组件关系图六、综合训练模板完整训练流程关键问题排查指南1. BN层常见问题2. 学习率调试技巧2. 增强
2025-06-24 07:30:00
1098
原创 python打卡 DAY 40 训练和测试的规范写法
确保训练和测试时使用相同的通道顺序(RGB或BGR)：通常0.2-0.5之间，深层网络可适当增加。：在数据加载时而非模型内部进行灰度化。：使用相同的均值和标准差进行归一化。：适合卷积层，按通道丢弃。：验证/测试前务必调用。：适合SELU激活函数。：通常在激活函数之后。
2025-06-23 10:06:23
1216
原创 python打卡 DAY 39 图像数据与显存
self.fc1 = nn.Linear(16*14*14, num_classes) # 假设输入28x28x = x.view(-1, 16*14*14) # 展平return x。
2025-06-22 07:45:00
3128
原创 python打卡 DAY 38 Dataset和Dataloader类
return {# 使用示例print(len(dataset)) # 调用__len__sample = dataset[0] # 调用__getitem__# 处理不等长序列等特殊情况import oslabel))@浙大疏锦行。
2025-06-21 07:45:00
1605
原创 python打卡 DAY36 复习日
对之前的信贷项目，利用神经网络训练下，尝试用到目前的知识点让代码更加规范和美观。仔细回顾一下神经网络到目前的内容，没跟上进度的同学补一下进度。：尝试进入nn.Module中，查看他的方法。探索性作业（随意完成）
2025-06-19 11:28:14
400
原创 python打卡 DAY 33 MLP神经网络的训练
self.conv1 = nn.Conv2d(1, 32, 3, 1) # 输入通道, 输出通道, 核大小, 步长self.fc1 = nn.Linear(9216, 128) # 全连接层self.fc2 = nn.Linear(128, 10) # 输出层(10类)# 实例化模型并转移到GPU。
2025-06-16 10:41:59
1600
原创 python打卡 DAY 32 官方文档的阅读
图形元素（Figure/Axis/Line2D）# 生成requirements文件。：渲染引擎（Agg/GTK等）：pyplot快捷接口。
2025-06-15 10:49:51
1018
原创 python打卡 DAY 31 文件的规范拆分和写法
│ └── processed/features.parquet # 处理后的特征。│ ├── processed/ # 处理后的数据。├── models/ # 训练好的模型。│ ├── features/ # 特征工程。│ ├── models/ # 模型定义。├── src/ # 源代码。├── docs/ # 文档。
2025-06-14 07:45:00
1122
原创 python打卡 DAY 30 模块和库的导入
project/# main.pyfrom utils import helper_function # 直接导入同级模块# 开发模式安装（可编辑）
2025-06-13 07:15:00
1276
原创 python打卡 DAY 29 复习日：类的装饰器
"""类方法内部定义"""return f"调用类 {cls.__name__}""""静态方法内部定义"""return "独立于类和实例"pass# 外部定义类方法return f"外部添加的类方法: {cls.__name__}"# 外部定义静态方法return "外部添加的静态方法"特性内部定义外部定义可读性高低维护性好差动态性固定灵活使用场景常规开发元编程/框架开发。
2025-06-12 07:00:00
2540
原创 python打卡 DAY 28 类的定义和方法
"""类文档字符串"""class_attribute = "类属性" # 所有实例共享self.instance_attribute = param # 实例属性return f"实例方法访问: {self.instance_attribute}"
2025-06-11 09:17:11
1082
原创 python打卡 DAY 27 函数专题2：装饰器
接收函数作为参数或返回函数的函数。：@decorator 等价于。多个装饰器组合时顺序是否正确？是否需要支持带参数的装饰器？返回值是否与原函数一致？：保持装饰器内部状态。
2025-06-10 07:30:00
1163
原创 python打卡 DAY 26 函数专题1：函数定义与参数
"""文档字符串 (docstring)"""# 函数体return value # 可选"""计算圆的面积Args:radius: 半径(必须参数)pi: 圆周率(默认参数)Returns:圆面积计算结果"""
2025-06-09 07:00:00
1126
原创 python打卡 DAY 25 异常处理
"""深度学习训练专用异常"""# 使用示例raise ModelTrainingError("梯度爆炸", epoch=10)
2025-06-08 07:00:00
2507
原创 Python打卡 DAY 23 pipeline管道
编码(OneHot, Ordinal, Target等): 识别不同类型的特征(数值型、类别型、文本等)便于超参数调优(可以一次调整所有步骤的参数)为每个特征类型创建单独的子Pipeline。数值特征和类别特征通常需要不同的处理方式。确保测试数据不参与任何预处理步骤的拟合。可以轻松更换最后的估计器(分类/回归)用于对数据框的不同列应用不同的转换。: 选择最有价值的特征(可选步骤)最后一个步骤通常是估计器(模型)可以并行处理数值型和类别型特征。提取特征(年、月、日、星期等)用于数据预处理和特征工程的类。
2025-06-06 07:00:00
1468
原创 python打卡 day22 泰坦尼克号 - kaggle机器学习比赛项目
【代码】python打卡 day22 泰坦尼克号 - kaggle机器学习比赛项目。
2025-06-05 07:00:00
549
原创 Python打卡 DAY 21 常见的降维算法
要求n_features > n_classes。附：各算法在Scikit-learn中的关键参数。尝试用t-SNE输出作为模型输入特征。：比t-SNE更快且更好保持全局结构。：最大化类间距离，最小化类内距离。X = UΣVᵀ （奇异值分解）仅适合可视化（不适合特征预处理）：特别适合单细胞RNA序列数据。：深度学习方法处理复杂非线性。稀疏PCA（增强可解释性）S_b = 类间散度矩阵。S_w = 类内散度矩阵。：寻找方差最大的正交方向。增量PCA（大数据集）核PCA（非线性扩展）对非高斯分布数据效果差。
2025-06-04 07:00:00
1019
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