<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[2301_77064095的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/2301_77064095</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; 2301_77064095]]></copyright><item><title><![CDATA[初识OpenCV——Dlib CNN人脸检测]]></title><link>https://blog.csdn.net/2301_77064095/article/details/166140657</link><guid>https://blog.csdn.net/2301_77064095/article/details/166140657</guid><author>2301_77064095</author><pubDate>Sun, 20 Sep 2026 21:06:23 +0800</pubDate><description><![CDATA[本文详解Dlib中基于MMOD的CNN人脸检测器，对比HOG检测器在准确率、侧脸/遮挡处理及小脸检测上的优势。通过代码示例展示模型加载、人脸检测、框绘制与置信度过滤等核心操作，并结合实战案例说明其在静态图像、视频实时检测及关键点定位中的应用。强调了CNN检测器在精度上的提升，同时指出其对计算资源的需求，提出根据场景（如CPU/GPU、实时性/精度）合理选择检测器的建议。]]></description><category></category></item><item><title><![CDATA[初识OpenCV——性别与年龄识别]]></title><link>https://blog.csdn.net/2301_77064095/article/details/166140487</link><guid>https://blog.csdn.net/2301_77064095/article/details/166140487</guid><author>2301_77064095</author><pubDate>Sun, 20 Sep 2026 20:49:05 +0800</pubDate><description><![CDATA[本文基于OpenCV DNN模块，利用三个预训练Caffe模型实现人脸性别与年龄的实时识别。通过人脸检测定位目标，裁剪并预处理图像后，分别调用年龄和性别分类模型进行预测，最终以中文标注结果显示结果。]]></description><category></category></item><item><title><![CDATA[初识OpenCV——疲劳检测]]></title><link>https://blog.csdn.net/2301_77064095/article/details/166140140</link><guid>https://blog.csdn.net/2301_77064095/article/details/166140140</guid><author>2301_77064095</author><pubDate>Sun, 20 Sep 2026 20:38:02 +0800</pubDate><description><![CDATA[本文基于Dlib人脸关键点技术，提出一种基于眼睛纵横比（EAR）的实时疲劳检测系统。通过计算左右眼关键点的垂直与水平距离比值，结合持续闭眼帧数判断疲劳状态。系统采用0.3为EAR阈值、50帧为计数阈值，有效区分眨眼与疲劳，并利用PIL库实现中文预警标注。代码完整可运行，适用于驾驶员监控等场景，具有良好的实用性和可扩展性。]]></description><category></category></item><item><title><![CDATA[初识自然语言处理——从CBOW词嵌入到单词预测]]></title><link>https://blog.csdn.net/2301_77064095/article/details/165755633</link><guid>https://blog.csdn.net/2301_77064095/article/details/165755633</guid><author>2301_77064095</author><pubDate>Thu, 17 Sep 2026 19:23:42 +0800</pubDate><description><![CDATA[本文基于PyTorch从零实现CBOW词嵌入模型，通过上下文预测中心词，学习词语语义表示。利用NumPy保存词向量至.npz文件，完成单词预测系统实战，展示了词嵌入在自然语言处理中的核心作用。]]></description><category></category></item><item><title><![CDATA[初识深度学习——迁移学习]]></title><link>https://blog.csdn.net/2301_77064095/article/details/165489052</link><guid>https://blog.csdn.net/2301_77064095/article/details/165489052</guid><author>2301_77064095</author><pubDate>Tue, 15 Sep 2026 19:34:19 +0800</pubDate><description><![CDATA[本文基于PyTorch，使用预训练ResNet18模型实现食物分类任务，通过迁移学习技术显著提升小数据集下的分类性能。核心步骤包括：加载ImageNet预训练权重、冻结卷积层参数、替换全连接层为20类输出，并仅训练新层。结合数据增强与学习率调度，实现高效训练。该方法在参数量少、数据有限的情况下仍可获得高准确率，充分体现了迁移学习在图像分类中的优势。]]></description><category></category></item><item><title><![CDATA[初识深度学习——学习率调度与权重衰减]]></title><link>https://blog.csdn.net/2301_77064095/article/details/165488899</link><guid>https://blog.csdn.net/2301_77064095/article/details/165488899</guid><author>2301_77064095</author><pubDate>Tue, 15 Sep 2026 19:27:48 +0800</pubDate><description><![CDATA[本文系统讲解了深度学习中学习率调度与权重衰减的核心技术。针对固定学习率导致训练后期停滞的问题，介绍了StepLR（周期衰减）和ReduceLROnPlateau（自适应调整）两种调度策略，实现训练初期快速下降、后期精细收敛。同时阐述了权重衰减（L2正则化）防止过拟合的原理与实现方法。通过完整代码演示，结合学习曲线可视化，对比分析不同策略的收敛速度、精度与稳定性，强调合理设置学习率调度与权重衰减对模型性能提升的关键作用。]]></description><category></category></item><item><title><![CDATA[初识深度学习——模型加载与推理]]></title><link>https://blog.csdn.net/2301_77064095/article/details/165357001</link><guid>https://blog.csdn.net/2301_77064095/article/details/165357001</guid><author>2301_77064095</author><pubDate>Mon, 14 Sep 2026 20:35:15 +0800</pubDate><description><![CDATA[本文系统讲解了如何加载训练好的PyTorch模型进行推理。]]></description><category></category></item><item><title><![CDATA[初识OpenCV——Dlib人脸检测、关键点定位与表情识别]]></title><link>https://blog.csdn.net/2301_77064095/article/details/165353006</link><guid>https://blog.csdn.net/2301_77064095/article/details/165353006</guid><author>2301_77064095</author><pubDate>Mon, 14 Sep 2026 20:04:42 +0800</pubDate><description><![CDATA[本文系统介绍Dlib在人脸分析中的应用，基于HOG+SVM的高效人脸检测，实现68个关键点精准定位，并结合几何特征（MAR、MJR、YAR）进行实时表情识别（如大笑、微笑、哭泣、愤怒）。通过对比OpenCV Haar级联，凸显Dlib在准确率与鲁棒性上的优势。代码示例涵盖静态图像、视频流处理及中文输出，构建完整实时表情识别系统，为计算机视觉中的人脸分析提供实用解决方案。]]></description><category></category></item><item><title><![CDATA[初识深度学习——数据增强与模型保存]]></title><link>https://blog.csdn.net/2301_77064095/article/details/165242466</link><guid>https://blog.csdn.net/2301_77064095/article/details/165242466</guid><author>2301_77064095</author><pubDate>Sun, 13 Sep 2026 20:38:49 +0800</pubDate><description><![CDATA[本文系统讲解数据增强与模型保存两大核心知识点。通过随机旋转、翻转、颜色抖动等增强策略提升模型泛化能力，区分训练集与验证集的变换原则；采用ImageNet标准化参数加速收敛；利用best_acc机制仅保存最优模型，并对比state_dict（轻量灵活）与TorchScript（完整可部署）两种保存方式，确保训练成果持久可用，助力模型高效落地。]]></description><category></category></item><item><title><![CDATA[初识深度学习——DataLoader]]></title><link>https://blog.csdn.net/2301_77064095/article/details/165242387</link><guid>https://blog.csdn.net/2301_77064095/article/details/165242387</guid><author>2301_77064095</author><pubDate>Sun, 13 Sep 2026 20:25:46 +0800</pubDate><description><![CDATA[本文详解了如何从零构建自定义数据集实现食物分类。通过遍历文件夹生成索引文件，利用PyTorch的Dataset类与__getitem__、__len__魔术方法读取图片与标签，结合DataLoader实现批量加载与打乱，使用transforms.Compose进行图像预处理，并设计CNN模型完成分类任务。流程涵盖数据准备、数据集封装、预处理、模型训练与评估，完整展示了深度学习项目中自定义数据集的核心实践。]]></description><category></category></item><item><title><![CDATA[初识深度学习——CNN]]></title><link>https://blog.csdn.net/2301_77064095/article/details/165242068</link><guid>https://blog.csdn.net/2301_77064095/article/details/165242068</guid><author>2301_77064095</author><pubDate>Sun, 13 Sep 2026 20:18:21 +0800</pubDate><description><![CDATA[本文基于PyTorch从零构建卷积神经网络（CNN）实现MNIST手写数字识别，系统讲解了卷积、池化、权值共享、ReLU激活等核心概念。通过对比全连接网络，阐明CNN在参数量控制、空间信息保留和特征提取方面的优势。]]></description><category></category></item><item><title><![CDATA[初识深度学习]]></title><link>https://blog.csdn.net/2301_77064095/article/details/165006123</link><guid>https://blog.csdn.net/2301_77064095/article/details/165006123</guid><author>2301_77064095</author><pubDate>Fri, 11 Sep 2026 20:13:25 +0800</pubDate><description><![CDATA[本文基于PyTorch框架，从零构建一个手写数字识别神经网络。通过MNIST数据集，系统介绍了张量、DataLoader、神经网络结构、损失函数（交叉熵）、优化器（Adam）及训练测试流程，完整实现了端到端的深度学习项目，涵盖设备选择、自动求导、前向传播与反向传播等核心概念，帮助读者掌握深度学习基础实战技能。]]></description><category></category></item><item><title><![CDATA[初识OpenCV——人脸检测与识别实战]]></title><link>https://blog.csdn.net/2301_77064095/article/details/165005989</link><guid>https://blog.csdn.net/2301_77064095/article/details/165005989</guid><author>2301_77064095</author><pubDate>Fri, 11 Sep 2026 19:53:32 +0800</pubDate><description><![CDATA[本文系统介绍OpenCV中人脸检测与识别技术，涵盖Haar级联分类器实现静态图像与视频实时人脸及微笑检测，并对比LBPH、EigenFaces、FisherFace三种识别算法。通过6个完整代码示例，演示从图像处理到实时系统构建的全流程，重点讲解参数调优、小样本适应与中文标注技巧，帮助读者掌握人脸识别核心技术。]]></description><category></category></item><item><title><![CDATA[初识python数据可视化]]></title><link>https://blog.csdn.net/2301_77064095/article/details/164747125</link><guid>https://blog.csdn.net/2301_77064095/article/details/164747125</guid><author>2301_77064095</author><pubDate>Wed, 09 Sep 2026 16:09:14 +0800</pubDate><description><![CDATA[本文基于懂车帝二手车数据，运用Matplotlib、Seaborn与Pyecharts三大可视化库，从品牌、价格、城市等维度开展多角度分析。通过柱状图、饼图、热力图、雷达图等十余种图表形式，直观呈现热门品牌分布、价格区间特征、品牌溢价差异及区域市场格局。结合代码实现与场景对比，为数据可视化选型提供实践指导，助力将复杂数据转化为可读性强的洞察报告。]]></description><category></category></item><item><title><![CDATA[初识Pandas（下）]]></title><link>https://blog.csdn.net/2301_77064095/article/details/164746894</link><guid>https://blog.csdn.net/2301_77064095/article/details/164746894</guid><author>2301_77064095</author><pubDate>Wed, 09 Sep 2026 15:53:36 +0800</pubDate><description><![CDATA[本文深入探讨Pandas高级功能在二手车数据分析中的应用，涵盖窗口函数（滚动、扩张、指数加权）、索引切片、多级索引、分组聚合、变换与过滤等核心操作。通过实战案例，实现品牌综合分析、城市对比、车龄与公里数相关性评估，并构建性价比得分模型，筛选出价格低、车龄新、里程少的优质车型，全面展示Pandas在复杂数据处理与决策支持中的强大能力。]]></description><category></category></item><item><title><![CDATA[初识Pandas（上）]]></title><link>https://blog.csdn.net/2301_77064095/article/details/164746712</link><guid>https://blog.csdn.net/2301_77064095/article/details/164746712</guid><author>2301_77064095</author><pubDate>Wed, 09 Sep 2026 15:48:13 +0800</pubDate><description><![CDATA[本文以懂车帝二手车数据为例，系统讲解Pandas在数据分析中的核心应用。从环境准备与数据读取入手，通过pd.read_csv()加载数据，掌握DataFrame与Series的基本操作；重点演示数据清洗流程，包括价格、公里数、年份等字段的规范化处理；结合apply()函数实现自定义计算，如折旧率、车龄与价格分类；并运用统计函数、分组聚合、排序与去重等技巧完成数据探索与预处理。全文涵盖数据科学实战中80%的核心环节，助力读者高效“让数据开口说话”。]]></description><category></category></item><item><title><![CDATA[初识python爬虫（下）]]></title><link>https://blog.csdn.net/2301_77064095/article/details/164745558</link><guid>https://blog.csdn.net/2301_77064095/article/details/164745558</guid><author>2301_77064095</author><pubDate>Wed, 09 Sep 2026 15:30:24 +0800</pubDate><description><![CDATA[Requests是一个用Python编写的HTTP客户端库，基于urllib但API更简洁，被称为“让HTTP服务人类”。核心特点API简洁直观（自动重定向、连接管理、Cookie持久化）支持HTTP连接保持和连接池支持SSL证书验证、Session、流式下载内置JSON解码器，自动处理压缩响应安装与版本查看是一种在XML/HTML文档中查找和选择节点的查询语言。对比项正则表达式XPath学习曲线陡峭平缓中等执行速度最快慢快可读性差好好复杂查询难中易。]]></description><category></category></item><item><title><![CDATA[初识python爬虫（上）]]></title><link>https://blog.csdn.net/2301_77064095/article/details/164745089</link><guid>https://blog.csdn.net/2301_77064095/article/details/164745089</guid><author>2301_77064095</author><pubDate>Wed, 09 Sep 2026 15:18:06 +0800</pubDate><description><![CDATA[本文系统阐述互联网爬虫的核心原理与应用，涵盖五大模块（URL管理、HTTP请求、内容解析、数据存储、任务调度）及三大本质任务（爬取、解析、反爬）。介绍爬虫分类（通用/聚焦/增量/深度等）与实现方式（HTTP库、浏览器模拟、框架），剖析反爬手段（UA检测、IP封禁、行为识别）及应对策略。应用场景包括搜索引擎、电商监控、舆情分析、金融数据等，揭示爬虫与反爬的持续博弈，助力构建高效合规的数据采集体系。]]></description><category></category></item><item><title><![CDATA[初识Python面向对象]]></title><link>https://blog.csdn.net/2301_77064095/article/details/164496954</link><guid>https://blog.csdn.net/2301_77064095/article/details/164496954</guid><author>2301_77064095</author><pubDate>Mon, 07 Sep 2026 20:26:15 +0800</pubDate><description><![CDATA[文系统讲解Python面向对象编程，涵盖类与对象、构造方法、魔法方法、封装、继承、多态及类型注解等核心知识，并通过学生信息录入系统实战演示。强调OOP使程序更结构化、易维护和易扩展，适合初学者从零掌握。]]></description><category></category></item><item><title><![CDATA[初识Python异常处理、模块与包]]></title><link>https://blog.csdn.net/2301_77064095/article/details/164495379</link><guid>https://blog.csdn.net/2301_77064095/article/details/164495379</guid><author>2301_77064095</author><pubDate>Mon, 07 Sep 2026 20:11:56 +0800</pubDate><description><![CDATA[本文系统讲解了Python三大进阶技能：异常处理（try-except-else-finally、异常传递）、模块导入（五种方式、自定义、name、all）及包管理（组织结构、导入、第三方包安装），并通过综合实战展示如何编写健壮程序，帮助提升代码可靠性与可维护性。]]></description><category></category></item></channel></rss>