Aurora-Borealis.-CSDN博客

原创 Day45 Grad-CAM 与 Hook 函数

3.hook 函数的模块钩子和张量钩子。4.Grad-CAM 的示例。2.lambda 函数。

2026-01-29 00:10:59 27

原创 Day42 图像数据与显存

4.batchsize 和训练的关系。1.图像数据的格式：灰度和彩色数据。3.显存占用的 4 种地方。a. 模型参数+梯度参数。d. 神经元输出中间状态。c. 数据批量所占显存。

2026-01-24 00:15:43 46

原创 Day41 Dataset和Dataloader

作业：了解 CIFAR 数据集，获取数据集中的一张图片。

2026-01-23 01:38:13 32

原创 Day40 早停策略和模型权重的保存

作业：对信贷数据集进行训练后保持权重，后继续训练50次，采取早停策略。

2026-01-22 00:00:51 67

原创 Day 39 模型可视化与推理

1．三种不同的模型可视化方法：推荐torchinfo打印summary+权重分布可视化。2.进度条功能：手动和自动写法，让打印结果更加美观。3.推理的写法：评估模式。

2026-01-19 22:25:11 27

作业：每次 GPU 等待 CPU 存数据的时间不固定，系统动态开销（如 CPU 负载、显存碎片）干扰明显，且深度学习框架会合并同步操作，使实际等待次数少于记录次数，总开销并非简单的次数 × 固定时间。4.类的call方法:为什么定义前向传播时可以直接写作self.fc1(x)3.GPU训练的方法:数据和模型移动到GPUdevice上。1.CPU性能的查看:看架构代际、核心数、线程数。2.GPU性能的查看:看显存、看级别、看架构代际。

2026-01-18 23:04:26 56

原创 Day37 MLP神经网络的训练

2．查看显卡信息的命令行命令（cmd 中使用)a．数据预处理 (归一化、转换成张量)i．继承nn.Module类。1．PyTorch和cuda的安装。c.定义损失函数和优化器。e．可视化loss 过程。ii.定义前向传播流程。4.简单神经网络的流程。作业：能够手敲今日代码。3．cuda 的检查。

2026-01-17 20:35:43 42

原创 Day36 官方文档的阅读

@浙大疏锦行

2026-01-16 22:48:25 31

原创 Day 35 文件的规范拆分和写法

【代码】Day 35 文件的规范拆分和写法。

2026-01-16 00:45:03 39

原创 Day 34 模块和库的导入

3.导入的核心逻辑：找到根目录。2.导入自定义库/模块的方式。1.导入官方库的三种手段。

2026-01-14 23:49:30 48

原创 Day33 复习日

2.装饰器思想的进一步理解。

2026-01-11 19:55:07 213

原创 Day32 类的定义和方法

题目 2: 定义长方形 (Rectangle) 类。题目 1: 定义圆 (Circle) 类。题目 3: 图形工厂。

2026-01-10 22:39:21 162

原创 Day31 函数专题2

作业：编写一个装饰器logger，在函数执行前后打印日志信息。

2026-01-09 23:45:32 209

原创 Day30 函数专题1

【代码】Day30 函数专题1。

2026-01-08 20:05:56 617

原创 Day 29 异常处理

4.try-except-else-finally机制。2.debug过程中的各类报错。3.try-except机制。

2026-01-07 22:45:13 192

原创 Day28 元组和OS模块

【代码】Day28 元组和OS模块。

2026-01-05 15:37:33 174

原创 Day27 机器学习流水线

作业：尝试制作出机器学习通用的pipeline。

2026-01-04 23:10:18 162

原创 Day26 复习日

仅可使用官方提供的数据集，在平台内完成数据预处理且不得修改数据集结构，提交文件需为仅含指定列的 CSV 格式，遵守每日提交次数限制；代码需使用平台支持的库、包含完整可复现流程且为原创，禁止抄袭或依赖外部缓存、已训练模型权重，个人参赛不可与他人协作共享代码或结果，同时需确保提交文件大小符合限制，模型训练目标需与竞赛评估指标一致。

2026-01-03 23:59:15 144

原创 Day 25 常见的降维算法

特征降维：主成分分析：t-SNE：线性判别与分析：个人认为。

2026-01-02 23:58:00 119

原创 Day 24 奇异值分解

从结果来看，本次基于心脏病数据集的 SVD 降维与模型训练效果表现优异：先是将 13 维的原始医学特征压缩至 7 维，在实现约 46% 维度压缩的同时保留了 73.53% 的核心数据信息，对应的重构相对误差（约 51.45%）处于合理范围，降维兼顾了效率与信息完整性；而基于降维特征训练的逻辑回归模型，在测试集上达到了 88.52% 的准确率，这一成绩在心脏病预测任务中属于优秀水平，说明降维后的特征仍有效保留了区分健康 / 患病状态的关键信息，整体实现了 “维度简化” 与 “模型性能” 的良好平衡。

2025-12-29 23:27:09 249

原创 Day 23 常见的特征筛选算法

作业：对心脏病数据进行特征筛选，对比精度。

2025-12-25 17:46:38 184

原创 Day22 推断聚类后簇的类型

三个簇的划分，本质是基于 “年龄 + 胸痛类型 + 心血管风险指标” 的组合差异，对应了心脏病风险从低到高的三类群体。定义：处于中年向老年过渡阶段，无典型胸痛症状，血压、胆固醇等风险指标处于中间区间，心脏病风险介于簇 0 与簇 1 之间。定义：以中年群体为主，胸痛表现不固定，但血压、胆固醇等心血管风险指标均处于较低区间，是心脏病风险相对偏低的群体。定义：以老年群体为主，伴随典型心绞痛症状，同时血压、胆固醇等风险指标偏高，是心脏病风险相对较高的群体。胸痛类型几乎全为 0 类（典型心绞痛，心脏病典型症状）；

2025-12-24 14:26:43 251

原创 Day 21 常见聚类算法

层次聚类树状图直观呈现了心脏病数据集样本的簇合并过程，纵坐标代表簇间合并差异度（值越小表明簇间相似度越高），横坐标对应不同阶段的簇分组；底部小簇因相似度高优先合并，随纵坐标升高逐步形成中簇、大簇，合并差异度持续增大，而顶部最大差异处的切分结果与此前选定的 n=2 聚类数一致，进一步验证了该聚类数在心脏病数据无监督分组中的合理性。结果还是很差，可能与eps小有关，我调整成1.2/1.5都试了试，效果也不显著，结果差不多。2.聚类常见算法:kmeans聚类、dbscan聚类、层次聚类。二.dbscan聚类。

2025-12-23 17:04:57 342

空空如也

空空如也