盼小辉丶-CSDN博客

原创 Transformer实战——循环神经网络详解

循环神经网络 (Recurrent neural networks, RNN) ，RNN 是在文本输入中广泛使用的神经网络。RNN 非常灵活，已被用于解决诸如语音识别、语言建模、机器翻译、情感分析和图像字幕等问题。RNN 利用输入的序列特性，序列输入可以是文本、语音、时间序列以及任何其他元素的出现取决于其前面元素的序列。在本节中，我们介绍了 RNN 及其变体，并学习如何使用 TensorFlow 进行实现。

2025-05-19 08:11:13 496 2

原创 TensorFlow深度学习实战（16）——注意力机制详解

在传统的神经网络中，所有的输入都被平等地处理，而注意力机制通过为输入的不同部分分配不同的权重(即注意力权重)，使得网络能够更关注于对当前任务最重要的信息。例如在机器翻译中，某个单词在句子中比其他单词更关键，注意力机制会将更多的权重分配给该单词，从而使网络在生成翻译时能够更好地理解上下文。在本中，介绍了注意力机制的原理，以及如何利用注意力机制来提高 Seq2Seq 模型的性能。

2025-05-15 09:02:47 1385 48

原创 PyTorch实战（4）——卷积神经网络(Convolutional Neural Network, CNN)详解

卷积神经网络 (Convolutional Neural Network, CNN) 是一种广泛应用的深度学习模型。通过参数共享、局部感知和空间结构等优势，能够更好地处理图像数据，并在图像识别、目标检测和图像生成等任务中展现出强大的能力。在本节中，介绍了卷积的计算方法以及卷积神经网络的基本组件，并使用 PyTorch 构建了卷积神经网络以深入了解其工作原理。

2025-05-12 08:48:50 1343 41

原创 TensorFlow深度学习实战（15）——编码器-解码器架构

编码器-解码器架构也称 Seq2Seq (Sequence-to-Sequence) 模型，是一种用于处理序列数据的深度学习模型，广泛应用于自然语言处理任务中，如机器翻译、文本摘要、对话生成等。在 Seq2Seq 模型中，输入和输出都是序列形式，因此非常适用于需要将一个序列映射到另一个序列的任务。在本节中，将介绍 Seq2Seq 模型架构，并实现 Seq2Seq 模型用于机器翻译。

2025-05-09 08:35:21 1561 28

原创 PyTorch实战（3）——使用PyTorch构建神经网络

在本节中，我们使用 PyTorch 在简单数据集上构建了一个神经网络，训练神经网络来映射输入和输出，并通过执行反向传播来更新权重值以最小化损失值，并利用 Sequential 类简化网络构建过程；介绍了获取网络中间值的常用方法，以及如何使用 save、load 方法保存和加载模型，以避免再次训练模型。

2025-05-08 08:49:47 1505 6

原创 PyTorch实战（6）——生成模型（Generative Model）详解

本节介绍了人工智能的一个重要分支——生成模型，介绍了生成模型理论和应用的最新进展。我们从一个简单的示例开始，了解了生成模型最终关注的是对数据的潜在分布进行建模。通过总结生成模型框架，以理解生成模型的重要属性。然后，介绍了有助于理解生成模型的理论基础和关键概率概念，并概述了生成模型的分类方法。

2025-05-07 08:43:44 1128 10

原创 TensorFlow深度学习实战——基于循环神经网络的词性标注模型

‌词性标注 (Part-Of-Speech tagging, POS tagging) 也被称为语法标注 (grammatical tagging) 或词类消疑 (word-category disambiguation)，是将语料库内单词的词性按其含义和上下文内容进行标记的文本数据处理技术‌，涉及识别文本中每个单词的语法类别，如名词、动词、形容词等。词性标注对于理解句子结构和语义至关重要，广泛应用于各类大规模语料库的自然语言处理和文本挖掘。

2025-05-04 08:30:00 988 28

原创 TensorFlow深度学习实战——基于循环神经网络的情感分析模型

情感分析 (Sentiment Analysis) 是自然语言处理中的一项技术，旨在识别和提取文本中的情感信息，通常是分析一段文本中是否存在积极、消极或中立的情绪，广泛应用于社交媒体监控、客户反馈分析、产品评论分析等领域。在本节中，将实现基于循环神经网络的情感分析模型。

2025-05-01 08:30:00 1281 28

原创 Python数据结构与算法（5）——动态规划

动态规划是“用空间换时间”的典型算法策略，适用于具有最优子结构和重叠子问题的场景。掌握自顶向下备忘录法与自底向上表格法的转换技巧，并通过构建状态定义、转移方程及边界条件，能够系统地解决斐波那契数列、背包问题、LCS、硬币找零等经典问题。

2025-04-28 11:05:37 242 26

原创 TensorFlow深度学习实战——基于循环神经网络的文本生成模型

循环神经网络 (Recurrent Neural Network, RNN) 在自然语言处理 (Natural Language Processing, NLP) 领域中被广泛应用于各种任务，其中一种应用是构建语言模型。语言模型能够根据前面的单词预测文本中下一单词，语言模型对于机器翻译、拼写校正等高级任务至关重要。语言模型预测序列中下一个单词的能力使其成为一种生成模型，可以通过从词汇中不同单词的输出概率中进行采样生成文本。

2025-04-28 08:38:05 1329 6

原创 PyTorch实战（5）——分类任务详解

在本节中，将学习如何使用 PyTorch 创建深度神经网络来执行二分类和多类别分类任务，以便熟练掌握深度学习和分类任务。具体而言，我们将构建一个完整的端到端深度学习项目，使用 PyTorch 将灰度图像的服装物品分类为不同类别，包括外套、包、运动鞋、衬衫等。目的是创建能够执行二分类和多类别分类任务的深度神经网络，为后续学习奠定基础。

2025-04-25 08:27:14 2227 37

原创使用深度 Q 学习解决Lunar lander问题

深度 Q 学习模型只需观察状态作为输入就能够解决经典 Atari 游戏，这是一个重大突破，从那时起，深度强化学习 (deep reinforcement learning, DRL) 已经展示出具有比人类更好地解决许多复杂任务的能力。在本节中，我们将实现经典深度 Q 网络 (deep Q-learning, DQN) 解决 Lunar lander 问题。

2025-04-24 09:54:26 468 15

原创 PyTorch实战（2）——PyTorch基础

PyTorch 张量是多维数据的基本结构，支持灵活的形状变换、索引操作和数学计算。数据类型的选择(如精度权衡)和形状匹配是深度学习中的重要考量。通过张量操作，可高效实现数据预处理、特征整合及模型输入输出处理。

2025-04-24 09:14:08 1673 2

原创 TensorFlow深度学习实战（14）——循环神经网络详解

循环神经网络 (Recurrent Neural Network, RNN) 是一类特殊的神经网络结构，广泛应用于处理和分析序列数据，如文本、语音、时间序列等。与传统的神经网络不同，RNN 具有记忆功能，可以通过循环连接处理序列中各个元素之间的依赖关系。

2025-04-21 08:15:23 2154 32

原创 NEAT 算法解决 Lunar Lander 问题：从理论到实践

Lunar Lander 是 Gym 中的一个经典强化学习环境，目标是控制一个宇航着陆器在月球表面安全着陆。本节，通过使用 NEAT 来解决了 Lunar Lander 问题，通过探索神经网络结构的进化，能够自动优化策略以适应复杂的任务。

2025-04-20 17:05:04 718 4

原创使用 NEAT 进化智能体解决 Gymnasium 强化学习环境

在本节中，我们使用 NEAT 解决经典强化学习 (reinforcement learning, RL) Gym 问题。但需要注意的是，我们用于推导网络和解决方程的方法不是 RL，而是进化和 NEAT，使用 NEAT 和 NEAT 智能体的进化种群相对简单。虽然本节使用 RL 环境并以 RL 方式训练智能体，但底层所用方法并非 RL。

2025-04-20 14:49:50 702

原创使用NEAT算法探索Gymnasium中的Lunar Lander环境

OpenAI Gym 提供多种环境，可以在其中开发和比较强化学习算法，通过提供标准 API 用于学习算法和环境之间的通信。Gym 事实上已经成为用于强化学习中的基准，涵盖了许多功能全面且易于使用的环境。这类似于我们经常在监督学习中用作基准的数据集，例如 MNIST，Imagenet，和 Reuters 新闻数据集。在本节中，我们将使用 NEAT 探索 Gym 中的 Lunar lander 游戏。

2025-04-20 10:19:35 705 4

原创 PyTorch实战（1）——神经网络与模型训练过程详解

在本节中，我们介绍了传统机器学习与人工神经网络间的差异，并了解了如何在实现前向传播之前连接网络的各个层，以计算与网络当前权重对应的损失值；实现了反向传播以优化权重达到最小化损失值的目标。并实现了网络的所有关键组成——前向传播、激活函数、损失函数、链式法则和梯度下降，从零开始构建并训练了一个简单的神经网络。

2025-04-17 08:51:54 3467 88

原创 TensorFlow深度学习实战——基于语言模型的动态词嵌入技术

基于语言模型的词嵌入技术，通过利用上下文信息来生成动态的词向量，大大提升了词嵌入模型的表达能力。随着 BERT、GPT 等大规模预训练模型的出现，基于语言模型的词嵌入在自然语言处理领域的应用变得越来越广泛，成为当前自然语言处理 (Natural Language Processing, NLP) 研究的一个重要方向。

2025-04-14 08:16:24 1248 36

原创深度解析强化学习：原理、算法与实战

强化学习 (Reinforcement learning, RL) 的工作原理是让智能体观察环境的状态。对环境的观察或视图通常称为当前状态，智能体根据观察到的状态做出预测或动作。然后，基于该动作，环境根据给定状态提供奖励。它能够解决具有不确定性和复杂性的问题，并在动态环境下实现自主学习和决策能力。

2025-04-10 10:32:36 1986 32

原创 TensorFlow深度学习实战——字符嵌入、子词嵌入、句子嵌入和段落嵌入

在自然语言处理中，嵌入 (Embedding) 技术是将文本转化为数值向量的核心方法，使计算机能够理解和处理语言中的语义信息。根据文本处理的粒度不同，除了词嵌入外，还包括字符嵌入、子词嵌入、句子嵌入和段落嵌入。这些嵌入技术使得计算机能够以不同的粒度理解和处理文本中的语义信息，从而为各种自然语言处理任务提供强大的支持。

2025-04-07 08:34:36 1302 34

原创 AIGC实战——CycleGAN详解与实现

CycleGAN 是一种用于无监督图像转换的深度学习模型，它通过两个生成器和两个判别器的组合来学习两个不同域之间的映射关系。生成器负责将一个域的图像转换成另一个域的图像，而判别器则用于区分生成的图像和真实的图像。CycleGAN 引入循环一致性损失，确保图像转换是可逆的，从而提高生成图像的质量。通过对抗训练和循环一致性损失，CycleGAN 可以实现在没有配对标签的情况下进行图像域转换。

2025-04-04 08:43:01 1878 29

原创使用 NEAT 算法实现端到端 MNIST 手写数字识别

使用 NEAT 解决图像分类问题，可以通过进化的方式自动优化神经网络的结构和权重。结合适当的数据预处理和参数设置，可以有效地提高分类任务的性能。本节中，我们使用 MNIST 手写数字数据集执行图像分类任务，使用 NEAT 对 MNIST 数据集进行分类。

2025-04-03 11:43:22 898 18

原创 TensorFlow深度学习实战（13）——神经嵌入详解

神经嵌入 (Neural Embedding) 是一种通过神经网络模型将离散的符号(如词语、字符、图像等)映射到低维连续向量空间中的技术。它属于更广泛的嵌入 (Embedding) 技术范畴，在深度学习中起着关键作用。神经嵌入通过在神经网络训练过程中学习到的向量表示，捕捉了输入数据的潜在特征和语义信息。

2025-03-31 08:18:37 1379 54

原创 TensorFlow深度学习实战——利用词嵌入实现垃圾邮件检测

在本节中，我们将介绍如何在一维卷积神经网络 (Convolutional Neural Network, CNN) 中使用该矩阵，实现垃圾邮件检测器将短信 (Short Message Service, SMS) 或文本消息分类为非垃圾邮件 (ham) 或垃圾邮件 (spam)。

2025-03-27 08:49:15 1618 44

原创 PyTorch生成式人工智能实战：从零打造创意引擎

专栏《PyTorch 生成式人工智能实战》深入探讨了生成式人工智能，这项技术通过其高效和快速的内容创作能力，正在重塑众多行业。具体来说，将学习如何使用生成式模型来创建各种形式的内容：数字、图像、文本和音频。此外，还将学习从零开始构建这些模型，以便深入理解生成式 AI 的内部工作原理，我们将使用 Python 和 PyTorch 来构建、训练和使用这些模型。

2025-03-24 08:48:14 17624 56

原创 NEAT 算法中的物种分化机制与优化实践

在本节中，我们将探讨 NEAT 如何使用“物种分化 (speciation) ”的特性来跟踪种群多样性。物种分化源自生物学，是一种描述相似的有机体如何进化出独特特征以成为不同物种的方法。达尔文首先提出了物种的概念，它是一种描述地球上生命进化过程的方法。

2025-03-21 12:58:23 1337 25

原创 TensorFlow深度学习实战（12）——词嵌入技术详解

词嵌入的核心思想是，通过将词语表示为稠密的向量，使得计算机可以更有效地处理和理解文本中的语义关系。在本节中，我们学习了单词分布式表示的概念及其实现，包括静态嵌入和动态嵌入，实现了 Word2Vec 和 GloVe 模型，并介绍了如何使用 Gensim API 探索嵌入空间。

2025-03-18 11:50:50 2742 45

原创图神经网络实战——总结 | 图神经网络展望

短短数年时间，图神经网络 (Graph Neural Networks, GNN) 已经成为一种重要的深度学习架构，并且已经广泛应用于各个行业。通过本专栏的学习，能够对图学习和 GNN 领域有一个全面的了解，并能为各种应用设计、构建GNN模型。

2025-03-17 08:31:52 2238 12

原创 TensorFlow深度学习实战（11）——风格迁移详解

使用风格迁移算法生成图像的核心思想是通过获取损失和梯度变化值以生成风格迁移图像，将内容图像和风格参考图像混合在一起。在本节中，首先介绍了神经风格迁移的核心思想与风格迁移图像的生成流程，然后利用 TensorFlow 从零开始实现了风格迁移算法，可以通过修改模型中的超参数来生成不同观感的图像。

2025-03-12 09:01:27 2716 39

原创 TensorFlow深度学习实战——基于ResNet模型实现性别分类

本文通过实战案例演示了基于 ResNet50 模型的性别分类方法。针对深度神经网络中梯度消失问题，ResNet 创新性地引入残差连接机制。模型训练使用 CelebA 人脸数据集，包含 20 万张标注性别属性的图像，通过迁移学习加载预训练的 ResNet50 主干网络提取深度特征，并在顶部构建包含 2048 通道卷积层、最大池化层及全连接层的微调模型。

2025-03-11 08:15:51 1963 26

原创图神经网络实战（25）——基于A3T-GCN预测交通流量

本节重点讨论了使用 TGNN 进行交通预测任务。首先，我们介绍了 PeMS-M 数据集，并将其从表格数据转换为具有时间信号的静态图数据集。在实践中，我们根据输入距离矩阵创建了加权邻接矩阵，并将交通速度转换为时间序列。最后，我们构建了 A3T-GCN 模型，这是一个专为交通预测设计的 T-GNN 模型，并将结果与两个基线模型进行了比较，验证了模型的预测结果。

2025-03-10 08:33:52 2126 24

原创 NEAT算法实战：基于进化神经网络的分类问题求解

NEAT-Python 封装了许多优化模式的工具，包括网络超参数、架构和参数优化以及增加拓扑结构。在本节中，我们将使用 sklearn 库构建示例数据集可视化 NEAT 分类结果。

2025-03-07 08:47:33 1038 27

原创理解神经网络架构：NEAT网络可视化

在本节中，我们将介绍如何可视化 NEAT 网络，用于理解网络架构的形成，还可以突出显示网络过拟合或欠拟合的情况。

2025-03-05 08:37:46 1073 12

原创 TensorFlow深度学习实战（10）——迁移学习详解

迁移学习通过利用相关任务或领域的知识，帮助解决新任务或领域中的学习挑战，可以提高模型的泛化能力、加速模型训练，并在实际应用中取得良好的效果。在图像分类、目标检测、机器翻译等任务中，迁移学习已经展现出巨大的应用价值。在本节中，介绍了迁移学习的基本概念，并使用 TensorFlow 构建了迁移学习模型，利用预训练模型 Inception V3 加速学习过程并提高性能。

2025-03-03 08:29:49 2662 42

原创 NEAT算法解析：从增强拓扑原理到异或问题实战

NEAT (NeuroEvolution of Augmenting Topologies, 增强拓扑的神经进化)属于神经进化算法家族，能够对神经网络的拓扑结构和连接权重进行进化。其用于进化复杂人工神经网络，旨在通过在进化过程中逐步完善 ANN 的结构来减少参数搜索空间的维数。在本节中，我们将介绍 NEAT 框架，并构建 NEAT 网络以解决经典的一阶异或问题。

2025-02-28 08:20:13 1402 24

原创 TensorFlow深度学习实战（9）——构建VGG模型实现图像分类

VGG 模型是一种经典的深度卷积神经网络 (Convolutional Neural Network, CNN) 架构，该模型以其简单而有效的设计而著名，在图像分类任务中取得了优异成绩。VGG 模型的核心特点是采用了深层的网络结构，其中大部分层由卷积层和池化层组成，且卷积操作使用了尺寸较小的 3 x 3 卷积核，这使得网络能够捕捉到丰富的图像特征。

2025-02-25 08:50:38 2504 43

原创图神经网络实战（24）——基于LightGCN构建推荐系统

本节详细介绍了如何使用 LightGCN 完成图书推荐任务。使用 "Book-Crossing" 数据集，对其进行了预处理以形成二部图，并使用 BPR 损失实现了 LightGCN 模型。对模型进行了训练，并使用 recall@20 和 ndcg@20 指标对其进行了评估。最后，通过为给定用户生成推荐来证明该模型的有效性。

2025-02-24 08:46:41 1892 17

原创 TensorFlow深度学习实战——构建卷积神经网络实现CIFAR-10图像分类

本节介绍如何利用卷积神经网络 (Convolutional Neural Network, CNN) 对 CIFAR-10 数据集进行图像分类。首先构建一个简单的 CNN 模型来进行 CIFAR-10 图像的分类，接着，通过模型优化技术提高分类准确率。介绍了一个完整的从数据准备到模型评估的图像分类实践过程。

2025-02-20 14:27:57 2447 33

原创 TensorFlow深度学习实战（8）——卷积神经网络

卷积神经网络 (Convolutional Neural Network, CNN) 是一种非常强大的深度学习模型，广泛应用于图像分析、目标检测、图像生成等任务中。CNN 的核心思想是卷积操作和参数共享，卷积操作通过滑动滤波器(也称为卷积核)在输入数据上进行元素级的乘积和求和运算，从而提取局部特征。通过多个滤波器的组合，CNN 可以学习到不同层次的特征表示，从低级到高级的抽象特征。本节从传统全连接神经网络的缺陷为切入点，介绍了卷积神经网络的优势及其基本组件，并使用 TensorFlow 构建卷积神经网络。

2025-02-17 11:20:37 2954 52

用于目标检测的 YOLO V3 模型架构及权重文件(含 OpenCV 使用示例)

用于目标检测的 MobileNet-SSD 模型架构及权重文件(使用 Caffe 框架进行预训练)

用于图像分类的 ResNet-50 模型架构及权重文件(使用 Caffe 框架进行预训练)

空空如也