Salt_0728-CSDN博客

原创 DAY 60 经典时序预测模型 3

SARIMA是 ARIMA 的季节版，参数分非季节 (p,d,q) 和季节 (P,D,Q) m，核心是抓时间序列的季节规律；模型检验看残差是否为白噪声，通过 4 个可视化（时序图、分布、Q-Q 图、ACF）判断模型好坏；多变量数据分内生变量（预测目标）和外部变量（辅助预测），前者是核心，后者是补充；多变量模型分四类：SARIMAX（单向因果）、VAR（双向依赖）、机器学习（ARIMA + 残差预测）、深度学习（LSTM 天然适配时序）。

2026-01-08 18:00:00 2020

原创 DAY 59 经典时序预测模型 2

指标名称通俗解释怎么看好不好Coefficients（系数）里的 P>z每个参数的 “有效性得分”（类似考试分数）<0.05：参数有用；>0.05：参数没用，要调整sigma2模型的 “误差方差”（类似做题的错题数）越小越好对数似然值（类似总分）越大越好AIC/BIC信息准则（类似综合评分）越小越好残差检验（看模型有没有学完所有规律）p 值 > 0.05：残差是白噪声（模型学透了）时序建模流程。

2026-01-08 12:00:48 1321

原创 DAY 58 经典时序预测模型 1

作为零基础的 Python 和机器学习学习者，我将用最通俗易懂的语言、贴近生活的例子，把经典时序预测模型 1 的核心知识点 —— 序列数据处理（n 阶差分处理非平稳性、季节性差分处理季节性）和模型选择（AR (p)、MA (q)、ARMA (p,q)）拆解得明明白白，还会配合详细的代码步骤，确保你彻底理解。就是按时间顺序排好的数，比如你每天的饭量、每月的工资、每天的气温，这些都是时序数据。我们学的这些方法，就是为了用过去的时序数据预测未来。一、序列数据的处理：让数据 “变乖” 才能预测。

2026-01-07 18:52:02 884

原创 DAY 57 时序数据的检验

满足 3 个条件就是白噪声：① 均值 = 0；② 方差固定；③ 不同时刻的数据之间 “完全不相关”（比如第 1 次扔骰子是 3，和第 2 次是 5 没关系）。宽平稳（最常用）：① 均值不随时间变；② 方差不随时间变；③ 任意两个时刻的相关性，只和 “间隔步数” 有关，和 “具体时刻” 无关。

2026-01-05 23:00:00 871

原创 DAY 56 序列预测任务介绍

你可以把序列数据理解成 **“按时间 / 顺序排好队的一串数据”**，顺序乱了就完全没意义。奶茶店每天的销量：[100 杯，120 杯，110 杯，130 杯]（今天→明天→后天→大后天，顺序不能乱）你每天的步数：[5000, 8000, 6000]每小时的气温：[20℃, 22℃, 24℃, 23℃]就是用前面的序列数据，预测后面的序列数据—— 说白了就是 “用过去猜未来”。单步预测 =“猜明天的奶茶销量”，多步预测 =“猜明天、后天、大后天的奶茶销量”。

2026-01-05 18:15:22 1293

原创 DAY 55 Inception 网络及其思考

方法核心特点适用场景相加信息叠加，通道数不变特征含义相似（比如都是 “形状特征”）相乘强调共同特征，通道数不变想突出关键特征（比如 “苹果的圆形”）concat保留所有特征，通道数增加特征含义不同（比如 “颜色 + 形状 + 纹理”）Inception 模块用的是 concat，因为它要把 1x1/3x3/5x5 / 池化的不同特征都保留下来。四、感受野与卷积核变体：为什么 Inception 要设计多种卷积核？卷积核 = 放大镜，1x1 = 筛选器；

2026-01-04 20:40:13 1209 1

原创 DAY 54 对抗生成网络

G 拼命 “仿造” 真样本，D 拼命 “分辨” 真 / 假样本，两者对抗着进步。三、nn.Sequential 容器：神经网络的 “流水线”学完 G 和 D，接下来学写代码的工具：nn.Sequential（PyTorch 里的工具）。nn.Sequential 就是 “按顺序执行的层容器”，适合层与层之间是 “串行” 的情况，能大幅简化代码，不用手动写每一层的前向传播。四、LeakyReLU：让神经元 “不躺平” 的激活函数先搞懂：激活函数是干啥的？

2026-01-03 19:03:10 1243

原创 DAY 53 神经网络调参指南

神经网络里到处都是 “随机操作”（比如初始化权重、打乱训练数据），就像你调奶茶时，每次搅拌的力度、加冰的多少都随机，哪怕配方一样，做出来的味道也不一样。随机种子就是给这些随机操作定一个 “规矩”—— 比如定种子为 42，不管你跑多少次代码，随机操作的结果都完全一样，就像把 “搅拌 3 圈、加 2 块冰” 写死在配方里，每次做都按这个来。神经网络的核心是权重（W）和偏置（b）权重：比如 “输入层到隐藏层的连接强度”，像奶茶里 “糖的比例”（比例对了才好喝）；

2026-01-03 17:38:17 1064

原创 DAY 52 预训练模型+CBAM 模块

只留灵魂：唯一保留的是（残差连接）；固定所有：通道数、输入尺寸、分类数全固定，无需要配置的参数；砍掉配件：BN、多卷积、多残差块、大卷积 / 池化等非核心模块全砍；代码极简：<50 行，无循环、无分支、无辅助函数，零基础一眼看懂。这个版本的 ResNet 虽然简单到 “不像正经模型”，但完美保留了 ResNet 的核心 —— 残差连接。先懂这个极简版本，再逐步加回 BN、多卷积、多残差块，就能一步步理解完整 ResNet 的设计逻辑，完全符合零基础 “从简到繁” 的学习规律。

2026-01-02 12:38:14 1206

原创 DAY 51 CBAM注意力

把彩色图片想象成3 张叠在一起的黑白图片第一张：只显示红色亮度（R 通道）第二张：只显示绿色亮度（G 通道）第三张：只显示蓝色亮度（B 通道）这 3 张黑白图，每张就是一个「通道」。比如红色苹果的图片，R 通道会很亮，G/B 通道较暗 ——通道注意力的核心：给每个通道打「重要性分数」（0~1），分数高的通道保留更多信息。「空间」就是图片的像素位置，比如 32×32 的特征图，每个像素的位置是 (行，列)，比如 (0,0)、(0,1)…(31,31)。通道注意力：关注「哪个通道重要」；

2025-12-31 18:12:50 1311

原创 DAY 50 随机函数与广播机制

torch.randn(形状)→ 生成对应形状的、围绕 0 波动的随机张量，核心用途是初始化神经网络参数。知识点 2：卷积和池化的计算公式（不用记，自动算）import torch.nn as nn # 导入神经网络层模块# 定义卷积层：# in_channels=1 → 输入1通道（黑白图）# out_channels=8 → 输出8种特征# kernel_size=3 → 卷积核3x3# stride=1 → 步长1# padding=1 → 填充1圈0。

2025-12-30 14:01:32 1100

原创 DAY 49 注意力热图可视化

举个生活例子：你看一张全家福照片时，眼睛会不自觉盯着爸妈（关注度高），而背景的花瓶、窗帘（关注度低）几乎不会注意。机器学习中的 “注意力” 和这个一样：模型处理数据（比如一句话、一张图）时，会给不同部分分配关注度分数（权重）—— 分数越高，模型越 “关注” 这部分。模型想知道 “吃什么”，所以 “苹果” 的注意力分数最高（比如 0.9）；“我” 次之（0.7）；“今天” 分数最低（0.2）。

2025-12-29 18:23:45 1288

原创 DAY 48 通道注意力（SE 注意力）

第一层 CNN（低级特征）：只看「边缘、线条、颜色梯度」—— 比如猫的轮廓线、耳朵的边缘；第二层 CNN（中级特征）：把低级特征拼起来，能看到「耳朵、眼睛、爪子」；第三层 CNN（高级特征）：把中级特征拼起来，能看到「完整的猫脸、整只猫」。每一层 CNN 输出的「特征结果」就是「特征图」，且每一层的通道数会增加输入：224×224×3（原始图片）第一层卷积后：224×224×64（64 个通道，每个通道是一个「特征视角」，比如通道 1 看边缘，通道 2 看纹理，通道 3 看颜色）

2025-12-29 12:05:33 1007

原创 DAY 47 Tensorboard的使用介绍

面板名称作用（通俗解释）适用场景Scalars看数值变化曲线（比如损失、准确率）训练过程监控（必用）Graphs看模型的结构图（比如神经网络的层）检查模型结构是否正确Images可视化图片样本（比如 CIFAR 的图片）查看输入数据、模型输出的图片Histograms看权重 / 偏置的分布变化分析模型参数是否合理Projector高维数据降维可视化（比如图片的特征向量）分析数据的聚类效果新手先重点掌握Scalars和Graphs，这两个是最核心的。

2025-12-26 23:23:40 1471

原创 DAY 46 预训练模型

预训练模型 = 「提前训练好的 AI 模型」，是在大规模通用数据集（比如 ImageNet 有 1400 万张图片）上训练完成的、具备「通用特征提取能力」的模型。比如：用 ImageNet 训练的模型，已经学会了识别「边缘、纹理、形状、简单物体（眼睛、耳朵、轮子）」这些通用特征，你要做「猫 / 狗分类」时，只需要在这个基础上，让模型再学「猫的耳朵是三角的、狗的尾巴是长的」这些细节就行。预训练模型 = 别人训好的「通用 AI 基本功」，我们拿来改一改就能用；

2025-12-25 18:50:30 1285

原创 DAY 45 Grad-CAM与 Hook 函数

后面写 Hook 函数、回调函数时，经常需要写 “一两行就能搞定的小函数”，用 lambda 能少写很多冗余代码，超方便！二、再学：回调函数给任务加 “元信息”：比如状态、重试次数、依赖、进度等；执行前做 “条件检查”：比如检查状态、依赖、并发数；执行中做 “异常处理”：比如重试、超时、更新进度；执行后做 “结果记录”：比如日志、回调、统计。你可以根据自己的需求，从上面的代码中删减功能（比如不需要并发就删掉 threading 相关），先跑通核心逻辑，再逐步添加扩展功能～

2025-12-25 12:32:10 1289

原创 DAY44 简单 CNN

第一步：导入CNN核心库# 第二步：定义CNN类（必须继承nn.Module）# 第一层：卷积层（找基础特征）in_channels=1, # 输入通道数：MNIST是黑白图，所以1out_channels=16, # 输出通道数（特征图数量）：16个不同的“放大镜”kernel_size=3, # 卷积核大小：3×3的小放大镜padding=1 # 填充：避免图片缩小（新手先记padding=1）# 池化层：缩小特征图（2×2池化，把尺寸减半）

2025-12-24 17:41:28 1263

原创 DAY 43 训练和测试的规范写法

把多维的图片 “摊成一维的线”。灰度图：除了 batchsize=10，剩下的，展平后变成(10,784)；彩色图：剩下的，展平后变成(10,2352)。防止模型 “偷懒” 的技巧：训练时随机让一部分神经元 “闭嘴”（不参与计算），比如 100 个神经元随机丢 50 个，剩下的 50 个必须更努力学习，避免模型只依赖少数神经元（就像球队训练时故意不让主力上，让替补也练一练）。测试时要把所有神经元都打开（主力全上），因为测试是要模型发挥全部能力，不是训练了。展平别写错维度：必须，别漏；

2025-12-24 10:00:28 1111

原创 DAY 42 图像数据与显存

图像数据：灰度图是单数字矩阵，彩色图是 RGB 三数字矩阵；模型：处理图像的 “机器”，由参数组成，训练就是调整参数；显存占用：工作台被 4 样东西占 —— 参数 / 梯度、优化器、批量数据、中间状态；batch size：进料数量，影响显存、速度、效果，新手先选 32/64/128 试手。你可以把今天的代码逐行运行，改改参数（比如把 batch_size 改成 64，把图像形状改成 32×32），看看结果变化 ——零基础学编程，“动手改代码” 比死记硬背重要 100 倍！

2025-12-23 21:10:28 989

原创 DAY 41 Dataset 和 Dataloader 类

假设我们有一批水果和对应的标签（苹果 = 0，香蕉 = 1，橙子 = 2，葡萄 = 3），我们用 Dataset 来封装它。# 构造方法：初始化数据（相当于给水果袋装水果）# 水果名称列表（特征）self.fruit_names = ["苹果", "香蕉", "橙子", "葡萄", "草莓", "芒果"]# 对应的标签列表（标签）# 必须实现：返回数据集的总样本数# 水果数量和标签数量一致，返回其一即可# 必须实现：根据下标返回一个样本（特征+标签）# 取对应下标的水果名和标签。

2025-12-23 18:29:33 901

原创 DAY 40 早停策略和模型权重的保存

例子 1：学生考试小明把模拟题（训练集）的答案全背下来，模拟题考 100 分，但到了真题考试（测试集），因为题目换了，只考 30 分 —— 这就是过拟合：模型只记住了训练集的细节（甚至噪音），没学到通用规律。例子 2：认猫教孩子认猫时，只给看白色波斯猫（训练集），孩子记住了 “白色、长毛、扁脸 = 猫”，结果看到橘色英短（测试集），说这不是猫 —— 这就是过拟合。专业总结：过拟合是模型在训练集上表现极好，但在测试集上表现极差的现象。

2025-12-22 20:00:15 1241

原创 DAY 39 模型可视化与推理

导入PyTorch核心库# 定义一个简单的CNN模型（用于手写数字识别，比如MNIST数据集）# 卷积层1：输入通道=1（灰度图），输出通道=8，卷积核3x3# 池化层：2x2最大池化，缩小图片尺寸# 卷积层2：输入通道=8，输出通道=16，卷积核3x3# 全连接层1：输入特征数=16*5*5（计算得来），输出=64# 全连接层2：输入=64，输出=10（对应10个数字类别）# 前向传播：定义数据在模型中的流动路径# 卷积1 + 激活函数（ReLU） + 池化。

2025-12-20 11:09:17 1073

原创 DAY 38 GPU训练及类的call方法

代码写法背后执行的逻辑model(x)→→__call__方法让类的实例拥有了 “函数调用” 的能力，这是 PyTorch 模型前向传播的核心机制。CPU 查看：看架构代际（设计版本）、核心数（工人）、线程数（工具）。GPU 查看：看显存（仓库）、级别（工厂规模）、架构代际（技术版本）。GPU 训练：核心是device选择 + 模型 / 数据移到同一设备。call 方法：实现__call__的类实例可当函数调用，PyTorch 的层和模型都靠它实现前向传播。

2025-12-18 20:26:07 1250

原创 DAY 37 MLP 神经网络的训练

梯度：是损失函数对模型每个参数的偏导数组成的向量，它告诉我们 “参数往哪个方向变，损失会上升得最快”。梯度下降：反其道而行之，让参数沿着负梯度方向更新，从而让损失不断减小。激活函数是非线性函数，作用是对神经元的输出进行 “非线性变换”，让神经网络能够学习复杂的非线性规律。损失函数（Loss Function）是衡量模型预测值与真实值之间误差的函数，是模型优化的 “目标”（我们的目标是让损失函数的值最小）。优化器是执行梯度下降算法的工具，它封装了参数更新的逻辑，解决了 “如何高效调整参数” 的问题。

2025-12-17 21:14:41 1198

空空如也

空空如也