Shudsa-CSDN博客

原创机器学习之——支持向量机

支持向量机是一种常用的监督学习算法，主要用于分类和回归问题。它的核心思想是找到一个最优的超平面，将不同类别的样本点有效地分开，同时尽量使得分类边界与样本点之间的间隔最大化。超平面：在二维空间中，超平面就是一条直线；在三维空间中，超平面是一个平面。对于高维空间，超平面是一个（n-1）维的子空间。在支持向量机中，我们的目标就是找到一个超平面，能够将不同类别的样本点分开。支持向量：支持向量是距离超平面最近的样本点，它们决定了超平面的位置和方向。也就是说，支持向量是离分类边界最近的样本点。间隔。

2023-12-20 21:07:42 97 1

原创算法问题解决——动态规划法

自顶向下是采取备忘录的方式，求a[n],则需要求a[n-1]与a[n-2],而得到a[n-1]与a[n-2]又需要利用递归继续向下求解。通过填表格的方式，给出a[0]=0,a[1]=1,其他的数组元素通过a[n]=a[n-1]+a[n-2]得到。

2023-12-12 23:00:41 66

原创 PTA题目：微博上有个“点赞”功能，你可以为你喜欢的博文点个赞表示支持。

如果当前特性标签的出现次数比最大出现次数还要大，或者它的出现次数与当前最大出现次数相等但标签编号更大，则更新最大出现次数和对应的特性标签。：统计每个特性标签出现的次数，遍历每篇博文的特性标签列表，对于每个特性标签，将其出现次数加一，如果该特性标签还没有出现过，则将其出现次数初始化为1。初始时，所有特性标签的出现次数都为0。

2023-12-07 23:10:39 723

原创深度学习之——目标检测基础

最后定义了一个绘制锚框的函数draw_anchor_box,函数通过接受一系列参数，center（锚框的中心坐标），length（一个基准长度用于计算锚框的高度与宽度），scales（包含多种尺寸比例的列表），ratios(包含多种长宽比的列表)、img_height(图片的高度)、img_width（图片的宽度）。锚框是用于生成候选区域的一种技术。1：xyxy，（x1，y1，x2，y2），用两个点坐标来表示矩形框的位置，（x1,y1）表示矩形的左上角坐标，（x2,y2）表示右下角坐标。

2023-11-30 23:23:39 1012 1

原创深度学习之——ResNet算法

在相同的条件下，ResNet能够更快地收敛到较低的训练误差，并在测试集上取得更好的泛化能力，并且在实验中使用了批量归一化技术来加快模型的收敛速度，提升模型的泛化能力。其中，pretrained参数默认为False，表示不加载在ImageNet数据集上预训练的权重。通过初始化函数_init_来接受了了一些参数 num_channels,（卷积层的输入通道数）num_filters,（卷积层的输出通道数），stride（卷积层的步幅）groups（分组卷积的组数）然后用这些数据构建了一个二维卷积层。

2023-11-28 22:16:40 1174

原创深度学习之卷积神经网络

nn.Conv2d(1, 6, kernel_size=5, padding=2)：第一层卷积层，输入通道数为1，输出通道数为6，使用5x5大小的卷积核进行卷积操作，padding参数为2表示在输入的边缘周围填充2个像素。这段代码定义了卷积计算的基本操作，X表示输入的二维张量，K表示卷积核，首先是通过h,w=K.shape来获取卷积核的高度与宽度。在第一个实验时进行的输入通道为1，但是现在我们要进行多输入通道，即通道数大于1，因此在构建卷积核时要构造一个与输入通道数相同的卷积核，来进行互相关运算。

2023-11-25 23:36:19 21

原创深度学习之线性回归实现

for X, y in data_iter(batch_size, features, labels):：内层循环使用data_iter函数生成小批量的特征X和标签y，每次迭代称为一个batch。X = torch.normal(0, 1, (num_examples, len(w))) #最后一个参数指定X维度，len(w)特征个数。l = loss(net(X, w, b), y)：计算当前批次（batch）的预测值net(X, w, b)与真实标签y之间的损失（loss）。

2023-11-18 18:44:09 89 1

原创深度学习之——MLP实现

多层感知机相较于之前的线性回归实现，能够展现更多的抽象特征，从多方面来进行训练模型，预测实验结果，学会了用不同的激活函数与不同的初始化权重方案来改善训练模型，以达到最优的结果。该函数的输入为一个张量X，表示隐藏层的输出，使用 torch.zeros_like(X) 创建一个与 X 维度相同的全零张量 a，然后使用 torch.max(X, a) 对 X 和 a 进行逐元素的比较，这样实现了ReLU函数的功能：将小于0的元素设为0，其余元素不变。训练的论述与Ir学习率的大小来控制训练的实现过程。

2023-11-13 21:17:36 199 1

原创基于hough变换的图像边缘提取

subplot(2, 2, 3), imshow(imadjust(mat2gray(H)), 'XData', theta, 'YData', rho, 'InitialMagnification', 'fit'), title('Hough变换');接着，利用 Hough 变换检测图像中的直线，并在原始图像上标记出检测到的直线。图像预处理阶段对图像进行了灰度转换、中值滤波和直方图均衡化，这些操作有助于减小噪声、增强对比度，为后续的边缘检测和直线检测提供更好的输入。% 标记线段的起点和终点。

2023-11-11 20:50:02 81 1

原创图像频域变换

将图像转换为灰度图像（如果原始图像不是灰度图像）% 将图像转换为灰度图像（如果原始图像不是灰度图像）% 将图像转换为灰度图像（如果原始图像不是灰度图像）% 显示原始图像、频谱图和滤波后的图像。% 傅立叶逆变换得到两幅逆变换后的图像。title('逆变换后的图像1');title('逆变换后的图像2');

2023-11-09 18:14:00 181 1

原创数字图像处理——二

将低于阈值的像素设置为0，其余像素设置为255。% 读取原始图像（这里假设图像为灰度图像）% 显示原始图像和均衡化后的图像以及直方图。% 目标直方图（这里以均衡直方图作为示例）% 计算原始图像和目标直方图之间的映射关系。% 显示原始图像和规定化后图像的直方图。% 应用映射关系，实现直方图规定化。% 设计一个3x3的卷积核。% 设计一个3x3的卷积核。% 计算图像的平均亮度值。'直方图均衡化后的图像'% 显示均衡化后的直方图。% 计算原始图像的直方图。'图像的归一化直方图'% 计算归一化直方图。

2023-11-05 21:48:50 33

原创图像处理基本操作

利用imwrite()函数来压缩这幅图象，将其保存为一幅压缩了像素的jpg文件,设为flower.jpg；用figure,imshow()分别将Lenna.jpg和camema.jpg显示出来，观察两幅图像的质量。用imfinfo()获取图像Lenna.jpg和camema.jpg 的大小；用imread()读入图像：Lenna.jpg 和camema.jpg；创建新的图像窗口，并显示 cameraman.jpg 图像。% 创建新的图像窗口，并显示 Lenna.jpg 图像。压缩图像并保存为JPEG文件。

2023-11-04 22:53:56 141

Shudsa的博客