deflag-CSDN博客

本次学习对于构建CNN网络中的 nn.BatchNorm2d(）做了初步的了解，nn.BatchNorm2d(）进行数据的归一化处理，这使得数据在进行Relu之前不会因为数据过大而导致网络性能的不稳定，BatchNorm2d()函数数学原理如下：BatchNorm2d()内部的参数如下：1.num_features：一般输入参数为batch_sizeheight*width，即为其中特征的数量2.eps：分母中添加的一个值，目的是为了计算的稳定性，默认为：1e-5。

2025-01-08 18:36:00 406

原创第P4周-Pytorch实现猴痘病识别

语言环境编译器:PyCharm框架:Pytorch。

2025-01-01 12:29:28 362

原创第T4周：TensorFlow实现猴痘识别（Tensorboard的使用）

1、学习tensorboard的使用。

2024-12-27 12:47:40 442

原创第P3周：Pytorch实现天气识别

语言环境：Python 3.10编译器: PyCharm框架: Pytorch 2.5.12. 模型代码3. 预测真实图片：pred.py准确率80%.下载一个大数据集训练一下，数据如下：

2024-12-17 17:27:33 457

原创第P2周：Pytorch实现CIFAR10彩色图片识别

batch_size=16,epochs=50:有第20轮左右的时候，验证集的确认性基本就没有再提高了。比较漂亮了，再调整batch_size=16和epochs=20,提高了近6个百分点。输出：CUDA is available, will use GPU。可以看到训练集和测试集的差距有点大，不太理想。

2024-12-13 00:17:36 666 2

原创第P1周：Pytorch实现mnist手写数字识别

# 第一步：设置硬件设备，有GPU就使用GPU，没有就使用GPU device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') print(device)

2024-12-06 14:24:31 1363

原创第T9周：Tensorflow实现猫狗识别(2)

对于 batch的大小，如何来界定？

2024-11-28 10:15:28 441 1

原创第T8周：Tensorflow实现猫狗识别(1)

# 归一化处理 train_ds = train_ds.map(preprocess_image, num_parallel_calls=AUTOTUNE) val_ds = val_ds.map(preprocess_image, num_parallel_calls=AUTOTUNE) # cache() ----将数据集缓存到内存当中加速运行 # shuffle() ----打乱数据 # prefetch() ----预取数据，加速运行 train_ds = train

2024-11-19 10:32:10 722

原创第T7周：Tensorflow实现咖啡豆识别

VGG-16的网络有13个卷积层（被5个max-pooling层分割）和3个全连接层（FC），所有卷积层过滤器的大小都是3X3，步长为1，进行padding。5个max-pooling层分别在第2、4、7、10，13卷积层后面。每次进行池化（max-pooling)后，特征图的长宽都缩小一半，但是channel都翻倍了，一直到512。最后三个全连接层大小分别是4096，4096， 1000,我们使用的是咖啡豆识别，根据数据集的类别数量修改最后的分类数量（即从1000改成len(class_names))

2024-11-15 12:55:27 577

原创第T6周：Tensorflow实现好莱坞明星识别

实际预测会发现结果有很大概率会出错的。其次看模型评估，其实训练的结果是比较差的， val_accuracy最好只有40%左右。如何提高准确率，还需要研究，后续出实践总结。

2024-11-01 18:23:41 285

原创第T5周：Tensorflow实现运动鞋品牌识别

tf.keras.layers.Dropout( rate, noise_shape=None, seed=None, **kwargs** )使用是防止过拟合，提高模型的泛化能力。过拟合：模型在训练数据中表现优秀，但在测试数据或者新数据中表现糟糕的情况。泛化：就是指模型对于未见过的数据上的表现能力参数：**rate**: 0-1之间的小数，让神经元以一定的概率rate停止工作，提高模型的活化能力。**noise_shape**:这是一个1维整数张量，表示将与输入进行乘法运算的二值dropout

2024-10-19 17:30:53 536

原创第T4周：TensorFlow实现猴痘识别

1. 数据集的格式可以有多种，可以是numpy数组，文本数据，CSV数据，文件数据等；2. 数据集加速配置，如何更好的利用CPU时间3. 保存模型的要素，结构、权重、配置。仅保存权重并不是模型本身。

2024-10-12 11:30:00 1080

原创 02：图像的基本操作

图像的基本操作。https://docs.opencv.org/4.10.0/dc/d4d/tutorial_py_table_of_contents_gui.html

2024-10-08 16:26:05 162

原创第T3周：TensorFlow构建CNN网络模型实现天气识别

1.如何检测GPU并使用GPU进行大模型训练与预测2.与之前不一样的数据集的加载与处理方式3.不同的损失函数，池化层函数，学习率和准确率之间有什么关系？需要继续了解4.怎么解决过拟合的问题呢，后续学习研究。5.学习数据增加的方式方法6.每次模型训练完，进行真实图片的预测，应该模型能够保存后直接调用才对，不可能每次使用都需要重新训练一遍。学习模型的保存与加载使用。

2024-10-05 12:30:00 1048

原创第T2周：TensorFlow实现彩色图片分类(CIFAR10数据集）,并实现自己的真实图片分类

1. 熟悉各个模型搭建、训练到预测的流程2. 了解神经网络模型（黑盒子）的细节3. 并不是每次都能预测正确，对于真实图片的预处理，要怎么样提升准确性，后续研究。4. 并不是把epochs提高，准确性就提高，继续研究。

2024-09-28 11:00:00 647

原创第L4周：机器学习-KNN总结-分类

解释一下:X_pred.shape[0] 就是结果总数30. X_pred.shape的结果是（30， 1），那么shpae[0]就是30.可以看到，30个特征值预测了30个结果。把数据集做切分，按8：2比例切，80%用来训练，20%用来预测。第1个：Sepal.Length（花萼长度），单位是cm。第3个：Petal.Length（花瓣长度），单位是cm。第4个：Petal.Width（花瓣宽度），单位是cm;第2个：Sepal.Width（花萼宽度），单位是cm。标签数据中的0，1，2又代表什么呢？

2024-09-24 10:29:11 669

原创第T1周：Tensorflow实现mnist手写数字识别

为啥要调整图片格式呢，导入数据的时候，图片的形状是这样的（60000， 28，28）意思是有6000张28X28像素的图片，现在要调整成（60000， 28， 28， 1）的形状，为啥要调整形状？因为神经网络使用的数量（图像表）它的形状应该是（样本数、宽、高、通道数），对应到（60000， 28， 28）就是样本数60000张图片，宽28，高28都有了，差一个通道数。如果（60000，28， 28）中的60000是指数量的话，剩下的28 * 28显然。我的机器明明有显卡，但是显示0，不管了，后面再研究。

2024-09-16 12:27:10 1174

原创第L6周：机器学习-随机森林(RF)

Bagging在做预测时，对于分类任务，使用简单的投票法。若分类预测时出现两个类票数一样时，则随机选择一个。其是由很多决策树构成的，不同决策树之间没有关联。当我们进行分类任务时，新的输入样本进入，就让森林中的每一棵决策树分别进行判断和分类，每个决策树会得到一个自己的分类结果，决策树的分类结果中哪一个分类最多，那么随机森林就会把这个结果当做最终的结果。个人理解：就是通过不维度去使用决策树去分类，每个决策树都有自己的分类结果，再把所有的结果进行统计，得出分类最多的那个分类就是预测的最终结果。

2024-09-12 12:06:32 1324

原创第L5周：机器学习：决策树（回归模型）

1. 决策树算法是一种在机器学习和数据挖掘领域广泛应用的强大工具，它模拟人类决策过程，通过对数据集进行逐步的分析和判定，最终生成一颗树状结构，每个节点代表一个决策或一个特征。决策树的核心思想是通过一系列问题将数据集划分成不同的类别或值，从而实现对未知数据的预测和分类。这一算法的开发灵感源自人类在解决问题时的思考方式，我们往往通过一系列简单而直观的问题逐步缩小解决方案的范围。决策树的构建过程也是类似的，它通过对数据的特征进行提问，选择最能区分不同类别的特征，逐渐生成树状结构，最终形成一个可用于预测的模型。

2024-09-04 13:10:57 368

原创第L5周：机器学习：决策树（分类模型）

2024-09-04 12:50:53 954

原创第L4周：机器学习-K-邻近算法模型（KNN）

那么，在分析一个人时，我们不妨观察和他最亲密的几个人。同理的，在判定一个未知事物时，可以观察离它最近的几个样本，这就是KNN（k-近邻）算法。在KNN中存在两个重要问题，一个是K的取值问题，一个是距离计算问题，这里先不做讨论，仅仅引入KNN这个概念，明白它是一个什么东西，在后面文章中我们再对这两个问题进行深入讨论。蓝色方块与红色三角形为训练集中的实例，绿色小圆是新输入的实例，现在在现有实例中取K个离小绿圆最近实例用于判断其类别。K-近邻算法，即是给定一个训练数据集，输入一个新的实例，

2024-09-03 20:46:25 703

原创第L3周：机器学习-逻辑回归

通过混淆矩阵，我们可以清晰地看到每个类别的真正例（True Positive, TP）、假正例（False Positive, FP）、真反例（True Negative, TN）和假反例（False Negative, FN）的数量。整数（int)：每次随机的数据集是一样的（固定的），一样的数据集就可以复现模型结果。1.precision:准确率，表示模型在预测为正例的样本中，实际为正例的比例。2.recall:召回率，表示模型在实际为正例的样本中，成功预测为正例的比例。

2024-09-03 20:08:38 784

原创第L2周：机器学习-线性回归

这个预测结果和上面的Y_test比较一下，可以看到两者之间的差距以及相似性。注：plt.scatter()绘制散点四等小站，plt.plot()绘制折线图。红点是实际分布，蓝色线是预测趋势线。两者是趋于一致的，预测的偏离并不大。下面看看多元线性回归，通过鸢尾花花瓣长度预测花瓣宽度。3. 将dataset切分成训练数据集和测试数据集。看来两者是一样的形状和大小。6. 把测试集预测结果可视化。

2024-09-02 19:04:55 692

原创第L1周：机器学习-数据预处理

注：原来的NaN处被38.7777778和63.7777778,这个值是通过mean也就是平均值而来，手动计算一下：(44+27+30+38+40+35+48+50+37) / 9 = 38.77777777777778。将数据缩放到一个均值为 0，标准差为 1 的正太分布，消除不同特征量纲的影响，尤其是像支持向量机 (SVM)、逻辑回归、神经网络等基于梯度的模型。●missing_values: 指定需要替换的缺失值。●fit(X, y=None): 拟合 imputer，计算用于替换缺失值的统计值。

2024-08-31 22:38:16 1283 2

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

[数据结构算法——Visual.C.6.0程序集].侯识忠.清晰版

子网掩码，反掩码计算器

Secpath典型配置实例之安全

超级好用的查找文件工具

ccsetup2.03

IP Helper

IP子网计算工具

Windows Live Installer

飞鸽传书IPMSG

BOINC.EXE

卸载诺顿的小工具

补充:关于802.1X身份验证中CA证书的配置

防止ARP欺骗

nbtscan.exe

空空如也