- 博客(8)
- 收藏
- 关注
RSS订阅原创 【无标题】
每个卷积核仅对输入数据的一个小局部区域（如3×3的窗口）进行运算，专注于提取微小的、基础的特征模式。本文将深入剖析CNN的核心要义，系统解读一维、二维、空洞、转置、深度可分离及因果卷积的原理与适用场景，并深度解析通道、1×1卷积等关键概念，为您的工程实践提供坚实的理论支撑与架构指南。这确保了在计算时刻 t的输出时，卷积核只能看到 t, t-1, t-2, ..., t-(k-1)时刻的输入，而绝对无法看到 t+1或未来的任何信息。例如，一个3x3核，r=2时，其感受野相当于一个5x5的标准卷积核。
2025-12-05 18:55:39
1116
原创 深入理解 LSTM 与 RNN：解锁序列数据建模的核心技术
尽管当前 Transformer（如 BERT、GPT）在多数序列任务中表现更优，但 RNN 和 LSTM 的核心思想（时序关联捕捉、选择性记忆）仍是理解复杂序列模型的基础，也是 AI 工程师在资源受限场景下的重要选择。但这种 “全记忆” 设计，也埋下了梯度消失的隐患。：若序列长度差异大（如文本长度 5-200 词），可采用 “截断 + 填充”（固定序列长度）或 “动态批处理”（同批次序列长度一致）。偏置：b₁（隐藏层偏置，维度：隐藏层维度 ×1）、b₂（输出层偏置，维度：输出维度 ×1）
2025-12-05 18:46:00
608
原创 卷积神经网络
卷积神经网络（CNN）是一种深度前馈神经网络，模拟生物视觉系统处理网格结构数据（如图像）。其核心包括卷积操作（权值共享和感受野）、池化（最大/平均池化）、激活函数（ReLU等）和全连接层。CNN广泛应用于图像分类、目标检测、医学影像分析等领域。网络架构演进包括AlexNet（引入ReLU和Dropout）、VGG（堆叠小卷积核）和ResNet（残差连接解决梯度消失）。多输入/输出通道机制允许网络从底层特征（边、纹理）逐步组合高级模式（物体部件）。1×1卷积层实现通道间信息融合，等价于全连接层。CNN通过层级
2025-08-22 19:36:13
1920
原创 图神经网络（GNN）：原理与模型解析
摘要：图神经网络（GNN）是处理非欧几里得图结构数据的深度学习模型，通过节点嵌入实现对图数据的分类、预测等任务。文章系统介绍了GNN的核心原理，包括图的基本表示、置换不变性要求，以及空域和谱域两种图卷积网络。重点分析了谱域GCN的数学基础，包括拉普拉斯矩阵、图傅里叶变换，以及从切比雪夫网络到GCN的演进过程。GNN通过聚合邻居信息更新节点特征，有效解决了传统神经网络无法直接处理图结构数据的问题。
2025-08-15 16:51:28
5233
1
原创 图注意力网络与图卷积网络：原理、优缺点及适用范围对比
图卷积网络(GCN)和图注意力网络(GAT)是处理图结构数据的两种重要神经网络。GCN通过聚合邻居节点信息更新特征，计算效率高但难以区分邻居重要性；GAT引入注意力机制动态分配权重，可解释性强但对异构图处理不足。GCN适合静态规则图的任务，GAT更适用于需要区分关系重要性的动态图场景。两者各有优势，应根据具体任务需求选择或结合使用。
2025-07-16 13:18:51
1084
原创 深入解析 RNN、LSTM 与 GRU：原理、特点及适用范围
本文详细解析了循环神经网络（RNN）、长短期记忆网络（LSTM）和门控循环单元（GRU）三种模型的原理与特点。RNN结构简单但存在短期记忆缺陷，适合短序列任务；LSTM通过门控机制解决了长期依赖问题，适用于复杂序列任务但计算成本高；GRU在保持LSTM优势的同时简化结构，平衡了性能与效率。实际应用中应根据任务需求选择：短序列用RNN，高精度长序列用LSTM，平衡效率与性能则选GRU。理解三种模型特性对选择合适工具至关重要。
2025-07-16 11:18:22
1900
原创 四大统计检验方法详解：模型验证的核心工具
是一种基于 F分布（F-distribution） 的统计检验方法，常见于比较方差、检验回归模型整体显著性，或者在 方差分析（ANOVA） 中比较多个总体均值是否存在显著差异。LB检验、随机性检验，用来检验m阶滞后范围内序列的自相关性是否显著，或序列是否为白噪声，Q统计量服从自由度为m的卡方分布。≠ ANOVA：ANOVA是F检验的应用场景之一，F检验还可用于回归模型和方差齐性检验。：F检验仅直接比较两组方差，ANOVA中的方差齐性通常使用Levene检验（更稳健）。：小样本/非正态→非参数；
2025-05-25 13:21:26
600
原创 详解时间序列交叉验证：sklearn.model_selection.TimeSeriesSplit 用法与实战
介绍python语言中sklearn.model_selection.TimeSeriesSplit的用法。
2025-05-12 10:16:22
824
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人