- 博客(15)
- 收藏
- 关注
RSS订阅原创 A Survey on Learning to Hash汇报
1. 确认方向吻合——符合2. 扫一眼结构2.目录或一级标题。看是否涵盖背景、算法分类、挑战、未来趋势。3. 看发表信息：期刊（ACM、IEEE等）、年份（尽量近3~5年）。这一步类似筛选，不要急于细读。
2025-09-25 23:05:49
432
原创 文献汇报方法
1. 确认方向吻合2. 扫一眼结构：目录或一级标题。看是否涵盖背景、算法分类、挑战、未来趋势。3. 看发表信息：期刊（ACM、IEEE等）、年份（尽量近3~5年）。这一步类似筛选，不要急于细读。
2025-09-25 20:43:01
312
原创 pytorch基础学习(3)
2. nn.CrossEntropyLoss → 用于的损失函数，它结合了Softmax激活和的计算BCELossNLLLoss→ PyTorch 中用于的容器类，它将多个网络层按顺序组合成一个完整的模型nn.Module用于定义全连接层（Fully Connected Layer），也称为线性层或仿射变换层。它的作用是对输入数据进行线性变换（y = xW^T + b），是神经网络中最基础的组件之一。requires_grad=True：开启自动求导，计算梯度。
2025-07-24 00:05:17
849
原创 过拟合，欠拟合
测试损失略高于训练损失（合理差距）都很高，且两者接近（差距小）曲线几乎平行于x轴，不再下降。先下降后上升（出现明显拐点）两条曲线在后期基本平行。两条曲线差距越来越大。
2025-07-21 23:48:53
296
原创 pytorch学习基础（1）
multinomial.Multinomial(10,fair_probs).sample((500,)) →五百组实验，每组抽十个样本。with...as f: →安全打开文件，写完关闭（f.write() f.close()）.detach() →切断与计算图的链接（y.detach:不让y参与求导）.path.join() →拼接路径（'..' →返回上一级目录）.plt.axhline((6,4.5)) →绘制水平参考线。.sum().backward() →自动求导组合。
2025-07-18 14:04:08
300
原创 Tensorflow2搭建YoloV7目标检测平台
YoloV7所使用的主干特征提取网络具有两个重要特点：1、使用了多分支堆叠模块，这个模块其实论文里没有命名，但是我在分析源码后认为这个名字非常合适，在本博文中，多分支堆叠模块如图所示。看了这幅图大家应该明白为什么我把这个模块称为多分支堆叠模块，因为在该模块中，最终堆叠模块的输入包含多个分支，左一为一个卷积标准化激活函数，左二为一个卷积标准化激活函数，右二为三个卷积标准化激活函数，右一为五个卷积标准化激活函数。四个特征层在堆叠后会再次进行一个卷积标准化激活函数来特征整合。return y。
2025-03-22 23:06:00
1182
原创 零基础入门matlab
B = 1:2:9 %第二个参数为步长，不可缺省B = 1(起始值):2(步长):9(最后值)C = repmat(B,3,2) %重复执行3行2列D = ones(2,4) %生成一个2行4列的全1矩阵。
2025-03-18 13:15:29
723
原创 第3章 YOLOv2目标检测算法原理
YOLOv2（YOLO9000），预测更准确，速度更快，识别物体更多优点：1.缓解YOLOv1中定位不准确和检测召回率较低的问题缺点：1.小目标检测效果较差2.整体检测效果有待提高。
2025-03-09 18:59:43
1017
原创 第五章VGG原理与实战
特点：1.深度更深（在ResNet出来后，这一点被反驳了），参数更多，效果更好2.小尺寸的卷积核使参数更少，而且效果也不比5x5的差- 参数数量计算公式为：参数数量=（卷积核大小*输入通道数+偏置项）*输出通道数3.块可以有效设计复杂网络。
2025-03-07 15:45:32
549
原创 第四章LeNet与AlexNet原理与实战
return x数据集采用的是Fashion_MINIST，一共有70000张数据，其中60000张用来训练，10000张用来测试，每张图都是28281的灰度图，最后分成10个类别train_loader = Data.DataLoader(dataset=train_data, # 数据集# 获得一个Batch的数据breakbatch_x = b_x.squeeze().numpy() # 将四维张量移除第1维，并转换成Numpy数组。
2025-03-05 02:15:55
842
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