- 博客(9)
- 收藏
- 关注
RSS订阅原创 【NLP实验】姓氏分类任务—前馈神经网络
本篇博客全面解析了使用多层感知机和卷积神经网络进行自然语言处理任务的方法，以姓氏分类任务为引，展示了从数据预处理到模型实现，再到训练与预测的全过程。在技术背景部分，我们理解了模型的思想，掌握了模型的结构，大致了解数据如何在神经网络中进行前向传播的。在技术实现部分，我们将整个流程拆解为类实例的实现，包括数据集、词汇表、分词器、网络模型等，然后借助这些类实现对数据集的处理，对模型的训练以及预测过程。
2024-06-29 16:53:35
613
原创 计算机视觉实验4——cifar100分类任务
数据预处理：对CIFAR-100数据集进行了标准化处理，将图像的像素值归一化到[0,1]区间，并进行了数据增强（如随机翻转、裁剪等），以增加模型的泛化能力。模型构建：使用PyTorch框架实现ResNet18模型，该模型包含多个残差块，每个块内部有两层卷积操作，通过残差连接（skip connection）将输入直接与经过若干层变换后的输出相加，简化了学习任务，帮助梯度顺利传播。优化器选择与学习率调整。
2024-06-28 16:21:28
1845
原创 计算机视觉实验5——基于Unet模型的语义分割任务
1. Unet模型结构：掌握了Unet的模型结构，U-Net由两部分组成，一个下采样路径（编码器）用于捕获上下文信息，随后是一个上采样路径（解码器）逐步恢复特征的空间分辨率，最终输出与原始输入尺寸相同的分割掩模。Unet结构创造性的使用了跳跃连接，提高了模型分割精度和细节保留能力。2. 数据处理及增强：为了提升模型的泛化能力，实验过程中对VOC数据集实施了多种数据增强策略，包括旋转、翻转、缩放等，增加了训练集的多样性，帮助模型学习到更广泛的图像变化。3. 损失函数和学习率策略。
2024-06-28 16:00:35
2005
原创 NLP实验3——基于Transformer的机器翻译
本篇博客接着上次的基于注意力机制的RNN模型的机器翻译任务，对新手有一定参考价值，还请大佬多多指教。本文主要讲述采用Transformer模型进行机器翻译，采用编码器-解码器结构进行训练，总的来说简单地复现了论文中所提到的Transformer架构，完成了中日翻译和中英翻译两个任务的训练、预测等流程。技术背景部分简单的写出作者对Transformer架构的一些理解，如：多头注意力机制、掩码机制、位置编码等独特的技术，还有不借助循环神经网络，只需要靠注意力机制就能完成训练的Transformer模型。
2024-06-24 21:09:07
1996
原创 NLP实验2——基于循环神经网络的机器翻译
本篇博客为一篇动手实践机器翻译模型的学习博客，对新手有一定参考价值，还请大佬多多指教。本文主要讲述NLP中机器翻译所依据的技术背景，借助Google提出的序列到序列的模型进行机器翻译，期间采用了基于注意力机制的RNN进行训练，使用BLEU进行预测性能的评估。技术背景部分主要简单概括了相关内容的实现原理，介绍了完成机器翻译所依据的相关技术，其中RNN模型的介绍（LSTM，GRU等）已经有了很多优秀博客，并且在本篇博客中不是主要部分，此处就没有继续献丑。
2024-06-24 20:21:11
888
原创 计算机视觉实验3——cifar10分类任务
调用父类的构造函数self.transform = transform # 设置属性的transformself.images = data # 假设data的shape为（图片数，32,32,3），数据类型为np.uint8，值域为[0,255]self.labels = label # 假设label的shape为（图片数，），pytorch会在计算交叉熵后自动转换为onehot编码# 定义transform：包括两个顺序步骤。
2024-06-21 22:30:00
879
原创 计算机视觉实验2——边缘检测及阈值处理
Canny边缘检测提供了一种高效的边缘检测技术，能够准确提取图像中的边缘信息。实验中，我通过调节高低阈值，深入理解了边缘的细化和连接过程。人工阈值分割让我们掌握了手动设定阈值的基本方法，通过观察图片和灰度直方图，我体会到了阈值选择对分割效果的直接影响。迭代法阈值分割和OSTU法阈值分割则展示了自动化阈值选择的优势，迭代法通过不断优化阈值，提高了分割的准确性，而OSTU法则通过最大化类间方差，自动确定最佳阈值，大大简化了分割过程。通过与人工阈值分割对比，它们具有通用性和自动化的能力，并且分割效果优异。
2024-06-21 21:00:59
73
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