- 博客(45)
- 收藏
- 关注
RSS订阅原创 深入浅出 ResNet（残差网络）
当 F(x)F(x) 约等于0时，这意味着残差块的输出几乎等同于输入 xx，这实际上为网络提供了一条“捷径”，使得即使不学习任何额外的特征，深层网络依然可以保持良好的性能。ResNet的提出标志着深度学习领域的一个里程碑，它证明了通过合理的网络设计，可以有效克服深层网络训练中的挑战。这里的 H(x)是残差块的输出，F(x,{Wi}) 表示通过几个卷积层后得到的特征图，而 x 则是残差块的输入，通过跳跃连接直接加上了 F(x,{Wi})：这是一个1x1的卷积层，主要用来降维，将特征图的数量减半至128个。
2024-09-26 09:50:21
654
原创 卷积神经网络实战：手写数字识别
通过以上步骤，我们成功构建并训练了一个卷积神经网络来识别MNIST数据集中的手写数字。这个过程不仅加深了我们对CNN的理解，还为我们提供了处理图像数据的实践经验。未来，我们可以尝试不同的网络结构或者调整超参数来进一步优化模型的表现。
2024-09-26 09:22:00
415
原创 卷积神经网络（CNN）图像处理与识别原理
图像在计算机中是以一系列0至255之间的数值组成的矩阵形式存储的，这些数值代表了像素点的亮度或色彩强度。而在彩色图像中，每个像素点通常由红（Red）、绿（Green）、蓝（Blue）三个通道的值组成，形成一个三维张量。卷积核是一个小的矩阵或张量，它在图像上滑动并与图像的局部区域进行点积运算，从而提取出图像的特征。图像不变性是指，即使图像中的物体发生位置、大小或旋转的变化，CNN仍能正确识别出该物体。感受野定义了神经元能够“看到”的输入数据的范围，它决定了网络可以捕捉到的特征的尺度。
2024-09-23 22:01:12
1187
原创 深度学习 之 常见损失函数简介：名称、作用及用法
它用来度量模型预测结果与真实值之间的差异，从而指导模型参数的优化。: 用于分类问题，特别是多分类问题，衡量预测概率分布与真实标签之间的差异。: 在误差较小时表现出 MSE 的性质，在误差较大时表现出 L1 的性质。: 用于分类问题，特别是多分类问题，衡量预测概率分布与真实标签之间的差异。: 考虑了预测的不确定度，适用于需要估计预测不确定性的场景。: 当预测概率接近真实标签时，损失值较小，反之则较大。: 用于二分类问题，衡量预测概率与真实标签之间的差异。: 当预测概率接近真实标签时，损失值较小，反之则较大。
2024-09-18 21:45:07
1315
原创 使用 PyTorch 构建 MNIST 手写数字识别模型
定义神经网络模型return x解释定义一个简单的多层感知器模型。使用nn.Flatten展平输入图像。多个全连接层 (nn.Linear) 和激活函数 (实例化模型并移动到 GPU解释检查是否有可用的 GPU 并将模型移动到 GPU 上。通过上述步骤，我们构建了一个简单的神经网络模型来识别 MNIST 数据集中的手写数字。使用 PyTorch 可以轻松地处理数据、定义模型、训练和测试模型。这个项目不仅展示了如何使用 PyTorch 进行图像识别，还介绍了如何利用 GPU 加速训练过程。
2024-09-14 17:18:45
1642
原创 PyTorch安装指南：轻松上手深度学习框架（CUDA）
PyTorch 是一个非常流行的开源深度学习框架，它支持动态图，这使得开发者能够更容易地构建和调试复杂的模型。PyTorch 可以运行在 CPU 上，也可以利用 NVIDIA 的 CUDA 平台加速计算，从而在 GPU 上执行。下面是如何在你的系统上安装 PyTorch，以便你可以开始使用 CUDA 加速功能。
2024-09-13 22:32:41
1255
原创 深度学习入门：探索神经网络、感知器与损失函数
通过本文的介绍，我们了解了神经网络的基本构造、感知器的工作原理以及损失函数在训练过程中的重要作用。深度学习不仅是一项强大的技术，更是开启未来无限可能的钥匙。随着你不断深入学习，你会发现更多令人兴奋的概念和技术，如卷积神经网络（CNN）、循环神经网络（RNN）等，这些都将帮助你在实际应用中解决更为复杂的问题。希望这篇文章能够激发你对深度学习的兴趣，并为你踏上这条充满挑战与机遇的旅程提供坚实的基础。
2024-09-12 22:03:10
806
原创 opencv 之 实战项目 识别银行卡上的数字
import cv2i = 0i = 1#zip(*...)使用星号操作符解包排序后的元组列表，并将其重新组合成两个列表:一个包含所有轮廓，另一个包含所有边界框。dim = Noneelse:resized=cv2.resize(image,dim,interpolation=inter) #默认为cV2.INTER_AREA，即面积插值，适用于缩放图像。通过本实战项目，我们展示了如何使用 OpenCV 进行银行卡上数字的识别。
2024-09-11 22:13:45
1684
原创 机器学习之 SVD降维：图像压缩示例
UU 是一个由左奇异向量组成的正交矩阵。ΣΣ 是一个对角矩阵，对角线上是奇异值。VTVT 是一个由右奇异向量组成的正交矩阵的转置。在降维过程中，我们通常保留较大的奇异值对应的奇异向量，忽略较小的奇异值，从而达到降维的目的。
2024-09-06 21:58:28
597
原创 机器学习之 PCA降维
主成分分析（Principal Component Analysis, PCA）是一种统计方法，用于在数据集中寻找一组线性组合的特征，这些特征被称为主成分。PCA 的目标是通过变换原始特征空间到新的特征空间，从而减少数据的维度，同时尽量保留数据中的重要信息。计算协方差矩阵：反映各特征之间的相关性。求解协方差矩阵的特征值和特征向量：特征值反映了主成分的重要性，特征向量指示了主成分的方向。选择主成分：选择那些具有较大特征值的主成分，这些主成分能够解释数据的大部分变异。数据投影。
2024-09-05 22:21:02
1417
原创 OpenCV 之图像平滑处理
通过上述代码演示，我们展示了 OpenCV 中几种常用的图像平滑处理方法：均值滤波、方框滤波、高斯滤波和中值滤波。这些方法各有特点，适用于不同的应用场景。均值滤波和方框滤波较为简单，适用于一般的噪声抑制；高斯滤波保留更多细节的同时也能有效去除噪声；中值滤波对于椒盐噪声尤其有效。选择合适的滤波器和参数，可以大大提高图像处理的效果。
2024-09-04 21:55:27
2486
原创 深度学习之 OpenCV 图像边缘检测算法解析及代码演示
通过以上代码演示，我们展示了如何使用 OpenCV 的 Sobel 算子进行图像边缘检测。Sobel 算子通过计算图像在 x 和 y 方向上的梯度，能够有效地识别出图像中的边缘。此外，通过调整数据类型和使用绝对值转换，我们能够更好地显示边缘信息。这种边缘检测技术在许多计算机视觉应用中都有重要作用，如物体识别、运动检测等。
2024-09-02 21:57:18
1645
原创 文本分析之关键词提取（TF-IDF算法）
通过以上步骤，我们成功地实现了从《红楼梦》分卷文本中提取关键词的功能。TF-IDF 算法结合中文分词和停用词过滤技术，能够有效地识别出文本中的重要词汇，这对于文本摘要、信息检索和文档分类等任务非常有用。
2024-08-29 22:10:29
968
原创 机器学习 之 DBSCAN算法 及实现
通过上述步骤，我们完成了 DBSCAN 聚类分析的过程。灵活性：DBSCAN 不需要预先知道簇的数量。噪声处理：DBSCAN 能够有效地识别和排除噪声点。任意形状簇：DBSCAN 能够发现任意形状的簇。在本实验中，我们不仅实现了 DBSCAN 算法，还通过轮廓系数得分来评估聚类结果的质量。DBSCAN 的这些特性使其在处理复杂数据集时特别有用，尤其是在需要识别噪声和发现不规则簇形状的情况下。
2024-08-28 22:31:36
1419
原创 机器学习之 K-means算法的代码实现
K-means 是一种常用的无监督学习算法，主要用于数据聚类。它的主要思想是将数据集中的数据分成 K 个簇（Cluster），使得簇内的数据点尽可能相似，而簇间的差异尽可能大。K-means 算法的核心步骤包括初始化质心、分配数据点到最近的质心、更新质心，重复这个过程直到收敛。通过上述步骤，我们完成了 K-means 聚类分析的过程。K-means 算法通过迭代的方式不断优化簇内数据的相似性和簇间数据的差异性，从而达到聚类的目的。
2024-08-27 22:04:55
666
原创 机器学习之 贝叶斯算法 及朴素贝叶斯分类器的代码实现
贝叶斯算法是一种基于概率论的统计学方法，广泛应用于机器学习领域。它基于贝叶斯定理，用于计算后验概率。贝叶斯定理可以表述为：P(A∣B) 表示在事件 B 发生的情况下事件 A 发生的概率，称为后验概率。P(B∣A) 表示在事件 A 发生的情况下事件 B 发生的概率，称为似然度。P(A) 和 P(B) 分别是事件 A 和 B 的先验概率。在机器学习中，贝叶斯算法通常用于分类任务，特别是文本分类和垃圾邮件过滤等领域。# 定义一个绘制混淆矩阵的函数# 计算混淆矩阵。
2024-08-26 22:26:29
699
原创 初识 OpenCV: 图像处理入门
OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉库，它包含了大量的图像处理和计算机视觉算法。OpenCV 支持多种编程语言，包括 Python、C++ 等。在本篇博文中，我们将通过一些简单的示例来探索 OpenCV 中的基本功能，包括提取 RGB 颜色通道、图像间的数学运算以及边界填充等操作。
2024-08-25 22:41:52
830
原创 初识 OpenCV：计算机视觉的入门指南
本文介绍了 OpenCV 的安装、基本使用方法以及一些图像处理的基础操作。OpenCV 是一个强大的工具，可以用于开发各种复杂的计算机视觉应用程序。随着对 OpenCV 的深入了解，你将能够探索更多高级功能，如目标检测、人脸识别等。
2024-08-23 21:45:47
978
原创 机器学习 之 决策树与随机森林的实现
随机森林是一种基于决策树的集成学习方法，它通过构建多个决策树并综合它们的预测结果来提高准确性和防止过拟合。自助采样：从原始数据集中通过有放回的方式抽取多个子样本集。构建决策树：在每个子样本集上独立地构建一棵决策树。随机特征选择：在构建每棵树的过程中，每个节点的分裂都是从所有特征的一个随机子集中选出最优特征。投票机制：对于分类任务，每棵树都会对新样本给出一个预测类别，最终的预测类别是所有树预测结果的多数表决结果。鲁棒性：由于使用了多棵决策树，单棵树的错误不会影响整体预测结果。易于实现。
2024-08-22 22:08:20
767
原创 Python 笔记 numpy.ndarray切片
单个索引使用单个索引选择一个元素。切片使用start:stop形式的切片选择一个范围内的元素。使用形式的切片选择每隔一定步长的元素。使用选择整个维度。多维切片在多维数组中，可以在每个维度上分别使用切片。使用逗号分隔不同维度上的索引或切片。
2024-08-21 22:36:10
315
原创 机器学习 之 使用逻辑回归 进行银行贷款预测2之过采集（不是哥们儿，你点赞的样子也太帅了吧）
过采集（Over-sampling）是一种数据预处理技术，用于解决机器学习中数据不平衡的问题。数据不平衡指的是在数据集中，某些类别的样本数量远多于其他类别的情况。这种不平衡会导致模型倾向于预测样本数量较多的那一类，而忽视少数类别的样本。为了更好地理解过采集，我们可以通过一个简单的例子来解释：假设你正在构建一个用于预测病人是否有罕见疾病的模型。数据集包含1000个病人的记录，其中只有10个人患有这种疾病（正例），而990个人没有患病（负例）。这是一个非常不平衡的数据集，因为正例的数量远远少于负例。
2024-08-21 10:24:44
1436
原创 机器学习 之 使用逻辑回归 进行银行贷款预测（请帮忙点点赞谢谢，这对我很重要）
逻辑回归是一种广泛应用于二分类问题的统计方法。尽管它的名字中包含“回归”，但它主要用于分类任务，特别是当因变量（目标）只有两种可能的结果时。标准化（Standardization）是一种常见的数据预处理技术，主要用于将特征缩放到具有相同尺度的范围内，以消除特征之间量纲的影响。简单来说，标准化的目标是让数据的分布接近标准正态分布，即均值为0，标准差为1。
2024-08-20 00:11:48
1314
原创 机器学习 之 线性回归算法
线性回归是一种监督学习技术，用于预测连续数值型的目标变量。它假设自变量与因变量之间存在线性关系，并试图找到最佳拟合直线来描述这种关系。线性回归的核心在于最小化预测值与实际值之间的差距，即误差平方和（SSE）。线性回归可以分为两种主要类型：一元线性回归和多元线性回归。
2024-08-18 23:03:44
1570
原创 机器学习之 K 近邻算法图像识别实战
K 近邻算法的工作原理非常直观：给定一个训练数据集，对于每一个待分类的对象，找出特征空间中最接近它的 K 个训练样本，这 K 个样本的多数类别决定了待分类对象的类别。距离度量：通常使用欧氏距离作为相似性度量。K 的选择：K 的值决定了分类的灵活性，较小的 K 值使得分类更加敏感，较大的 K 值则更加稳健。
2024-08-16 20:16:36
698
原创 机器学习 之 sklearn的使用介绍和如何找到API
（简称sklearn）是基于python语言的一个第三方机器学习库，它提供了简单而有效的工具来进行数据分析和建模。建立在numpy pandas SciPy和Malpotlib库上，下面是对如何使用sklearn。
2024-08-15 22:20:56
741
原创 请以零基础学Python 之 第二十讲 分组和贪婪匹配
当我们处理字符串时，有时候需要根据特定的模式来分割或者提取信息。Python 提供了强大的正则表达式库re，可以帮助我们实现这些复杂的字符串操作。本篇博客将介绍两个常用的正则表达式技巧：分组和贪婪匹配。
2024-07-31 21:57:57
530
原创 零基础学python 之 第十九讲 正则表达式
正则表达式（Regular Expression）是用于描述字符串模式的一种工具，可以用来匹配、查找、替换符合特定规则的文本。它是一种强大且灵活的文本处理工具，不仅在Python中常用，在其他编程语言和各种文本编辑器中也广泛应用。正则表达式是Python中处理文本数据非常有力的工具，能够实现复杂的字符串模式匹配、查找、替换和分割操作。通过学习本文介绍的基础语法和常用操作，你可以开始探索更多复杂的正则表达式应用场景，如验证输入的格式、从文本中提取信息等。
2024-07-31 21:54:55
818
原创 零基础学Python之 第十八讲 文件读写
文件读写是Python编程中非常基础和常用的操作之一。通过本文的介绍，你应该能够掌握如何使用Python打开、读取和写入文件，以及如何利用上下文管理器和异常处理来更安全和有效地进行文件操作。这些技能对于处理文本数据、日志记录、配置文件等任务至关重要，是进一步学习和实践Python编程的重要一步。希望这篇博客能帮助你更好地理解和应用Python中的文件读写操作！
2024-07-31 21:26:10
537
原创 零基础学Python 之 第十七讲 异常处理
在编程中，异常是指阻止程序正常执行的事件或情况。这些情况可能包括文件不存在、网络连接失败、用户输入错误或者尝试除以零等。当 Python 解释器遇到这些异常时，它会引发一个异常对象，该对象包含有关错误发生的信息。除了捕获标准的异常类型外，你还可以自定义异常类来满足特定的需求。这样可以使你的代码更具可读性和可维护性。try:# 某些代码可能会引发自定义异常raise MyCustomError("这是一个自定义异常！")
2024-07-25 20:10:59
513
原创 零基础学Python之 第十六讲 鸭子类型和猴子补丁
鸭子类型和猴子补丁都展示了Python语言中的动态特性和灵活性。通过鸭子类型，我们可以编写更加灵活的代码，依赖于对象的行为而非明确的类型；而猴子补丁则允许我们在运行时动态地修改或扩展类的行为。理解和熟练运用这两个概念，将有助于编写更加灵活和高效的Python程序。
2024-07-23 19:36:29
702
原创 零基础学Python之 第十五讲 类的继承和多态
类的继承和多态是Python面向对象编程中的核心概念。通过继承，我们可以构建出具有层次结构的类体系，提高代码的重用性和扩展性；而多态则使得我们可以通过统一的接口来操作不同的对象，增强了程序的灵活性和可维护性。深入理解和熟练运用这两个概念，将帮助我们写出更加优雅和功能强大的Python程序。
2024-07-23 19:30:48
442
原创 零基础学Python之 第十四讲 类的定义 概念 和封装
在 Python 中，类是一种抽象数据类型，它定义了对象的属性（称为属性）和操作对象的方法（称为方法）。类可以看作是创建对象的蓝图或模板，对象是根据类的定义而创建的实例。定义一个类的语法非常简单，使用关键字class后跟类名，然后是冒号。类名通常使用驼峰命名法（例如MyClasspass在上面的示例中，MyClass是一个简单的类定义，使用了pass关键字，表示暂时不添加任何其他内容。类是 Python 编程中一个强大且灵活的概念，它允许我们以一种更结构化和模块化的方式组织代码。
2024-07-21 20:47:04
921
2
原创 零基础学Python之 第十三讲 作用域和时间函数
作用域和时间函数是编程中基础但至关重要的概念。理解作用域可以帮助我们正确地管理变量的可见性和生命周期，而时间函数则是测量和控制程序执行时间的重要工具。通过本文的介绍和示例，希望读者能够更加清晰地理解和运用这些概念，从而在编写Python程序时更加得心应手。
2024-07-21 20:35:58
429
2
原创 零基础学Python之 第十二讲 递归函数
递归函数是指在函数的定义中使用函数自身的方法。换句话说，函数可以通过调用自身来解决更小规模的子问题，从而达到解决整体问题的目的。基本情况（Base Case）：直接给出答案的条件。递归函数在处理过程中会逐步向基本情况靠近，最终到达这个基本情况从而停止递归。递归情况（Recursive Case）：函数调用自身来处理问题的部分。通过这一步骤，问题被分解成更小的同类问题，直到达到基本情况为止。递归函数是一种强大的编程工具，但也需要注意避免无限递归或者效率低下的问题。
2024-07-21 20:24:47
320
2
原创 零基础学Python之 第十一讲 函数和它的参数类型
函数是Python编程中不可或缺的部分，它们使代码模块化、易于维护和复用。通过灵活运用不同类型的参数，你可以编写出更加强大和灵活的函数，提升代码的可读性和可维护性。希望本篇博客能够帮助你入门Python函数的基础知识和参数类型，为你的编程学习之路打下坚实的基础！
2024-07-21 20:01:20
721
原创 零基础学Python 之 第十讲 集合、列表生成式
集合和列表生成式是Python中强大而灵活的特性，它们能够帮助你高效地处理和操作数据。通过掌握这两个概念，你可以编写出更为简洁和优雅的代码，提升你的编程效率。继续学习和实践，你将能够更深入地理解和运用它们在实际项目中。希望本文能够帮助你理解和应用集合和列表生成式这两个Python的重要概念！如有任何疑问或建议，欢迎留言交流。
2024-07-21 19:47:33
417
原创 零基础学python之 第九讲 深浅拷贝，元组，字典，容器的遍历
当我们开始学习Python编程时，深浅拷贝、元组、字典和容器的遍历是我们需要掌握的基础知识。本文将介绍这些概念，并提供简单易懂的示例，帮助初学者更好地理解和应用这些概念。
2024-07-21 19:39:22
537
原创 零基础学python之第八讲 冒泡排序
冒泡排序虽然简单，但在理解排序算法的基本概念和Python编程能力的同时，也能培养我们对算法优化的思考。Python的简洁和直观使得这个过程更为清晰和有趣。希望通过这篇博客，读者能够更加深入地理解冒泡排序算法及其在实际编程中的应用。在学习过程中，勤加练习，一定会在Python编程的道路上越走越远！
2024-07-19 17:28:47
349
原创 零基础学python之 第七讲 列表与列表方法
列表是Python中最常用的数据结构之一，它是一个有序、可变的集合，可以包含任意数量的元素，每个元素可以是不同类型的数据（例如整数、字符串、甚至其他列表）。列表用方括号[]表示，元素之间用逗号分隔。通过本文，我们了解了Python中列表的基本概念及其常用方法。列表是Python编程中不可或缺的一部分，它提供了强大的灵活性和便利的操作方式，适合处理各种类型的数据集合。随着学习的深入，列表的应用将贯穿于你编写的各种程序和项目中，帮助你更高效地管理和操作数据。
2024-07-19 17:18:22
438
原创 零基础学Python之 第六讲 if语句和循环语句
本文介绍了Python中的if语句和循环语句的基础知识和用法。if语句用于根据条件执行不同的代码块，而循环语句允许我们重复执行代码直到特定条件不再满足为止。掌握这些基础概念是进一步学习和应用Python编程的关键步骤。随着实践的深入，你将能够利用这些语句解决更复杂的问题，并编写功能强大的程序。
2024-07-19 16:40:29
662
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