- 博客(47)
- 收藏
- 关注
RSS订阅原创 图像分割完全指南：从任务本质到网络实现全解析
图像分割的核心是 “像素级分类”—— 通过算法预测每个像素的语义类别（如人、车、天空），输出与原图尺寸一致的 “分割掩膜（Mask）”，精准勾勒目标轮廓，实现 “哪里是什么” 的细粒度场景理解。任务分层：从语义分割（区域归类）到实例分割（个体识别），再到全景分割（全场景理解），逐步贴近真实场景需求；数据支撑：VOC、Cityscapes、COCO 等数据集提供标准化标注，为模型训练与评估奠定基础；指标核心：mIoU 作为黄金指标，全面衡量分割精度，指导模型优化；技术核心。
2025-11-27 10:17:47
329
原创 U-Net 系列算法解析：从经典分割到多尺度特征融合升级
U-Net 系列的迭代逻辑清晰：从 U-Net 的 “基础特征复用”，到 U-Net++ 的 “密集融合 + 深度监督”，再到 U-Net+++ 的 “多尺度全面整合”，始终围绕 “提升特征利用效率” 核心，逐步解决 “细节丢失、梯度消失、多尺度适配” 等问题。若你是分割入门或需快速部署，优先选择 U-Net；若需高精度且需灵活调整模型复杂度，U-Net++ 是最佳选择；若聚焦科研或超精细分割，可尝试 U-Net+++。
2025-11-27 10:13:16
310
原创 YOLOv5 核心架构解析：从模块创新到工程化优化
YOLOv5 的成功并非单一技术创新，而是通过 “模块优化 + 工程化打磨” 实现的综合提升：Focus 模块解决了下采样的信息丢失问题，Bottleneck CSP 强化了特征提取与训练稳定性，PAN 网络优化了多尺度特征融合，再配合便捷的可视化工具链，使其成为目标检测领域的 “开箱即用” 型标杆模型。无论是学术研究还是工业落地，YOLOv5 的模块化设计与工程化思路都值得借鉴，尤其适合需要快速部署、兼顾速度与精度的实时检测场景。
2025-11-27 10:11:10
553
原创 YOLOv4 核心笔记：兼顾速度与精度的全方位优化
BOF 模块仅增加训练阶段的计算成本，不影响推理速度，核心围绕 “数据增强”“网络正则化”“损失函数优化” 三大方向展开。
2025-10-20 14:05:50
674
原创 YOLOv3 核心笔记：多尺度特征融合与全面性能升级
YOLOv3 在 YOLOv1、v2 基础上，以 “强化小目标检测、提升多类别适配性” 为核心目标，通过多尺度特征融合、残差网络架构、丰富先验框等改进，实现精度与速度的进一步平衡，成为单阶段目标检测的经典模型之一。
2025-10-17 16:08:07
405
原创 YOLOv1 与 YOLOv2 核心笔记：从单阶段检测开创到性能升级
YOLO 系列是单阶段目标检测的里程碑，YOLOv1 开创 “端到端回归” 新思路，YOLOv2 则通过多维度优化实现 “更快、更强” 的检测效果。这份笔记系统梳理两代模型的核心设计、网络架构、缺陷与改进，清晰呈现技术迭代逻辑。
2025-10-16 16:15:34
290
原创 目标检测项目核心笔记：从任务定义到算法流程
核心目标：同时完成 “分类”（识别物体类别，如人、车、狗）和 “回归”（定位物体位置，用边界框表示）两大任务，输出 “类别 + 边界框坐标”。四大核心挑战多任务协同：分类任务关注全局特征，回归任务关注局部位置，需平衡两者损失；目标数量与种类繁多：图像中可能包含 0~N 个物体，且类别差异大（如小到猫、大到汽车）；目标尺度不均：同一类物体可能因距离镜头远近呈现不同尺寸（如远处的人 vs 近处的人）；外部环境干扰：遮挡（如物体被部分遮挡）、噪声（如模糊、光照变化）会降低检测精度。
2025-10-15 14:14:32
534
原创 CIFAR-10 图像分类完整项目代码解析：从数据加载到模型训练与预测
这份代码实现了一个基于 PyTorch 的 CIFAR-10 数据集图像分类项目，涵盖全流程。以下从核心模块、代码逻辑、关键细节到结果解读，进行逐部分详细解析。
2025-09-27 15:00:16
755
原创 图像分类项目核心笔记：从任务层级到解决方案
图像分类是计算机视觉的基础任务，核心目标是将图像映射到预设类别标签并最小化分类误差。这份笔记将系统梳理图像分类的任务层级、评估指标、模型关键概念，以及样本量不足的解决方案，为实战项目提供完整理论框架。
2025-09-25 13:41:31
876
原创 PyTorch 数据处理工具箱笔记总结：从数据加载到可视化
Dataset是抽象类，需继承后实现__init__（初始化数据 / 标签）、（单样本读取）、__len__（样本总数）三个方法，核心是按索引返回单个样本（特征 + 标签）。# 初始化特征（5个2维向量）和标签（5个类别）# 按索引读取单个样本，转换为Tensor（适配PyTorch）txt = torch.from_numpy(self.Data[index]) # 特征：(2,)label = torch.tensor(self.Label[index]) # 标签：标量# 返回样本总数。
2025-09-25 09:14:49
939
原创 构建神经网络的两大核心工具
PyTorch 中构建网络主要依赖和，二者功能互补但适用场景不同，需根据需求选择：需先实例化层并传入参数，再以函数形式调用处理数据，示例：2. nn.functional：无参数的纯函数工具核心特性 纯函数设计：更接近数学函数，无参数管理功能，若需参数需手动定义和传递； 无模式切换：dropout 等操作需手动控制训练 / 评估状态（如）； 适用场景：无学习参数的操作，如激活函数（）、池化层（）、纯计算型操作（）。使用方式直接调用函数并传入输入数据，若涉及参数需手动传递，示例：
2025-09-23 18:50:22
719
原创 VGG和PyTorch 神经网络工具箱
组件间工作流程：输入数据经 “层” 处理得到预测值，损失函数计算预测值与真实值的误差，优化器根据误差梯度调整层的权重参数，形成闭环训练流程。依据损失函数计算的梯度，采用特定算法（如 SGD、Adam）更新模型参数，使损失最小化。神经网络的基本结构单元，负责将输入张量通过数据变换（如线性变换、卷积）转换为输出张量。参数学习的目标函数，量化模型预测值与真实值的差距，通过最小化损失实现参数优化。神经网络的构建与运行依赖四大核心组件，各组件功能明确且协同工作：。支持train()/eval()自动切换。
2025-09-22 16:04:42
650
原创 卷积神经网络（CNN）全解析：从原理到经典架构，读懂图像识别的核心
在深度学习领域，卷积神经网络（CNN）是图像识别、计算机视觉的 “核心引擎”—— 它凭借对图像空间结构的精准捕捉，彻底改变了传统机器学习处理图像的方式。从手写数字识别到自动驾驶视觉感知，CNN 的应用无处不在。今天我们从 “为什么需要 CNN” 讲起，拆解卷积层、池化层的核心逻辑，再带你梳理 LeNet、AlexNet、VGG 等经典架构的演进，帮你掌握 CNN 的本质与实战思路。
2025-09-19 15:37:26
892
原创 多层感知机（MLP）入门：从感知机到深度神经网络的关键一步
在深度学习的发展历程中，多层感知机（MLP）是从 “简单线性模型” 迈向 “复杂非线性模型” 的里程碑 —— 它通过引入 “隐藏层” 和 “激活函数”，解决了感知机无法处理的线性不可分问题，成为现代神经网络（如 CNN、Transformer）的基础架构。今天我们从经典感知机讲起，拆解多层感知机的核心逻辑、激活函数、训练方法，帮你理解 “深度” 如何赋予模型更强的表示能力。
2025-09-18 15:49:54
1153
原创 深度学习基础：线性回归与 Softmax 回归全解析，从回归到分类的桥梁
线性回归是深度学习的 “基础积木”，理解其参数优化逻辑（梯度下降、损失函数），就能迁移到复杂模型；适用场景：房价预测、销量估算、气温预测等连续值预测任务。Softmax 回归是 “回归到分类” 的关键桥梁，通过 Softmax 运算解决了分类任务的概率输出问题；适用场景：手写数字识别、图像分类（如 ImageNet 1000 类）、文本分类（如恶语评论分类）等多类分类任务。共性与延伸两者都是 “单层神经网络”，复杂模型（如 CNN、ResNet）的输出层常采用 Softmax 回归做分类；
2025-09-17 14:54:58
1032
1
原创 深度学习入门：从概念到实践，看懂 AI 时代的核心技术
在这个 AI 渗透生活方方面面的时代，深度学习早已不是晦涩的技术术语 —— 它藏在人脸识别考勤、短视频推荐、语音助手背后，甚至正在改变医疗、交通等行业的运作方式。今天我们从行业背景、核心概念、技术分类到实战工具，带你系统入门深度学习，搞懂它的本质与应用。
2025-09-17 14:48:44
607
原创 朴素贝叶斯算法全解析：从贝叶斯公式到三大模型实战
核心逻辑：基于贝叶斯定理和特征独立假设，通过 “先验概率 + 似然概率” 计算后验概率，实现分类；模型选择离散计数特征→多项式朴素贝叶斯；连续特征→高斯朴素贝叶斯；二值化特征→伯努利朴素贝叶斯；实战技巧特征非负：多项式和伯努利模型要求特征非负，需提前处理（如归一化）；平滑系数：\(\alpha\)建议设为 1.0（默认），避免概率为 0；先验概率：若有领域知识，可通过自定义先验概率，提升模型效果。
2025-08-25 19:19:03
994
原创 线性回归入门：从原理到实战的完整指南
核心逻辑：通过最小二乘法找到最优线性模型，最小化预测值与真实值的均方误差；关键指标：R² 是最直观的评估指标，越接近 1 说明模型拟合效果越好；实战技巧数据预处理：先处理异常值、缺失值，若特征量级差异大（如 “面积㎡” 和 “年收入万”），需标准化；特征工程：对非线性数据，可添加多项式特征（如 \(x^2\)、\(x_1x_2\)），将其转化为线性问题；避免多重共线性：用相关性分析删除高度相关的特征。
2025-08-25 19:13:41
871
原创 机器学习聚类与集成算法全解析：从 K-Means 到随机森林的实战指南
算法类型核心思想代表算法适用场景优点缺点K-Means 聚类按距离分组，最小化簇内误差K-Means无标签数据分组高效、简单、直观K 值难定、仅适用于球形簇Bagging 集成并行采样，投票平均随机森林分类 / 回归，抗过拟合并行高效、抗过拟合、可解释性强对异常值敏感Boosting 集成串行加权，纠正错误AdaBoost分类 / 回归，高精度需求精度高、无需复杂调参串行慢、易过拟合Stacking 集成多层融合，结合多模型优点多层模型组合。
2025-08-21 18:08:58
1230
原创 机器学习数据预处理全攻略：从缺失值到特征编码，一步搞定数据清洗
数据加载与探索：用 Pandas 读取数据，info()查看缺失值；缺失值处理：少量缺失→删除，大量缺失→填充（均值 / 中位数 / 众数）；特征编码：有序变量→序号编码，名义变量→独热编码，目标变量→标签编码；数据标准化：树模型除外，其他模型→Z-Score/Min-Max 标准化；特征简化（可选）：连续特征→二值化 / 离散化（
2025-08-21 18:04:58
1279
原创 决策树进阶：3 大经典算法、剪枝策略与代码实战
算法选择：工业界优先用 CART（支持分类 / 回归，适合集成），简单场景可用 ID3/C4.5；过拟合解决：预剪枝（高效）和后剪枝（效果好）结合，核心调参max_depth（深度）、（叶子样本数）；特征处理离散特征：CART 会自动二分划分，无需手动编码；连续特征：CART 通过贪心算法找最优分界点，无需离散化；缺失值：用中位数（连续）或众数（离散）填充，或用 C4.5 的加权方式；适用场景：需要解释性的任务（如风控、医疗）、中小规模数据集、作为集成学习基础（随机森林、XGBoost）。
2025-08-19 17:47:37
920
原创 决策树入门：从原理到实战，看懂 “树状决策” 的逻辑
在机器学习算法中，决策树绝对是最 “直观” 的存在 —— 它就像我们日常生活中的 “选择流程图”，从根节点开始，一步步根据特征做判断，最终走到叶子节点得到决策结果。今天我们就从 “树的结构” 讲起，拆解决策树的核心原理、特征选择方法，再用实例带你理解如何构造一棵决策树。
2025-08-18 15:41:56
867
原创 【无标题】
鸢尾花数据集包含 150 个样本，每个样本有 4 个特征（花萼长、花萼宽、花瓣长、花瓣宽），分为 3 个类别（山鸢尾、变色鸢尾、维吉尼亚鸢尾）。靠 K 个最近邻居的类别投票决定未知样本的类别；关键参数：K 值（需调优，常用 1~20）、距离度量（欧式距离最常用）；实战技巧：数据需划分训练 / 测试集，特征差异大时需标准化；适用场景：小数据集、低维度的分类任务。
2025-08-18 11:33:07
984
原创 数据科学与爬虫技术学习笔记
NumPy 是 Python 科学计算的核心库，专为数组和矩阵操作设计，能大幅简化循环操作，提供丰富的数学函数。核心优势：高效处理同类型元素的多维数组，支持向量化运算。安装与导入： 核心对象：数组创建函数：数组属性：常用操作：Matplotlib 是 Python 绘图库，支持静态、动态及交互式图表，广泛用于数据可视化。安装与导入： 基础绘图：图表美化：Pandas 基于 NumPy 构建，提供高效的 DataFrame 数据结构，适合处理结构化数据。安装与导入： 核心数
2025-08-13 10:49:06
955
原创 爬虫与数据分析结合案例：中国大学排名爬取与分析全流程
爬虫阶段：通过requests和高效获取结构化表格数据预处理阶段：针对缺失值提供多种处理方案，根据实际需求选择（如均值填充适合对称分布数据）可视化阶段：用柱形图展示数量差异，饼图展示占比关系，直观呈现数据特征通过该案例可掌握数据从获取到分析的核心技能，为更复杂的数据分析项目奠定基础。
2025-08-12 08:52:25
486
原创 Matplotlib 绘图全指南
数据可视化是数据分析的 “最后一公里”，而 Matplotlib 作为 Python 最经典的绘图库，能帮你将枯燥的数字转化为直观的图表。本文从安装到实战，带你掌握 Matplotlib 的核心用法，画出专业级可视化图表。
2025-08-08 14:26:07
552
原创 Seaborn 数据可视化指南：让你的图表更惊艳
通过style：控制整体样式（默认darkgriddarkgrid：深色网格（适合数据对比）whitegrid：浅色网格（适合强调数据分布）darkwhite：无网格（简洁风格）ticks：带刻度标记（适合精确读数）context：控制元素大小（默认notebookpaper：小尺寸（适合论文插图）notebook：中等尺寸（适合 Jupyter 笔记）talk：大尺寸（适合幻灯片演示）poster：超大尺寸（适合海报展示）示例：设置浅色网格 + 幻灯片风格。
2025-08-08 14:05:38
375
原创 Pandas 基础笔记：数据处理的得力工具
Pandas 是一个开源的 Python 库，专门用于数据分析、处理和可视化。它的优势很明显：处理数据效率高，提供了容易使用的数据结构，还有各种方便的数据分析工具，能帮我们轻松应对各种数据处理任务。
2025-08-06 13:49:01
375
原创 NumPy 进阶函数笔记
搜索函数用于在数组中定位满足特定条件的元素，如最值位置、非零元素、满足条件的元素等。统计函数用于描述数组数据的分布特征，如最值、均值、分位数等，是数据分析的基础工具。排序是数据处理的常见操作，NumPy 提供了灵活的排序函数，支持不同算法和轴方向。
2025-08-06 13:43:08
437
原创 NumPy 函数进阶：字符串、数学与算术操作全解析
今天我们继续探索 NumPy 的实用功能，聚焦于字符串处理、数学运算和基础算术操作。这些函数能帮你高效处理数组中的文本和数值，是数据清洗和预处理的利器。
2025-08-04 16:59:35
1025
原创 NumPy 进阶操作：数组变形与运算技巧
大家好！上一篇我们介绍了 NumPy 的基础 ——Ndarray 数组的创建和基本属性。今天我们继续深入，聊聊 NumPy 中最核心的，包括广播机制、迭代方法、形状修改和数组翻转等。这些操作是数据预处理和数值计算的基础，掌握它们能让你的代码更高效、更简洁。
2025-08-01 19:39:16
594
原创 NumPy 入门：科学计算的核心库
NumPy（Numerical Python）是 Python 中用于科学计算的核心库，专为处理设计。它能直接对整个数组执行数学运算，大幅减少循环语句的使用，同时提供了丰富的数学函数，让数据处理和数值计算变得高效简洁。无论是数据分析、机器学习还是科学计算，NumPy 都是基础工具 —— 后续的 Pandas、Matplotlib 等库都依赖于它的数据结构。
2025-07-31 16:19:42
725
原创 用 BeautifulSoup 轻松搞定网页数据解析
BeautifulSoup 是一个专注于网页解析的 Python 库，它就像一个 "网页拆解工"，能把复杂的 HTML/XML 文档转换成易于操作的树形结构，让你可以轻松导航、搜索和提取数据。简单易用：提供直观的 API，无需深入了解 HTML 语法也能上手自动处理编码：自动将输入转为 Unicode，输出转为 UTF-8，彻底告别中文乱码烦恼灵活解析：支持多种解析器，可根据需求选择速度快或容错性强的方案强大的搜索能力：支持标签、属性、文本等多种方式定位数据解析器选择：优先用lxml。
2025-07-30 16:55:52
765
原创 PyMySQL：Python 操作 MySQL 数据库全指南
PyMySQL 是 Python3 中用于连接和操作 MySQL 数据库的开源库，实现了 Python 数据库 API v2.0，是 MySQLdb 的替代方案，支持与 MySQL 数据库的交互（如增删改查、事务处理等）。
2025-07-29 15:46:19
1454
原创 第八课：MySQL 数据库进阶操作
插入新数据可同时插入多条记录，字段与值需一一对应。：更新现有数据务必添加 WHERE 条件，否则会更新表中所有记录，造成数据灾难。：删除数据同样需要 WHERE 条件限制删除范围，建议操作前先备份数据。
2025-07-25 14:53:52
313
原创 第七课：MySQL 数据库基础入门
MySQL 是目前最流行的关系型数据库之一，由瑞典 MySQL AB 公司开发，现属 Oracle 旗下。它以开源免费、性能优异、易于扩展等特点，成为 Web 应用的首选数据库。对于个人用户和中小企业，MySQL 提供的功能足以满足需求，且能大幅降低成本。
2025-07-24 15:51:37
507
原创 第六课：Requests 库与 XPath 实战指南
XPath 是一种用于在 XML/HTML 文档中定位节点的语言，支持通过路径表达式选取元素、属性或文本，常配合 lxml 库的etree模块使用，是解析网页的核心技术之一。
2025-07-23 16:29:03
882
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