Nina_717-CSDN博客

原创 Day 47 训练

在这里，我们用它来捕获目标卷积层（model.conv3）输出的特征图（activation_maps）。更高级的技术，如类激活映射（CAM）、梯度加权类激活映射（Grad-CAM）及其变种（Grad-CAM++, Score-CAM等），通过结合梯度信息来计算特征图的权重，通常能提供更精确、更与类别相关的注意力可视化。前向传播：执行outputs = model(images)，这会正常计算模型的输出，并在经过model.conv3时触发我们注册的钩子，从而将特征图存入activation_maps。

2025-06-12 16:09:47 547

原创 DAY 46训练

在深度学习领域，注意力机制已成为一种关键的技术。它赋予模型“选择性关注重要信息”的能力，就像人类视觉会自动聚焦于图片主体而忽略背景。本文将深入探讨注意力机制的原理、特征图可视化以及通道注意力的实现与效果。深度学习的发展历程中，特征提取方法经历了从 onehot、elmo 到 self-attention 及 encoder-bert 等不同阶段。这些方法各有特点，从弱到强逐步发展。Transformer 中的自注意力机制是一种“自己学习自己”的方式，能自动聚焦于关键信息而忽略背景。数学上，它对输入特征进行加

2025-06-12 00:37:10 452

原创 DAY45 训练

在神经网络训练过程中，各种辅助组件如训练进度条、可视化 loss 曲线、权重分布图等能极大提升我们的理解与训练效果。而 TensorBoard 这一可视化工具，能够轻松整合这些功能，实现训练过程的实时监控与动态调整，下面将详细介绍其相关操作。TensorBoard 的核心在于将训练数据先记录到日志文件，再通过网页展示。安装命令为，但刚才尝试解析该链接时因网络问题未能成功，可能是链接合法性或网络状况导致，可检查链接后重试，若无需解析此链接，可继续阅读后续内容。以下是 TensorBoard 核心代码解析（无需

2025-06-10 19:41:23 563

原创 DAY 44 训练

从 1998 年 Yann LeCun 等人提出的 LeNet-5 验证 CNN 可行性，到 2012 年 AlexNet 引发深度学习复兴，再到 2015 年 ResNet 解决超深网络训练难题，预训练模型不断发展。后续模型如 DenseNet、MobileNet、EfficientNet 等在特征复用、计算效率、自动化设计等方面持续优化。LeNet-5：首个 CNN 架构，包含卷积层、池化层、全连接层，采用 Sigmoid 激活函数，主要用于手写数字识别（MNIST）。AlexNet。

2025-06-09 22:53:34 861

原创 DAY 43 训练

在当今数字化时代，图像分类任务作为计算机视觉领域的重要基石，正推动着诸多行业的智能化转型。本文将带您深入探索如何利用 PyTorch 框架高效实现猫狗二分类模型的构建与训练，并借助 Grad-CAM 技术直观可视化模型决策依据，助力您快速踏入深度学习实践领域。训练集经随机裁剪与水平翻转增强数据多样性，转化为张量后标准化；优质的数据预处理是模型成功的关键起点。精心反归一化还原图像，叠加热力图直观呈现关键区域，助力理解模型决策逻辑。多轮迭代训练，动态监测损失与准确率，逐步优化模型性能。

2025-06-08 17:22:41 406

原创 Day42 训练

摘要：Grad-CAM技术通过PyTorch的hook机制打开深度学习模型"黑盒"，可视化CNN决策过程。该方法利用反向传播梯度信息生成类激活映射，直观显示图像关键区域。实现过程包括：1) 定义模块/张量hook监听中间层数据；2) 计算特征图梯度权重；3) 生成热力图并叠加原图。该技术可应用于模型调试、决策解释和数据评估，在医疗影像等高价值领域尤为重要。研究表明，Grad-CAM结合hook函数能有效提升模型可解释性，为深度学习研究提供关键分析工具。（150字）

2025-06-07 16:59:01 616

原创 Day 41 训练

Python复制#====================== 2. CNN模型定义 ======================# 第一个卷积块# 第二个卷积块# 第三个卷积块# 全连接层# 保存特征图用于可视化# 第一个卷积块# 第二个卷积块# 第三个卷积块# 全连接层我定义了一个简单的 CNN 模型SimpleNet，它包含三个卷积块，每个卷积块后都跟着 Batch Normalization 层、ReLU 激活函数和最大池化层。最后是全连接层用于分类。

2025-06-06 18:53:50 265

原创 Day 40训练

self.flatten = nn.Flatten() # 将 28x28 图像展平为 784 维向量return x数据处理规范化：利用DataLoader和Dataset对数据进行分批次处理，提高数据加载效率。模型结构清晰化：明确展平操作在图像任务中的应用，彩色图像需考虑通道维度。训练测试函数封装：将训练和测试逻辑封装为函数，便于参数调整与复用，为多模型对比奠定基础。迭代损失记录：记录每个迭代的损失，绘制损失曲线辅助训练过程分析。

2025-06-05 19:50:59 905

原创 Day39 训练

图像数据处理是深度学习的一个重要分支，从理解数据结构到构建神经网络模型，再到优化显存管理，每一步都充满了技巧和智慧。希望这篇博客能为大家在图像处理的道路上提供帮助，让大家的模型在显存的舞台上绽放光彩。未来，我们将继续探索更高效的模型结构和优化策略，共同揭开深度学习的更多奥秘。@浙大疏锦行。

2025-06-04 17:23:19 664

原创 Day38 训练

Dataset类是PyTorch中所有数据集的基类。数据存储路径/来源：如文件路径、数据库查询等原始数据的读取方式：如图像解码为PIL对象、文本读取为字符串等样本的预处理逻辑：如裁剪、翻转、归一化等，通常通过transform参数实现返回值格式：如Dataset__len__()：返回数据集的样本总数：根据索引返回对应样本的数据和标签DataLoader类负责将数据集切分为多个批次（batch），并支持多线程加载数据。批量大小（batch_size）

2025-06-03 15:52:57 475

原创 Day 37 训练

通过本文的实例，我们详细介绍了如何在 PyTorch 中进行模型训练、保存与加载，以及如何应用早停法来防止过拟合。这些技术在实际的深度学习项目中具有广泛的应用价值。掌握这些技能，将有助于您更好地构建和优化深度学习模型。浙大疏锦行。

2025-06-02 17:30:10 492

原创 Day 36训练

本项目的目标是利用给定的数据集，训练一个神经网络模型，以预测个人是否会发生信用违约。数据集包含多种特征，如年度收入、信用评分、当前贷款金额等，以及目标变量“Credit Default”（信用违约）。我选择了二元交叉熵损失函数（BCEWithLogitsLoss）和Adam优化器。

2025-06-01 17:57:21 449

原创 Day 35 训练

self.fc1 = nn.Linear(4, 10) # 输入层到隐藏层self.fc2 = nn.Linear(10, 3) # 隐藏层到输出层return out# 实例化模型并移至GPU定义了一个简单的多层感知机（MLP）模型，包含一个输入层、一个隐藏层和一个输出层。输入层接收 4 个特征维度的数据，隐藏层有 10 个神经元并使用 ReLU 激活函数，输出层有 3 个神经元，用于对应鸢尾花的 3 个类别。通过将模型放置在指定设备上。

2025-06-01 00:27:35 578

原创 Day 34 训练

定义__call__是 Python 中的一个特殊魔术方法，当一个类的实例被像函数一样调用时，会触发该方法。它允许类的实例表现得像函数一样，同时还能保留对象的内部状态。示例不带参数的__call__方法：定义了一个Counter类，在其__call__方法中，每次调用实例时，内部的count属性会加 1 并返回当前值。通过counter()的方式调用实例，可以实现计数功能，且每次调用都会更新内部状态。带参数的__call__方法：定义了一个Adder类，在其__call__方法中，接受两个参数a和b。

2025-05-30 22:24:27 765

原创 Day 33 训练

定义一个简单的全连接神经网络模型，包含一个输入层（4 个神经元，对应 4 个特征）、一个隐藏层（10 个神经元）和一个输出层（3 个神经元，对应 3 个分类）。class MLP(nn.Module): # 定义一个多层感知机（MLP）模型，继承父类nn.Moduledef __init__(self): # 初始化函数super(MLP, self).__init__() # 调用父类的初始化函数self.fc1 = nn.Linear(4, 10) # 输入层到隐藏层。

2025-05-29 15:20:31 999

原创 Day32 训练

通过今天的实践，我们学习了如何利用 PDPbox 库来解读机器学习模型的预测逻辑。理解官方文档的结构：找到“API Reference”或“Documentation”部分，查看函数和类的详细说明。掌握类和方法的用法：关注类的传入参数格式和方法的返回值。利用绘图工具进行个性化设置：了解底层绘图包（如 Plotly）的语法，以便对图表进行进一步的定制。

2025-05-27 18:10:26 784

原创 Day 31 训练

掌握项目模块化的技巧，是提升开发效率和代码质量的重要一步。通过合理的文件组织和模块划分，我们不仅可以使项目结构更加清晰，还能提高代码的可维护性和复用性。在实际开发中，灵活运用、编码格式和类型注解等技巧，将使我们的项目更加健壮和专业。

2025-05-25 22:34:00 278

原创 Day 30 训练

除了官方库，我们还可以导入自己创建的库或模块。

2025-05-24 15:13:59 568

原创 Day 29 训练

print("这是类内部定义的方法")这种方式简单直观，是定义类方法的常规方式。方法可以直接访问类的其他成员，包括私有成员。print("这是外部定义的方法")passMyClass.external_method = external_method # 动态添加方法这种方式允许我们在类定义完成后再动态添加方法，常用于装饰器、元类和动态编程场景。需要注意的是，外部定义的方法需要通过self或类名显式访问类的其他成员。装饰器的本质是语法糖。对于类装饰器而言，@decorator语法实际上是的简写。

2025-05-23 19:33:07 789

原创 Day 28 训练

在学习 Python 的过程中，类是一个重要的概念。今天，我们来深入探讨一下类的定义与继承。现在，我们来学习如何自己定义一个类，这将帮助我们对类这一概念有更深刻的理解。关键字 class：用于声明一个类。类名：通常遵循大驼峰命名法（UpperCamelCase），即每个单词的首字母都大写。：在类名后面加上冒号表示类的开始。初始化函数init(self)：用于初始化类的实例，注意 init 左右各有两个下划线，需要传入 self 这个特殊的参数，它指向类的实例化地址。

2025-05-22 19:21:51 826

原创 Day 27 训练

掌握装饰器技巧，可以显著提升代码的复用性和可维护性。建议读者尝试实现一个支持超时中断的装饰器，这将涉及信号处理和多线程技术，是很好的进阶练习。原因：Python语法规定所有位置参数必须出现在关键字参数之前。

2025-05-21 16:20:12 513

原创 DAY 26 训练

●任务：编写一个名为 describe_shape 的函数，该函数接收图形的名称 shape_name (必需)，一个可选的 color (默认 “black”)，以及任意数量的描述该图形尺寸的关键字参数 (例如 radius=5 对于圆，length=10, width=4 对于矩形)。●任务：编写一个名为 print_user_info 的函数，该函数接收一个必需的参数 user_id，以及任意数量的额外用户信息（作为关键字参数）。3.函数的参数类型：位置参数、默认参数、不定参数。

2025-05-20 16:45:08 553

原创 Day 25 训练

Python 的异常处理机制赋予了程序强大的容错能力。当程序运行时遭遇意外情况（即异常），它不会直接崩溃，而是可以按照设计优雅地处理这些错误，甚至继续执行后续逻辑或以可控方式结束。当异常发生时，Python 会创建一个异常对象（通常是 Exception 类的子类实例）。如果异常代码位于 try 语句块中，程序会寻找并跳转到匹配的 except 语句块来处理异常。

2025-05-19 16:17:09 941

原创 Day 24 训练

元组是一种有序且不可变的数据结构，与列表类似，但它不能被修改。这种特性使得元组在需要固定数据结构的场景中非常有用，例如在深度学习中，模型的参数和形状一旦定义，就不应该被随意修改。在 Python 编程中，元组和 OS 模块是两个非常重要的概念。元组作为一种不可变的数据结构，广泛应用于各种场景，尤其是在深度学习中。可迭代对象是 Python 中一个非常核心的概念，它指的是那些能够一次返回其成员的对象，可以在循环中遍历它们。中，每个步骤被定义为一个元组，包含步骤的名称和处理对象。函数获取元组的长度。

2025-05-18 18:40:03 532

原创产品经理入门（2）产品体验报告

按照产品方向分析各个指标——包括有效使用时间,市场规模等。3. 用户分析——对用户通过各项指标画像。4.产品体验——对各项功能与设计的体验。可以从各大平台搜产品介绍。重点在产品体验——优点。

2025-05-17 20:14:35 251

原创 DAY 23 训练

)])])],print("\nColumnTransformer (预处理器) 定义完成。")通过使用 pipeline，我们可以将整个机器学习工作流程封装成一个简洁的流程，提高代码的可读性和可维护性。同时，pipeline 还可以帮助我们防止数据泄露，简化超参数调优，提高模型的性能和稳定性。在实际项目中，我们可以使用 pipeline 来构建复杂的机器学习工作流，提高我们的工作效率。希望今天的分享能够帮助大家更好地理解和使用机器学习管道。@浙大疏锦行。

2025-05-17 17:36:37 670

原创产品经理入门——认识产品经理

2.能力素养：沟通能力，学习能力，提炼能力，用户洞察，IQ/EQ/AQ，抗压能力。1.专业技术：业务分析，需求挖掘，需求分析，产品规划，产品设计，数据分析。3.加分项：行业领悟，商业思维，市场能力，领导力，项目管理。大多为功能型产品经理。

2025-05-16 20:55:33 258

原创 Day 22 训练

泰坦尼克号沉船事件是历史上著名的海难事故。通过对乘客信息（如年龄、性别、船票等级等）进行分析，我们可以构建机器学习模型预测乘客的生存概率。这不仅是一个经典的机器学习案例，还能帮助我们理解不同因素对生存率的影响。

2025-05-16 18:34:40 648

原创 Day 21 训练

本文介绍了几种常见的降维算法，包括无监督的 PCA 和 t-SNE，以及有监督的 LDA。通过实际代码演示了它们的应用，并比较了它们在随机森林分类器上的性能。PCA 适用于线性数据，t-SNE 适用于高维数据的可视化，而 LDA 适用于有监督的分类任务。在实际应用中，可以根据数据的特点和任务的需求选择合适的降维算法。@浙大疏锦行。

2025-05-15 18:59:16 980

原创 DAY 20 训练

选取前 k 个奇异值后，相应地取 U 矩rix 的前 k 列、Σ 矩阵的前 k 个奇异值以及 VT 矩阵的前 k 行，构建近似矩阵 Ak=UkΣkVTk。正交矩阵是一类特殊矩阵，其列向量彼此正交且为单位向量。矩阵分解的本质是将复杂矩阵拆解为多个简单矩阵的乘积形式，它能挖掘数据的潜在结构，实现数据的降维、压缩以及特征提取，是众多数据分析与机器学习算法的核心环节。U 的列向量与 V 的列向量分别对应左右奇异向量，它们与奇异值配合，刻画出数据的主要模式与结构，是理解数据特征、挖掘数据价值的关键要素。

2025-05-14 16:20:01 896

原创 Day 19 训练

在本博客中，我们将通过一个信用违约数据集的实际案例，深入学习并实践六种常见的特征降维方法：方差筛选、皮尔逊相关系数筛选、Lasso筛选、树模型重要性筛选、SHAP重要性筛选以及递归特征消除（RFE）。其核心思想是：特征的方差反映了数据的变化程度，方差很小的特征几乎没有任何变化，对模型的预测帮助不大。SHAP重要性筛选后，模型的准确率保持在76%左右，正类的精确率和召回率与树模型重要性筛选相当。树模型重要性筛选后，模型的准确率保持在76%左右，正类的召回率有所下降，但精确率有所提高。对于分类问题，我们使用。

2025-05-13 16:29:40 812

原创 DAY 18 训练

第一个簇 - 优质信用稳健财务型特征总结：在债务合并用途上表现一致，几乎无破产记录，信用问题极少，资金用途集中且很少涉及特殊类别。财务状况稳定，信用良好，资金流向明确。定义依据：各项关键财务和信用指标表现优异，显示出良好的财务自律性和信用履约能力，所以定义为 “优质信用稳健财务型”。第二个簇 - 较稳健但信用有分化财务型特征总结：多数无债务合并需求，破产情况少见，但信用问题上存在个体差异，资金用途有一定分散性。整体财务状况相对稳定，但在信用和资金使用方向上不如第一个簇表现一致。定义依据。

2025-05-12 16:29:15 703

原创 DAY 17 训练

聚类算法是一种无监督学习方法，通过将相似的数据样本自动分组到不同的簇(cluster)中，使得同一簇内的样本相似度高而不同簇间的样本差异大。常见的聚类算法包括K-means(基于距离划分)、DBSCAN(基于密度划分)和层次聚类(基于树状结构划分)，广泛应用于客户分群、异常检测、图像分割等领域。以下是三种常用的聚类效果评估指标，分别用于衡量聚类的质量和簇的分离与紧凑程度：KMeans 是一种基于距离的聚类算法，需要预先指定聚类个数，即。其核心步骤如下：先对数据标准化对每个k值进行训练评估并用图像可视

2025-05-11 23:57:15 824

原创 Day 16 训练

NumPy 数组是数据处理的核心工具，其多维结构与丰富操作为数据预处理、特征工程等提供了便利。SHAP 值则是模型解释的关键方法，帮助我们理解复杂模型的决策逻辑。在数据科学实践中，二者相辅相成，共同助力数据分析与模型优化。掌握 NumPy 数组操作与 SHAP 值计算，对于深入探索数据科学领域具有重要意义。@浙大疏锦行。

2025-05-10 12:25:27 894

原创 Day 15 训练

这段代码完整地展示了从数据加载、预处理、模型训练、优化、评估到结果可视化的流程。通过贝叶斯优化提升了随机森林的性能，并通过SHAP解释了模型的预测结果，使整个机器学习过程更加透明和可解释。@浙大疏锦行。

2025-05-09 23:47:29 748

原创 Day 14 训练

旨在解释复杂机器学习模型（如随机森林、梯度提升树、神经网络等 “黑箱” 模型）对特定输入的预测原因。其核心基于合作博弈论中的 Shapley 值。这段代码是用于绘制SHAP（SHapley Additive exPlanations）特征重要性图的Python代码，主要使用了。

2025-05-08 21:55:00 1103

原创 Day 13 训练

处理不平衡数据集时，修改类别权重是一种有效的算法层面策略。其核心是在模型训练阶段调整不同类别样本对损失函数的贡献，尤其是提升少数类样本的权重，以解决模型对多数类的过度偏向问题。重点探讨了在的中通过参数实现这一目标的方法。参数的三种主要设置方式：所有类别权重相同，默认情况下模型不区分多数类和少数类，在不平衡数据上会导致模型偏向多数类。：算法自动根据训练数据中各类别的频率反比调整权重，使少数类样本获得更高权重，从而在训练中放大其重要性，促使模型提升对少数类的识别能力。：允许手动为每个类别指定权重，如。

2025-05-07 11:35:00 826

空空如也

购买课程下架，怎么都看不了