- 博客(15)
- 收藏
- 关注
RSS订阅原创 数字信号与图像处理实验四：图像增强技术
本次实验对于我理解图像增强起到了很大的帮助，尤其是图像滤波哪个部分，在查阅了很多的文献后，发现滤波器的构造方法有规律可循的时候，内心还是比较激动的。当然，实验中也出现了很多的问题，在实现最后一问卷积滤波函数的时候，其实还是有不足的地方，没办法自定义滤波器，其实可以再花一些时间写个自定义滤波器的函数，但是由于期末时间比较紧张，留给我自由发挥的时间比较有限，所以便不了了之了。总的来说，本次实验很好地激发了我对图像增强的兴趣，希望我以后有时间可以静下心来做一些这方面的研究。
2023-01-02 00:10:42
900
原创 数字信号与图像处理实验一：信号处理基础
掌握信号处理的基本思想，理解采样信号的频谱特性,加强信号采样与重建的有关基本概念的理解，深入理解线性时不变系统输出与输入的关系，了解数字信号采样率转换前后信号频谱的特征。
2022-12-01 16:47:42
2764
原创 数字信号与图像处理实验二：快速傅里叶变换
掌握信号处理的基本思想，理解采样信号的频谱特性，加强信号采样与重建的有关基本概念的理解，深入理解线性时不变系统输出与输入的关系，了解数字信号采样率转换前后信号频谱的特征。
2022-12-01 16:43:03
3624
原创 数字信号与图像处理实验三：图像处理基础与图像变换
在本次实验中，主要深入学习了对图像的操作，基本操作比如读入、显示、计算图像大小、灰度平均值等，高级操作比如图像压缩、对称等操作。通过本次实验，对于DCT变换的理解更加深刻，对于图像的操作也更加熟练。在实验中遇到了许多问题，比如在第一问中，一开始没有将图像转为灰度图，导致在求协方差矩阵时一直出错（matlab自带的函数conv()只能计算二维矩阵的协方差矩阵，RGB图像为三维矩阵）。
2022-12-01 16:37:42
3362
3
原创 深度学习总结
刷榜的时候，先用adam自动调节，最后几轮的时候用SGD算法，手动一点点调参。no！肯定是用现成的模型。只有一层。输入就是原始的图像像素，输出就是图片的类别动态图就像脚本语言，静态图就像编译语言。可以直接预测，但是正常情况下预测程序和训练程序不是在一个平台。训练程序一般在线上，但是预测程序一般都是在线下，比如摄像机、开发板。可以。装上paddle库中就可以离线运行。paddle lite是专门用于端测的，专门用于将训练好的模型装入嵌入式设备中的。不行，图片必须是二维的（灰度图），位置信息很重要，转换成一维矩
2022-07-08 10:22:48
181
原创 图像分类经典网络
飞桨会根据实际图像数据的尺寸和卷积核参数自动推断中间层数据的W和H等，只需要用户表达通道数即可。验证集数据读取和训练集基本一致，需要注意的点是验证集中图片的名字以及label需要从csv文件中读取。预处理工作开始训练模型保存1.4 定义评估过程2. AlexNet网络在眼疾分类的应用只有网络的模型代码有变化，深度增加3. 一些问题3.1 全连接层的作用？如果是最后输出层使用全连接，一般要求输出的神经元的个数等于分类标签的类别数。如果是中间的隐藏层，可以看作是将不同特征所携带的信息
2022-07-08 10:22:01
1454
原创 数据可视化
在训练过程中，我们需要用一种相对更直观的方式去观察训练的过程，损失的变化趋势，以判断模型是否过拟合或是欠拟合，下面是可视化的大致步骤。1.1 训练开始前，声明两个列表变量存储对应的批次编号(iters=[])和训练损失(losses=[])。1.2 随着训练的进行，将iter和losses两个列表填满。1.3 训练结束后，将两份数据以参数形式导入PLT的横纵坐标。1.4 最后，调用**plt.plot()**函数即可完成作图。...
2022-07-08 10:21:22
109
原创 手写数字识别两种网络实现
数据处理与单层的网络基本一致，除了在进行数据格式转换时，需要多进行reshape。输入层：将数据输入给神经网络。在该任务中，输入层的尺度为28×28的像素值。隐含层：增加网络深度和复杂度，隐含层的节点数是可以调整的，节点数越多，神经网络表示能力越强，参数量也会增加。在该任务中，中间的两个隐含层为10×10的结构，通常隐含层会比输入层的尺寸小，以便对关键信息做抽象，激活函数使用常见的Sigmoid函数。输出层：输出网络计算结果，输出层的节点数是固定的。如果是回归问题，节点数量为需要回归的数字数量。如果
2022-07-08 10:19:25
87
原创 损失函数优化
如果模型能输出10个标签的概率，对应真实标签的概率输出尽可能接近100%，而其他标签的概率输出尽可能接近0%，且所有输出概率之和为1。这是一种更合理的假设！与此对应，真实的标签值可以转变成一个10维度的one-hot向量，在对应数字的位置上为1，其余位置为0，比如标签“6”可以转变成[0,0,0,0,0,0,1,0,0,0]。为了实现上述思路，需要引入函数，它可以将原始输出转变成对应标签的概率。从公式的形式可见，每个输出的范围均在0~1之间，且所有输出之和等于1，这是这种变换后可被解释成概率的基本前提。对应
2022-07-08 10:17:37
882
原创 学习率优化算法
在深度学习神经网络模型中，通常使用标准的随机梯度下降算法更新参数，学习率代表参数更新幅度的大小，即步长。当学习率最优时，模型的有效容量最大，最终能达到的效果最好。学习率和深度学习任务类型有关，合适的学习率往往需要大量的实验和调参经验。探索学习率最优值时需要注意如下两点：在训练前，不知道模型的最优学习率到底是多少，所以在训练的时候可以尝试着调大或者调小，并通过馆查Loss下降的情况判断学习率是否合理。调整学习率看似是一件非常麻烦的事情，需要不断的调整步长，观察训练时间和Loss的变化。经过研究员的不断的实验，
2022-07-08 10:14:56
1774
原创 模型构建以及训练用到的重要API
datafile为数据所在的地址，sep为数据的分隔符号，用这条语句可以方便地将数据以一维数组的方式取出。在波士顿房价预测模型中，每一个样本有13个特征，1个目标值，即每一个样本都有14个值，所以很快可以确定列数为14，行数就是 data中数据总数/14。ratio就是我们需要划分的比例，就是样本的总数。将数据放缩到0~1之间，起到统一量纲的作用。2. 模型训练2.1 使用Numpy进行梯度计算2.2 梯度更新2.3 训练过程封装2.4 随机梯度下降法SGD核心概念：...
2022-07-08 10:14:09
310
原创 计算机网络实验—尝试分析报文
1. 基本信息姓名学号班级网络是否连通能否正常抓取报文lx2022计算是能注：可以用PING来测试网络的连通性2. 建立网络拓扑结构3. 配置网络参数3.1 客户端3.2 服务端4. 抓取报文并分析将Packet Tracer切换到Simulation模式。在客户端的浏览器（在Packet Tracer，点击设备 --> Desktop --> Web Browser）输入设置的域名，按回车，点击Play开始抓取报文。对抓取到的报文进
2022-05-26 21:11:58
1356
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