现代野蛮人-CSDN博客

原创【深度学习实验】—— YOLOv12 水果目标检测实战：从数据集制作、模型训练到视频推理

本次实验使用YOLOv12n完成四类水果目标检测，串联数据集划分、VOC 标注转换、模型训练、验证和视频推理流程。目标检测需要同时回答“图像中有什么”和“目标在哪里”。因此，模型既要预测水果类别，也要输出对应的边界框。一张图像可以包含多个目标，评价时需要同时考虑分类和定位质量。项目内容模型YOLOv12n，训练入口为任务四类水果目标检测类别pineapple（菠萝）、snake fruit（蛇皮果）、dragon fruit（火龙果）、banana（香蕉）数据集200 张图像，594 个标注目标。

2026-10-30 07:08:42 185

原创【深度学习实验】—— 基于 PyTorch RNN 的阿尔茨海默病诊断状态分类实验（优化版）

本次实验使用阿尔茨海默病相关表格数据，根据年龄、生活方式、认知评分、日常活动能力等特征，对诊断状态进行二分类。首先建立决策树分类基线，分析特征重要度，再通过递归特征消除（RFE）筛选特征，构建 RNN 模型进行训练与评估。项目内容模型单层 RNN，隐藏层维度 200，连接两层全连接层任务诊断状态二分类：0 为未患病，1 为患病数据集2149 条记录、35 个字段，约 80/20 划分输入配置20 个特征决策树基线测试准确率约 88%RNN 最高测试准确率85.3%，出现在第 27 轮，对应测试损失。

2026-10-19 01:31:43 155

原创【深度学习实验】—— 基于 PyTorch RNN 的阿尔茨海默病二分类

本实验使用 PyTorch 搭建一个简单的循环神经网络（RNN），根据年龄、生活习惯、健康指标、认知评分及症状等 32 个表格特征，预测数据集中的阿尔茨海默病标签Diagnosis。标签0表示未患病，1表示已患病。与前面的图像分类任务相比，本次输入是结构化表格数据，每一行对应一条记录。实验包含数据读取、标准化、数据集划分、模型搭建、训练、曲线可视化、混淆矩阵和单条样本预测。项目内容模型任务阿尔茨海默病标签二分类（0 / 1）数据集，2149 条记录输入特征32 个；删除PatientID，以。

2026-10-16 05:38:14 121

原创【深度学习实验】—— 糖尿病预测模型优化探索

本项目使用体检数据中的性别、年龄、血脂、血压和肾功能相关指标，使用 PyTorch 搭建双层 LSTM，完成糖尿病标签的二分类学习实验。输入是一条体检记录，输出为两个类别的预测分数。项目内容模型，每个 LSTM 模块均为单层任务糖尿病二分类，标签为是否糖尿病（0 / 1）数据集，1006 条样本、16 个原始字段输入特征删除卡号、标签及高密度脂蛋白胆固醇后，保留 13 个特征数据划分训练集 804 条，测试集 202 条，约 80/20 划分训练配置Adam，学习率1e-4。

2026-10-09 21:48:19 376

原创【深度学习实验】—— 基于 LSTM 实现糖尿病探索与预测

本项目使用包含 1006 条体检记录的糖尿病数据集，以年龄、血脂、血压、尿酸等临床指标作为输入，使用 PyTorch 搭建双层 LSTM 完成糖尿病二分类实验。修正测试加载器后，Notebook 重新运行了 30 个 Epoch。训练准确率从 54.0% 提升到 79.7%；测试准确率在第 18、20、21 个 Epoch 达到最高值 74.3%，第 30 个 Epoch 回落到 72.3%。这说明模型已经学到超过多数类基线的分类规律，但训练后期出现了逐渐扩大的泛化差距。项目内容模型任务。

2026-09-23 18:36:37 237

原创【深度学习实验】—— 基于 EDA 和神经网络的天气预测

本项目使用澳大利亚天气数据集，根据地点、温度、降雨量、湿度、气压、云量和风向等气象特征，预测第二天是否下雨。模型采用 TensorFlow/Keras 实现的全连接神经网络，将任务建模为二分类问题。项目内容模型64-32 两层全连接网络，使用 ReLU、Dropout 和 Sigmoid任务二分类：预测第二天是否下雨（No / Yes）数据集原始 145,460 条记录、23 列有效样本删除缺失目标后剩余 142,193 条记录模型输入类别独热编码后得到 112 个特征数据划分。

2026-09-16 14:08:25 244

原创【深度学习实验】—— 基于 LSTM 的火灾温度预测

本项目使用中的连续观测数据，依据最近 8 个时刻的温度（Tem1）、一氧化碳浓度（CO 1）和烟尘浓度（Soot 1），预测下一时刻的温度。模型采用 TensorFlow/Keras 实现的 LSTM。原始 Notebook 能够完成训练，但直接预测绝对温度时得到的 RMSE 为17.15614，明显没有利用好序列的平滑性。优化后，模型改为预测“下一时刻相对当前温度的变化量”，并修正了数据缩放、验证集使用和指标计算方式。项目内容模型。

2026-09-10 15:32:50 231

原创【深度学习实验】—— 基于 LSTM 与 Optuna 调参的丙型肝炎预测

本项目使用 Hepatitis C（丙型肝炎）血液检测数据集，根据年龄、性别及多项生化指标预测受试者类别。实验先以随机森林建立基线模型，再利用 PyTorch 搭建单层 LSTM 网络完成五分类，并使用 Optuna 搜索合适的超参数。项目内容模型RandomForestRegressor（基线）+ 单层 LSTM任务五分类：Blood Donor / suspect Blood Donor / Hepatitis / Fibrosis / Cirrhosis数据集615 条记录、12 个特征；

2026-09-03 01:44:08 180

原创【深度学习实验】—— 基于 LSTM 的年度医疗费用回归预测

本实验使用 PyTorch 构建单层 LSTM 回归模型，根据年龄、BMI、吸烟状态、住院次数、保险类型、上一年度医疗费用等 19 个特征，预测个人年度医疗费用。项目内容模型单层 LSTM（hidden_size=200）+ 全连接回归层任务年度医疗费用回归预测数据集5000 条记录、19 个输入特征，训练集/测试集按 80%/20% 划分模型参数量177,001，全部可训练最终性能测试集 R²=0.9808，MSE=934570.101，近似 RMSE=966.73。

2026-08-27 23:47:14 254

原创【深度学习实验】—— 利用 RNN 模型进行心脏病预测

项目内容任务0表示不会患心脏病，1表示可能患心脏病数据集303 条样本、13 个特征、1 个标签列；正类 165 条，负类 138 条TensorFlow 模型PyTorch 模型TensorFlow 测试结果测试准确率 96.77%（30/31）PyTorch 测试结果最高测试准确率90.3%；第 50 轮最终准确率本实验分别使用 TensorFlow 与 PyTorch 完成同一份心脏病数据的二分类训练，并记录数据处理、模型构建、训练过程和评估结果。

2026-08-19 01:16:07 250 1

原创【深度学习实验】—— ResNeXt50 算法实战

项目内容模型任务三分类图像分类（Normal / Mild / Severe）数据集1661 张眼底图像，按图片内容去重分组后 80/20 分层划分训练策略训练集过采样均衡 + 眼底图黑边裁剪 + 轻量数据增强 + AdamW最优性能测试准确率 91.01%，测试损失 0.489ResNeXt 的核心思想是在 ResNet 瓶颈残差块中引入，即通过分组卷积增加并行路径数量。相比单纯加深或加宽网络，ResNeXt 用更规则的多分支结构提升表达能力。组件作用的瓶颈残差块分组卷积的组数，本实验为 32。

2026-08-11 01:18:33 518

原创【深度学习实验】—— InceptionV3 算法实战

导入 PyTorch、torchvision 等深度学习库，配置 matplotlib 中文字体，固定随机种子，并自动选择 GPU/CPU 设备。3.1.2 可视化样本图片从类别中读取部分图片进行可视化，检查数据内容和图像质量。使用 InceptionV3，原始结构按 299×299 输入设计。因此预处理流程为：裁掉眼底黑边、自动对比度增强、Resize 到 299×299，再做归一化。训练集额外加入轻量翻转、旋转和颜色扰动。3.1.4 类别映射3.1.5 分组划分与训练集均衡按图片内

2026-08-07 17:14:30 214

原创【深度学习实验】—— Inception v1算法实战

项目内容模型InceptionV1 / GoogLeNet 风格网络（加入 BatchNorm）任务三分类图像分类（Normal / Mild / Severe）数据集原始 1661 张图像；去重图组 946 组；训练集均衡过采样为 2436 张；测试集 189 张最优性能当前 V4 版本 notebook 尚未保存完整 30 轮训练输出，需重新运行后填写实现经典风格网络。其核心思想是通过多个并行卷积分支提取不同尺度的特征，再在通道维度拼接。本版本在每个卷积模块中加入。

2026-07-21 21:24:46 256

原创【深度学习实验】SE注意力机制

项目内容模型SE-ResNet（Squeeze-and-Excitation 注意力 + ResNet-18）任务三分类图像分类（Normal / Mild / Severe）数据集1661 张图像，80/20 划分最优性能测试准确率 93.1%，测试损失 0.247实现带有SE（Squeeze-and-Excitation）注意力机制的 ResNet 模型，通过显式建模通道间的相互依赖关系，自适应地重新校准各通道的特征响应。三个核心组件组件作用。

2026-07-14 22:50:19 254 5

原创【深度学习实验】ResNet + DenseNet 融合网络实战

项目内容模型DualPathFusionNet（ResNet + DenseNet 融合网络）任务三分类图像分类（Normal / Mild / Severe）数据集1661 张图像，80/20 划分最优性能测试准确率 79.0%，测试损失 0.603"""Dual Path Fusion Block: 融合 ResNet 残差连接与 DenseNet 密集连接。"""# === Residual Path (借鉴 ResNetV2 预激活) ===

2026-07-10 15:13:35 178

原创【深度学习实验】—— DenseNet 算法实战

关键区别：BN → ReLU → Conv（预激活）block2: 单个瓶颈残差块，支持选择是否用 1x1 卷积调整 shortcut 维度stack2: 堆叠多个 block2，第一个 block 负责下采样，后续 block 使用 identity shortcut"""else:# Stagesif preact:# Headreturn xmodel...train()：遍历训练集，前向传播 → 计算损失 → 反向传播 → 更新参数，累计损失和正确预测数test()：在。

2026-06-23 17:29:06 280

原创【深度学习】—— ResNet-50 实现图像三分类识别

本实验使用 ResNet50 深度残差网络对眼底图像进行三分类（Normal / Mild / Severe），实现视网膜病变严重程度的自动分级。数据集共 1661 张图像，按 80/20 划分为训练集和测试集，以 ImageNet 预训练的均值和标准差做归一化，使用 AdamW 优化器和交叉熵损失进行端到端训练。ResNet（Residual Network）由微软研究院何恺明等人于 2015 年提出，核心思想是引入残差连接（Skip Connection）解决深层网络的退化问题。

2026-06-19 00:36:48 295

原创【深度学习】 —— 几种优化器对比实验

利用 TensorFlow，通过构建 VGG-16 网络实现明星识别，对比四种优化器的训练效果。

2026-06-11 09:03:03 243

原创【深度学习】 —— 轻松玩转数据增强

本文旨在解决深度学习中因数据量不足导致的过拟合问题，将利用 TensorFlow，通过构建 CNN 网络实现猫狗识别。数据集中有 dog 和 cat 2 类图片，每类图片数量各有 300 张图片。Model 层嵌入：利用 GPU 加速，在 Model.fit 时自动生效。Dataset 层映射：在 CPU/数据流水线预处理阶段进行 map 操作。此外，还将说明如何编写 aug_img 并嵌入 preprocess_image 的自定义数据增强进阶方式。这个函数可以自己随意定义。

2026-05-26 18:36:17 467

原创【深度学习】 —— VGG-16 网络实现猫狗识别 2

利用 TensorFlow，通过构建 VGG-16 网络实现猫狗识别。数据集中有 dog 和 cat 2 类图片，每类图片数量各有 1700 张图片。与上一章文章不同的是，之前批次大小用的是 8 ，这次用的是 64。

2026-05-20 00:30:00 423

原创【深度学习】 —— VGG-16 网络实现猫狗识别

利用 TensorFlow，通过构建 VGG-16 网络实现猫狗识别。数据集中有 dog 和 cat 2 类图片，每类图片数量各有 1700 张图片。

2026-05-12 23:30:34 622 4

原创【深度学习】 —— VGG-16 网络实现咖啡豆识别

利用 TensorFlow，通过构建VGG-16 网络实现咖啡豆识别。数据集中有 Dark 和 Green 2 类咖啡豆图片，每类图片数量各有 300、183 张图片。利用Keras函数式API从零开始手动搭建了一个经典的VGG16卷积神经网络架构，包含5个特征提取卷积块和末端的高维全连接层，并打印了包含约1.34亿个参数的模型结构摘要。

2026-04-27 22:24:33 401

原创【深度学习实验】—— TensorFlow 实现明星识别

利用 TensorFlow，通过构建三层卷积神经网络（CNN）实现明星识别。

2026-04-21 17:30:06 399

原创【深度学习实验】—— TensorFlow 实现鞋类识别

利用 TensorFlow，通过构建三层卷积神经网络（CNN）实现猴痘病识别。数据集中有 Monkeypox、Others 两类数据，每类数据 1,100 张左右的图片。

2026-04-13 13:45:00 454

原创【深度学习实验】—— TensorFlow 实现猴痘病识别

利用 TensorFlow，通过构建三层卷积神经网络（CNN）实现猴痘病识别。数据集中有 Monkeypox、Others 两类数据，每类数据 1,100 张左右的图片。导入必要的库并配置 GPU 显存增长，以解决在 Windows 环境下可能出现的显存占用或驱动兼容性问题。3.1.2 数据集统计与预览通过 pathlib 扫描本地目录统计 2142 张图像，并使用 PIL 打开一张患病图片进行直观确认。将本地图片按 8:2 比例划分为训练集和验证集，统一调整尺寸为 224x224，并按 batch

2026-03-31 17:35:31 420

原创【深度学习实验】—— TensorFlow 实现天气识别

本文介绍了使用TensorFlow构建三层卷积神经网络（CNN）实现天气图像四分类的过程。数据集包含1101张图片，分为cloudy、rain、shine、sunrise四类。通过数据预处理、模型搭建（包含卷积层、池化层和Dropout层）和训练（10个epoch），最终模型在验证集上达到约70%准确率。实验结果表明该CNN能有效提取天气图像特征，但存在一定过拟合现象，可通过调整模型结构或数据增强进一步优化。完整代码已在Jupyter Notebook环境下通过Python 3.12.7和TensorFlo

2026-03-24 23:29:35 435

原创【深度学习实验】—— TensorFlow 实现彩色图片分类

TensorFlow 是由 Google 开发的一个开源机器学习和深度学习平台。它被广泛用于构建、训练和部署各种人工智能模型。TensorFlow 具有高度的灵活性和可扩展性，并且支持 GPU 硬件加速以缩短训练时间。在实际应用中，开发者通常使用其内置的 Keras API（即 tensorflow.keras）来构建神经网络模型，这使得定义网络层、配置优化器和训练模型的过程变得非常直观和高效。

2026-03-18 00:35:54 411

原创【深度学习实验】—— TensorFlow 实现 MNIST 手写数字识别

TensorFlow 是由 Google 开发的一个开源机器学习和深度学习平台。它被广泛用于构建、训练和部署各种人工智能模型。TensorFlow 具有高度的灵活性和可扩展性，并且支持 GPU 硬件加速以缩短训练时间。在实际应用中，开发者通常使用其内置的 Keras API（即 tensorflow.keras）来构建神经网络模型，这使得定义网络层、配置优化器和训练模型的过程变得非常直观和高效。实验中所使用的是深度学习和计算机视觉领域最经典的入门基准数据集——MNIST 数据集。

2026-03-10 10:15:00 418

原创【深度学习实验】—— Pytorch 实现车牌识别

本文的核心思路是解决非标准分类数据集（即无法简单通过文件夹分类）的识别问题，以车牌识别为例。数据集中共包含 13,675 张车牌照片。这部分代码利用 pathlib 库遍历数据集目录。由于车牌的标签直接包含在文件名中（例如 000_川W9BR26.jpg），代码通过字符串分割操作提取出车牌号码。这是处理“无固定文件夹分类”数据的常用技巧。使用 matplotlib 展示前18张原始车牌图像。这步操作的目的是验证数据读取是否正确，以及初步观察图像质量（如是否存在光照、倾斜等干扰），为后续的预处理（Re

2026-03-04 22:23:29 416

空空如也

⭕️⭕️百度网盘卸载不干净😭

请问这个程序要怎么编

兄弟姐妹这个怎么搞啊