- 博客(207)
- 收藏
- 关注
RSS订阅原创 【Python深度学习】3.4. 循环神经网络(RNN)实战：预测股价
本文介绍了使用循环神经网络(RNN)进行股价预测的完整流程。首先通过Pandas读取模拟股价数据并进行归一化处理，接着将数据转换为8个连续时间步作为输入、第9个时间步作为输出的格式。使用Keras构建包含5个RNN神经元和1个输出层的模型，采用均方误差损失函数和Adam优化器进行训练。结果显示模型预测值与真实股价趋势吻合良好。文章提供了完整代码实现，包括数据预处理、模型构建、训练和可视化等步骤，适合初学者学习RNN在时间序列预测中的应用。
2026-04-19 12:00:00
496
原创 【Python入门速学】4.4. for循环与字符串
本文介绍了Python中字符串长度的获取和遍历方法。len()函数用于计算字符串长度，最大索引为len(s)-1。字符串遍历有两种方式：1) 通过for i in range(len(s))按索引遍历；2) 使用for letter in s直接遍历字符，这种方式更简洁。需要注意的是，使用超出范围的索引会引发IndexError错误。文章通过示例代码演示了如何正确获取字符串长度并安全地遍历每个字符。
2026-04-19 08:00:00
87
原创 【Python深度学习】3.5. 循环神经网络(RNN)实战：LSTM自动生成文本
本文介绍了使用LSTM模型进行文本生成的方法。主要内容包括：数据预处理（加载《弗兰肯斯坦》文本并去除换行符）、建立字符字典（将74种字符映射为数字）、通过滑动窗口处理输入数据（20个字符预测第21个字符）、将数据转换为one-hot编码格式并划分为训练集/测试集。最后搭建了一个包含LSTM层的序列模型，输入维度为20×74，输出层神经元数与字符种类数相同。该方法可用于基于前文预测后续字符的文本生成任务。
2026-04-18 12:00:00
379
原创 【Python入门速学】4.3. 字符串的不可变性
本文介绍了Python中字符串的不可变性特性。字符串一旦创建便无法修改，尝试通过索引修改字符会引发TypeError。要"修改"字符串，必须创建新字符串，如使用拼接（"J"+s[1:]）或replace()方法。字符串变量实际存储的是对字符串对象的引用，重新赋值会指向新对象而非修改原字符串。该特性是Python基础概念，后续将学习其他可变与不可变数据类型。
2026-04-18 08:00:00
67
原创 【Python机器学习】3.3. 循环神经网络(RNN)理论(进阶)
本文介绍了循环神经网络(RNN)的基本结构与应用场景，包括多输入多输出、多输入单输出、单输入多输出三种基础架构及其在情感识别、文本生成等任务中的应用。针对普通RNN存在的信息丢失问题，文章详细讲解了长短期记忆网络(LSTM)的结构原理，重点分析了遗忘门、输入门和输出门的工作机制。最后简要介绍了深层循环网络(DRNN)通过堆叠隐藏层提升模型表达能力的方法。全文通过图示和公式相结合的方式，系统性地阐述了RNN系列模型的核心概念与工作机制。
2026-04-16 12:00:00
1033
原创 【Python入门速学】4.2. 字符串切片
字符串切片是从字符串中提取部分内容的方法，语法为字符串[起始索引:结束索引]，其中起始索引包含而结束索引不包含。可以省略索引（默认为字符串起点或终点）、使用负索引（从右计数），且不会因索引越界报错。切片可与字符串拼接结合使用，如"Hello, world!"[:5] + "!"得到"Hello!"。实际应用示例：用建筑名前2字母加房间号生成房间缩写（如"Cloud Hall"和"45"组合为"Cl4
2026-04-16 10:00:00
63
原创 【Python深度学习】3.2. 循环神经网络(RNN)理论(基础)
本文介绍了循环神经网络（RNN）的基本概念和应用。RNN是一种处理序列数据的神经网络，具有记忆能力，适用于时序数据和自然语言任务。文章详细解释了RNN的数学模型，包括隐藏状态的计算和输出预测，并通过示例说明了RNN在文本处理中的应用。此外，还讨论了如何将单词转换为计算机可处理的数值表示，以及模型的训练过程。
2026-04-15 12:00:00
429
原创 【Python入门速学】4.1. 深入String字符串
本文介绍了Python中字符串的基本概念和操作。字符串是字符序列，可用单引号或双引号表示。内容包括：字符串定义、数据类型、空字符串、字符访问、拼接方法、数字转换、用户输入、长度获取和大小写转换等核心操作。重点讲解了字符串索引从0开始、拼接时需转换数字为字符串等关键点，并提供了常用字符串处理函数的使用示例。这些基础知识为后续深入学习字符串操作奠定了基础。
2026-04-15 10:00:00
166
原创 【Python深度学习】3.1. 序列模型(Sequence Model)
摘要： 序列模型是处理时序/有序数据的机器学习模型，擅长捕捉前后依赖关系，应用于NLP、语音识别、股价预测等。典型模型包括RNN、LSTM、GRU和Transformer，特点在于处理变长输入且顺序敏感（如“吃饭不”与“不吃饭”含义不同）。核心应用包括语音识别、机器翻译和行为预测。Transformer因2017年谷歌论文《Attention Is All You Need》革新NLP领域，成为主流架构。下文将介绍RNN循环神经网络。
2026-04-14 12:00:00
247
原创 【Python入门速学】3.5. 异常(Exceptions)
本文介绍了Python异常处理的基本概念和方法。主要内容包括：1）异常的定义，如ValueError和ZeroDivisionError；2）使用try-except结构捕获异常；3）处理多个异常类型；4）使用Exception捕获所有异常；5）finally语句的用法；6）综合示例展示用户输入错误的处理。文章强调异常处理能防止程序崩溃，提供错误处理逻辑，并通过多个代码示例演示了不同异常处理方式的应用场景。
2026-04-14 10:00:00
71
原创 【Python深度学习】2.4. 卷积神经网络(CNN)实战(进阶)：使用VGG-16进行图像特征提取
本文介绍了使用VGG-16模型进行猫狗二分类任务的方法。首先回顾了VGG-16的架构，包括其卷积层和池化层的配置。文章详细说明了数据准备步骤，包括数据集下载和目录结构设置，并建议在支持GPU加速的环境下运行以提高效率。核心部分提供了特征提取的代码实现：通过VGG-16（去除顶层）提取图像特征，将每张224×224的图片转换为7×7×512维的特征向量。代码包含单张图片处理和批量处理函数，最终输出猫狗图像的特征矩阵，为后续构建MLP分类模型做准备。文中还特别说明了不同硬件环境下的运行建议。
2026-04-13 12:00:00
1551
原创 【Python入门速学】3.4. 函数与返回值
本文介绍了Python函数返回值的基本概念和使用方法。返回值是函数执行后返回的结果，可以通过return关键字指定。文章通过多个示例展示了如何定义返回值的函数，包括带参数的函数和调用其他函数的复合函数。同时解释了Python解释器执行函数时的替换机制，以及当函数没有return语句时会默认返回None的特性。最后总结了返回值的关键作用：用于计算、变量赋值或传递给其他函数，强调了return语句在函数中的重要性。
2026-04-13 10:00:00
69
原创 【Python深度学习】2.3. 卷积神经网络(CNN)实战(基础)：猫狗照片二分类
本文介绍了基于Keras的CNN猫狗分类模型实现方法。首先通过ImageDataGenerator加载并预处理50×50像素的RGB图像，构建包含两个卷积层（各32个3×3卷积核+ReLU激活）和池化层的特征提取网络，后接Flatten层和128神经元全连接层，最终用Sigmoid输出二分类结果。使用Adam优化器和交叉熵损失函数进行训练，代码包含完整的数据加载、模型构建（Conv2D/MaxPooling2D/Dense）及训练配置（compile）。关键步骤涵盖图像归一化、卷积核
2026-04-12 12:00:00
410
原创 【Python入门速学】3.3. 命名空间(namespace)
命名空间是程序中变量名的集合，限定变量可访问的作用域。主要分为全局命名空间（存储全局变量）和局部命名空间（存储函数内部变量）。Python通过LEGB规则查找变量：Local（局部）→Enclosing（嵌套）→Global（全局）→Built-in（内置）。默认情况下，局部变量不影响全局变量，但可使用global关键字修改全局变量，或使用nonlocal修改嵌套函数中的外层变量。命名空间机制避免了变量名冲突，使程序结构更清晰。
2026-04-12 08:00:00
294
原创 【Python深度学习】2.2. 卷积神经网络(CNN)模型理论(进阶)：图像填充、LeNet、AlexNet
摘要 本文介绍了卷积神经网络(CNN)中的图像填充(Padding)技术和经典CNN模型。Padding通过在图像边缘添加像素(通常为0)来解决卷积导致的信息丢失和边缘信息利用率低的问题，填充量由过滤器尺寸和步长决定。文章详细推导了填充计算公式，并以5×5图像为例说明计算过程。
2026-04-11 13:00:00
376
原创 【Python入门速学】3.2. 函数参数
本文介绍了Python函数中参数的概念和使用方法。主要内容包括：1)参数的定义和作用，参数是调用函数时可传递的信息变量；2)参数与实参的区别，参数是函数定义时声明的变量，实参是调用时传递的值；3)如何定义多个参数；4)默认参数值的设置及注意事项，强调默认参数必须放在参数列表最后。通过学习这些内容，可以创建更灵活的函数，根据不同的输入执行不同的任务。
2026-04-11 09:00:00
383
原创 【Python深度学习】2.1. 卷积神经网络(CNN)模型理论(基础)：卷积运算、池化、ReLU函数
本文介绍了卷积神经网络(CNN)的核心原理与应用。首先指出传统MLP模型在处理图像时计算量过大的问题，引出卷积运算通过提取图像轮廓特征来降低计算量的优势。详细讲解了图像卷积运算的数学原理，包括滤波器矩阵的设计方法（如竖向/横向轮廓检测），并说明CNN的核心在于自动学习最优滤波器参数。接着介绍了池化层（最大池化和平均池化）的维度缩减功能。最后完整展示了CNN的工作流程：卷积→池化→MLP分类，通过预处理大幅减少了MLP的输入维度。文章强调CNN通过局部感受野和参数共享机制，有效解决了图像处理中的计算复杂度问题
2026-04-10 13:00:00
764
1
原创 【Python入门速学】3.1. 函数
本文介绍了Python函数的基本概念和使用方法。函数是具有名称并执行特定任务的代码块，通过def关键字定义。函数的主要作用包括拆分程序结构和实现代码复用，从而避免重复、提高可读性和便于修改。定义函数后需要调用才能执行其中的代码。后续将进一步讲解函数参数、返回值等高级特性。
2026-04-10 09:00:00
46
原创 【Python深度学习】1.4. 多层感知器MLP(人工神经网络)实现手写数字识别(图像多分类)
文章摘要： 本文介绍了使用Keras实现多层感知器（MLP）进行MNIST手写数字识别的完整流程。首先讲解了MNIST数据集的特点（28x28像素的70,000张灰度图），然后详细演示了数据预处理步骤：包括数组转换（将二维图像展平为一维向量）、数据归一化（像素值缩放到0-1范围）和标签one-hot编码。接着构建了一个包含两个隐藏层（各392个神经元）和输出层（10个神经元）的MLP模型，使用Sigmoid和Softmax激活函数。最后配置模型采用交叉熵损失函数和Adam优化器。文中提供了完整的代码实现和关
2026-04-09 13:00:00
1367
原创 【Python入门速学】2.9. 循环嵌套
本文介绍了Python中的嵌套循环结构。主要内容包括：1）复习for循环的基本语法和缩进规则；2）通过简单示例展示嵌套for循环的执行过程（外层4次×内层3次=12次输出）；3）以乘法表为例说明嵌套循环的实际应用；4）演示在for循环内嵌套while循环的用法。关键点在于：嵌套循环适合处理多维数据，内层循环完全执行后外层才会继续，总循环次数为各层循环次数的乘积。
2026-04-09 09:00:00
70
原创 【Python深度学习】1.3. 利用Keras实现多层感知器MLP(人工神经网络)
Keras 是一个用 Python 编写的用于神经网络开发的应用接口，调用开接口可以实现神经网络、卷积神经网络、循环神经网络等常用深度学习算法的开发。
2026-04-08 13:00:00
607
原创 【Python入门速学】2.8. break与continue
本文介绍了Python中控制循环流程的两个关键语句：break和continue。break用于立即终止整个循环，常用于满足特定条件时退出循环；而continue则是跳过当前迭代，直接进入下一次循环。文章通过多个示例演示了这两个关键字在while循环和for循环中的具体应用，包括处理用户输入验证和循环跳过特定值的情况。最后，文章展示了一个实际应用场景：使用while循环和break语句让用户反复输入自行车尺寸，直到找到合适尺寸为止。这些控制语句能有效管理循环流程，使程序更加灵活高效。
2026-04-08 09:00:00
215
原创 【Python入门速学】2.7. for循环
本文介绍了Python中的for循环结构。for循环适用于已知执行次数的情况，其基本语法为for 变量 in range(次数)，其中range()函数生成整数序列。文章详细讲解了循环变量的作用、range()的起始值和步长设置方法，以及如何用变量控制循环次数。通过多个实际应用示例，如数字求和计算，展示了for循环的常见用法。最后总结了for循环的特点：适合已知循环次数的场景，range()可灵活设置参数，循环变量依次取值，常用于遍历和计算任务。
2026-04-07 09:00:00
224
原创 【Python入门速学】2.6. while循环
本文介绍了Python中while循环的基本概念和使用方法。while循环用于重复执行代码块，直到条件变为False。文章通过猜数字游戏的例子，展示了while循环的实际应用，并强调需要避免无限循环的关键点：循环体内必须包含能改变循环条件的代码。同时解释了while循环的执行逻辑，说明循环体会完整执行一次后才重新检查条件。最后总结了while循环与if语句的相似性及注意事项，为初学者提供了清晰的学习路径。
2026-04-07 08:00:00
368
原创 【Python深度学习】1.2. 多层感知器MLP(人工神经网络)实现非线性分类理论
本文介绍了多层感知器(MLP)与逻辑回归的对比，重点阐述了如何通过MLP实现非线性分类而不需增加高次项数据。文章通过逻辑门（与门、或门、非门）的组合构建MLP模型，演示了如何实现与或门(XNOR)功能。详细讲解了MLP的训练过程，包括权重初始化、前向传播、反向传播和梯度下降优化。最后说明了MLP如何通过多个输出神经元实现多分类任务，选择概率最高的输出作为预测结果。文章通过具体例子和真值表直观展示了MLP的工作原理和优势。
2026-04-06 13:25:37
687
原创 【Python深度学习】1.1. 多层感知器MLP(人工神经网络)介绍
本文介绍了多层感知器（MLP）的基本原理及其必要性。传统机器学习算法（如逻辑回归）在处理复杂非线性问题（如高维图像分类）时面临计算量爆炸的困境。MLP通过模拟生物神经元结构，构建多层神经网络解决这一问题。每个神经元节点类似逻辑回归模型，通过激活函数（如Sigmoid）进行非线性变换，权重矩阵连接不同层节点。MLP的核心优势在于能自动学习特征权重，无需人工构造高维多项式，特别适合处理图像等高维数据。文中详细推导了隐含层神经元的数学表达式，并解释了偏置项、激活函数等关键概念的作用。
2026-04-06 13:00:00
356
原创 【Python机器学习】4.3. 模型优化
本文探讨了机器学习实战中提升模型表现的方法。首先指出数据质量决定模型上限，建议建模前检查数据属性、数量级和异常值等。其次强调应尝试不同模型（如逻辑回归、KNN、决策树等），并通过准确率和混淆矩阵等指标选择合适模型。最后提出具体优化措施：调整核心参数（如KNN的n_neighbors值）、数据扩充/降维、正则化处理等，并以KNN参数调整效果图直观展示参数影响。文章强调需根据应用场景选择衡量指标，如垃圾邮件检测需关注精确率和召回率。
2025-07-24 20:38:16
743
原创 【Python机器学习】4.2. 数据分离与混淆矩阵
本文介绍了机器学习中的数据分离方法和混淆矩阵评估技术。数据分离通过将原始数据划分为训练集和测试集来解决过拟合问题，确保模型对新数据的预测能力。混淆矩阵则提供了更全面的分类评估指标（TP/TN/FP/FN），可计算准确率、召回率、精确率和F1分数等关键指标。不同场景下应关注不同指标：如垃圾邮件检测需同时关注精确率和召回率，而异常交易检测则更注重特异度。文章还提供了Python代码示例，展示如何使用sklearn实现数据分离和混淆矩阵计算。
2025-07-24 20:34:34
911
原创 【Python入门速学】2.5. 浮点数及常见问题
在 Python 及大多数编程语言中，是用于表示小数的常见数据类型。然而，由于浮点数的底层实现基于二进制存储，可能会导致一些意想不到的行为，如舍入误差、不精确的比较等。本文将结合示例，探讨 Python 处理浮点数时可能遇到的问题，并提供应对策略。
2025-03-25 07:16:01
500
原创 【Python机器学习】4.1. 过拟合(overfitting)与欠拟合(underfitting)
左图能够大致表现出温度变化的趋势，但是与散点数据的偏差很大，就是欠拟合中间的图能够很好的表现出温度变化的过程，并且与散点数据的偏差不大，这是理想的拟合右图拟合出的曲线与散点数据的偏差值最小，但是起伏、斜率和波动很多，这在正常的气候变化中是不可能发生的，这条曲线也因此失去了通用性，这就是过拟合。
2025-03-25 07:14:06
1068
原创 【Python机器学习】3.7. 主成分分析(PCA)实战
本文进行了主成分分析代码实战，紧承 3.4. 主成分分析(PCA)理论, 没看过的建议先看。
2025-03-23 12:11:53
806
原创 【Python入门速学】2.3. 比较运算符
=：检查是否相等!：检查是否不等：大于：小于>=：大于等于<=：小于等于= 是赋值，== 是比较（常见错误）字符串可以用 == 比较，也可以用 < > 进行字典顺序比较if-elif-else 结构用于多个条件判断。
2025-03-22 15:36:04
518
原创 【Python机器学习】3.6. 异常检测实战
本文对异常检测进行了实战代码演练，紧承 3.3. 异常检测(Anomaly Detection)理论，没看过的建议先看理论分析。
2025-03-22 15:31:03
930
原创 【Python入门速学】2.2. 条件控制语句（if语句）
if语句让程序可以根据不同情况执行不同的代码。if-else语句允许在条件为 False 时执行不同的代码。语句适用于多个条件的情况。缩进在 Python 中至关重要，所有 if 语句的代码块必须正确缩进。if语句的条件可以使用比较运算符==!>=<=逻辑运算符andornot。
2025-03-21 12:42:59
750
原创 【Python机器学习】3.5. 决策树实战：基于Iris数据集
本文紧承 3.1. 决策树理论(基础) 和 3.2. 决策树理论(进阶)，没看过的建议先看理论分析。
2025-03-21 12:40:03
1230
原创 【Python入门速学】2.1. 控制流
变量类型说明示例int整数x = 10float浮点数（小数）y = 3.14str字符串bool布尔值（True / False）布尔值（Boolean）是True 或 False，用于表示是/否的概念。布尔值是 Python 的第四种变量类型 bool。布尔值不能加引号，并且首字母必须大写。可以使用 str() 转换布尔值，使其与字符串拼接。
2025-03-20 05:48:54
563
原创 【Python机器学习】3.4. 主成分分析(Principle Component Analysis)理论
PCA是指在某些限定条件下，降低随机变量个数，得到一组“不相关”的主变量的过程。减少模型分析的数据量，提升处理效率，降低计算难度实现数据的可视化。
2025-03-20 05:47:10
1057
原创 【Python入门速学】1.8. 注释（Comments）
Python 提供两种注释方式单行注释（#）：适用于简短说明。多行注释（‘’’ 或 “”"）：适用于程序描述或较长的解释。注释的作用让代码更容易被团队成员理解。方便自己回顾和维护代码。让未来的开发者更容易继承代码。编写优质注释的原则清晰简洁，不要冗余解释“为什么”，而不是“如何”避免过多或无意义的注释保持注释同步更新。
2025-03-19 06:32:45
511
原创 【Python机器学习】3.3. 异常检测(Anomaly Detection)理论：概率密度、正态分布
异常检测就是根据输入数据，对不符合预期模式的数据进行识别。
2025-03-19 06:30:33
1537
空空如也
Rust发布crate失败
2025-03-24
Opencv配置出错
2024-09-14
TA创建的收藏夹 TA关注的收藏夹
TA关注的人