- 博客(41)
- 收藏
- 关注
RSS订阅原创 深度学习笔记41_调用Gensim库训练Word2Vec模型
", "?","…"] # \u3000 是一个 Unicode 编码的字符，它代表一个全角的空白字符，通常在中文文本中用作空格。def remove_stopwords(ls): # 去除停用词。
2025-05-08 14:45:08
398
原创 深度学习笔记39_Pytorch文本分类入门
self.embedding = nn.EmbeddingBag(vocab_size, # 词典大小embed_dim, # 嵌入的维度model.train() # 切换为训练模式optimizer.zero_grad() # grad属性归零loss = criterion(predicted_label, label) # 计算网络输出和真实值之间的差距，label为真实值loss.backward() # 反向传播。
2025-04-18 10:30:30
326
原创 深度学习笔记36_Inception v3算法实战与解析
主要改进点模块化设计优化分解大卷积核：将大卷积核（如 5×5）分解为多个小卷积核（如两个 3×3），减少参数量并增强非线性。非对称卷积：用 1×n 和 n×1 的卷积组合替代 n×n 卷积（如 3×3 分解为 1×3 + 3×1），进一步降低计算复杂度。辅助分类器改进：在中间层添加辅助分类器（带 Batch Normalization），缓解梯度消失问题。高效训练技巧：在每层卷积后加入 BN，加速训练并提升模型稳定性。：对标签做平滑处理，防止过拟合。RMSProp 优化器：替代传统 SGD，优化收敛速度。
2025-03-21 09:28:04
600
原创 深度学习笔记35_Inception v1算法实战与解析
本次Inception v1算法实战与解析项目总结如下：Inception Module是Inception V1的核心组成单元，提出了卷积层的并行结构，实现了在同一层就可以提取不同的特征，如下图（a)所示。按照这样的结构来增加网络的深度，虽然可以提升性能，但是还面临计算量大（参数多）的问题。为改善这种现象，Inception Module借鉴Network-in-Network的思想，使用1x1的卷积核实现降维操作（也间接增加了网络的深度），以此来减少网络的参数量与计算量，如上图b所示。
2025-03-13 22:00:42
951
原创 深度学习笔记33_ResNeXt-50实战解析
这周学习ResNeXt-50实战解析：ResNeXt是由何凯明团队在2017年CVPR会议上提出来的新型图像分类网络。ResNeXt是ResNet的升级版，在ResNet的基础上，引入了cardinality的概念，类似于ResNet，ResNeXt也有ResNeXt-50，ResNeXt-101的版本。分组卷积ResNeXt中采用的分组卷机简单来说就是将特征图分为不同的组，再对每组特征图分别进行卷积，这个操作可以有效的降低计算量。
2025-02-20 21:37:54
429
原创 深度学习笔记32_DenseNet+SE-Net实战
这周学习DenseNet结合SE-Net：SE注意力机制的优点在于它能够有效地捕捉不同特征通道之间的关系，并且只引入了少量的额外参数和计算成本。通过引入SE模块，可以显著提升CNN模型在图像分类等任务上的性能，使其更加关注重要的特征，从而提高模型的泛化能力和准确性。SE后面还有许多注意力机制如将通道和空间注意机制结合的CBAM注意力机制，SE的改进ECA注意力机制等。
2025-02-13 19:35:23
328
原创 深度学习笔记31_ResNet与DenseNet结合探索
若使用的是cpu则可忽略三、数据导入四、加载数据五、数据处理 数据可视化再次检查数据六、构建模型七、训练模型 这周学习ResNet与DenseNet模型结合实现鸟类预测：前后端结构：设计一个网络架构，前半部分使用ResNet提取初始特征，后半部分使用DenseNet进一步融合和精细化特征。这样的结构可以有效地利用两者的优点。分支结构：在网络中实现多分支结构，一部分为
2025-01-22 20:31:14
784
原创 深度学习笔记30_DenseNet算法实战与解析
这周学习DenseNet算法实战与解析：DenseNet是CVPR2017年的Best Paper，它脱离了加深网络层数(ResNet)和加宽网络结构(Inception)来提升网络性能的定式思维，从特征的角度考虑,通过特征重用和旁路(Bypass)设置,既大幅度减少了网络的参数量，又在一定程度上缓解了gradient vanishing问题的产生.结合信息流和特征复用的假设，DenseNet当之无愧成为2017年计算机视觉顶会的年度最佳论文。众所周知，CNN已经成为了深度学习方向最主要的网络结构之一。
2025-01-16 19:55:20
650
原创 深度学习笔记29_ResNet50V2算法实战与解析
改进点：(a)original 表示原始的 ResNet 的残差结构，(b)proposed 表示新的 ResNet 的残差结构。主要差别就是(a)结构先卷积后进行 BN 和激活函数计算，最后执行 addition 后再进行ReLU 计算；(b)结构先进行 BN 和激活函数计算后卷积，把 addition 后的 ReLU 计算放到了残差结构内部。改进结果：作者使用这两种不同的结构在 CIFAR-10 数据集上做测试，模型用的是 1001 层的 ResNet 模型。
2025-01-10 20:01:24
623
原创 深度学习笔记28_ResNet-50算法实战
这周学习ResNet-50模型实现鸟类预测：1.介绍，ResNet-50由两个基本块组成，分别名为conv Block和identity BlockBINK1：BINK1有四个参数：C,W,C1,S。S：代表卷积层中的步长，当S为1时，输入尺寸和输出尺寸相同，代表没有进行下采样。C1：代表卷积层输出的特征图数目，即输出通道数。C：代表输入通道数。C和C1相等说明左侧1×1的卷积层没有减少通道数，后三个stage中C=2*C1说明左侧1×1的卷积层减少了通道数。W：代表输入尺寸，即长和宽。
2024-12-27 09:22:16
995
原创 深度学习笔记27_RNN实现阿尔茨海默病诊断（pytorch）
这周学习RNN实现阿尔茨海默病诊断：混淆矩阵是一个二维矩阵，用于总结分类模型在不同类别上的预测结果，包括 True Positive (TP)、False Negative (FN)、False Positive (FP)、True Negative (TN)。性能指标：准确率（Accuracy）：模型正确分类的样本占总样本数的比例。精确率（Precision）：模型预测为正类别的样本中有多少是真正的正类别。召回率（Recall）：实际为正类别的样本中，有多少被模型正确预测为正类别。
2024-12-20 08:59:00
653
原创 深度学习笔记26_糖尿病预测模型优化探索
这周学习LSTM实现糖尿病探索与预测：优势LSTM 能够有效地解决传统RNN中的梯度消失问题，从而可以学习到序列数据中长距离的依赖关系。这使得它在处理诸如长文本、长时间序列等数据时表现出色，能够捕捉到数据中深层次的语义、趋势和模式。LSTM 可以应用于多种不同类型的序列数据处理任务，无论是自然语言、时间序列还是语音信号等。它的门控机制使得模型能够根据不同的数据特点和任务需求，灵活地调整细胞状态中的信息保留与更新，具有较强的适应性。局限。
2024-12-13 09:27:29
364
原创 深度学习笔记25_LSTM实现糖尿病探索与预测
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号plt.rcParams['figure.dpi'] = 100 # 分辨率plt.show()这周学习LSTM实现糖尿病探索与预测：LSTM原理：长短时记忆网络（LSTM）是一种特殊的循环神经网络（RNN），能够学习长序列数据中的依赖关系。
2024-12-06 18:44:30
550
原创 深度学习笔记24_天气预测
这周学习天气预测，其中主要包括EDA(Exploratory Data Analysis)探索性数据分析可以有效发现变量类型、分布趋势、缺失值、异常值等。缺失值处理：（i）删除缺失值较多的列，通常缺失超过50%的列需要删除；（ii）缺失值填充。对于离散特征，通常将NAN单独作为一个类别；对于连续特征，通常使用均值、中值、0或机器学习算法进行填充。具体填充方法因业务的不同而不同。异常值处理（主要针对连续特征）。如：Winsorizer方法处理。类别合并（主要针对离散特征）。
2024-11-22 14:52:49
1130
原创 深度学习笔记23_LSTM-火灾温度预测
这周学习使用LSTM模型实现火灾温度预测，Long ShortTerm 网络——一般就叫做LSTM——是一种RNN特殊的类型，可以学习长期依赖信息。LSTM和基线RNN并没有特别大的结构不同，但是它们用了不同的函数来计算隐状态。LSTM通过刻意的设计来避免长期依赖问题。记住长期的信息在实践中是LSTM的默认行为，而非需要付出很大代价才能获得的能力，所有RNN都具有一种重复神经网络模块的链式的形式。在标准的RNN中，这个重复的模块只有一个非常简单的结构，例如一个tanh层。
2024-11-14 14:26:42
1016
原创 深度学习笔记22_RNN-心脏病预测
本周学习使用RNN模型进行心脏病预测，RNN是一种具有循环连接的神经网络结构，被广泛应用于自然语言处理、语音识别、时序数据分析等任务中。相较于传统神经网络，RNN的主要特点在于它可以处理序列数据，能够捕捉到序列中的时序信息。为什么要发明RNN？我喜欢吃苹果；苹果是一家很棒的公司。现在的任务是要给apple打Label，我们都知道第一个apple是一种水果，第二个apple是苹果公司；
2024-11-08 10:30:00
405
原创 深度学习笔记21_优化器对比实验
本周学习使用VGG16模型进行人脸识别，通过改变优化器得到不一样的效果；一般来说，Adam 是最好的选择，可以通过实验改变优化器来寻找最佳。
2024-11-01 10:31:23
667
原创 深度学习笔记20_数据增强
这是大家可以自由发挥的一个地方# 随机改变图像对比度数据增强类型：1.图像增强随机旋转随机翻转随机缩放裁剪和调整大小2.文本数据增强字符级别在字符级别，数据增强涉及更改文本数据中的单个字符。短语级别在短语级别扩充数据涉及以连贯的方式修改短语或单词组。3.音频数据增强我们可以通过简单地使用 numpy 向数据添加一些随机值来增加音频样本的数量。转移转移时间的想法非常简单。它只是随机将音频向左/向右移动。我们可以使用 librosa 函数改变音高。
2024-10-17 19:40:41
510
原创 深度学习笔记19_TensorFlow实现猫狗识别2
🍨 本文为🔗365天深度学习训练营中的学习记录博客 🍖 原作者：K同学啊 | 接辅导、项目定制一、我的环境1.语言环境：Python 3.92.编译器：Pycharm3.深度学习环境：TensorFlow 2.10.0二、GPU设置 若使用的是cpu则可忽略import tensorflow as tfgpus = tf.config.list_physical_devices("GPU")if gpus: gpu0 = gpus[0]
2024-10-11 08:57:31
346
原创 深度学习笔记18_TensorFlow实现猫狗识别
本周通过tenserflow框架创建VGG16网络模型进行猫狗识别：VGG16模型结构：VGG16共包含：13个卷积层（Convolutional Layer），分别用conv3-XXX表示 (XXX为输出通道数，3代表kernel_size)3个全连接层（Fully connected Layer）,分别用FC-XXXX表示（XXX为输出神经元个数)5个池化层（Pool layer）,分别用maxpool表示。VGG优缺点分析：VGG优点。
2024-10-02 11:45:00
1232
原创 深度学习笔记17_TensorFlow实现咖啡豆识别
本周通过tenserflow框架创建VGG16网络模型进行猴痘病识别学习，学习如何搭建VGG16网络模型，学习在不影响准确率的前提下轻量化模型；通过使用全局平均池化代替全连接层，极大的减少了网络的参数量。
2024-09-20 10:22:54
640
原创 深度学习笔记16_TensorFlow实现好莱坞明星识别
损失函数Loss详解：1. binary_crossentropy（对数损失函数）与sigmoid相对应的损失函数，针对于二分类问题。2. categorical_crossentropy（多分类的对数损失函数）与softmax相对应的损失函数，如果是one-hot编码，则使用3. sparse_categorical_crossentropy（稀疏性多分类的对数损失函数）与softmax相对应的损失函数，如果是整数编码，则使用。
2024-09-13 10:58:31
915
原创 深度学习笔记15_TensorFlow实现运动鞋品牌识别
本周通过学习TensorFlow实现运动鞋品牌识别;首先学习设置动态学习率，在训练神经网络时动态地降低学习率，可以帮助优化算法更有效地收敛到全局最小值，从而提高模型的性能。其次就是学习早停与保存最佳模型参数，模型在指定epoch次都没有提升的情况下，可以提前停止训练。
2024-09-06 16:23:06
1144
原创 深度学习笔记14_TensorFlow实现猴痘病识别
本周通过学习TensorFlow实现猴痘病识别，学习如何增加测试集准确率，通过添加增加dropout层来实现。其次是学习如何找到最好模型、保存模型、加载模型。
2024-08-23 13:00:00
1243
原创 深度学习笔记13_TensorFlow实现天气识别
本周通过学习TensorFlow实现天气识别，学习如何增加Dropout层，还有将最大池化层调整成了平均池化层。学习数据集shuffle方法中buffer_size，而它是用来打乱数据集中数据顺序，训练时非常常用。prefetch()功能详细介绍：CPU 正在准备数据时，加速器处于空闲状态。相反，当加速器正在训练模型时，CPU 处于空闲状态。因此，训练所用的时间是 CPU 预处理时间和加速器训练时间的总和。prefetch()将训练步骤的预处理和模型执行过程重叠到一起。
2024-08-13 17:04:05
530
原创 深度学习笔记12_TensorFlow实现彩色图片分类
本周通过学习TensorFlow实现彩色图片分类，更加了解该框架下构建CNN模型的使用，深入了解模型评估使用方法。CIFAR-10简介CIFAR-10 是3 通道的彩色RGB 图像，而MNIST 是灰度图像。CIFAR-10 的图片尺寸为32 × 32 ， 而MNIST 的图片尺寸为28 × 28 ，比MNIST 稍大。相比于手写字符，CIFAR-10含有的是现实世界中真实的物体，不仅噪声很大，而且物体的比例、特征都不尽相同，这为识别带来很大困难。
2024-08-08 09:53:22
444
1
原创 深度学习笔记11_TensorFlow实现mnist手写数字识别
本次基于深度学习的TensorFlow实现mnist手写数字识别项目总结如下：本周主要学习使用TensorFlow 框架实现手写数字识别，学习该框架使用语法、使用的库、以及如何实现图片识别的内容。而TensorFlow 是一个用于机器学习的开源框架，可以用来快速地构建神经网络，同时快捷地进行网络的训练、评估与保存。MNIST手写数字数据集介绍MNIST手写数字数据集来源于是美国国家标准与技术研究所，是著名的公开数据集之一。
2024-08-02 10:03:20
655
原创 深度学习笔记10_Pytorch实现车牌识别
本次基于深度学习的Pytorch实现车牌识别项目总结如下：本周主要学习如何导入无法分类的数据集，通过自定义一个MyDataset加载车牌数据集并完成识别；尝试写统计测试集的准确率代码。
2024-07-26 11:33:19
5829
原创 深度学习笔记09_YOLOv5-Backbone模块实现
Backbone骨干网络骨干网络是指用来提取图像特征的网络，它的主要作用是将原始的输入图像转化为多层特征图，以便后续的目标检测任务使用。在Yolov5中，使用的是CSPDarknet53或ResNet骨干网络，这两个网络都是相对轻量级的，能够在保证较高检测精度的同时，尽可能地减少计算量和内存占用。Backbone中的主要结构有Conv模块、C3模块、SPPF模块。Conv模块Conv模块是卷积神经网络中常用的一种基础模块，它主要由卷积层、BN层和激活函数组成。下面对这些组成部分进行详细解析。
2024-07-12 11:02:51
952
原创 深度学习笔记08_YOLOv5-C3模块实现
本次基于深度学习的pytorch实现YOLOv5-C3模块项目总结如下；YOLOv5的Head网络由3个不同的输出层组成，分别负责检测大中小尺度的目标。YOLOv5使用CSPDarknet53作为其主干网络，其具有较强的特征提取能力和计算效率。Neck网络：YOLOv5使用的是FPN(FPN网络能够在不同的特征图层次上进行检测，可以提高目标检测的性能)网络，可以融合来自不同特征图层次的信息。
2024-07-05 09:45:00
2152
原创 深度学习笔记07_pytorch实现咖啡豆识别
本次基于深度学习的pytorch实现咖啡豆识别项目总结如下：1.学习手动搭建VGG-16网络框架，在咖啡豆图片识别中可以获得很高准确率；2.通过增加BatchNormalization、Dropout层和全局平均池化层代替全连接层，VGG-16的Total params是14,719,684，测试集准确率达到100%。
2024-06-28 10:30:00
1274
原创 深度学习笔记06_pytorch实现人脸识别
本次基于深度学习的pytorch实现人脸识别项目总结如下：1.学习调用官方VGG-16网络框架，但是得到的效果并不好，通过查询文章手动构建VGG-16模型，可以得到较好准确率；2.3x3卷积核的好处参数少： 一个3x3卷积核拥有9个权重参数，而一个5x5卷积核则需要25个权重参数，因此采用3x3卷积核可以大幅度减少网络的参数数量，从而减少过拟合的风险；提高非线性能力： 多个3x3卷积核串联起来可以形成一个感受野更大的卷积核，而且这个组合具有更强的非线性能力。
2024-06-21 10:15:00
852
原创 深度学习笔记05_pytorch实现运动鞋识别
本次基于深度学习的pytorch实现运动鞋识别项目总结如下：1.学习设置动态学习率，在训练的不同阶段自动调整学习率的大小，以使模型在全局最优解附近更好地收敛；2.通过更换优化器、增加dropout层，来增加测试集acc；3.通过每轮训练测试集的准确率，找到最高的，保存最佳模型权重。
2024-06-08 16:17:03
1055
原创 深度学习笔记04_pytorch实现猴痘病识别
PyTorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序。PyTorch既可以看作加入了GPU支持的numpy，同时也可以看成一个拥有自动求导功能的强大的深度神经网络
2024-05-30 10:16:24
909
原创 深度学习笔记03_pytorch实现天气识别
PyTorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序。PyTorch既可以看作加入了GPU支持的numpy，同时也可以看成一个拥有自动求导功能的强大的深度神经网络
2024-05-23 10:38:51
2356
原创 深度学习笔记02_CIFAR10彩色图片识别（pytorch）
PyTorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序。PyTorch既可以看作加入了GPU支持的numpy，同时也可以看成一个拥有自动求导功能的强大的深度神经网络
2024-05-18 22:00:00
962
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