- 博客(23)
- 收藏
- 关注
RSS订阅原创 YOLOv5-Backbone模块实现
类实现了YOLOv5目标检测算法的一个变种，用于深度学习图像分类任务。该模块复现了YOLOv5 6.0版本的主干网络结构，包括多个卷积层（ConvC3）和空间金字塔池化层（SPPF这种结构有助于提取图像特征并进行有效的目标检测。通过多个卷积层和C3模块的堆叠，该模块能够有效地提取图像的多层次特征，为后续的分类任务提供丰富的特征表示。通过卷积层中的步长（s）参数，该模块实现了图像的下采样，有助于捕获图像中不同尺度的信息。同时，SPPF层通过池化操作进一步增强了特征的表达能力。
2024-12-15 19:40:59
374
原创 YOLOv5-C3模块实现
CSP Bottleneck 结构C3类使用了 CSP Bottleneck 结构，这是一种有效的卷积神经网络设计，可以减少参数数量并提高计算效率。在这种结构中，输入首先通过一个1x1卷积减少通道数，然后通过一系列瓶颈模块处理，最后通过另一个1x1卷积增加通道数，并将处理前后的特征图进行拼接。快捷连接：如用于缓解深度网络中的梯度消失问题，通过直接连接输入和输出来保持信息流。分组卷积g参数允许使用分组卷积，这是一种减少参数数量和计算量的技术，通过将输入通道分成多组，每组独立进行卷积操作。
2024-12-07 20:56:29
400
原创 马铃薯病害识别（VGG-16复现）
检查 GPU 可用性：确保你的计算机具有支持 CUDA 的 NVIDIA GPU，并且已正确安装驱动程序。CUDA 和 cuDNN 版本：确认安装了与 PyTorch/TensorFlow 版本兼容的 CUDA 和 cuDNN。使用 GPU 进行运算：在代码中确保将模型和输入数据移动到 GPU 上，以利用加速计算。
2024-12-01 19:07:18
752
原创 VGG16-Pytorch实现人脸识别
在深度学习训练过程中，使用GPU可以显著加快计算速度。在准备工作中，首先需要检查计算机是否具备CUDA支持的GPU，并将深度学习任务指定为在GPU上运行。如果没有可用的GPU，则应回退到CPU。通过设置相应的设备配置，可以确保后续的模型训练和推理都在正确的硬件上进行。
2024-11-16 21:27:56
1052
原创 Pytorch实现运动鞋识别
设置GPU：在使用深度学习框架（如TensorFlow或PyTorch）进行训练时，确保已正确安装GPU驱动及相关库（如CUDA和cuDNN）。在框架中检查GPU是否可用，以确保模型训练可以加速。导入数据：使用合适的方法（如）导入图像数据。对数据进行必要的预处理，比如图像缩放、归一化，以及数据增强（如随机旋转、平移、翻转等），以提高模型的泛化能力。
2024-11-09 19:57:13
1331
3
原创 Pytorch猴痘病识别
设置GPU确保你有适当的环境配置以利用GPU（如CUDA和cuDNN）。验证CUDA设备是否可用，以确保代码能够高效运行在GPU上。导入数据确保数据路径正确，且数据格式和内容符合预期。处理任何缺失值或异常数值，以免影响模型训练。考虑数据增强技术以增加训练样本的多样性，减少过拟合。划分数据集按照合理的比例划分数据集（如80%训练集，10%验证集，10%测试集）。确保数据划分的随机性和多样性，避免样本偏差。在划分后，检查各个数据集的标签分布，以确保均衡。
2024-11-02 15:39:54
859
原创 机器学习|Pytorch实现天气预测
训练过程可视化：通过损失曲线和准确率曲线展示模型的训练效果。可以展示每个epoch的训练和验证损失、准确率的变化趋势，帮助判断模型是否收敛或过拟合。
2024-10-19 15:09:16
1728
6
原创 神经网络应用于材料力学
目标：最小化与目标函数的均方误差。在第一阶段，您通过Net_w预测输出W，并计算损失loss，该损失是基于目标函数（一个余弦波形）与网络输出之间的均方误差。具体而言，您希望神经网络能够逐步拟合特定的初始屈曲模式，以使其输出接近目标函数。这个过程可以帮助网络初步学习并接近问题的解决方案，形成一个合理的初始状态。通常，在复杂的优化问题中，使用简单的目标函数进行预训练可以为后续的更复杂目标提供良好的初始参数。为何分两次训练逐步拟合：第一阶段的训练允许模型逐步拟合初始的屈曲模式，这对于复杂问题非常重要。
2024-10-15 22:03:47
1214
原创 堆叠回归模型
堆叠回归通过将多个基模型的预测结果进行组合，构建一个元模型来最终输出预测结果。它的核心思想在于，通过集成不同模型的学习能力，来提升整体的泛化能力和准确性，是一种非常有效的集成学习方法。
2024-10-15 21:41:06
1194
原创 迁移学习|ResNet18
SGD：适用于需要严格控制训练过程的大规模模型，具有良好的收敛性质，但对学习率敏感。Adam：具有自适应学习率特性，适用于快速实验和各种模型，但可能在某些情况下收敛到次优点。AdamW：改进了 Adam 的权重衰减方式，适用于需要严格控制正则化的场景。RMSProp：适用于处理非平稳目标的问题，如循环神经网络（RNN）
2024-10-14 20:39:56
1521
原创 AdaBoost回归模型
AdaBoost回归（Adaptive Boosting Regression）是一种集成学习方法，旨在通过结合多个弱学习器来提高回归模型的整体性能。
2024-10-14 19:42:15
1231
原创 Elastic Net 回归模型
Elastic Net回归是一种线性回归的扩展，它结合了L1（Lasso）和L2（Ridge）正则化的优点。它主要用于处理具有高维特征的数据集，并且在特征选择和多重共线性等问题上表现优越。以下是Elastic Net回归的特点和适用场景的详细介绍。
2024-10-13 11:55:32
748
原创 人工智能，未来可期
诺贝尔物理学奖将机器学习与神经网络研究者纳入获奖行列，不仅是对这些领域成就的认可，也是对未来科学研究方向的引导。我们应积极思考如何将这些技术应用于解决实际问题，并保持对其影响的深刻理解和反思。希望通过这次活动，能激发更多人参与讨论，共同探讨这一领域的未来发展。在我看来，机器学习和神经网络的前景十分光明。它们不仅能够提升各行业的效率和准确性，还将改变人们的生活方式和思维模式。然而，随着技术的不断发展，我们也必须正视其带来的挑战，如隐私保护、算法公平性和伦理问题等。
2024-10-12 11:26:06
308
原创 Pytorch入门|CIFAR10彩色图片识别
环境检查：确保安装了适当的深度学习框架（如TensorFlow或PyTorch），并确认GPU驱动和CUDA版本兼容。内存管理：设置GPU的内存使用限制，防止过度占用导致其他任务失败。
2024-10-12 10:58:43
710
原创 Pytorch入门|Pytorch实现mnist手写数字识别
首先，确保你能够顺利加载 MNIST 数据集。数据集通常分为训练集和测试集，建议使用专门的工具包（如）来简化这一过程。你需要将数据集转换为适合模型训练的格式，并进行必要的预处理，比如标准化图像数据以提高模型的学习效率。
2024-10-05 23:07:20
600
原创 机器学习|随机森林
随机森林作为一种集成学习方法，通过构建多个决策树并结合其结果，能够提高模型的准确性和稳健性。其优势包括：数据质量直接影响分析结果，因此在预处理阶段需重点关注：在深入分析数据时，需要关注：在构建随机森林模型时，应注意以下方面：处理高维数据：对大量特征的数据依然有效。防止过拟合：通过随机采样和特征选择，减少模型的方差。特征重要性评估：提供特征重要性指标，方便进行特征选择。数据读取在数据分析的第一步，确保数据的准确读取至关重要。数据格式。
2024-09-28 14:17:50
1187
原创 机器学习|决策树
决策树是一种监督学习算法，广泛应用于分类和回归任务。决策树通过一系列规则将数据集逐步划分成更小的子集，最终将数据分配到不同的类别或预测值。树的每个节点代表对某个特征的测试，分支则对应测试结果的不同选项，叶子节点表示最终的类别或预测值。决策树的主要优点包括易于理解和解释、不需要大量数据预处理、能够处理数值型和分类型数据等。然而，决策树也有容易过拟合的缺点，尤其是在训练数据中存在噪声时。
2024-09-08 15:00:00
966
原创 机器学习|逻辑回归
特征缩放：逻辑回归对特征的尺度比较敏感，通常需要对特征进行标准化或归一化处理。处理缺失值：确保模型输入中没有缺失值，可以通过填充、删除或插值等方法处理缺失数据。类别变量：对于类别特征，需要通过独热编码或标签编码转换为数值型数据。
2024-08-31 00:30:00
465
原创 L1：机器学习|数据预处理
本实验进行数据预处理的基础步骤包括导入库、加载数据、处理缺失数据、对类别变量进行编码，以及将数据集拆分为训练集和测试集。
2024-08-17 23:20:01
403
3
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