- 博客(1008)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 【Python机器学习】Gradio：让机器学习模型触手可及的交互式界面工具
Gradio凭借其低代码、高扩展性的特点，已成为MLOps生态中的重要工具。对于希望快速验证模型效果、构建原型系统的开发者，它是不可或缺的利器。延伸学习gradio.app• 进阶教程：《用Blocks API构建股票预测仪表盘》通过以上内容，开发者可快速掌握Gradio的核心功能，并将其应用于实际项目。无论是学术研究还是工业落地，这个工具都将显著提升模型的可访问性与用户体验。
2025-04-08 08:05:30
49
原创 【Pytorch实战教程】with torch.no_grad():
是优化推理效率的关键工具，适用于无需梯度计算的场景。实际应用中常与联合使用，以兼顾模块行为与性能优化。
2025-03-28 16:48:04
96
原创 【Pytorch实战教程】深入浅出的学习Dataset
在PyTorch中，**Dataset**是用于表示数据集的核心抽象类，通过继承并实现其方法，可以灵活地加载和管理各种类型的数据。
2025-03-28 11:26:45
75
原创 【人工智能】科普：模态间的语义对齐
比如AI看图写话时，如果图片是狗却生成“这是一只鸟”，就是语义没对齐。对齐后AI才能准确理解跨模态信息（像人类一样看到猫说猫，听到笑话会笑）。你正在看一部外语电影，画面里一个人在哭（视觉模态），但字幕却写着“他好开心啊”（文本模态）。这时候你会觉得特别别扭，因为画面和文字。说到跨模态，一定避不开一个词，模态间的语义对齐，那到底什么意思呢？就是让不同模态的信息表达。
2025-03-27 12:33:27
190
原创 【人工智能】自注意力机制（Self-Attention）和传统注意力机制（Attention Mechanism）的核心区别
例如在机器翻译中，查询（Query）是目标语言（如英文）的单词特征，键（Key）和值（Value）是源语言（如中文）的单词特征。例如在处理一句话时，每个单词（Query）会同时计算与其他单词（Key）的相关性，并结合自身信息（Value）生成新的表示。通过这种设计，自注意力机制在保持计算效率的同时，显著提升了模型对复杂序列关系的建模能力，成为Transformer等现代架构的核心组件。其中，Q （Query）、 K （Key）、 V （Value）分别来自不同序列。所有 Q 、K 、 V 均来自。
2025-03-27 11:59:26
47
原创 【Pytorch实战教程】拆解PyTorch中的多头注意力：原来Transformer的核心组件可以这样玩
维度地狱：新版PyTorch的参数能救命，但混合使用时仍要小心——当遇到时，请先做三个深呼吸再检查维度顺序。注意力分数计算：默认使用缩放点积注意力，记得除以√d_k（不过PyTorch已经帮你做好了）梯度消失：当num_heads太大时可能出现，可以尝试结合LayerNorm使用显存杀手：序列长度平方级的显存消耗，处理长文本时可以考虑内存高效的实现方式多头注意力就像给模型装上了复眼，让它能够从多个角度观察数据之间的关系。理解。
2025-03-15 15:26:23
177
原创 【人工智能】缩放点积注意力和多头注意力
通过计算Query和Key的点积，得到注意力权重，然后对Value进行加权求和，得到输出。：并行地执行多个Scaled Dot-Product Attention，然后将结果拼接并线性变换，得到最终的输出。
2025-03-13 12:45:13
584
原创 【人工智能】Transformer、BERT、GPT：区别与联系
Transformer、BERT、GPT 是 NLP 发展史上的重要里程碑。它们之间相互借鉴、相互促进，共同推动了 NLP 技术的进步。未来，随着技术的不断发展，我们可以期待更多更强大的模型出现，为人类语言理解和生成带来更多可能性。
2025-03-13 10:10:07
307
原创 【PyTorch实战教程】用Grad-CAM揭开神经网络的黑箱
Grad-CAM为深度学习模型提供了直观的可视化解释工具，在PyTorch中的实现也相对简单。随着可解释性需求的增长，理解并合理使用这些工具将成为AI工程师的必备技能。建议读者在自己的项目中尝试应用Grad-CAM，可能会发现模型决策中意想不到的规律！代码说明需要准备测试图像（示例中的test_cat.jpg）实际使用时应根据具体模型调整target_layer可视化部分可根据需要调整叠加参数完整实现需要处理GPU设备迁移问题。
2025-03-04 11:33:57
132
原创 【Python实战练习】random 库中常用的函数
random库提供了丰富的随机数生成功能，适用于各种场景，如模拟、游戏、抽样等。通过合理使用这些函数，可以轻松实现随机化需求。
2025-02-21 15:41:53
97
原创 【Pytorch实战教程】深入了解 PyTorch 中的 SummaryWriter
是 PyTorch 提供的一个非常强大的工具，它能够帮助你实时记录并可视化训练过程中的各种数据。通过 TensorBoard，你可以轻松地查看损失值、准确率、模型参数、图像、计算图等信息，从而帮助你更好地理解和调试模型。希望本文能够帮助你更好地掌握的用法！这篇文章介绍了的基本用法和常见的功能，如果你有更多问题或想要深入了解某个部分，可以随时问我！
2025-02-11 14:04:30
347
原创 【Pytorch实战教程】PyTorch图像预处理全攻略：手把手拆解torchvision.transforms
transform=train_transform # 自动应用预处理关键要点回顾预处理流程需要同时考虑数据规范化和多样性Compose如同流水线，顺序影响最终效果（推荐顺序：几何变换→色彩变换→Tensor转换→归一化）始终通过可视化验证预处理效果希望这篇详解能让您真正掌握transforms的精髓！如有更多问题，欢迎在评论区展开讨论～
2025-02-09 10:00:00
142
原创 【Python实战练习】Python类中的方法：形式与作用详解
在Python中，类是面向对象编程（OOP）的核心概念之一。类不仅包含数据（属性），还包含操作这些数据的行为（方法）。方法是定义在类中的函数，它们决定了对象的行为。Python中的方法有多种形式，每种形式都有其特定的用途。本文将详细介绍Python类中的各种方法形式及其作用。
2025-02-09 00:02:33
185
原创 【Pytorch实战教程】PyTorch中的Dataset用法详解
Dataset是PyTorch中用于表示数据集的抽象类。它允许你自定义数据加载的方式，并且可以与DataLoader结合使用，方便地进行批量加载和数据增强等操作。简单来说，Dataset类定义了一个数据集的结构，包括如何获取数据、如何获取数据的标签以及数据集的大小等信息。通过继承Dataset类，你可以轻松地创建自己的数据集。Dataset类是PyTorch中处理数据的重要工具，它允许你自定义数据加载的方式，并且可以与DataLoader结合使用，方便地进行批量加载和数据增强等操作。通过继承。
2025-02-08 23:57:17
308
原创 【Pytorch实战教程】让数据飞轮转起来：PyTorch Dataset与Dataloader深度指南
在深度学习项目中，`数据准备`往往`占据70%以上的工作量`。PyTorch提供的Dataset与Dataloader犹如智能流水线工人，让数据管理变得优雅高效。本文将带您深入理解这对`黄金搭档`，并通过丰富案例掌握它们的实战技巧。
2025-02-08 23:43:22
669
原创 【Pytorch实战教程】Python探索利器：dir与help深度解析（PyTorch实战演示）
在Python的广袤宇宙中，每个开发者都是星际探险家。当我们面对陌生的模块、未知的类库时，你是否渴望拥有随时可调用的"探测器"？今天要介绍的dir()和help()正是Python原生的终极探索工具，尤其在面对PyTorch这样庞大的深度学习框架时，它们将成为你在代码宇宙中导航的星图。通过dir()和help()快速定位类/模块的功能入口无需切换窗口即时查看文档发现隐藏的实用方法理解复杂类继承关系在PyTorch开发中，这两个函数尤其重要。当你在调试出现时，可以立即用dir()验证对象结构；
2025-02-08 18:31:06
96
原创 【数据科学】DeepSeek-R1和ChatGPT-o1到底谁强谁弱？没有对比就没有伤害！
执行建议：每完成一个阶段用「10分钟录音」复盘，重点关注「过程中哪些瞬间嘴角不自觉上扬」，这些微表情往往比理性分析更接近真实兴趣。记住，真正的兴趣会在你停止「寻找兴趣」这个动作后，依然持续拉扯你的注意力。快速罗列100件「如果不怕失败/不缺钱/时间足够最想尝试的事」，用红笔圈出重复出现的关键词（如创作/社交/冒险）准备白纸，按年龄轴写下人生中30件「主动投入且获得成就感」的事件（不限于成功，如：独立组装模型/策划班级活动）好的，我将提供一套可落地的兴趣探索框架，包含4个核心阶段和12个具体工具。
2025-02-07 17:19:38
1121
原创 【论文写作】深度学习&无线通信领域的一些国际著名期刊
IEEE Transactions on Neural Networks and Learning SystemsIEEE Transactions on Signal ProcessingIEEE Transactions on CommunicationsIEEE Journal on Selected Areas in CommunicationsIEEE Transactions on Wireless CommunicationsIEEE Transactions on Cognitive Com
2025-02-07 17:18:33
469
原创 【论文写作】参考文献中的卷、期、页的含义
在学术论文中，页、卷、期是用于标识和定位文献出版信息的重要概念，通常出现在期刊论文的引用信息中。以下是它们的详细解释：这些信息在引用文献时非常重要，能够帮助读者快速定位到原文。
2025-02-07 11:46:33
3226
原创 【数据科学】一个强大的金融数据接口库：AKShare
AKShare 是一个金融数据获取工具，涵盖了股票、期货、外汇、基金、债券等各类金融数据。与其他金融数据获取工具相比，AKShare 的最大优势在于它提供了丰富的数据接口，并且支持本地化数据存储，能够方便地处理国内和国外的金融数据。获取股票、期货、外汇、数字货币等市场数据提供各种指标数据，如股指期货、A股市场的技术分析指标支持股票数据的历史查询、实时行情、财务数据、经济数据等支持数据存储与本地化管理。
2025-02-06 16:31:39
2360
原创 用Python获取股票数据并实现未来收盘价的预测
获取数据先用下面这段代码获取上证指数的历史数据，得到的csv文件数据，为后面训练模型用的运行完上述代码之后，会得到如下一个csv文件：训练模型11000.6f1.2f。
2025-02-06 16:10:22
3716
4
原创 【Python基础】用Python玩转金融数据：akShare模块全面指南
在量化交易和金融数据分析领域，高效获取准确的市场数据是成功的关键。本文将深入介绍一个强大的开源工具——akShare，这个基于Python的财经数据接口库正在成为国内开发者获取金融数据的首选利器。
2025-02-05 16:36:49
690
原创 【Pytorch实用教程】TCN（Temporal Convolutional Network，时序卷积网络）简介
TCN是处理时序数据的一个非常强大的工具，相较于传统的RNN和LSTM，TCN通过卷积方式高效地捕捉长时间依赖，具有较强的并行化能力和较低的计算复杂度。它在许多需要序列建模的任务中表现出色，尤其适用于那些对时间依赖关系要求较高的应用场景。
2025-01-17 08:02:34
781
原创 【深度学习】用RML2018训练好模型去识别RML2016的数据会遇到输入维度不匹配的问题，如何解决？
除了信号长度，RML2016和RML2018的数据集在其他方面可能也存在差异，如信噪比（SNR）、调制类型、样本数量等。这些差异也可能影响模型的性能。因此，在应用模型之前，建议详细分析两个数据集的特性，并根据需要进行相应的调整。由于RML2018和RML2016数据集的信号样本长度分别为1024和128，直接使用在RML2018上训练的调制识别模型来识别RML2016的数据可能会遇到输入维度不匹配的问题。如果您有更多具体的问题或需要进一步的技术支持，请随时告知！预训练的模型进行微调。仅调整输入层和输出层。
2025-01-16 17:57:40
260
原创 【通信原理】为什么信号需要调制？
不调制信号直接发送会导致天线尺寸过大，尤其是低频信号的天线长度可达数千公里，完全不现实。调制通过将低频信号加载到高频载波上，显著减小了天线尺寸，使信号传输变得可行。就像快递员把物品装进箱子以便运输，调制是将信息（如声音、图像）加载到载波信号上，以便通过无线或有线方式传输。今天一个小朋友问我，信号为什么需要调制，直接发送不行吗，我想对于初学者来说，这个问题应该很多人都疑问过，这里简单解释一下。这是因为天线的长度与信号的波长成正比，而低频信号（如音频信号）的波长非常长，导致所需的天线尺寸不切实际。
2025-01-14 19:44:30
161
原创 【Pytorch实用教程】PyTorch 中如何输出模型参数：全面指南
在 PyTorch 中，输出模型参数是一个简单但非常重要的操作。通过和等方法，我们可以轻松地访问和输出模型的参数。无论是调试模型、分析模型行为，还是保存和加载模型，这些方法都能帮助我们更好地理解和使用深度学习模型。希望本文对你有所帮助！如果你有任何问题或建议，欢迎在评论区留言。
2025-01-09 17:14:24
519
原创 【人工智能-概念篇】迁移学习、多任务学习与多模态学习：深度解析与应用探讨
迁移学习是一种通过将已学习的知识从一个任务迁移到另一个相关任务上，来提高学习效率和性能的方法。简单来说，就是让模型在已解决的问题上“借力”，来更快更好地解决新问题。
2025-01-06 17:19:31
327
原创 【深度学习-降维篇】t-SNE：让高维数据“看得见”的降维利器
t-SNE 是由和在 2008 年提出的一种用于可视化高维数据的算法。它最主要的目的，是将高维空间中的数据点投影到 2D 或 3D 空间中，并在低维空间中尽可能地保留原数据的局部结构，让我们能够用肉眼识别数据中的模式、聚类或分布情况。在高维空间中，数据往往是稀疏的、分布非常复杂，且不同样本之间的局部结构不易从外部洞察。t-SNE 通过一种基于概率分布相似度的方式，力图将相似的样本在低维空间里拉得更近、不相似的样本推得更远，从而得到一个更直观、更便于人类理解的可视化分布。
2025-01-02 10:21:46
357
原创 【Pytorch实用教程】深入了解 torchvision.models.resnet18 新旧版本的区别
近期，torchvision 对其模型加载 API 进行了更新，将旧版的。随着深度学习模型的不断发展，torchvision 的模型库中预训练权重的种类逐渐增多。通过这次更新，我们可以更高效地管理预训练权重，从而进一步优化深度学习项目的开发流程。本文将介绍这一变化的背景、具体区别，以及如何在代码中适配新版本的。参数提供了更好的扩展能力，可以轻松支持新版本权重或自定义权重。参数允许加载多个版本的权重，这对特定任务的模型微调非常有用。参数的更新，是为了提升模型加载的灵活性和可维护性。参数替换为更具描述性的。
2025-01-01 09:44:08
485
原创 【Pytorch实用教程】循环神经网络中使用dropout需要注意的问题
PyTorch 的 dropout 参数对单层 RNN 没有作用。如果您需要在单层 RNN 中引入随机性，可以在输入或输出层手动添加 dropout。
2025-01-01 09:28:37
629
原创 【Pytorch实用教程】PyTorch 自带的数据集全面解读
这篇博客文章将带你快速了解 PyTorch 自带（或官方维护）的各类常用数据集，并介绍它们的使用方法，包括图像、文本和音频数据集。希望能帮助你在项目中快速上手并提高效率。
2024-12-25 08:49:29
365
原创 【人工智能-初级】基于用户的协同过滤推荐算法
使用的是电影推荐数据集 MovieLens，实验中我们会通过用户评分数据计算用户之间的相似性，并使用基于用户的协同过滤算法来生成推荐。基于用户的协同过滤算法是一种常见的推荐算法，它的核心思想是根据用户之间的相似性来进行推荐。，该数据集包含10万条电影评分数据。每条数据包含用户、电影、评分和时间戳。这些推荐电影是基于与用户1相似的其他用户的评分进行加权推荐的。基于余弦相似度计算用户之间的相似度。函数计算余弦相似度，并存储每对用户之间的相似度。来计算用户之间的相似度，
2024-12-24 17:14:00
106
原创 【Python-中级】Python中的线程池：ThreadPoolExecutor
提供了一种简洁高效的方式来实现多线程任务管理，适合初学者和专业开发者使用。如果你需要在项目中实现并发功能，不妨试试这个强大的工具。是一个简单且高效的线程池工具。它提供了高层次的接口，用于并发地运行任务，同时隐藏了许多复杂的底层细节，非常适合日常的多线程任务。模块中的一个类，它提供了一个线程池来管理线程，并允许我们通过简单的接口提交和获取任务结果。在Python中，实现多线程编程的方法有很多，而。
2024-12-24 17:12:23
101
原创 【深度学习-调参】Batch 大小与类别数到底有没有潜在的关系？
批次大小（batch_size）并不是一个仅关乎训练效率和显存资源的数字，而更应被视作一个影响训练稳定性与模型性能的重要超参数。对于一个多分类任务，如果我们在每一个批次中无法合理地保持各类别的样本比例或最少样本数量，就可能引发模型在训练过程中出现梯度不稳定、收敛缓慢和偏差累积等问题。在实际项目中，建议根据数据集规模、类别数量、类别不平衡情况等因素来合理地选择 batch_size，并采用适当的分层抽样或固定配额采样等策略。
2024-12-24 09:28:30
341
原创 【深度学习-算法】这应该是全网对LSTM算法讲的最清楚的一个了（从形状变换和运算流程的角度来看）
输入形状6410242(64,\;1024,\;2)6410242；表示有 64 个样本、每个样本的序列长度 1,024、每个时刻 2 个特征。LSTM 每个时刻运算输入xtx_txt与上一时刻ht−1ct−1ht−1ct−1共同参与 4 个门（输入门、遗忘门、输出门、候选细胞状态）的计算。产生当下时刻ctct（细胞状态）和htht（隐藏状态），均是64128(64,\;128)64128。整条序列输出。
2024-12-23 23:50:44
186
原创 【人工智能-数据集】RML2018 时域信号的时序信号和星座图的图片信号生成方式（可用于多模态特征融合）
RML2018（RadioML 2018）数据集是一个广泛用于无线通信信号识别的开源数据集。它包含了多种调制方式（如OOK、QPSK、16QAM等）在不同信噪比下的信号样本。这些数据以 HDF5 格式存储，适用于大规模的数据处理和分析。数据集特点：多调制方式：涵盖24种不同的调制方式。多信噪比：包括从-20 dB到30 dB的26种信噪比。大规模样本：每种调制方式和信噪比下包含4096个样本。数据切分：将原始的 HDF5 数据集按照调制方式和信噪比切分成单个文件，便于后续处理。样本选择。
2024-12-23 14:57:13
474
原创 【深度学习-环境篇】安装pytorch的全流程，跟着做就没问题
我们先配置一下镜像源，因为直接安装的话，因为pytorch的服务器在国外，我们直接安装的话，时间会非常长，这里我们就先配置一下国内的镜像源，这样就可以安装的比较快了。接下来，我们就需要看一下自己cuda driver 版本，要满足你选定的cuda runtime 版本小于等于cuda driver 版本。软件要小于硬件的版本才行，否则的话，如果软件的版本高，它想要使用某个硬件，但是硬件因为版本低，不支持，这不就出错了吗，回车就可以看到自己的驱动版本，我的cuda driver版本是：12.7。
2024-12-21 11:28:46
376
原创 【Python基础-环境篇】Anaconda简介、主要特点、虚拟环境
Anaconda 是一个开源的 Python 和 R 编程语言的科学计算平台，广泛用于数据科学、机器学习和人工智能的开发。它为用户提供了一个完整的工具链，包括包管理、环境管理和开发工具，旨在简化数据科学项目的管理和部署。Anaconda 最大的特点是它集成了大量的数据分析和科学计算库，使得用户可以轻松地安装、管理和使用这些工具，而无需单独下载和配置。无论是新手还是专业人士，都能从中受益。：创建一个新的虚拟环境。：激活指定的虚拟环境。：退出当前虚拟环境。：安装包到当前环境。conda list。
2024-12-21 09:23:26
106
原创 【深度学习-论文】通俗易懂的理解多标签识别
多标签分类的核心思想是将一条信号同时标记多个标签，从而解决不同类型雷达发射机信号的并行识别问题。通俗来说，就是将复杂信号看作一个"组合"，每个组合可以包含多个信号类型标签，例如同时包含SinFM和BPSK两种类型。
2024-12-17 14:56:32
211
QPSK是一种常用的数字调制技术，它将数据信号调制到一个载波波形上，通过改变载波的相位来表示数据 这种调制技术因其相对高效的频谱
2024-04-08
基于改进Apriori算法的地铁故障关联规则挖掘
2024-01-18
基于支持向量机的通信干扰效果在线评估算法
2024-01-18
Python数据科学速查表
2024-01-16
短波通信协议智能识别技术研究
2024-01-16
基于深度学习的通信信号种类识别研究
2024-01-16
融合SENet和Trans...mer的应用层协议识别方法.caj
2024-01-15
python调制识别数据及代码
2024-01-02
随机 Transformer；变分自编码器；多维时间序列；异常检测
2023-08-22
专升本知识点和题型大全
2023-03-27
Markdown语法详解
2022-04-29
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人