- 博客(24)
- 收藏
- 关注
RSS订阅原创 365打卡第N2周: 构建词典
例如，在将“这是我的365天深度学习训练营教案”分词、去除停用词后，顺利将其编码为数字序列，便于后续模型训练。起初，我学会了从原始文本提取核心词汇，通过去除标点和常见无意义词，显著减少了数据噪声，这样一来模型能更好地聚焦于文本的有效信息。比如剔除“的”、“是”等停用词后，语义内容得以更加凸显，有助于模型捕捉到要点。随后，我实践了jieba分词工具在中文文本处理中的应用，通过自定义词典，将“K同学啊”与“365天深度学习训练营”这类专有词条纳入词库，避免了分词过程中的误拆分。语言环境：Python3.10。
2025-05-30 22:11:07
223
原创 365打卡第N1周: one-hot编码案例
本文记录了在365天深度学习训练营中的学习过程，主要探讨了如何使用Python和PyTorch进行文本数据的One-Hot编码。文章首先介绍了环境配置，包括Python版本和深度学习库的版本。接着，通过示例文本展示了如何构建词汇表、将文本转化为整数序列，并最终生成One-Hot编码。文章还特别处理了中文文本，使用了结巴分词工具进行分词，并同样进行了One-Hot编码。最后，文章总结了One-Hot编码的优缺点。
2025-05-23 16:45:24
254
原创 365打卡第R8周: RNN实现阿尔茨海默病诊断
🍨 本文为🔗365天营中的学习记录博客🍖 原作者：K同学啊🏡 我的环境：语言环境：Python3.10编译器：Jupyter Lab深度学习环境：torch==2.5.1 torchvision==0.20.1------------------------------分割线---------------------------------(数据规模很小，在普通笔记本电脑就可以流畅跑完，不用GPU也行)
2025-05-10 19:25:50
507
原创 365打卡第R6周: LSTM实现糖尿病探索与预测
-----------------------------分割线---------------------------------通过上述优化，模型在保持LSTM核心结构的同时，能够更有效地处理表格数据并提升预测性能，最终训练集和测试集分别提高了5个百分点。--------------小结和改进思路（顺便把R7周的任务一起完成）---------------------深度学习环境：torch==2.5.1 torchvision==0.20.1。语言环境：Python3.10。
2025-05-04 20:19:13
429
原创 365打卡第R3周: RNN-心脏病预测
🍨 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🏡 我的环境：语言环境：Python3.10编译器：Jupyter Lab深度学习环境：torch==2.5.1 torchvision==0.20.1------------------------------分割线---------------------------------测试集预测准确率为87.1%，为了进一步提高模型性能，做了如下改进：1、调整数据加载方式（启用
2025-04-26 21:49:05
844
原创 365打卡第J9周：Inception v3算法实战与解析
1、引入因子分解卷积：将大尺寸卷积核拆解为小尺寸组合，例如用两个3×3卷积替代5×5卷积（参数减少28%），将7×7卷积分解为1×7+7×1的非对称卷积链，增强了非线性表达能力的同时降低计算量。------------------------------分割线---------------------------------4、辅助分类器改进：调整辅助分类器的位置和结构，改为仅在深层网络中使用单个辅助分类器，避免冗余计算。----------------小结---------------------
2025-04-25 07:11:07
403
原创 365打卡第J8周：Inception v1算法实战与解析
🏡 我的环境：语言环境：Python3.10编译器：Jupyter Lab深度学习环境：torch==2.5.1 torchvision==0.20.1------------------------------分割线---------------------------------...--------------小结---------------------。
2025-04-18 14:06:44
880
原创 365打卡第J7周：对于ResNeXt-50算法的思考
-----------------------------分割线---------------------------------深度学习环境：torch==2.5.1 torchvision==0.20.1。这是正确的设计，保证了两个分支可以相加。，这与捷径分支的通道数保持一致（当。主路径的最后一层卷积输出通道数是。语言环境：Python3.10。编译器：Jupyter Lab。
2025-03-29 20:09:36
314
原创 365打卡第J6周：ResNeXt-50实战解析
核心贡献论文提出了ResNeXt网络架构，通过引入基数（Cardinality）这一新维度（即并行分支的数量），结合残差学习（ResNet）和分组卷积（Grouped Convolutions）的优势，显著提升了模型性能。基数与深度、宽度并列，成为调节模型容量的关键因素，且在保持计算复杂度不变的条件下，增加基数比增加深度或宽度更有效。核心思想模块化设计ResNeXt 的构建块采用重复的残差模块，每个模块包含多个相同拓扑的子分支（split-transform-merge 策略）。
2025-03-28 22:01:56
1013
原创 365打卡第J5周：DenseNet+SE-Net实战
SE模块位置：SE模块仅添加在最后一层，可能未充分发挥作用。建议在每个Dense Block后添加SE。预训练权重：未使用预训练的DenseNet-121，可能影响收敛速度和性能。
2025-03-21 21:02:36
456
原创 365打卡第J4周：ResNet与DenseNet结合探索
我的环境语言环境：Python3.10编译器：Jupyter Notebook深度学习环境：torch==2.5.1 torchvision==0.20.1---------------------------分割线----------------------------------
2025-03-13 22:13:48
548
原创 365打卡第J3周：DenseNet 算法实战与解析
我的环境语言环境：Python3.10编译器：Jupyter Notebook深度学习环境：torch==2.5.1 torchvision==0.20.1---------------------------分割线----------------------------------DenseNet121由和**3个过渡层（Transition Layer）**构成，总层数为121层（包含卷积、池化等操作）。
2025-02-28 10:55:18
931
原创 365打卡第J2周：ResNet50V2实现鸟类识别
我的环境语言环境：Python3.10编译器：Jupyter Notebook深度学习环境：torch==2.5.1 torchvision==0.20.1---------------------------分割线----------------------------------
2025-02-21 21:57:39
621
原创 365打卡第J1周：ResNet-50算法实战与解析
从最后的准确率和错误率可以看出模型训练效果并不十分理想。本节主要是学习如果从tf的代码出发，自主改写为pytorch代码并debug，对模型的调优将在后续学习中进一步了解。
2025-01-23 10:42:10
540
原创 365打卡第P10周：Pytorch实现车牌识别
我的环境语言环境：Python3.10编译器：Jupyter Notebook深度学习环境：torch==2.5.1 torchvision==0.20.1---------------------------分割线----------------------------------
2025-01-17 14:27:27
483
原创 365打卡第P9周：YOLOv5-Backbone模块实现
K同学啊，本次内容除了网络结构部分外，其余部分均与上周相同。（类似之前介绍过的VGG16）。
2025-01-10 21:11:53
655
原创 365打卡第P7周：马铃薯病害识别（VGG-16复现）
语言环境：Python3.10深度学习环境：torch==2.5.1 torchvision==0.20.1---------------------------分割线----------------------------------
2024-12-27 20:18:05
988
原创 365打卡第P6周：VGG-16算法-Pytorch实现人脸识别
语言环境：Python3.10深度学习环境：torch==2.5.1 torchvision==0.20.1---------------------------分割线----------------------------------
2024-12-15 23:56:26
746
原创 365打卡第5周——P5：Pytorch实现运动鞋识别
🏡 我的环境：语言环境：Python3.10编译器：Jupyter Lab深度学习环境：torch==2.5.1 torchvision==0.20.1------------------------------分割线---------------------------------
2024-12-10 13:24:48
1031
原创 365打卡第4周——P4：猴痘病识别
-----------------------------分割线---------------------------------本周的代码相对于上周增加指定图片预测与保存并加载模型这个两个模块，在学习这个两知识点后，时间有余的同学请自由探索更佳的模型结构以提升模型是识别准确率，模型的搭建是深度学习程度的重点。
2024-11-30 12:57:57
637
原创 365打卡第3周——P3：Pytorch实现天气识别
AdamW 是 Adam 的改进版本，它更好地处理了权重衰减的计算，有助于提高模型的泛化能力，减少过拟合现象。较大的学习率在初期加速训练，小的学习率在后期精细调整模型。对于一般的CNN网络来说，都是由特征提取网络和分类网络构成，其中特征提取网络用于提取图片的特征，分类网络用于将图片进行分类。2、选择合适的模型、优化器和参数确实可以显著提高模型的成功率，但这个和个人经验强相关，需要多学多练。3、在数据集不够大的情况下，训练和评估模型具有较大的随机性，最好多跑几次，看看结果的稳定性。选了一张比较有挑战的图片。
2024-11-24 01:39:26
956
原创 365打卡第2周——P2：Pytorch实现CIFAR10彩色图片识别
● 作用是对NumPy数组进行轴变换，transpose函数的参数是一个元组，定义了新轴的顺序。● transpose((1, 2, 0))将轴的顺序从(C, H, W)转换为(H, W, C)，这使得数据格式更适合可视化和处理。对于一般的CNN网络来说，都是由特征提取网络和分类网络构成，其中特征提取网络用于提取图片的特征，分类网络用于将图片进行分类。函数会遍历模型的所有参数，通过内置方法截断反向传播的梯度流，再将每个参数的梯度值设为0，即上一次的梯度记录被清空。因为梯度下降是基于梯度的，所以在执行。
2024-11-22 23:46:10
923
原创 365打卡第1周——P1：Pytorch实现mnist手写数字识别
是一个 PyTorch 数据加载器（DataLoader），用于加载训练数据集。函数的功能是从矩阵shape中，去掉维度为1的。例如一个矩阵是的shape是（5, 1），使用过这个函数后，结果为（5, ）。版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。是Pytorch自带的一个数据加载器，结合了数据集和取样器，并且可以提供多个线程处理数据集。将数据加载器转换为一个迭代器（iterator），使得我们可以使用 Python 的。中的下一个批量数据。
2024-11-11 07:11:29
777
1
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