- 博客(49)
- 收藏
- 关注
RSS订阅原创 Python打卡训练营day45——2025.06.05
对resnet18在cifar10上采用微调策略下，用tensorboard监控训练过程。
2025-06-05 23:25:58
271
原创 Python打卡训练营day44——2025.06.04
尝试在cifar10对比如下其他的预训练模型，观察差异，尽可能和他人选择的不同。尝试通过ctrl进入resnet的内部，观察残差究竟是什么。
2025-06-04 23:25:46
113
原创 Python打卡训练营day40——2025.05.30
作业：仔细学习下测试和训练代码的逻辑，这是基础，这个代码框架后续会一直沿用，后续的重点慢慢就是转向模型定义阶段了。这个模型结构是一个简单的全连接神经网络，用于处理输入大小为 28×28（即 784 个特征）的数据，通常用于 MNIST 手写数字识别任务。dropout操作：训练阶段随机丢弃神经元，测试阶段eval模式关闭dropout。展平操作：除第一个维度batchsize外全部展平。彩色和灰度图片测试和训练的规范写法：封装在函数中。
2025-05-30 22:17:28
338
原创 Python打卡训练营day33——2025.05.22
1. 分类任务中，若标签是整数（如 0/1/2 类别），需转为long类型（对应 PyTorch 的torch.long），否则交叉熵损失函数会报错。2. 回归任务中，标签需转为float类型（如torch.float32）。作业：今日的代码，要做到能够手敲。这已经是最简单最基础的版本了。查看显卡信息的命令行命令（cmd中使用）数据预处理（归一化、转换成张量）PyTorch和cuda的安装。继承nn.Module类。定义损失函数和优化器。
2025-05-22 23:07:37
464
原创 python打卡训练营day32————2025.05.21
作业：参考pdpbox官方文档中的其他类，绘制相应的图，任选即可。官方文档的阅读和使用：要求安装的包和文档为同一个版本。官方文档的检索方式：github和官网。绘图的理解：对底层库的调用。普通方法所需要的参数。
2025-05-21 23:28:39
233
原创 Python打卡训练营day30——2025.05.19
自己新建几个不同路径文件尝试下如何导入。3、非标准导入：导入整个库。1、标准导入：导入整个库。2、从库中导入特征项。
2025-05-19 23:15:57
252
原创 Python打卡训练营day29——2025.05.18
目标：自动记录类的初始化和方法调用。目标：确保一个类只能创建一个实例。三、进阶：带参数的类装饰器。二、方法调用日志装饰器。
2025-05-18 23:26:25
152
原创 Python打卡训练营day28——2025.05.17
calculate_perimeter()：计算周长（公式：2×(长+宽)）。is_square() 方法，判断是否为正方形（长 == 宽）。calculate_circumference()：计算圆的周长（公式：2πr）。shape_type="rectangle"：创建长方形（参数：长、宽）。calculate_area()：计算圆的面积（公式：πr²）。shape_type="circle"：创建圆（参数：半径）。calculate_area()：计算面积（公式：长×宽）。
2025-05-17 23:37:56
328
原创 Python打卡训练营day21——2025.05.10
对于像 MNIST 手写数字这样的典型例子，PCA 往往倾向于展示较为模糊的整体趋势；而 t-SNE 则能清晰地区分各个类别形成紧凑且分离良好的群组3。然而需要注意的是，由于 t-SNE 过程引入了一定程度的随机性和敏感参数调整依赖性强等问题，可能导致重复运行结果不完全一致。通过减少数据的维度，不仅可以降低计算复杂度，还能帮助揭示隐藏在高维数据中的结构和模式1。能够更好地反映样本间的簇状关系，尤其擅长处理复杂的非线性边界。t-SNE 和 PCA 的可视化效果对比。降维技术的应用场景与主要用途。
2025-05-10 23:13:19
215
原创 python打卡训练营day13—2025.05.02
从示例代码可以看到 效果没有变好，所以很多步骤都是理想是好的，但是现实并不一定可以变好。这个实验仍然有改进空间，如下。1. 还没做smote+过采样+修改权重的组合策略，有可能一起做会变好。2. 还没有调参，有可能调参后再取上述策略可能会变好。不平衡数据集的处理策略：过采样、修改权重、修改阈值。
2025-05-02 21:25:59
225
原创 python打卡训练营day12一2025.05.01
原理：模拟金属“退火”过程（高温时原子随机运动，降温时逐渐固定成低能量稳定结构），通过“随机搜索+降温”找到最优解。原理：模拟鸟群集体找食物，每个“粒子”（鸟）记住自己和群体的最优位置，调整飞行方向，共同逼近目标。1. 高温时（初始阶段），弹珠可以随意滚动，甚至能爬上小坡（接受差解，避免困在局部最优）。3. 让留下来的小人“生孩子”（复制路径），生孩子时可能“基因突变”（路径微调）。2. 让小人走迷宫，淘汰走得慢的（淘汰差解），留下走得快的（保留优解）。1. 随机生成一群“虚拟小人”（初始解，路径随机）。
2025-05-01 23:21:08
338
原创 Python打卡训练营day11——2025.04.30
对于信贷数据的其他模型，如LightGBM和KNN 尝试用下贝叶斯优化和网格搜索。贝叶斯优化（2种实现逻辑，以及如何避开必须用交叉验证的问题）随机搜索（简单介绍，非重点 实战中很少用到，可以不了解）time库的计时模块，方便后人查看代码运行时长。
2025-04-30 22:33:14
194
原创 Python打卡训练营day10——2025.04.29
2. 机器学习模型建模的三行代码。3. 机器学习模型分类问题的评估。1. 数据集的划分。
2025-04-29 22:32:21
304
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