摘要：
“看见”模型是理解深度学习最直观的方式。在 PyTorch 中，有三个层次的方法可以让你“看见”刚才搭建的 LSTM 模型： 结构层：看代码层级（最简单）。 数据层：看张量流动的维度（最实用，强烈推荐）。 图形层：画出网络拓扑图（最酷炫）。 以下是具体的操作方法： 方法一：直接打印 (最简单) 这是 阅读全文
posted @ 2025-11-24 18:05
李大嘟嘟
阅读(152)
评论(0)
推荐(0)
摘要：
深度学习中最核心的三种优化算法或优化策略：SGD (随机梯度下降)、Momentum (动量) 策略，以及 Adam (自适应矩估计) 优化器。 下面是它们的核心原理、优势和关系总结： 优化器/策略总结对比 名称 类型 核心机制 主要解决的问题 SGD 基础优化器 仅依赖当前小批量数据的梯度来更新参 阅读全文
posted @ 2025-11-22 18:05
李大嘟嘟
阅读(202)
评论(0)
推荐(0)
摘要：
中文分词是中文NLP的第一步（因为中文不像英文有空格自然分隔）。目前开源界有很多成熟的工具，它们在算法原理、速度和精度上各有侧重。 第一类：入门首选 & 通用型 (基于统计 + 词典) 如果你只是想快速对文本进行分词，或者做简单的词频统计，选这个。 1. Jieba (结巴分词) 这是目前Pytho 阅读全文
posted @ 2025-11-21 16:11
李大嘟嘟
阅读(98)
评论(0)
推荐(0)
摘要：
FCN 是 全卷积网络 (Fully Convolutional Network) 的缩写，它在 2015 年由 Long 等人提出，是第一个成功地将深度学习应用于语义分割任务的模型。 ⚙️ FCN 的核心创新与原理 FCN 的出现标志着语义分割领域从传统的像素分类方法彻底转向深度学习。它的核心思想 阅读全文
posted @ 2025-11-21 15:11
李大嘟嘟
阅读(110)
评论(0)
推荐(0)
摘要：
语义分割和转置卷积是深度学习中紧密关联的两个核心概念。转置卷积是实现语义分割模型（尤其是编解码器结构）中上采样功能的关键技术。 语义分割及其与转置卷积的关系： 一、语义分割 (Semantic Segmentation) 1. 任务定义 语义分割的目标是为图像中的每一个像素分配一个类别标签。 输入： 阅读全文
posted @ 2025-11-21 14:59
李大嘟嘟
阅读(18)
评论(0)
推荐(0)
摘要：
深度学习中常用的三种主要损失函数：L1 Loss (平均绝对误差)、L2 Loss (均方误差) 和 Cross-Entropy Loss (交叉熵损失)。 这三种损失函数各有特点，并适用于不同的任务和场景。 1. L1 Loss (平均绝对误差 / Mean Absolute Error, MAE 阅读全文
posted @ 2025-11-21 14:09
李大嘟嘟
阅读(182)
评论(0)
推荐(0)
摘要：
YOLO 是 You Only Look Once 的缩写，是目标检测（Object Detection）领域一个革命性的系列模型，由 Joseph Redmon 等人在 2016 年首次提出。 YOLO 的核心理念与 SSD 类似，它是一个单阶段（One-Stage）检测器，但它的方法更加激进和统 阅读全文
posted @ 2025-11-21 13:45
李大嘟嘟
阅读(41)
评论(0)
推荐(0)
摘要：
SSD (Single Shot MultiBox Detector) 是一种非常重要的目标检测模型，与 R-CNN 系列（Fast R-CNN, Faster R-CNN）不同，SSD 属于单阶段 (One-Stage) 检测器。 核心理念：速度与效率 SSD 的设计目标是在保证较高精度的同时，实 阅读全文
posted @ 2025-11-21 13:44
李大嘟嘟
阅读(113)
评论(0)
推荐(0)
摘要：
R-CNN 系列算法是深度学习目标检测领域发展的关键历程，标志着该领域从传统方法转向深度学习的转变。 以下是 R-CNN、Fast R-CNN 和 Faster R-CNN 三个核心模型的总结和对比，以及对 Mask R-CNN 的简单提及： 🚀 R-CNN 系列算法总结 模型名称 核心创新 关键 阅读全文
posted @ 2025-11-21 13:29
李大嘟嘟
阅读(116)
评论(0)
推荐(0)
摘要：
🧠 深度学习中的 Scheduler 在深度学习训练中，Scheduler 通常指的是学习率调度器 (Learning Rate Scheduler)。 学习率调度器 (Learning Rate Scheduler) 作用： 是一种在训练过程中动态调整优化器学习率的策略或算法。 背景： 在深度学 阅读全文
posted @ 2025-11-20 15:33
李大嘟嘟
阅读(50)
评论(0)
推荐(0)
浙公网安备 33010602011771号