-
Notifications
You must be signed in to change notification settings - Fork 0
Expand file tree
/
Copy pathindex.html
More file actions
282 lines (256 loc) · 42 KB
/
index.html
File metadata and controls
282 lines (256 loc) · 42 KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
<!DOCTYPE html><html lang="zh-CN" data-theme="light"><head><meta charset="UTF-8"><meta http-equiv="X-UA-Compatible" content="IE=edge"><meta name="viewport" content="width=device-width, initial-scale=1.0,viewport-fit=cover"><title>zaneW的知识屋 - 今天多奋斗，明天少吃苦</title><meta name="author" content="zaneW"><meta name="copyright" content="zaneW"><meta name="format-detection" content="telephone=no"><meta name="theme-color" content="#ffffff"><meta name="description" content="修行中~~~~~">
<meta property="og:type" content="website">
<meta property="og:title" content="zaneW的知识屋">
<meta property="og:url" content="http://zanewang.online/index.html">
<meta property="og:site_name" content="zaneW的知识屋">
<meta property="og:description" content="修行中~~~~~">
<meta property="og:locale" content="zh_CN">
<meta property="og:image" content="http://zanewang.online/img/dog.png">
<meta property="article:author" content="zaneW">
<meta name="twitter:card" content="summary">
<meta name="twitter:image" content="http://zanewang.online/img/dog.png"><link rel="shortcut icon" href="/img/1.png"><link rel="canonical" href="http://zanewang.online/index.html"><link rel="preconnect" href="//cdn.jsdelivr.net"/><link rel="preconnect" href="//busuanzi.ibruce.info"/><link rel="stylesheet" href="/css/index.css"><link rel="stylesheet" href="https://cdn.jsdelivr.net/npm/@fortawesome/fontawesome-free/css/all.min.css"><script>
(() => {
const saveToLocal = {
set: (key, value, ttl) => {
if (!ttl) return
const expiry = Date.now() + ttl * 86400000
localStorage.setItem(key, JSON.stringify({ value, expiry }))
},
get: key => {
const itemStr = localStorage.getItem(key)
if (!itemStr) return undefined
const { value, expiry } = JSON.parse(itemStr)
if (Date.now() > expiry) {
localStorage.removeItem(key)
return undefined
}
return value
}
}
window.btf = {
saveToLocal,
getScript: (url, attr = {}) => new Promise((resolve, reject) => {
const script = document.createElement('script')
script.src = url
script.async = true
Object.entries(attr).forEach(([key, val]) => script.setAttribute(key, val))
script.onload = script.onreadystatechange = () => {
if (!script.readyState || /loaded|complete/.test(script.readyState)) resolve()
}
script.onerror = reject
document.head.appendChild(script)
}),
getCSS: (url, id) => new Promise((resolve, reject) => {
const link = document.createElement('link')
link.rel = 'stylesheet'
link.href = url
if (id) link.id = id
link.onload = link.onreadystatechange = () => {
if (!link.readyState || /loaded|complete/.test(link.readyState)) resolve()
}
link.onerror = reject
document.head.appendChild(link)
}),
addGlobalFn: (key, fn, name = false, parent = window) => {
if (!false && key.startsWith('pjax')) return
const globalFn = parent.globalFn || {}
globalFn[key] = globalFn[key] || {}
globalFn[key][name || Object.keys(globalFn[key]).length] = fn
parent.globalFn = globalFn
}
}
const activateDarkMode = () => {
document.documentElement.setAttribute('data-theme', 'dark')
if (document.querySelector('meta[name="theme-color"]') !== null) {
document.querySelector('meta[name="theme-color"]').setAttribute('content', '#0d0d0d')
}
}
const activateLightMode = () => {
document.documentElement.setAttribute('data-theme', 'light')
if (document.querySelector('meta[name="theme-color"]') !== null) {
document.querySelector('meta[name="theme-color"]').setAttribute('content', '#ffffff')
}
}
btf.activateDarkMode = activateDarkMode
btf.activateLightMode = activateLightMode
const theme = saveToLocal.get('theme')
theme === 'dark' ? activateDarkMode() : theme === 'light' ? activateLightMode() : null
const asideStatus = saveToLocal.get('aside-status')
if (asideStatus !== undefined) {
document.documentElement.classList.toggle('hide-aside', asideStatus === 'hide')
}
const detectApple = () => {
if (/iPad|iPhone|iPod|Macintosh/.test(navigator.userAgent)) {
document.documentElement.classList.add('apple')
}
}
detectApple()
})()
</script><script>const GLOBAL_CONFIG = {
root: '/',
algolia: undefined,
localSearch: undefined,
translate: undefined,
highlight: {"plugin":"highlight.js","highlightCopy":true,"highlightLang":true,"highlightHeightLimit":false,"highlightFullpage":false,"highlightMacStyle":false},
copy: {
success: '复制成功',
error: '复制失败',
noSupport: '浏览器不支持'
},
relativeDate: {
homepage: false,
post: false
},
runtime: '',
dateSuffix: {
just: '刚刚',
min: '分钟前',
hour: '小时前',
day: '天前',
month: '个月前'
},
copyright: undefined,
lightbox: 'null',
Snackbar: undefined,
infinitegrid: {
js: 'https://cdn.jsdelivr.net/npm/@egjs/infinitegrid/dist/infinitegrid.min.js',
buttonText: '加载更多'
},
isPhotoFigcaption: false,
islazyloadPlugin: false,
isAnchor: false,
percent: {
toc: true,
rightside: false,
},
autoDarkmode: false
}</script><script id="config-diff">var GLOBAL_CONFIG_SITE = {
title: 'zaneW的知识屋',
isHighlightShrink: false,
isToc: false,
pageType: 'home'
}</script><meta name="generator" content="Hexo 7.3.0"></head><body><div id="sidebar"><div id="menu-mask"></div><div id="sidebar-menus"><div class="avatar-img text-center"><img src="/img/dog.png" onerror="this.onerror=null;this.src='/img/friend_404.gif'" alt="avatar"/></div><div class="site-data text-center"><a href="/archives/"><div class="headline">文章</div><div class="length-num">25</div></a><a href="/tags/"><div class="headline">标签</div><div class="length-num">27</div></a><a href="/categories/"><div class="headline">分类</div><div class="length-num">4</div></a></div><div class="menus_items"><div class="menus_item"><a class="site-page" href="/"><i class="fa-fw fas fa-home"></i><span> 首页</span></a></div><div class="menus_item"><a class="site-page" href="/archives/"><i class="fa-fw fas fa-archive"></i><span> 博客</span></a></div></div></div></div><div class="page" id="body-wrap"><header class="full_page" id="page-header" style="background-image: url(https://haowallpaper.com/link/common/file/previewFileImg/1f6b182c17747f63fb3f3d10d458a2701f6b182c17747f63fb3f3d10d458a270);"><nav id="nav"><span id="blog-info"><a class="nav-site-title" href="/"><img class="site-icon" src="/img/1.png" alt="Logo"><span class="site-name">zaneW的知识屋</span></a></span><div id="menus"><div class="menus_items"><div class="menus_item"><a class="site-page" href="/"><i class="fa-fw fas fa-home"></i><span> 首页</span></a></div><div class="menus_item"><a class="site-page" href="/archives/"><i class="fa-fw fas fa-archive"></i><span> 博客</span></a></div></div><div id="toggle-menu"><span class="site-page"><i class="fas fa-bars fa-fw"></i></span></div></div></nav><div id="site-info"><h1 id="site-title">zaneW的知识屋</h1><div id="site-subtitle"><span id="subtitle"></span></div></div><div id="scroll-down"><i class="fas fa-angle-down scroll-down-effects"></i></div></header><main class="layout" id="content-inner"><div class="recent-posts nc" id="recent-posts"><div class="recent-post-items"><div class="recent-post-item"><div class="post_cover"><a href="/2025/03/15/%E5%89%8D%E5%90%91%E4%BC%A0%E6%92%AD%E5%92%8C%E5%8F%8D%E5%90%91%E4%BC%A0%E6%92%AD/" title="前向传播和反向传播"><img class="post-bg" src="https://haowallpaper.com/link/common/file/previewFileImg/16563360456428928" onerror="this.onerror=null;this.src='/img/404.jpg'" alt="前向传播和反向传播"></a></div><div class="recent-post-info"><a class="article-title" href="/2025/03/15/%E5%89%8D%E5%90%91%E4%BC%A0%E6%92%AD%E5%92%8C%E5%8F%8D%E5%90%91%E4%BC%A0%E6%92%AD/" title="前向传播和反向传播">前向传播和反向传播</a><div class="article-meta-wrap"><span class="post-meta-date"><i class="far fa-calendar-alt"></i><span class="article-meta-label">发表于</span><time datetime="2025-03-15T10:01:45.000Z" title="发表于 2025-03-15 18:01:45">2025-03-15</time></span><span class="article-meta tags"><span class="article-meta-separator">|</span><i class="fas fa-tag"></i><a class="article-meta__tags" href="/tags/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0/">深度学习</a><span class="article-meta-link">•</span><i class="fas fa-tag"></i><a class="article-meta__tags" href="/tags/pytorch/">pytorch</a></span></div><div class="content"> 前向传播 前向传播是神经网络通过逐层计算，从输入层开始，经过隐藏层，最终到达输出层，以产生预测值的过程。 在这个过程中，输入数据通过网络中的权重和偏置进行线性变换，然后通过激活函数进行非线性变换，得到每一层的输出。最终，输出层的输出即为神经网络的预测值。 输入层接收数据 输入层是神经网络的第一层，它接收来自外部的数据。 计算隐藏层输出 数据从输入层传递到隐藏层，隐藏层中的每个神经元都会接收来自上一层神经元的输入，并计算其加权和。加权和通过激活函数（如ReLU、Sigmoid、Tanh等）进行非线性变换，生成该神经元的输出。 计算输出层输出 输出层是神经网络的最后一层，它接收来自隐藏层的输入，并计算最终的输出。 PyTorch中实现前向传播需要基于nn.Module类定义网络结构，并在forward()方法中明确数据流的计算过程 123456789101112131415import torch.nn as nnclass NeuralNetwork(nn.Module): def __init__(self): ...</div></div></div><div class="recent-post-item"><div class="post_cover"><a href="/2025/03/15/%E8%AF%84%E4%BC%B0%E6%8C%87%E6%A0%87/" title="评估指标"><img class="post-bg" src="https://haowallpaper.com/link/common/file/previewFileImg/29fe9302fd3698101fa312858cdda4f4" onerror="this.onerror=null;this.src='/img/404.jpg'" alt="评估指标"></a></div><div class="recent-post-info"><a class="article-title" href="/2025/03/15/%E8%AF%84%E4%BC%B0%E6%8C%87%E6%A0%87/" title="评估指标">评估指标</a><div class="article-meta-wrap"><span class="post-meta-date"><i class="far fa-calendar-alt"></i><span class="article-meta-label">发表于</span><time datetime="2025-03-15T08:27:45.000Z" title="发表于 2025-03-15 16:27:45">2025-03-15</time></span><span class="article-meta"><span class="article-meta-separator">|</span><i class="fas fa-inbox"></i><a class="article-meta__categories" href="/categories/AI/">AI</a></span><span class="article-meta tags"><span class="article-meta-separator">|</span><i class="fas fa-tag"></i><a class="article-meta__tags" href="/tags/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/">机器学习</a></span></div><div class="content">分类问题 混淆矩阵 对于二分类问题，混淆矩阵是一个 2x2 的矩阵。 TP (True Positive，真正例)：预测为正类且实际为正类的样本数量。（正确识别目标） TN (True Negative，真负例)：预测为负类且实际为负类的样本数量。（正确排除非目标） FP (False Positive，假正例)：预测为正类但实际为负类的样本数量。（误报） FN (False Negative，假负例)：预测为负类但实际为正类的样本数量。（漏报） 反应每个类别的正确和错误预测情况 正类目标类别 ： 疾病检测中的“患病”样本 垃圾邮件分类中的“垃圾邮件” 欺诈检测中的“欺诈交易” 负类非目标类别 准确率 Accuracy=TP+TNTP+TN+FP+FN\text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN} Accuracy=TP+TN+FP+FNTP+TN 模型正确预测的样本占所有样本的比例 是一个全局评估指标，适用于样本类别分布均衡的情况 问题:...</div></div></div><div class="recent-post-item"><div class="post_cover"><a href="/2025/02/13/%E6%9C%BA%E5%99%A8%E3%80%81%E6%B7%B1%E5%BA%A6%E3%80%81%E5%BC%BA%E5%8C%96/" title="机器、深度、强化"><img class="post-bg" src="https://haowallpaper.com/link/common/file/previewFileImg/16263610149424512" onerror="this.onerror=null;this.src='/img/404.jpg'" alt="机器、深度、强化"></a></div><div class="recent-post-info"><a class="article-title" href="/2025/02/13/%E6%9C%BA%E5%99%A8%E3%80%81%E6%B7%B1%E5%BA%A6%E3%80%81%E5%BC%BA%E5%8C%96/" title="机器、深度、强化">机器、深度、强化</a><div class="article-meta-wrap"><span class="post-meta-date"><i class="far fa-calendar-alt"></i><span class="article-meta-label">发表于</span><time datetime="2025-02-12T17:10:16.000Z" title="发表于 2025-02-13 01:10:16">2025-02-13</time></span></div><div class="content">机器学习 机器学习，其实就是让计算机像孩子一样“学习”！ 给计算机大量的数据（就像给孩子看很多苹果），然后告诉它一些规则和方法（就像告诉孩子苹果的特征）。 计算机通过分析这些数据，自己总结出规律，掌握识别苹果的“技能”。 以后，就算给它看没见过的苹果，它也能根据学到的规律，判断出来这是苹果。 数据是“基础”： 机器学习需要大量的数据来进行学习。数据越多、质量越高，机器学得就越好。 算法是“方法”： 机器学习有很多种“学习方法”，也就是算法。 不同的算法适用于解决不同的问题。 常见的算法包括： 线性回归 (Linear Regression): 预测数值，比如预测房价、销量。 逻辑回归 (Logistic Regression): 进行分类，比如判断邮件是不是垃圾邮件、用户会不会点击广告。 决策树 (Decision Tree): 像流程图一样做决策，比如根据天气、温度等条件判断是否适合去野餐。 支持向量机 (Support Vector Machine, SVM): 擅长分类，在高维数据中也能找到最佳的分类界限。 K近邻 (K-Nearest Neighbors, KNN):...</div></div></div><div class="recent-post-item"><div class="post_cover"><a href="/2025/01/10/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E7%AC%AC%E4%B8%80%E7%AF%87/" title="机器学习第一篇"><img class="post-bg" src="https://haowallpaper.com/link/common/file/previewFileImg/15789130517090624" onerror="this.onerror=null;this.src='/img/404.jpg'" alt="机器学习第一篇"></a></div><div class="recent-post-info"><a class="article-title" href="/2025/01/10/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E7%AC%AC%E4%B8%80%E7%AF%87/" title="机器学习第一篇">机器学习第一篇</a><div class="article-meta-wrap"><span class="post-meta-date"><i class="far fa-calendar-alt"></i><span class="article-meta-label">发表于</span><time datetime="2025-01-10T02:44:12.000Z" title="发表于 2025-01-10 10:44:12">2025-01-10</time></span><span class="article-meta"><span class="article-meta-separator">|</span><i class="fas fa-inbox"></i><a class="article-meta__categories" href="/categories/%E5%AD%A6%E4%B9%A0/">学习</a></span><span class="article-meta tags"><span class="article-meta-separator">|</span><i class="fas fa-tag"></i><a class="article-meta__tags" href="/tags/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0/">机器学习 深度学习</a></span></div><div class="content">学习计划最近准备深挖AI方向 , 本科期间写毕业论文的也了解了一些, 但未系统学习 , 故整理了一个学习计划 1 . 基础: 数学视频课 《线性代数与学习算法》 [视频 ](“【机器学习】带读李航 第一章-第四章《统计学习方法 第二版 监督学习》 跟我一起从菜鸟成长为大神_哔哩哔哩_bilibili“) 徐志钦老师(12,13,14,15,16) 配合《统计学习方法》,《深度学习》 [深度博客 ](“a大纲目录（所有文章索引） - 随笔分类 - B站-水论文的程序猿 - 博客园“) 吴恩达老师 Transformer和BERT python 进阶 sklearn pytorch(pytorch龙曲良) </div></div></div><div class="recent-post-item"><div class="post_cover"><a href="/2024/05/20/%E7%97%85%E8%99%AB%E5%AE%B3%E5%9B%BE%E5%83%8F%E8%AF%86%E5%88%AB/" title="病虫害图像识别"><img class="post-bg" src="https://haowallpaper.com/link/common/file/previewFileImg/16040968692813184" onerror="this.onerror=null;this.src='/img/404.jpg'" alt="病虫害图像识别"></a></div><div class="recent-post-info"><a class="article-title" href="/2024/05/20/%E7%97%85%E8%99%AB%E5%AE%B3%E5%9B%BE%E5%83%8F%E8%AF%86%E5%88%AB/" title="病虫害图像识别">病虫害图像识别</a><div class="article-meta-wrap"><span class="post-meta-date"><i class="far fa-calendar-alt"></i><span class="article-meta-label">发表于</span><time datetime="2024-05-19T20:01:54.000Z" title="发表于 2024-05-20 04:01:54">2024-05-20</time></span><span class="article-meta"><span class="article-meta-separator">|</span><i class="fas fa-inbox"></i><a class="article-meta__categories" href="/categories/%E5%AD%A6%E4%B9%A0/">学习</a></span><span class="article-meta tags"><span class="article-meta-separator">|</span><i class="fas fa-tag"></i><a class="article-meta__tags" href="/tags/%E8%BF%81%E7%A7%BB%E5%AD%A6%E4%B9%A0/">迁移学习</a><span class="article-meta-link">•</span><i class="fas fa-tag"></i><a class="article-meta__tags" href="/tags/%E6%A8%A1%E5%9E%8B%E8%9E%8D%E5%90%88/">模型融合</a><span class="article-meta-link">•</span><i class="fas fa-tag"></i><a class="article-meta__tags" href="/tags/CV/">CV</a></span></div><div class="content">概述：记录我做毕设的心路历程 和具体学习实现过程达成目标汇总 , 教大家避开弯路。 选好题目 这段时间应该是你大学之中最忙的一个学期，毕业实习，找工作，准备考研或者出国，我做毕设的4个月都在实习，所以选好题目，能帮你省去不小时间。 一般选题方向分为两种 ， 一种是纯算法方向 ， 一种是产品方向 。我推荐做产品方向 ， 应该他更灵活能结合算法，容易拿高分。 如何查找资料 Github : 可以找到很不错的项目 ， 但好的项目已经被做烂了 ，要不然工作量太多，一看就不是 大学生做的 ， 要不然代码写得稀烂 ，调用混乱 ，改都不好改。 arxiv：这个是找参考论文的好地方 ， 我的算法一部分就是复现他们的实验成功的。 kaggle : 找数据集的好地方 ， 可以找到很多好用的数据集。 B站： 有些up教的确实蛮不错的。 选取模型 我做深度学习图像识别方向的 ， 但这个东西限制很多，有很多模型训练拿自己电脑是跑不了的 ，所以我采用了迁移学习的策略，...</div></div></div><div class="recent-post-item"><div class="post_cover"><a href="/2024/02/13/%E5%BD%92%E4%B8%80%E5%8C%96/" title="归一化"><img class="post-bg" src="https://haowallpaper.com/link/common/file/previewFileImg/16563360456428928" onerror="this.onerror=null;this.src='/img/404.jpg'" alt="归一化"></a></div><div class="recent-post-info"><a class="article-title" href="/2024/02/13/%E5%BD%92%E4%B8%80%E5%8C%96/" title="归一化">归一化</a><div class="article-meta-wrap"><span class="post-meta-date"><i class="far fa-calendar-alt"></i><span class="article-meta-label">发表于</span><time datetime="2024-02-12T20:01:54.000Z" title="发表于 2024-02-13 04:01:54">2024-02-13</time></span><span class="article-meta"><span class="article-meta-separator">|</span><i class="fas fa-inbox"></i><a class="article-meta__categories" href="/categories/%E5%AD%A6%E4%B9%A0/">学习</a></span><span class="article-meta tags"><span class="article-meta-separator">|</span><i class="fas fa-tag"></i><a class="article-meta__tags" href="/tags/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0/">深度学习</a><span class="article-meta-link">•</span><i class="fas fa-tag"></i><a class="article-meta__tags" href="/tags/%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/">卷积神经网络</a><span class="article-meta-link">•</span><i class="fas fa-tag"></i><a class="article-meta__tags" href="/tags/concept/">concept</a></span></div><div class="content">为什么要归一化 问题 量纲差异：不同特征的单位或数值范围差异大（如年龄0-100，收入0-100000），导致模型偏向学习数值大的特征，导致梯度不平衡，导致梯度爆炸，要将尺度减少到能处理的范围，需要使不同特征对模型的影响权重一致。 梯度不稳定：未经归一化的数据会导致损失函数的等高线呈“狭长形”，梯度下降方向震荡，收敛缓慢（如下图示）。 激活函数饱和：如Sigmoid在输入绝对值较大时梯度接近0，导致参数更新停滞。 解决 加速收敛：使优化路径更平缓，减少迭代次数，优化算法（如梯度下降）在归一化后的数据上更易找到最优解。 提升模型泛化能力：避免某些特征主导学习过程。 兼容正则化：L1/L2正则化对尺度敏感，归一化后惩罚项更公平。 防止数值溢出：避免计算过程中出现极大或极小值导致的计算错误。 数学定义 归一化是对原始数据进行线性或非线性变换，使其符合特定分布或数值范围。 xnorm=x−基准值缩放因子x_{\text{norm}} = \frac{x -...</div></div></div><div class="recent-post-item"><div class="post_cover"><a href="/2024/01/11/ResNet/" title="Deep Residual Learning for Image Recognition"><img class="post-bg" src="https://m.zanewang.online/_data/i/upload/2025/03/13/20250313212337-0ce9558d-me.png" onerror="this.onerror=null;this.src='/img/404.jpg'" alt="Deep Residual Learning for Image Recognition"></a></div><div class="recent-post-info"><a class="article-title" href="/2024/01/11/ResNet/" title="Deep Residual Learning for Image Recognition">Deep Residual Learning for Image Recognition</a><div class="article-meta-wrap"><span class="post-meta-date"><i class="far fa-calendar-alt"></i><span class="article-meta-label">发表于</span><time datetime="2024-01-11T02:13:51.000Z" title="发表于 2024-01-11 10:13:51">2024-01-11</time></span><span class="article-meta"><span class="article-meta-separator">|</span><i class="fas fa-inbox"></i><a class="article-meta__categories" href="/categories/paper/">paper</a></span><span class="article-meta tags"><span class="article-meta-separator">|</span><i class="fas fa-tag"></i><a class="article-meta__tags" href="/tags/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0/">深度学习</a><span class="article-meta-link">•</span><i class="fas fa-tag"></i><a class="article-meta__tags" href="/tags/ResNet/">ResNet</a><span class="article-meta-link">•</span><i class="fas fa-tag"></i><a class="article-meta__tags" href="/tags/%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/">卷积神经网络</a><span class="article-meta-link">•</span><i class="fas fa-tag"></i><a class="article-meta__tags" href="/tags/%E8%A7%86%E8%A7%89/">视觉</a><span class="article-meta-link">•</span><i class="fas fa-tag"></i><a class="article-meta__tags" href="/tags/%E7%B2%BE%E8%AF%BB/">精读</a></span></div><div class="content">Deep Residual Learning for Image Recognition Abstract **p **: 深的卷积神经网络很难训练 K: 使用残差学习的框架 , 使得深的卷积神经网络容易训练 S: 层作为一个学习残差函数相对于层输入的一个方法 ， 而不是一个unreferenced fuctions 的方式 E: ImageNet 数据集上使用了152层深度 ， 相较于VGG深8倍 ，计算复杂度要低，COCO28%相关改进，仅替换为残差学习 Introduction 一般在第一页右上角放上一张最好看的图 ，扩展：prof. Randy —CMU最后一课 更深的神经网络随着训练轮数增加训练误差反而会变得更高 ，测试误差也会更高 网络堆叠的过于深的话，梯度会出现爆炸或者消失 传统解决办法： 在权重随机初始化的时候 ， 设定好权重的大小 ， 并在中间加入 normalization , 校验每个层的输出和它的梯度的均值和方差 ， 避免有一些曾过大或者某一些层过小 ， 保证能够收敛。 问题： 浅的网络效果不错的话 ，加一些层深的网络不应该变差 ，...</div></div></div><div class="recent-post-item"><div class="post_cover"><a href="/2023/12/31/%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0%20%E5%8D%8A%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0%20%E6%97%A0%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0%20%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0/" title="监督学习 半监督学习 无监督学习 强化学习"><img class="post-bg" src="https://haowallpaper.com/link/common/file/previewFileImg/16637965655788928" onerror="this.onerror=null;this.src='/img/404.jpg'" alt="监督学习 半监督学习 无监督学习 强化学习"></a></div><div class="recent-post-info"><a class="article-title" href="/2023/12/31/%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0%20%E5%8D%8A%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0%20%E6%97%A0%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0%20%E5%BC%BA%E5%8C%96%E5%AD%A6%E4%B9%A0/" title="监督学习 半监督学习 无监督学习 强化学习">监督学习 半监督学习 无监督学习 强化学习</a><div class="article-meta-wrap"><span class="post-meta-date"><i class="far fa-calendar-alt"></i><span class="article-meta-label">发表于</span><time datetime="2023-12-31T08:24:34.000Z" title="发表于 2023-12-31 16:24:34">2023-12-31</time></span></div><div class="content">先放结论 类型 数据需求 学习方式 典型任务 监督学习 大量带标签数据 从输入到输出的映射 分类、回归 半监督学习 少量标签+大量无标签数据 结合标签与数据分布 分类（标签不足场景） 无监督学习 完全无标签数据 发现数据内在结构 聚类、降维 强化学习 无需固定数据集 环境交互与奖励反馈 序列决策、控制任务 监督学习（Supervised Learning） 带标签的数据（输入-输出对）进行训练，模型学习输入到输出的映射关系 优点：任务明确，效果通常较好。 缺点：依赖大量高质量标签数据，成本高。 半监督学习（Semi-Supervised Learning） 核心特点：结合少量带标签数据和大量无标签数据进行训练。 目标：利用无标签数据提升模型性能，解决标注数据不足的问题。 优点：降低对标签数据的依赖，提升模型泛化能力。 缺点：伪标签可能引入噪声，需谨慎处理。 无监督学习（Unsupervised...</div></div></div><div class="recent-post-item"><div class="post_cover"><a href="/2023/12/26/%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E5%9F%BA%E7%A1%80/" title="神经网络基础概念"><img class="post-bg" src="https://haowallpaper.com/link/common/file/previewFileImg/16411191742483840" onerror="this.onerror=null;this.src='/img/404.jpg'" alt="神经网络基础概念"></a></div><div class="recent-post-info"><a class="article-title" href="/2023/12/26/%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E5%9F%BA%E7%A1%80/" title="神经网络基础概念">神经网络基础概念</a><div class="article-meta-wrap"><span class="post-meta-date"><i class="far fa-calendar-alt"></i><span class="article-meta-label">发表于</span><time datetime="2023-12-26T00:13:51.000Z" title="发表于 2023-12-26 08:13:51">2023-12-26</time></span><span class="article-meta"><span class="article-meta-separator">|</span><i class="fas fa-inbox"></i><a class="article-meta__categories" href="/categories/%E5%AD%A6%E4%B9%A0/">学习</a></span><span class="article-meta tags"><span class="article-meta-separator">|</span><i class="fas fa-tag"></i><a class="article-meta__tags" href="/tags/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0/">深度学习</a><span class="article-meta-link">•</span><i class="fas fa-tag"></i><a class="article-meta__tags" href="/tags/%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/">卷积神经网络</a><span class="article-meta-link">•</span><i class="fas fa-tag"></i><a class="article-meta__tags" href="/tags/concept/">concept</a></span></div><div class="content">机器算法三要素 任务 T ,经验 E , 性能 P. 经过从经验E中的改进 ，在任何任务T上由性能P衡量有所上升 任务 对 Example的处理 ——》样本指的是学习到的feature ， 样本通常形式为一个向量 ， </div></div></div><div class="recent-post-item"><div class="post_cover"><a href="/2022/10/13/Java%E7%BA%A2%E5%8C%85%E9%A2%86%E5%8F%96bug/" title="Java红包领取BUG"><img class="post-bg" src="https://haowallpaper.com/link/common/file/previewFileImg/15701811102650688" onerror="this.onerror=null;this.src='/img/404.jpg'" alt="Java红包领取BUG"></a></div><div class="recent-post-info"><a class="article-title" href="/2022/10/13/Java%E7%BA%A2%E5%8C%85%E9%A2%86%E5%8F%96bug/" title="Java红包领取BUG">Java红包领取BUG</a><div class="article-meta-wrap"><span class="post-meta-date"><i class="far fa-calendar-alt"></i><span class="article-meta-label">发表于</span><time datetime="2022-10-12T20:01:54.000Z" title="发表于 2022-10-13 04:01:54">2022-10-13</time></span><span class="article-meta"><span class="article-meta-separator">|</span><i class="fas fa-inbox"></i><a class="article-meta__categories" href="/categories/%E5%AD%A6%E4%B9%A0/">学习</a></span><span class="article-meta tags"><span class="article-meta-separator">|</span><i class="fas fa-tag"></i><a class="article-meta__tags" href="/tags/bug%E5%88%B6%E9%80%A0%E6%9C%BA/">bug制造机</a><span class="article-meta-link">•</span><i class="fas fa-tag"></i><a class="article-meta__tags" href="/tags/Java/">Java</a></span></div><div class="content">最近遇到一个很有意思的bug ,业务逻辑很简单, 但涉及到技术面其实很深,拿出来记录一下. 本来要实现的功能是一个订单只发放一个红包,这个致命的错误会导致一个订单同时发放多个红包. 源码:123456789101112131415@transactional(rollbackFor=Exception.class)public void giveRedPacket(long orderId){ order o = getOrder(orderId); if (o == null){ return; } o = getOrderForUpdate(orderId); if (o == null){ return; } if (!existRedPacket(orderId , redid:"20241111")){ createRedPacket(orderId , redid:...</div></div></div></div><nav id="pagination"><div class="pagination"><span class="page-number current">1</span><a class="page-number" href="/page/2/#content-inner">2</a><a class="page-number" href="/page/3/#content-inner">3</a><a class="extend next" rel="next" href="/page/2/#content-inner"><i class="fas fa-chevron-right fa-fw"></i></a></div></nav></div><div class="aside-content" id="aside-content"><div class="card-widget card-info text-center"><div class="avatar-img"><img src="/img/dog.png" onerror="this.onerror=null;this.src='/img/friend_404.gif'" alt="avatar"/></div><div class="author-info-name">zaneW</div><div class="author-info-description"> 修行中~~~~~</div><div class="site-data"><a href="/archives/"><div class="headline">文章</div><div class="length-num">25</div></a><a href="/tags/"><div class="headline">标签</div><div class="length-num">27</div></a><a href="/categories/"><div class="headline">分类</div><div class="length-num">4</div></a></div></div><div class="sticky_layout"><div class="card-widget card-recent-post"><div class="item-headline"><i class="fas fa-history"></i><span>最新文章</span></div><div class="aside-list"><div class="aside-list-item"><a class="thumbnail" href="/2025/03/15/%E5%89%8D%E5%90%91%E4%BC%A0%E6%92%AD%E5%92%8C%E5%8F%8D%E5%90%91%E4%BC%A0%E6%92%AD/" title="前向传播和反向传播"><img src="https://haowallpaper.com/link/common/file/previewFileImg/16563360456428928" onerror="this.onerror=null;this.src='/img/404.jpg'" alt="前向传播和反向传播"/></a><div class="content"><a class="title" href="/2025/03/15/%E5%89%8D%E5%90%91%E4%BC%A0%E6%92%AD%E5%92%8C%E5%8F%8D%E5%90%91%E4%BC%A0%E6%92%AD/" title="前向传播和反向传播">前向传播和反向传播</a><time datetime="2025-03-15T10:01:45.000Z" title="发表于 2025-03-15 18:01:45">2025-03-15</time></div></div><div class="aside-list-item"><a class="thumbnail" href="/2025/03/15/%E8%AF%84%E4%BC%B0%E6%8C%87%E6%A0%87/" title="评估指标"><img src="https://haowallpaper.com/link/common/file/previewFileImg/29fe9302fd3698101fa312858cdda4f4" onerror="this.onerror=null;this.src='/img/404.jpg'" alt="评估指标"/></a><div class="content"><a class="title" href="/2025/03/15/%E8%AF%84%E4%BC%B0%E6%8C%87%E6%A0%87/" title="评估指标">评估指标</a><time datetime="2025-03-15T08:27:45.000Z" title="发表于 2025-03-15 16:27:45">2025-03-15</time></div></div><div class="aside-list-item"><a class="thumbnail" href="/2025/02/13/%E6%9C%BA%E5%99%A8%E3%80%81%E6%B7%B1%E5%BA%A6%E3%80%81%E5%BC%BA%E5%8C%96/" title="机器、深度、强化"><img src="https://haowallpaper.com/link/common/file/previewFileImg/16263610149424512" onerror="this.onerror=null;this.src='/img/404.jpg'" alt="机器、深度、强化"/></a><div class="content"><a class="title" href="/2025/02/13/%E6%9C%BA%E5%99%A8%E3%80%81%E6%B7%B1%E5%BA%A6%E3%80%81%E5%BC%BA%E5%8C%96/" title="机器、深度、强化">机器、深度、强化</a><time datetime="2025-02-12T17:10:16.000Z" title="发表于 2025-02-13 01:10:16">2025-02-13</time></div></div><div class="aside-list-item"><a class="thumbnail" href="/2025/01/10/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E7%AC%AC%E4%B8%80%E7%AF%87/" title="机器学习第一篇"><img src="https://haowallpaper.com/link/common/file/previewFileImg/15789130517090624" onerror="this.onerror=null;this.src='/img/404.jpg'" alt="机器学习第一篇"/></a><div class="content"><a class="title" href="/2025/01/10/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E7%AC%AC%E4%B8%80%E7%AF%87/" title="机器学习第一篇">机器学习第一篇</a><time datetime="2025-01-10T02:44:12.000Z" title="发表于 2025-01-10 10:44:12">2025-01-10</time></div></div><div class="aside-list-item"><a class="thumbnail" href="/2024/05/20/%E7%97%85%E8%99%AB%E5%AE%B3%E5%9B%BE%E5%83%8F%E8%AF%86%E5%88%AB/" title="病虫害图像识别"><img src="https://haowallpaper.com/link/common/file/previewFileImg/16040968692813184" onerror="this.onerror=null;this.src='/img/404.jpg'" alt="病虫害图像识别"/></a><div class="content"><a class="title" href="/2024/05/20/%E7%97%85%E8%99%AB%E5%AE%B3%E5%9B%BE%E5%83%8F%E8%AF%86%E5%88%AB/" title="病虫害图像识别">病虫害图像识别</a><time datetime="2024-05-19T20:01:54.000Z" title="发表于 2024-05-20 04:01:54">2024-05-20</time></div></div></div></div><div class="card-widget card-categories"><div class="item-headline">
<i class="fas fa-folder-open"></i>
<span>分类</span>
</div>
<ul class="card-category-list" id="aside-cat-list">
<li class="card-category-list-item "><a class="card-category-list-link" href="/categories/AI/"><span class="card-category-list-name">AI</span><span class="card-category-list-count">1</span></a></li><li class="card-category-list-item "><a class="card-category-list-link" href="/categories/paper/"><span class="card-category-list-name">paper</span><span class="card-category-list-count">1</span></a></li><li class="card-category-list-item "><a class="card-category-list-link" href="/categories/%E5%AD%A6%E4%B9%A0/"><span class="card-category-list-name">学习</span><span class="card-category-list-count">6</span></a></li><li class="card-category-list-item "><a class="card-category-list-link" href="/categories/%E6%84%9F%E6%82%9F/"><span class="card-category-list-name">感悟</span><span class="card-category-list-count">1</span></a></li>
</ul></div><div class="card-widget card-tags"><div class="item-headline"><i class="fas fa-tags"></i><span>标签</span></div><div class="card-tag-cloud"><a href="/tags/%E9%A1%B9%E7%9B%AE%E9%83%A8%E7%BD%B2/" style="font-size: 1.15em; color: rgb(67, 89, 192);">项目部署</a><a href="/tags/Nginx/" style="font-size: 1.15em; color: rgb(50, 157, 50);">Nginx</a><a href="/tags/bug/" style="font-size: 1.25em; color: rgb(50, 102, 199);">bug</a><a href="/tags/bug%E5%88%B6%E9%80%A0%E6%9C%BA/" style="font-size: 1.15em; color: rgb(178, 157, 76);">bug制造机</a><a href="/tags/Java/" style="font-size: 1.15em; color: rgb(112, 69, 50);">Java</a><a href="/tags/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0-%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0/" style="font-size: 1.15em; color: rgb(192, 59, 50);">机器学习 深度学习</a><a href="/tags/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/" style="font-size: 1.15em; color: rgb(86, 110, 95);">机器学习</a><a href="/tags/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0/" style="font-size: 1.45em; color: rgb(174, 96, 107);">深度学习</a><a href="/tags/%E8%BF%81%E7%A7%BB%E5%AD%A6%E4%B9%A0/" style="font-size: 1.15em; color: rgb(110, 50, 163);">迁移学习</a><a href="/tags/%E6%A8%A1%E5%9E%8B%E8%9E%8D%E5%90%88/" style="font-size: 1.15em; color: rgb(50, 122, 64);">模型融合</a><a href="/tags/%E4%BA%BA%E7%94%9F%E6%84%9F%E6%82%9F/" style="font-size: 1.15em; color: rgb(81, 59, 117);">人生感悟</a><a href="/tags/ResNet/" style="font-size: 1.15em; color: rgb(65, 59, 105);">ResNet</a><a href="/tags/%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/" style="font-size: 1.35em; color: rgb(59, 136, 50);">卷积神经网络</a><a href="/tags/%E8%A7%86%E8%A7%89/" style="font-size: 1.15em; color: rgb(50, 170, 195);">视觉</a><a href="/tags/%E7%B2%BE%E8%AF%BB/" style="font-size: 1.15em; color: rgb(50, 50, 146);">精读</a></div></div><div class="card-widget card-archives">
<div class="item-headline">
<i class="fas fa-archive"></i>
<span>归档</span>
<a class="card-more-btn" href="/archives/"
title="查看更多">
<i class="fas fa-angle-right"></i>
</a>
</div>
<ul class="card-archive-list">
<li class="card-archive-list-item">
<a class="card-archive-list-link" href="/archives/2025/03/">
<span class="card-archive-list-date">
三月 2025
</span>
<span class="card-archive-list-count">2</span>
</a>
</li>
<li class="card-archive-list-item">
<a class="card-archive-list-link" href="/archives/2025/02/">
<span class="card-archive-list-date">
二月 2025
</span>
<span class="card-archive-list-count">1</span>
</a>
</li>
<li class="card-archive-list-item">
<a class="card-archive-list-link" href="/archives/2025/01/">
<span class="card-archive-list-date">
一月 2025
</span>
<span class="card-archive-list-count">1</span>
</a>
</li>
<li class="card-archive-list-item">
<a class="card-archive-list-link" href="/archives/2024/05/">
<span class="card-archive-list-date">
五月 2024
</span>
<span class="card-archive-list-count">1</span>
</a>
</li>
<li class="card-archive-list-item">
<a class="card-archive-list-link" href="/archives/2024/02/">
<span class="card-archive-list-date">
二月 2024
</span>
<span class="card-archive-list-count">1</span>
</a>
</li>
<li class="card-archive-list-item">
<a class="card-archive-list-link" href="/archives/2024/01/">
<span class="card-archive-list-date">
一月 2024
</span>
<span class="card-archive-list-count">1</span>
</a>
</li>
<li class="card-archive-list-item">
<a class="card-archive-list-link" href="/archives/2023/12/">
<span class="card-archive-list-date">
十二月 2023
</span>
<span class="card-archive-list-count">2</span>
</a>
</li>
<li class="card-archive-list-item">
<a class="card-archive-list-link" href="/archives/2022/10/">
<span class="card-archive-list-date">
十月 2022
</span>
<span class="card-archive-list-count">1</span>
</a>
</li>
</ul>
</div></div></div></main><footer id="footer" style="background-image: url(https://haowallpaper.com/link/common/file/previewFileImg/1f6b182c17747f63fb3f3d10d458a2701f6b182c17747f63fb3f3d10d458a270);"><div id="footer-wrap"><div class="copyright">©2020 - 2025 By zaneW</div></div></footer></div><div id="rightside"><div id="rightside-config-hide"><button id="darkmode" type="button" title="日间和夜间模式切换"><i class="fas fa-adjust"></i></button><button id="hide-aside-btn" type="button" title="单栏和双栏切换"><i class="fas fa-arrows-alt-h"></i></button></div><div id="rightside-config-show"><button id="rightside-config" type="button" title="设置"><i class="fas fa-cog fa-spin"></i></button><button id="go-up" type="button" title="回到顶部"><span class="scroll-percent"></span><i class="fas fa-arrow-up"></i></button></div></div><div><script src="/js/utils.js"></script><script src="/js/main.js"></script><div class="js-pjax"><script>window.typedJSFn = {
init: str => {
window.typed = new Typed('#subtitle', Object.assign({
strings: str,
startDelay: 300,
typeSpeed: 150,
loop: true,
backSpeed: 50,
}, null))
},
run: subtitleType => {
if (true) {
if (typeof Typed === 'function') {
subtitleType()
} else {
btf.getScript('https://cdn.jsdelivr.net/npm/typed.js/dist/typed.umd.min.js').then(subtitleType)
}
} else {
subtitleType()
}
},
processSubtitle: (content, extraContents = []) => {
if (true) {
const sub = ["知识在学，头发在掉"].slice()
if (extraContents.length > 0) {
sub.unshift(...extraContents)
}
if (typeof content === 'string') {
sub.unshift(content)
} else if (Array.isArray(content)) {
sub.unshift(...content)
}
sub.length > 0 && typedJSFn.init(sub)
} else {
document.getElementById('subtitle').textContent = typeof content === 'string' ? content :
(Array.isArray(content) && content.length > 0 ? content[0] : '')
}
}
}
btf.addGlobalFn('pjaxSendOnce', () => { typed.destroy() }, 'typedDestroy')
</script><script>function subtitleType () {
typedJSFn.processSubtitle(["知识在学，头发在掉"])
}
typedJSFn.run(subtitleType)</script></div><script async data-pjax src="//busuanzi.ibruce.info/busuanzi/2.3/busuanzi.pure.mini.js"></script></div></body></html>