本文介绍了图像形态学操作和边缘检测的基本概念与应用。图像形态学通过结构元素（Kernel）改变图像形状，包括腐蚀（缩小目标）、膨胀（扩大目标）、开运算（去噪）、闭运算（填充空洞）、梯度运算（提取边缘）以及顶帽/黑帽运算（提取亮/暗区域）。边缘检测部分重点讲解Sobel算子，通过计算x/y方向梯度检测边缘，需注意数据类型转换以避免信息丢失。这些方法广泛应用于去噪、特征提取、目标检测等计算机视觉任务。

本篇承接上篇 NLP 数据预处理内容，基于 PyTorch 实现双向多层 LSTM 的 TextRNN 微博情感四分类任务。完整拆解模型网络结构，讲解 Embedding、双向 LSTM、全连接层实现细节；同时剖析训练、验证、测试整套逻辑，包含交叉熵损失、Adam 优化器、梯度反向传播、早停策略、模型保存，使用 sklearn 完成准确率、精确率、召回率、F1 指标评估。结合主程序讲解设备适配、随

本文是微博四分类情感分析实战系列的第一篇——数据预处理。基于 TextRNN（双向LSTM） 模型，从零讲解 NLP 数据预处理全流程。内容涵盖：字符级词表构建（频次统计、低频过滤、<UNK>/<PAD> 特殊标记、pickle 持久化）、数据集加载与预处理（字符转 ID、Padding 截断、8:1:1 划分训练/验证/测试集），以及自定义 DatasetIterater 批量迭代器。词表最终大

本文从零讲解词向量的训练与保存全流程。先用 Numpy 演示 .npy / .npz 的保存与读取，这是深度学习中间产物落盘的基本功；再对比 One-hot 编码与分布式词向量，说明为何需要 Word2Vec。随后基于 PyTorch 实现 CBOW 模型：用上下文词预测中心词，经 Embedding 查表、向量平均、全连接与 log_softmax 输出，用 NLLLoss 训练。最后提取 Em

本文基于 PyTorch 完成一个完整的 20 类食物图像分类实战项目，涵盖自定义 CNN 搭建与训练、学习率调度器（ReduceLROnPlateau / StepLR）调优、ResNet18 迁移学习微调、以及最优模型权重加载推理的全流程。从卷积尺寸计算、自定义 Dataset、数据增强与 ImageNet 归一化等核心知识出发，配套完整可运行代码与常见问题排查指南，帮助深度学习初学者快速打通

本文基于 PyTorch 搭建小型 CNN 卷积神经网络，完成 20 类食物图像分类任务。内容涵盖数据准备（自定义 Dataset 与 DataLoader）、图像预处理与数据增强（Resize、Normalize、随机旋转翻转等）、CNN 模型结构设计与参数详解、训练循环（前向传播→损失计算→反向传播→参数更新）、模型保存与单张图片预测，完整呈现深度学习项目从搭建到应用的全流程，适合 PyTor

轮廓检测是计算机视觉中识别物体边界的关键技术。OpenCV提供核心函数cv2.findContours()从二值图像提取轮廓点集，配合cv2.drawContours()可视化。检测流程包括图像灰度化、二值化、轮廓查找与分析。与边缘检测不同，轮廓检测关注完整有序的物体边界。主要特征计算包括轮廓面积(contourArea)、周长(arcLength)，以及外接几何形状（矩形、圆形）。通过appro

本文介绍了一个基于OpenCV的银行卡号识别系统，采用模板匹配方法实现。系统包含三个核心文件：主程序、工具函数模块和参数解析模块。通过形态学处理（顶帽运算、闭运算等）定位银行卡数字区域，利用轮廓检测和排序技术提取数字，再与预处理的OCR-A模板进行匹配，最终输出卡号及卡组织类型。

本文系统整理了Python中五种常用数据容器（列表、元组、字符串、集合、字典）的基础语法与核心操作。主要内容包括： 数据容器概述：分类介绍有序容器（列表/元组/字符串）与无序容器（集合/字典）的特点。

K 近邻（K-Nearest Neighbors，简称 KNN）是机器学习中最经典、最易理解的分类算法之一，核心思想就是 “近朱者赤，近墨者黑”。文章系统阐述 KNN 计算流程、K 值选取、欧氏距离、特征标准化关键理论，基于 numpy、pandas、scikit-learn 实现两类真实数据集分类实验，通过三维可视化直观展示样本分布，对比训练、测试集模型精度，总结算法优劣与适用场景，为机器学习初