2301_81185698-CSDN博客

原创 Datawhale X 李宏毅苹果书 AI夏令营 Task3

当误差表面崎岖不平，就意味着它比较难以训练，而利用批量化归一将崎岖的误差表面“铲平”则是其中的方法之一。如果是固定学习率，可能很难得到好的结果，因此才需要自适应的学习率。当输入的特征，每一个维度的值，它的范围差距很大的时候，我们就可能产生像这样子的误差表面，就可能产生不同方向，斜率非常不同，坡度非常不同的误差表面所以怎么办呢，有没有可能给特征里面不同的维度，让它有同样的数值的范围。

2024-08-31 21:12:30 507

原创 Datawhale AI 夏令营 CV方向 Task 3

在机器学习中，数据集是极为关键的材料。因此提供更为干净的数据和训练样本能够更好的提高模型的泛化能力。常见的增强技术包括翻转、旋转、缩放和颜色调整，有许多库能够生成增强数据。如下是一些图片进行数据增强后的结果。

2024-08-31 14:33:27 179

原创 Datawhale X 李宏毅苹果书 AI夏令营 Task2

这段代码定义了一个图像分类器类（Classifier），继承自PyTorch的nn.Module。该分类器通过一系列卷积层、批归一化层、激活函数和池化层构建卷积神经网络（CNN），用于提取图像特征。"""定义一个图像分类器类，继承自PyTorch的nn.Module。该分类器包含卷积层和全连接层，用于对图像进行分类。""""""初始化函数，构建卷积神经网络的结构。包含一系列的卷积层、批归一化层、激活函数和池化层。"""# 定义卷积神经网络的序列结构。

2024-08-29 16:03:57 476

原创 Datawhale AI 夏令营 CV方向 Task 2

YOLO模型是在图像和视频中识别感兴趣物体对象，通常通过边界框形式来识别物体。：物体检测算法的输入通常是一张图像或视频帧。：算法使用深度学习模型（如卷积神经网络CNN）来提取图像的特征。这些特征捕捉了图像中的视觉信息，为后续的物体识别和定位提供基础。：在某些检测算法中，如基于区域的卷积神经网络（R-CNN）及其变体，首先需要生成图像中的候选区域，这些区域可能包含感兴趣的物体。：对于每个候选区域，算法需要判断它是否包含特定类别的物体，并预测物体的边界框。这通常涉及到分类任务和回归任务的结合。

2024-08-29 02:34:53 1017

原创 Datawhale X 李宏毅苹果书 AI夏令营 Task1

本章节文章主要提及了深度学习优化中局部极小值和鞍点问题的探讨，通过学习本章知识，可以帮助进行更好的优化，从而达到更好的结果。

2024-08-26 21:11:13 251

原创 Datawhale AI 夏令营 CV方向 Task 1

城市治理赛道——随着城市化进程的加快，城市管理面临着前所未有的挑战。占道经营、垃圾堆放和无照经营游商等问题对城市管理提出了更高的要求。本赛道聚焦城市违规行为的智能检测，要求选手研究开发高效可靠的计算机视觉算法，提升违规行为检测识别的准确度，降低对大量人工的依赖，提升检测效果和效率，从而推动城市治理向更高效、更智能、更文明的方向发展，为居民创造一个安全、和谐、可持续的居住环境。

2024-08-23 12:25:16 407 1

2301_81185698的博客