- 博客(5)
- 收藏
- 关注
RSS订阅原创 模型集成理解
1.集成学习方法在机器学习中的集成学习可以在一定程度上提高预测精度，常见的集成学习方法有Stacking、Bagging和Boosting，同时这些集成学习方法与具体验证集划分联系紧密。由于深度学习模型一般需要较长的训练周期，如果硬件设备不允许建议选取留出法，如果需要追求精度可以使用交叉验证的方法。下面假设构建了10折交叉验证，训练得到10个CNN模型。那么在10个CNN模型可以使用如下方式进行集成：对预测的结果的概率值进行平均，然后解码为具体字符；对预测的字符进行投票，得到最终字符。2.深度
2020-06-02 21:51:26
471
原创 模型训练与验证理解
1.构造验证集在机器学习模型（特别是深度学习模型）的训练过程中，模型是非常容易过拟合的。深度学习模型在不断的训练过程中训练误差会逐渐降低，但测试误差的走势则不一定。在模型的训练过程中，模型只能利用训练数据来进行训练，模型并不能接触到测试集上的样本。因此模型如果将训练集学的过好，模型就会记住训练样本的细节，导致模型在测试集的泛化效果较差，这种现象称为过拟合（Overfitting）。与过拟合相对应的是欠拟合（Underfitting），即模型在训练集上的拟合效果较差。如图所示：随着模型复杂度和模型训练
2020-05-30 22:31:31
2585
原创 字符识别模型理解
1、CNN介绍卷积神经网络（简称CNN）是一类特殊的人工神经网络，是深度学习中重要的一个分支。CNN在很多领域都表现优异，精度和速度比传统计算学习算法高很多。特别是在计算机视觉领域，CNN是解决图像分类、图像检索、物体检测和语义分割的主流模型。CNN每一层由众多的卷积核组成，每个卷积核对输入的像素进行卷积操作，得到下一次的输入。随着网络层的增加卷积核会逐渐扩大感受野，并缩减图像的尺寸。CNN是一种层次模型，输入的是原始的像素数据。CNN通过卷积（convolution）、池化（pooling）、非线
2020-05-26 20:12:24
881
1
原创 数据读取与数据扩增理解
1、图像读取Python中有很多库可以完成数据读取的操作，比较常见的有Pillow和OpenCV。1.1 PillowPillow是Python图像处理函式库(PIL）的一个分支。Pillow提供了常见的图像读取和处理的操作，而且可以与ipython notebook无缝集成，是应用比较广泛的库。注：Pillow的官方文档：https://pillow.readthedocs.io/en/stable/1.2 OpenCVOpenCV是一个跨平台的计算机视觉库，最早由Intel开源得来。O
2020-05-23 21:44:46
807
原创 街道字符识别赛题理解
这算是我的第一篇的CV笔记，CV方面了解的不多,这次的街道字符识别算是一个正式的入门吧，下面简要介绍一下我对本次赛题的一些个人理解。1、赛题数据*赛题以街道字符为赛题数据，来源于SVHN街道字符（The Street View House Numbers (SVHN) Dataset），训练集数据包括3W张照片，验证集数据包括1W张照片，每张照片包括颜色图像和对应的编码类别和具体位置；测试集A包括4W张照片，测试集B包括4W张照片。如上图所示，都是原始数据。在分辨率和颜色上存在差异性的图片，在字符级
2020-05-20 21:50:45
391
1
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