- 博客(5)
- 收藏
- 关注
RSS订阅原创 Datawhale CV组队学习打卡-05
Task5 模型集成 学习目标 学习集成学习方法以及交叉验证情况下的模型集成 学会使用深度学习模型的集成学习 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...
2020-06-02 15:35:05
143
1
原创 Datawhale CV组队学习打卡-04
Task4 模型训练与验证 （一）过拟合与欠拟合 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。 欠拟合：根本原因是特征维度过少，模型过于简单，导致拟合的函数无法满足训练集，误差较大；解决方法：增加特征维度，增加训练数据；过拟合：根本原因是特..
2020-05-30 20:14:57
266
原创 Datawhale CV组队学习打卡-03
学习目标 学习CNN基础和原理 使用Pytorch框架构建CNN模型，并完成训练 下面内容把CNN和经典模型相关的学习笔记进行整合。 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）、非线性激活函数（non-lin
2020-05-27 18:57:22
391
1
原创 Datawhale CV组队学习打卡-02
内容：数据读取与数据扩增 学习Python和Pytorch中图像读取 学会扩增方法和Pytorch读取赛题数据 （一）基础图像读取 在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。 Pillow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。 from PIL import Image # 导入Pillow库 # 读取图片 i.
2020-05-23 21:42:58
213
1
原创 Datawhale CV组队学习打卡-01
街景字符编码识别赛题理解： https://tianchi.aliyun.com/competition/entrance/531795/introduction
2020-05-18 22:33:31
191
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