XiaoLaJi2019-CSDN博客

原创深度学习训练营T2：彩色图片分类

在卷积神经网络（CNN）中，处理彩色图片和灰度图片有几个关键的区别。这些区别主要体现在输入数据的维度、信息量和计算复杂度等方面。

2024-05-31 23:47:47 404

动态计算图（Define-by-Run）易用性：动态计算图使得代码在运行时构建，非常接近Python本身的编程风格，便于调试和实验。灵活性：可以在模型运行时改变图结构，方便处理复杂和动态的模型。直观的调试集成调试：可以使用标准的Python调试工具，如pdb，直接调试模型代码。错误易于定位：由于动态图的性质，错误发生在具体的代码行，便于追踪和修复。社区和发展学术支持：广泛应用于学术界，许多研究论文和教程以PyTorch为基础。更新速度：活跃的开发社区，快速迭代，最新的研究成果和功能更新迅速集成。

2024-05-24 19:44:11 611 1

原创深度学习训练营P10：Pytorch实现车牌识别

有效特征提取：通过多层卷积层和池化层，可以有效提取图像的局部特征，并通过批归一化层提高训练的稳定性和收敛速度。网络结构简单明了：设计简洁，层数适中，易于理解和实现。合理的数据预处理：使用了标准的图像预处理方法（如归一化、尺寸调整），有助于模型的训练和性能提升。适合小数据集：相对于深层网络，该结构更适合用于小数据集，训练速度快，避免过拟合。

2024-05-17 22:04:53 382

原创深度学习训练营P9：YOLOv5-Backbone模块实现

Backbone模块的主要功能是从输入图像中提取有用的特征。这些特征随后会被用于预测物体的类别和位置。在深度学习中，特征提取通常通过一系列的卷积层、激活层、池化层等来完成，而Backbone模块就是由这些层构成的。这个Backbone属于现代、高级的神经网络架构类，特别是针对复杂的视觉识别任务如物体检测。它结合了多种技术来优化性能和效率，适用于需要快速且精确处理的场合。通过引入残差连接、CSP结构和SPPF，这种架构能够有效处理深度网络常见的问题，如梯度消失和计算效率，同时保持或提高性能。

2024-05-02 18:56:39 581 1

原创深度学习训练营P8：YOLOv5-C3模块实现

初识YOLO模型，这只是其中的一部分C3模块。C3模块是一个设计用于改进特征提取和学习的卷积网络结构。增强的特征提取能力C3模块通过使用多个并行的瓶颈层（Bottleneck）增强了网络的特征提取能力。这些瓶颈层能够通过较小的内部通道数量进行特征转换，减少参数数量同时保持有效的特征传递。残差连接C3模块中的残差连接有助于防止在深层网络中出现的梯度消失问题，使得更深的网络能够有效地进行训练。残差连接通过将输入直接添加到卷积层的输出上，帮助激活信息在网络中更远距离地传播。参数效率。

2024-04-26 10:41:03 704 1

原创深度学习训练营P7：咖啡豆识别

1、突发状况，GPU无法承担此次模型运行，该手动搭建的模型超过设备GPU负荷。在设备限制条件下尝试不同方法，如改小batch_size，释放GPU缓存，模型分块运行，但是都没有成功，最终到Kaggle Kernels上终于运行成功。设备限制今后可能经常会遇到，一方面寻求稳定的云资源成为刚需，另一方面需要精进自己的代码水平，可否在条件限制下通过拆分分步运行来解决，是以后需要进一步努力和优化的方向；

2024-04-13 00:37:26 319

原创深度学习训练营P6：VGG模型

模型调优需要手搓VGG神经网络，常规的动一下学习率等等做法已经无法实现准确率明显提升了。对于优化策略，dropout层以外，还有正则化，以及全连接层的替换等方式，后续会回来尝试。（最近专攻树模型和特征工程去了，5月会回来全部尝试优化和神经网络手搓，flag先立在这里！

2024-04-05 18:58:16 260

原创深度学习P5：运动鞋识别

用Pytorch分析图片的常规预处理，注释掉的翻转其实是训练数据前的常见操作，一些翻转、裁剪等可能更有利于模型学习图片特征，根据具体情况可尝试是否能提升模型的准确率。同时，稀疏激活意味着网络能够在较少的特征上集中学习，这可以帮助模型捕捉到更加显著的数据特征和模式。Dropout的核心思想是在每个训练步骤中，随机“丢弃”神经网络中的一部分神经元，即在前向传播过程中，让这些神经元的输出为0。在前面的CNN网络中并没有设计该激活函数，该函数的主要作用是通过引入非线性，提高了神经网络模型的学习能力和表达能力。

2024-03-22 21:49:13 898 1

XiaoLaJi2019的博客