学无止境、积少成多、厚积薄发

top1-----就是你预测的label取最后概率向量里面最大的那一个作为预测结果，如过你的预测结果中概率最大的那个分类正确，则预测正确。否则预测错误top5-----就是最后概率向量最大的前五名中，只要出现了正确概率即为预测正确。否则预测错误。参考https://blog.csdn.net/ha010/article/details/80742906https://blog.csdn.net/joe_zitangni/article/details/70657674?utm_medium=dist

论文翻译：https://zhuanlan.zhihu.com/p/31647627

旨在打造全网最详细、最系统的图像分类教程，希望各位朋友多多支持，感谢订阅！

今天在看Resnet论文的时候，看到Table 2 里有10-crop testing，因为不懂，所以查找资料。现对其进行总结：1-crop和10-crop顾名思义就是进行1次和10次裁剪。举个例子输入图像是256×256的，网络训练所需图像是224×224的。1-corp是从256×256图像中间位置裁一个224×224的图像进行训练，而10-corp是先从中间裁一个224×224的图像，然后从图像左上角开始，横着数224个像素，竖着数224个像素开始裁剪，同样的方法在右上，左下，右下各裁剪一次。

写的比较好的文章https://zhuanlan.zhihu.com/p/42410305https://zhuanlan.zhihu.com/p/268308900https://zhuanlan.zhihu.com/p/28124810

1. 什么是dropout 【随机失活】dropout是2012年深度学习视觉领域的开山之作paper：《ImageNet Classification with Deep Convolutional》【Alexnet】所提到的算法，用于防止过拟合。基本思想：dropout是指在深度学习网络训练的过程中，对于神经网络单元，按照一定的概率p将其暂时从网络中丢弃，对于随机梯度下降算法来说，由于是随机丢弃，所以每个mini-batch都在训练不同的网络。注：dropout效果跟bagging效果类似（

注意力机制（Attention Mechanism）是机器学习中的一种数据处理方法，广泛应用在自然语言处理、图像识别及语音识别等各种不同类型的机器学习任务中。一、注意力机制为什么有必要存在？我们不难发现，注意力这个词本来是属于人类才有的动作。也就是说，注意力机制可以看做是一种仿生，是机器通过对人类阅读、听说中的注意力行为进行模拟。那为何要对注意力进行仿生呢？按理说，计算机理应拥有无限的记忆力和注意力，这不是一件好事么？为什么我们特意对计算机进行“劣化”来模拟这一项机制呢？这是因为，人脑在进行阅读任

很难说哪个深度学习框架更好（只有更流行的）。开发caffe的贾清扬被阿里从Facebook挖跑了，贾清扬应该是在Facebook开发出来caffe2没多长时间，貌似至少是在Facebook里，pytorch把caffe干趴下了。去年google在上海的开发者大会强推了Eager Execution动态计算图，而pytorch一开始就是动态设计的。感觉tf无论是做动态计算还是整合keras作高级api，好像都是做修补工作，貌似tf的底层很混乱的样子，但奈何谷歌财大气粗，大力推广tf。保险起见，精力允.

真实标签(下) 预测标签(右)PositiveNegativePositiveTPFNNegativeFPTNTP:正样本被预测为正样本的个数FP:负样本被预测为正样本的个数TN:负样本被预测为负样本的个数FN:正样本被预测为负样本的个数TP+FP:被预测为正样本的个数FN+TN:被预测为负样本的个数TP+FN:真实正样本的个数FP+TN:真实负样本的个数TP+TN+FP+FN:正负样本个数准确率：Accuracy=TP+TNTP+TN+FP+...

参考：知乎：https://www.zhihu.com/question/23437871https://blog.csdn.net/u012193416/article/details/79432668https://blog.csdn.net/qq_24502469/article/details/105119579

Pytorch下微调网络模型进行图像分类利用ImageNet下的预训练权重采用迁移学习策略，能够实现模型快速训练，提高图像分类性能。下面以vgg和resnet网络模型为例，微调最后的分类层进行分类。注意，微调只对分类层(也就是全连接层)的参数进行更新，前面的参数需要被冻结。（1）微调VGG模型进行图像分类（以vgg16为例）import torchimport torch.nn as nnimport torchvision.models as modelsclasses_num = 200

论文翻译vgg如果上述链接失效，在这里寻找http://noahsnail.com论文总结：https://my.oschina.net/u/876354/blog/1634322https://www.cnblogs.com/itmorn/p/11217196.html

论文翻译：inception v1-论文翻译论文总结https://zhuanlan.zhihu.com/p/73857137面试总结https://www.cnblogs.com/itmorn/p/11230388.htmlv1到v4总结https://www.cnblogs.com/dengshunge/p/10808191.html

论文翻译：https://www.jianshu.com/p/ea922866e3behttps://github.com/SnailTyan/deep-learning-papers-translationhttps://zhuanlan.zhihu.com/p/80087776卷积计算总结CNN卷积的计算以AlexNet为例https://www.jianshu.com/p/3d3a653b14fa

写的很好的文章http://spytensor.com/index.php/archives/21/

摘抄自：https://zhuanlan.zhihu.com/p/58188430仅用来个人学习和分享

粗粒度图像分类：类别之间差异大，比如人、汽车、树细粒度图像分类：类别之间差异小，比如200种鸟的分类、100种花的分类由于细粒度类别属于同一个大类，所以各类别之间的差距很小，这些细微的差距容易被光照、颜色、背景、形状和位置等变化因素覆盖，导致细粒度图像分类相对困难。参考：http://www.cjig.cn/html/jig/2016/9/20160904.htm参考论文链接...