零基础入门CV赛事
christianzhang93
这个作者很懒,什么都没留下…
展开
-
零基础入门NLP - 新闻文本分类-Task3:基于机器学习的文本分类
文章目录基于机器学习的文本分类文本特征提取基于机器学习的文本分类Count Vectors + RidgeClassifierTF-IDF + RidgeClassifier基于机器学习的文本分类文本特征提取在机器学习算法的训练过程中,假设给定NNN个样本,每个样本有MMM个特征,这样组成了N×MN×MN×M的样本矩阵,然后完成算法的训练和预测。同样的在计算机视觉中可以将图片的像素看作特征,每张图片看作hight×width×3的特征图,一个三维的矩阵来进入计算机进行计算。但是在自然语言领域,上述方原创 2020-07-25 23:07:00 · 149 阅读 · 0 评论 -
天池零基础入门CV赛事- 街景字符编码识别-Task5-模型集成
天池零基础入门CV赛事- 街景字符编码识别-Task5-模型集成5. 模型集成5.1 集成学习方法5.2 深度学习中的集成学习5.2.1 Dropout5.2.2 TTA5.2.3 Snapshot5.3 结果后处理5.4 本章小节在上一章我们学习了如何构建验证集,如何训练和验证。本章作为本次赛题学习的最后一章,将会讲解如何使用集成学习提高预测精度。5. 模型集成本章讲解的知识点包括:集成学习方法、深度学习中的集成学习和结果后处理思路。5.1 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转载 2020-06-02 21:52:21 · 226 阅读 · 0 评论 -
天池零基础入门CV赛事- 街景字符编码识别-Task4-模型训练和验证
目录天池零基础入门CV赛事- 街景字符编码识别-Task4-模型训练和验证构造训练集和验证集训练和验证的函数定义模型、损失函数、优化器和训练轮数根据最优验证集精度保存模型天池零基础入门CV赛事- 街景字符编码识别-Task4-模型训练和验证在本节我们目标使用Pytorch来完成CNN的训练和验证过程,CNN网络结构与之前的章节中保持一致。我们需要完成的逻辑结构如下:构造训练集和验证集;每轮进行训练和验证,并根据最优验证集精度保存模型。构造训练集和验证集train_loader = torch原创 2020-05-30 23:26:53 · 412 阅读 · 1 评论 -
天池零基础入门CV赛事- 街景字符编码识别-Task3-字符识别模型
天池零基础入门CV赛事- 街景字符编码识别-Task3-字符识别模型Pytorch构建CNN模型模型搭建训练模型使用预训练模型Pytorch构建CNN模型在上一章节我们讲解了如何使用Pytorch来读取赛题数据集,本节我们使用本章学习到的知识构件一个简单的CNN模型,完成字符识别功能。在Pytorch中构建CNN模型非常简单,只需要定义好模型的参数和正向传播即可,Pytorch会根据正向传播自动计算反向传播。在本章我们会构建一个非常简单的CNN,然后进行训练。这个CNN模型包括两个卷积层,最后并联6原创 2020-05-26 21:37:53 · 350 阅读 · 0 评论 -
天池零基础入门CV赛事- 街景字符编码识别-Task2-数据读取与扩增
天池零基础入门CV赛事- 街景字符编码识别Task2 数据读取与数据扩增1.图像读取1.1 Pillow1.2 OpenCV2.数据扩增方法2.1数据扩增介绍2.2 常见数据扩增方法2.3 常用数据扩增库Task2 数据读取与数据扩增本章主要学习CV竞赛方面数据读取与数据扩增方面知识点。1.图像读取这次赛题中的数据是图像数据,赛题的任务是识别图像中的字符。因此首先需要完成对数据的读取操作,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。1.1 Pillow原创 2020-05-23 21:51:47 · 270 阅读 · 0 评论 -
天池零基础入门CV赛事- 街景字符编码识别
目录天池:零基础入门CV赛事- 街景字符编码识别赛题理解赛题数据字段表评测标准解题思路天池:零基础入门CV赛事- 街景字符编码识别赛题理解赛题名称:零基础入门CV之街道字符识别赛题目标:通过这道赛题可以引导大家走入计算机视觉的世界,主要针对竞赛选手上手视觉赛题,提高对数据建模能力。赛题任务:赛题以计算机视觉中字符识别为背景,要求选手预测街道字符编码,这是一个典型的字符识别问题。赛题数据赛题来源自Google街景图像中的门牌号数据集(The Street View House Numbers原创 2020-05-20 22:38:21 · 472 阅读 · 0 评论