- 博客(15)
- 收藏
- 关注
RSS订阅原创 J6：ResNeXt-50实战解析
ResNeXt是由何凯明团队在2017年CVPR会议上提出来的新型图像分类网络。在论文《Aggregated Residual Transformations for Deep Neural Networks》作者提出了当时普遍存在的问题：如何提高模型的准确率？常用的方法是提高网络的深度或宽度，但单纯的提高网络的深度或宽度，加大了设计的难度，也加大了计算的开销。由此何团队设计了cardinality的概念。将卷积通道分组，再对分组进行卷积。
2023-08-04 21:05:27
117
1
原创 第J5周：DenseNet+SE-Net实战
SE-Net是ImageNet 2017 (lmageNet 收官赛)的冠军模型，是由WMW团队发布。具有复杂度低，参数少和计算量小的优点。且SENet 思路很简单，很容易扩展到已有网络结构如 Inception 和 ResNet 中。已经有很多工作在空间维度上来提升网络的性能，如 nception 等，而 SENet 将关注点放在了特征通道之间的关系上。
2023-07-28 17:44:11
173
1
原创 J4：DenseNet与ResNet结合
🍨 本文为🔗365天深度学习训练营 中的学习记录博客🍦 参考文章：[Pytorch实战 | 第J4周：ResNet与DenseNet结合探索🍖 原作者：K同学啊|接辅导、项目定制。
2023-07-21 17:48:33
128
1
原创 J3：DenseNet算法实战与解析
主要介绍DenseNet模型，它的基本思路与ResNet一致,但是它建立的是前面所有层与后面层的密集连接，通过特征图在channel上的连接来实现特征重用相比ResNet, DenseNet提出了一个更为激进的密集连接机制: 即互相连接所有的层，具体来说就是每个层都会接受其前面所有层作为其额外的输入。下图为ResNet网络的短路连接机制下图为DenseNet网络的短路连接机制。
2023-07-14 20:04:27
114
1
原创 J2周：ResNet50V2算法实战与解析
上周复现了何恺明在2015年提出的深度残差网络ResNet，大神在后来的论文中提到一种全新的残差单元，我们命名为ResNet_V2, 本文将在上周的基础上基于Pytorch实现ResNet_V2模型。
2023-07-07 17:42:37
187
1
原创 N6：seq2seq翻译实战
定义了两个常量 SOS_token 和 EOS_token，其分别代表序列的开始和结束。●n_words 是单词的数量，初始值为 2，因为序列开始和结束的单词已经被添加。●word2count 是一个字典，记录单词出现的次数。●word2index 是一个字典，将单词映射到索引。●index2word 是一个字典，将索引映射到单词。
2023-06-09 17:18:26
54
原创 第N4周：使用Word2vec实现文本分类 文为365天深度学习训练营内部限免文章
pytorch=2.0.0,torchtext1.4 生成数据批次和迭代器二、模型搭建2.1 搭建模型2.2 定义训练与评估函数三、训练模型拆分数据集并进行训练
2023-05-12 16:50:56
122
原创 N3:调用Gensim库训练Word2Vec模型
● 阅读NLP基础知识里Word2vec详解一文，了解并学习Word2vec相关知识● 学习本文内容，在下一篇文章中，将使用Word2vec辅助完成文本分类任务。
2023-05-05 16:30:33
100
原创 P2:彩色图片识别
- **🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/AtyZUu_j2k_ScNH6e732ow) 中的学习记录博客**>- **🍦 参考文章：[365天深度学习训练营-第P2周：彩色识别](https://mp.weixin.qq.com/s/BKsTrlOtu32bQzgORaMLEw)**>- **🍖 原作者：[K同学啊](https://mtyjkh.blog.csdn.net/)**
2023-04-10 19:14:37
59
1
原创 P1：实现MNIDST手写数字识别
可以起到特征提取器的作用，最后一层的全连接层也可以认为是输出层，传入参数为输入特征数和输出特征数（输入特征数由特征提取网络计算得到，如果不会计算可以直接运行网络，报错中会提示输入特征数的大小）torchvision.datasets是Pytorch自带的一个数据库，我们可以通过代码在线下载数据，这里使用的是torchvision.datasets中的MNIST数据集。对于一般的CNN网络来说，都是由特征提取网络和分类网络构成，其中特征提取网络用于提取图片的特征，分类网络用于将图片进行分类。
2023-04-03 15:24:37
118
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