- 博客(7)
- 收藏
- 关注
原创 零基础入门CV(五)——模型集成
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。链接:https://tianchi.aliyun.com/competition/entrance/531795/information1、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.
2020-06-02 20:34:36 245 1
原创 零基础入门CV(四)——模型训练与验证
本章将从构建验证集、模型训练和验证、模型保存与加载和模型调参几个部分进行讲解,并结合Pytorch代码。链接:https://tianchi.aliyun.com/competition/entrance/531795/information1、构造验证集在机器学习模型的训练过程中,模型是非常容易过拟合的深度学习模型在不断的训练过程中训练误差会逐渐降低,但测试误差的走势则不一定。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.
2020-05-30 19:57:44 450
原创 激活函数和全连接层——基于Pytorch
1、激活函数你好! 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章,了解一下Markdown的基本语法知识。新的改变我们对Markdown编辑器进行了一些功能拓展与语法支持,除了标准的Markdown编辑器功能,我们增加了如下几点新功能,帮助你用它写博客:全新的界面设计 ,将会带来全新的写作体验;在创作中心设置你喜爱的代码高亮样式,Markdown 将代码片显示选择的高亮样式 进行展示;增加了 图片拖拽 功能,你可以
2020-05-30 19:12:03 8764 2
原创 Pytorch下的卷积和池化
Pytorch中卷积Conv2d和池化MaxPool2d介绍及代码1、卷积层1.1、卷积机制:假设有一个5×5的图像,使用一个3×3的卷积核进行卷积,步长(stride)为1,得到一个3×3的结果,如下所示:计算过程:当步长为2时,计算如下:可以看到,步长改变时输出的结果也会改变。输入图像、卷积核、步长的关系如下:Wout=(Win−Fw+2P)/Sw+1W_{out}=(W_{in}-F_{w}+2P)/S_{w}+1Wout=(Win−Fw+2P)/Sw+1Hou.
2020-05-27 20:45:00 1023
原创 零基础入门CV(三)——模型构建
Task3 字符识别模型讲解卷积神经网络,并构建一个简单的字符识别模型。链接:https://tianchi.aliyun.com/competition/entrance/531795/information1、CNN介绍卷积神经网络(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每一层由众多的卷积核组成,每个卷积核对输入
2020-05-26 12:33:26 477
原创 零基础⼊⻔CV(二)——数据读取与扩增
Task2 数据读取与数据扩增本章主要内容为数据读取、数据扩增和Pytorch读取数据。赛题链接:https://tianchi.aliyun.com/competition/entrance/531795/information1、图像读取Python有很多库可以完成图像读取,比较常见的有Pillow和OpenCV。1.1、Pillow如何改变文本的样式强调文本 强调文本加粗文本 加粗文本标记文本删除文本引用文本H2O is是液体。210 运算结果是 1024.插入链接
2020-05-23 20:59:18 312
原创 零基础入门CV(一)
Task1 赛题理解本章节主要对赛题背景以及使用的数据进行讲解,并给出解题思路。赛题链接:https://tianchi.aliyun.com/competition/entrance/531795/information1、赛题背景赛题以计算机视觉中字符识别为背景,预测真实场景下的字符识别,这是一个典型的字符识别问题。通过这道赛题可以引导大家走入计算机视觉的世界,上手视觉赛题,提高对数据建模能力。2、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 H
2020-05-20 11:51:21 1192
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