文章探讨了图像分类问题，强调了深度学习，尤其是卷积神经网络（CNN）和残差网络在解决视觉任务中的作用。提到了轻量化CNN的设计策略以及VisionTransformers的注意力机制。同时，文章讨论了监督学习和自监督学习两种学习模式，指出数据增强在训练中的重要性，并表达了对深入理解复杂算法的期待。
通过对图像分类问题数学表示的理解，由此我们可以看出视觉任务的难点是让机器从数据中学习。但是机器学习算法有着一定的局限性，因此我们设计图像特征来达到更为准确的目的。
深度学习算法的诞生，超越了人类。老师介绍了模型设计中的卷积神经网络的发展和每一阶段的卷积运算方法，重点讲了残差网络模块，成就以及后续改进。
轻量化卷积神经网络主要通过特征图，参数量等的计算以及使用的卷积核数量和大小方式。
Vision Transformers所采用的是权重计算特征，实现attention。
模型学习可分为监督学习和自监督学习。监督学习基于标注数据学习，其中介绍了学习流程与训练技巧的重要性，对学习率的自适应梯度算法等内容理解的不是很透彻，对数据增强的方法有一定了解。而自监督学习基于无标注的数据学习。
期待接下来的学习，内容稍稍有点吃力，老师讲了很多知识点，希望能够慢慢吸收理解
90
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
