-
deep learning 深度学习。在HALCON中,我们使用术语deep learning来表示使用具有多个隐藏层的神经网络的方法。
-
Convolutional Neural Networks (CNNs) 卷积神经网络 。带有卷积层的神经网络。
-
dataset 数据集。数据集是指用于训练的完整数据集。数据集被分为三个子集(如果可能的话是不相交的):training validation and test set。
-
training set 训练集训练集包含算法直接优化网络的数据。
-
validationset 验证集 验证集包含用于在训练期间评估网络性能的数据。
-
test set 测试集 测试集用于测试可能的推断(预测),从而在不影响网络优化的情况下测试数据的性能。
-
hyperparameter 超参数 。无法从训练中学习到,需要开始训练前手动设置的参数,称为超参数。
-
epoch 对整个训练数据的完整迭代称为。
-
feature map 特征图。 卷积层的输出。
-
loss function 损失函数。 损失函数比较来自网络的预测与给定的信息,以使损失函数最小化的方式调整滤波器的权值。
-
transfer learning 迁移学习。利用一个已经训练好的网络,利用其较低层次已经相当合适的过滤权重去训练新的网络,来以适应特定的任务。
-
underfitting 欠拟合。 学习到的特征数量不够,会导致误识别。
-
overfitting 过拟合。 学习到的独特特征过多,会导致漏识别。
-
weights 权重。每个特征在特征组中的比重。
-
momentum 动量。取值在 [ 0,1 ),用来影响损失函数参数的调整幅度。
-
learning rate 学习速率。当我们要优化一个函数时,梯度告诉我们优化的方向,学习率决定我们沿着这个方向走多远。可以理解为调整权重的步长。
-
batch size 批大小。一次送入网络处理的图像数量
-
confidence 置信度。在HALCON中,置信度是在[0,1]范围内给出的概率,是对实例预测结果和训练结果的相似度。