计算机深度视觉识别
Messi-Q
这个作者很懒,什么都没留下…
展开
-
Python 绘图(柱状图,曲线图,3D图)
这里分享常用的Python Matplotlib绘制的图,在数据分析和可视化中很有用,这里介绍三种,柱状图,折线图以及3D图,更多类型的图见文末我的github。1. 柱状图# -*- coding: utf-8 -*-"""@author: Messi-Q"""import matplotlib.pyplot as pltplt.rcParams['figure.figsize'] = (7, 5)plt.tight_layout()epoch = []num...原创 2020-06-15 19:25:15 · 1327 阅读 · 0 评论 -
2017CS231n李飞飞深度视觉识别笔记(五)——卷积神经网络
第五讲 卷积神经网络课时1 历史 在上一章中,我们讨论了神经网络的有关知识以及线性评分函数的运行实例,通过堆叠线性层来实现完整的神经网络。 接下来,我们将讨论卷积神经网络,以下是1998年LeCun应用反向传播和基于梯度的学习方法来训练神经网络; 1960年,Widrow和Hoff发明了Adaline和Madaline,首次尝试把线性层叠加,整合为多层感知器网络,不过此时反向传播...原创 2018-07-15 19:05:23 · 2889 阅读 · 0 评论 -
2017CS231n李飞飞深度视觉识别笔记(十二)——可视化和理解卷积神经网络
第十二讲 可视化和理解卷积神经网络课时1 特征可视化、倒置、对抗样本 上一章中计算机视觉中一些内容,包括图像分割、检测以及识别;这一章中将讨论卷积神经网络的内部真正的工作原理是什么。 第一层:由许多卷积核组成,每个卷积核是11*11*3,这些卷积核在输入图像上来回滑动,取图像块和卷积核权重的内积,这就是第一层的输出;可以把这个卷积核看成有3个通道的形状为11*11的图像...原创 2018-07-28 19:24:53 · 2636 阅读 · 2 评论 -
2017CS231n李飞飞深度视觉识别笔记(十一)——图像识别和分割
第十一讲 图像识别和分割 上一章中讲到使用循环神经网络来解决问题,同时也看到这个网络结构在很多方面的应用;目前为止谈论最多的是分类问题,这一章中我们在基于计算机视觉的主题上将讨论目标检测、图像分割等内容。 首先是语义分割,然后分类和定位,最后讨论目标检测及实例分割。课时1 分割 我们希望输入图像,并对图像中每个像素做分类,对于每个像素,确定它属于猫、草地、天空或者...原创 2018-07-28 19:19:27 · 4427 阅读 · 1 评论 -
2017CS231n李飞飞深度视觉识别笔记(十)——循环神经网络
第十讲 循环神经网络课时1 RNN,LSTM,GRU 上一章中讨论了CNN的架构有关内容,这一节中将讨论有关RNN的内容。 在之前的学习中,提到了一种称为vanilla的前馈网络,所有网络架构都有这种基础架构,会接收一些输入,输入是固定尺寸的对象,比如一幅图片或一片向量,它在通过一些隐藏层后给出单一的输出结果,比如一个分类;但是在机器学习中,有时候希望有更加灵活的机器能够处...原创 2018-07-28 19:12:43 · 1808 阅读 · 0 评论 -
2017CS231n李飞飞深度视觉识别笔记(九)——CNN架构
第九讲 CNN架构 上一章中讨论了不同的深度学习框架,包括有TensorFlow、PyTorch、Caffe,这一章中将会讨论CNN架构方面的内容。 在这里会深入探讨那些ImageNet比赛获胜者所用的最多的神经网络架构,比如AlexNet、VGG、GoogleNet和ResNet。 (1)LeNet 它可以看作是通信网络的第一个实例,并在实际应用中取得...原创 2018-07-28 18:56:47 · 2183 阅读 · 0 评论 -
2017CS231n李飞飞深度视觉识别笔记(八)——深度学习 软件
第八章 深度学习软件 上一章中讨论了深度学习中的优化算法,包括SGD动量、Nesterov、RMSProp和Adam;也讨论了正则化:尤其是dropout;最后也讨论了迁移学习,可以下载预训练过的模型,然后在自己的实际任务中进行微调。(1)CPU VS GPU 深度学习中一般使用到的是GPU,GPU被称作显卡或者图形处理单元,最初适用于渲染计算机图形,在深度学习中一般选用...原创 2018-07-28 18:49:51 · 1862 阅读 · 0 评论 -
2017CS231n李飞飞深度视觉识别笔记(四)——神经网络
第四讲 神经网络课时1 反向传播 目前,我们已经讲了怎么定义一个分类器、怎么定义一个损失函数以及它的正则化,也讨论了用梯度下降的方法找到最小化的损失函数。 接下来,将讨论如何计算任意复杂函数的解析梯度,用到一个叫计算图的框架。大体上说,计算图就是用这类图来表示任意函数,其中图的节点表示要执行的每一步计算,比如下图中的例子: 这个线性分类器输入x和W,输出得分向量,另外一个计算节点...原创 2018-07-12 22:15:53 · 2402 阅读 · 1 评论 -
2017CS231n李飞飞深度视觉识别笔记(七)——训练神经网络(下)
第七讲 训练神经网络(下)课时1 更好的优化 上一章中讨论了一些激活函数和它们不同的属性,由于sigmoid函数和tanh函数在两端都存在梯度消失的问题,所以在实际中一般建议使用ReLU函数和它的其他形式;同时也讨论了权重初始化,在深度网络变得越来越深的时候,权重的初始化会变得非常重要;在数据的预处理的方面讨论了中心化和归一化的问题,这一章中将继续讨论更多有关训练神经网络的细节问题...原创 2018-07-18 12:30:40 · 1556 阅读 · 0 评论 -
2017CS231n李飞飞深度视觉识别笔记(三)——损失函数和优化
第三章 损失函数和优化课时1 损失函数 在上一章的课程中,我们讨论了识别问题,并尝试了数据驱动的方式,讲到了图像分类的难点在哪里;同时讨论了K近邻分类器以便作为介绍数据驱动理念的一个简单例子,最后还讨论了交叉验证以及如何把数据划分为训练集、验证集和测试集来设置超参数,线性分类作为我们引入神经网络的第一项基石。 这一节中我们将解决:如何给数据集选择一个正确的权重W以及怎么用训练数据来得到...原创 2018-07-12 00:20:28 · 4107 阅读 · 4 评论 -
2017CS231n李飞飞深度视觉识别笔记(六)——训练神经网络(上)
第六章 训练神经网络(上)课时1 激活函数 我们已经讨论过如何使用计算图来表达一个函数,并且明确的探讨了神经网络,它包含若干个线性层,而层与层之间通过非线性函数进行连接实现堆叠;也介绍了卷积神经网络,它使用卷积层贯穿整个网络结构;这一章中将讨论训练神经网络的一些细节问题,包括: (1)刚开始要如何建立起神经网络; (2)要选择什么样的激活函数; (3)如...原创 2018-07-16 22:38:13 · 2474 阅读 · 0 评论 -
2017CS231n李飞飞深度视觉识别笔记(二)——图像分类
第二章 图像分类课时1 数据驱动方法 在上一章的内容,我们提到了关于图像分类的任务,这是一个计算机视觉中真正核心的任务,同时也是本课程中关注的重点。 当做图像分类时,分类系统接收一些输入图像,并且系统已经清楚了一些已经确定了分类或者标签的集合,标签可能是猫、狗、汽车以及一些固定的类别标签集合等等;计算机的工作就是观察图片并且给它分配其中一些固定的分类标签。对于人来说这是非常简单的事情,...原创 2018-07-10 13:14:43 · 3654 阅读 · 0 评论 -
2017CS231n李飞飞深度视觉识别笔记(一)——计算机视觉概述和历史背景
第一章 计算机视觉概述和历史背景课时1 计算机视觉概述 计算机视觉:针对视觉数据的研究。 关键是如何用算法来开发可以利用和理解的数据,视觉数据存在的问题是它们很难理解,有时把视觉数据称为“互联网的暗物质”,它们构成了网络上传输的大部分数据。 根据YouTube的一个统计实例:大概每秒钟,有长达5小时的数据内容会被上传到YouTube,所以通过人工给每个视频标上注释、分类是非常困难...原创 2018-07-09 20:26:35 · 7538 阅读 · 0 评论