第四次打卡
一 批量归一化和残差网络
- 批量归一化
(1) 对全连接层做批量归一化
(2) 对卷积层做批量归⼀化
(3) 预测时的批量归⼀化 - 残差网络
(1) 残差块
(2) ResNet模型 - 稠密连接网络
(1) 稠密块
(2) 过渡层
二 凸优化
- 优化与估计
(1) 优化方法目标:训练集损失函数值
(2) 深度学习目标:测试集损失函数值(泛化性) - 优化在深度学习中的挑战
(1) 局部最小值
(2) 鞍点
(3) 梯度消失 - 凸性
(1) 基础
(2) 性质
(3) 限制条件
三 梯度下降
- 一维梯度下降
- 多维梯度下降
- 自适应方法
- 随机梯度下降
- 小批量随机梯度下降
四 目标检测基础
- 目标检测和边界框
(1) 边界框 - 锚框
(1) 生成多个锚框
(2) 交并比
(3) 标注训练集的锚框
(4) 输出预测边界框 - 多尺度目标检测
五 图像风格迁移
- 读取内容图像和样式图像
- 预处理和后处理图像
- 抽取特征
- 定义损失函数
- 创建和初始化合成图像
- 训练
六 图像分类案例1
- 整理数据集
- 图像增强
- 导入数据集
- 定义模型
- 训练和测试
七 图像分类案例2
- 整理数据集
- 图像增强
- 读取数据
- 定义模型
- 定义训练函数
- 调参
- 在完整数据集上训练模型
- 对测试集分类并提交结果
八 GAN
九 DCGAN
十 总结
能大概看懂,但是不会编写,需要加强数学基础和python编码能力,感谢活动的组织者,一起加油,奥利给!