第四次打卡

第四次打卡

---

---

一 批量归一化和残差网络

1. 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
2. 残差网络
   (1) 残差块
   (2) ResNet模型
3. 稠密连接网络
   (1) 稠密块
   (2) 过渡层

二 凸优化

1. 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）
2. 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
3. 凸性
   (1) 基础
   (2) 性质
   (3) 限制条件

三 梯度下降

1. 一维梯度下降
2. 多维梯度下降
3. 自适应方法
4. 随机梯度下降
5. 小批量随机梯度下降

四 目标检测基础

1. 目标检测和边界框
   (1) 边界框
2. 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
3. 多尺度目标检测

五 图像风格迁移

1. 读取内容图像和样式图像
2. 预处理和后处理图像
3. 抽取特征
4. 定义损失函数
5. 创建和初始化合成图像
6. 训练

六 图像分类案例1

1. 整理数据集
2. 图像增强
3. 导入数据集
4. 定义模型
5. 训练和测试

七 图像分类案例2

1. 整理数据集
2. 图像增强
3. 读取数据
4. 定义模型
5. 定义训练函数
6. 调参
7. 在完整数据集上训练模型
8. 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！