- 博客(5)
- 收藏
- 关注
RSS订阅原创 DAY5 深度学习之目标检测-两阶段方法
DAY5 深度学习之目标检测-两阶段方法目标检测概述一、深度学习下的目标检测总结目标检测概述目标检测：在给定的图片中精确找到物体所在位置，并标注出物体的类别。问题难点：物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，更何况物体还可以是多个类别。一、深度学习下的目标检测IOU：IOU=(A∩B)/(A∪B)，IOU用来衡量真实标注和预测结果的重合程度。非极大值抑制（NMS）：首先，将同一类的所有的检测框，按照分类置信度排序。然后将与分类置信度最高的检测框的
2021-09-20 09:15:36
595
原创 DAY4 深度学习之李沐大神笔记（2）
DAY4 深度学习之李沐大神笔记（2）今天主要是完成线性代数相关的知识回顾以及常用代码梳理。通过arange列出20个元素，再通过reshape构建成5行4列的矩阵：A = torch.arange(20).reshape(5,4)A将A矩阵进行矩阵的转置：A.T判断是否为对称矩阵：B == B.T向量就是标量的推广，矩阵是向量的推广，我们可以构建具有更多轴的数据结构：X = torch.arange(24).reshape(2,3,4)X#这就是一个三维的张量，4是行数，.
2021-09-16 17:01:05
164
原创 DAY3 深度学习之李沐大神笔记（1）
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档DAY3 深度学习之李沐大神笔记（1）数据操作与数据预处理一、数据操作二、数据操作的实现数据预处理的实现总结数据操作与数据预处理一、数据操作访问元素：一个元素： [1,2] 一行：[1,:] 一列： [:,1] 子区域：[1:3,1:] 子区域： [::3,::2]。二、数据操作的实现a = torch.arange(3).reshape((3,1))b = torch.arange(2).reshape((1,2))a
2021-09-15 18:45:33
173
原创 DAY2 深度学习之卷积神经网络实现手写数字识别（MINIST）的收获
DAY2 深度学习之卷积神经网络实现手写数字识别（MINIST）的收获导入相关包的理解import matplotlib.pyplot as plt用来处理图像，from torch.utils.data import DataLoader用来下载数据集。超参数的理解用一个super_param这样一个字典来存储超参数，其中batch_size代表一次训练所选取的样本数，device代表是用CPU还是使用CUDA（GPU），epoch是训练的次数，lr代表学习率。然后采取EasyDict，即sup
2021-09-13 19:07:12
419
原创 DAY1 深度学习基础之学习卷积神经网络
DAY1 深度学习基础之学习卷积神经网络*深度神经网络的问题****卷积神经网络详解***卷积神经网络（CNN）卷积层Pooling层损失函数参数学习总结深度神经网络的问题使用机器学习（深度学习）的目的：寻找一个合适的函数。对答案的过程就等同于监督学习（Supervised Learning）。深度学习模型：建立模型→损失函数→参数学习。为解决模型架构不够灵活，模型参数过多的问题，需要引入卷积神经网络。卷积神经网络详解卷积神经网络（CNN）卷积神经网络（CNN）结构上的三大特性：局部连
2021-09-12 18:20:03
152
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人