学习日记day4

好多要学的啊...下午要去上课做汇报.

汇报完了，痛心疾首啊，以后要懂得包装，及时是down的代码也要包装下。封装几个api，就说自己编译的库。

今天重拾下CNN。重要的是上手练习。

整理下CNN的资料。CNN之前有接触过，学的不深入。

这两个不要看，讲者水平较低，讲得不够透彻，措辞不严谨。

卷积神经网络CNN完全指南终极版（一） - 知乎 (zhihu.com)

卷积神经网络CNN完全指南终极版（二） - 知乎 (zhihu.com)

这个还行，上课的时候看看。

卷积神经网络（CNN）基础及经典模型介绍 - 知乎 (zhihu.com)

视频学习:【什么是CNN？】浙大大佬教你怎么卷CNN，卷积神经网络CNN从入门到实战，通俗易懂草履虫听了都点头(人工智能、深度学习、机器学习、计算机视觉)_哔哩哔哩_bilibili

什么是消融实验？

类似于控制变量方法，常用于神经网络中用于验证某一模块的效果。

例如：为了提升Baseline的性能，增加了A、B两个模块。为了验证A、B两个模块确实有效，需要进行消融实验。

        1.在baseline的基础上增加模块A，比较效果

        2.在baseline的基础上增加模块B，比较效果

        3.在baseline的基础上同时增加模块A、B，比较效果

结果表明：

        1）实验1和实验2的效果不如实验3，那么A+B是有效果的。

        2）若实验1和实验2分别都优于只有baseline的情况，则A、B均有一定的效果。

注意：在实验中要控制变量。

(8 封私信 / 80 条消息) 消融实验是什么？ - 知乎 (zhihu.com)

“消融研究”这一术语的根源于20世纪60年代和70年代的实验心理学领域，其中动物的大脑部分被移除以研究其对其行为的影响。
在机器学习，特别是复杂的深度神经网络的背景下，已经采用“消融研究”来描述去除网络的某些部分的过程，以便更好地理解网络的行为。

自从Keras深度学习框架的主要作者Francois Chollet在2018年6月发布twtter以来，该术语受到了关注：

消融研究对于深度学习研究至关重要
。理解系统中的因果关系是产生可靠知识的最直接方式（任何研究的目标）。消融是一种非常省力的方式来研究因果关系。
如果您采用任何复杂的深度学习实验设置，您可能会删除一些模块（或用随机的模块替换一些训练有素的功能）而不会降低性能。消除研究过程中的噪音：进行消融研究。
无法完全理解您的系统？很多活动部件？想确定它的工作原因是否与您的假设密切相关？尝试删除东西。花费至少约10％的实验时间来诚实地反驳你的论文。

举个例子：Girshick及其同事描述了一个由三个“模块”组成的物体检测系统：第一个使用选择性搜索算法提出图像区域，在该区域内搜索物体。进入一个大的卷积神经网络（有5个卷积层和2个完全连接的层），进行特征提取，然后进入一组支持向量机进行分类。为了更好地理解该系统，作者进行了一项消融研究，其中系统的不同部分被移除 - 例如，移除CNN的一个或两个完全连接的层导致性能损失惊人地少。

这使作者得出结论：

CNN的大部分代表性力量来自其卷积层，而不是来自更大的密集连接层。

例子参考：

Girshick, R., Donahue, J., Darrell, T. and Malik, J., 2014. 《Rich feature hierarchies for accurate object detection and semantic segmentation》. In Proceedings of the IEEE conference on computer vision and pattern recognition (580-587页).

（没空看啊算了吧今天先看CNN）