qq_41972012的博客

本章讲解的知识点包括：集成学习方法、深度学习中的集成学习和结果后处理思路。 1. 学习目标： 学习集成学习方法以及交叉验证情况下的模型集成 学会使用深度学习模型的集成学习 2. 集成学习方法： 在机器学习中的集成学习可以在一定程度上提高预测精度，常见的集成学习方法有Stacking、Bagging和Boosting，同时这些集成学习方法与具体验证集划分联系紧密。 由于深度学习模型一般需要较长的训练周期，如果硬件设备不允许建议选取留出法，如果需要追求精度可以使用交叉验证的方法。 下面假设构建了10

1. 学习目标： 理解验证集的作用，并使用训练集和验证集完成训练 学会使用Pytorch环境下的模型读取和加载，并了解调参流程 2. 构造验证集： 在机器学习模型（特别是深度学习模型）的训练过程中，模型是非常容易过拟合的。深度学习模型在不断的训练过程中训练误差会逐渐降低，但测试误差的走势则不一定。 在模型的训练过程中，模型只能利用训练数据来进行训练，模型并不能接触到测试集上的样本。因此模型如果将训练集学的过好，模型就会记住训练样本的细节，导致模型在测试集的泛化效果较差，这种现象称为过拟合（Overf

1. 学习目标 学习CNN基础和原理； 使用Pytorch框架构建CNN模型并完成训练 2. CNN介绍 卷积神经网络(CNN)是是一类特殊的人工神经网络，是深度学习中一个重要的分支。CNN在很多领域都表现优异，精度和速度比传统计算学习算法高很多。特别是在计算机视觉领域，CNN是解决图像分类、图像检索、物体检测和语义分割的主流模型。特别是在计算机视觉领域，CNN是解决图像分类、图像检索、物体检测和语义分割的主流模型。 CNN每一层由众多的卷积核组成，每个卷积核对输入的像素进行卷积操作，得到下一次的输

1. 学习目标 学习Python和Pytorch中图像读取 学会扩增方法和Pytorch读取赛题数据 2. 图像读取 由于赛题数据是图像数据，赛题的任务是识别图像中的字符。因此我们首先需要完成对数据的读取操作，在Python中有很多库可以完成数据读取的操作，比较常见的有Pillow和OpenCV。 2.1 Pillow Pillow是Python图像处理函式库(PIL）的一个分支。Pillow提供了常见的图像读取和处理的操作，而且可以与ipython notebook无缝集成，是应用比较广泛的库。

一、首先配置相关环境： 1. 安装Anaconda软件 去Anaconda的官网下载Anacondahttps://www.anaconda.com/products/individual 里面有各种系统版本（本次实验在win10下进行） 安装完之后， 进入Anaconda的安装目录下的Scripts，根据各自的目录， 打开cmd命令行，为了避免权限问题，最好使用管理员权限打开，并查询conda的版本， 使用 conda --version 显示如下： 可以看到conda 4.7.1