![](https://img-blog.csdnimg.cn/20201014180756757.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
CV
ccChantal
这个作者很懒,什么都没留下…
展开
-
Datawhale 零基础入门CV赛事-Task5
5 模型集成 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。 5.1 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 5.2 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。 下面假原创 2020-06-02 23:34:38 · 86 阅读 · 0 评论 -
datawhale零基础入门CV Task4
4 模型训练与验证 4.1 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 4.2 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,这种现象称为过原创 2020-05-30 23:27:10 · 106 阅读 · 0 评论 -
Datawhale 零基础入门CV赛事-Task3 字符识别模型
3 字符识别模型 本章将会讲解卷积神经网络(Convolutional Neural Network, CNN)的常见层,并从头搭建一个字符识别模型。 3.1 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 3.2 CNN介绍 卷积神经网络(简称CNN)是一类特殊的人工神经网络,是深度学习中重要的一个分支。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。 CNN每一层由原创 2020-05-26 23:19:32 · 115 阅读 · 0 评论 -
datawhale零基础入门CV Task2
Datawhale 零基础入门CV赛事-Task2 数据读取与数据扩增 在上一章节,我们给大家讲解了赛题的内容和三种不同的解决方案。从本章开始我们将逐渐的学习使用【定长字符识别】思路来构建模型,逐步讲解赛题的解决方案和相应知识点。 2 数据读取与数据扩增 本章主要内容为数据读取、数据扩增方法和Pytorch读取赛题数据三个部分组成。 2.1 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 2.2 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原创 2020-05-23 23:09:40 · 215 阅读 · 0 评论 -
零基础入门CV task1
思路:使用CNN进行定长字符分类; 运行系统要求:Python2/3,内存4G,有无GPU都可以 (P.S. 环境一定要配置好!环境很重要) 一、准备工作: 1.gpu环境的“深入”:https://github.com/datawhalechina/dive-into-cv-pytorch/tree/master/beginner/chapter01_preliminary_knowledge/1.1_environment_install 2.anaconda虚拟环境的建立 3.pytorch的安装。原创 2020-05-20 22:28:59 · 170 阅读 · 0 评论