- 博客(8)
- 收藏
- 关注
RSS订阅原创 零基础入门CV赛事-Task5 模型集成
本章作为本次赛题学习的最后一章，将会讲解如何使用集成学习提高预测精度。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
2020-06-02 22:10:27
93
原创 零基础入门CV赛事-Task4 模型训练与验证
在上一章节我们构建了一个简单的CNN进行训练，并可视化了训练过程中的误差损失和第一个字符预测准确率，但这些还远远不够。一个成熟合格的深度学习训练流程至少具备以下功能：在训练集上进行训练，并在验证集上进行验证；模型可以保存最优的权重，并读取权重；记录下训练集和验证集的精度，便于调参。4 模型训练与验证为此本章将从构建验证集、模型训练和验证、模型保存与加载和模型调参几个部分讲解，在部分小节中将会结合Pytorch代码进行讲解。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
2020-05-30 19:53:41
116
原创 零基础入门CV赛事-Task3 字符识别模型
在前面,我们讲解了赛题的背景知识和赛题数据的读取。本章开始构建一个字符识别模型，基于对赛题理解本章将构建一个定长多字符分类模型。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
2020-05-27 08:03:37
117
原创 零基础入门CV赛事-Task2 数据读取与数据扩增
2 数据读取与数据扩增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。2.2.1 PillowPillow是Python图像处理函式库(PIL）的一个分支。Pillow提供了
2020-05-23 22:13:54
149
原创 零基础入门CV之街道字符识别——Task-1赛题理解
1.5数据读取代码import jsontrain_json = json.load(open(’…/input/train.json’))#数据标注处理def parse_json(d):arr = np.array([d[‘top’], d[‘height’], d[‘left’], d[‘width’], d[‘label’]])arr = arr.astype(int)return arrimg = cv2.imread(’…/input/train/000000.png’).
2020-05-19 20:25:33
317
1
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