openmmlab(一)初识openmmlab&深度学习入门

  • openmmlab框架

     底层基于pytorch 进行开发,支持训练部署一体化,有一个专门的算法库,叫做mmdeploy,训练好的模型用mmdeploy部署,转成各种各样硬件厂商支持的格式,如图所示:

823da52a9f414875b752b165e8d0a692.png

 

  •  计算机视觉的三大任务

f06aa5b724bc4511bdf0ccc1c4d2993d.png  

  • 机器学习

(一)特征提取

87633361786d4fde95c2efa1c2475cc1.png     (二)分类器 5ffa9ee925264ad9a33808dc58653c8a.png

  •  深度学习

(一)神经元

d7b7b893940949a1b53551080cedc827.png (二)多层感知机

147cb3898a034aa68c5bdf6ec490f10c.png(三)输出概率 

      0fe0ff58b3474c5e945e6e8ef75d3895.png 

  • 训练

(一)损失函数

417c8d19a66f4dc7b5dad9b9c941d3a3.png (二)寻找损失函数最低点

c248f3ac156044e7a82145da8e035d80.png (三)反向传播更新参数

87d32dd2930f4c2cb472efe942e14bd0.png (四)优化器

693f98956a3f4e929a7a464cd88d14e5.png(五)训练总体流程 

89367668ecaa4b9495af5b8a94e197e4.png(六)举例:图像分类任务 

f30273499a5944d2bc4bd21dc1b9e192.png 

       图像分类是根据图像的语义信息对不同类别图像进行区分,是计算机视觉的核心,是物体检测、图像分割、物体跟踪、行为分析、人脸识别等其他高层次视觉任务的基础。 图像分类在许多领域都有着广泛的应用按照被提出的时间顺序,涵盖如下卷积神经网络:

  1. LeNet:Yan LeCun等人于1998年第一次将卷积神经网络应用到图像分类任务上,在手写数字识别任务上取得了巨大成功。
  2. AlexNet:Alex Krizhevsky等人在2012年提出了AlexNet, 并应用在大尺寸图片数据集ImageNet上,获得了2012年ImageNet比赛冠军(ImageNet Large Scale Visual Recognition Challenge,ILSVRC)。
  3. VGG:Simonyan和Zisserman于2014年提出了VGG网络结构,是当前最流行的卷积神经网络之一,由于其结构简单、应用性极强而深受广大研究者欢迎。
  4. GoogLeNet:Christian Szegedy等人在2014提出了GoogLeNet,并取得了2014年ImageNet比赛冠军。
  5. ResNet:Kaiming He等人在2015年提出了ResNet,通过引入残差模块加深网络层数,在ImagNet数据集上的错误率降低到3.6%,超越了人眼识别水平。ResNet的设计思想深刻地影响了后来的深度神经网络的设计。

 

 

 

 

 

  • 0
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值