深度学习与神经网络第6周总结

一、深度学习视觉应用

1、算法评估

算法评估相关概念

TP: 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数

FP: 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数

FN:被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数

TN: 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数

P(精确率）：𝑇𝑃/(𝑇𝑃+𝐹𝑃)，    标识“挑剔”的程度

R(召回率）： 𝑇𝑃/(𝑇𝑃+𝐹𝑁)。召回率越高，准确度越低    标识“通过”的程度

精度(Accuracy)： (𝑇𝑃+𝑇𝑁)/(𝑇𝑃+𝐹𝑃+𝑇𝑁+𝐹𝑁)

2、目标检测与YOLO

目标检测问题      目标检测是在给定的图片中精确找到物体所在位置，并标注出物体的类别。

语义分割：

FCN是目前广泛使用的基本语义分割网络

3.风格迁移：

使用卷积神经网络自动将某图像中的样式应用在 另一图像之上，即风格迁移。

方法

⚫ 首先，我们初始化合成图像，例如将其初始化成内容图像。该合成图 像是样式迁移过程中唯一需要更新的变量，即样式迁移所需迭代的模 型参数。

⚫ 然后，我们选择一个预训练的卷积神经网络来抽取图像的特征，其中 的模型参数在训练中无须更新。深度卷积神经网络凭借多个层逐级抽 取图像的特征。我们可以选择其中某些层的输出作为内容特征或样式特征

样式迁移常用的损失函数由3部分组成：

⚫ 内容损失（content loss）使合成图像与内容图像在内容特征上接近

⚫ 样式损失（style loss）令合成图像与样式图像在样式特征上接近

⚫ 总变差损失（total variation loss）则有助于减少合成图像中的噪点。 最后，当模型训练结束时，我们输出样式迁移的模型参数，即得到最终的合成图像。

二、循环神经网络与NLP

1、序列模型

⚫ 图像分类：当前输入−>当前输出

⚫ 时间序列预测：当前+过去输入−>当前输出

2、文本预处理

一篇文章可以被简单地看作一串单词序列，甚至是一串字符序列。 我们将 解析文本的常见预处理步骤。 这些步骤通常包括： 1.将文本作为字符串加载到内存中。

2.将字符串切分为词元（如单词和字符）。

3.建立一个字典，将拆分的词元映射到数字索引。

4.将文本转换为数字索引序列，方便模型操作。

3、RNN模型

4、RNN误差反传