立即学习:https://edu.csdn.net/course/play/27685/385716?utm_source=blogtoedu
将所有特征放到一个函数中
每个特征值乘以一个权重,这些相乘的结果等于1则是猫,否则0不是猫
函数与特征之间需要非线性的关系
训练:获得特定权重的神经网络
推理:输入图像得到结果的过程
用深度学习完成大量的图像任务
分类模型:图像包含特定对象的概率
检测模型:可以检测图像中目标物体的边界框
识别模型:识别出来特定的人
分割模型:对图像的每个像素分类,判断是否为特定对象
神经网络体积规模:如resnet50(分类模型)---168mb存储,运算高达7GFLOPS(70亿次浮动运算)
模型优化器:把所有模型转换成中间表示,是python脚本,可以更改权重格式,优化拓扑
推理引擎通过不同库来实现神经网络的运算
深度学习中,训练的定义就是通过不断地改变神经网络的参数来使神经网络输出值与目标值之间的误差越来小。在理想情况下,当深度神经网络训练完成时,用于验证的数据正确率将会达到百分之百,换句话说,每一次推理都会是正确的,所以训练网络的误差将无限接近于0.
模型优化器是一种跨平台的命令行工具,可促进训练和部署环境之间的转换,执行静态模型分析,并将深度学习模型调整为中间表示 (IR) ,通过推理引擎实现最佳执行。