文章目录
-
自我介绍
-
项目(介绍项目,针对项目中的问题提问)
-
准确率 精准率 召回率
-
过拟合
-
权值共享
每个像素都有一个权系数 ,系数被整个图片共享, 减少卷积核中的参数量,卷积操作利用了图片空间上的局部相关性 特征自动提取。权值共享意味着每一个卷积核只能提取到一种特征,为了增强CNN的表达能力,就需要多个核。 -
集合的划分(测试集的划分)
https://zhuanlan.zhihu.com/p/50221679
补充说明- 按一定比例划分为训练集和测试集
-留出法:随机选择 测试集保证覆盖各种类型特征 - 交叉验证法:用于数据不充足的时候
先将数据集D划分为k个大小相似的互斥子集,每个子集D尽可能保持数据分布的一 致性(即分层采样),然后每次用k-1个子集的并集,作为训练集。剩下的一份用作测试集,这样可以得到k个组合,然后训练k个模型,最终返回k组测试结果的均值和方差。就是10折交叉验证。
- 按一定比例划分为训练集和测试集
-
loss(交叉熵)
https://zhuanlan.zhihu.com/p/35709485 -
vgg与u-net的区别
-
介绍知道的分类网络
-
对CV领域有哪些研究(目标检测算法、reid)
-
c++ 动态数据库 静态数据库
C++静态库和动态库
-
A+B 位运算
-
shuffle的重要性
目的:打乱数据顺序,避免过拟合
给定权重取值,迭代布step的情况下,固定的数据集意味着固定的训练样本——>权重更新方向确定。无序的数据集意味着更新方向是随机的,随机的方向更有可能收敛到最低点。
解释:固定的数据集顺序,严格限制了梯度优化方向的可选择性,导致收敛点空间选择严重变少,易过拟合。 -
激活函数的作用