OpenMMLab AI 实战营2023（笔记）：1、计算机视觉算法基础与OpenMMLab介绍

目录

一、计算机视觉任务：

（1）分类

（2）检测

（3）分割

举例：

二、机器学习

1、线性分类器

 2、以分类问题为例，采用机器学习的方法解决实际问题通常需要3个步骤:

三、神经网络

1、非线性分类器

2、神经元

3、多层感知机

4、多分类任务

5、神经网络训练

6、损失函数

7、梯度下降法

8、梯度计算

9、反向传播

10、具体实现

11、优化器

12、自适应梯度算法

13、基于梯度下降训练神经网络的整体流程

14、欠拟合、拟合与过拟合

四、卷积神经网络

1、为什么使用CNN？

2、卷积神经网络整体结构

3、卷积层 Convolutional Layer

4、卷积变形

5、激活层 Activation Layer

6、池化层 Pooling Layer

7、全连接层 Fully Connected Layer

8、概率输出层

9、特征与分类的角度理解CNN

五、PyTorch 的基本使用

1、PyTorch 介绍

2、PyTorch 的基本模块

3、数值计算库 torch​编辑

4、自动求导

5、函数库torch.nn.functional​编辑

6、通用模型封装torch.nn.Module 

7、优化器 torch.optim

8、 数据工具torch.utils.data​编辑

9、PyTorch神经网络demo演示及讲解

---

一、计算机视觉任务：

（1）分类

 

（2）检测

（3）分割

语义分割

实例分割

举例：

二、机器学习

1、线性分类器

线性分类器假设类别和特征之间存在某种线性关系
换言之，不同类的数据在特征空间中可以被一条线分开

 2、以分类问题为例，采用机器学习的方法解决实际问题通常需要3个步骤:

1.训练
我们需要采集一些数据，标注它们的类别，从中选取一部分用于训练分类器，得到一个可以用于分类的分类器
2.验证
从采集、标注的数据中另外选取一部分，测试所得分类器的分类精度
验证所用的数据不能和训练重合，以保证分类器的泛化性能:在一部分数据.上训练的分类器可以在其余的数据.上表现出足够的分类精度
3.应用（测试）
将经过验证的分类器集成到实际的业务系统中，实现对应的功能、
在应用阶段,分类器面对的数据都是在训练、验证阶段没有见过的

三、神经网络

1、非线性分类器

2、神经元

3、多层感知机

4、多分类任务

5、神经网络训练

 

6、损失函数

7、梯度下降法

8、梯度计算

9、反向传播

10、具体实现

11、优化器

12、自适应梯度算法

13、基于梯度下降训练神经网络的整体流程

14、欠拟合、拟合与过拟合

 

早停Early Stopping

四、卷积神经网络

1、为什么使用CNN？

2、卷积神经网络整体结构

3、卷积层 Convolutional Layer

 

 

4、卷积变形

边缘填充

K/F：卷积核kernal长宽 

 步长

5、激活层 Activation Layer

 

常用的激活函数

6、池化层 Pooling Layer

7、全连接层 Fully Connected Layer

最后接一个线性分类层 

8、概率输出层

9、特征与分类的角度理解CNN

五、PyTorch 的基本使用

1、PyTorch 介绍

2、PyTorch 的基本模块

3、数值计算库 torch

4、自动求导

5、函数库torch.nn.functional

6、通用模型封装torch.nn.Module 

7、优化器 torch.optim

 

8、 数据工具torch.utils.data

9、PyTorch神经网络demo演示及讲解

 Quickstart — PyTorch Tutorials 1.13.1+cu117 documentation