目录
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:
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![](https://img-blog.csdnimg.cn/60d0ea7258724126b2b8a9abc971be07.png)
4、自动求导
5、函数库torch.nn.functional
![](https://img-blog.csdnimg.cn/7ac1fab255604d318493292ec3d21af3.png)
6、通用模型封装torch.nn.Module
7、优化器 torch.optim