- 博客(4)
- 收藏
- 关注
RSS订阅原创 计算机视觉实践（街景字符编码识别）Vol4
Task04：模型训练与验证搭建好CNN网络之后，为了完成深度学习的基本训练流程，应该设置训练集和验证集，并最终在测试机上测试模型的表现。三个数据集的作用如下：训练集（Train Set）：模型用于训练和调整模型参数；验证集（Validation Set）：用来验证模型精度和调整模型超参数；测试集（Test Set）：验证模型的泛化能力。在训练集上进行计算，不断更新神经网络参数；在验证集上验证，用于调整模型的复杂度，避免过拟合的现象。在训练的过程中应该不断记录训练误差以及在验证集上的验证误差。随着
2020-05-30 23:54:49
281
原创 计算机视觉实践（街景字符编码识别）Vol3
Task03：字符识别模型CNN卷积神经网络基础CNN介绍CNN构成CNN各组成部分介绍CNN的代表模型CNN训练参数Pytorch构建CNN的一般思路CNN卷积神经网络基础CNN介绍卷积神经网络（简称CNN）主要用于计算机视觉领域，是解决图像分类、物体识别和语义分割的主流模型。CNN构成一般来说，CNN由卷积层、池化层、激活层和全连接层构成。每一卷积层由众多的卷积核组成，每个卷积核对输入的图片进行卷积操作，得到下一层的输入。一般来说，随着网络层的增加，卷积核会逐渐缩小感受野，卷积核的数量会逐渐增
2020-05-28 05:47:36
269
原创 计算机视觉实践（街景字符编码识别）Vol2
Task02：数据读取与数据扩增数据读取与数据扩增的目的数据读取数据扩增数据读取与数据扩增的方法数据读取数据扩增数据读取与数据扩增的目的数据读取在采用Pytorch的前提下，需要针对训练集和验证集分别构建DataLoader，这样才能将数据送入模型完成loss计算、梯度计算、反向传播和参数更新。因此数据读取就是为了准备好封装数据传入的容器。数据扩增通过对已有的数据库中的图片做一些微小的处理，例如调整图像的颜色、尺寸、像素、空间等等特征以达到丰富数据的目的，这样不仅可以增大训练数据数量，降低训练方差
2020-05-23 23:57:45
290
原创 计算机视觉实践（街景字符编码识别）Vol1
Task01：赛题理解前言赛题背景解决思路潜在困难Baseline理解前言接触深度学习有一定时间了，但是一直以来还是处于学习吸收阶段，学习的知识也比较零散，没有集中做过大型项目，也没有参加过相关比赛，比较缺乏相关的应用经验。因此这是我第一次参加CV赛事，希望自己能够坚持每天学习，坚持每次打卡，积少成多，熟能生巧。赛题背景本次赛事的研究对象是街景字符，取自经典数据集SVHN，主要的任务就是识别街道字符图像，相比于最开始学习过的MNIST数据集上的图像识别，我认为这个数据集提供的样本具有以下特点：字
2020-05-20 23:51:52
491
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人