【飞桨】phy的PaddlePaddle深度学习实践week2

第一周实践作业总结

作业内容：课程中以1张图片为例，测试了预测效果。请从原始mnist数据集中，『随机抽取』100张图片，测试模型的分类准确率。
遗漏点：测试分类准确率，因此随机选取的100张图片应在测试集而非训练集中，此处扣了10分
大致思路：随机100个可选的图片序号，升序排序，初始指针为0，根据批次epoch_id及序号batch_id计算图片序号，并判断是否是当前指针下的图片序号，若是，则计算预测结果是否正确，rightnum记正确个数。最终测试预测正确率为rightnum/100
实现过程:实现时对预测结果predict没有正确的认识，通过Print得知预测值并非一个数字，而是预测是各个数字的概率，需手动计算预测数字（也即概率最大的那位数），并与lable作比较。

计算机视觉

经典模型：

• 卷积神经网络
• 图像分类
• 目标检测

计算机视觉子任务：
(a) Image Classification： 图像分类，用于识别图像中物体的类别。

(b) Object Localization： 目标检测，用于检测图像中每个物体的类别，并准确标出它们的位置。

© Semantic Segmentation： 图像语义分割，用于标出图像中每个像素点所属的类别，属于同一类别的像素点用一个颜色标识。

(d) Instance Segmentation： 实例分割，值得注意的是，（b）中的目标检测任务只需要标注出物体位置，而（d）中的实例分割任务不仅要标注出物体位置，还需要标注出物体的外形轮廓。

卷积神经网络

基础模块：

• 卷积（Convolution）
• 池化（Pooling）
• ReLU激活函数
• 批归一化（Batch Normalization）
• 丢弃法（Dropout）

卷积（Convolution)

• 卷积计算
• 填充（padding）
• 步幅（stride）
• 感受野（Receptive Field）
• 多输入通道、多输出通道和批量操作
• 飞桨卷积API介绍
• 卷积算子应用举例
  （未完）