梳理
图像分类概述
对图像分类数学原理进行介绍,并讲述了视觉任务的难点,图像分类是让机器从数据中进行学习。
卷积神经网络
介绍AlexNet、VGG、GoogLeNet、ResNet网络模型,并讲述了精度退化问题。
更强的图像分类模型
介绍神经结构搜索、ConvNeXt等
轻量化卷积神经网络
讲述卷积运算基本原理,并对GoogLeNet和ResNet等模型的卷积通道进行了讲解。
Vision Transformers
讲述注意力机制的原理和实现,并介绍了Swin Transformers模型。
模型学习
对监督学习和自监督学习进行简要介绍。
监督学习
讲述交叉熵损失、随机梯度下降等知识。
学习率与优化器策略
将学习率对训练的影响以及其具体策略进行讲解。
数据增强
对数据增强概念,以及组合数据增强、标签平滑等知识进行详细叙述。
心得
通过本节课知识的学习,了解了深度学习的基本策略,对图像分类的发展以及影响重大的网络模型有了基础的了解,加深了对底层数学原理的理解。