- 博客(13)
- 收藏
- 关注
RSS订阅原创 Task05：模型集成
Copyright © 1999-2020, CSDN.NET, All Rights Reserved搜索博文/帖子/用户 SSD目标检测算法改进：DSOD（不需要预训练的目标检测算法） 原创2018-01-19 1点赞芳芳不是我真名 码龄7年关注论文的题目：DSOD: Learning Deeply Supervised Object Detectors from Scratch论文下载链接：http://openaccess.thecvf.com/content_ICCV_2017/papers/
2020-06-02 13:14:21
128
原创 Task04：模型训练与验证（4天)
理解验证集的作用，并使用训练集和验证集完成训练学会使用pytorch环境下的模型读取和加载，并理解调参的流程1、验证集的作用在机器学习与深度学习模型的训练过程中，模型非常容易出现过拟合的现象。因为在模型训练的过程中，模型只能利用训练数据进行训练，并不能接触到测试集样本，所以模型如果将训练集学的够好，模型就会记住训练样本的细节，从而导致模型在测试集上的泛化效果较差，即出现过拟合现象。与过拟合相对应的就是欠拟合，即模型在训练集上的拟合效果也比较差。如下图所示，当训练集误差与测试集误差均出现较大，则为（
2020-05-30 19:41:35
296
原创 Task03：字符识别模型（3天）
Copyright © 1999-2020, CSDN.NET, All Rights Reserved文章目录CNN（卷积神经网络）介绍常见相关名词的英语构建CNN模型！！！！！！！代码构建训练代码卷积神经网络常见层CNN（卷积神经网络）介绍精度和速度比传统计算学习方法高很多在计算机领域，CNN是解决图像分类，图像检索物体检测，语义分割的主流模型CNN每一层有众多的卷积核组成，每个卷积核对输入的像素进行卷积操作得到下一次输入约等于降维吧，变小了在这里插入图片描述CNN是一种层次
2020-05-25 22:06:07
167
原创 Task02：数据读取与数据扩增
数据读取与数据扩增学习目标学习Python和Pytorch中图像读取学会扩增方法和Pytorch读取赛题数据图像读取报错归纳Pillow根据baseline给出的步骤，安装pillow，但是报错，查了下是因为pillow在7.0以后的版本对相关组件不支持，但是忘记截图，就找了我在CSDN上看到的帖子，并试着用该方法，结果出现了跟评论区一样的问题。报错，博主给出的解释是版本过高，其实是不支持其实问题没解决报错解释：torchvision在运行时要调用PIL模块，调用PIL模块的PILLOW_VERSION函
2020-05-22 22:19:56
164
原创 Task01：赛题理解
街景字符编码识别-task1：赛题理解街景字符编码识别-赛题理解关于参赛赛题数据评测指标解题思路街景字符编码识别-赛题理解关于参赛通过本次参赛（开始前不知道是比赛，主要是想组队学习）了解CV相关问题的解决思路，以及基础知识储备。赛题的目标是对街景图片中的字符（数字）进行识别，主要难点在于图片中的字符长度不定。赛题数据数据集：重点关注验证集的使用。数据分为训练集，验证集与测试集，其中：训练集数据包括3W张照片，对应的json文件中包含图像名称，对应的编码，以及具体位置。验证集数据包括1W张照片，同训练集一样
2020-05-19 22:38:31
172
原创 Task5模型结果融合
文章目录Task5 模型结果融合5.1 模型融合目标5.2 内容介绍5.3 代码实战5.3.1 模型定义5.3.2 划分数据集进行训练和预测5.3.3 简单加权融和5.3.4 Stacking 融合5.4 经验总结Task5 模型结果融合5.1 模型融合目标对于多种调参完成的模型进行模型融合。完成对于多种模型的融合，提交融合结果并打卡。5.2 内容介绍模型融合是比赛后...
2020-04-04 13:22:31
199
原创 Task4:建模与调参
3.31–Task4:建模与调参Datawhale 零基础入门数据挖掘-Task4 建模调参四、建模与调参Tip:此部分为零基础入门数据挖掘的 Task4 建模调参 部分，带你来了解各种模型以及模型的评价和调参策略，欢迎大家后续多多交流。赛题：零基础入门数据挖掘 - 二手车交易价格预测地址：https://tianchi.aliyun.com/competition/entrance/2...
2020-04-01 07:48:11
117
原创 Task3 数据的特征工程
Copyright © 1999-2020, CSDN.NET, All Righ特征：原始数据某个方面的数值表示，在机器学习流程中，特征是数据和模型之间的纽带。特征工程：从原始数据中提取特征并将其转换为适合机器学习模型的格式。利用数据领域的相关知识来创建能够使机器学习算法达到最佳性能的特征的过程。特征选择的原则：获取尽可能小的特征子集，不显著降低分类精度、不影响分类分布以及特征子集应...
2020-03-28 10:37:46
96
原创 Task2:数据的探索性分析（EDA）
目标List item了解，验证数据集了解变量关系，与预测值之间关系数据处理、特征工程数据探索性分析EDA探索性数据分析观察数据结构，类型，每个属性的数据分布情况，为接下来的特征提取铺垫，在建立模型和修正模型的同时，不断进行数据分析。通过制图指标方式拟合等可视化方法：pandas_profiling生成一个较为全面的可视化和数据报告；missing no；预测值频数；对类别特征...
2020-03-24 10:59:46
187
原创 第四次打卡
文章目录一 批量归一化和残差网络二 凸优化三 梯度下降四 目标检测基础五 图像风格迁移六 图像分类案例1七 图像分类案例2八 GAN九 DCGAN十 总结一 批量归一化和残差网络批量归一化(1) 对全连接层做批量归一化(2) 对卷积层做批量归⼀化(3) 预测时的批量归⼀化残差网络(1) 残差块(2) ResNet模型稠密连接网络(1) 稠密块(2) 过渡层...
2020-02-25 15:49:26
94
原创 第三次打卡
第三次打卡批量归一化和残差网络1.1 批量归一化（BatchNormalization）对输入的标准化（浅层模型）处理后的任意一个特征在数据集中所有样本上的均值为0、标准差为1。标准化处理输入数据使各个特征的分布相近批量归一化（深度模型）利用小批量上的均值和标准差，不断调整神经网络中间输出，从而使整个神经网络在各层的中间输出的数值更稳定。预测时的批量归⼀化训练：以batch为单位...
2020-02-21 16:22:20
89
原创 第二次打卡
DataWhale 深度学习 第二次打卡第二次打卡学习笔记1.过拟合欠拟合及其解决方案2.梯度消失与梯度爆炸3.循环神经网络进阶4.机器翻译及相关技术5.注意力机制与Seq2seq模型6.Transfomer7.卷积神经网络基础8.LeNet9.卷积神经网络进阶过拟合欠拟合及其解决方案在解释过拟合和欠拟合现象之前，我们需要区分训练误差（training error）和泛化误...
2020-02-17 16:07:17
326
原创 第一次打卡
偶然的机会让我很幸运认识了这个平台，对于一个学习机器人工程的学生来说这就是福音。性回归输出是⼀个连续值，因此适⽤于回归问题。回归问题在实际中很常⻅，如预测房屋价格、⽓温、销售额等连续值的问题。与回归问题不不同，分类问题中模型的最终输出是⼀一个离散值。我们所说的图像分类、垃圾邮件识别、疾病检测等输出为离散值的问题都属于分类问题的范畴。softmax回归则适⽤用于分类问题。由于线性回归和so...
2020-02-13 17:09:04
110
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