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
二 凸优化
优化与估计
(1) 优化方法目标：训练集损失函数值
(2) 深度学习目标：测试集损失函数值（泛化性）
优化在深度学习中的挑战
(1) 局部最小值
(2) 鞍点
(3) 梯度消失
凸性
(1) 基础
(2) 性质
(3) 限制条件
三 梯度下降
一维梯度下降
多维梯度下降
自适应方法
随机梯度下降
小批量随机梯度下降
四 目标检测基础
目标检测和边界框
(1) 边界框
锚框
(1) 生成多个锚框
(2) 交并比
(3) 标注训练集的锚框
(4) 输出预测边界框
多尺度目标检测
五 图像风格迁移
读取内容图像和样式图像
预处理和后处理图像
抽取特征
定义损失函数
创建和初始化合成图像
训练
六 图像分类案例1
整理数据集
图像增强
导入数据集
定义模型
训练和测试
七 图像分类案例2
整理数据集
图像增强
读取数据
定义模型
定义训练函数
调参
在完整数据集上训练模型
对测试集分类并提交结果
八 GAN
第一题
第二题

九 DCGAN
第一题
第二题
第三题

十 总结
能大概看懂，但是不会编写，需要加强数学基础和python编码能力，感谢活动的组织者，一起加油，坚持上完了课程。希望我后面你能自己琢磨加复习。