- 博客(6)
- 收藏
- 关注
RSS订阅原创 Datawhale 零基础入门CV赛事-Task5 模型集成
Datawhale 零基础入门CV赛事-Task5 模型集成1 学习目标2 集成学习方法3 深度学习中的集成学习3.1 Dropout3.2 TTA3.3 Snapshot4 结果后处理5 本章小节在上一章我们学习了如何构建验证集，如何训练和验证。本章作为本次赛题学习的最后一章，将会讲解如何使用集成学习提高预测精度。本章讲解的知识点包括：集成学习方法、深度学习中的集成学习和结果后处理思路。1 学习目标学习集成学习方法以及交叉验证情况下的模型集成学会使用深度学习模型的集成学习2 集成学习方法在机
2020-06-02 21:32:02
100
原创 Datawhale 零基础入门CV赛事-Task4 模型训练与验证
Datawhale 零基础入门CV赛事-Task4 模型训练与验证1 学习目标2 构造验证集3 模型训练与验证4 模型保存与加载5 模型调参流程6 本章小节在上一章节我们构建了一个简单的CNN进行训练，并可视化了训练过程中的误差损失和第一个字符预测准确率，但这些还远远不够。一个成熟合格的深度学习训练流程至少具备以下功能：1、在训练集上进行训练，并在验证集上进行验证；2、模型可以保存最优的权重，并读取权重；3、记录下训练集和验证集的精度，便于调参。为此本章将从构建验证集、模型训练和验证、模型保存与加
2020-05-29 21:38:06
109
原创 Datawhale 零基础入门CV赛事-Task3 字符识别模型
Datawhale 零基础入门CV赛事-Task3 字符识别模型1、学习目标2、CNN介绍3、CNN发展4、Pytorch构建CNN模型5、本章小节1、学习目标学习CNN基础和原理使用Pytorch框架构建CNN模型，并完成训练2、CNN介绍卷积神经网络（简称CNN）是一类特殊的人工神经网络，是深度学习中重要的一个分支。CNN在很多领域都表现优异，精度和速度比传统计算学习算法高很多。特别是在计算机视觉领域，CNN是解决图像分类、图像检索、物体检测和语义分割的主流模型。CNN每一层由众多的卷积核组
2020-05-26 18:19:32
103
1
原创 Datawhale 零基础入门CV赛事-Task2 数据读取与数据扩增
数据读取与数据扩增1 学习目标2 图像读取2.1 Pillow2.2 OpenCV3数据扩增方法3.1 数据扩增介绍3.2 常见的数据扩增方法3.3 常用的数据扩增库4 Pytorch读取数据5 本章小节5.1图像读取5.2 数据扩增方法5.3Pytorch读取数据5.4遇到的问题本章主要内容为数据读取、数据扩增方法和Pytorch读取赛题数据三个部分组成。1 学习目标1、学习Python和Pytorch中图像读取2、学会扩增方法和Pytorch读取赛题数据2 图像读取由于赛题数据是图像数据，赛
2020-05-23 16:33:06
257
1
原创 Datawhale 零基础入门CV-Task1 赛题理解
Datawhale 零基础入门CV-Task1 赛题理解1学习目标2赛题数据3数据标签4评测指标5读取数据6解题思路7小结1学习目标理解赛题背景和赛题数据完成赛题报名和数据下载，理解赛题的解题思路2赛题数据赛题以街道字符为赛提数据，该数据来自收集的SVHN街道字符，并进行了匿名采样处理。注意：按照比赛规则，所有的参赛选手只能使用比赛给定的数据集完成训练，不能使用SVHN原始数据进行训练，否则将违规选手清除排行榜成绩。训练集数据包括3W张照片，验证集数据包括1W张照片，每张照片包括颜色图像和
2020-05-20 12:31:04
176
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