CNN卷积+图像分类-基本对比完毕

CNN卷积神经网络实战案例
大概想法是把几个不同的案例取长补短，把图像分类的功能学会

有的时候需要提前观察一下数据，这样才好感同身受

基于cnn实现垃圾分类
https://www.heywhale.com/mw/project/5d26a62b688d36002c58a627/dataset

 Q1：这个应该是读取图片的日常功能？

 

 Q2：这个随机展示6张图片是怎么个操作？

 Q3：这tm是什么数据分组的方式

 决策树疑问处理+

Q2：分叉树的形象到底如何理解，Q3：还有最大深度的确定
Q1：决策树到底是回归还是什么？
形象化难以接受和理解
分类还比较好理解，但是回归是什么鬼？——剪枝又是什么意思

 这幅图一画，我大概有点明白了

 

 

 

Q4：bagging,boosting是什么？

Q5：设置约束

 Q6：设置超参数
代码实现，日后如何找寻以及确认，其他的模型能否按照相同的逻辑套用
知道超参数的含义后，以及其内部的调整和变动，会带来什么样的影响？

Q7：HMM是什么？-隐马尔科夫，的进化以及迭代

 

 Q8：ASR system

为什么决策树对于缺失值具有一定的忍耐性

 用剪枝来解决过拟合的问题！

 

 

 

 Q9：这段的目的是什么？能不能直接调用，后续可能需要修改什么内容

 

 这个好像是需要下载
https://www.jb51.net/article/195212.htm
python语音识别指南终极版

 

 Q2：两个差不多的图像数据集，为何在测试集和训练集的划分手段上差异这么大呢？

 Q3：为啥别人加载前面几张图片就不用reshape这么麻烦的操作

 Q1：这是干啥的？加载个数据集,什么时候加batch，什么时候不用batch？

 epoch类似于高，一共整体再循环多少次
batch_size是每一批次的数目
iterations是一个批次内部需要拆分的数目
Q1.1：因为这道题本身的数据集差异，所以对应解锁的方式不同？

 

 Q4：X_train是什么？这么麻烦？
虽然说她麻烦，但他确实没有用mageDataGeneraterI

 Q6：把这几篇使用的cnn模型汇总一下，然后跟现有的最先进的模型汇合一下

 Q5：前面不是有个reshape吗？
这个维度和维数的坑，跟那边一块解决掉

 Q5.1：有哪几个指标或者维数需要解决的
batch,channels,height,width  ？没有length
Q5.2：最大池化层的作用是什么？
model.add(MaxPooling2D(pool_size=(2,2))
过滤器多少的选择32或者64，卷积核大小会不会有差异？
input_shape图像输入维度
Q5.3model.add(Flatten())添加展平层+Dropout内部参数如何敲定？

 

Q1：PIL包引出Image别的库怎么没有这个操作？

从导入的库是不是嫩看出血差异
Q3：这波转化又是什么意思？

直接用最全能的，然后进行其他的替换和格式的统一，便是成功！