CV比赛
LuZer0
这个作者很懒,什么都没留下…
展开
-
6. 零基础入门CV-Task5 模型集成
在上一章节我们学习了如何构造验证集,如何训练和验证。本章作为本次赛题学习的最后一章,将会降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 6.1 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 6.2 集成学习方法 在机器学习中的集成学习可以在一定程度上提高预测精度。常见的集成学习方法有 Stacking、Bagging 和 Boosting ,同时这些集成学习方法与具体验证集的划分联系紧密 由于深度学习模原创 2020-06-02 23:12:51 · 177 阅读 · 0 评论 -
零基础入门CV-Task 4 模型训练与验证
在上一章节中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。一个成熟的深度学习训练流程至少具备以下功能: 在训练集上进行训练,并在验证集上进行验证 模型可以保存最优的权重,并读取权重 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、模型保存与加载和模型调参几个部分讲解,在部分小节中将会结合 PyTorch 代码进行讲解 5.1 学习目标 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 PyT原创 2020-05-30 22:53:08 · 194 阅读 · 0 评论 -
零基础⼊⻔CV-Task3 字符识别模型
在前面的张杰,我们讲解了赛题的北京知识和赛题数据的读取。本章开始构建一个字符识别模型,基于赛题理解本章将构建一个定长多字符分类模型。 本章将会讲解卷积神经网络(Convolutional Neural Netword, CNN)的常见层,并从头搭建一个字符识别模型。 4.1 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。 4.2 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,精度和原创 2020-05-26 21:29:57 · 443 阅读 · 0 评论 -
零基础⼊⻔CV-Task2 数据读取与数据扩增
3.1 学习目标 学习使用 Python 和 PyTorch 中读取图像 学会扩增方法和 PyTorch 读取赛题数据 3.2 图像读取 赛体重的数据是图像,赛题任务是识别图像中的字符。因此,我们首先要做的就是对数据进行读取操作,在 Python 中有很多库可以完成数据读取的操作,比较常见的有 Pillow 和 OpenCV。 3.2.1 Pillow Pillow 是 Python 图像处理函式库(PIL)的一个分支。Pillow 提供了常见的图像读取和处理操作,而且可以与 IPython noteb原创 2020-05-24 08:02:34 · 340 阅读 · 0 评论 -
CV入门比赛
比赛链接:https://tianchi.aliyun.com/competition/entrance/531795/introduction baseline思路:使用CNN进行定长字符分类; 运行系统要求:Python2/3,内存4G,有无GPU都可以 线上得分取决于训练轮数,假设比赛数据路径为../input import os, sys, glob, shutil, json os.environ["CUDA_VISIBLE_DEVICES"] = '0' import cv2 from PIL原创 2020-05-20 20:36:18 · 694 阅读 · 2 评论