發(fā)簡信
IP屬地：北京
-
day9-圖像風格遷移
定義兩個間距，一個用于內(nèi)容，另一個用于風格 測量兩張圖片內(nèi)容的不同，而用來測量兩張圖片風格的不同。然后，我們輸入第三張圖片，并改變這張圖片，使其...
-
day9-目標檢測
邊界框（bounding box） 是最后定位目標的框，是結(jié)果 anchor box 目標檢測算法通常在輸入圖像中采樣大量區(qū)域，然后判斷這些區(qū)域...
-
day8-模型微調(diào)
本是應用于遷移學習的方法，使用預訓練的模型，但是輸出層自己定義 定義并加載模型 剩下就是讀取數(shù)據(jù)正常訓練了 如果不凍結(jié)前面層的參數(shù)，建議前面層l...
-
day8-數(shù)據(jù)增強
讀取圖像： 翻轉(zhuǎn)和裁剪 顏色變化： 亮度（brightness）、對比度（contrast）、飽和度（saturation）和色調(diào)（hue）變化...
-
day7-梯度下降
隨機梯度下降 每次使用一個樣本 批量梯度下降 每次使用全部樣本 小批量梯度下降 每次使用一個batch
-
day7-凸優(yōu)化
矛盾 純粹的優(yōu)化方法是最小化訓練集的損失函數(shù)而我們的目標是測試集損失函數(shù)的最小化，也就是可以泛化而不是過擬合 需要避免的幾種情況： 局部最小值鞍...
-
day7-批量歸一化和殘差網(wǎng)絡BN層： 全連接層的BN 位置：仿射變換和激活函數(shù)之間pytorch：nn.BatchNorm1d 卷積層的BN 位置：卷積計算和激活函數(shù)之間p...
-
day5-Transformer
和seq2seq模型相似，Transformer同樣基于編碼器-解碼器架構(gòu)，其區(qū)別主要在于以下三點： Transformer blocks：將s...
-
day5-attention機制和Seq2Seq
內(nèi)容包括： attention機制 為什么需要attention 簡介 Seq2Seq attention 為什么需要attention 由于之...