發(fā)簡(jiǎn)信
IP屬地：北京
-
day9-圖像風(fēng)格遷移
定義兩個(gè)間距擂红，一個(gè)用于內(nèi)容借笙，另一個(gè)用于風(fēng)格 測(cè)量?jī)蓮垐D片內(nèi)容的不同郭变，而用來(lái)測(cè)量?jī)蓮垐D片風(fēng)格的不同矮湘。然后答恶，我們輸入第三張圖片小作，并改變這張圖片具则，使其...
-
day9-目標(biāo)檢測(cè)
邊界框（bounding box） 是最后定位目標(biāo)的框砾淌，是結(jié)果 anchor box 目標(biāo)檢測(cè)算法通常在輸入圖像中采樣大量區(qū)域啦撮，然后判斷這些區(qū)域...
-
day8-模型微調(diào)
本是應(yīng)用于遷移學(xué)習(xí)的方法，使用預(yù)訓(xùn)練的模型汪厨，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(xùn)練了 如果不凍結(jié)前面層的參數(shù)赃春，建議前面層l...
-
day8-數(shù)據(jù)增強(qiáng)
讀取圖像： 翻轉(zhuǎn)和裁剪 顏色變化： 亮度（brightness）、對(duì)比度（contrast）劫乱、飽和度（saturation）和色調(diào)（hue）變化...
-
day7-梯度下降
隨機(jī)梯度下降 每次使用一個(gè)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(gè)batch
-
day7-凸優(yōu)化
矛盾 純粹的優(yōu)化方法是最小化訓(xùn)練集的損失函數(shù)而我們的目標(biāo)是測(cè)試集損失函數(shù)的最小化织中，也就是可以泛化而不是過(guò)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(luò)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(jì)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)衷戈，其區(qū)別主要在于以下三點(diǎn)： Transformer blocks：將s...
-
day5-attention機(jī)制和Seq2Seq
內(nèi)容包括： attention機(jī)制 為什么需要attention 簡(jiǎn)介 Seq2Seq attention 為什么需要attention 由于之...