240 發(fā)簡信
IP屬地：北京
  • day9-圖像風(fēng)格遷移

    定義兩個間距，一個用于內(nèi)容炬搭，另一個用于風(fēng)格 測量兩張圖片內(nèi)容的不同，而用來測量兩張圖片風(fēng)格的不同。然后构哺，我們輸入第三張圖片咆课，并改變這張圖片唤崭，使其與內(nèi)容圖片的內(nèi)容間距和風(fēng)格圖片...

  • day9-目標(biāo)檢測

    邊界框（bounding box） 是最后定位目標(biāo)的框棕孙，是結(jié)果 anchor box 目標(biāo)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)域是否包含我們感興趣的目標(biāo) 其中...

  • day8-模型微調(diào)

    本是應(yīng)用于遷移學(xué)習(xí)的方法些膨，使用預(yù)訓(xùn)練的模型蟀俊，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)，建議前面層lr較小订雾，輸出層lr較大

  • 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）肢预、對比度（contrast）、飽和度（saturation）和色調(diào)（hue）變化 疊加以上的變化 這樣就獲得了...

  • day7-梯度下降

    隨機(jī)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(xùn)練集的損失函數(shù)而我們的目標(biāo)是測試集損失函數(shù)的最小化洼哎，也就是可以泛化而不是過擬合 需要避免的幾種情況： 局部最小值鞍點(diǎn)梯度消失 優(yōu)化的目標(biāo)：凸函數(shù)...

  • 120
    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：卷積計算和激活函數(shù)之間pytorch：nn.Batch...

  • 120
    day5-Transformer

    和seq2seq模型相似烫映，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(diǎn)： Transformer blocks：將seq2seq模型重的循環(huán)網(wǎng)絡(luò)替...

  • day5-attention機(jī)制和Seq2Seq

    內(nèi)容包括： attention機(jī)制 為什么需要attention 簡介 Seq2Seq attention 為什么需要attention 由于之前的輸入文本無論長度噩峦，最后都變...

  • day5-機(jī)器翻譯

    內(nèi)容包括： 機(jī)器翻譯難點(diǎn) 數(shù)據(jù)預(yù)處理 數(shù)據(jù)清洗 3.encoder-decoder結(jié)構(gòu) 機(jī)器翻譯難點(diǎn)： 普通的rnn锭沟，輸入n個x，那么輸出n個y识补，但是機(jī)器翻譯輸入和輸出長度往...

  • day6-卷積神經(jīng)網(wǎng)絡(luò)進(jìn)階

    內(nèi)容包括： AlexNet VGG NiN GoogLeNet 以下幾種都是常用的CNN架構(gòu) AlexNet 特征： 8層變換族淮，其中有5層卷積和2層全連接隱藏層，以及1個全連...

  • day6-LeNet

    內(nèi)容包括： LeNet介紹 模型結(jié)構(gòu) LeNet介紹 使用全連接層的局限性： 圖像在同一列鄰近的像素在這個向量中可能相距較遠(yuǎn)。它們構(gòu)成的模式可能難以被模型識別祝辣。對于大尺寸的輸...

  • day6-卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)

    內(nèi)容包括： 卷積 二維卷積 特征圖和感受野 填充和步幅 4.多輸入通道和多輸出通道 池化 平均池化 最大池化 卷積 二維卷積 步驟：卷積核和矩陣點(diǎn)乘再求和贴妻，滑動卷積核再重復(fù)上...

  • RNN改進(jìn)

    內(nèi)容包括： GRU LSTM 雙向循環(huán)神經(jīng)網(wǎng)絡(luò) GRU R為重置門，重置門有助于捕捉時間序列里短期的依賴關(guān)系Z為更新門蝙斜，更新門有助于捕捉時間序列里長期的依賴關(guān)系 LSTM 遺...

  • day4-梯度消失和梯度爆炸

    梯度消失和梯度爆炸 梯度消失：反向傳播過程中名惩，一旦出現(xiàn)某神經(jīng)元梯度趨近于0，那么往回傳播時孕荠，由于梯度是連乘的娩鹉，那么前面的梯度都趨近于0，相當(dāng)于很多神經(jīng)元沒有訓(xùn)練 梯度爆炸：梯...

  • day4-過擬合岛琼，欠擬合

    內(nèi)容包括： 訓(xùn)練誤差和泛化誤差 訓(xùn)練集底循，交叉驗證集，測試集 k折交叉驗證 過擬合和欠擬合 過擬合的解決手段 訓(xùn)練誤差和泛化誤差 訓(xùn)練誤差是在訓(xùn)練集上的誤差泛化誤差是通過訓(xùn)練集...

  • day2-循環(huán)神經(jīng)網(wǎng)絡(luò)

    主要內(nèi)容包括： 循環(huán)神經(jīng)網(wǎng)絡(luò)簡介 為什么需要循環(huán)神經(jīng)網(wǎng)絡(luò) 循環(huán)神經(jīng)網(wǎng)絡(luò)架構(gòu) 循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)造 梯度裁剪 循環(huán)神經(jīng)網(wǎng)絡(luò)簡介 為什么需要循環(huán)神經(jīng)網(wǎng)絡(luò) 根據(jù)之前提到的語言模型理論槐瑞，...

  • day2-語言模型與數(shù)據(jù)集

    內(nèi)容包括：1.語言模型 1.語言模型和時間序列 2.n-gram 語言模型 一段文本可以看作一個離散時間序列熙涤，給定一組參數(shù)（文本中的詞），輸出這組參數(shù)的概率 n-gram 假...

  • day2-文本預(yù)處理

    內(nèi)容包括： 讀入文本 分詞 建立字典困檩，將每個詞映射到一個索引 將文本從詞的序列轉(zhuǎn)換為索引的序列 讀入文本 將文件里所有標(biāo)點(diǎn)全都去掉祠挫，劃分為一個一個句子并讀入list 分詞 每...

  • day1-多層感知機(jī)

    內(nèi)容包括: MLP簡介 與普通感知機(jī)的區(qū)別 2.為什么需要多層感知機(jī) 激活函數(shù) 1.不同激活函數(shù)介紹relusigmoidtanh 區(qū)別 MLP簡介 與普通感知機(jī)區(qū)別 加入了...

亚洲A日韩AV无卡,小受高潮白浆痉挛av免费观看,成人AV无码久久久久不卡网站,国产AV日韩精品