- 博客(5)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 Task5 模型集成
本章将会讲解如何使用集成学习提高预测精度，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。 5 模型集成 5.1 学习目标 （1）学习集成学习方法以及交叉验证情况下的（2）模型集成学会使用深度学习模型的集成学习 5.2 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划分联系紧密 由于深度学习模型一般需要较长的训练周期，如果硬件设备不允许建议选取留出法，如果需要追求精度可
2020-06-01 20:57:56
118
原创 Task4 模型训练与验证
4.1 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Pytorch环境下的模型读取和加载，并了解调参流程 4.2 构造验证集 为解决致模型过拟合的情况，我们可以构建一个与测试集尽可能分布一致的样本集（可称为验证集），在训练过程中不断验证模型在验证集上的精度，并以此控制模型的训练。 训练集（Train Set）：模型用于训练和调整模型参数； 验证集（Validation Set）：用来验证模型精度和调整模型超参数； 测试集（Test Set）：验证模型的泛化能力 因为训练集和验证集是分开
2020-05-29 09:55:05
168
原创 Task3 字符识别模型
3 字符识别模型 3.1 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 3.2 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，精度和速度比传统计算学习算法高很多。特别是在计算机视觉领域，CNN是解决图像分类、图像检索、物体检测和语义分割的主流模型。 CNN每一层由众多的卷积核组成，每个卷积核对输入的像素进行卷积操作，得到下一次的输入。随着网络层的增加卷积核会逐渐扩大感受野，并缩减图像的尺寸。 CN
2020-05-25 16:49:52
158
原创 Task2 数据读取与数据扩增
2 数据读取与数据扩增 本章开始逐渐学习使用【定长字符识别】思路来构建模型，主要内容为数据读取、数据扩增方法和Pytorch读取赛题数据三个部分组成。 2.1 学习目标 （1）学习Python和Pytorch中图像读取 （2）学会扩增方法和Pytorch读取赛题数据 2.2 图像读取 由于赛题数据是图像数据，因此我们需要完成对数据的读取操作，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。 2.2.1 Pillow Pillow是Python图像处理函式库(PIL）的
2020-05-23 16:08:14
132
原创 Datawhale 零基础入门CV赛事-Task1 赛题理解
1 赛题理解 赛题名称：零基础入门CV之街道字符识别 赛题目标：通过这道赛题可以引导大家走入计算机视觉的世界，主要针对竞赛选手上手视觉赛题，提高对数据建模能力。 赛题任务：赛题以计算机视觉中字符识别为背景，要求选手预测街道字符编码，这是一个典型的字符识别问题。为了简化赛题难度，赛题数据采用公开数据集SVHN，因此大家可以选择很多相应的paper作为思路参考。 1.1 学习目标 理解赛题背景和赛题数据 完成赛题报名和数据下载，理解赛题的解题思路 1.2 赛题数据 赛题以街道字符为为赛题数据，该数据来自收集的S
2020-05-20 15:37:23
99
mchar_train (1).zip
2020-05-20
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人