- 博客(4)
- 收藏
- 关注
RSS订阅原创 过拟合和欠拟合进阶详解：
过拟合和欠拟合进阶详解：首先说说深度学习在干什么，深度学习训练是在训练集上进行的，我们会将数据集以一定比例分为训练集和测试集（一般还有验证集），一个好的训练集的特征空间是基本囊括需要测试泛化性能的测试集特征空间的，深度学习就是要用一个庞大的含有很多参数的式子去完成测试集特征空间到标签的映射。1、欠拟合欠拟合是由于模型参数和复杂度不够，无法给训练集的特征空间一个达到一定准确率的全局最优点。2、正好拟合这种情况就是我们调参时寻找的情况，假设模型的参数和复杂度刚好，那么模型就会对训练集组成的特征空间有一
2020-08-06 22:03:35
228
原创 Yolo V2简要
YOLO V2 简要一、YOLO V2特点1、采用同时在coco目标家名册数据集和ImageNet分类数据集上训练的策略，允许模型检测没有分类标签的数据。2、不再采用全连接层和预测box，而是采用卷积层预测anchor box的方式。3、采用k-means聚类算法预选box，距离不采用传统欧氏距离，距离采用如下计算方式：由聚类中心个数和平均的IOU的关系选择最好的tradeoff，即5个中心4、box中心坐标输出还是和YOLO V1一样采用box中心相对于grid的坐标，但长宽坐标为box宽
2020-08-05 17:18:51
284
原创 YOLO 1 细节详解
一、YOLO 1的特点1、与当时最先进的技术相比还欠缺一些定位准确度，但在识别精度上较高2、base模型处理图片可以达到45 fps/s, fast YOLO更小的模型达到155 fps/s,且仍然有两倍的map相较于其他的实时检测器。因此可应用于实时系统检测。3、传统的几种检测器是通过滑动窗口或基于区域检测物体的，而YOLO检测与识别物体时是观测整张图片的，所以其可以学习类之间（论文中说还有外观之间）的上下文信息，如（桌子和杯子），因此其对背景物体检测准确率较高。4、由于YOLO训练和检测时是看到
2020-07-30 16:43:19
993
原创 pytorch中对模型结构进行的常用操作，如冻结参数添加改变层等
torch 笔记一、模型操作添加层b = torchvision.models.alexnet().featuresd = torchvision.models.alexnet().avgpoolfor i in d.named_modules(): b.add_module('12',i[1])#12为位置索引改变层结构b[1] = Linear(2048, 10)冻结卷积层参数for i in range(10):#具体层数要看模型结构 if isintance(b[i
2020-07-29 10:56:07
835
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人