Do1phln的博客

稀疏自编码器的目标是学习到一组稀疏的特征，这些特征可以更好地表示输入数据。由于自动编码器可以以无监督的方式进行训练，因此自动编码器，特别是堆叠去噪自动编码器（SDA），可以通过初始化深度神经网络（DNN）的权重来训练模型，从而提供有效的预训练解决方案。在SDA的逐层预训练之后，可以将自动编码器的参数设置为DNN的所有隐藏层的初始化。自编码器有多种变体，包括稀疏自编码器，去噪自编码器，变分自编码器等。去噪自编码器的目标是学习到一组稀疏的特征，这些特征可以更好地表示输入数据。其中p为预定义的平均激活目标，

数据集：Pascal VOC2012， 参考材料：动手学深度学习 以下示例实现了对数据的预读取，处理等操作 import os from random import shuffle from turtle import width import torch import torchvision from d2l import torch as d2l voc_dir = "./dataset/VOC2012/"# 数据读取 def read_voc_images(voc_dir, is_train=Tr

语义分割是图像分割中的基本任务，是指对于图像将每个像素都标注上对应的类别，不区分个体。简单地说，我们需要将视觉输入的数据分为不同的语义可解释性类别。若是区分了个体数量，那么就是实例分割。 本文主要总结一些较为经典的语义分割模型，慢慢更新，主要是对U-Net、FCN、SegNet、PSPNet、DeepLab v1/v2/v3/v3+进行要点概括，论文的具体解读、链接和源码在每个标题之后。 U-Net [论文笔记] U-Net - 知乎 (zhihu.com) U-Net发表于2015年，用于医学细胞分割

最近在LabelMe标注好图片之后，使用labelme2seg无法生成真值图片，报错如下： Generating dataset from: roadscene_train\img001.json Traceback (most recent call last): File "labelme2voc.py", line 95, in <module> main() File "labelme2voc.py", line 85, in main labelme.utils

Regression Machine Learning 机器学习的意义就在于让机器具备找一个函数（function）的能力 Different types of Functions Regression 如果要找的函数输出的值是一个数值，即一个标量（scalar），那这样的机器学习就是线性回归的模型（Regression） Classification Classification主要是要机器做选择题，由人类事先准备好一些选项，类似于黑盒测试的原理，最后只需要机器给出选择这几个选项里面的哪一个即可，常见的如