<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[fqldom的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/fqldom</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; fqldom]]></copyright><item><title><![CDATA[J6：ResNeXt-50实战解析]]></title><link>https://blog.youkuaiyun.com/fqldom/article/details/132111988</link><guid>https://blog.youkuaiyun.com/fqldom/article/details/132111988</guid><author>fqldom</author><pubDate>Fri, 04 Aug 2023 21:05:27 +0800</pubDate><description><![CDATA[ResNeXt是由何凯明团队在2017年CVPR会议上提出来的新型图像分类网络。在论文《Aggregated Residual Transformations for Deep Neural Networks》作者提出了当时普遍存在的问题：如何提高模型的准确率？常用的方法是提高网络的深度或宽度，但单纯的提高网络的深度或宽度，加大了设计的难度，也加大了计算的开销。由此何团队设计了cardinality的概念。将卷积通道分组，再对分组进行卷积。]]></description><category></category></item><item><title><![CDATA[第J5周：DenseNet+SE-Net实战]]></title><link>https://blog.youkuaiyun.com/fqldom/article/details/131985143</link><guid>https://blog.youkuaiyun.com/fqldom/article/details/131985143</guid><author>fqldom</author><pubDate>Fri, 28 Jul 2023 17:44:11 +0800</pubDate><description><![CDATA[SE-Net是ImageNet 2017 (lmageNet 收官赛)的冠军模型，是由WMW团队发布。具有复杂度低，参数少和计算量小的优点。且SENet 思路很简单，很容易扩展到已有网络结构如 Inception 和 ResNet 中。已经有很多工作在空间维度上来提升网络的性能，如 nception 等，而 SENet 将关注点放在了特征通道之间的关系上。]]></description><category></category></item><item><title><![CDATA[J4：DenseNet与ResNet结合]]></title><link>https://blog.youkuaiyun.com/fqldom/article/details/131857212</link><guid>https://blog.youkuaiyun.com/fqldom/article/details/131857212</guid><author>fqldom</author><pubDate>Fri, 21 Jul 2023 17:48:33 +0800</pubDate><description><![CDATA[🍨 本文为🔗365天深度学习训练营 中的学习记录博客🍦 参考文章：[Pytorch实战 | 第J4周：ResNet与DenseNet结合探索🍖 原作者：K同学啊|接辅导、项目定制。]]></description><category></category></item><item><title><![CDATA[J3：DenseNet算法实战与解析]]></title><link>https://blog.youkuaiyun.com/fqldom/article/details/131730598</link><guid>https://blog.youkuaiyun.com/fqldom/article/details/131730598</guid><author>fqldom</author><pubDate>Fri, 14 Jul 2023 20:04:27 +0800</pubDate><description><![CDATA[主要介绍DenseNet模型，它的基本思路与ResNet一致,但是它建立的是前面所有层与后面层的密集连接，通过特征图在channel上的连接来实现特征重用相比ResNet, DenseNet提出了一个更为激进的密集连接机制: 即互相连接所有的层，具体来说就是每个层都会接受其前面所有层作为其额外的输入。下图为ResNet网络的短路连接机制下图为DenseNet网络的短路连接机制。]]></description><category></category></item><item><title><![CDATA[J2周：ResNet50V2算法实战与解析]]></title><link>https://blog.youkuaiyun.com/fqldom/article/details/131601818</link><guid>https://blog.youkuaiyun.com/fqldom/article/details/131601818</guid><author>fqldom</author><pubDate>Fri, 07 Jul 2023 17:42:37 +0800</pubDate><description><![CDATA[上周复现了何恺明在2015年提出的深度残差网络ResNet，大神在后来的论文中提到一种全新的残差单元，我们命名为ResNet_V2, 本文将在上周的基础上基于Pytorch实现ResNet_V2模型。]]></description><category></category></item><item><title><![CDATA[J1周：ResNet-50算法实战与解析]]></title><link>https://blog.youkuaiyun.com/fqldom/article/details/131483859</link><guid>https://blog.youkuaiyun.com/fqldom/article/details/131483859</guid><author>fqldom</author><pubDate>Fri, 30 Jun 2023 21:17:48 +0800</pubDate><description><![CDATA[J1周：ResNet-50算法实战与解析]]></description><category></category></item><item><title><![CDATA[N7周：seq2seq翻译实战-Pytorch复现]]></title><link>https://blog.youkuaiyun.com/fqldom/article/details/131251103</link><guid>https://blog.youkuaiyun.com/fqldom/article/details/131251103</guid><author>fqldom</author><pubDate>Fri, 16 Jun 2023 22:44:32 +0800</pubDate><description><![CDATA[📌 本周任务：●请根据N5、N6周内容，为解码器添加上注意力机制。]]></description><category></category></item><item><title><![CDATA[N6：seq2seq翻译实战]]></title><link>https://blog.youkuaiyun.com/fqldom/article/details/131131598</link><guid>https://blog.youkuaiyun.com/fqldom/article/details/131131598</guid><author>fqldom</author><pubDate>Fri, 09 Jun 2023 17:18:26 +0800</pubDate><description><![CDATA[定义了两个常量 SOS_token 和 EOS_token，其分别代表序列的开始和结束。●n_words 是单词的数量，初始值为 2，因为序列开始和结束的单词已经被添加。●word2count 是一个字典，记录单词出现的次数。●word2index 是一个字典，将单词映射到索引。●index2word 是一个字典，将索引映射到单词。]]></description><category></category></item><item><title><![CDATA[Y2：训练自己的数据集]]></title><link>https://blog.youkuaiyun.com/fqldom/article/details/131006438</link><guid>https://blog.youkuaiyun.com/fqldom/article/details/131006438</guid><author>fqldom</author><pubDate>Fri, 02 Jun 2023 14:38:53 +0800</pubDate><description><![CDATA[YoLov5]]></description><category></category></item><item><title><![CDATA[第N4周：使用Word2vec实现文本分类 文为365天深度学习训练营内部限免文章]]></title><link>https://blog.youkuaiyun.com/fqldom/article/details/130645679</link><guid>https://blog.youkuaiyun.com/fqldom/article/details/130645679</guid><author>fqldom</author><pubDate>Fri, 12 May 2023 16:50:56 +0800</pubDate><description><![CDATA[pytorch=2.0.0,torchtext


1.4 生成数据批次和迭代器



二、模型搭建
2.1 搭建模型

2.2 定义训练与评估函数

三、训练模型
拆分数据集并进行训练]]></description><category></category></item><item><title><![CDATA[N3:调用Gensim库训练Word2Vec模型]]></title><link>https://blog.youkuaiyun.com/fqldom/article/details/130509444</link><guid>https://blog.youkuaiyun.com/fqldom/article/details/130509444</guid><author>fqldom</author><pubDate>Fri, 05 May 2023 16:30:33 +0800</pubDate><description><![CDATA[● 阅读NLP基础知识里Word2vec详解一文，了解并学习Word2vec相关知识● 学习本文内容，在下一篇文章中，将使用Word2vec辅助完成文本分类任务。]]></description><category></category></item><item><title><![CDATA[N2-中文文本分类]]></title><link>https://blog.youkuaiyun.com/fqldom/article/details/130429073</link><guid>https://blog.youkuaiyun.com/fqldom/article/details/130429073</guid><author>fqldom</author><pubDate>Fri, 28 Apr 2023 16:50:47 +0800</pubDate><description><![CDATA[NLP中文文本分类入门]]></description><category></category></item><item><title><![CDATA[N1:Pytorch文本分类入门]]></title><link>https://blog.youkuaiyun.com/fqldom/article/details/130290662</link><guid>https://blog.youkuaiyun.com/fqldom/article/details/130290662</guid><author>fqldom</author><pubDate>Fri, 21 Apr 2023 16:11:42 +0800</pubDate><description><![CDATA[Pytorch文本分类]]></description><category></category></item><item><title><![CDATA[P2:彩色图片识别]]></title><link>https://blog.youkuaiyun.com/fqldom/article/details/130066992</link><guid>https://blog.youkuaiyun.com/fqldom/article/details/130066992</guid><author>fqldom</author><pubDate>Mon, 10 Apr 2023 19:14:37 +0800</pubDate><description><![CDATA[- **🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/AtyZUu_j2k_ScNH6e732ow) 中的学习记录博客**>- **🍦 参考文章：[365天深度学习训练营-第P2周：彩色识别](https://mp.weixin.qq.com/s/BKsTrlOtu32bQzgORaMLEw)**>- **🍖 原作者：[K同学啊](https://mtyjkh.blog.youkuaiyun.com/)**]]></description><category></category></item><item><title><![CDATA[P1：实现MNIDST手写数字识别]]></title><link>https://blog.youkuaiyun.com/fqldom/article/details/129909580</link><guid>https://blog.youkuaiyun.com/fqldom/article/details/129909580</guid><author>fqldom</author><pubDate>Mon, 03 Apr 2023 15:24:37 +0800</pubDate><description><![CDATA[可以起到特征提取器的作用，最后一层的全连接层也可以认为是输出层，传入参数为输入特征数和输出特征数（输入特征数由特征提取网络计算得到，如果不会计算可以直接运行网络，报错中会提示输入特征数的大小）torchvision.datasets是Pytorch自带的一个数据库，我们可以通过代码在线下载数据，这里使用的是torchvision.datasets中的MNIST数据集。对于一般的CNN网络来说，都是由特征提取网络和分类网络构成，其中特征提取网络用于提取图片的特征，分类网络用于将图片进行分类。]]></description><category></category></item></channel></rss>