1、深度学习计算机视觉进阶：数据增强与模型训练

深度学习计算机视觉进阶：数据增强与模型训练

1. 深度学习计算机视觉实践概述

在深入学习深度学习用于计算机视觉的过程中，我们会接触到一系列高级的算法、概念和技巧。这些内容主要分为三个部分：
1. 提升分类准确率的方法 ：包括应用迁移学习方法（如微调或把网络当作特征提取器）、集成方法（训练多个网络并组合结果）、正则化方法（如数据增强）以及使用更高级的优化算法（如 Adam、RMSprop 等）。我们需要找到应用这些方法的最佳途径，以最少的努力获得最大的收益。
2. 处理更大数据集和更复杂网络架构 ：当数据集太大无法全部放入内存时，我们将使用 HDF5 来解决。同时，会探讨使用 AlexNet、GoogLeNet、ResNet 和更深版本的 VGGNet 等网络架构，并将其应用于更具挑战性的数据集和竞赛，如 Kaggle 的猫狗识别挑战和 cs231n Tiny ImageNet 挑战。
3. 图像分类之外的应用 ：涵盖基本目标检测、深度梦境和神经风格、生成对抗网络（GANs）以及图像超分辨率等。这些技术将帮助我们从深度学习新手转变为真正的实践者。

2. 数据增强的概念与作用

正则化旨在减少模型的泛化误差，可能会以略微增加训练误差为代价。除了参数化的正则化形式，还有其他类型的正则化，如修改网络架构本身（例如 Dropout）和对输入网络的训练数据进行增强。

数据增强是一种正则化方法，它通过对训练样本进行随机抖动和扰动，在不改变类别标签的情况下生成新的训练样本，从而提高模型的泛化能力。在计算机视觉中，常见的简单几何变换包