- 博客(6)
- 收藏
- 关注
RSS订阅原创 霹雳老师深度学习-图像分类笔记自用—6.0 ResNet
存在一个问题：如果只是卷积层和池化层的简单堆叠，并不是层数越多效果就越好单纯的叠加会出现相应的问题：① 梯度消失：假设每一层的误差梯度都是小于1的数，反向传播过程中每向前传播一层都要乘以一个小于1的误差梯度。当网络越来越深时，会乘以很多个小于1的系数，梯度会趋近于0②梯度爆炸：假设每一层误差梯度都是一个大于1的数，网络越来越深后梯度也会越来越大解决梯度消失/爆炸的方法：对数据进行标准化处理、权重初始化、BN。
2025-03-08 19:39:41
1516
原创 霹雳老师深度学习-图像分类笔记自用—5.0 GoogLeNet
GoogLeNet在2014年由Google团队提出，获得当年ImageNet竞赛中分类任务第一名。原论文名称：Going deeperwith convolutions。
2025-03-03 21:53:52
1334
原创 霹雳老师深度学习-图像分类笔记自用—4.0 VGG网络
有些VGG训练部分的代码中，会先在ImgeNet上预训练再进行迁移学习，所以在数据预处理标准化时会涉及到ImageNet中图片的信息。迁移学习的内容将在ResNet部分详细介绍。网络两点：通过堆叠多个3*3的卷积核来替代大尺度卷积核（减少所需要的参数）使用中一般用D 也就是16层的配置 13个卷积层+3个FC层。一个7*7卷积核的感受野：F=（1-1）*1+7=7。7的卷积核：VGG中的卷积核的步距默认为1。7的卷积核，结果是拥有相同的感受野。3的卷积核可以替代一个7*5的卷积核，堆叠三个3。
2025-02-27 17:34:13
223
原创 霹雳老师深度学习-图像分类笔记自用—3.0搭建AlexNet并使用花分类数据集
包括五种类型的话，实验中使用脚本'split_data.py'自动将数据集划分为训练集和验证集，可以参考代码用于自己数据集的划分。右图：在每一层里随机失活一部分神经元，变相得减少了网络训练的参数，从而减少过拟合。可能原因：网络参数过多、模型过于复杂、训练数据量过少。预测结果差，没考虑泛化能力。重点：过拟合是能够较为完美得。加载数据集部分需要详细学习。左图：正常的全连接网络。
2025-02-27 17:18:00
261
原创 霹雳老师深度学习-图像分类笔记自用—2.0pytorch官方demo实现一个分类器（LeNet）
图中LeNet的输入使用的是一个灰度图像，只有一个维度；CFAR10中的数据是RGB图像，拥有三个通道，所以大小为：3*32*32。Pytorch Tensor中的通道顺序：[batch,channel,height,width]out_channels：对应卷积核的个数。前文讲过，使用多少个卷积核就会生成多少维度的特征矩阵。in_channels：输入特征矩阵的维度；LeNet结构：卷积+下采样+卷积+下采样+全连接层*3。kernel_size：卷积核的大小。bias：偏置，默认是使用的。
2025-02-27 16:52:37
301
原创 霹雳老师深度学习-图像分类笔记自用—1.0卷积神经网络基础
卷积核的channel与输入特征层的channel相同输出的特征矩阵channel与卷积核的个数相同。
2025-02-20 17:15:31
1292
1
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