m5678m的博客

过往参与数学建模竞赛较多，这里我从数建的角度出发，记录参加Datawhale夏令营——CV方向全流程。

当滑动到一个新位置时，包含在该窗口的部分张量与卷积核张量进行按元素相乘，得到的张量再求和得到单一的一个标量值。为有效利用每张图像的空间结构信息，而不是简单的将图像数据展成一维向量，卷积神经网络出现了。卷积层（一个错误的运算）：它想表达的是互相关运算而不是卷积运算。隐藏表示：可想象为一系列具有二维张量的通道，这些通道有时也称为特征映射，因为每个通道都向后续层提供了一组空间化的学习特征。V卷积核/滤波器：可简单的解释为该卷积层的权重，通常该权重是可学习的参数。卷积神经网络：包含卷积层的一类特殊的神经网络。

交叉熵：主观概率为Q的观察者在根据概率p生成的数据时的预期惊异。这一系列，是作者阅读李沐、阿斯顿编写的《深度学习PyTorch版》所作的笔记，作者目前关于深度学习所作的思考和实现的能力都较浅，阅者见谅。抽取小批量，初始化模型的值，（迭代）计算小批量的损失均值关于模型参数的导数（梯度），最后将梯度乘学习率，并从当前参数的值中减掉。独热编码：给猫、狗、鸡赋值{（1，0，0），（0，1，0），（0，0，1）}。校准：分类器输出0.5的所有样本中，样本中刚好有一半实际上属于预测的类，这个属性叫做校准。