pwh1209的博客

Task05：模型集成（3天） 学习目标 学习集成学习方法以及交叉验证情况下的模型集成 学会使用深度学习模型的集成学习 模型集成 集成学习方法介绍 深度学习中的集成学习 Dropout TTA Snapshot 结果后处理 ...

在上一章节我们构建了一个简单的CNN进行训练，并可视化了训练过程中的误差损失和第一个字符预测准确率，但这些还远远不够。一个成熟合格的深度学习训练流程至少具备以下功能： 在训练集上进行训练，并在验证集上进行验证； 模型可以保存最优的权重，并读取权重； 记录下训练集和验证集的精度，便于调参。 4 模型训练与验证 为此本章将从构建验证集、模型训练和验证、模型保存与加载和模型调参几个部分讲解，在部分小节中将会结合Pytorch代码进行讲解。 4.1 学习目标 理解验证集的作用，并使用训练集和验证集完成训练 学

2 数据读取与数据扩增 本章主要内容为数据读取、数据扩增方法和Pytorch读取赛题数据三个部分组成。 2.1 学习目标 学习Python和Pytorch中图像读取 学会扩增方法和Pytorch读取赛题数据 2.2 图像读取 由于赛题数据是图像数据，赛题的任务是识别图像中的字符。因此我们首先需要完成对数据的读取操作，在Python中有很多库可以完成数据读取的操作，比较常见的有Pillow和OpenCV。 2.2.1 Pillow Pillow是Python图像处理函式库(PIL）的一个分支。Pillow

3 字符识别模型 本章将会讲解卷积神经网络（Convolutional Neural Network, CNN）的常见层，并从头搭建一个字符识别模型。 3.1 学习目标 学习CNN基础和原理 使用Pytorch框架构建CNN模型，并完成训练 3.2 CNN介绍 卷积神经网络（简称CNN）是一类特殊的人工神经网络，是深度学习中重要的一个分支。CNN在很多领域都表现优异，精度和速度比传统计算学习算法高很多。特别是在计算机视觉领域，CNN是解决图像分类、图像检索、物体检测和语义分割的主流模型。 CNN每一层由

2数据读取与数据扩增 2.1学习目标 学习Python和Pytorch中图像读取 学会扩增方法和使用Pytorch读取赛题数据 2.2数据读取与数据扩增 2.2.1图像读取（还在学习中……） Pillow OpenCV 2.2.2数据扩增方法 数据扩增介绍 数据扩增的目的是为了减少神经网络训练过程中的过拟合现象。 常见的数据扩增方法 常见的数据扩增方法主要有两种：一是翻转，可以将已有数据集的图片进行水平或垂直翻转，通过反转可以将数据集翻倍，虽然效果不及收集一组新图片那么好，但是可以大大节省获取更多

##1赛事理解 赛题名称：零基础入门CV之街道字符识别 赛题目标：通过这道赛题可以引导大家走入计算机视觉的世界，主要针对竞赛选手上手视觉赛题，提高对数据建模能力。 赛题任务：赛题以计算机视觉中字符识别为背景，要求选手预测街道字符编码，这是一个典型的字符识别问题。 为了简化赛题难度，赛题数据采用公开数据集SVHN，因此大家可以选择很多相应的paper作为思路参考。 ###1.1学习目标 理解赛题背景和赛题数据 完成赛题报名和数据下载，理解赛题的解题思路 ###1.2 赛题数据 赛题以街道字符为为赛题数