qq_的博客

本文用于如何使用深度学习处理分类问题。在前面的文章中我们明确了最关键的是将该问题看做（转换）成一个深度学习处理图片分类的问题。那么只有了解如何使用深度学习处理一个基本的分类问题，再根据本文将其适配到本文的问题上即可。当然后续还需要更多的调优以及针对该问题对模型和处理步骤做出一些调整才能达到更高的准确率以及完成论文。

到这里就已经明白了深度学习分类模型的输入输出的含义，其中的模块又如何设计就比较复杂了，虽然复杂，但是其大部分都是 卷积+bn+relu 这样的单元嵌套，也有一定章法可循，后续如果有必要再拿出来说道说道。经过Softmax之后，1000个值的绝对大小发生了改变，但是其元素的相对顺序并没有改变，这1000个值，每个值表示对应类别的概率值，概率值越大表示模型认为该样本属于该类别的可能性越高。卷积层C3：有384个核，核大小为3 × 3 × 256，与卷积层C2的输出（归一化的，池化的）相连。

其实本题在实现上的一个最基础的理论基础就是：深度学习的xx模型。而深度学习发展到这么多年，其分类模型数不胜数，在建模如此短的时间需要学完是不可能的，尤其是以前没怎么接触过深度学习的同学，而且本题目只是数学建模中的一道题，如果难度太高思路全部需要原创显然是不现实的。在坑洼道路检测任务中，传统的分类算法往往不能取得很好的效果，因为坑洼图像的特征往往是非常复杂和多变的。问题 1: 结合给出的图像文件，提取图像特征，建立一个识别率高、速度快、分类准确的模型，用于识别图像中的道路是正常或者坑洼。