qq_40066957的博客

4.8 分布式训练学习目标目标 掌握TensorFlow的分布式训练接口使用 应用 无 当我们拥有大量计算资源时，通过使用合适的分布式策略，我们可以充分利用这些计算资源，从而大幅压缩模型训练的时间。针对不同的使用场景，TensorFlow 在 tf.distribute.Strategy`中为我们提供了若干种分布式策略，使得我们能够更高效地训练模型。4.8.1 Tenso...

4.7 Tensorflow执行模式学习目标目标 掌握tf的图执行模式原理与会话模式的区别 应用 无 4.7.1 Eager Execution与Graph Execution4.7.1.1 Graph Execution（图模式）特点: 预先定义计算图，运行时反复使用，不能改变 速度更快，适合大规模部署，适合嵌入式平台 TensorFlow 的图执行模式是...

4.6 TF常用功能模块学习目标目标 掌握Checkpoint使用 掌握TensorBoard使用 掌握data模块使用 掌握ImageDataGenerator的使用 应用 无 4.6.1 fit的callbacks详解回调是在训练过程的给定阶段应用的一组函数。可以使用回调来获取培训期间内部状态和模型统计信息的视图。您可以将回调列表（作为关键字参数callb...

4.5 Keras Pipline与自定义模型学习目标目标 掌握keras pipline的使用 掌握keras model训练验证方法使用 掌握keras自定义层、损失函数和评估指标的使用 应用 无 使用了 Keras 的 Subclassing API 建立模型，即对 tf.keras.Model类进行扩展以定义自己的新模型，同时手工编写了训练和评估模型的流程。这...

4.4 案例：CNN进行分类学习目标目标 掌握keras卷积网络相关API 掌握卷机网络的构建 了解迁移学习以及tf.keras.applications使用 应用 4.4.1 卷积神经网络构建识别手写数字卷积神经网络包含一个或多个卷积层（Convolutional Layer）、池化层（Pooling Layer）和全连接层（Fully-connected ...

4.3 TensorFlow快速入门模型学习目标 目标 模型的构建：tf.keras.Model和tf.keras.layers 模型的损失函数：tf.keras.losses 模型的优化器：tf.keras.optimizer 模型的评估：tf.keras.metrics 应用 无 ...

4.2 TensorFlow基础学习目标 目标 掌握TensorFlow基本张量操作 掌握TensorFlow的自动求导机制 应用 无 4.2.1 Tensorflow 计算TensorFlow 视为一个科学计算库。导入TensorFlowimport tensorflow as tfTensorFlow 使用...

4.1 深度学习框架-TensorFlow学习目标 目标 了解Tensorflow框架的组成、接口 了解TensorFlow框架的安装 知道tf.keras的特点和使用 应用 无 4.1.1 常见深度学习框架对比为什么需要深度学习框架但是如果您需要实现更复杂的模型，如卷积神经网络（CNN）或循环神经...

3.4.4 Inception 结构首先我们要说一下在Network in Network中引入的1 x 1卷积结构的相关作用，下面我们来看1*1卷积核的优点：3.4.4.1MLP卷积(1 x 1卷积) 目的:提出了一种新的深度网络结构，称为“网络中的网络”（NIN），增强接受域内局部贴片的模型判别能力。 做法 对于传统线性卷积核：采用线性滤波器，然后采用非线...

3.3.2 感受野1962年Hubel和Wiesel通过对猫视觉皮层细胞的研究，提出了感受野(receptive field)的概念，Fukushima基于感受野概念提出的神经认知机(neocognitron)可以看作是卷积神经网络的第一个实现网络。3.3.6 卷积网络的感受野Receptive field (RF)以及计算3.3.6.1 为什么学习感受野感受野的感念前面提到是...

3.3 卷积神经网络(CNN)学习目标 目标 了解卷积神经网络的构成 记忆卷积的原理以及计算过程 了解池化的作用以及计算过程 应用 无 3.3.1 为什么需要卷积神经网络在计算机视觉领域，通常要做的就是指用机器程序替代人眼对目标图像进行识别等。那么神经网络也好还是卷积神经网络其实都是上个世纪就有的算法，...

3.2.5 神经网络调优3.2.5.1 调参技巧3.2.5.2 运行通常我们有这么多参数组合，每一个组合运行训练都需要很长时间，但是如果资源允许的话，可以同时并行的训练多个参数模型，并观察效果。如果资源不允许的话，还是得一个模型一个模型的运行，并时刻观察损失的变化所以对于这么多的超参数，调优是一件复杂的事情，怎么让这么多的超参数范围，工作效果还能达到更好，训练变得更容易呢？...

3.2 深度学习正则化学习目标 目标 知道偏差与方差的意义 掌握L2正则化与L1正则化的数学原理 掌握droupout原理以及方法 知道正则化的作用应用 知道常用的一些神经网络超参数 知道BN层的意义以及数学原理 应用 应用完成dropout的实现 3.2.1 ...

3.1 深度学习优化算法学习目标 目标 知道局部最优问题、鞍点与海森矩阵 说明批梯度下降算法的优化 说明三种类型的优化算法 知道学习率退火策略 知道参数初始化策略与输入归一化策略 应用 应用完成梯度下降优化算法的实现 深度学习难以在大数据领域发挥最大效果的一个原因是，在巨大的数据...

2.5 浅层/深层神经网络学习目标 目标 知道浅层/深层神经网络的前向和反向计算过程 掌握激活函数的使用以及选择 知道神经网络的参数和超参数 应用 无 神经网络的表达能力 2.5.1 浅层神经网络的前向传播与反向传播浅层神经网络表示激活函数的前向传播和反向传播(了解)...

2.4 神经网络最优化过程学习目标 目标 知道最优化的定义 掌握神经网络的链式法则和反向传播算法 掌握计算图的向量计算方式 应用 应用完成单神经元神经网络 2.4.1 最优化(Optimization)2.4.1.1 梯度下降算法过程（复习）2.4.2 神经网络的链式法则与反向传播算法反...

2.3 分类器及损失学习目标 目标 知道基于图像像素映射的分类评分函数 说明SVM和Softmax线性分类器及其损失函数特点原理 应用 无 2.3.1 线性分类2.3.1.1 线性分类解释学习到的权重2.3.2 损失函数2.3.2.1 多分类SVM损失2.2.2.2 So...

2.2 神经网络简介学习目标 目标 知道神经网络的定义 了解感知机与神经网络的联系 了解神经网络的发展历史 应用 无 2.2.1 什么是神经网络要理解神经网络，先解释一种叫做感知机（perceptron）的人工神经元。感知机由科学家Frank Rosenblatt发明于1950至1960年代，他受到...

2.1 图像分类介绍学习目标 目标 了解图像分类任务以及挑战 知道最近邻分类器的特点、L1与L2距离的特点 应用 无 2.1.1 图像分类 任务目的：对输入的图像赋予一个标签，这个标签在指定类别集合中。 下面这个例子中，图像分类模型拍摄一张图像并将概率分配给4个标签{cat，dog，hat，mug}。如图所示，请记住...

1.1 计算机视觉任务学习目标 目标 了解计算机视觉发展历程 知道计算机视觉的常见任务 应用 无 1.2.1 计算机视觉发展历程 1、1963年，Larry Roberts发表了（可能是）CV领域的第一篇专业论文，用以对简单几何体进行边缘提取和三维重建。1966年，麻省理工学院(MIT)发起了一个夏季项目，目标是搭建一个...