qq_51968155的博客

但是对于已经有长鼻子的大象来说，对其鼻子长度增长或缩短一点对于预测结果而言已经意义不大，会导致鼻子相关pixel的梯度近似为0。这种复杂的模型框架时，模型就像一个“黑盒”，我们无法对模型怎么产生结果的过程进行解释，从而导致从业人员对模型产生的结果存在怀疑。发现模型在分类的时候“视野”总是聚焦在图片边缘，这是因为宝可梦图片是.PNG，数码宝贝是.JPEG，加载宝可梦图片训练的时候，背景由透明变为。可见，当黄线处于饱和区，其对应的梯度接近于 0，如果只看梯度，这种情况下会得出鼻子长度无关紧要的错误结论。

即为图片Y与图片X的差异。在测试时，将测试图片A输入训练好的模型得到图片B，然后设置一个阈值a，两个图片的差距大于a的判定为异常，表明图片A与训练集的图片不属于统一类别。助教挂在GitHub上的Data已经失效，直接运行Sample Code会出现找不到Data的问题，而。上的Data可以使用，故需要按照上面的指令，使Kaggle的Data加载到Colab。可以通过Medium，就无法提升了。对输入的图片进行向量编码，其实是一个压缩过程，然后通过。训练过程为：输入图片X，将生成的向量输出为图片Y（解压），

特判了预测–答案首位置要在尾位置前面，训练的时候loss下降的非常快但是acc没什么提高，所以特判可能加的不对。不为NaN，但仍没有达到Strong Baseline。让答案不能总出现在window的中间部分从而导致模型只在window中间寻找答案。又不是NaN了，，所以这个位置特判不知道是否起了作用，汗。为0.732，较未换模型前略有提高，且。导致的，应该加上答案首尾的特判。是取概率和最大的首尾，并没有固定。跑的结果较早，又跑了一遍发现。，此时应该是答案序列的。），均体现在代码中。

这里贴一个可参考的。

通过训练集的食物图片训练卷积神经网络，其中食物类别共有11种，实现预测测试集食物图片的种类。

作业链接：https://speech.ee.ntu.edu.tw/~hylee/ml/ml2022-course-data/hw2_slides%202022.pdf。