- 博客(68)
- 收藏
- 关注
RSS订阅原创 转置卷积(Transposed Convolution)可视化过程
转置卷积（Transposed Convolution）经常也被称作反卷积，所谓反卷积即为通过标准卷积层生成的输出被反卷积，将得到原始输入。而转置卷积不按值反转标准卷积，而仅按维度。转置卷积层和标准卷积层的计算原理完全相同，不同的是输入特征图不同。下面分别介绍标准卷积和转置卷积。，这篇博客只介绍转置卷积的具体实现。转置卷积的用处主要是对特征图进行上采样；转置卷积其实也是一种标准卷积，只不过要先根据输入的参数对输入特征图进行修改，也就是填充操作；转置卷积在滑动点积操作时的Padding和。
2023-05-11 09:22:00
901
原创 OCT 医学图像分类
图中，最左侧为脉络膜新生血管(CNV)，具有新生血管膜(白色箭头)和相关的视网膜下液(箭头)；训练过程中会保留微调后的模型参数，在微调完成之后，加载微调后的模型参数训练PDBL模块，同时要保存ResNet50+PDBL的模型参数，在全部训练过程完成之后，加载ResNet50+PDBL模型对OCT数据集的测试集进行预测验证模型性能，结果如图7(右)所示。OCT图像中含有大量的噪声以及许多无关区域，即背景区域有很多，因此对OCT图像的处理的目的就是对OCT图像进行去噪，将前景区域对齐并裁剪，舍弃背景区域。
2023-02-20 19:29:14
4163
原创 PyTorch 加载 Mask R-CNN 预训练模型并 fine-tuning
假设我们最终需要的特征图大小为 2 × 2，我们需要将 RoI 的特征图平均等分成 4 份，然后再将每个方格分成 4 小块，取每个小块的中心作为黑点，然后对这 4 个黑点的值选择最大值或者均值，作为这个方格最终的特征，如上图。小黑点周围会有特征图上的 4 个特征点，利用这 4 个特征点双线性插值出该黑点的值。首先假设 RoI 在原图上的大小为 x，原图到特征图缩小了 k 倍，则 RoI 对应到特征图大小就是 x / k，这里不对坐标进行取整，这意味着网格中没有确定的像素可以取，因为新坐标是浮点值。
2022-11-09 12:47:47
3152
1
原创 Python 中 sys.argv[] 的含义及用法
绝对路径和相对路径都有可能，因为我上面运行的是。是一个列表数据，那里面包含什么呢？再重新修改运行指令，在原命令后加上字母。用于存储外部输入的变量。
2022-08-23 18:21:29
366
原创 强化学习——PyTorch 实现 Advantage Actor-Critic (A2C)
本博客的理论知识来自王树森老师《深度强化学习》，这本书写得简直太好了，强烈推荐，只是现在还在校对没出版，可能有些小瑕疵，但并不影响阅读和学习。
2022-07-26 16:31:34
3766
原创 论文阅读：Generative Adversarial Transformers
背景：核心思想： 针对上述 CNN 对生成图像任务存在的问题，作者借助 transformer 思想，提出了一个双向结构。将 GAN 网络生成的图像的信息和隐藏变量的信息来回传递，鼓励双方从对方那里学到知识，让场景和物体能组合出现。其本质上是将 StyleGAN 推广，加上了 transformer。StyleGAN 的信息只从隐藏空间流向图片，而借助 transformer 让信息反向传递，提高隐藏变量的解耦性和质量。隐藏变量反过来影响生成的图像，让其质量更高。主要贡献： Generative Adv
2022-06-24 19:27:23
1190
6
原创 基于 PCA 的人脸识别系统及人脸姿态分析
在解决实际问题的时候，多变量问题是经常会遇到的，变量太多，无疑会增加分析问题的难度与复杂性。同时，在许多实际问题中，多个变量之间是具有一定的相关关系的。因此，能否在各个变量之间相关关系研究的基础上， 用较少的新变量代替原来较多的变量，而且使这些较少的新变量尽可能多地保留原来较多的变量所反映的信息？事实上，这种想法是可以实现的。 PCA(Principal Components Analysis,，主成分分析)是将原来多个变量化为少数几个综合指标的一种统计分析方法，从数学角度来看，这是一种降维处理技术。
2022-06-19 21:33:19
2961
原创 PyTorch——实现自注意力机制（self-attention）
文章目录1 原理简述1 原理简述 Self-Attention Layer 一次检查同一句子中的所有单词的注意力，这使得它成为一个简单的矩阵计算，并且能够在计算单元上并行计算。 此外，Self-Attention Layer 可以使用下面提到的 Multi-Head 架构来拓宽视野，也就是多头注意力机制。Self-Attention Layer 基本结构如下：对于每个输入 x\boldsymbol{x}x，首先经过 Embedding 层对每个输入进行编码得到 a1,a2,a3,a4\boldsy
2022-05-27 22:22:18
27850
37
原创 论文阅读：Pseudo-Label : The Simple and Efficient Semi-Supervised Learning Method for Deep Neural Network
论文阅读：Pseudo-Label : The Simple and Efficient Semi-Supervised Learning Method for Deep Neural Networks1 文章简述 该文章的主要思想是将预测概率最大的标记作为无标记数据的伪标签，然后给未标记数据设一个权重，在训练过程中慢慢增加未标记数据的权重来进行训练，在手写体数据集上有了较好的性能。算法流程如下：输入：样本集 D1={(x1,y1),(x2,y2),⋯ ,(xn,yn)},D2={x1,x2,,⋯
2022-05-24 21:50:40
969
原创 Python 中的图：A* 算法
文章目录1 什么是A*算法1.1 A* 的基本概念1.2 启发函数的可接受性和一致性2 Python 实现 A* 算法1 什么是A*算法 假设一个走迷宫游戏，我将 A 点定义成起点也就是开始状态，定义 B 为终点也就是结束状态。我们的目标就是找到从 A 走到 B 地最佳路径，如下图所示：我们可以将上述的迷宫看做一张图，在简单的情况下（比如这个），生成的图由少量节点和边组成，BFS、DFS 和 Dijkstra 就足够了。然而，在现实生活中，因为我们通常要处理组合复杂性非常大的问题，我们将不得不处理
2022-05-14 19:03:24
3031
1
原创 MTCNN 测试时的一些 tips
目录1 网络结构2 图像金字塔3 其他4 效果5 参考1 网络结构 MTCNN 是多任务级联 CNN 的人脸检测深度学习模型，该模型不仅考虑了人脸检测概率，还综合训练了人脸边框回归和面部关键点检测，多任务同时建立 loss function 并训练，因此为 MTCNN。级联 CNN 主要由三个子网络组成：P-Net、R-Net 和 O-Net。 P-Net 的结构如下：从网络结构上看，P-Net 接受大小为 (12，12，3) 的图片的输入，输出三种特征图，大小为 (1，1，C)，也就是说最终
2022-05-13 17:43:24
945
原创 机器学习（20）——循环神经网络（二）
文章目录1 RNN 的缺点2 LSTM2.1 遗忘门2.2 输入门2.3 输出门3.4 小结3 GRU3.1 复位门3.2 更新门3.3 小结1 RNN 的缺点 我在上一篇博客中跟大家一步一步探索了 RNN 模型的网络结构，最后面也介绍了 RNN 的应用场景。但在实际应用中，标准 RNN 训练的优化算法面临一个很大的难题，就是长期依赖问题——由于网络结构的变深使得模型丧失了学习到先前信息的能力，通俗的说，标准的 RNN 虽然有了记忆，但很健忘，也即标准 RNN 只有短时记忆。循环神经网络在处理较长的句
2022-05-08 17:47:25
1382
原创 机器学习（19）——循环神经网络（一）
文章目录1 简介2 序列表示方法2.1 独热表示2.2 分布式表示2.3 Embedding 层3 一个例子3.1 考虑全连接3.2 考虑权重共享3.3 考虑全局语义3.4 循环神经网络3.5 小结4 RNN 类型5 反向传播(只是探讨梯度问题)1 简介 在本系列文章中，我有跟大家分享过神经网络中两种经典层：卷积层(CNN) 和 全连接层(FC)，这两种层的输入数据分别是：特征向量和图像(张量)，在具体实现时输入的多样本之间是相互独立的，无联系关系。而且，卷积神经网络利用数据的局部相关性和权值共享的思
2022-05-06 23:07:35
1416
原创 机器学习（18）——卷积神经网络（三）
前言 卷积神经网络发展非常迅速，应用非常广阔，所以近几年的卷积神经网络得到了长足的发展，下图为卷积神经网络近几年发展的大致轨迹。 1998年LeCun提出了 LeNet，可谓是开山鼻祖，系统地提出了卷积层、 池化层、全连接层等概念。2012年Alex等提出 AlexNet，提出 一些训练深度网络的重要方法或技巧，如 Dropout、ReLu、GPU、数据增强方法等，随后各种各样的深度卷积神经网络模型相继被提出，其中比较有代表性的有 VGG 系列，GoogLeNet 系列，ResNet 系列，Den
2022-05-01 18:07:07
1863
原创 机器学习（17）——卷积神经网络（二）
文章目录1 池化层2 BatchNorm层1 池化层 在上篇博客中，有跟大家分析过，在卷积层中没有 padding 的情况下，可以通过调节步长参数 s\boldsymbol{s}s 实现特征图的高宽成倍缩小，从而降低了网络的参数量。但是在实际上我们通常使用 Same卷积，即输入和输出特征图的维度一样，这样一来将面临巨大的计算量挑战，而且容易产生过拟合的现象，因此我们需要一种专门的网络层可以实现尺寸缩减功能，它就是这里要介绍的 池化层(pooling layer)，通常，池化操作也被称作 下采样。
2022-04-27 20:20:15
2841
1
原创 机器学习（16）——卷积神经网络（一）
文章目录1 简介2 卷积层2.1 权值共享2.2 卷积操作2.3 单通道输入和单卷积核2.4 多通道输入和单卷积核2.5 多通道输入和多卷积核1 简介 卷积网络（convolutional network）(LeCun, 1989)，也叫做 卷积神经网络（convolutional neural network, CNN），是一种专门用来处理具有类似网格结构的数据的神经网络。例如时间序列数据（可以认为是在时间轴上有规律地采样形成的一维网格）和图像数据（可以看作是二维的像素网格）。卷积网络在诸多应用领域
2022-04-26 18:02:38
5957
2
原创 LeetCode刷题——字符串
344. 反转字符串 编写一个函数，其作用是将输入的字符串反转过来。输入字符串以字符数组 s 的形式给出。不要给另外的数组分配额外的空间，你必须原地修改输入数组、使用 O(1) 的额外空间解决这一问题。示例一：输入：s = ["h","e","l","l","o"]输出：["o","l","l","e","h"]示例二：输入：s = ["H","a","n","n","a","h"]输出：["h","a","n","n","a","H"]思路：双指针。class Solution:
2022-04-21 20:07:29
818
1
原创 Python 中的图：图的存储结构
文章目录1 什么是图2 图的三种存储方式2.1 边列表(List of Edges)2.1.1 原理2.1.2 Python 实现1 什么是图 图是一种数据结构，可用于对对象之间的层次结构和关系进行建模。它由一组节点和一组边组成。节点表示单个对象，而边表示这些对象之间的关系。注意：可能在不同的文献中节点也被称作顶点，它们指同一个意思。 如果图中的边可以通过双向遍历，则是无向图(undirected)，如果只能通过一个方向进行遍历，则是有向图(undirected)。并非图的所有节点都需要与其他
2022-04-15 19:32:28
5676
7
原创 LeetCode——哈希表经典例题
242. 有效的字母异位词 给定两个字符串 s 和 t ，编写一个函数来判断 t 是否是 s 的字母异位词。注意：若 s 和 t 中每个字符出现的次数都相同，则称 s 和 t 互为字母异位词。示例 1:输入: s = "anagram", t = "nagaram"输出: true示例二：输入: s = "rat", t = "car"输出: false思路：定义一个数组叫做 record，大小为 26就可以了，初始化为0，因为题目规定两个字符串的的字符均是小写字母。class So
2022-04-15 09:02:20
1611
原创 Python 中的图：Dijkstra 算法
介绍 图是最有用的数据结构之一。它们可用于对几乎所有事物进行建模——对象关系和网络是最常见的。图像可以表示为网格状的像素图，句子可以表示为单词的图。图表被用于各个领域，从制图到社会心理学，当然它们在计算机科学中也被广泛使用。因此图搜索和遍历起着重要的计算作用。Dijkstra 算法旨在找到 图中节点 之间的最短路径。它是由荷兰计算机科学家 Edsger Wybe Dijkstra 于 1956 年在思考从鹿特丹到格罗宁根的最短路线时设计的。Dijkstra 算法 多年来一直在发生变化，并且存在各种版本和
2022-04-12 19:42:56
7053
7
原创 【Opencv】目标追踪——高斯混合模型分离算法(MOG)
文章目录1 环境2 效果3 原理4 代码1 环境Python 3.8.8PyCharm 2021opencv-python2 效果3 原理 视频图像中的目标检测与跟踪，是计算机视觉的基础课题，同时具有广泛的应用价值。视觉目标(单目标)跟踪任务就是在给定某视频序列初始帧的目标大小与位置的情况下，预测后续帧中该目标的大小与位置。依照目标与摄像头之间的关系可分为两种场景的目标追踪：静态场景：目标检测相对简单，研究渐趋成熟。动态场景：相对复杂，当前研究领域的热点。本文只介绍静态场景的
2022-04-11 10:43:43
9087
3
原创 机器学习（15）——优化算法
文章目录前言1 梯度下降算法1.1 BGD1.2 SGD1.3 MBGD2 基于动量的优化算法2.1 基于动量的SGD2.2 基于NAG的SGD3 自适应优化算法3.1 AdaGrad3.2 RMSProp3.2 Adam4 优化器的选择前言 在机器学习模型中，我们会使用损失函数对模型的输出和标注信息计算他们之间的差异，然后使用损失进行反向传播，在反向传播中，我们的目的是不断地更新参数使得模型损失越来越小直至达到最小，这过程是优化参数的过程，基础的优化算法是使用梯度下降法(如下图)，梯度下降法利用了梯
2022-04-06 21:14:44
2255
1
原创 机器学习（14）——激活函数
这里写目录标题1 定义2 激活函数的优点3 常用的激活函数3.1 单位阶跃函数3.2 Logistic函数3.3 Tanh函数3.4 ReLU函数3.5 LeakyReLU函数3.6 Softmax函数4 如何选择恰当的激活函数1 定义 激活函数 (Activation functions) 对于人工神经网络模型去学习、理解非常复杂和非线性的函数来说具有十分重要的作用。它们将非线性特性引入到神经网络中。在下图中，输入的 inputs 通过加权，求和后，还被作用了一个函数，这个函数就是激活函数。引入激活
2022-04-01 12:10:29
5575
原创 【Opencv】图像分割——区域生长
文章目录1 环境2 效果3 原理4 案例1 环境Python 3.8.8PyCharm 2021opencv-python2 效果3 原理 区域生长的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素具有相同或相似性质的像素（根据某种事先确定的生长或相似准则来判定）合并到种子像素所在的区域中。将这些新像素当做新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来，这样，一个区域就长成
2022-03-29 22:09:20
14145
9
原创 【Opencv】图像分割——区域分裂合并
文章目录1 环境2 效果3 原理4 代码1 环境Python 3.8.8PyCharm 2021opencv-python2 效果3 原理 区域生长是从某个或者某些像素点出发，最后得到整个区域，进而实现目标提取。分裂合并差不多是区域生长的逆过程：从整个图像出发，不断分裂得到各个子区域，然后再把前景区域合并，实现目标提取。分裂合并的假设是对于一幅图像，前景区域由一些相互连通的像素组成的，因此，如果把一幅图像分裂到像素级，那么就可以判定该像素是否为前景像素。当所有像素点或者子区域完成判断以
2022-03-28 21:54:17
11129
7
原创 LeetCode——二叉树的前中后序遍历
二叉树主要有两种遍历方式：深度优先遍历：先往深走，遇到叶子节点再往回走。广度优先遍历：一层一层的去遍历，也就是常说的层遍历。在深度优先遍历中：有三个顺序，前中后序遍历，这中间的"前中后"指的是遍历父节点的先后顺序，且左节点永远在右节点前面遍历。前序遍历(父左右)：F、B、A、D、C、E、G、I、H。中序遍历(左父右)：A、B、C、D、E、F、G、H、I。后序遍历(左右父)：A、C、E、D、B、H、I、G、F。图片来源：https://zh.m.wikipedia.org/
2022-03-27 14:45:40
1073
1
原创 【OpenCv】图像分割——聚类算法
文章目录1 原理2 API3 图像分割4 代码解释1 原理KMeans算法概述KMeans算法的作者是MacQueen， KMeans的算法是对数据进行分类的算法，采用的硬分类方式，是属于非监督学习的算法；对于给定的样本集，按照样本之间的距离大小，将样本划分为K个簇，让簇内的点尽量紧密的连接在一起，而让簇间的距离尽量的大。KMeans算法流程1：选择K个点作为初始质心。2：Repeat3： 计算邻近度，将每个点指派到最近的质心，形成K个簇；4： 重新计算每个簇的质心；5： Unti
2022-03-25 12:22:43
9609
4
原创 【OpenCv】图像分割——分水岭算法
文章目录1 原理2 算法改进3 API4 实例1 原理 分水岭分割方法，是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构筑大坝，即形成分水岭。这种方法也称作泛洪法，对应的
2022-03-25 01:25:32
9094
1
原创 LeetCode——回溯算法的经典问题
17. 电话号码的字母组合给定一个仅包含数字 2-9 的字符串，返回所有它能表示的字母组合。答案可以按任意顺序 返回。给出数字到字母的映射如下（与电话按键相同）。注意 1 不对应任何字母。示例：输入：digits = "23"输出：["ad","ae","af","bd","be","bf","cd","ce","cf"]class Solution: def letterCombinations(self, digits: str) -> List[str]:
2022-03-24 21:13:43
901
原创 KNN 算法实现 Iris 数据集分类
文章目录1 scikit-learn介绍2 scikit-learn常用模块2.1 数据集模块2.2 数据预处理模块2.3 特征提取与选择模块3 K邻近算法(K-Nearest Neighbor, KNN)介绍4 KNN算法实现Iris数据集的分类1 scikit-learn介绍scikit-learn与机器学习的关系：Scikit-learn是基于Python语言的第三方机器学习库。它包含了几乎所有主流机器学习算法的实现，并提供一致的调用接口。Scikit-learn基于 NumPy 和 Sci
2022-03-21 11:50:54
6628
原创 【OpenCv】图像的轮廓查找
1 原理 边界或者轮廓可以简单认为成将连续的点（连着边界）连在一起的曲线，具有相同的颜色或者灰度。轮廓在形状分析和物体的检测和识别中很有用。在机器视觉领域最常用的轮廓查找的算法之一是 Moore-Neighbor 算法，像素的摩尔邻域 PPP 是与该像素共享顶点或边的 888 个像素的集合。这些像素即 如下图所示的像素P1P1P1、P2P2P2、P3P3P3、P4P4P4、P5P5P5、P6P6P6、P7P7P7和P8P8P8。 摩尔邻域（也称为8 邻域或 间接邻域）是文献中经常出现的一个重要概念。
2022-03-19 10:38:37
7725
2
原创 机器学习（13）——对抗攻击
文章目录前言1 原理2 攻击方式2.1 针对模型的攻击2.1.1 白盒攻击2.1.2 黑盒攻击2.2 针对输出的攻击2.2.1 无目标攻击2.2.2 有目标攻击3 对抗样本生成方式4 实例5 流程图前言 在人工智能带来的风险中，对抗攻击就是重要风险之一。攻击者可以通过各种手段绕过，或直接对机器学习模型进行攻击达到对抗目的，使我们的模型失效或误判。如果类似攻击发生在无人驾驶、金融AI等领域则将导致严重后果。所以，需要未雨绸缪，认识各种对抗攻击，并有效地破解各种对抗攻击。1 原理 对抗攻击最核心的手
2022-03-17 20:19:26
6153
2
原创 【OpenCv】圆环展平
环境Python 3.8.8PyCharm 2021opencv-python效果原始圆环：展平之后：基本原理首先是对圆环进行圆检测，检测出外圆和内圆的圆心和半径。关于圆检测，可以看我这篇博客https://blog.youkuaiyun.com/weixin_53598445/article/details/123495680后以外圆的周长，圆环的宽度也即内圆和外圆的半径之差作为宽创建一个矩形，若无法检测内圆，可以粗略使用外圆半径的二分之一作为宽。从圆环的最外圈开始遍历，最外圈即对应着矩
2022-03-15 23:38:37
6140
6
原创 【OpenCv】检测黑白棋
环境Python 3.8.8Pycharm 2021opencv-Python效果基本原理圆检测的原理是在直线检测原理上的拓展，可以先看看我这篇博客霍夫直线检测下面介绍圆检测的不同之处。圆的表达式如下：(x−a)2+(y−b)2=r(x-a)^2+(y-b)^2=r(x−a)2+(y−b)2=r其中aaa和bbb表示圆心坐标，rrr表示圆半径，因此标准佛如霍夫圆检测就是在这三个参数组成的三维空间累加器上进行圆检测，此时效率就会很低，所以OpenCvOpenCvOpenCv中使用
2022-03-15 10:46:46
4090
1
原创 古典概型、条件概率
文章目录1 概率1.1 定义1.2 性质2 古典概型2.1 定义2.2 计算公式3 条件概率3.1 定义3.2 性质3.3 乘法定理1 概率1.1 定义定义 (概率的公理化定义)：设 EEE 是随机试验，其样本空间 SSS ，对于 EEE 的每一事件 AAA 赋于一个实数，记为 P(A)P(A)P(A)，称为事件 AAA 的概率,集合函数 P(⋅)P(\cdot)P(⋅) 满足下列条件：(1) 非负性：对于每一个事件 AAA ，有 P(A)≥0P(A)\geq0P(A)≥0(2) 规范性: 对于必
2022-03-13 15:13:51
2272
原创 【OpenCv】霍夫直线检测
文章目录前言1 原理前言 Hough变换是实现边缘检测的一种有效方法，其基本思想是将测量空间的一点变换到参量空间的一条曲线或曲面，而具有同一参量特征的点变换后在参量空间中相交，通过判断交点处的积累程度来完成特 征曲线的检测。1 原理 保罗·哈夫于1962年提出了Hough变换法，并申请了专利。该方法 将图像空间中的检测问题转换到参数空间，通过在参数空间里进行简单的累加统计完成检测任务，并用大多数边界点满足的某种参数形式来描述图像的区域边界曲线。这种方法对于被噪声干扰或间断区域边界的图像具有良好的
2022-03-08 09:15:44
5684
3
原创 【Opencv】基于色差的简单目标提取
所有颜色都是由RRR(红)、GGG(绿)、BBB(蓝) 3个单色调配而成， 每种单色都人为地从0～2550～2550～255分成了256256256个级，所以根据RRR、 GGG、BBB的不同 组合可以表示256×256×256=16777216256×256×256=16777216256×256×256=16777216种颜色，被称为全彩色图像(full-color image)或者真彩色图像(true-color image)。一幅全彩色图像如果不压缩，文件将会很大。例如，一幅640×480640
2022-03-07 10:48:41
3364
原创 机器学习(十二) DeepDearm模型
文章目录前言1 DeepDream原理2 DeepDream算法流程3 PyTorch实现DeepDream4 全部代码(详细注释)前言 卷积神经网络取得了突破性进展，效果也非常理想，但是卷积神经网络的学习过程难以从理论上难以解释，因此被不少人诟病。因此可视化其的学习过程十分重要，DeepDream 模型的目的也正是如此。DeepDearm 模型在2015年由谷歌提出，理论基础是2013年所提出的《Visualizing and Understanding Convolutional Neural N
2022-03-05 16:30:34
3520
原创 机器学习(十一) 迁移学习
目录前言1 原理前言 迁移学习在计算机视觉任务和自然语言处理任务中经常使用，这些模型往往需要大数据、复杂的网络结构。如果使用迁移学习，可将预训练的模型作为新模型的起点，这些预训练的模型在开发神经网络的时候已经在大数据集上训练好、模型设计也比较好，这样的模型通用性也比较好。如果要解决的问题与这些模型相关性较强，那么使用这些预训练模型，将大大地提升模型的性能和泛化能力。1 原理 迁移学习(Transfer Learning)是机器学习的一个研究方向，主要研究如何将任务 A 上面学习到的知识迁移到任务
2022-02-25 23:15:37
3640
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人