登录社区云，与社区用户共同成长
邀请您加入社区
本文详细介绍了如何使用Python和PyTorch实现最大均值差异（MMD）来解决迁移学习中的分布对齐问题。通过对比传统KL散度方法，MMD在无需密度估计、计算高效等方面具有显著优势，并提供了完整的代码实现和实战应用案例，帮助开发者轻松应对图像分类任务中的域适应挑战。
迁移学习是解决小样本图像分类问题的核心范式，其原理在于复用预训练模型的通用视觉特征，仅微调任务相关层以降低数据与算力成本。在Java技术栈中，DJL（Deep Java Library）提供了引擎无关、内存可控、模型即服务的工业级支持，显著提升CV模型在Spring Boot等生产环境中的可部署性与稳定性。结合ResNet嵌入层冻结、分层学习率、NDManager显式管理等关键技术点，DJL让Ja
结核病是由结核分枝杆菌引起的严重传染病，全球每年仍有大量新发病例和死亡病例。传统的结核病诊断主要依赖痰涂片镜检，该方法耗时长、灵敏度低且高度依赖检验人员经验。为解决这一问题，本研究提出基于YOLO26的结核杆菌自动检测系统。该系统使用单一类别（TBbacillus）检测目标，训练集包含1098张标注图像，验证集122张。实验结果表明，模型在IoU=0.5条件下的平均精度均值(mAP@0.5)达到0
图像分类是计算机视觉最基础且落地最广的任务，而小数据集（每类≤500张）则是工业质检、医疗初筛、农业识别等垂直场景的真实约束。迁移学习通过复用预训练模型的通用特征表示，显著降低对标注数据量和算力的需求，成为小样本场景下的关键技术路径。在Java技术栈主导的生产环境中，直接集成Python AI生态常面临部署不一致、内存不可控、调试难追溯等工程瓶颈。DeepLearning4J（DL4J）提供原生J
计算机视觉中的图像分类技术是深度学习的核心应用之一，通过卷积神经网络(CNN)自动提取图像特征实现物体识别。基于迁移学习的方法可以利用ImageNet等大型数据集预训练模型，显著提升小规模专项任务的准确率。在PyTorch框架下，开发者可以快速实现VGG、ResNet等经典架构的迁移适配，结合数据增强和模型量化技术优化部署效率。这类技术在智能环保领域具有重要价值，如本项目的智能垃圾分类系统，通过P
摘要 本文实现了一套完整的人脸考勤系统，基于ResNet50迁移学习技术，在5CelebrityFaces数据集（93张样本）上训练5分类人脸识别模型，准确率达98.92%。系统包含OpenCV人脸检测、数据增强、模型训练与评估模块，并集成考勤业务逻辑（签到去重、迟到/早退判定）及Excel/CSV报表自动导出功能。代码支持Kaggle Notebook一键运行，涵盖图像分类、工程化落地全流程，适
原帖： 阿里云云栖社区 https://yq.aliyun.com/articles/114669 排版清晰，建议去原帖看 更多深度文章，请关注：https://yq.aliyun.com/cloud 2016年，欧莱礼媒体公司首席数据科学家罗瑞卡宣称：“2017年将是数据科学和大数据圈参与AI技术合作的一年。”在2017年之前，对基于GPU的深度学习已经...
本文探讨了深度学习技术在皮肤癌图像分类中的应用和进展。文章首先介绍了皮肤癌的严重性和早期检测的重要性，随后详细阐述了使用卷积神经网络（CNN）和迁移学习等技术在自动化皮肤癌检查和诊断方面的最新研究。文章重点介绍了在ISIC 2019数据集上实施的基于深度学习的自动系统，该系统通过数据预处理和增强、迁移学习以及微调预训练模型等方法，显著提高了对皮肤病变图像分类的准确性。
PyTorch与TensorFlow2.x深度学习框架对比摘要 本文对比了两大主流深度学习框架PyTorch和TensorFlow2.x的核心特点。PyTorch以简洁灵活著称，采用动态计算图，调试直观，学习曲线平缓，适合科研和快速原型开发；TensorFlow2.x则注重工业级应用，提供全链路工具链，支持跨平台部署，适合生产环境。建议入门者根据目标选择：科研优先选PyTorch，工业应用选Ten
1.传统机器学习（Traditional Machine Learning）传统机器学习是一类通过算法让计算机从特定任务的标注数据中自主学习规律，进而对未知数据进行预测或决策的技术。其核心逻辑是“为单一任务定制学习模型”，即针对每个新任务，都需要重新收集足量标注数据、设计特征工程，并训练全新的模型。模型的学习过程局限于当前任务的数据集，无法利用其他任务的知识经验，学习结果也仅适用于当前任务场景。
主要内容：免费开题报告、任务书、全bao定制+中期检查PPT、代码编写、🚢文编写和辅导、🚢文降重、长期答辩答疑辅导、一对一专业代码讲解辅导答辩、模拟答辩演练、和理解代码逻辑思路。
本文介绍了一个基于ResNet50的野外可食用鲜花分类项目，主要包含以下内容： 项目结构：提供了数据集链接和项目目录结构 核心模块： CBAM注意力机制模块实现（通道+空间注意力） ONNX模型导出和推理代码 功能实现： 权重转换：将PyTorch模型导出为ONNX格式 图像分类：支持中文/英文类别映射 性能评估：提供推理耗时统计 特色： 包含61种可食用植物的分类能力 中英双语标签支持 完整的预
摘要：本文介绍了计算机视觉中迁移学习和数据增强的应用方法。在迁移学习部分，以猫检测器为例，展示了如何利用预训练网络权重进行模型初始化，并根据数据量大小选择冻结不同层数进行训练的策略。数据增强部分则讨论了镜像对称、随机裁剪、旋转和颜色转换等方法来扩充有限数据集，提高模型训练效果。文章强调应根据实际数据量灵活调整训练策略，在数据不足时充分利用预训练模型和数据增强技术来提升模型性能。
微调是一种迁移学习方法，通过预训练模型提升目标任务的性能。具体步骤包括：1）在源数据集预训练模型；2）复制除输出层外的网络结构和参数；3）针对目标数据集添加新输出层并随机初始化；4）用较小学习率微调预训练层，较大学习率训练新输出层。实验表明，使用ImageNet预训练的ResNet18模型在微调后（输出层学习率×10）获得93.6%的测试准确率，显著优于从头训练的模型。微调方法能有效利用预训练模型
1 迁移学习1.0 简介图1.0 迁移学习迁移学习是机器学习研究的课题,在机器学习中集中于依据习得的知识解决不同但相关的问题;即用已知去解决未知(相关);1.2 迁移学习分类(1) 使用模型结构,不利用模型权重,重新训练数据,输出训练模型图1.2 仅利用模型结构重新训练当新的任务与现存的模型任务差距较大时,可借鉴模型结构,重新进行训练,以达到较优的效果,如图1.2中的摩托车和肿瘤...
本周主要跟随李宏毅老师的课程学习了迁移学习相关的内容，主要对模型微调、多任务学习、领域对抗学习和零样本学习进行了较为深入的了解。本周对迁移学习相关内容进行了学习，主要学习了模型微调和多任务学习、领域对抗学习、零样本学习等知识，认识到迁移学习主要是利用别的领域上大量的样本训练模型初始权重优化训练过程的一些方法，对模型设计和训练有了更进一步的认识。
水下目标检测面临水体浑浊、颜色衰减、小目标识别等挑战。本文总结了前沿技术路线：1）水下图像预处理（去雾/增强）；2）特征提取改进（Transformer/多特征融合）；3）检测头优化；4）后处理改进。以PyTorch为例展示了去雾模块与检测网络的融合方法，并提供了工程实践建议。目前该领域正从传统CNN向多模态融合、Transformer等方向发展，未来需要进一步解决水下环境干扰和数据稀缺问题。
目标检测和迁移学习是现代AI，尤其是深度学习不可或缺的两大基石。目标检测通过一系列精妙的算法设计（从两阶段的精度优势到单阶段的速度优势），实现了机器对“看懂”世界的跨越。未来的趋势将是更轻量化、更高效、更通用的模型，例如结构（如DETR）的引入，正推动目标检测向更简洁的端到端范式发展。迁移学习则极大地提高了深度学习的实用性和可扩展性。通过复用知识，它有效解决了数据稀疏和高昂计算成本的问题，让深度学
通过继承该类通过.txt文件读取样本路径与类别标签，实现灵活的数据管理。本文完整展示了一个基于ResNet18 迁移学习的20类图像分类任务，从模型加载、参数冻结、数据增强、训练与验证流程，到优化器与学习率调度的全流程实现。通过冻结特征提取层、仅微调分类层的设计，我们能够以极低的训练成本获得高准确率模型，体现了迁移学习在现实任务中的高效性与实用价值。
本文深入探讨了智能草药识别系统背后的深度学习技术，包括卷积神经网络（CNN）、循环神经网络（RNNs）、最近邻（k-NN）和多层感知器（MLP）。通过误差函数分析、反向传播算法和不同的机器学习模型，如VGGNet、CaffeNet和Inception，这些技术被用于提高识别草药图像的准确性。此外，文章还讨论了迁移学习的概念，以解决训练新模型时对大数据集的需求。
迁移学习
——迁移学习
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
亚马逊云科技技术品牌专区
深开鸿 技术专区
DAMO开发者矩阵
