正则化方法：防止过拟合，提高泛化能力避免过拟合的方法有很多：early stopping、数据集扩增（Data augmentation）、正则化（Regularization）包括L1、L2（L2 regularization也叫weight decay），dropout。权重衰减（weight decay）L2正则化的目的就是为了让权重衰减到更小的值，在一定程度上减少模型过拟合的问题，所以权重

卷积核就是图像处理时，给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核。又称滤波器。同样提取某个特征，经过不同卷积核卷积后效果也不一样（这是个重点，为什么说重点，因为CNN里面卷积核的大小就是有讲究的）。比如说：可以发现同样是锐化，下图5x5的卷积核要比上图3x3的卷积核效果细腻不少。说了这么多，我只想说明，（1）原始图像通

在机器学习中，数据集的合理划分会提高我们的训练效率。机器学习中这三种数据集合非常容易弄混，特别是验证集和测试集，这篇笔记写下我对它们三个的理解以及在实践中是如何进行划分的。数据在人工智能技术里是非常重要的！本篇文章将详细给大家介绍3种数据集：训练集、验证集、测试集。同时还会介绍如何更合理的讲数据划分为3种数据集。最后给大家介绍一种充分利用有限数据的方式：交叉验证法。先用一个不恰当的比喻来说明3种数

本地win10, cmd输入：ssh-keygen -t rsa -b 4096记事本打开c盘用户目录下的： .ssh\id_rsa.pub，此为公钥复制内容到远程linux的~/.ssh/authorized_keys在配置文件中添加本地私钥的地址即可完成免密码配置。...

文档基于b站视频：https://www.bilibili.com/video/BV187411T7Ye流程model.py ——定义LeNet网络模型train.py ——加载数据集并训练，训练集计算loss，测试集计算accuracy，保存训练好的网络参数predict.py——得到训练好的网络参数后，用自己找的图像进行分类测试文件目录结构截图：1. model.py先给出代码，模型是基于Le

YOLO（You Only Look Once）是一种基于深度神经网络的对象识别和定位算法。Yolo系列算法属于One-Stage算法,是一种基于深度神经网络的对象识别和定位算法，其最大的特点是运行速度很快，可以用于实时系统。现在YOLO已经发展到v5版本，不过新版本也是在原有版本基础上不断改进演化的。论文名称：You only look once unified real-time object

正则化方法：防止过拟合，提高泛化能力避免过拟合的方法有很多：early stopping、数据集扩增（Data augmentation）、正则化（Regularization）包括L1、L2（L2 regularization也叫weight decay），dropout。权重衰减（weight decay）L2正则化的目的就是为了让权重衰减到更小的值，在一定程度上减少模型过拟合的问题，所以权重

卷积核就是图像处理时，给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核。又称滤波器。同样提取某个特征，经过不同卷积核卷积后效果也不一样（这是个重点，为什么说重点，因为CNN里面卷积核的大小就是有讲究的）。比如说：可以发现同样是锐化，下图5x5的卷积核要比上图3x3的卷积核效果细腻不少。说了这么多，我只想说明，（1）原始图像通

卷积核就是图像处理时，给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核。又称滤波器。同样提取某个特征，经过不同卷积核卷积后效果也不一样（这是个重点，为什么说重点，因为CNN里面卷积核的大小就是有讲究的）。比如说：可以发现同样是锐化，下图5x5的卷积核要比上图3x3的卷积核效果细腻不少。说了这么多，我只想说明，（1）原始图像通

本文主要描述了如何使用现在热度和关注度比较高的Pytorch(深度学习框架)构建一个简单的卷积神经网络，并对MNIST数据集进行了训练和测试。MNIST数据集是一个28*28的手写数字图片集合，使用测试集来验证训练出的模型对手写数字的识别准确率。加载MNIST数据集MNIST 包括6万张28x28的训练样本，1万张测试样本，很多教程都会对它”下手”几乎成为一个 “典范”，可以说它就是计算机视觉里面