卷积神经网络用于图像分类，最早可以追溯到Lenet-5,它最早被应用于手写数字的识别，并且取得了不错的分类效果。因为通常数据集是要求我们自己收集，而且有些数据并不是特别容易收集的，会遇到采集仪器价格昂贵、样本可收集性不高等问题。这就说明了一个潜在的问题，数据集要多大才能用于分类网络中。下面，送给大家三句话：训练集中每个类应有1000张图像；所用图像应当是具有代表性的高质量图像；如果图像数量不够，可

首先，要先说明，我讲的这些深度学习实战项目流程，主要针对于自建数据集。在使用前要导入需要用到的库，不然会导致代码报错。读取数据上边博文讲了怎么打标签，接下来就是读取已经打完标签的数据。df = pd.read_csv('train.csv')df = df.loc[:].values#从多个维度（行和列）对读取所有数据trainData = []trainLabels = []for item i

这个主干网络大多时候指的是提取特征的网络，其作用就是提取图片中的信息，共后面的网络使用。让网络的这两个部分同时进行训练，因为加载的backbone模型已经具有提取特征的能力了，在我们的训练过程中，会对他进行微调，使得其更适合于我们自己的任务。3.Bottleneck：瓶颈的意思，通常指的是网络输入的数据维度和输出的维度不同，输出的维度比输入的小了许多，就像脖子一样，变细了。经常设置的参数 bott

但是每一次更新参数利用多少误差，就需要通过一个参数来控制，这个参数就是学习率（Learning rate）,也称为步长。公式中的θ就是代表着权重参数，新的θ会由之前的θ计算得来，这个计算过程就是为了寻找目标函数收敛到最小值。那么公式中出现的α就是当下的学习率。最理想的学习率不是固定值，而是一个随着训练次数衰减的变化的值，也就是在训练初期，学习率比较大，随着训练的进行，学习率不断减小，直到模型收敛。

深度学习之给自建数据集打标签

这个主干网络大多时候指的是提取特征的网络，其作用就是提取图片中的信息，共后面的网络使用。让网络的这两个部分同时进行训练，因为加载的backbone模型已经具有提取特征的能力了，在我们的训练过程中，会对他进行微调，使得其更适合于我们自己的任务。3.Bottleneck：瓶颈的意思，通常指的是网络输入的数据维度和输出的维度不同，输出的维度比输入的小了许多，就像脖子一样，变细了。经常设置的参数 bott

这个主干网络大多时候指的是提取特征的网络，其作用就是提取图片中的信息，共后面的网络使用。让网络的这两个部分同时进行训练，因为加载的backbone模型已经具有提取特征的能力了，在我们的训练过程中，会对他进行微调，使得其更适合于我们自己的任务。3.Bottleneck：瓶颈的意思，通常指的是网络输入的数据维度和输出的维度不同，输出的维度比输入的小了许多，就像脖子一样，变细了。经常设置的参数 bott

这个主干网络大多时候指的是提取特征的网络，其作用就是提取图片中的信息，共后面的网络使用。让网络的这两个部分同时进行训练，因为加载的backbone模型已经具有提取特征的能力了，在我们的训练过程中，会对他进行微调，使得其更适合于我们自己的任务。3.Bottleneck：瓶颈的意思，通常指的是网络输入的数据维度和输出的维度不同，输出的维度比输入的小了许多，就像脖子一样，变细了。经常设置的参数 bott

深度学习之给自建数据集打标签

深度学习之给自建数据集打标签