1.24
摘要：12
阅读全文
posted @ 2024-01-24 23:05
01 2024 档案
深度学习之机器学习理论
摘要：（一）机器学习（Machine Learning）：就是让计算机具备从大量数据中学习的能力之一系列方法。机器学习使用很多统计方法，统计学家也称之为统计学习，但本质上起源于计算机科学的人工智能。 （二）机器学习的分类：机器学习主要分为两类，即监督学习(supervised learning)与非监督学
阅读全文
posted @ 2024-01-11 21:38
spark学习
摘要：Spark提供了6大组件： Spark Core：Spark Core 是 Spark 的基础，它提供了内存计算的能力，是分布式处理大数据集的基础。它将分布式数据抽象为弹性分布式数据集（RDD），并为运行在其上的上层组件提供 API。所有 Spark 的上层组件都建立在 Spark Core 的基础
阅读全文
posted @ 2024-01-10 20:59
TensorFlow社区与未来展望
摘要：在最后一天，我回顾了我的学习之旅，并介绍了TensorFlow社区。我分享了一些优秀的资源、博客和论坛，以及对TensorFlow未来发展的一些展望。我计划继续深入学习，关注TensorFlow的更新和新功能。这是一个关于十天学习TensorFlow的博客大致内容的示例：
阅读全文
posted @ 2024-01-08 11:08
TensorFlow的部署和优化
摘要：第九天，我关注了模型的部署和优化。我学会了如何使用TensorFlow Serving将模型部署为API，以及一些优化技巧，如模型量化、剪枝等，以提高模型在嵌入式设备和移动端的性能。
阅读全文
posted @ 2024-01-08 11:08
TensorFlow的迁移学习
摘要：我研究了迁移学习在TensorFlow中的应用。学到了如何使用预训练的模型，迁移其权重以加速新任务的学习，以及如何微调模型以适应特定的应用领域。
阅读全文
posted @ 2024-01-08 11:07
TensorFlow的循环神经网络
摘要：在第七天，我转向了循环神经网络（RNNs）的学习。我了解了在TensorFlow中如何建立循环神经网络，以及它们在序列数据上的应用，比如自然语言处理任务。
阅读全文
posted @ 2024-01-08 11:07
TensorFlow的卷积神经网络
摘要：第六天，我深入研究了卷积神经网络（CNNs）在TensorFlow中的实现。我学到了如何使用tf.keras.layers构建卷积层、池化层等，并在实际数据集上应用CNN进行图像分类任务。
阅读全文
posted @ 2024-01-08 11:06
超参数调优与模型性能
摘要：我花时间研究了超参数调优的方法，包括学习率衰减、数据增强和正则化等。通过实验和对比不同配置下的模型性能，我逐步找到了使模型性能达到最佳状态的超参数组合。
阅读全文
posted @ 2024-01-08 10:39
YOLOv 的训练过程
摘要：通过实际训练一个简单的YOLOv模型，我深入了解了训练过程中的关键参数配置，如学习率、批量大小等。调整这些参数，并观察模型在训练集上的收敛情况，我逐步优化了模型的性能。
阅读全文
posted @ 2024-01-03 23:27
数据集的准备和标注
摘要：我花了时间研究了不同目标检测数据集，包括COCO和PASCAL VOC等。学习了如何使用标注工具进行图像标注，确保数据集具有足够的多样性和代表性，以便模型能够在各种场景中表现良好。
阅读全文
posted @ 2024-01-02 23:40
YOLOv 模型架构的深度解析
摘要：我深入研究了YOLOv的模型架构，包括其使用的骨干网络Darknet和多尺度预测机制。这使我能够理解模型是如何在不同尺度上进行目标检测，以及为什么这种设计能够取得卓越的性能。
阅读全文
posted @ 2024-01-01 23:32
